【医学图像配准技术研究的国内外文献综述5000字】

–PAGE28–医学图像配准技术研究的国内外文献综述面对临床领域海量的医学图像数据，如何高效、准确并迅速的提取、使用这些医学图像中的有效信息是医学图像处理领域的一大难题。同时，其也是综合利用不同模态医学图像进行科学研究、疾病诊断、手术治疗的关键步骤。因此，在这样的大背景下，医学图像配准被提高到了前所未有的高度，成为了医学图像处理领域的重要研究方向之一。学术界针对医学图像配准的相关调研工作始于20世纪中后期，在算力水平和临床医学高速发展的同时，自20世纪80年代以来，其慢慢吸引了相关研究人员的高度重视。然而，国内与医学图像配准具有相关联系的研究起步稍迟，始于20世纪90年代初，同样引起了国内相关学者们的广泛讨论。发展至今，国内外科研人员基于不同方法对其进行了不断的探索和研究，其已成为医学图像处理领域中的重要议题，取得了大量的科研成果，并且得到了广泛的应用[10]。20世纪60年代初期，在数字减影造影技术（DigitalSubtractionAngiography,DSA）的应用过程中，医生从治疗后得到的医学图像中往往无法直接对患者的治疗情况进行有效的判断，必须通过对比分析治疗前后的医学图像方能进行有效的疾病诊断，并给出有效可靠的后续治疗方案。因此，在对治疗前后的医学图像进行对比分析前，需要先对治疗前后的两幅医学图像进行严格的空间对齐，使得两幅医学图像中的对应解剖结构在同一参考坐标系下具有相同的空间位置，以此为背景医学图像配准正式进入广大研究人员的视线。在医学图像配准的研究早期，其主要研究内容是针对不同时间、不同地点、同一患者在同一类型的医学成像设备上采集的两幅医学图像进行配准，即单一模态的二维医学图像配准。自此，医学图像配准被首次提出并得到了长足的发展，大量的科研人员通过图像预处理提取待配准医学图像对中的有效轮廊，并以此为基础进而描述待配准医学图像对的相似度，或者直接利用待配准医学图像对自身像素灰度值之间的统计相关性描述二者之间的相似度，从而构建目标函数并运用恰当的最优化算法找寻最优空间变换参数。然而，同一医学成像设备采集的医学图像具有一定的局限性，其无法全面、准确的反映患者体内组织或器官的解剖结构和功能信息，在临床诊断和治疗的过程中，无法为医生提供足够的参考信息，其主要原因是不同成像技术成像原理的局限性限制了单一模态医学图像所蕴含的信息量。为了解决单一模态医学图像配准所存在的上述问题，其需要由单一模态向多模态的方向发展。因此，在上个世纪的末期，Zuk、Lester、Ritter和Brown等学者在单一模态医学图像配准的基础上，为了适应时代的发展，进一步提高医学图像对医生的辅助作用，率先对不同时间、不同地点、同一患者在不同医学成像设备上采集的医学图像进行配准，即多模态医学图像配准[11-13]。其能够有效的将同一患者在不同医学成像设备上采集的多种医学图像进行对齐，进而实现多种模态的医学图像融合，并精确可靠的获取患者体内组织或器官在解剖结构和功能作用等方面的综合信息。1992年，相关学者通过文献调研的方式，总结了当时学术界以及工业界的主流医学图像配准方法，并以不同医学图像配准方法的相似性测度构建方式作为分类标准，将医学图像配准划分为以下两种类型[14]。第一，以待配准医学图像对中的图像特征作为基础，构建相似性测度并作为目标函数，从而实现医学图像配准，即基于图像特征的医学图像配准。从20世纪80年代至今，其获得了长足的进步，在此过程中十分经典的基于图像特征的医学图像配准方法是由Lowe和Besl等学者研究得出的距离最近搜索算法以及比例锁定搜索算法[15]。其中，距离最近搜索算法取得了广泛的应用。但是其是在整个搜索空间内找寻对应解剖结构之间的空间最近点，因此在找寻最优空间变换参数的过程中会很容易求得局部最优空间变换参数，从而导致医学图像配准的准确度下降，甚至出现严重的误配现象。所以，Maurer和Herring等学者在距离最近搜索算法的基础上，提出了粗略配准的优化策略，即利用计算机或人工等方式实现粗略配准，再运行距离最近搜索算法，从而很好的解决了距离最近搜索算法所存在的问题，同时极大的减少了后续医学图像配准的搜索轮数[16-17]。第二，以待配准医学图像对中的图像自身灰度值作为基础，联系二者之间的统计相关性构建相似性测度并作为目标函数，从而实现医学图像配准，即基于图像灰度的医学图像配准。与第一种医学图像配准方法一样，基于图像灰度的医学图像配准方法在同一时期也同样取得了大量的进展，并且得到了广泛的应用。在20世纪90年代，Viola和Collignon等学者在构建相似性测度的过程中考虑到待配准医学图像对图像灰度值之间的统计相关性，巧妙的将信息论中互信息的相关思想引入其中，直接利用固定图像与浮动图像找寻最优空间变换参数，省去了图像预处理和图像特征提取等复杂步骤，以便达到对医学图像进行全自动配准的目的，从而使医学图像配准的速度飞速提升，难度大大降低[18]。互信息的引入作为医学图像配准领域中的里程碑事件，具有重大意义，其已被成功应用于CT与PET图像，CT与MRI图像等多模态医学图像配准应用中。在此基础上，国内外的许多学者提出了大量改进形式的相似性测度，并且都得到了广泛的应用[19]。