（模式识别与智能系统专业论文）基于DICOM医学图像的配准与融合系统研究.pdf

济南大学硕士学位论文 摘要 医学图像处理指用模式识别和图像处理的相关理论，结合医学领域的实际需要， 对医学图像的内容进行变换，使重要信息更加容易观察的过程。处理结果能为医生的 诊断提供依据，帮助医生正确判断病人的病情。配准与融合是医学图像处理研究领域 的一个重要的研究方向。其中配准是将相同或不同成像仪器获得的相同模态或不同模 态的图像在空间位置上对准，而融合是将不同图像中的相关信息聚集在一幅图像中。 它们的目的是便于并行、可比较的在一幅图像中观察多幅图像的数据，并为病人的病 情诊断、治疗、手术规划提供指导。 本课题研究相同模态下的医学图像配准与融合算法，利用d i c o m 文件解析、管 理，搭建了一个医学图像实验系统平台。现将主要工作概括如下： l 、实现医学数字成像和通信标准( d i c o m ) 的解析和文件管理，并对生成的图 像体数据进行任意角度剖面算法研究。d i c o m 标准是美国放射学会( a c r ) 和美国 国家电子制造商协会( n e m a ) 制定的用于数字化医学影像传送、显示与存储的标准。 它是一个工业化的标准，囊括了现今所有医学图像如c t 、m r i 、p 盯等。根据d i c o m 在计算机中的存储模型，分析d i c o m 的文件结构，成功地解析出文件的说明信息( 用 文件标签t a g 来标识) 和图像数据信息，并根据这些信息构建3 d 体数据。之后讨论 了基于体数据的任意给定角度剖面重建算法，使用相对紧邻域三线性插值。实验表明， 重建的剖面线条清晰，组织结构突出，使医生能多角度观察图像。 2 、提出了3 d 2 d 由粗到精的医学图像配准算法，实现图像的小波融合。3 d 2 d 的配准需要对3 d 体数据进行过滤，抽取一幅2 d 图像，这幅图像和配准对应的样板 图像描述相似的组织信息，之后将这两幅2 d 图像配准。在配准环节，先使用h u 不 变矩对3 d 体数据进行过滤，抽取与样板图像相似的图像数据。然后用主轴质一t l , 法对 两幅图像进行粗匹配，使图像近似配准。最后用结合梯度下降法的最大互信息法对近 似配准的两幅图像进行精匹配，得到最终的配准结果。在融合环节，用具有紧支撑和 近似对称性的s y m 4 小波，采用小波系数加权平均的算法，对配准结果和样板图像进 行融合，得到清晰的融合图像。实验表明，配准算法在保证亚像素级的配准精确性的 基础上，极大降低了配准运算的复杂度，有利于配准算法在临床诊断的应用。融合算 法能清晰地在一幅图像中反映两幅图像的信息，使医生并行观察图像信息成为可能。 一i 一 基于d i c o m 医学图像的配准与融合系统研究 3 、成功搭建医学图像实验系统平台。一个功能全面的实验系统平台对医学图像 算法研究和临床应用是十分必要的。它保证了图像算法研究长期持续的进行，也为医 生在一个开放的，交互方便的平台上观察和处理医学图像成为可能。本文介绍了医学 图像实验系统平台的搭建过程，实现结构和运行环境，分析了组成平台的五大模块， 并对平台今后的发展做出展望。 关键字：医学图像配准，小波融合，主轴质心法，d i c o m ，最大互信息法，三线性 插值 济南大学硕士学位论文 a b s t r a c t m e d i c a li m a g ep r o c e s s i n gi sak i n do fr e s e a r c ht h a tu s et h ek n o w l e d g eo fp a t t e r n r e c o g n i t i o na n di m a g ep r o c e s s i n gt oo p e r a t em e d i c a li m a g e i tm e e tt h er e a ln e e d so f m e d i c a lf i e l da n dc a i ih e l pd o c t o rg i v ear i g h tj u d g ef r o mm e d i c a ld i a g n o s e s m e d i c a l i m a g er e g i s t r a t i o na n df u s i o ni so n eo ft h em o s ti m p o r t a n ts u b j e c ti nt h em e d i c a li m a g e r e s e a r c hf i e l d i m a g er e g i s t r a t i o nc a l la l i g nt h es a m eo rd i f f e r e n tm o d a li m a g e so ft h es a m e o rd i f f e r e n tr e s e a r c ho b j e c ti ns p a c el o c a t i o n ，a n di m a g ef u s i o nc a ni n t e g r a t ed i f f e r e n t m o d a li m a g e si i l t 0o n ei m a g e t h r o u