mia-2dmyopgt-nonrigid - Online sa Cloud

PROGRAMA:

NAME

mia-2dmyopgt-nonrigid - Magpatakbo ng pagpaparehistro ng isang serye ng mga 2D na larawan.

SINOPSIS

mia-2dmyopgt-nonrigid -i -o [mga pagpipilian]

DESCRIPTION

mia-2dmyopgt-nonrigid Ang programang ito ay nagpapatupad ng non-linear na pagpaparehistro batay sa Pseudo
Ground Thruth para sa motion compensation ng mga serye ng myocardial perfusion images na ibinigay bilang a
set ng data bilang inilalarawan sa Chao Li at Ying Sun, 'Nonrigid Registration of Myocardial
Perfusion MRI Gamit ang Pseudo Ground Truth' , Sa Proc. Medikal na Image Computing at Computer-
Assisted Intervention MICCAI 2009, 165-172, 2009. Tandaan na para sa nonlinear motion na ito
pagwawasto ang isang naunang linear na hakbang sa pagpaparehistro ay karaniwang kinakailangan.

Opsyon

File-IO
-i --in-file=(input, kinakailangan); string
set ng data ng perfusion ng input

-o --out-file=(output, kinakailangan); string
set ng data ng output perfusion

-r --registered=reg
base ng pangalan ng file para sa mga nakarehistrong file, ang uri ng file ng imahe ay kapareho ng
ibinigay sa set ng data ng input

Palayaw Lupa Thruth kuru-kuro
-A --alpha=1
bigat ng parusa sa spacial neighborhood

-B --beta=1
temporal second derivative penalty weight temporal second derivative penalty
timbang

-R --rho-thresh=0.85
correlation threshold para sa neighborhood analysiscorrelation threshold para sa
pagsusuri ng kapitbahayan

-k --laktawan=0
laktawan ang mga larawan sa simula ng serye hal dahil tulad ng mga ito sa iba
modalitiesskip mga larawan sa simula ng serye hal dahil bilang sila
ay sa iba pang mga modalidad

rehistrasyon
-O --optimizer=gsl:opt=gd,step=0.1
Optimizer na ginagamit para sa minimizationOptimizer na ginagamit para sa minimization Para sa
mga sinusuportahang plugin tingnan ang PLUGINS:minimizer/singlecost

-a --start-c-rate=32
simulan ang coefficinet rate sa mga spine, nahahati sa --c-rate-divider na may
bawat passstart coefficinet rate sa mga spine, nahahati sa --c-rate-divider
sa bawat pagpasa

--c-rate-divider=4
cofficient rate divider para sa bawat passcofficient rate divider para sa bawat pass

-d --start-divcurl=20
simulan ang divcurl weight, nahahati sa --divcurl-divider sa bawat passstart
divcurl weight, nahahati sa --divcurl-divider sa bawat pass

--divcurl-divider=4
divcurl weight scaling sa bawat bagong passdivcurl weight scaling sa bawat isa
bagong pass

-w --imageweight=1
timbang ng gastos ng imahe timbang ng gastos ng imahe

-l --mg-levels=3
mga antas ng multi-resolution na mga antas ng multi-resolution

-P --pasa=4
registration pass mga registration pass

Tulong & Impormasyon
-V --verbose=babala
verbosity ng output, pag-print ng mga mensahe ng ibinigay na antas at mas mataas na priyoridad.
Ang mga sinusuportahang priyoridad na nagsisimula sa pinakamababang antas ay:
info - Mga mensahe sa mababang antas
kopyahin o sipiin sa pamamagitan ng pag-aninag - Trace ng tawag sa function
mabigo - Mag-ulat ng mga pagkabigo sa pagsubok
babala - Mga babala
mali - Mag-ulat ng mga error
mag-alis ng mga insekto ‐ Debug na output
mensahe - Mga normal na mensahe
nakamamatay ‐ Iulat lamang ang mga nakamamatay na pagkakamali

