- 相關(guān)推薦
醫(yī)學(xué)圖像配準(zhǔn)技術(shù)及其研究進(jìn)展
摘要：目的：對(duì)近年來(lái)的醫(yī)學(xué)圖像配準(zhǔn)技術(shù)及其研究進(jìn)展情況進(jìn)行詳盡地綜述和討論，從而為開(kāi)展醫(yī)學(xué)圖像配準(zhǔn)技術(shù)在醫(yī)學(xué)圖像三維重建、醫(yī)學(xué)圖像可視化和定量分析方面的研究提供參考。方法：首先，查閱國(guó)內(nèi)外近年來(lái)醫(yī)學(xué)圖像配準(zhǔn)技術(shù)研究的權(quán)威文獻(xiàn)；然后，深入分析和研究這些文獻(xiàn)所介紹方法的特點(diǎn)、存在的問(wèn)題，并針對(duì)存在的問(wèn)題提出可能的解決方案。結(jié)果： 通過(guò)對(duì)近年來(lái)醫(yī)學(xué)圖像配準(zhǔn)算法的最新研究進(jìn)展情況進(jìn)行深入細(xì)致地分析和討論，在比較了一些典型算法的特點(diǎn)及其應(yīng)用的基礎(chǔ)上，對(duì)醫(yī)學(xué)圖像配準(zhǔn)技術(shù)的發(fā)展進(jìn)行了展望。結(jié)論：使用最優(yōu)化策略改進(jìn)圖像配準(zhǔn)質(zhì)量以及對(duì)非剛體圖像配準(zhǔn)的研究是今后醫(yī)學(xué)圖像配準(zhǔn)的發(fā)展方向。
關(guān)鍵詞：醫(yī)學(xué)圖像配準(zhǔn)； 剛體配準(zhǔn)； 非剛體配準(zhǔn)； 算法評(píng)估
前言
近年來(lái)，隨著計(jì)算機(jī)科學(xué)和信息技術(shù)的不斷發(fā)展，醫(yī)學(xué)成像技術(shù)也得到了迅速發(fā)展，各種新的成像設(shè)備不斷涌現(xiàn)，如計(jì)算機(jī)斷層成像（CT）、數(shù)字減影血管造影（DSA）、單光子發(fā)射斷層成像（SPECT）、磁共振成像（MRI）正電子發(fā)射斷層成像（PET）等。各種成像技術(shù)和檢查方法都有它的優(yōu)勢(shì)與不足，并非一種成像技術(shù)可以適用于對(duì)人體所有器官的檢查和疾病診斷，也不是一種成像技術(shù)能取代另一種成像技術(shù)，而是相輔相成、相互補(bǔ)充。為了提高診斷正確率，需要綜合利用患者的各種圖像信息。目前醫(yī)學(xué)影像學(xué)的一個(gè)明顯的發(fā)展趨勢(shì)是，利用信息融合技術(shù)，將多種醫(yī)學(xué)圖像結(jié)合起來(lái)，充分利用不同醫(yī)學(xué)圖像的特點(diǎn)，在一幅圖像上同時(shí)表達(dá)來(lái)自人體的多方面信息，使人體內(nèi)部的結(jié)構(gòu)、功能等多方面的狀況通過(guò)影像反映出來(lái)，從而更加直觀地提供人體解剖、生理及病理等信息[1]。要解決多圖像信息融合問(wèn)題， 首先要解決圖像配準(zhǔn)問(wèn)題，即多幅圖像在空間域中達(dá)到幾何位置的完全對(duì)應(yīng)。
醫(yī)學(xué)圖像配準(zhǔn)是醫(yī)學(xué)圖像三維重建與可視化的先決條件。利用CT、MRI 獲得的是人體組織或器官的斷層序列圖像。斷層圖像只能提供人體組織或器官的平面信息，要測(cè)量人體組織或器官的體積，或觀察其三維結(jié)構(gòu)，就要利用斷層序列圖像重建出組織或器官的三維圖像。在對(duì)人體組織或器官進(jìn)行掃描過(guò)程中，由于在操作的時(shí)間間隔中受測(cè)個(gè)體難以避免的運(yùn)動(dòng)，使同一器官或組織在不同的斷層上發(fā)生錯(cuò)位。因此，在對(duì)以上得到的序列斷層圖像進(jìn)行三維重建前，需要糾正上述的錯(cuò)位現(xiàn)象，即首先要對(duì)序列斷層圖像進(jìn)行配準(zhǔn)。另外，醫(yī)學(xué)圖像配準(zhǔn)在臨床上還有很多的應(yīng)用，如對(duì)病灶發(fā)展情況的監(jiān)控，外科手術(shù)導(dǎo)航及放射治療計(jì)劃的制訂，對(duì)疾病進(jìn)行回顧性研究及臨床培訓(xùn)等。
綜上，醫(yī)學(xué)圖像配準(zhǔn)技術(shù)在臨床上具有重要的應(yīng)用價(jià)值，也是醫(yī)學(xué)圖像處理領(lǐng)域的研究熱點(diǎn)。本文就空間變換、插值方法、優(yōu)化算法和相似性測(cè)度這四個(gè)配準(zhǔn)的主要過(guò)程，對(duì)醫(yī)學(xué)圖像配準(zhǔn)算法的最新研究進(jìn)展情況進(jìn)行綜述和討論，并對(duì)各種算法的特點(diǎn)及典型應(yīng)用進(jìn)行比較和說(shuō)明。