g ht h i so p e r a t i o n , y o uc a no b s e r v et h ei n f o r m a t i o n f r o ml o t so fi m a g e sp a r a l l e l e da n dc o m p a r a b l yi no n ei m a g e i tp r o v i d eaf a v o r a b l ei m a g e d a t at ot h em e d i c a ld i a g n o s i s ，t r e a t m e n ta n ds u r g i c a lp l a n n i n g t l l i st h e s i sd e s c r i b e sm ys t u d yi nm e d i c a li m a g er e g i s t r a t i o na n df u s i o na l g o r i t h m u n d e rt h es a m em o d eo fi m a g e ，a n du s ed i c o md o c u m e n ta n a l y s i sa n dm a n a g e m e n tt os e t u pam e d i c a li m a g ee x p e r i m e n t a ls y s t e m n em a i nw o r ka n da c h i e v e m e n ta r es u m m a r i z e d a sf o l l o w s ： l 、d i g i t a li m a g ea n dc o m m u n i c a t i o n i nm e d i c i n e ( d i c o m ) f i l ep a r s e ，d i s p l a ya n d2 d r e c o n s t r u c t i o n , a n dt h er e s e a r c ho fs e c t i o np l a n ec o n s t r u c t i o nb a s e do nd i c o mv o l u m e d a t a d i c o mi s d e v e l o p e db ya m e r i c a nc o l l e g eo fr a d i o l o g y ( a c r ) a n dn a t i o n a l e l e c t r i c a lm a n u f a c t o r e r sa s s o c a i t i o n ( n e m a ) i ti sai n d u s t r i a l i z e ds t a n d a r do fd i g i t a l m e d i c a li m a g e st r a n s m i t ，d i s p l a ya n ds t o r e a n di ti n c l u d ea l lt h em e d i c a li m a g ew ec a n m e e tf r o mh o s p i t a ls u c h 弱c t , m a n dp e t i nt h i sp a p e r ，w ed i s t i l lt h ei n t r o d u c e i n f o r m a t i o no fi m a g ea n di m a g ec o n t e n ti n f o r m a t i o ns u c c e s s f u l l yf r o ma n a l y s et h e c o n s t r u c to fd i c o mf i l eb a s e do ns t o r a g em o d e li nc o m p u t e r a f t e rt h a t ，w eu s et h e s e i n f o r m a t i o nt ob u i l dav o l u m eo fi m a g ed a t a w ed i s c u s sat r i - l i n e a ri n t e r p o l a t i o ns e c t i o n p l a n em e t h o db a s e do nd i c o mv o l u m ed a t a e x p e r i m e n ts h o wt h a tt h em e t h o d sc o r r e c t a n dc l i n i c a l l ya p p l i c a b l e 2 、3 d 2 di m a g er e g i s t r a t i o nu s i n g2 s t e pm a t c h i n gm e t h o da n dw a v e l e ti m a g ef u s i o n r e g i s t r a t i o no f3 d 2 dn e e dt o f i l t e rd i c o mv o l