- 相關推薦
醫學圖像配準技術及其研究進展
摘要：目的：對近年來的醫學圖像配準技術及其研究進展情況進行詳盡地綜述和討論，從而為開展醫學圖像配準技術在醫學圖像三維重建、醫學圖像可視化和定量分析方面的研究提供參考。方法：首先，查閱國內外近年來醫學圖像配準技術研究的權威文獻；然后，深入分析和研究這些文獻所介紹方法的特點、存在的問題，并針對存在的問題提出可能的解決方案。結果： 通過對近年來醫學圖像配準算法的最新研究進展情況進行深入細致地分析和討論，在比較了一些典型算法的特點及其應用的基礎上，對醫學圖像配準技術的發展進行了展望。結論：使用最優化策略改進圖像配準質量以及對非剛體圖像配準的研究是今后醫學圖像配準的發展方向。
關鍵詞：醫學圖像配準； 剛體配準； 非剛體配準； 算法評估
前言
近年來，隨著計算機科學和信息技術的不斷發展，醫學成像技術也得到了迅速發展，各種新的成像設備不斷涌現，如計算機斷層成像（CT）、數字減影血管造影（DSA）、單光子發射斷層成像（SPECT）、磁共振成像（MRI）正電子發射斷層成像（PET）等。各種成像技術和檢查方法都有它的優勢與不足，并非一種成像技術可以適用于對人體所有器官的檢查和疾病診斷，也不是一種成像技術能取代另一種成像技術，而是相輔相成、相互補充。為了提高診斷正確率，需要綜合利用患者的各種圖像信息。目前醫學影像學的一個明顯的發展趨勢是，利用信息融合技術，將多種醫學圖像結合起來，充分利用不同醫學圖像的特點，在一幅圖像上同時表達來自人體的多方面信息，使人體內部的結構、功能等多方面的狀況通過影像反映出來，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題， 首先要解決圖像配準問題，即多幅圖像在空間域中達到幾何位置的完全對應。
醫學圖像配準是醫學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，要測量人體組織或器官的體積，或觀察其三維結構，就要利用斷層序列圖像重建出組織或器官的三維圖像。在對人體組織或器官進行掃描過程中，由于在操作的時間間隔中受測個體難以避免的運動，使同一器官或組織在不同的斷層上發生錯位。因此，在對以上得到的序列斷層圖像進行三維重建前，需要糾正上述的錯位現象，即首先要對序列斷層圖像進行配準。另外，醫學圖像配準在臨床上還有很多的應用，如對病灶發展情況的監控，外科手術導航及放射治療計劃的制訂，對疾病進行回顧性研究及臨床培訓等。
綜上，醫學圖像配準技術在臨床上具有重要的應用價值，也是醫學圖像處理領域的研究熱點。本文就空間變換、插值方法、優化算法和相似性測度這四個配準的主要過程，對醫學圖像配準算法的最新研究進展情況進行綜述和討論，并對各種算法的特點及典型應用進行比較和說明。
1 醫學圖像配準方法的研究進展
1.1空間變換
醫學圖像配準主要有剛體配準和非剛體配準之分。不論是剛體配準還是非剛體配準，對圖像進行空間變換是圖像配準過程中一個必不可少的步驟。針對不同的配準目標，所采用的空間變換也是不同的。以下就剛體配準和非剛體配準中所采用的空間變換方法進行討論和分析。
1.1.1 剛體配準的空間變換
對剛體配準常用的空間幾何變換有：剛體變換、仿射變換。如Wein 等[2]人研發了一種應用于手術導航的新方法，采用剛體和仿射變換模型，對超聲掃描圖像和三維重建后相應層的CT 圖像進行自動化配準， 并對此法進行評估。此項研究對象包括25 個病人，其肝臟和腎臟都有隨機性的損害，對這25 個病人圖像進行配準后， 對比內科醫生對配準精度的評價，該自動配準算法的精確度占76%，程序執行時間少于40s，目標配準誤差的均方差（root-mean-square targetregistration error，RMS TRE） 為8.1 mm， 比目標標記點配準的方法（9.7 mm）要好�；旌蠐p傷器官的配準中RMS TRE 的平均值高于8.1 mm 是可以接受的，特別是當RMS TRE 的平均值代表基于血管特征改進的點配準時。