1 醫(yī)學(xué)圖像配準(zhǔn)方法的研究進(jìn)展
1.1空間變換
醫(yī)學(xué)圖像配準(zhǔn)主要有剛體配準(zhǔn)和非剛體配準(zhǔn)之分。不論是剛體配準(zhǔn)還是非剛體配準(zhǔn)，對(duì)圖像進(jìn)行空間變換是圖像配準(zhǔn)過(guò)程中一個(gè)必不可少的步驟。針對(duì)不同的配準(zhǔn)目標(biāo)，所采用的空間變換也是不同的。以下就剛體配準(zhǔn)和非剛體配準(zhǔn)中所采用的空間變換方法進(jìn)行討論和分析。
1.1.1 剛體配準(zhǔn)的空間變換
對(duì)剛體配準(zhǔn)常用的空間幾何變換有：剛體變換、仿射變換。如Wein 等[2]人研發(fā)了一種應(yīng)用于手術(shù)導(dǎo)航的新方法，采用剛體和仿射變換模型，對(duì)超聲掃描圖像和三維重建后相應(yīng)層的CT 圖像進(jìn)行自動(dòng)化配準(zhǔn)， 并對(duì)此法進(jìn)行評(píng)估。此項(xiàng)研究對(duì)象包括25 個(gè)病人，其肝臟和腎臟都有隨機(jī)性的損害，對(duì)這25 個(gè)病人圖像進(jìn)行配準(zhǔn)后， 對(duì)比內(nèi)科醫(yī)生對(duì)配準(zhǔn)精度的評(píng)價(jià)，該自動(dòng)配準(zhǔn)算法的精確度占76%，程序執(zhí)行時(shí)間少于40s，目標(biāo)配準(zhǔn)誤差的均方差（root-mean-square targetregistration error，RMS TRE） 為8.1 mm， 比目標(biāo)標(biāo)記點(diǎn)配準(zhǔn)的方法（9.7 mm）要好�；旌蠐p傷器官的配準(zhǔn)中RMS TRE 的平均值高于8.1 mm 是可以接受的，特別是當(dāng)RMS TRE 的平均值代表基于血管特征改進(jìn)的點(diǎn)配準(zhǔn)時(shí)。
在三維醫(yī)學(xué)圖像的全局剛體配準(zhǔn)方面，盧振泰等人[3]提出了一種新的基于主成分分析的三維醫(yī)學(xué)圖像快速配準(zhǔn)算法。該算法將圖像看作一個(gè)數(shù)據(jù)集合，利用數(shù)據(jù)的輪廓特征，通過(guò)主成分分析估計(jì)出圖像的質(zhì)心和主軸，通過(guò)對(duì)齊質(zhì)心和主軸來(lái)完成配準(zhǔn)。與傳統(tǒng)的基于灰度計(jì)算三維數(shù)據(jù)的方法相比，該算法顯著減少了計(jì)算量，并且不需要復(fù)雜的優(yōu)化過(guò)程，避免了配準(zhǔn)中限入局部極值的可能，特別適用于三維醫(yī)學(xué)圖像的配準(zhǔn)。但該方法對(duì)數(shù)據(jù)的缺失及圖像變形較為敏感，對(duì)于這類情況還有待進(jìn)一步解決。
由于剛體配準(zhǔn)在許多情況下不能滿足臨床的需要， 不自主的生理運(yùn)動(dòng)可使內(nèi)部器官和組織的位置、尺寸和形狀發(fā)生復(fù)雜的變化，為信息的融合和病理的研究帶來(lái)巨大的困難，所以臨床上對(duì)胸腹部這類無(wú)剛性邊界，甚至邊界模糊部位配準(zhǔn)的需求尤為迫切。
1.1.2 非剛體配準(zhǔn)的空間變換近年來(lái)，常用的非剛性配準(zhǔn)的空間幾何變換主要有：樣條函數(shù)法、金字塔模型、有限元模型和支持向量機(jī)。
（1）使用B樣條函數(shù)
樣條配準(zhǔn)的技術(shù)均是基于源圖像和目標(biāo)圖像上已經(jīng)存在一組對(duì)應(yīng)點(diǎn)的假設(shè)下進(jìn)行的，這些對(duì)應(yīng)點(diǎn)通常稱作控制點(diǎn)。在很多情況下，控制點(diǎn)的全局影響都是不良的，因?yàn)樗鼘?dǎo)致模型局部變形困難，而B(niǎo) 樣條的基函數(shù)有一個(gè)局限性的支持，即變換控制點(diǎn)僅影響它局部鄰域的變形，其應(yīng)用更加廣泛。