u m ed a t aa n df i n da2 di m a g ew h i c h d i s c r i p es a m ec o n t e n tw i t hc o r r e s p o n dm o d e li m a g e a f t e rt h a tw em a t c ht h e s tt w oi m a g e s i nt h ep r o c e s so fr e g i s t r a t i o n ，w eu s eh ui n v a r i a n tm o m e n tt og e tai m a g ed a t at h a ts i m i l a r w i t hm o d e li m a g ef i r s t l yb yf i l t e r i n gd i c o mv o l u m ed a t a a n dt h e nw er e g i s t r a t i o n i m a g e sa p p r o x i m a t i v e l yb yu s i n gp r i n c i p a la x e sa n dc e n t r o i db a s e dm e t h o d f i n a l l y , w e t tt 基于d i c o m 医学图像的配准与融合系统研究 u s em a x i m i z a t i o no fm u m a li n f c l r m a t i o nm e t h o tt om a t c hr e s u l to fc o a r s em a t c ha n dm o d e l i m a g ea n dg e tt h ee n dr e s u l t i nt h ep r o c e s so ff u s i o n ，w eu s es y m 4w a v e l e t t of u s em a t c h r e s u l ta n dm o d e li m a g ea n dg e tt h er e s u l ti m a g e f r o me x p e r i m e n t ，i nt h ep r o c e s so f r e g i s t r a t i o n ，t h i sa l g o r i t h mc a r lr e d u c et h er e g i s t r a t i o nc o m p u t i n gc o m p l e x i t yg r e a t l ya s w e l la sk e e pag o o da c c u r a c yo fr e g i s t r a t i o n i nt h ep r o c e s so ff u s i o n ，r e s u l to fw a v e l e t f u s i o ns h o wa g o o di n f o r m a t i o nf r o mt w oi m a g et oo n ei m a g e 3 、e x p e r i m e n t a lm e d i c a li m a g ep r o c e s ss y s t e md e s i g na n di m p l e m e n t i ti sv e r y i m p o r t a n tt oh a v eag o o de x p e r i m e n t a lp l a t f o r mt os t u d ym e d i c a li m a g e b e c a u s ei t c a l l k e e pr e s e a r c ho fi m a g ec o n s t a n t l ya n dg i v ed o c t o rag o o dp l a t f o r mt oo b s e r v ea n do p e r a t e m e d i c a li m a g e i nt h i sp a p e rw ed i s c u s s e st h ep r o c e s so fb u i l do fs y s t e m ，t h ec o n s t r u c to f s y s t e ma n dt h er u ne n v i r o n m e n to fs y s t e m w ea l s oa n a l y s et h ef i v em o d e lo fs y t e ma n d g i v eah o p et h a tt h es y s t e mw o u l d b eb e t t e ri nt h ef u t u r e k e y w o r d s ：m e d i c a li m a g er e g i s t r a t i o n ，w a v e l e tf u s i o n ，p r i n c i p a la x e sa n dc e n t r o i d b a s e dm e t h o d ，d i c o m ，m a x i m i z a t i o no fm u t u a li n f o r m a t i o n ，t r i - l i n e a ri n t e r p o l a t i o n i v 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立 进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含 任何其他个人或集体己经发表或撰写过的科研成果。