在三維醫學圖像的全局剛體配準方面，盧振泰等人[3]提出了一種新的基于主成分分析的三維醫學圖像快速配準算法。該算法將圖像看作一個數據集合，利用數據的輪廓特征，通過主成分分析估計出圖像的質心和主軸，通過對齊質心和主軸來完成配準。與傳統的基于灰度計算三維數據的方法相比，該算法顯著減少了計算量，并且不需要復雜的優化過程，避免了配準中限入局部極值的可能，特別適用于三維醫學圖像的配準。但該方法對數據的缺失及圖像變形較為敏感，對于這類情況還有待進一步解決。
由于剛體配準在許多情況下不能滿足臨床的需要， 不自主的生理運動可使內部器官和組織的位置、尺寸和形狀發生復雜的變化，為信息的融合和病理的研究帶來巨大的困難，所以臨床上對胸腹部這類無剛性邊界，甚至邊界模糊部位配準的需求尤為迫切。
1.1.2 非剛體配準的空間變換近年來，常用的非剛性配準的空間幾何變換主要有：樣條函數法、金字塔模型、有限元模型和支持向量機。
（1）使用B樣條函數
樣條配準的技術均是基于源圖像和目標圖像上已經存在一組對應點的假設下進行的，這些對應點通常稱作控制點。在很多情況下，控制點的全局影響都是不良的，因為它導致模型局部變形困難，而B 樣條的基函數有一個局限性的支持，即變換控制點僅影響它局部鄰域的變形，其應用更加廣泛。
Liu[4]等人提出了利用B 樣條實現醫學圖像從剛性到彈性配準的統一的塔式算法。選取圖像的四個頂點作為構成變形函數B 樣條的節點， 合理選擇B 樣條的次數可以實現圖像的仿射變換。沿X 和Y 方向均勻增加節點數量， 逐步增加變形函數的復雜性，通過選擇B 樣條的不同的次數n，可以實現圖像的分塊仿射變換或n-1 階導數連續的彈性變換。整個匹配算法體現了從整體到細節的匹配思想。實驗證明，這種配準方法比單純的彈性配準方法魯棒性有很大提高。
�。�2）金字塔模型為了改善配準的效率和準確性，Wang[5]等人提出了two-resolution-scale 方法。為了加快計算，用可控金字塔將圖像分解成多尺度和多波段來表示，此方法提供恒定的平移和旋轉，且優于小波變換。然后在傳統的多尺度配準的參數傳遞中，為了避免轉換誤差的積累和放大，配準只在低分辨率和高分辨率進行。在低分辨率中，快速準確地計算出全局旋轉和比例參數，這些參數直接用于初始化高分辨率的優化，使得平移誤差得到糾正。試驗表明該方法效果良好。
還有采用金字塔和其它方法相結合的方式進行醫學圖像的配準。例如Xu[6]等人采用金字塔和互信息相結合的方法，解決了互信息計算復雜而且配準速度慢的問題， 提出一種新的層積聚集金字塔模型（sliceaccumulation pyramid，SAP）來加速配準過程。大量的對照試驗說明新的金字塔模型無論是在計算效率還是優化方法上都要優于小波金字塔模型。而且SAP適用于去除CT 和MRI 的數據偽影，結果表明，SAP適用于多模圖像配準。
（3）有限元方法
彈性變形的偏微分方程可通過有限元方法（FEM）求解，采用三要素模型來模擬剛性、彈性和流體結構的性質。具體是將圖像劃分為有多個連通結點的三角形網格，根據潛在解剖結構的物理性質為每個結點做標記，例如骨質標記為剛性，軟組織標記為彈性，CSF 標記為流體， 標記為彈性和流體的結點通過最小化能量函數變形， 而標記為剛性的結點保持不變。配準由最小化相應標記點距離的相似性測度驅動，但其它的相似性測度也可以結合到能量函數中。
N. Archip 等人[7]利用有限元模型對手術前的肝臟MR 圖像和手術中的沒有對比增強的肝臟CT 圖像進行非剛體配準，以改善肝臟射頻消融手術中對腫瘤的靶向作用， 并利用13 個做過射頻消融手術的病人的數據驗證此法的配準效果，并用常規剛體配準以及B 樣條、demons 兩種非剛體配準方法的結果進行對比。對比結果顯示，用有限元方法配準的肝的解剖標志邊緣的平均距離是1.64 mm，是其它對比方法中距離最小的。FEM 方法顯著提高了配準的精度。
文獻[8]講述了有限元計算方法在開顱手術中的應用。采用病人特性的6 面體單元劃分網格，結合大腦組織的材料特性和適當的邊界條件建立模型，并使用該模型在腦表面的運動結點上加載載荷。應用計算后的變形區域去配準術前、術中的圖像，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變形。結果顯示當進行非剛體配準時，非線性生物力學模型優于線性模型，其原因是不再需要假設腦變形無窮小和腦的應力應變曲線是線性的。