Liu[4]等人提出了利用B 樣條實(shí)現(xiàn)醫(yī)學(xué)圖像從剛性到彈性配準(zhǔn)的統(tǒng)一的塔式算法。選取圖像的四個(gè)頂點(diǎn)作為構(gòu)成變形函數(shù)B 樣條的節(jié)點(diǎn)， 合理選擇B 樣條的次數(shù)可以實(shí)現(xiàn)圖像的仿射變換。沿X 和Y 方向均勻增加節(jié)點(diǎn)數(shù)量， 逐步增加變形函數(shù)的復(fù)雜性，通過(guò)選擇B 樣條的不同的次數(shù)n，可以實(shí)現(xiàn)圖像的分塊仿射變換或n-1 階導(dǎo)數(shù)連續(xù)的彈性變換。整個(gè)匹配算法體現(xiàn)了從整體到細(xì)節(jié)的匹配思想。實(shí)驗(yàn)證明，這種配準(zhǔn)方法比單純的彈性配準(zhǔn)方法魯棒性有很大提高。
�。�2）金字塔模型為了改善配準(zhǔn)的效率和準(zhǔn)確性，Wang[5]等人提出了two-resolution-scale 方法。為了加快計(jì)算，用可控金字塔將圖像分解成多尺度和多波段來(lái)表示，此方法提供恒定的平移和旋轉(zhuǎn)，且優(yōu)于小波變換。然后在傳統(tǒng)的多尺度配準(zhǔn)的參數(shù)傳遞中，為了避免轉(zhuǎn)換誤差的積累和放大，配準(zhǔn)只在低分辨率和高分辨率進(jìn)行。在低分辨率中，快速準(zhǔn)確地計(jì)算出全局旋轉(zhuǎn)和比例參數(shù)，這些參數(shù)直接用于初始化高分辨率的優(yōu)化，使得平移誤差得到糾正。試驗(yàn)表明該方法效果良好。
還有采用金字塔和其它方法相結(jié)合的方式進(jìn)行醫(yī)學(xué)圖像的配準(zhǔn)。例如Xu[6]等人采用金字塔和互信息相結(jié)合的方法，解決了互信息計(jì)算復(fù)雜而且配準(zhǔn)速度慢的問(wèn)題， 提出一種新的層積聚集金字塔模型（sliceaccumulation pyramid，SAP）來(lái)加速配準(zhǔn)過(guò)程。大量的對(duì)照試驗(yàn)說(shuō)明新的金字塔模型無(wú)論是在計(jì)算效率還是優(yōu)化方法上都要優(yōu)于小波金字塔模型。而且SAP適用于去除CT 和MRI 的數(shù)據(jù)偽影，結(jié)果表明，SAP適用于多模圖像配準(zhǔn)。
（3）有限元方法
彈性變形的偏微分方程可通過(guò)有限元方法（FEM）求解，采用三要素模型來(lái)模擬剛性、彈性和流體結(jié)構(gòu)的性質(zhì)。具體是將圖像劃分為有多個(gè)連通結(jié)點(diǎn)的三角形網(wǎng)格，根據(jù)潛在解剖結(jié)構(gòu)的物理性質(zhì)為每個(gè)結(jié)點(diǎn)做標(biāo)記，例如骨質(zhì)標(biāo)記為剛性，軟組織標(biāo)記為彈性，CSF 標(biāo)記為流體， 標(biāo)記為彈性和流體的結(jié)點(diǎn)通過(guò)最小化能量函數(shù)變形， 而標(biāo)記為剛性的結(jié)點(diǎn)保持不變。配準(zhǔn)由最小化相應(yīng)標(biāo)記點(diǎn)距離的相似性測(cè)度驅(qū)動(dòng)，但其它的相似性測(cè)度也可以結(jié)合到能量函數(shù)中。
N. Archip 等人[7]利用有限元模型對(duì)手術(shù)前的肝臟MR 圖像和手術(shù)中的沒(méi)有對(duì)比增強(qiáng)的肝臟CT 圖像進(jìn)行非剛體配準(zhǔn)，以改善肝臟射頻消融手術(shù)中對(duì)腫瘤的靶向作用， 并利用13 個(gè)做過(guò)射頻消融手術(shù)的病人的數(shù)據(jù)驗(yàn)證此法的配準(zhǔn)效果，并用常規(guī)剛體配準(zhǔn)以及B 樣條、demons 兩種非剛體配準(zhǔn)方法的結(jié)果進(jìn)行對(duì)比。對(duì)比結(jié)果顯示，用有限元方法配準(zhǔn)的肝的解剖標(biāo)志邊緣的平均距離是1.64 mm，是其它對(duì)比方法中距離最小的。FEM 方法顯著提高了配準(zhǔn)的精度。
文獻(xiàn)[8]講述了有限元計(jì)算方法在開(kāi)顱手術(shù)中的應(yīng)用。采用病人特性的6 面體單元?jiǎng)澐志W(wǎng)格，結(jié)合大腦組織的材料特性和適當(dāng)?shù)倪吔鐥l件建立模型，并使用該模型在腦表面的運(yùn)動(dòng)結(jié)點(diǎn)上加載載荷。應(yīng)用計(jì)算后的變形區(qū)域去配準(zhǔn)術(shù)前、術(shù)中的圖像，即使在得到很少的變形信息下也能顯示出腫瘤和腦室邊緣的精準(zhǔn)變形。結(jié)果顯示當(dāng)進(jìn)行非剛體配準(zhǔn)時(shí)，非線性生物力學(xué)模型優(yōu)于線性模型，其原因是不再需要假設(shè)腦變形無(wú)窮小和腦的應(yīng)力應(yīng)變曲線是線性的。
