mia-2dmyoica-nonrigid2 - Online di Cloud

PROGRAM:

NAMA

mia-2dmyoica-nonrigid2 - Jalankan pendaftaran serangkaian gambar 2D.

RINGKASAN

mia-2dmyoica-nonrigid2 -i -o [pilihan]

DESKRIPSI

mia-2dmyoica-nonrigid2 Program ini menjalankan registrasi gambar perfusi yang tidak kaku
seri.Dalam setiap lintasan, pertama-tama analisis ICA dijalankan untuk memperkirakan dan menghilangkan periodik
gerakan dan buat gambar referensi dengan intensitas yang mirip dengan yang sesuai
gambar asli. Kemudian pendaftaran non-kaku dijalankan menggunakan biaya "ssd + divcurl"
model. C-rate B-spline dan bobot biaya divcurl diubah di setiap lintasan sesuai
untuk parameter yang diberikan. Pada lintasan pertama, kotak pembatas di sekitar miokardium LV mungkin
diekstrakuntuk mempercepat komputasi Catatan khusus untuk implementasi ini: pendaftaran adalah
selalu jalankan dari gambar asli untuk menghindari akumulasi kesalahan interpolasi.

PILIHAN

File-IO
-i --in-file=(masukan, diperlukan); rangkaian
masukan kumpulan data perfusi

-o --out-file=(keluaran, diperlukan); rangkaian
kumpulan data perfusi keluaran

-r --terdaftar=reg
basis nama file untuk file terdaftar

--simpan-potong=
simpan set yang dipotong ke file ini

--save-fitur=
simpan gambar fitur segmentasi dan matriks pencampuran ICA awal

ICA
-C --komponen=0
Komponen ICA 0 = estimasi otomatis Komponen ICA 0 = otomatis
perkiraan

--normalisasi
jangan normalkan IC

--tanpa-meanstrip
jangan lepaskan rata-rata dari kurva pencampuran

-s --segscale=0
segmen dan skala kotak tanaman di sekitar segmen LV (0=tidak ada segmentasi) dan
skala kotak tanaman di sekitar LV (0=tidak ada segmentasi)

-k --lewati=0
lewati gambar di awal seri misalnya karena seperti yang lain
modalitiesmelewati gambar di awal seri, misalnya karena mereka
adalah modalitas lain

-m --max-ica-iter=400
jumlah maksimum iterasi di ICAjumlah maksimum iterasi di ICA

-E --segmethod=fitur
Metode segmentasi
delta-puncak - perbedaan gambar peningkatan puncak
fitur - gambar fitur
delta-fitur - perbedaan gambar fitur

Pendaftaran
-O --optimizer=gsl:opt=gd,langkah=0.1
Optimizer digunakan untuk minimizationOptimizer digunakan untuk minimization For
plugin yang didukung lihat PLUGIN:minimizer/singlecost

-a --mulai-c-rate=32
mulai tingkat koefisien dalam duri, dibagi dengan --c-rate-divider dengan
setiap tingkat koefisien passstart di duri, akan dibagi dengan --c-rate-divider
dengan setiap umpan

--c-rate-divider=4
pembagi laju yang efisien untuk setiap lintasan pembagi laju yang efisien untuk setiap lintasan

-d --mulai-divcurl=20
mulai bobot divcurl, dibagi dengan --divcurl-divider dengan setiap passstart
berat divcurl, dibagi dengan --divcurl-divider dengan setiap pass

--divcurl-pembagi=4
penskalaan bobot divcurl dengan setiap penskalaan bobot passdivcurl baru dengan masing-masing
pas baru

-w --berat gambar=1
berat biaya gambar berat biaya gambar

-p --interpolator=bspline:d=3
kernel interpolator gambar kernel interpolator gambar Untuk plugin yang didukung
lihat PLUGIN:1d/splinekernel