--copyright
i-print ang impormasyon sa copyright

-h --tulong
i-print ang tulong na ito

-? --gamit
mag-print ng maikling tulong

--bersyon
i-print ang numero ng bersyon at lumabas

Pagproseso
--mga thread=-1
Maximum na bilang ng mga thread na gagamitin para sa pagproseso, Ang bilang na ito ay dapat na mas mababa
o katumbas ng bilang ng mga lohikal na core ng processor sa makina. (-1:
awtomatikong pagtatantya). Pinakamataas na bilang ng mga thread na gagamitin para sa pagproseso, Ito
Ang numero ay dapat na mas mababa o katumbas ng bilang ng mga lohikal na core ng processor
ang makina. (-1: awtomatikong pagtatantya).

MGA PLUGIN: minimizer/singlecost

gdas Gradient descent na may awtomatikong pagwawasto ng laki ng hakbang., ang mga sinusuportahang parameter ay:

ftolr = 0; doble sa [0, inf)
Itigil kung nasa ibaba ang relatibong pagbabago ng criterion..

max-step = 2; doble sa (0, inf)
Pinakamataas na ganap na laki ng hakbang.

maxiter = 200; uint in [1, inf)
Pamantayan sa paghinto: ang maximum na bilang ng mga pag-ulit.

min-hakbang = 0.1; doble sa (0, inf)
Minimal na ganap na laki ng hakbang.

xtola = 0.01; doble sa [0, inf)
Itigil kung ang inf-norm ng pagbabagong inilapat sa x ay mas mababa sa halagang ito..

gdsq Gradient descent na may quadratic step estimation, ang mga sinusuportahang parameter ay:

ftolr = 0; doble sa [0, inf)
Itigil kung nasa ibaba ang relatibong pagbabago ng criterion..

gtola = 0; doble sa [0, inf)
Itigil kung ang inf-norm ng gradient ay mas mababa sa halagang ito..

maxiter = 100; uint in [1, inf)
Pamantayan sa paghinto: ang maximum na bilang ng mga pag-ulit.

sukatan = 2; doble sa (1, inf)
Fallback fixed step size scaling.

hakbang = 0.1; doble sa (0, inf)
Sukat ng paunang hakbang.

xtola = 0; doble sa [0, inf)
Itigil kung ang inf-norm ng x-update ay mas mababa sa halagang ito..

gsl optimizer plugin batay sa mga multimin optimizer ng GNU Scientific Library
(GSL) https://www.gnu.org/software/gsl/, ang mga sinusuportahang parameter ay:

eps = 0.01; doble sa (0, inf)
gradient based optimizers: huminto kapag |grad| < eps, simplex: huminto kung kailan
simplex size < eps..

ito = 100; uint in [1, inf)
maximum na bilang ng mga pag-ulit.

opt = gd; dict
Tukoy na optimizer na gagamitin.. Ang mga sinusuportahang halaga ay:
bfgs ‐ Broyden-Fletcher-Goldfarb-Shann
bfgs2 ‐ Broyden-Fletcher-Goldfarb-Shann (pinakamahusay na bersyon)
cg-fr ‐ Flecher-Reeves conjugate gradient algorithm
gd ‐ gradient descent.
simplex ‐ Simplex algorithm ng Nelder at Mead
cg-pr ‐ Polak-Ribiere conjugate gradient algorithm

hakbang = 0.001; doble sa (0, inf)
laki ng paunang hakbang.

tol = 0.1; doble sa (0, inf)
ilang tolerance parameter.

nlopt Minimizer algorithm gamit ang NLOPT library, para sa isang paglalarawan ng
mga optimizer mangyaring tingnan ang 'http://ab-
initio.mit.edu/wiki/index.php/NLopt_Algorithms', ang mga sinusuportahang parameter ay:

ftola = 0; doble sa [0, inf)
Pamantayan sa paghinto: ang ganap na pagbabago ng layunin na halaga ay nasa ibaba
ang halagang ito.