（4）支持向量機(jī)
文獻(xiàn)[9]用基于支持向量機(jī)（support vector machines，SVM）的方法對(duì)相同病人的不同醫(yī)學(xué)圖像模式進(jìn)行配準(zhǔn)。此方法用支持向量機(jī)建立經(jīng)過(guò)訓(xùn)練的兩幅圖像模式之間的先前的聯(lián)合灰度分布模型。配準(zhǔn)CT/MR 和PET/MR 結(jié)果顯示可以得到亞像素級(jí)別的配準(zhǔn)精度，而且支持向量機(jī)具有稀疏性加快了配準(zhǔn)速度。此法在先驗(yàn)知識(shí)的基礎(chǔ)上配準(zhǔn)收斂地更快更可信。
1.2 插值方法
由于對(duì)待配準(zhǔn)圖像進(jìn)行空間變換后，所得出的像素坐標(biāo)位置可能不在整數(shù)像素上，因此需要用灰度插值的方法對(duì)像素值進(jìn)行估計(jì)。常用的插值算法有最近鄰域法（nearest neighboring interpolation）、線性插值法（trilinear interpolation） 和三線性部分體積分布（trilinear partial volume distribution） 插值算法， 簡(jiǎn)稱PV 插值方法。最近鄰域法具有計(jì)算量小、速度快的優(yōu)點(diǎn)，但是存在質(zhì)量不高的缺點(diǎn)。線性插值效果較好，運(yùn)算量也不很大，故經(jīng)常采用。三線性PV 插值算法不是通過(guò)鄰居點(diǎn)確定所求像素的灰度，它是按照周圍8個(gè)像素和所求像素點(diǎn)的空間距離來(lái)分配權(quán)重，避免了一次插值運(yùn)算。
文獻(xiàn)[10]提出了一種在灰度圖像之間插值的新方法，用修改的控制網(wǎng)格插值算法在相鄰的斷層之間實(shí)現(xiàn)配準(zhǔn)，此方法選擇性地接受位移場(chǎng)更新的方式來(lái)優(yōu)化配準(zhǔn)結(jié)果，三次插補(bǔ)被應(yīng)用于和位移場(chǎng)相關(guān)的像素強(qiáng)度，并考慮了試驗(yàn)率，插值的質(zhì)量，算法實(shí)現(xiàn)的壓縮量。試驗(yàn)結(jié)果表明新方法取得了良好的質(zhì)量，同時(shí)相對(duì)于最佳競(jìng)爭(zhēng)的方法明顯的改變了效率。文獻(xiàn)[11]采用三次樣條插值法對(duì)PET-CT 圖像進(jìn)行層間插值，然后再利用最大互信息法進(jìn)行配準(zhǔn)，最后應(yīng)用改進(jìn)的主成分分析（PCA）法融合PET-CT 圖像用以增強(qiáng)PET 顯像效果，從而得到滿意的配準(zhǔn)以及融合結(jié)果。用三次樣條插值法進(jìn)行層間插值并恢復(fù)層間缺失圖像的信息，彌補(bǔ)了現(xiàn)有配準(zhǔn)方法的不足，提高了配準(zhǔn)精度，使融合后的圖像更加接近實(shí)際的物理斷層。目前該方法已經(jīng)成功應(yīng)用于三維適形放療（3D-CRT）系統(tǒng)的開(kāi)發(fā)中。
1.3 優(yōu)化算法
圖像配準(zhǔn)在本質(zhì)上是一個(gè)多參數(shù)優(yōu)化問(wèn)題，即尋找互相關(guān)系數(shù)最大、聯(lián)合熵最小或互信息最大時(shí)的幾個(gè)空間變換參數(shù)值。圖像配準(zhǔn)的優(yōu)化主要有兩個(gè)要求：全局尋優(yōu)和快的優(yōu)化速度。圖像配準(zhǔn)的優(yōu)化過(guò)程易陷入局部最優(yōu)，而且計(jì)算量大，速度慢。對(duì)于尺寸大的二維圖像和三維圖像，速度的降低更加明顯，直接影響實(shí)際應(yīng)用。所以，提高配準(zhǔn)的可靠性和速度是重要問(wèn)題。
在圖像配準(zhǔn)方面，常用的優(yōu)化方法主要有：模擬退火算法（simulated annealing algorithm，SAA）、遺傳算法、粒子群優(yōu)化算法（particle swarm optimization，PSO）、Powell 算法、下降單純形法、梯度下降法等，其中前三種對(duì)于搜索全局最優(yōu)解， 效果是比較好的，但是存在計(jì)算量大，收斂速度慢的問(wèn)題。而后幾種方法計(jì)算量小，收斂速度快，但易收斂到局部最優(yōu)。遺傳算法存在著明顯的缺點(diǎn)容易陷入“過(guò)早收斂”問(wèn)題。文獻(xiàn)[12]采用一種改進(jìn)的自適應(yīng)遺傳算法，對(duì)醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)，很好的克服了遺傳算法“過(guò)早收斂”的問(wèn)題，取得了良好的效果。