对本文的研究作出 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 本声明的法律责任由本人承担。 论文作者签名：霉国乏： e l 期： 关于学位论文使用授权的声明 本人完全了解济南大学有关保留、使用学位论文的规定，同意学校 保留或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 查阅和借鉴；本人授权济南大学可以将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、缩印或其他复制手段保存论文和 汇编本学位论文。 ( 保密论文在解密后应遵守此规定) 论文作者签名：辑导师签名： 日期： 济南大学硕士学位论文 1 1 课题的研究背景和意义 第1 章绪论 2 0 世纪以来，医学成像技术经历了一个从静态到动态、从形态到功能、从平面 到立体的发展过程。尤其在计算机技术高度发达之后，医学成像技术的发展给临床医 学提供了射线、b 超、计算机断层成像( c t ) 、核磁共振成像( m r i ) 、正电子发射 断层成像( p e t ) 、电光子发射断层成像( s p e c t ) 等形态和功能的影像信息，x 射线、 c t 和8 超是医院常采用的医学图像。其中，每一种医学图像代表一个模态，当图象 处理用一种医学图像时，称为单模态处理：用多种医学图像时，称为多模态处理。如 图1 1 所示。 图1 1 医学影像 医学图像在临床上主要有三个方面的作用：一是检查病人是否有异常情况，辅助 医生诊断；二是对病人病情进行复查；三是图像引导手术。但是，这些医学图像在临 床诊断治疗上的应用还存在一定缺陷，这主要是由于单幅图像提供信息的局限性以及 传统医学图像处理方式造成的。 根据医学图像所提供的信息内涵，可将这些图像分为两大类：解剖结构图像( c t 、 m r i 、b 超等) 和功能图像( s p e c t 、p e t 等) 。这两类图像各有其优缺点：功能图像 分辨率较差，但它提供的脏器功能代谢信息是解剖图像所不能替代的；解剖图像以较 高的分辨率提供了脏器的解剖形态信息( 功能图像无法提供脏器或病灶的解剖细节) 但无法反映脏器的功能情况。对于同一种成像技术( 如c t ) ，对于同一个人相同部位， 基于d i c o m 医学图像的配准与融合系统研究 随着时间推移，前后两次成像所反映关于脏器的信息也是不相同的。如果对病人的病 变部位只进行一次成像，则只能了解病人成像时刻的病情，无法跟踪病情的变化。因 此，要充分利用医学图像对病人进行诊断治疗，关键是要对各有侧重的图像信息或者 是各个时段的图像信息进行处理分析，以获取医生所需的有效信息。然而，由于受传 统诊断方式的影响，这些图像信息的利用十分有限。传统的医学诊断大都是医生借助 自身的专业知识和实践经验通过目测判断来进行，在某种程度上这种方式缺乏客观 性，如果能将各种信息的医学图像或者各个时段的医学图像进行配准，用融合的方式 使其并行显示，则可能为医生做出正确的医学诊断提供更加可靠的客观依据，提高诊 断质量。 由于医学图像处理技术的研究还不是十分成熟，国内外大部分机构为了集中精力 进行图像方面的研究，他们所选择的研究对象大部分都是已经解析成b m p 图像的医 学图像库【l j 。医学图像b m p 图像库的获取需要解析p a c s ( p i c t u r ea r c h i v i n ga n d c o m m u n i c a t i o ns y s t e m 图像归档和通讯系统) 系统的国际标准d i c o m 3 0 ( d i g i t a l i m a g i n ga n dc o m m u n i c a t i o n si nm e d i c i n e 医学数字成像和通信标准) 【2 】【3 】【4 1 ，所以 迫切需要一个结合d i c o m 标准解析、管理、操作，有关医学图像的算法模拟与结果 显示的实验平台。这个实验系统使以后对医学图像的研究更加容易，通过算法接口模 块就可以轻易的在平台上模拟各种算法。随着平台不断的完善与发展，它的显示模式 将脱离现在2 d 模式而转为3 d 模式。同时，此系统为医生提供了一个手术与诊断的 辅助平台，通过这个平台，医生将看到更多信息，有助于提高诊断的质量。 1 2 医学图像配准与融合的概念及国内外研究现状 医学图像配准是上世纪9 0 年代才发展起来的一项技术，它是临床需求的产物。 医学图像配准，是通过寻找某种空间变换，使两幅图像对应点达到空间位置和解剖结 构上的完全一致。配准结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意 义及手术区域的点都达到匹配。