ftolr = 0; doble sa [0, inf)
Pamantayan sa paghinto: nasa ibaba ang kaugnay na pagbabago ng layuning halaga
ang halagang ito.

mas mataas = inf; doble
Mas mataas na hangganan (pantay para sa lahat ng mga parameter).

local-opt = wala; dict
lokal na minimization algorithm na maaaring kailanganin para sa pangunahing
minimization algorithm.. Ang mga sinusuportahang value ay:
gn-orig-direct-l ‐ Dividing Rectangles (orihinal na pagpapatupad,
may kinikilingan sa lokal)
gn-direct-l-noscal ‐ Dividing Rectangles (unscaled, locally biased)
gn-isres ‐ Pinahusay na Stochastic Ranking Evolution Strategy
ld-tnewton - Pinutol na Newton
gn-direct-l-rand ‐ Dividing Rectangles (lokal na bias, randomized)
ln-newuoa ‐ Derivative-free Unconstrained Optimization sa pamamagitan ng Iteratively
Binuo Quadratic Approximation
gn-direct-l-rand-noscale ‐ Dividing Rectangles (unscaled, locally
biased, randomized)
gn-orig-direct ‐ Dividing Rectangles (orihinal na pagpapatupad)
ld-tnewton-precond ‐ Preconditioned Pinutol na Newton
ld-tnewton-restart ‐ Pinutol na Newton na may pinakamatarik na pag-restart
gn-direkta - Paghahati ng mga Parihaba
ln-neldermead ‐ Nelder-Mead simplex algorithm
ln-cobyla ‐ Pinilit na Optimization NG Linear Approximation
gn-crs2-lm ‐ Kinokontrol na Random na Paghahanap gamit ang Lokal na Mutation
ld-var2 ‐ Shifted Limited-Memory Variable-Metric, Rank 2
ld-var1 ‐ Shifted Limited-Memory Variable-Metric, Rank 1
ld-mma ‐ Paraan ng Paglipat ng mga Asymptotes
ld-lbfgs-nocedal - Wala
ld-lbfgs ‐ Mababang-imbak na BFGS
gn-direct-l ‐ Dividing Rectangles (lokal na bias)
wala ‐ huwag tukuyin ang algorithm
ln-bobyqa ‐ Derivative-free Bound-constrained Optimization
ln-sbplx ‐ Subplex na variant ng Nelder-Mead
ln-newuoa-bound ‐ Derivative-free Bound-constrained Optimization sa pamamagitan ng
Paulit-ulit na Binuo Quadratic Approximation
ln-praksis ‐ Gradient-free na Local Optimization sa pamamagitan ng Principal-Axis
Paraan
gn-direct-noscal ‐ Dividing Rectangles (unscaled)
ld-tnewton-precond-restart ‐ Preconditioned Pinutol Newton na may
steepest-descent restarting

ibaba = -inf; doble
Mas mababang hangganan (katumbas para sa lahat ng mga parameter).

maxiter = 100; int sa [1, inf)
Pamantayan sa paghinto: ang maximum na bilang ng mga pag-ulit.