-l --mg-level=3
level multi-resolusi level multi-resolusi

-P --lulus=3
tiket pendaftaran tiket masuk

Bantuan & Info
-V --verbose=peringatan
verbositas output, pesan cetak dari tingkat tertentu dan prioritas yang lebih tinggi.
Prioritas yang didukung mulai dari level terendah adalah:
Info - Pesan tingkat rendah
jejak - Jejak panggilan fungsi
gagal - Laporkan kegagalan pengujian
peringatan - Peringatan
kesalahan - Laporkan kesalahan
men-debug - Keluaran debug
pesan - Pesan biasa
fatal - Laporkan hanya kesalahan fatal

--hak cipta
cetak informasi hak cipta

-h --bantuan
cetak bantuan ini

-? --penggunaan
cetak bantuan singkat

--Versi: kapan
cetak nomor versi dan keluar

Pengolahan
--utas=-1
Jumlah maksimum utas yang digunakan untuk pemrosesan, Jumlah ini harus lebih rendah
atau sama dengan jumlah inti prosesor logis dalam mesin. (-1:
estimasi otomatis). Jumlah utas maksimum yang digunakan untuk pemrosesan, Ini
nomor harus lebih rendah atau sama dengan jumlah inti prosesor logis di
mesin. (-1: estimasi otomatis).

PLUGIN: 1d/kernel spline

bspline Pembuatan kernel B-spline, parameter yang didukung adalah:

d = 3; int di [0, 5]
Gelar spline.

omm Pembuatan kernel OMoms-spline, parameter yang didukung adalah:

d = 3; int di [3, 3]
Gelar spline.

PLUGIN: perkecil/biaya tunggal

selamat datang Penurunan gradien dengan koreksi ukuran langkah otomatis., parameter yang didukung adalah:

ftolr = 0; ganda dalam [0, inf)
Berhenti jika perubahan relatif dari kriteria di bawah..

langkah-maks = 2; ganda dalam (0, inf)
Ukuran langkah absolut maksimal.

maxiter = 200; uint di [1, inf)
Kriteria penghentian: jumlah maksimum iterasi.

min-langkah = 0.1; ganda dalam (0, inf)
Ukuran langkah absolut minimal.

xtola = 0.01; ganda dalam [0, inf)
Hentikan jika inf-norma dari perubahan yang diterapkan pada x di bawah nilai ini..

gdsq Penurunan gradien dengan estimasi langkah kuadrat, parameter yang didukung adalah:

ftolr = 0; ganda dalam [0, inf)
Berhenti jika perubahan relatif dari kriteria di bawah..

gtola = 0; ganda dalam [0, inf)
Hentikan jika inf-norma gradien di bawah nilai ini..

maxiter = 100; uint di [1, inf)
Kriteria penghentian: jumlah maksimum iterasi.

skala = 2; ganda dalam (1, inf)
Penskalaan ukuran langkah mundur tetap.

langkah = 0.1; ganda dalam (0, inf)
Ukuran langkah awal.

xtola = 0; ganda dalam [0, inf)
Hentikan jika inf-norma x-update di bawah nilai ini..

gsl plugin pengoptimal berdasarkan pengoptimal multimin dari Perpustakaan Ilmiah GNU
(GSL) https://www.gnu.org/software/gsl/, parameter yang didukung adalah:

eps = 0.01; ganda dalam (0, inf)
pengoptimal berbasis gradien: berhenti saat |grad| < eps, simpleks: berhenti ketika
ukuran simpleks < eps..

proses = 100; uint di [1, inf)
jumlah iterasi maksimum.

memilih = g; dikte
Pengoptimal khusus yang akan digunakan.. Nilai yang didukung adalah:
bfg – Broyden-Fletcher-Goldfarb-Shann
bfgs2 - Broyden-Fletcher-Goldfarb-Shann (versi paling efisien)
cg-fr - Algoritma gradien konjugasi Flecher-Reeves
gd - Penurunan gradien.
simpleks - Algoritma simpleks dari Nelder dan Mead
cg-pr - Algoritma gradien konjugasi Polak-Ribiere

langkah = 0.001; ganda dalam (0, inf)
ukuran langkah awal.