从数学模型上表达，配准可描述为求解一个数据集到 另一个数据集的映射变换，经过变换后的两个图像像素集将达到最优匹配，即它们之 间的误差距离( 有多种定义) 最小。最小化相应特征的距离，就是最大化图像之间的 相似性，定义m 为图像间个体的相似性总量，t 为空间变换，a 、b 为待配准的两幅 图像，则配准标准用公式表示如下： m a x ( m ( a ，丁) ) ) ( 1 1 ) 济南大学硕士学位论文 常用的图像相似性测度【5 】有：互相关函数【6 1 、联合熵【7 1 、互信息【8 】8 等。当这些描述各 组织信息或者各个时段信息的医学图像精确配准，可以为医生提供更全面可靠的资 料，帮助医生对图像进行更加细致的分析诊断。 1 9 9 2 年，b r o w n 对当时已有的图像配准技术做了比较全面的分类和总结【9 1 。在 b r o w n 的基础上，】b am a i n t z 在1 9 9 8 年对当时已有的医学图像配准方法作了综述 性的总绀，之后在2 0 0 3 年b r a b a r a 对以后图像配准的现状和发展趋势作了更深入 的分析，引入了很多2 1 世纪初发展起来的配准方法【l 们。2 0 0 2 年网上公布的美国申 请专利中，图像配准相关部分就超过5 0 项，很多大公司甚至有自己的工作组专门研 究医学图像配准问题。而最近国际顶级学术会议上( 2 0 0 4 年c v p r 会议和2 0 0 5 年i c i p 会议) 都有关于配准的专题讲座，这足见图像配准问题的关注程度。 这一方面说明配准问题是一个很值得研究的问题，另一方面说明仍然有许多技术 难题没有解决且急需解决。配准问题的定义本身很简单，然而图像内部结构的复杂性 使得配准的精确性、鲁棒性很难得到准确检验。这也解释了为什么诸多方法中，几乎 找不到通用的、一劳永逸的算法。 总体来说，医学图像配准是随着一般图像配准技术的发展而发展起来的，是一般 图像配准在医学影像领域的应用。从配准的发展看医学图像配准经历了三个阶段 【1 】【l o 】：第一阶段是基于框架及外部特征的医学图像配准；第二阶段是基于解剖特征 和组织特征的医学图像配准；第三阶段是基于不变量和信息学的医学图像配准。在维 度上医学图像配准经历了从2 d 到2 d 3 d 再到3 d 配准。从模态上医学图像配准经历 了从单模态到多模态配准。现在国际上医学图像的配准主要集中在3 d 多模态非刚体 对象配准的研究【9 j 。 进入9 0 年代以来，医学手术模拟可视化、三维医学图像有限元分析、医学图像 融合等逐渐成为图像处理研究的热点，其中医学图像融合作为信息融合技术一个新的 重要领域，受到国内外学术界的广泛重视，他的研究将对未来医学的发展和医学影像 技术的进步带来深远影响。 图像融合是将2 个或者2 个以上的传感器在同一时间( 或不同时间) 获取的关于 某个具体场景的图像或者图像序列信息加以综合，生成一个新的有关此场景的解释， 而这个解释是从单一传感器获取的信息中无法得到的。按层次分，图像融合可以份儿 为信号级图像融合【1 2 1 、像素级图像融合【1 3 1 4 1 、特征级图像融合【1 5 1 8 】和决策级图像 融合【1 7 】【1 9 1 。医学图的融合是以医学图像为主要研究内容的图像融合技术。是把多个 一3 一 基于d i c o m 医学图像的配准与融合系统研究 不同模式p a c s 系统获得的描述人体同一组织特性的图像或者是把同一模式p a c s 系 统获取的不同时段的描述人体同一组织特性的图像合成为一幅图像的过程。由于不同 模态图像或者同一模态图像在不同时间的成像所获得的信息并不完全一致，将这些图 像进行融合能使医生并行获取感兴趣的互补信息，从而进行更加细致的诊断。其中， 小波由于具有多分辨的特性，所以在融合领域应用较广。融合通常是在图像配准以后 进行的。 多传感器图像信息融合是一个正在兴起，并有着广泛应用前景的研究领域。当前 图像融合在特征级的研究重点在于提高融合图像的空间分辨率的同时，尽量保持原图 像的光谱特征，从而保证后续分析理解的有效性。另外，图像序列以及视频信息的融 合问题也是非常有意义的研究课题。在特征级和决策级研究图像融合问题的文献没有 研究像素级融合问题的文献那么多，但是这又是一个具有挑战性的重要研究领域。而 且在许多应用中，要实时的进行像素级融合处理是相当困难的，而进行决策级和特征 级图像信息融合就是主要的选择。特征级和决策级图像信息融合的难点在于目标自动 识别和图像理解。因此研究特征级和决策级图像信息融合的理论和方法是一个必然的 发展趋势。医学图像的融合也在向着这个方向发展。 学术界在图像融合领域已取得了很大的成绩，图像融合方法也各种各样。但是， 总的来说图像融合技术的研究还f g i jf 9 i j 开始，由许多问题急需解决。首先，图像融合技 术缺乏理论指导，虽然关于图像融合技术的公开报道很多，但每篇文章都是针对一个 具体的应用问题，对图像融合技术还没有一个统一的理论框架，建立图像融合的理论 框架是目前的一个发展方向。由于图像的特殊性，在设计图像融合算法时一定要考虑 到计算速度和所需的存储量，如何得到实时、可靠、稳定、实用的融合算法和硬件电 路是目前研究的一个热点。另外，建立客观的图像融合技术评价标准也是急需解决的 问题。 