（计算机应用技术专业论文）svc在医学图像配准中的应用研究.pdf

摘要 医学图像配准是信息科学、计算机图像技术与当代医学等多学科交叉的一个 研究领域，已经在临床治疗与术i ； 诊断中有了广泛的应用。但由于受噪声、图像 细节畸变和模糊度等问题影响，配准效果不甚理想，为此本文将s v c 引入医学图 像配准。作为一种关注度很高的聚类方法，s v c 具有较高的聚类精确度和聚类速 度，很好地解决了上述问题。论文主要工作如下： ( 1 ) 研究了基于特征的医学图像配准。无论是特征点还是轮廓，在图像配准 过程中都只是侧重图像中的一部分信息。基于轮廓的配准方法可以快速地实现图 像配准，但是处理远离轮廓区域的能力较差。而特征点具有很强的灵活性，可以 分布在图像的任何位置，但缺乏对图像整体变形的控制。 ( 2 ) 图像预处理对配准精度及鲁棒性有很大影响，噪声信号使得一些组织的 边界变得模糊，细微结构难以辨别，本文提出一种基于s v c 的多窗口医学图像去 噪方法。实验结果表明，该方法在滤除噪声、保持图像细节无畸变和模糊度低等 方面有较好的效果。 ( 3 ) 提出一种基于s v c 的多种特征医学图像弹性配准方法，利用轮廓特征与 点特征共同引导图像配准。首先，在粗提取的轮廓点集中使用s v c 聚类，确定轮 廓中的关键点集，以保持图像边缘清晰；然后，在特征点集中使用s v c 聚类，确 定特征点的准确位置，以保持图像细节无畸变。s v c 的应用减少了特征点和轮廓 中关键点的数量，有效地改善了计算效率；同时，以特征点间距离与轮廓间距离 的正反向累加和作为图像配准的相似性测度，提高了配准的精度和鲁棒性，补偿 了图像间的差异。 关键词：医学图像：图像配准：特征点：轮廓：局部配准：支持向量聚类 a b s t r a c t m e d i c a li m a g er e g i s t r a t i o ni s a ni n t e r d i s c i p l i n a r ya r e ao fi n f o m a t i o ns c l e n c ： i m a g et e c h n 。l o g yo fc o m p u t e ra n d c 。n t e m p 。r a r ym e d i c i n e i th a sa l f e a d y b e e nu s e d1 n m a n ya p p l i c a t i o n ss u c ha sc l i n i c a l t r e a t m e n ta n dp r e 。p e r a t 沁“讼g n 0 8 话h 0 w c ：垤 。 t h e 二s u l t 。f r e g i s t r a t i o ni s n o t i d e a lb e c a u s eo f t h “m p a c t o h 斫m 吼0 n 1 0 i ) 毗 i m a g ed e t a i la n da m b i g u i t y t os o l v e t h ep r o b l 啪s v “n t r o d u 叭叭hp a 严la 8 ： c l u 妄e r i n gm e t h 。do f a t t e n t i o n ， s v ch a sh i g ha c c u r a c ya n “p e e d w h 沁s a9 0 0 d s o l u t i o nt ot h eq u e s t i o na b o v e t h em a j o r w o r k sa r ea sf o l l o w s ( 1 ) t h i sd i s s e r t a t i o nf i r s t s t u d i e dt h ei m a g er e g i s t r a t 沁nb a s e do nf e a t u r 厶b o t ! f e a t u r ep 。i n t so rc 。n t 。u ri nt h ei m a g er e g i s t r a t i o np r o c e s s i sj u s tf o c u so nm e p ：? o t t h ei m a g c i n f o r m a t i o n r e g i s t r a t i o nb a s e d o n c o n t o u rc a n r c a l i z er e 舀s t r a t l o n q u l c k l 了 b u ti sl e s sa b l et od e a lw i t ht h er e g i 。n sw h i c h a f ea w a yf r o mm e c o n t o u r r e 9 1 s t r a t ：o n b a s e d 。nf e a t u r ep o i l l t sh a sh i g h l yf l e x i b i l i t ya n d i tc a nb ed i s t r i b l l e di na n yl 。