基于粒子群優(yōu)化的CNN模板設(shè)計及其在醫(yī)學(xué)圖像配準中的應(yīng)用研究.pdf

1、隨著科學(xué)技術(shù)的進步和信息時代的到來，信息的處理速度問題已經(jīng)成為現(xiàn)今急需解決的關(guān)鍵問題之一。人們所要處理的信息量越來越大，對實時性的要求越來越強，特別是在圖像處理方面，圖像中所包含的大信息量，使得很多成熟算法由于速度問題導(dǎo)致其在圖像處理應(yīng)用的過程中遇到瓶頸。
　　眾所周知，并行運算是解決速度問題的最有效途徑，因此尋找具有并行運算處理功能的算法進入研究者的視線。細胞神經(jīng)網(wǎng)絡(luò)（CNN）所具有的并行運算處理結(jié)構(gòu)非常適合進行信息處理和計算，

2、其在圖像處理和視頻信號處理等領(lǐng)域得到廣泛的應(yīng)用，因此對細胞神經(jīng)網(wǎng)絡(luò)模板的設(shè)計研究具有十分重要的理論意義和實踐價值。本文首先對CNN模板的設(shè)計進行了改進和優(yōu)化，并將其應(yīng)用在圖像處理的醫(yī)學(xué)圖像配準中。本文的主要工作包括：
　?。?）基于粒子群算法優(yōu)化的CNN模板設(shè)計。CNN模板設(shè)計過程中在模板參數(shù)的選擇時容易出現(xiàn)局部極值而不是全局最優(yōu)值的問題。粒子群算法具有的全局最優(yōu)值選擇，通過粒子群算法的優(yōu)化，獲取的細胞神經(jīng)網(wǎng)絡(luò)模板的參數(shù)將是最優(yōu)參

3、數(shù)。在進行圖像特征提取的過程中不會出現(xiàn)特征值提取錯誤的情況發(fā)生，使得圖像配準過程的速度更快。
　?。?）基于CNN的互信息圖像配準算法。現(xiàn)已有的圖像配準算法，主要包括按照特征和互信息兩類。在進行配準的過程中，基于兩種類型的配準算法各有缺點，如計算復(fù)雜度高，信息量不準確等。將這兩類算法進行結(jié)合，在互信息圖像配準算法的基礎(chǔ)上，加入了圖像的特征分析。將其放入圖像配準過程中，使得其計算復(fù)雜度降低，同時信息量得到一定的補充和完善，使得配準結(jié)

4、果在準確性上更好在速度上更快。
　?。?）基于參數(shù)優(yōu)化的CNN互信息圖像配準算法。基于CNN互信息圖像配準算法雖然對圖像配準的兩類基本算法進行了結(jié)合，但是其仍然存在一些問題沒有解決。使用CNN進行特征提取時會陷入極值選擇困難的難題，及在進行配準的過程中需要互信息最大，在互信息取值的過程中涉及到參數(shù)的選擇。面對上面存在的一些問題，通過使用粒子群算法分別對CNN模板參數(shù)和互信息取值時涉及到的參數(shù)進行優(yōu)化計算。進一步降低計算復(fù)雜度的同時