近年來(lái)，還提出了許多新的優(yōu)化算法。文獻(xiàn)[13]提出了一種基于非線性相關(guān)測(cè)量（nonlinear correlationmeasurement）的全局優(yōu)化算法。此方提出用非線性相關(guān)信息熵（nonlinear correlation information entropy，NCIE）的概念作為圖像配準(zhǔn)標(biāo)準(zhǔn)。該方法利用NCIE的極值特性，有效的克服了局部極小值問(wèn)題。進(jìn)一步改善了下降單純形法混合可變精度公差，使得計(jì)算時(shí)間減小，同時(shí)獲得了準(zhǔn)確和最佳的變換。應(yīng)用于配準(zhǔn)頭顱的核磁共振圖像，全局優(yōu)化技術(shù)在全局搜索范圍表現(xiàn)出了可靠性和魯棒性。在進(jìn)行非剛體配準(zhǔn)的應(yīng)用中，互信息和B 樣條相結(jié)合的方法被廣泛應(yīng)用。文獻(xiàn)[14]對(duì)基于互信息和B 樣條非剛體圖像配準(zhǔn)的優(yōu)化方法進(jìn)行評(píng)估，比較了8 個(gè)優(yōu)化算法：梯度下降法（2 種不同步長(zhǎng)），擬牛頓法（quasi-Newton），非線性共軛梯度，Kiefer-Wolfowitz， simultaneous perturbation， Robbins-Monro 法和演化策略法（evolution strategy）。對(duì)比計(jì)算時(shí)間和變形區(qū)域的配準(zhǔn)精度，結(jié)果表明Robbins-Monro方法在大多數(shù)應(yīng)用中是最好的選擇。用這種方法，計(jì)算每次迭代的時(shí)間可以降低大約500 倍，而不影響收斂率。擬牛頓和非線性共軛梯度法實(shí)現(xiàn)略高的精度，但犧牲了較大的計(jì)算時(shí)間。由于各優(yōu)化算法的優(yōu)缺點(diǎn)都是相對(duì)的，所以在具體的研究中，多采用兩種或兩種以上的優(yōu)化算法即混合優(yōu)化算法進(jìn)行參數(shù)搜索。文獻(xiàn)[15]利用遺傳算法和模擬退火算法結(jié)合的算法進(jìn)行參數(shù)搜索，避免了陷入局部最優(yōu)值。文獻(xiàn)[16]將蟻群算法與Powell 法結(jié)合起來(lái)對(duì)三維的CT，MR 圖像進(jìn)行了配準(zhǔn)，有效地克服互信息函數(shù)的局部極值，明顯提高了配準(zhǔn)精度，達(dá)到亞像素級(jí)。文獻(xiàn)[17]用DIviding RECTangles（DIRECT）和multidirectional search（MDS）相結(jié)合的方法實(shí)現(xiàn)高優(yōu)越性的圖像配準(zhǔn)。DIRECT 是針對(duì)線性問(wèn)題的全局性技術(shù)，MDS 是局部方法。DIRECT和MDS 相結(jié)合的方法和hybrid 和Powell 的方法相結(jié)合，進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果顯示DIRECT 和MDS 更具有魯棒性，更準(zhǔn)確可以減少運(yùn)算。針對(duì)互信息在多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)中的局部極值問(wèn)題，文獻(xiàn)[18]利用海明（Hamming）窗進(jìn)行濾波預(yù)處理，并采用粒子群優(yōu)化（particle swarm optimization，PSO） 方法搜索配準(zhǔn)參數(shù)。結(jié)果表明，圖像經(jīng)過(guò)Hamming 窗低通濾波后，局部極值明顯減少， 有利于利用互信息進(jìn)行圖像的配準(zhǔn)。另外，PSO 優(yōu)化算法在大多數(shù)情況下都可以收斂到全局最優(yōu)解。此方法可有效克服互信息的局部極值問(wèn)題，并有效提高配準(zhǔn)精度�；旌蟽�(yōu)化算法采取優(yōu)勢(shì)互補(bǔ)的方法很好的避免了產(chǎn)生局部極值和配準(zhǔn)速度慢的問(wèn)題，成為目前研究和應(yīng)用的熱點(diǎn)。
1.4 相似性測(cè)度
相似性測(cè)度的選擇是圖像配準(zhǔn)中的重要步驟之一，它將決定如何確定配準(zhǔn)變換。而且，其匹配的程度最后轉(zhuǎn)化為匹配或者不匹配。