c 砒1 o ft h ei m a g e ， b u ti sl e s sa b l et oc o n t r o lt h eo v e r a l ld e f o m a t i o n 。 ( 2 ) i m a g ep r e p r o c e s s i n g h a s ag r e a t i m p a c t o n r e g 话仃砒协n a c c u 三n d r o b u s t n es s n o s “g n a lm a k e ss 。m e b 。r d e r s o f o r g a n i z a t i o n sk c o 眦m 岍酣觚d 1 ；： s t m c t u r e sd i f f i c u l tt 0d i s t i n g u i s h t h ep a p e rp r e s e n t e d am e d i c a li m a g ed e n o l s l n g m e t h o d b a s e do ns v c w i t hm u l t i w i n d o w e x p e r i m e n t ss h 。w h a t h i sm e 。h o d c a nn o t o n lvr e m o v en o i s e ， b u ta l s ok e e pt h ed e t a i l sa n dl o wa m b i g u i t yw e l l 。( 3 ) am e d i c a li m a g er e g i s t r a t i o nb a s e do ns v c w a sp r o p o s e dg m m n g t o g e t h r w i t hc o n t 。u ra n dp 。i n tf e a t u r e f i r s t ， s v cw a su s e di nt h ec o n o u rp 0 2 n s e w ? 1 c h 1 s e x t r a c t e dc r u d e l yt o d e t e r m i n et h ek e yp o i n t s a n dk e e pt h e1 m a g eb o r d e r sc l e a r ：k s e c o n d ， s v cw a su s e di nt h ep o i n tf e a t u r es e t t o m a k c s u r e t h e l o c a t i o n0 ft h e p 0 1 奠 a n di m p r o v i n gt h ec 。m p u t a t i o n a l e f f i c i e i l c y ；m e a n w h i l e ，t h e c u m u l a t l v es u mo t d i s t a n c eb e t w e e nf o r w a r d a n dp o s i t i v ed i r e c t i o n s h a s b e e nu s c da ss i r n i l a r i t ym e a s u r 专 s ot h a tt oi m p r o v er e g i s t r a t i o n a c c u r a c ya n dr o b u s t n e s s a n dt oc o m p e n s a t et n e d if f 色r e n c e sb e t w e e nt h ei m a g e s k e yw 。r d s ：m e d i c a li m a g e ；i m a g er e g i s t r a t i 。n ；f e a t u r e p 。i i i t s ；c 。n t o l l r ；l o c a l r e g i s t r a t i o n ；s v c 长沙理工大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得 的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他 个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人 和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由 本人承担。 作者硌者研 日期：2 0 0 9 年多月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅 和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有 关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学 位论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“ ) 作讲坼 新躲渤一 日期：2 0 0 9 年乡月日 日期：2 0 0 9 年6 月 f b 第一章绪论弟一早珀t 匕 自从2 0 世纪以来，医学成像技术经过了从静态到动态，从形态到功能，从平 面到立体的发展过程，计算机技术迅猛的发展为临床医学提供了丰富的成像手段， 从而有效促进了医学成像技术的发展。