opt = ld-lbfgs; dict
pangunahing algorithm ng minimization. Ang mga sinusuportahang halaga ay:
gn-orig-direct-l ‐ Dividing Rectangles (orihinal na pagpapatupad,
may kinikilingan sa lokal)
g-mlsl-lds ‐ Multi-Level Single-Linkage (low-discrepancy-sequence,
nangangailangan ng lokal na gradient na nakabatay sa pag-optimize at mga hangganan)
gn-direct-l-noscal ‐ Dividing Rectangles (unscaled, locally biased)
gn-isres ‐ Pinahusay na Stochastic Ranking Evolution Strategy
ld-tnewton - Pinutol na Newton
gn-direct-l-rand ‐ Dividing Rectangles (lokal na bias, randomized)
ln-newuoa ‐ Derivative-free Unconstrained Optimization sa pamamagitan ng Iteratively
Binuo Quadratic Approximation
gn-direct-l-rand-noscale ‐ Dividing Rectangles (unscaled, locally
biased, randomized)
gn-orig-direct ‐ Dividing Rectangles (orihinal na pagpapatupad)
ld-tnewton-precond ‐ Preconditioned Pinutol na Newton
ld-tnewton-restart ‐ Pinutol na Newton na may pinakamatarik na pag-restart
gn-direkta - Paghahati ng mga Parihaba
auglag-eq ‐ Augmented Lagrangian algorithm na may mga hadlang sa pagkakapantay-pantay
lamang
ln-neldermead ‐ Nelder-Mead simplex algorithm
ln-cobyla ‐ Pinilit na Optimization NG Linear Approximation
gn-crs2-lm ‐ Kinokontrol na Random na Paghahanap gamit ang Lokal na Mutation
ld-var2 ‐ Shifted Limited-Memory Variable-Metric, Rank 2
ld-var1 ‐ Shifted Limited-Memory Variable-Metric, Rank 1
ld-mma ‐ Paraan ng Paglipat ng mga Asymptotes
ld-lbfgs-nocedal - Wala
g-mlsl ‐ Multi-Level Single-Linkage (nangangailangan ng lokal na pag-optimize at
hangganan)
ld-lbfgs ‐ Mababang-imbak na BFGS
gn-direct-l ‐ Dividing Rectangles (lokal na bias)
ln-bobyqa ‐ Derivative-free Bound-constrained Optimization
ln-sbplx ‐ Subplex na variant ng Nelder-Mead
ln-newuoa-bound ‐ Derivative-free Bound-constrained Optimization sa pamamagitan ng
Paulit-ulit na Binuo Quadratic Approximation
auglag ‐ Augmented Lagrangian algorithm
ln-praksis ‐ Gradient-free na Local Optimization sa pamamagitan ng Principal-Axis
Paraan
gn-direct-noscal ‐ Dividing Rectangles (unscaled)
ld-tnewton-precond-restart ‐ Preconditioned Pinutol Newton na may
steepest-descent restarting
ld-slsqp ‐ Sequential Least-Squares Quadratic Programming

hakbang = 0; doble sa [0, inf)
Paunang laki ng hakbang para sa mga pamamaraan na walang gradient.

itigil = -inf; doble
Pamantayan sa paghinto: ang value ng function ay mas mababa sa value na ito.

xtola = 0; doble sa [0, inf)
Ang pamantayan sa paghinto: ang ganap na pagbabago ng lahat ng x-values ​​ay nasa ibaba nito
halaga.

xtolr = 0; doble sa [0, inf)
Pamantayan sa paghinto: ang relatibong pagbabago ng lahat ng x-values ​​ay nasa ibaba nito
halaga.

Halimbawa

Irehistro ang serye ng perfusion na ibinigay sa 'segment.set' sa pamamagitan ng paggamit ng Pseudo Ground Truth
pagtatantya. Laktawan ang dalawang larawan sa simula at kung hindi man ay gamitin ang mga default na parameter.
Itabi ang resulta sa 'registered.set'.

mia-2dmyopgt-nonrigid -i segment.set -o registered.set -k 2

AUTHOR(s)

Gert Wollny

COPYRIGHT

Ang software na ito ay Copyright (c) 1999‐2015 Leipzig, Germany at Madrid, Spain. Dumating ito
na WALANG WARRANTY at maaari mo itong muling ipamahagi sa ilalim ng mga tuntunin ng GNU
PANGKALAHATANG PUBLIC LICENSE Bersyon 3 (o mas bago). Para sa karagdagang impormasyon, patakbuhin ang programa gamit ang
opsyon na '--copyright'.

Gumamit ng mia-2dmyopgt-nonrigid online gamit ang mga serbisyo ng onworks.net