1.4.1 最大互信息測(cè)度
互信息是目前用得最廣泛的多模態(tài)配準(zhǔn)方法，其精度和魯棒性都較令人滿意。該方法不需要對(duì)圖像進(jìn)行分割或任何預(yù)處理，只要求存在統(tǒng)計(jì)依賴關(guān)系。它將兩幅圖像的灰度值看成兩個(gè)隨機(jī)變量，使用信息論中的互信息作為理論依據(jù)。信息論的方法假設(shè)當(dāng)兩幅圖像對(duì)準(zhǔn)時(shí)，根據(jù)其中一幅圖像中的某一位置的灰度值，能夠較好地預(yù)測(cè)另一幅圖像在相應(yīng)位置的灰度值。若兩幅圖像沒(méi)有配準(zhǔn)，則上述預(yù)測(cè)無(wú)效。從本質(zhì)上講，互信息利用了圖像中同種拓?fù)浣Y(jié)構(gòu)和內(nèi)容的一一對(duì)應(yīng)，因而不受灰度值必須線性關(guān)系的限制，被廣泛地用于CT/MR，PET/MR 等多種配準(zhǔn)研究中，特別是當(dāng)其中一個(gè)圖像的數(shù)據(jù)部分缺損時(shí)也能得到很好的配準(zhǔn)。但是，在原始互信息中未能考慮圖像中像素的空間信息，僅以像素的灰度作為統(tǒng)計(jì)變量，忽略了灰度傳遞的空間位置信息。而且它還容易受到灰度插值的影響，因此產(chǎn)生許多局部極值導(dǎo)致了誤配準(zhǔn)。如何更好地與空間信息結(jié)合，是提高以互信息作為相似性度量的配準(zhǔn)性能關(guān)鍵。
Liu 等人[19]提出灰度和梯度場(chǎng)互信息自適應(yīng)相結(jié)合（adaptive combination of intensity and gradient fieldmutual information，ACMI）的標(biāo)準(zhǔn)�；叶然バ畔⒉皇菑膬煞紙D像計(jì)算出，而是從兩幅圖像梯度場(chǎng)互信息（gradient code maps，GCM）計(jì)算出，所謂GCM 即：從相應(yīng)原始圖像的中構(gòu)建出梯度場(chǎng)的信息。由于他們的互補(bǔ)性，兩種信息函數(shù)用非線性加權(quán)函數(shù)相結(jié)合形成ACMI，非線性加權(quán)函數(shù)可以根據(jù)他們的表現(xiàn)自適應(yīng)的進(jìn)行調(diào)節(jié)使得兩種互信息方法得到更好的結(jié)合。試驗(yàn)結(jié)果表明ACMI 魯棒性等比傳統(tǒng)的互信息要好。文獻(xiàn)[20]是利用最大化互信息理論和邊緣相關(guān)偏差對(duì)圖像進(jìn)行配準(zhǔn)。此方法充分利用了原始圖像所有的灰度信息和圖像邊緣體素位置的相關(guān)性。實(shí)驗(yàn)證明新方法繼承了之前方法的優(yōu)點(diǎn)，而且有一些改進(jìn)：參數(shù)曲線的極點(diǎn)更加的明顯；在圖像缺失灰度值的情況下可以減少配準(zhǔn)錯(cuò)誤；對(duì)白噪聲有更好的魯棒性。
針對(duì)互信息測(cè)度在配準(zhǔn)醫(yī)學(xué)圖像時(shí)易陷入局部極值、速度慢的缺點(diǎn)，提出了基于均值不等式的均值距離測(cè)度。文獻(xiàn)[21]首先根據(jù)均值不等式推導(dǎo)出5 種均值距離測(cè)度：方根-算術(shù)均值距離（SAM）、方根-幾何均值距離（SGM）、方根-調(diào)和均值距離（SHM）、算術(shù)-幾何均值距離（AGM）、算術(shù)-調(diào)和均值距離（AHM）。然后通過(guò)人體腦部CT/MR 和MR-T1/PD 圖像的配準(zhǔn)實(shí)驗(yàn)，從函數(shù)曲線、配準(zhǔn)精度、計(jì)算時(shí)間和收斂性能方面，對(duì)互信息與5 種均值距離信息測(cè)度進(jìn)行了比較與分析。實(shí)驗(yàn)結(jié)果表明，在不損失配準(zhǔn)精度的前提下，AHM 和SAM 測(cè)度可以獲得更快的配準(zhǔn)速度， 對(duì)噪聲有很強(qiáng)的魯棒性。
2 醫(yī)學(xué)圖像配準(zhǔn)的評(píng)估
醫(yī)學(xué)圖像配準(zhǔn)，特別是多模醫(yī)學(xué)圖像非剛體配準(zhǔn)結(jié)果的評(píng)估一直是件很困難的事情。由于待配準(zhǔn)的多幅圖像基本上都是在不同時(shí)間或/ 和條件下獲取的，所以沒(méi)有絕對(duì)的配準(zhǔn)問(wèn)題，只有相對(duì)的最優(yōu)（某種準(zhǔn)則下的）配準(zhǔn)。在此意義上，最優(yōu)配準(zhǔn)與配準(zhǔn)的目的有關(guān)。常用的評(píng)估方法有以下幾種：體模法、準(zhǔn)標(biāo)法（fiducial marks）、圖譜法和目測(cè)檢驗(yàn)法。文獻(xiàn)[22]有詳細(xì)的解釋，這里就不加贅述。