医学影像技术的应用层面已不再局限于常 规的临床诊断，而是逐步贯穿到临床活动中，成为临床医学应用中的重要组成部 分。但是直到目前，针对医学图像的处理，绝大多数医生使用的诊断方法依旧是 凭借自身的专业知识和经验进行空间判断和想象，来获取所需要的信息，其准确 性很大程序上受到主观因素的影响。此时利用以图像配准为基础的信息融合技术 便显得尤为重要，它将多种医学影像资料进行整合，为医学诊断工作提供了更加 客观的评估参考。 1 1 医学图像配准概述 从宏观上说，图像配准【l l 就是寻找一种或一系列的空间变换，通过这些空间变 换使得两幅图像的对应点达到在一定精度要求下的空间位置上的一致，也就是在 不同图像空间之间建立点对点的一一映射关系。假设有两幅图像a ，b ，a ( x ) 与 b ( x ) 为大小已经给定的d 维灰度图像，x = ( x l ，x2 ，黝) r 代表图像中的点，寻找 一个变换关系t ：使得 x = 丁( x )( 1 1 ) 其中x 和x 分别是图像a 与b 中相对应的点，变换t 没有强制性要求，也就 是说它可以是线性的或非线性的。所以从根本上说，配准就是要寻找一个变换t ， 能够使得一幅图像中的每一个坐标点都能在空间位置上与另一幅图像中的对应点 一致。通常我们称其中一个为参考图像，另外一个为浮动图像。容易看出，我们 就是要找到一个适合的变换t ，去改变浮动图像，以达到浮动图像与参考图像的 最终匹配。需要明确指出的是这里所指的图像并不是传统认为的二维图像，而是d 维灰度图像。配准过程描述大致如下，其中t 为变换，p 、q 为两幅图的对应点。 图1 1 医学图像配准应用分类 1 2 医学图像配准的研究目的和意义 医学图像配准广泛应用于各个领域，从宏观方面看有计算机视觉、模式识别、 图像分析等领域，从微观方面看有计算机辅助虚拟手术，同时还应用在辅助诊断， 手术导航等方面。 从计算机视觉和模式识别中的应用来看：由场景中物体的移动或是相机的移动 产生的多幅图像为连续图像序列，由于移动的规律性我们可以获得物体或机相的 运动轨迹，这样就可以计算出物体或观察者移动的速度、距离或是加速度等。对 于视频压缩这种技术是相当重要的，正是由于了解了这种图像问的变化，使得存 储的数量冗余大大减少。当有对相同物体不同角度的多幅图像时，通过相应图像 间的配准可以直接重建三维图像。 在医学图像的分析应用中1 2 l ，由于成像原理以及成像设备的不同，造成了医学 成像模式的多元化。基于临床上的需要，有可能对患者进行多种模式或同一种模 式的多次成像。从获得的多幅图像中获取信息来综合判断分析，所以有必要应用 医学图像配准技术来融合这些不同模式的图像，使它们达到空间坐标上的一致。 根据配准对象间的关系，可将医学图像配准分为以下三种：同一对象间的图像配 准( 有单模和多模的区别) ，不同对象问的图像配准以及图像与图谱配准或与物理 空间配准，如图1 2 所示。 臣习臣习 图1 2 医学图像配准的应用分类 目前，医学图像配准方法已应用于众多医学领域中，例如疾病诊断、术前评 价和神经外科手术计划、神经外科手术的可视化、放射治疗计划、组织切片图像 的处理等。在遇到医学领域的不同问题时，计算机辅助下的医学图像配准技术已 经具有了非常重大的研究价值。 与此同时我们也意识到，算法研究的发展趋势和医生的临床应用上还是存在 着很大差距的。临床应用中计算机的使用只起到了辅助的功能，最根本通过借助 2 它的快速运算能力和超强记忆能力来加快手术进程，或是制定更精确的手术计划， 以便达到更完美的手术效果。而算法研究的最根本的目标就是为了提供一个能达 到上述目的的强有力的工具。容易发现，这两个目标从根本上说是不存在矛盾的， 但是算法研究过程中往往会遇到诸如海量数据，算法的完善性低，以及精度等问 题，降低了整个应用平台的使用效率。所以对于工具在实际应用中的鲁棒性和效 率问题中最为关键的就是对于速度和精度要求的满足。目前行业中最为看好的就 是从先验数据出发，利用计算机辅助来帮助在真实的手术过程中更加精准地定位 病灶位置。此时这就必须考虑先验数据和实时数据的配准，但有时候这种做法相 对于医生的经验来讲并没有在效果上有很大提高，只是有所改善。所以在这个课 题上，学者们追求的是在更加自动化的基础上提高医学图像配准的准确度。 从另一个方面看来，为了加强复用性，从而降低成本，我们可以在算法研究 的过程中考虑开发一组或一套方案，专门针对于某个特殊病理诊断或病例手术来 实现虚拟手术。从这个角度上说，开发出一个精度和真实度都非常高的虚拟手术 平台是很有实用性的，可以很大程度上提高手术操作过程中数学模型的完整性和 物理特性的逼真性。这其中需要解决的问题有很多，有些甚至已经超出本论文讨 论的范围，但不论怎样配准算法的应用都是关键性的，必须实现可复用性，鲁棒 性，高效率的自动化。从另一方面讲，在制定详细手术计划的过程时，也应该尽 量对使用者实现透明化：不单纯在用户交互层面上，还有用户在使用过程中的心 理承受层面上。换句话说，就是需要使配准算法达到高度的自动化和配准速度。 