（4）支持向量機
文獻[9]用基于支持向量機（support vector machines，SVM）的方法對相同病人的不同醫學圖像模式進行配準。此方法用支持向量機建立經過訓練的兩幅圖像模式之間的先前的聯合灰度分布模型。配準CT/MR 和PET/MR 結果顯示可以得到亞像素級別的配準精度，而且支持向量機具有稀疏性加快了配準速度。此法在先驗知識的基礎上配準收斂地更快更可信。
1.2 插值方法
由于對待配準圖像進行空間變換后，所得出的像素坐標位置可能不在整數像素上，因此需要用灰度插值的方法對像素值進行估計。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， 簡稱PV 插值方法。最近鄰域法具有計算量小、速度快的優點，但是存在質量不高的缺點。線性插值效果較好，運算量也不很大，故經常采用。三線性PV 插值算法不是通過鄰居點確定所求像素的灰度，它是按照周圍8個像素和所求像素點的空間距離來分配權重，避免了一次插值運算。
文獻[10]提出了一種在灰度圖像之間插值的新方法，用修改的控制網格插值算法在相鄰的斷層之間實現配準，此方法選擇性地接受位移場更新的方式來優化配準結果，三次插補被應用于和位移場相關的像素強度，并考慮了試驗率，插值的質量，算法實現的壓縮量。試驗結果表明新方法取得了良好的質量，同時相對于最佳競爭的方法明顯的改變了效率。文獻[11]采用三次樣條插值法對PET-CT 圖像進行層間插值，然后再利用最大互信息法進行配準，最后應用改進的主成分分析（PCA）法融合PET-CT 圖像用以增強PET 顯像效果，從而得到滿意的配準以及融合結果。用三次樣條插值法進行層間插值并恢復層間缺失圖像的信息，彌補了現有配準方法的不足，提高了配準精度，使融合后的圖像更加接近實際的物理斷層。目前該方法已經成功應用于三維適形放療（3D-CRT）系統的開發中。
1.3 優化算法
圖像配準在本質上是一個多參數優化問題，即尋找互相關系數最大、聯合熵最小或互信息最大時的幾個空間變換參數值。圖像配準的優化主要有兩個要求：全局尋優和快的優化速度。圖像配準的優化過程易陷入局部最優，而且計算量大，速度慢。對于尺寸大的二維圖像和三維圖像，速度的降低更加明顯，直接影響實際應用。所以，提高配準的可靠性和速度是重要問題。
在圖像配準方面，常用的優化方法主要有：模擬退火算法（simulated annealing algorithm，SAA）、遺傳算法、粒子群優化算法（particle swarm optimization，PSO）、Powell 算法、下降單純形法、梯度下降法等，其中前三種對于搜索全局最優解， 效果是比較好的，但是存在計算量大，收斂速度慢的問題。而后幾種方法計算量小，收斂速度快，但易收斂到局部最優。遺傳算法存在著明顯的缺點容易陷入“過早收斂”問題。文獻[12]采用一種改進的自適應遺傳算法，對醫學圖像進行配準，很好的克服了遺傳算法“過早收斂”的問題，取得了良好的效果。
近年來，還提出了許多新的優化算法。文獻[13]提出了一種基于非線性相關測量（nonlinear correlationmeasurement）的全局優化算法。此方提出用非線性相關信息熵（nonlinear correlation information entropy，NCIE）的概念作為圖像配準標準。該方法利用NCIE的極值特性，有效的克服了局部極小值問題。進一步改善了下降單純形法混合可變精度公差，使得計算時間減小，同時獲得了準確和最佳的變換。應用于配準頭顱的核磁共振圖像，全局優化技術在全局搜索范圍表現出了可靠性和魯棒性。在進行非剛體配準的應用中，互信息和B 樣條相結合的方法被廣泛應用。文獻[14]對基于互信息和B 樣條非剛體圖像配準的優化方法進行評估，比較了8 個優化算法：梯度下降法（2 種不同步長），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）。對比計算時間和變形區域的配準精度，結果表明Robbins-Monro方法在大多數應用中是最好的選擇。