值得注意的是，荷蘭烏得勒支大學(xué)圖像科學(xué)中心建立了3 套標(biāo)準(zhǔn)醫(yī)學(xué)圖像數(shù)據(jù)集和評(píng)估準(zhǔn)則。其中包括了2D-3D 配準(zhǔn)標(biāo)準(zhǔn)數(shù)據(jù)集、金標(biāo)準(zhǔn)和評(píng)估準(zhǔn)則（gold standard database）[23]。它采用經(jīng)過(guò)已知成像幾何關(guān)系的三維旋轉(zhuǎn)X 線成像系統(tǒng)（3D rotational X-ray，3DRX） 和基于圖像的3D-3D 配準(zhǔn)方法，提供了二維透視X 線圖像到三維MR/CT/3DRX 圖像配準(zhǔn)研究的金標(biāo)準(zhǔn)，包括了多模態(tài)的圖像數(shù)據(jù)集（MR、CT、3DRX）、旋轉(zhuǎn)中心和起始點(diǎn)，以及對(duì)試驗(yàn)結(jié)果的評(píng)估準(zhǔn)則。
3 展望
本文綜述了近年來(lái)醫(yī)學(xué)圖像配準(zhǔn)發(fā)展中的典型技術(shù)。由于在進(jìn)行醫(yī)學(xué)圖像配準(zhǔn)時(shí)，研究對(duì)象具有多樣性和復(fù)雜性的特征，以上方法都有一定的局限性，今后的發(fā)展趨勢(shì)是在應(yīng)用中針對(duì)不同的研究對(duì)象選擇合適的配準(zhǔn)方法， 并應(yīng)用不同的方法進(jìn)行綜合互補(bǔ)。
目前許多醫(yī)學(xué)圖像配準(zhǔn)技術(shù)針對(duì)剛體的配準(zhǔn)已相當(dāng)成熟，非剛體的圖像配準(zhǔn)技術(shù)已經(jīng)逐步發(fā)展并提出了一些可行的解決方法，但同剛性圖像相比還不成熟。如何建立合理的變形模型，適應(yīng)各種復(fù)雜的組織變形，如何提高非剛體配準(zhǔn)的計(jì)算速度、配準(zhǔn)精度以及對(duì)非剛體的配準(zhǔn)評(píng)估都需要進(jìn)一步的研究。
另外，在手術(shù)過(guò)程中對(duì)人體器官實(shí)現(xiàn)進(jìn)行實(shí)時(shí)配準(zhǔn)已成為醫(yī)學(xué)圖像配準(zhǔn)的主要應(yīng)用之一。這就要求醫(yī)學(xué)圖像配準(zhǔn)要具備實(shí)時(shí)性和準(zhǔn)確性以及有效的全自動(dòng)的配準(zhǔn)策略向快速和準(zhǔn)確的方面發(fā)展，使用最優(yōu)化策略改進(jìn)圖像配準(zhǔn)以及對(duì)非剛性圖像配準(zhǔn)的研究是今后醫(yī)學(xué)圖像配準(zhǔn)的發(fā)展方向。
參考文獻(xiàn)：
[1] 田捷, 包尚聯(lián), 周明全. 醫(yī)學(xué)影像處理與分析[M]. 電子工業(yè)出版社,2003 年9 月第1 版.
[2] Wolfgang Wein, Shellby Brunke, Ali Khanmene. Automatic CT-ultrasoundregistration for diagnostic imaging and image-guided intervention[J]. Medical Image Analysis, 2012,12:577-585.
[3] Lu ZT, Chen WF. A fast 3-D medical image registration algorithm usingprincipal component analysis [J]. Nan Fang Yi Ke Da Xue XueBao. 2012,28(9):1591-1593.
[4] Xingang Liu, Wufan Chen, Guangjie Chen. A eew hybridized rigid-elasticmultiresolution algorithm for medical image registration [C].
Proceedings of the 2005 IEEE Engineering in Medicine and Biology27th Annual Conference Shanghai, China.September 1 -4, 2005,6567-6570.