因为医生需要关心的只是手术刀的准确位置，而不是让他们选定诸如配准点，配 准位置等非专业的参数或者操作。 本论文研究的目标就是致力于提高配准算法的精度，自动化和快速化。医学 图像配准在自动、精确、鲁棒性等各个方面都提出了非常高的要求，这些要求是 必然的也是长期的。随着算法的进一步发展和硬件的提升，达到实时、逼真的最 终目标是必然的。医学图像处理的配准算法研究是迫切的，其意义不仅在于算法 的本身要使用最先进的数学方法反映出最逼真的物理特性，更加重要的是对医学 与计算机等交叉学科的发展起到了巨大的推动作用。从这个意义上看来，医学图 像辅助设计和手术治疗的发展任重而道远。医学图像配准的目标和发展方向就是 要给医生提供全面而且准确的信息，努力做到准确、稳定、快速及简单易用。在 应用日益广泛的手术导航系统和虚拟手术系统中，对快速配准提出了很高的要求， 虽然国内外的学者已经在这方面做了大量的工作，也取得了一定的研究成果，但 是需要克服的难点以及盲点依旧存在，只有不断地进行深层次的研究，和临床的 检验，才能更有效地提高医疗水平。 3 1 3 医学图像配准的研究现状 医学图像配准技术的发展历程大致可以分成三个阶段【3 】： 2 0 世纪8 0 年代初，图像配准主要应用在d s a ( 数字减影血管造影) 方面【4 j 。 它采用基于图像灰度的方法，通过渐次相关性和灰度值的差异来决定刚性变换的 参数。 2 0 世纪8 0 年代中后期到9 0 年代初，为了满足临床医学的需要，逐步提出 多模态医学图像配准的概念【5 】。同时，这个阶段提出一些基于二维图像的刚体变换 的基于边界特征的配准方法。 2 0 世纪9 0 年代，计算机硬件的发展推动图像配准朝着三维领域的发展，此 时主要采用的依然为刚体变换方法。并且伴随着医学技术的进一步发展，陆续提 出了一些非线性的方法应用于二维图像的配准，如样条方法、弹性形变方法等i o 】。 现阶段受到学者普遍关注的还有基于像素( 体素) 的配准方法。基于像素( 体 素) 的配准过程是一个衡量所有在几何相互对应的像素( 体素) 对之间相似性的 过程。此类方法最大的优势在于它以图像本身的灰度为配准依据，不需要对图像 进行预处理，如进行预归纳或预分割。因此，该类方法的精确性不会受到预处理 错误的影响。 对于不同时间下获得的同模态图像，因为成像设备没有改变，这些图像的亮 度之间通常存在一定的线性关系。此时，相关系数c c ( c o r r e l a t i o nc o e f f i c i e n t ) ，j 就可以被利用，成为同模态图像配准中一个很好的相似性测度。两幅图像的c c 基 本上是重叠区域中所有对应像素( 体素) 的亮度乘积之和，当两幅图像实现匹配 时，两幅图像的c c 达到最大值。除此之外，同模态图像配准还可选择s s d ( s u m o fs q u a r e di n t e n s i t yd i f f e r e n c e s ) 作为图像相似性测度陋引。当一幅图像移动到它与 另一幅图像之间的s s d 最小时就实现了两幅图像间的配准。再有，在同模态图像 配准中，除了可以使用对应像素( 体素) 亮度的乘法和减法作为测度，当然也可 以使用对应像素( 体素) 亮度之间的除法。w o o d s 在【1 0 】中提出基于图像均匀比 例r i u ( r a t i oi m a g eu n i f o r m i t y ) 的图像配准算法，其中r i u 衡量的是对应体素亮 度之间比例的方差，配准算法假设当方差最小时，图像之间实现匹配。 相比而言，在不同模态图像配准中，由于明显的成像模态的不同，图像之间 的亮度分布差异性很大，也不能用简单的数学公式来表示。因此，上述提到的图 像相似性测度不能简单直接应用于多模态图像配准中。在文献【l l 】中，w o o d s 等 人最早在p e t 和m r 图像配准中应用了基于体素相似性的配准方法，这种方法 建立在假设一幅图像中类似组织的区域对应于另一幅图像中同样有相似亮度值的 区域( 虽然两个区域的亮度值可能会有所不同) 。在理想条件下，某个区域内所有 对应点亮度值之间的比例变化是非常微小的，因此，可以将所有区域的亮度比例 4 平均变化进行最小化，以此实现两幅图像之间的配准。此方法的局限性在于适用 范围的局限性，即它并不适用于其它模态图像，如c t 与m r 之间的配准，因为他 关于图像亮度的假设并不总是成立。h i l l 等人针对其缺点提出了一种与w o o d s 方 法类似的配准方法【l2 1 ，不同之处在于，该方法不是在图像中定义具有类似组织的 区域，而是在他们所构造的特征空间一图像亮度的联合直方图中定义。特征空间 是在某种规律下变化的，当两幅图像匹配正确时，图像中对应的解剖结构重叠， 那么联合直方图包含了对应结构的亮度值聚类。而当两幅图像匹配不正确时，一 幅图像中的结构与另一幅图像中的非对应结构重叠，使得对应结构的亮度值的聚 类减少，并同时出现了新的亮度值组合，从而表明：图像间的不匹配造成联合直 方图的分散。 在w b o d s 和h i i l s 二人所提方法的启发下，c o l l i g n o n 等人【1 3 。