20世纪90年代初期，医学图像配准的发展刚刚起步，此时绝大多数医学图像配准方法均采用刚性配准模型。但是，刚性配准模型存在致命缺陷，其无法实现复杂的空间变换，无法对差异较大的医学图像进行配准。因此，自20世纪末及21世纪初，为了解决以上问题，研究人员出于对较为复杂的空间变换的实际需求，开始尝试使用功能更加强大的非刚性配准模型取代功能较为单一的刚性配准模型。1996年，Broit等学者在刚性配准模型的基础上，率先对非刚性配准模型展开研究，并提出了一种基于相似性测度建立线性偏微分方程，通过求解该方程从而获取配准所需的最优空间变换参数，其是一种较为简单的非刚性配准模型。随后，其他学者针对以上研究，通过引入不同的标准对该非刚性配准模型进行了一定的改进。但是，在实际应用过程中待配准的两幅医学图像往往存在较大形变，此时较为简单的非刚性配准模型在配准过程中的作用就会变得相当有限。所以，一些学者为了解决这一问题提出了粘性流体配准模型，在待配准医学图像对之间存在较大形变时，它能够很好的解决这一问题，顺利完成相关的医学图像配准任务[20-21]。与此同时，Lester等学者在众多科研人员关于非刚性配准模型研究内容的基础之上，研究并推导出了分步变换的概念，使得不同的医学图像配准方法之间能够相互取长补短，从而实现进一步的性能提升[22]。不久之后，其他学者从自然现象中获得了一定的启发，研发出了基于物质流体变化的非刚性配准模型，并将其成功应用于疾病诊断、放射治疗和手术导航等多个领域[23]。在此期间，Likar等学者发展出了任意状态任意形变的思想，使得非刚性配准模型得到了进一步的快速发展[24]。21世纪初期，算力水平与医学成像技术的不断进步促使医学图像配准的研究范围和应用领域被进一步拓宽，由二维医学图像配准向三维医学图像配准过渡。在已有非刚性医学图像配准方法的基础上，许多二维医学图像配准算法经过改进与适配，被成功应用于三维医学图像配准。同时，传统的刚性医学图像配准算法也得到了保留，并作为三维医学图像细配准前进行粗配准的关键步骤，用于减小之后的迭代轮数，降低三维医学图像配准的难度。自21世纪以来，伴随着硬件计算水平与互联网技术的不断进步，人工智能技术飞快发展，不但在学术界取得了大量的研究成果，而且在工业界被广泛应用。学术界大量的研究工作与工业界广泛的生产实际不断证明，医学图像配准在人工智能领域能够被很好的解决完善，并取得了相较于传统医学图像配准方法更好的效果[25]。在研究早期，Ming等学者在传统医学图像配准方法的基础上，运用卷积神经元网络（ConvolutionalNeuralNetworks,CNN）简化待配准医学图像对之间对应解剖结构的解剖学复杂度，进而对胸腔CT图像进而配准[26]。在同一时期，Marin等学者开发了一种轻量化全连接神经元网络医学图像配准模型，利用待配准医学图像对之间的局部相似性信息构建损失函数，进而经过一次前向传播得到配准所需的最优空间变换参数[27]。Ross等学者利用图像增强技术对待配准医学图像对进行随机形变，从而扩大训练数据集的规模，并运用公开的脑部MRI图像数据集对该想法进行了验证，为中小规模医学图像数据集在人工智能领域的研究工作指明了方向[28-29]。Stela等学者在满足一定条件的基础上开发了一系列针对全局变换的深度学习网络模型，其能够准确预测刚性配准所需的最优空间变换参数，并且与其他用于医学图像配准的深度网络模型进行了对比分析[30]。Richer等学者开发了一套基于深度学习网络模型的全自动医学图像配准算法，该算法无需任何人为操作，可以实现全自动的医学图像配准，对目标形变场进行精准预测[31]。此时，医学图像配准在人工智能领域的研究刚刚起步，大量方法均是基于监督式学习方法。然而，在实际情况下，待配准医学图像对之间的真实形变场往往是不存在的，并且是难以获得的。因此，监督式学习方法具有很大的局限性。由于待配准医学图像对之间的真实形变场往往难以获得，为了应对实际情况中存在的相关问题，很多学者在开发基于深度学习的医学图像配准算法时，将研究方向由监督式学习方法转向无监督式学习方法。2010年前后，Qiang等学者在肺部CT图像配准应用中开发了一套残差神经元网络非刚性配准模型[32]。Rerring等学者为了有效处理患者自身生理过程产生的运动，开发了一种无需标签的医学图像配准方法，并取得了较好的效果[33]。Tian等学者针对复杂的医学图像开发了一系列的降维手段进而简化深度学习网络模型的输入，从而更加快速、稳定的预测形变场[34]。Remrn等学者利用深度学习网络模型学习待配准医学图像对之间的相似性测度，进而预测最优空间变换参数[35]。Balakrishnan等学者开发了一种基于学习参数化的深度学习医学图像配准[36]。大多数无监督式深度学习方法只估计了从浮动图像到固定图像的单向变换，忽略了其反向过程，因此无法确保这些变换是否具有反向过程[37]。与国外相比，国内在医学图像配准方面的研究起步较晚。但是，自21世纪以来，经过国内医生、学者和众多研究机构日以继夜的辛勤工作，在医学图像配准领域国内也取得了可喜可贺的巨大进步。20世纪末，曾志华和侯玉轩研发了一种全新的非刚性医学图像配准模型，并以此为基础又进一步找到了一种能够实现复杂形变的医学图像配准方法[38]。