基于特征选择多任务随机森林的眼底图像配准方法研究

The project aims to propose novel, robust, high-precision algorithms by jointing segmentation and registration for retinal image. The accuracy is difficult to obtain due to the highly variable, different modality and noise. To address the above challenges, we propose a novel supervised jointing segmentation and registration framework for retinal image under the following three parts: (1) Explore the effect of sparse expression and importance detection for feature selection. (2) The model is an issue for multi-task random forest in retinal vessel segmentation. We propose random forest combining classification and regression model for retinal vessel segmentation and l the iterative automatic context is used to refine the result. (3) We register the multimodal retinal image based on vascular structural. The segmentation and registration can be refined by binding multi-modalities information from the new registered image to guide the iterative training model updating. It will provide the new technologies and methods for fundus-related diseases diagnosis, screening and treatment progress analysis and other research issues.

本项目旨在提出一种新颖、鲁棒、高精度的眼底视网膜图像分割和配准联合算法。由于不同模态眼底视网膜图像灰度、形态的高度变化及采集噪声的存在使得眼底视网膜图像分割和配准精度很难保证。针对此问题，提出了基于特征选择多任务随机森林的眼底图像配准方法。具体研究内容包括：(1) 探索基于稀疏表达及重要性检测的特征选择算法对训练模型鲁棒性的影响；(2) 研究多任务随机森林在视网膜血管分割中的模型构建问题，提出随机森林分类和回归结合的多任务学习算法，并采用自动上下文迭代统计模型提高分割算法鲁棒性；(3) 利用视网膜血管结构特征实现多模态眼底图像配准，并联合配准后图像模态信息建立迭代式血管分割和配准联合模型。它将为眼底相关的疾病诊断、筛查和治疗进展分析等研究问题提供新技术和新方法。

本项目提供符视网膜眼底图像数据特点的图像分割和图像配准关键技术及算法，拓展现有医学图像处理与分析的理论和方法。通过对国内外研究状况进行综合论述与深入研究分析的基础上，围绕视网膜眼底图像血管自动检测算法、配准算法、基于学习的随机森林算法以及结合上下文迭代算法等进行理论研究，取得以下成果：一是将基于传统图像分割算法与基于学习图像分割算法的研究思路相结合，实现精准图像分割；二是利用基于特征的图像配准构建，根据待配准图像几何约束，建立自适应权值目标函数，提高图像配准精度；三是对多模态图像进行配准，建立基于学习的上下文迭代多任务随机森林配准模型，结合临床实验数据，对算法进行性能评价。.将提出算法以医学图像分割、单模态图像配准、多模态图像配准、凝胶蛋白图像配准、模型拟合以及点集配准为例对上述理论研究工作进行深入探索和验证，均获得满意的实验结果。.上述研究旨在促进现有的医学图像处理术和计算机视觉领域中以图像分割算法、图像配准算法以及模型拟合算法为核心的多种应用的发展，既有重要的科学意义和学术探讨价值，又有广泛的应用价值。