1 4 】和m i t 研究小 组【l5 1 6 】都认识到了信息测度在图像配准中的重要作用，并各自独立提出了使用基 于互信息( m u t u a li n f o r m a t i o n ) 或者相对熵( r e l a t i v ee n t r o p y ) 的多模态图像配准方 法。 虽然目前很多学者都提出了各自的算法来解决医学图像配准这个难题，但是 由于医学图像配准本身的特性，还没有哪种方法能从各方面都达到理想的要求， 在图像配准中没有一个金标准。随着生物医学工程的发展，医生对于集成不同模 态图像的要求越来越迫切，然而不同模态的医学图像，由于成像原理不同、分辨 率不同、成像参数不同，使两幅图像上所有的解剖点，或者退一步讲，要求所有 具有诊断意义的点都达到匹配，仍是具有挑战性的研究课题1 1 7 j 。 至今为止，医学图像配准的发展方向还是全自动化和高精度化。为了减小在 临床应用中对医生或其他非专业人员的过度依赖，图像配准技术从复杂费时、费 力的基于定位装置的成像前配准，到人机交互的半自动方式，直至完全由计算机 自动完成的全自动配准，成长迅速，精度也逐步得到了提高，当前的配准精度已 经达到了“亚像素级。 设计一个高效的医学图像配准方法是一个非常复杂的过程，它需要多领域的 知识相互配合。例如信号处理、图像处理、模式识别、医学等多门学科。因此， 医学图像配准是当前一个具有相当挑战性的前沿交叉学科。 1 4 论文结构 本文后续章节内容安排如下： 第二章对目前图像配准的现状作了基本的介绍，分别阐述了医学图像配准的 评估办法，以及配准框架中每一步的重要作用及意义。着重介绍了基于特征的医 学图像配准方法，并按照特征的分类进行了总结与分析。 第三章研究了医学图像预处理即医学图像去噪，噪声信号的加入使得一些组 5 织的边界变得模糊，细微结构难以辨别。针对所处理图像的特点，提出一种基于 s v c 多窗口的医学图像去噪方法。 第四章研究了分别针对点特征与轮廓特征共同引导图像配准的医学图像配准 算法，并创新地将s v c 引入算法，达到了较为理想的效果。 第五章对全文的研究工作进行总结，并对进一步的研究做出了展望。 6 第二章医学图像配准基础 2 1 医学图像配准类型 根据待配准医学图像的模态可将配准方法分为三大类：同一对象 ( i n t r a s u b j e c t ) 的图像配准、不同对象间( i n t e r - s u b j e c t ) 的图像配准以及人体图 像与图谱的配准。 同一对象的配准又有单模态( m o n o m o d a l i t y ) 与多模态( m u l t i m o d a l i t y ) 之 分。单模态图像配准的应用领域一般在生长监控、减影成像等方面，例如不同m r 图像间的加权配准，电镜图像序列的配准，f m r i ( 功能磁共振成像，f u n c t i o n a lm r i ) 图像序列的配准，胸、腹部脏器的图像配准等。多模态( m u l t i m o d a l i t y ) 医学图像 配准是指两幅待配准图像分别来自不同的成像设备。相对单模态图像配准，多模 态图像之间的配准应用更多，主要在诊断方面，可分为解剖一解剖配准和解剖一 功能配准两类，前者是将两幅显示不同组织形态学的图像混合，后者是将组织的 新陈代谢与其相对应于解剖结构的空间位置关联起来。比如，c t 和m r 图像具 有较高的空间分辨率，前者对密度差异较大的组织效果较好，后者则更强于识别 软组织；s p e c t 、p e t 能够反映人体功能和代谢信息，但是空间分辨较差。为了 分别应用各自的优势，在临床中，常需要将c t ( 或m r ) 图像与s p e c t ( 或p e t ) 图像进行配准，同时提供功能的与解剖的信息，具有很高的临床应用价值。多模 态医学图像配准是医学图像配准的重点研究课题之一。 不同对象间( i n t e r - s u b j e c t ) 的图像配准要将患者图像与典型的正常人相同部 位图像进行对比，以确定患者的正常状况。如果异常，还要做另一类对比，如与 一些典型的医学图像对比，以确定患者是否出现相同症状。这都是不同人之间的 图像配准。由于各人在生理上的差异，对同一解剖结构的形状、大小、位置会有 所差别，这就使得不同个体间的图像配准问题成为当今医学图像分析中的一大难 题。 图像与图谱配准或与物理空间配准大部分情况下应用在放射治疗或是计算机 辅助手术中的术中定位中。在立体定向装置或图像引导的手术导航系统中，需要 将图像像素与物理空间中探针或手术器械或实况摄像的位置配准。其中涉及到图 像空间与立体定向装置或人脑实体空间的坐标系统变换。 2 2 医学图像配准评估 医学图像配准，尤其是多模医学图像的配准结果评估法则一直是非常困难的 7 事情。因为待配准的多幅图像大部分情况下是在不同的时间和条件下获取，所以 所谓的最优配准是不存在的，只有相对的最优( 某种准则下的) 配准。从这种意 义上讲，最优配准与配准目的有非常密切的关系，常用的评估方法有以下几种： 1 体模法( p h a n t o m ) 体模分为硬件体模和软件体模两类，后者是由计算机图像合成的结果。体模 法是用已知的图像信息来验证新配准算法的精度。体模一般比较简单，与实际临 床图像有较大差异，因此适合对配准方法作初步的评估。 2 准标法( f i d u c i a im a r k s ) 标准法就是使用人工记号作准标的方法。