21世纪初，刘天笑和王海波找到了一种基于局部特征和实时调整的非刚性配准模型，其能够有效找寻到医学图像配准所需的最优空间变换参数[39]。2002年，王璐、程峰和陈桂林共同研究出一种能够对多种不同模态的医学图像实现全自动非刚性医学图像配准的算法，并在外科手术导航系统中成功应用该算法辅助医生进行手术[40]。2005年，祝诗冉研究出一种以优良有度相似性测度为基础的全自动医学图像配准方法，并通过公认的人体颅骨三维数据集对其进行了实验验证[41]。2007年，刘树杰，周民勇和李芳芳共同研究出一种基于博弈对抗系统的医学图像配准方法，将博弈论中的相关思想应用于医学图像配准[42]。与此同时，在医学图像配准的发展道路上，大量国内的科研工作者依然奋战在科研一线，不断创新，不断探索。综上所述，国内外医学图像配准的发展迅速，取得了大量的科研成果。但是，现有医学图像配准算法在很多方面仍然存在着大量的缺陷，这些不足推动着医学图像配准继续不断向前发展。参考文献AndersonG.Theepidemiologyofspinaldisorders[J].AdultSpinePrinciples&Practice,1991.RampersaudYR,SimonDA,FoleyKT.Accuracyrequirementsforimage-guidedspinalpediclescrewplacement[J].Spine,2001,26(4):352-359.刘新刚.医学图像弹性配准新算法的研究[D].广州:第一军医大学,2006.范晶.基于边缘和角点的医学图像配准研究[D].兰州:兰州大学,2009.沈晔.计算机辅助医学影像诊断中的关键学习技术研究[D].杭州:浙江大学,2014.陈佳梅.乳腺浸润性导管癌计算机辅助的预后[D].武汉:武汉大学,2017.代茵.多模医学图像多通道变换融合技术研究[D].沈阳:东北大学,2014.罗述谦,周果宏.医学图象处理与分析[M].北京:科学出版社,2003.吕晓琪...医学图像配准技术与应用[M].北京:科学出版社,2015.PluimJ,FitzpatrickJM.Imageregistration[J].MedicalImagingIEEETransactionson,2003,22(11):1341-1343.RitterN,OwensR.Registrationofstereoandtemporalimagesoftheretina[J].MedicalImagingIEEETransactionson,1999,18(5):404-418.ZukTD,AtkinsMS.Acomparisonofmanualandautomaticmethodsforregisteringscansofthehead[J].IEEETransactionsonMedicalImaging,1996,15(5):732-44.LesterH,ArridgeSR.Asurveyofhierarchicalnon-linearmedicalimageregistration[J].PatternRecognition,1998,32(1):129-149.BrownLG.Asurveyofimageregistrationtechniques[J].AcmComputingSurveys,1992,24(4):325-376.AlmhdieA,CLéger,DericheM,etal.MultimodalmedicalimageregistrationusinganovelimplementationoftheICPalgorithm[J].IEEE,2015.贾春光,段会龙.医学图像的匹配方法[J].国际生物医学工程杂志,1998(3):140-149.MaurerCRJ,MaciunasRJ.RegistrationofheadCTimagestophysicalspaceusingaweightedcombinationofpointsandsurfacesimage-guidedsurgery[J].IEEEtransmedimaging,1998,17(5):753-761.ViolaP,IiiW.AlignmentbyMaximizationofMutualInformationInternationalJournalofComputerVision,2020,24(2):137–154.StudholmeC,HillD,HawkesDJ.AnOverlapInvariantEntropyMeasureof3DMedicalImageAlignment[J].PatternRecognition,1999,32(1):71–86.ChristensenGE,RabbittRD,MillerMI.(3D)Brainmappingusingadeformableneuroanatomy[J].PhysicsinMedicineandBiology,1994,39(3):609-618.Christensen,Gary,E,etal.Volumetrictransformationof