用這種方法，計算每次迭代的時間可以降低大約500 倍，而不影響收斂率。擬牛頓和非線性共軛梯度法實現略高的精度，但犧牲了較大的計算時間。由于各優化算法的優缺點都是相對的，所以在具體的研究中，多采用兩種或兩種以上的優化算法即混合優化算法進行參數搜索。文獻[15]利用遺傳算法和模擬退火算法結合的算法進行參數搜索，避免了陷入局部最優值。文獻[16]將蟻群算法與Powell 法結合起來對三維的CT，MR 圖像進行了配準，有效地克服互信息函數的局部極值，明顯提高了配準精度，達到亞像素級。文獻[17]用DIviding RECTangles（DIRECT）和multidirectional search（MDS）相結合的方法實現高優越性的圖像配準。DIRECT 是針對線性問題的全局性技術，MDS 是局部方法。DIRECT和MDS 相結合的方法和hybrid 和Powell 的方法相結合，進行對比。實驗結果顯示DIRECT 和MDS 更具有魯棒性，更準確可以減少運算。針對互信息在多模態醫學圖像配準中的局部極值問題，文獻[18]利用海明（Hamming）窗進行濾波預處理，并采用粒子群優化（particle swarm optimization，PSO） 方法搜索配準參數。結果表明，圖像經過Hamming 窗低通濾波后，局部極值明顯減少， 有利于利用互信息進行圖像的配準。另外，PSO 優化算法在大多數情況下都可以收斂到全局最優解。此方法可有效克服互信息的局部極值問題，并有效提高配準精度�；旌蟽灮惴ú扇瀯莼パa的方法很好的避免了產生局部極值和配準速度慢的問題，成為目前研究和應用的熱點。
1.4 相似性測度
相似性測度的選擇是圖像配準中的重要步驟之一，它將決定如何確定配準變換。而且，其匹配的程度最后轉化為匹配或者不匹配。
1.4.1 最大互信息測度
互信息是目前用得最廣泛的多模態配準方法，其精度和魯棒性都較令人滿意。該方法不需要對圖像進行分割或任何預處理，只要求存在統計依賴關系。它將兩幅圖像的灰度值看成兩個隨機變量，使用信息論中的互信息作為理論依據。信息論的方法假設當兩幅圖像對準時，根據其中一幅圖像中的某一位置的灰度值，能夠較好地預測另一幅圖像在相應位置的灰度值。若兩幅圖像沒有配準，則上述預測無效。從本質上講，互信息利用了圖像中同種拓撲結構和內容的一一對應，因而不受灰度值必須線性關系的限制，被廣泛地用于CT/MR，PET/MR 等多種配準研究中，特別是當其中一個圖像的數據部分缺損時也能得到很好的配準。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計變量，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，因此產生許多局部極值導致了誤配準。如何更好地與空間信息結合，是提高以互信息作為相似性度量的配準性能關鍵。
Liu 等人[19]提出灰度和梯度場互信息自適應相結合（adaptive combination of intensity and gradient fieldmutual information，ACMI）的標準�；叶然バ畔⒉皇菑膬煞紙D像計算出，而是從兩幅圖像梯度場互信息（gradient code maps，GCM）計算出，所謂GCM 即：從相應原始圖像的中構建出梯度場的信息。由于他們的互補性，兩種信息函數用非線性加權函數相結合形成ACMI，非線性加權函數可以根據他們的表現自適應的進行調節使得兩種互信息方法得到更好的結合。試驗結果表明ACMI 魯棒性等比傳統的互信息要好。文獻[20]是利用最大化互信息理論和邊緣相關偏差對圖像進行配準。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性。實驗證明新方法繼承了之前方法的優點，而且有一些改進：參數曲線的極點更加的明顯；在圖像缺失灰度值的情況下可以減少配準錯誤；對白噪聲有更好的魯棒性。