例如可使用9 根棍棒组成3 个方向 的n 字型结构作为标准。c t 测试时，以硫酸铜溶液作为填充；作p e t 测试则 填充氟1 8 。这样在两组图像中呈现的n 字型准标，可对图像进行准确的空间定 位。又如在人脑表面嵌入螺丝作标记( 每人8 个) 的方法对多个病人做c t ，m r ( t l ， t 2 及p d ) 和p e t 实测，可将得到多组数据专门应用于多模医学图像配准算法的 评估使用。 3 图谱法( a t l a s ) 用随机向量场变换构造一个可变形的概率图谱，包括从多个受试者到单一解 剖模板的功能、血管、组织等的多方面映射，或是三维图谱到新受试者扫描图像 的映射。 4 目测检验法( v i s u a l i n s p e c t i o n ) 目测检验法就是请专家用目测方法来检验多模态医学的配准结果，虽然带有 很大的主观性，但的确也是一种可信的方法。 2 3 医学图像配准框架 根据文献【1 8 】可以得到通用配准算法的框架和基本流程。具体来说，就是首先 通过合适的相似性测度来比较浮动图像与参考图像，从而生成相似性测度的分布 函数，其次在该搜索空间中，选用合理的优化策略对变换参数进行优化。当相似 性达到全局最大时，根据配准算法的收敛，我们可以从理论上认定配准完成。很 明显，通用配准框架包含以下几个不可或缺的部分：变换、相似测度和优化策略。 另外，在变换过程中，如果图像没有落到已有的整形网格点时，就必须利用整点 网格插值技术，使变换变得更加平滑。本节将阐述以上几个部分最常用的算法和 关键点，并综合说明一些预处理和后处理工作，从而使配准算法成为一个完整的 算法体系，为本文的算法打下坚实的理论基础。 2 3 1 预处理 预处理，顾名思义就是在正式的配准之前，对源数据进行必要的预先处理。 8 在正式配准之前，必须要解决的一个问题就是待配准医学图像的一致性问题，这 里所讲的一致性不是特指配准对象或者配准图像模式的一致性，而是空间分辨率 以及噪声的问题。当两幅甚至更多的待配准图像彼此之间出现配准信息以外的冗 余信息、异常信号或者其中有几个特别的非重要信息而导致信息量不平衡的时候， 就需要对待配准图像进行预处理。预处理在配准算法过程中占有着非常明显而且 关键的作用。 预处理的目的就是要使待配准图像之间的信息和空间分布保持相对一致，去 除等影响配准过程的一些因素例如噪声。但是预处理的方法不能破坏待配准图像 原先固有的特征信息，而且预处理的过程不能影响配准所需要的图像信息。所以 预处理是在图像质量和图像一致性上要做一个平衡，这也是一个非常困难的、需 要研究的课题。 首先，对于对配准精度有很大影响的异常信号，如全局异常信号或者是噪声 等，预处理的工作就是尽量去除它们对图像配准的影响。目前已经提出了很多的 有效方法，尤其是在信号处理方面，给预处理的研究工作贡献了重大的借鉴，比 如平滑图像配准函数( 高斯平滑函数) ，在图像去噪时，可以使用傅立叶变换去除 高频区域的低通滤波，对成像过程中引起的灰度不均匀进行校正。其中最基本的 预处理就是定义感兴趣区域( r e g i o n o fi n t e r e s t ， r o i ) 【1 9 】，并去除那些影响配准 结果的不利区域。对于普通的待配准图像可以采用全部的灰度值来计算，理论上 可以使用任何一副图像的子集和超集。但是对于大多数3 d 医学图像来说，数据集 包含了巨大数据点，计算的负担会有极大的增加，加上计算机硬件的限制，会使 得3 d 图像的配准有人无法忍受的延时，不能应用于临床。实际应用中一般采用有 意义的部分数据点来计算图像的直方图。 其次，对医学图像进行各向同性的重采样【2 0 】也是预处理中一个非常关键的步 骤。对于浮动图像和参考图像，两者之间象素点或者图像特征信息的表达格式， 大小分辨率等信息需要相同才能进行进一步进行相似度的比较。重采样技术实现 了上述过程，这是预处理的一个关键技术，作用就是使待配准图像变为各向同性， 保证医学图像三维方向上体素的尺寸或者分辨率( 像素间隔) 一致。采样可以采 取两种方法，即随机采样或以一定间隔均匀采样。这样做会使部分图像信息丢失， 但是不会去除关键信息，这是关键的，同时还提高了后续配准速度，使得配准对 应点有了很大幅度的减少，所以重采样技术是非常关键的。 2 3 2 变换 变换在医学图像配准过程中起到了基础而且关键的作用。原因在于最终的结 果的建立就是依据浮动图像的变换的，直到它和参考图像达到最终的匹配。由此， 变换必须保持图像的精度、完整性和一致性。在基于灰度的医学图像配准中，常 9 见的基本空间变换可以根据自由度的多少进行分类：刚体变换( r i g i db o d y t r a n s f o r m a t i o n ) ，仿射变换( a f f i n et r a n s f o r m a t i o n ) ， 投影变换( p r o j e c t i v e t r a n s f o r m a t i o n ) ，透视变换( p e r s p e c t i v et r a n s f o r m a t i o n ) 和非线性变换( n o n l i n e a r t r a n s f o r m a t i o n ) 等。 ( 1 ) 刚体变换 刚体变换【2 1 1 就是指在变换过程中，图像上任意两点间的距离保持不变，变换 可分为旋转和平移。变换的关系式为： z ( x ) = 魁+ f( 2 1 ) 其中x 表示像素的空间位置，r 是旋转矩阵，t 是平移向量。矩阵r 满足尺r 尺= 1 且d e t 尺= ，r r 为r 的转置矩阵，i 是单位矩阵。实际应用，可将r 和t 进行合并 以组成高维变换矩阵，来方便计算。 ( 2 ) 仿射变换 仿射变换2 2 1 是直线与直线之间的映射，并且同时保持平行关系的变换。它可 以是各向同性的均匀尺度变换，或者各向异性的非均匀尺度变换或者剪切变换， 参考刚体变换，不同之处在于矩阵各个维度上多了一个比例系数。非均匀尺度变 换通常用在对倾斜信息的校正，而且旋转矩阵没有上述条件的约束，所以刚体变 换是仿射变换的特例。 ( 3 ) 投影变换 投影变换【2 1 同样是直线与直线的映射，但是不再保持平行关系。主要应用于 2 d 和3 d 图像的配准，变换关系为： t ( x ) = r x 。 ( 2 2 ) 其中x = ( x 1 ，x 2 ，黝) r 代表图像中的点，x = ( x 1 ，x 2 ，黝，j ) r ，r 为实数矩 阵。 ( 4 ) 透视变换 线性变换【2 1 中最一般的形式就是透视变换，其最大的特点是直线经过变换后仍 然是直线，但是平行的直线经过变换后有可能相交。透视变换主要用在如下几个 方面：点源和物体的作用，在平面上产生投影图像的放射成像。 通过对以上四种变换的分析看出，可将上述四种变换方式全部通过一个4 ，c 4 的矩阵来表示，这样就增强了变换的通用性和可扩展性。 ( 5 ) 非线性变换 非线性变换2 3 。2 4 1 的应用范围现加广泛，基本都是用在不同人之间的图像配准 和软组织等非刚体物体的配准上。选择非线性变换的条件是要看计算该模型参数 的代价函数和优化策略是否快速、有效。非线性变换是把直线变成了曲线，所以 不能简单地用矩阵来表示，而需要通过多项式函数，如薄板样条函数或b 样条变 换【2 1 来描述。 l o 2 3 3 插值 配准过程中，当图像经过变换后，其像素点可能不是落在整数网格中，所以 计算新的像素点的具体值是有必要的。这时就需要将离散数字图像即空间变换后 的图像重建为连续图像，然后在整数位置上对重建图像进行采样。插值算法就是 为了完成这些工作。为了配准后能最大程度地保留原图像信息，插值算法的重要 性不言自明，同时它还从一定程度上影响配准过程的性能。插值就是确定函数在 采样值之间的数值，插值是通过离散采样点建立的一个连续函数，应用重建的连 续函数就可以得到采样点之间位置的数值。此时图像恰好能够表示为离散像素值 的函数，插值算法的目的就是得到各个像素点之间的值。当然插值的过程必须满 足一个条件，即重建的连续函数必须是在原采样点函数值保持不变。很明显这就 是数值分析中典型的插值问题，可以定义为： 厂( 力= q 贴一七)坛= “，恐，而) p ( 2 3 ) 七z d 其中，“x ) 是d 维空间中坐标为x 的函数值，缈( x ) 是插值函数，q 为权值系数。 从这个意义上讲，插值就是在通过k 个采样点确定权值系数的基础上，按照插值 函数计算新的采样点x 的函数值，这是一个通过k 个采样点重建和重新采样的过 程。相似性测试的分布情况通过插值效果和函数性能直接依赖于插值函数。所以 这一步是非常关键的，在非刚体配准中插值效果是一个非常重要的问题。 根据以上提到的传统的数值插值方法，第一，就是要确定插值的边界约束条 件，即将原图的像素点代入公式2 3 中得到的函数值必须与该像素点的值保持不 变，也就是整点网格上的像素特性要保持不变。其次，就是要确定权值系数q ， 从而使得新的插值点确定后，能够计算出新插值点的函数值。方法的实现就是通 过包围新插值点的已知像素点，通过约束调节来建立方程组求解系数，或是使用 离散卷积的方式，通过插值函数的反函数来确定权值系数。另外，插值函数的选 取能够使插值效果更为平滑、高效就，所以是举足轻重的一步。根据不同的插值 函数目前常用的插值算法有：最近邻插值、线性插值、b 样条插值等。我们需要 在插值函数的性能和效果之间做出权衡，权衡的标准就是函数的作用范围和可分 离性。 2 3 4 相似性测度 相似性测度的选取是配准算法中一个非常重要的组成部分，尤其在基于灰度 的医学图像配准中起到了非常大的作用。首先当空问位置已经确定后，有对应从 两次不同采集时间或两个不同医学模式采集到的同一个和相关成像物体的体素测 量值。之后当两幅图像进行配准时，图像的体素灰度值关联性达到最大。相似性 测度可表述为一种形似度函数，它以体素灰度和集合变换为变量，其主要任务是 将图像的关联性表示为量化的测量值并且可随着参考图像和浮动图像间不断的变 换而改变。 测量两幅图像相似度的方法有很多，其中最简单的就是求对应点之间的灰度 值差的平均，如果达到了最小就可以认为是配准了。但这个方法也有很大缺陷： 配准过程对图像信息的利用率不高以及对应点的选取困难是很大问题。 2 3 5 优化策略 优化策略是医学图像配准中又一个非常重要的环节。从根本上说配准算法就 是多参数的全局最优化问题，当相似度函数选择正确时，如何以最快的速度找到 全局极值点，是非常关键的。配准算法的优劣直接依赖于优化策略的性能。