1 3 主要工作内容及安排 本文的工作主要在三个方面：第一方面是d i c o m 文件的解析与管理，并完成了 基于体数据任意给定角度剖面重建的研究；第二方面是医学图像配准与融合的研究， 包括2 d 3 d 医学图像单模态配准的研究和2 d 医学图像融合的研究；第三方面是基于 d i c o m 医学图像实验系统平台的搭建，集成诸多模块，并实现相应功能。 一4 一 济南大学硕士学位论文 各后续章节的内容安排如下，其中第三、四、五章所描述的内容为本人研究生阶 段完成的主要工作： 第二章讨论图像配准与融合所设计到的相关技术，并对现有图像配准与融合的 方法分别进行了总结分类，讨论各种方法的特点及适用范围，对方法的优缺点进行适 当评价。 第三章介绍了d i c o m 标准，描述了解析d i c o m 的过程，从中获得医学图像的 过程和d i c o m 文件分类管理的过程。通过解析d i c o h 文件，我们获得了医学图像 的体数据信息。本章对研究工作之一，基于体数据的医学影像剖面的重建算法进行了 详细介绍。 第四章论述了以主轴质心法的粗匹配配准方法和最大互信息的精匹配配准方法 结合的由粗到精的配准算法，并根据实验结果在速度、精确度两方面对这种方法进行 分析。本章还讨论了基于小波的融合方法，并对此方法结果进行分析。 第五章分模块讲述了基于d i c o m 医学图像试验系统的搭建过程，以及这个系 统现有的各种功能，并对这系统以后的发展做出展望。 第六章对全文进行了总结，概括全文的内容，对本文不足之处和以后要进一步 研究的工作进行分析展望。 一5 一 济南大学硕士学位论文 第2 章医学图像的配准与融合 本章将根据各种不同的准则对医学图像配准方法进行分类介绍，将还提到一些典 型方法的主要贡献、优缺点及它们之间的相互关系；同时还将对现有的融合方法进行 分类介绍。 2 1 医学图像配准的方法 医学图像配准的研究已经持续了2 0 多年，其中发现了很多方法。根据不同的分 类准则，可以将这些方法进行不同的分类。最简单的分类方法就是将其分为基于内部 特征和基于外部特征两大类，从以下几个分类标准介绍现有的医学图像配准方法 【l 】【7 】【8 】。 2 1 1 配准的模态信息 在医学图像中，模态是指懈系统运用不同的成像技术产生的图像模式。如 c t ，m r l 分别为一个独立的模态。常用的模态图像见图1 1 。根据配准的医学图像的 模态将配准方法分为三类： ( a ) 单模态图像配准。 单模态配准是指参与配准的两幅或多幅图像都是同一模态的【2 0 “2 4 1 ，比如c t 图像 和c t 图像配准。这种配准一般多应用在医学的生长监控和减影成像方面。 ( b ) 多模态图像配准。 多模态配准是指参与配准的两幅或多幅图像是不同模态的，比如c t 图像和m r i 图像配准。这种配准由于参与配准的图像之间差异很大，配准难度很大，也存在很多 问题【2 5 “冽。这种图像配准应用最多，主要应用在诊断方面，可分为解剖解剖的配准 和解剖一功能的配准。前者把描述组织形态不同方面的两幅图像进行配准，后者把描 述组织新陈代谢的图像和描述它相对于解剖结构的空间位置的图像进行配准。 ( c ) 患者和模态之间的配准。 基于d i c o m 医学图像的配准与融合系统研究 这种配准在各种文献上介绍的较少，其根据在人体上放置特征点，并在图像中找 到相应特征点的成像来达到配准目的【3 0 3 2 1 。这种配准多主要用于放射治疗和计算机 辅助手术中的手术定位。 2 i 2 图像的维数 根据空间维数的数目和时间是否为附加维这两点可以将医学图像配准分为仅考 虑空间维数的图像配准和考虑空间维术的时间序列图像配准两类。对于空间的维数， 可以将以上两类进一步分为2 d 1 2 d 的图像配准、2 d 3 d 的图像配准和3 d 3 d 的图像 配准。2 d 2 d 的图像配准主要应用于相同或者不同断层扫描数据的不同片层之间的配 准，从实现上来说就是参与配准的图像都是2 d 的，不存在3 d 信息。2 d 3 d 的图像 配准主要应用于空间数据和投影数据之间的配准，或者是2 d 片层扫描数据和3 d 空 间的数据配准。从实现上来说就是参与配准的两个数据集中一方是描述3 d 图像信息 的数据集，而另一方则是描述2 d 图像信息的数据集。3 d 3 d 的图像配准一般应用于 两个断层扫描数据集( 其中一个可为从2 d 投影数据得到的3 d 重建数据) 的配准。 从实现上说就是参与配准的两个数据集都是描述扫描对象3 d 信息的数据集合。 2 1 3 配准所基于的特征 不同配准方法，选择的特征是不同的，有的点选用外部特征，有的选用内部解剖 特征，还有选用图像的统计特征。因此，根据配准使用不同特征，将医学图像配准进 行如下分类： ( a ) 基于校正坐标系的配准方法。 这种配准方法是用光学空间定位装置事先校准图像的坐标系，然后再进行配准的 一种配准方法。这种配准精度完全取决于空间定位装置的精度，在文献中介绍比较少。 临床应用主要有：超声图像与c t i m r i 的配准( 在手持式超声探头上安装光学空间定 位装置来校正图像的坐标系) ；计算机辅助手术中手术器械与术前c r l m r i 图像配准 ( 在手术器械上安装光学空间定位装置校正图像的坐标系) 。 ( b ) 基于外部特征的图像配准方法 所谓外部特征，是指系统成像时固定在患者身上的标记物。不同成像时灌入不同 的显影物质使得标记物在所有图像模态中均能清晰可视和精确检n 3 1 3 2 】。这种方法 一8 一 济南大学硕士学位论文 所需要的所有参数都可以用联立方程组的方式直接计算得到，但它无法实现图像的回 溯式配准，标记物的固定对人体是侵入性的，会对病人造成创伤。( 非侵入性的标记 物固定后的配准得到的结果精确性要差很多) 。 这种方法配准变换被限制为刚性变换，临床上常使用的基于立体框架的配准方法 精度最高。这种方法用螺丝旋入头骨将框架固定在患者外颅表面标定特征，其可以作 为其他配准算法评估的金标准。这种方法主要应用在神经外科手术的定位和导航上 ( 精度在1 m m 之内) 。目前已出现了多种对患者友好的非侵入性标记物，或是为个 体定制的泡沫面具，或是用定位拴将特制的面具固定在患者头颅上，或是用特制的牙 套，或是使用为个体定制的鼻部支撑物和两耳的插件形成的一种头部固定架。这些方 法的配准误差均不超过2 m m 。也可将2 6 个中空小球粘贴在皮肤上作为标记物，这 要求标记处的皮肤必须近似刚体，因此仅局限在头颅部位的皮肤，配准精度在4 m m 左右。 ( c ) 基于内部特征的图像配准方法 l 、基于标记的图像配准方法 图像的内部特征是一些有限的可明显识别的点集，标记点可以是解剖点( 一般由 医生进行识别) ，也可以是几何点( 如局部曲率极值，隅角，可以通过算法自动识别) ， 这类方法主要求解基于刚体变换或仿射变换的配准。识别出来的标志点集与原始图像 的信息量相比是稀疏的，这样参数优化相对较快。这类算法使用的最优化测度有：参 考图像中的每个标记点和浮动图像中最近的配对点之间的平均距离、迭代的最小标记 点距离。前者常用a r u n 算法优化求解【2 1 2 2 1 ，后者常用迭代最近点算法( i c p ) 及其 衍生算法优化求解 2 3 1 。基于标记点的配准方法成功与否通常用基准点配准误差f r e i 来确定： 腿f r ( x j ) 一y i ( 2 1 ) 其中l ，y i 分别代表参考图像和浮动图像中关于特诊i 的基准点，t 是某种空间变换。 于是可以根据f re 的大小来定义基准点配准误差为： 1 脚2 2 畴善q ；眦? ) ( 2 2 ) 其中n 为所有控制点的数目，q z 为非负的加权因子。在刚体变换条件下，上式可以 写成： 眦2 一e q ；i i 如+ f y ji i ) 2 ( 2 3 ) 、智 ” 基于d i c o m 医学图像的配准与融合系统研究 其中r 是旋转变换，t 是平移变量。寻求最佳配准的过程就是最小化f r e z 的过程。 2 、基于分割的图像配准方法 这类方法的内部特征是可以分割出来的解剖结构线( 面) 。这类方法可以是基于 刚体模型的，也可以是基于形变模型的，这种方法最大的缺点是配准精度受限于分割 步骤地精度。除了分割阶段，整个算法可以做到全自动化，分割阶段经常也是用半自 动化实现的。 基于刚体模型的配准方法是目前临床应用中最为常用的方法，主要应用在同一患 者的图像配准中。这种方法中比较有名的是p e l i z z a r i 设计的“头和帽”算法【2 4 】，其 关键是头部的c t 、m r j 和p 盯图像中皮肤表面的分割，因为这种分割比较容易实现， 且算法的计算复杂度相对较低。之后又出现了很多自动化的分割步骤和提高优化求解 的改良算法，例如迭代最近点法和加权的几何特征( w g f ) 算法。另一个著名的算法 是1 9 8 8 年b o r g e f o r s 设计的快速斜面配准算法【3 3 n 3 4 ，它是通过距离变换的方法配准 解剖结构的二进制图像。 在基于形变模型的配准中2 d 形变的曲线是“蛇 或者有源轮廓，3 d 形变模型是 “网 。应用在同一患者的图像配准以及患者图像和图谱之间的配准，形变模型的数 据结构用样条表示。除了分割步骤外，配准算法可以做到全自动。这类算法最适合寻 找图像间局部的弯曲变换，而不太适合寻找全局的刚体或仿射变换。配准优化准则是 局部定义和计算的，变形收到施加在分割出的曲线和曲面上的弹性约束，形变过程是 迭代进行的，每次的形变很小。大体步骤是首先在一幅图像中定义一个模板模型，然 后整个模板逐渐变形到与第二个图像中分割出的结构匹配的程度。形变模型的缺点 是，形变模型需要一个很好的初始化位置( 刚体预配准) 才能完全收敛；其次如果靶 结构与模板结构相差较大时，模板局部变形的稳定性将会无法预测。 3 、基于体素相似性的图像配准方法 这类方法直接对图像灰度操作，不需要预先的图像分割。又可以把这类方法进一 步分成两种截然不同的方法：第一种是将图像灰度信息归纳成典型的矢量和标量集， 然后对这些矢量和标量进行配准【2 s “2 6 】；第二种是在配准的全过程中始终使用全部的 图像灰度信息【z 川。 基于主轴和矩的配准方法是第一种方法的主要方法，计算图像的零阶矩和一阶矩 可以得到图像的重心和主轴，对两图像的重心和主轴的配准完成整个图像配准，详细 算法在第四章介绍。使用图像的高阶矩是配准结果一般非常不精确( 尤其3 d 图像配 济南大学硕士学位论文 准) 。基于主轴的配准方法由于其算法的自动、快速、易于实现的特性而被广泛应用 于精度要求不高的图像配准。 