dorongan = 0.1; ganda dalam (0, inf)
beberapa parameter toleransi.

tidak ada Algoritma Minimizer menggunakan library NLOPT, untuk deskripsi dari
pengoptimal silakan lihat 'http://ab-
initio.mit.edu/wiki/index.php/NLopt_Algorithms', parameter yang didukung adalah:

ftola = 0; ganda dalam [0, inf)
Kriteria penghentian: perubahan absolut dari nilai objektif di bawah
nilai ini.

ftolr = 0; ganda dalam [0, inf)
Kriteria penghentian: perubahan relatif dari nilai objektif di bawah
nilai ini.

lebih tinggi = inf; dobel
Batas yang lebih tinggi (sama untuk semua parameter).

lokal-opt = tidak ada; dikte
algoritma minimisasi lokal yang mungkin diperlukan untuk main
algoritma minimisasi.. Nilai yang didukung adalah:
gn-orig-langsung-l - Membagi Persegi Panjang (implementasi asli,
bias lokal)
gn-langsung-l-noscal - Membagi Persegi Panjang (tidak berskala, bias lokal)
gn-isres - Strategi Evolusi Peringkat Stokastik yang Ditingkatkan
ld-tnewton - Newton terpotong
gn-langsung-l-rand - Membagi Persegi Panjang (bias lokal, acak)
In-newuoa - Optimalisasi Tanpa Batasan Bebas Derivatif secara Iteratif
Pendekatan Kuadrat Terbangun
gn-direct-l-rand-noscale - Membagi Persegi Panjang (tidak berskala, lokal
bias, acak)
gn-asal-langsung - Membagi Persegi Panjang (implementasi asli)
ld-tnewton-precond - Newton terpotong yang telah dikondisikan sebelumnya
ld-tnewton-restart - Newton terpotong dengan restart turunan paling curam
gn-langsung - Membagi Persegi Panjang
ln-nedermad - Algoritma simpleks Nelder-Mead
in-cobyla - Optimasi Terbatas OLEH Pendekatan Linier
gn-crs2-lm - Pencarian Acak Terkendali dengan Mutasi Lokal
ld-var2 - Metrik Variabel Memori Terbatas yang Digeser, Peringkat 2
ld-var1 - Metrik Variabel Memori Terbatas yang Digeser, Peringkat 1
ld-mma - Metode Memindahkan Asimtot
ld-lbfgs-nocedal - Tidak ada
ld-lbfgs - BFGS penyimpanan rendah
gn-langsung-l - Membagi Persegi Panjang (bias lokal)
tak satupun - jangan tentukan algoritma
ln-bobyqa - Optimasi Batas-Terikat Bebas Derivatif
ln-sbplx - Varian subpleks dari Nelder-Mead
ln-newuoa-terikat - Optimalisasi Batas-Terikat Bebas Derivatif dengan
Pendekatan Kuadrat yang Dibangun secara Iteratif
ln-praksis – Optimasi Lokal Bebas Gradien melalui Poros Utama
metode
gn-langsung-noscal - Membagi Persegi Panjang (tidak berskala)
ld-tnewton-precond-restart - Newton terpotong yang telah dikondisikan sebelumnya dengan
restart turunan paling curam

menurunkan = -inf; dobel
Batas bawah (sama untuk semua parameter).

maxiter = 100; int dalam [1, inf)
Kriteria penghentian: jumlah maksimum iterasi.