优化 策略能够解决的问题就是如何在有局部极值点，以及相似度函数不很光滑的情况 下，快速找到全局极值点。综上所述，优化策略就是将相似性函数的n 维参数进 行最优化的过程，在这个过程中指导参数调整交换以改变浮动图像的空间位置， 使浮动图像更好地匹配参考图像。 变换参数的运算开销是非常大的，这是由于搜索空间的维数和数据量很大。 同时相似度测度在大多数情况下不是各变换参数的凸集函数，就会导致在寻找最 优解的过程中陷入局部极值，所以需要用一个比较好的搜索策略进行优化。 目前已经有很多就用于实际的优化策略，所达到的效果还是比较令人满意的。 一部分优化策略是针对最大互信息函数来进行搜索的。包括梯度上升算法，遗传 算法，爬山算法，p o w e n 算法【2 5 1 ，s i m p l e x 方法f 2 5 1 ，还有很多学者试图将各种优 化算法综合使用，如对p o w e u 算法进行扩展使用等等。这里提到的优化策略分为 两类：一类是直接法，是不使用导数的，如p o w e n 方法和s i m p l e x 方法，这类 方法优化速度很快，但是易收敛于局部极值，此时遗传算法就体现了寻找全局最 优解的优势，但是它也有一个缺点就是速度慢；另一类的是运用导数信息，如使 用一阶导的有梯度上升法，二阶导的有拟牛顿法【2 5 1 ，以及混合导的 l e v e n b e r g m a r g q u a r d t ( l m ) 【2 5 1 。除了常规优化方法，很多学者还针对医学图像 配准中的优化策略提出了新的方法，如结合图像差和互信息的配准方法，采用基 于面的配准方法和模糊神经网络表面识别的方法也都达到了配准目的。 2 4 医学图像配准方法分类 m a i n t z 等在1 9 9 8 年对医学图像配准方法作了一次全面总结，并同时依据9 个主要标准对从1 9 9 3 年开始的配准方法进行分类2 6 1 。j o s i e n 在2 0 0 3 年又在基于 互信息的医学图像配准方法上进行了详尽的回顾，并依据配准的方法和具体的应 用分成两大类2 7 1 。在同时参考了其他文献【2 8 3 0 】的基础上，此处归纳为4 个主要 标准以便分类，即特征空间、搜索空间、目标函数、搜索方法。 1 2 2 4 1 基于内部特征的分类 根据特征检测所用方法的不同形成了三种主要的特征检测方法：基于像素的 配准算法、基于变换的配准算法和基于特征的配准算法。 基于像素的配准算法直接利用了图像的像素灰度信息进行配准。它将配准的 重点放在了特征匹配上而不是特征检测上，有一些方法就忽略甚至根本不包括特 征检测这一步骤，更有甚者干脆把检测和匹配同时进行处理。一般来说存储在计 算机里的图像都是数字图像，直接配准离散数字图像也是可行的，但为了使配准 能够达到亚像素级水平，必须通过对离散图像进行插值处理将其由离散图像变为 连续图像。在插值方法中最邻近法由于精度较低常被采用，常用的是线性( 双线 性或三线性) 插值方法。如果再复杂一点的话样条插值会是更好的选择，因为它 可以在计算的精度和计算的效率之间达到一个较完美的平衡【”3 4 1 。 基于变换的配准算法中，对于某些特定图像而言，图像特征在变换域中可以 非常明显地表示出来，所以傅立叶【3 5 1 、小波【3 6 1 等变换方法在图像配准中有着广泛 的应用。基于傅立叶相位偏移理论的相位相关方法，通过计算浮动图像和参考图 像间的互功率谱来寻找局部的倒向峰值。因此在配准图像的数据量非常可观时， 可以大大减少计算量。如果图像尺度和旋转也同时发生了变化，可以在配准过程 中使用f o r i e r - m e l l i n 变换中波谱幅度的极坐标对数映射函数和相位相关。 在基于特征的配准算法中，首先要了解的是特征的概念。特征就是图像中容 易被识别并同时具有一定几何意义或解剖意义的信息元素。在特征的引导下，图 像配准过程可以在有较强目的性的基础上快速地实现。根据特征来源的不同，医 学图像配准可分为基于图像外部特征信息的图像配准和基于图像内部特征信息的 图像配准。 外部特征信息又可分为侵入式，如立体框架和基准物( 螺丝标记) 【3 7 】和非侵 入式，如模具和基准物( 皮肤标记) p 弘3 9 】。两种方法相比而言，非侵入式对病人 的影响较小，但是对模具的放置提出了很高的要求，适用范围局限在了对同一患 者的不同模态之间的配准，相比而言精度方面没有侵入式的高。总之，应用外部 特征信息来进行图像配准具有简单快捷，优化算法简单以及实现自动化的估点， 但也有对病人不友好，对标记物放置要求高的缺点，所以一般情况下只适用于刚 体变换。 目前在临床中大量使用的方法是基于内部特征的配准方法，它们的主要相似 处就是首先要进行特征提取，也就是要对图像进行预处理，比如利用医生识别出 的解剖点、医学图像中相对运动较小的结构或是图像内部体素的灰度信息进行配 准。特征提取使得图像变化更加明显的同时数据量大为减少，尤其对于不同成像 模式下的图像灰度差别巨大，所以分割后得到的解剖结构的形状或者边缘信息就 1 3 更能反映两幅图像之间的差别。一般说来，特征可以是一些有限的可明显识别的 点集或者是从图像灰度直接计算得到的统计量，并且可进行回溯式研究，在医学 诊断过程中，不会给患者造成不适。临床中常用到的图像特征有：点特征( 包括 角点、高曲率点等) 、直线段、边缘、闭合