基于体素特性的配准方法极其灵活，是当前人们最感兴趣和最重视的研究方法。 这种方法在配准全过程中使用图像的全部灰度信息，相当大的计算消耗限制了其在l 临 床中的应用。随着临床上对精确的回溯式图像配准需要的增长，加上飞速发展的计算 机硬件技术( 尤其是大容量的内存) 使得这种方法进入临床的实际应用，但是还未应 用在有时间限制的计算机辅助手术中2 d 3 d 配准。这类方法主要用于头部3 d 图像的 全局刚体或仿射变换配准，几乎所有的算法都是自动的。目前常见的基于体素特性的 配准方法有：互相关法、基于傅立叶域的互相关法和相位相关法、灰度比的方差最小 化法、在段内的灰度值方差最小化法、差分图像的直方图熵最小化法、直方图聚类和 直方图离差最小化法、最大互信息法( 第四章详细介绍) 、差分图像中零交叉的最大 化法、绝对图像灰度差分和均方图象灰度差分的最小化法等。 4 j 图谱法与非线性变换技术 不同人脑图像的配准比同一个人的不同模态图像的配准困难得多，这是因为每个 人脑的形状、尺寸都有很大的差异。如果我们将脑图像作一定的尺度变换，并对深度 内部结构适当的进行显像后，就会发现不同人脑的解剖结构的大小和形状方面还是具 有一定的共性。这样就有可能构造一个解剖图谱，其前提是受试者间脑的拓扑结构具 有不变性。由于在脑图谱构建过程中有神经解剖专家直接参与，利用脑图谱进行配准， 就可以利用图谱所包含的先验知识来对病人或其他人的图像自动识别和正确的分割。 当前最著名的方案是建立一个标准的脑坐标系统，t a l a i r a c h 3 d 正交栅格系统为大 家广泛接受【3 s “3 6 。从图谱到脑图像的配准归纳为逐段仿射变换问题，但仿射变换不 能解决人脑形态的复杂非线性问题。一些学者研究了用非线性变换的配准技术。例如 用贴片算法将人脑结构转化为闭合的多面体，通过全局仿射变换或薄板样条函数，交 互的使图谱变形去拟合图像数据；或用从粗到精的多分辨匹配策略减少计算的复杂性 和提高配准精度。还可用粘滞流体模型控制形变，模板图像被建模为有粘滞性的流体。 流体在内力作用下流动去拟合待配准的体积图像。经过一段时间后，内力消失，流体 停止流动。该法可以实现任何复杂形状的形变，被认为是当前最高级的图像配准算法， 缺点是算法所需计算量太大。 基于d i c o m 医学图像的配准与融合系统研究 2 1 4 变换的特性和域分类 比较常用的变换有：刚性变换、仿射变换、投影变换、弹性变换，如图2 1 所示。 不考虑坐标轴尺度缩放时，如果仅存在坐标轴的平移和旋转，图像的坐标变换时刚体 变换，这时直线的平行性和垂直性在映射后保持不变。直线在变换后只能保持平行， 不能保持垂直，则坐标的变换为仿射变换。如果变换时只能将直线映射成直线，直线 的平行性和垂直性都不能保持时，坐标变换是投影变换。如果变换时将直线映射成曲 线，坐标变换就是弹性变换。这四类变换存在包含关系，即弹性变换包含投影变换、 投影变换包含仿射变换、仿射变换包含刚体变换。 整体局部 圃囫 画国 刚体 仿射 投影 非线性 图2 1 各变换示意图 变换域分局部变换域和全局变换域两种。如果变换应用于整个图像，那么变换就 是全局的，如果图像的每个子块都有自己定义的变换，那么变换就是局部的。刚体变 换和仿射变换是全局的，弹性变换时局部的，放射变换一般应用在求解图像的坐标轴 尺度因子上。局部变换不能直接使用，而是在全局变换的基础上，使用在整个图像中 感兴趣的局部区域，举办刚体变换经常是嵌入局部弹性变换。在医学图像配准中，解 剖结构可视为刚体或近似刚体，最常用到的变换时全局刚体变换，最常应用的对象是 头部的图像配准。 2 1 5 优化算法分类 构成配准变换的参数根据求解的方式可分为两类：一是用联立方程组的形式直接 计算得到；二是对定义在参数空间的能量函数最优化搜索得到。前者完全限制在基于 画囫画画 画 济南大学硕士学位论文 特征信息( 例如小数目的特征点集、2 d 曲线、3 d 曲面) 的配准应用中。在后者重， 所有的配准都有变成一个能量函数的极值求解问题，能量函数是由需要被优化的变换 参数表示的，一般是拟凸的，能用标准的优化算法求解极值。常用的优化算法有【3 7 ”捌： p o w e l l 法、下山单纯形法、a r e n t 法、l e v e n b e r g - m a r q u a d r t 法、n e w t o n - r a p h s o n 迭 代法、随机搜索法、梯度下降法、遗传算法、模拟退火法、几何h a s h 法，半穷尽搜 索法等。在实际应用中，经常使用附加的多分辨率和多尺度方法加速收敛、降低需要 求解的变换参数数目、避免局部极小值。并且可以混合使用多种优化算法，即开始时 使用粗略的快速算法，然后使用精确的慢速算法。 2 2 医学图像融合的方法 医学图像融合的概念很广泛。广义说，对多模态图像信息任何形式的综合利用都 可以称之为融合。融合结果可以表现为不同模态图像间结构的映射、叠加现实、伪彩 色显示等图像显示技术和生成新型的医学诊断图像融合图像。它包括一、二维图 像之间的融合图像、二维断层融合图像和三维融合图像及体融合图像。狭义的说，只 有将多个图像数据集组合到一个图像数据集中才称为融合。a x l ep i n z 认为融合的结 果是由多种不同来源的信息源得到的一个新的、被优化的输出，这个结果应