[5] X. Wang, D. D. Feng. Medical image registration via steerable pyramid[C]. Proceedings of the 29th Annual International .Conference of theIEEE EMBS. Cité Internationale, Lyon, France.August 23 -26,2007,6395-6398.
[6] Peng Xu, DeZhongYao. A study on medical image registration by mutualinformation with pyramid data structure [J]. Computers in Biologyand Medicine. 2007,37:320-327.
[7] N. Archip, S. Tatli. Non-rigid registration of pre-procedural MR imageswith intra-procedural unenhanced CT images for improved targetingof tumors during liver radiofrequency ablations [J]. MICCAI,2007,969-977.
[8] Adam Witteka, Karol Millera, Ron Kikinisb, Simon K.Warfieldb. Patient-specific model of brain deformation: Application to medical imageregistration [J]. Journal of Biomechanics, 2007,40: 919-929.
[9] Zhao Zhang, Su Zhang, Chne-Xi Zhang. Multi-modality medical imageregistration using support vector machines [C]. Proceedings of the2005 IEEE Engineering in Medicine and Biology 27th Annual ConferenceShanghai, China, September 1-4, 2005.
[10] David H. Frakes, Lakshmi P. Dasi, Kerem Pekkan, et al. A NewMethod for Registration-Based Medical Image Interplation [J]. IEEETRANSACTIONS ON MEDICAL IMAGING, 2012,27(3):370-377.
[11] 何元烈, 田聯(lián)房, 陳萍, 等. 基于三次樣條層間插值的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)[J]. 生物醫(yī)學(xué)工程雜志, 2007,24(6):1241-1245.
[12] 陳貴云, 張江. 自適應(yīng)遺傳算法在多模圖像配準(zhǔn)中的應(yīng)用[J]. 計(jì)算技術(shù)及自動(dòng)化,2007,26:123-125.
[13] Jing JIN, Qiang WANG, Yi SHEN. Global optimization of medicalimage registration based on nonlinear correlation measurement [C].
Proceedings of the 2005 IEEE Engineering in Medicine and Biology27th Annual Conference, 2005,3390-3393.
[14] Stefan Klein, Marius Staring, and Josien P. W. Pluim. Evaluation ofoptimization methods for nonrigid medical image registration UsingMutual Information and B-Splines [J]. IEEE TRANSACTIONS ONIMAGE PROCESSING, 2007,16(12):2879-2890.
[15] 張汗靈, 楊帆. 基于互信息和混合優(yōu)化算法的多模醫(yī)學(xué)圖像配準(zhǔn)[J]. 湖南大學(xué)學(xué)報(bào), 2006,33:117-120.
[16] 楊帆, 張汗靈. 蟻群算法和Powell 法結(jié)合的多分辨率三維圖像配準(zhǔn)[J]. 電子與信息學(xué)報(bào), 2007,29:622-625.
[17] Mark P. Wachowiak, Terry M. Peters. High-performance medical imageregistration using new optimization techniques [J]. IEEETRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE,2006,10(2):344-353.
[18] 裴繼紅,田劍豪,楊烜. 基于海明窗濾波及粒子群優(yōu)化搜索的醫(yī)學(xué)圖像配準(zhǔn)[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2007,24(2):262-267.
[19] Jiangang Liu, Jie Tian, Yakang Dai. Multi-modal medical image registrationbased on adaptive combination of intensity and gradientfield mutual Information [C]. Proceedings of the 28th IEEE ,EMBSAnnual International Conference New York City, USA, 2006,1429-1432.
[20] Changchun Liu, Ke Li, Zhongguo Liu. Medical image registration bymaximization of combined mutual information and edge correlativedeviation [C]. Proceedings of the 2005 IEEE Engineering inMedicine and Biology 27th Annual Conference, Shanghai, China,September 1-4, 2005,6379-6382.
[21] Stefan Martin,Tariq S. Durrani. A new divergence measure for medicalimage registration [J]. IEEE TRANSACTIONS ON IMAGE PROCESSING,2007,16(4):957-966.
[22] 羅述謙. 醫(yī)學(xué)圖像處理評(píng)估方法[J]. 世界醫(yī)療器械.
[23] van de Kraats E.B. , Penney G.P., Tomazevic, D., et al. Standardizedevaluation methodology for 2-D-3-D registration [J]. IEEE Trans onMedical Imaging, 2005,24:1177-1190.
本文來(lái)自中國(guó)碩士論文代寫(xiě)網(wǎng)，我們?yōu)槟峁└嗟拇T士畢業(yè)論文
【醫(yī)學(xué)圖像配準(zhǔn)技術(shù)及其研究進(jìn)展】相關(guān)文章：
1394技術(shù)及其在實(shí)時(shí)圖像采集系統(tǒng)中的應(yīng)用研究03-02
醫(yī)學(xué)圖像資料書(shū)寫(xiě)11-20
基于圖像的OMR技術(shù)的實(shí)現(xiàn)03-07
醫(yī)學(xué)圖像領(lǐng)域中數(shù)字圖像處理的應(yīng)用研究性論文04-24