摘要
随着计算机和人工智能技术的进步，虚拟手术获得了空前发展，其中人体软组织形变模型的准确与否是虚拟手术质量的决定性因素之一。为了提高人体软组织形变模型的准确性，就必须要精确测量在活体状态下的人体软组织材料的参数。 当前，在临床上普遍使用的测量方法可分为接触式和非接触式。接触式仪器如皮肤弹性测试仪，其会对自然状态下的软组织产生一定的干扰，采集到的参数会产生较大偏差；而非接触式方法都得益于医学影像技术的发展，如超声、MRI等。由于MRI辐射量低，对于软组织成像清晰且不受气体与骨骼的阻碍等优点，通过匹配由MR图像记录的人体软组织在变形前后状态下的两组图像，计算变形前图像中的像元在变形后图像上产生的精确位移，可以进行变形场测量，进而可以获得软组织形变参数。 然而，通过MR图像进行变形前后软组织内部特征点匹配面临三个困难：1）标准样本少；2）MR图像中存在伪影；3）非线性软组织内部大量特征点匹配准确度低。为了解决以上困难，本文的主要工作内容如下： （1）提出了一种基于GAN的MR医学图像生成方法。该方法主要创新点在于通过对生成器和判别器的改进实现MR图像的生成，将多尺度边缘轮廓的结构信息融合到了生成器中，以便更好地捕获MR图像的边缘细节信息。同时，利用基于Transformer的多尺度信息判别器，对生成图像和真实MR图像进行鉴别。通过实验表明，改进后的生成器和判别器，能够有效地生成与真实图像相似且多样的MR图像，为目前医学图像数据缺乏的问题提供了一种有效解决途径。 （2）设计了一种可以利用重建图像网络指导超分辨率图像生成模型。该模型的主要创新点在于合理的运用多任务学习的模式，使用重建网络指导超分辨网络进行图像生成，这样可以有效地运用不同任务之间有效信息。在重建网络部分，解码器的每层输出中都引入了像素间位置注意力模块，使得重建后的图像结构清晰，同时运用基于Transformer的任务转换模块，生成超分辨率图像。通过实验表明，相对于单任务超分辨率网络，该方法所生成的图像清晰度和细节准确度更高。 （3）改进了一种增强特征描述子模型。该模型将图神经网络引入特征描述中，结合注意力机制的思想和图神经网络的结构，利用消息传递的方式来更新节点特征信息，最终获得增强后的特征描述子。与传统的特征描述方法不同，该方法不仅关注自身局部特征点信息，而且也关注目标图像特征点信息。实验结果表明，该方法有效地提升了人体软组织形变前后的两组MR图像中特征点匹配的准确率。
NETL