memilih = ld-lbfgs; dikte
algoritma minimisasi utama. Nilai yang didukung adalah:
gn-orig-langsung-l - Membagi Persegi Panjang (implementasi asli,
bias lokal)
g-mlsl-lds - Multi-Level Single-Linkage (urutan perbedaan rendah,
memerlukan optimasi dan batas berbasis gradien lokal)
gn-langsung-l-noscal - Membagi Persegi Panjang (tidak berskala, bias lokal)
gn-isres - Strategi Evolusi Peringkat Stokastik yang Ditingkatkan
ld-tnewton - Newton terpotong
gn-langsung-l-rand - Membagi Persegi Panjang (bias lokal, acak)
In-newuoa - Optimalisasi Tanpa Batasan Bebas Derivatif secara Iteratif
Pendekatan Kuadrat Terbangun
gn-direct-l-rand-noscale - Membagi Persegi Panjang (tidak berskala, lokal
bias, acak)
gn-asal-langsung - Membagi Persegi Panjang (implementasi asli)
ld-tnewton-precond - Newton terpotong yang telah dikondisikan sebelumnya
ld-tnewton-restart - Newton terpotong dengan restart turunan paling curam
gn-langsung - Membagi Persegi Panjang
auglag-eq - Algoritma Lagrangian yang diperbesar dengan batasan kesetaraan
hanya
ln-nedermad - Algoritma simpleks Nelder-Mead
in-cobyla - Optimasi Terbatas OLEH Pendekatan Linier
gn-crs2-lm - Pencarian Acak Terkendali dengan Mutasi Lokal
ld-var2 - Metrik Variabel Memori Terbatas yang Digeser, Peringkat 2
ld-var1 - Metrik Variabel Memori Terbatas yang Digeser, Peringkat 1
ld-mma - Metode Memindahkan Asimtot
ld-lbfgs-nocedal - Tidak ada
g-mlsl - Multi-Level Single-Linkage (memerlukan optimasi lokal dan
batas)
ld-lbfgs - BFGS penyimpanan rendah
gn-langsung-l - Membagi Persegi Panjang (bias lokal)
ln-bobyqa - Optimasi Batas-Terikat Bebas Derivatif
ln-sbplx - Varian subpleks dari Nelder-Mead
ln-newuoa-terikat - Optimalisasi Batas-Terikat Bebas Derivatif dengan
Pendekatan Kuadrat yang Dibangun secara Iteratif
Agustus - Algoritma Lagrangian yang diperbesar
ln-praksis – Optimasi Lokal Bebas Gradien melalui Poros Utama
metode
gn-langsung-noscal - Membagi Persegi Panjang (tidak berskala)
ld-tnewton-precond-restart - Newton terpotong yang telah dikondisikan sebelumnya dengan
restart turunan paling curam
ld-slqp – Pemrograman Kuadrat Kuadrat Terkecil Berurutan

langkah = 0; ganda dalam [0, inf)
Ukuran langkah awal untuk metode bebas gradien.

berhenti = -inf; dobel
Kriteria penghentian: nilai fungsi berada di bawah nilai ini.

xtola = 0; ganda dalam [0, inf)
Kriteria penghentian: perubahan mutlak dari semua nilai-x di bawah ini
nilai.

xtolr = 0; ganda dalam [0, inf)
Kriteria penghentian: perubahan relatif dari semua nilai-x di bawah ini
nilai.

CONTOH

Daftarkan seri perfusi yang diberikan di 'segment.set' dengan menggunakan estimasi ICA otomatis.
Lewati dua gambar di awal dan jika tidak gunakan parameter default. Simpan
menghasilkan 'terdaftar.set'.

mia-2dmyoica-nonrigid2 -i segment.set -o terdaftar.set -k 2

PENULIS

Gert Wolny

HAK CIPTA

Perangkat lunak ini adalah Hak Cipta (c) 1999-2015 Leipzig, Jerman dan Madrid, Spanyol. Itu datang
dengan BENAR-BENAR TANPA JAMINAN dan Anda dapat mendistribusikannya kembali di bawah ketentuan GNU
LISENSI UMUM UMUM Versi 3 (atau lebih baru). Untuk informasi lebih lanjut, jalankan program dengan
opsi '--hak cipta'.

Gunakan mia-2dmyoica-nonrigid2 online menggunakan layanan onworks.net