針對互信息測度在配準醫學圖像時易陷入局部極值、速度慢的缺點，提出了基于均值不等式的均值距離測度。文獻[21]首先根據均值不等式推導出5 種均值距離測度：方根-算術均值距離（SAM）、方根-幾何均值距離（SGM）、方根-調和均值距離（SHM）、算術-幾何均值距離（AGM）、算術-調和均值距離（AHM）。然后通過人體腦部CT/MR 和MR-T1/PD 圖像的配準實驗，從函數曲線、配準精度、計算時間和收斂性能方面，對互信息與5 種均值距離信息測度進行了比較與分析。實驗結果表明，在不損失配準精度的前提下，AHM 和SAM 測度可以獲得更快的配準速度， 對噪聲有很強的魯棒性。
2 醫學圖像配準的評估
醫學圖像配準，特別是多模醫學圖像非剛體配準結果的評估一直是件很困難的事情。由于待配準的多幅圖像基本上都是在不同時間或/ 和條件下獲取的，所以沒有絕對的配準問題，只有相對的最優（某種準則下的）配準。在此意義上，最優配準與配準的目的有關。常用的評估方法有以下幾種：體模法、準標法（fiducial marks）、圖譜法和目測檢驗法。文獻[22]有詳細的解釋，這里就不加贅述。
值得注意的是，荷蘭烏得勒支大學圖像科學中心建立了3 套標準醫學圖像數據集和評估準則。其中包括了2D-3D 配準標準數據集、金標準和評估準則（gold standard database）[23]。它采用經過已知成像幾何關系的三維旋轉X 線成像系統（3D rotational X-ray，3DRX） 和基于圖像的3D-3D 配準方法，提供了二維透視X 線圖像到三維MR/CT/3DRX 圖像配準研究的金標準，包括了多模態的圖像數據集（MR、CT、3DRX）、旋轉中心和起始點，以及對試驗結果的評估準則。
3 展望
本文綜述了近年來醫學圖像配準發展中的典型技術。由于在進行醫學圖像配準時，研究對象具有多樣性和復雜性的特征，以上方法都有一定的局限性，今后的發展趨勢是在應用中針對不同的研究對象選擇合適的配準方法， 并應用不同的方法進行綜合互補。
目前許多醫學圖像配準技術針對剛體的配準已相當成熟，非剛體的圖像配準技術已經逐步發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，適應各種復雜的組織變形，如何提高非剛體配準的計算速度、配準精度以及對非剛體的配準評估都需要進一步的研究。
另外，在手術過程中對人體器官實現進行實時配準已成為醫學圖像配準的主要應用之一。這就要求醫學圖像配準要具備實時性和準確性以及有效的全自動的配準策略向快速和準確的方面發展，使用最優化策略改進圖像配準以及對非剛性圖像配準的研究是今后醫學圖像配準的發展方向。
參考文獻：
[1] 田捷, 包尚聯, 周明全. 醫學影像處理與分析[M]. 電子工業出版社,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, 田聯房, 陳萍, 等. 基于三次樣條層間插值的多模態醫學圖像配準[J]. 生物醫學工程雜志, 2007,24(6):1241-1245.
[12] 陳貴云, 張江. 自適應遺傳算法在多模圖像配準中的應用[J]. 計算技術及自動化,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化算法的多模醫學圖像配準[J]. 湖南大學學報, 2006,33:117-120.
[16] 楊帆, 張汗靈. 蟻群算法和Powell 法結合的多分辨率三維圖像配準[J]. 電子與信息學報, 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化搜索的醫學圖像配準[J]. 生物醫學工程學雜志, 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. 醫學圖像處理評估方法[J]. 世界醫療器械.
[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.
本文來自中國碩士論文代寫網，我們為您提供更多的碩士畢業論文
【醫學圖像配準技術及其研究進展】相關文章：
醫學圖像資料書寫11-20
超聲醫學圖像濾波算法探究03-13
基于圖像的OMR技術的實現03-07
基于醫學圖像的ROI模板壓縮法03-07
“傳播”義動詞及其配價分析03-20
圖像實時傳輸技術在我院中的應用03-18