医学图像自动配准分析范文

本站小编为你精心准备了医学图像自动配准分析参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1医学图像标志点的自动识别

图像识别是二十世纪六十年代提出来的,美英等西方国家相继建立了自动目标识别(AutomaticTargetRecognitionATR)实验室,当时设想让导弹能够通过图像识别来自动寻找飞机、舰船和坦克等目标。二十世纪八十年代后,图像识别在许多领域得到了广泛的应用,取得了一些可喜的成果,例如,条码识别、车牌识别、人脸识别、指纹识别等。近年来,随着医学影像的发展,图像识别开始应用于医学领域,用来识别如细胞、病毒的种类或数量等。手术导航系统中用于成像的标志点有两种:一种是环形标志点,价格较贵,使用中的效果不好,正在逐渐被淘汰;另一种是球形标志点,在三维重建的过程中可能会产生稍微的形变。为了提高自动识别的可靠性和定位精度,在此使用区域相关景像匹配的方法,来识别球形标志点。取一个内含标志(记)点的小正方形作为模板,正方形的中央是标志(记)点,其余部分是背景。

用这样一个模板(小图像),在图像(大图像)中寻找与模板最为相像的小图像,使用的测度是两图像间的相关系数。模板相关匹配算法如下:(1)预设一个初值;(2)使用模板相关匹配算法,用这个小正方形在图像上遍历一次,如果相关系数小于初值,循环停止。否则,执行3;(3)如果相关系数大于或等于初值,那么相关系数最大的位置,就是所求的标志(记)点。将这个点去掉,转而执行2。立体定向手术计划系统中真实的患者图像,在这幅MRI图像中,这些点是由头框架两侧的有机玻璃内含的硫酸铜产生的,不太规则。有的点小些,有的点大些,有的亮,有的暗,如图1(a)。取下方中间的点为中心的9×9的小图像作为模板,采用区域相关景像匹配算法进行识别,选择合适的阈值后,能够在1s左右将所有的标志点识别出来,并且所有点都位于模板的中央。手术导航系统中另外一幅真实的患者图像,从图上可以看出两个标志点因存在稍微的形变都不够圆,取其中一个点作为模板来识别这两个标志点,算法在0.5s内将两个标志点准确无误地识别出来,对其它图像标志点的识别也是如此。因此,本研究提出的算法具有很强的适合性、可靠性、精确性。

2标志点的多维距离向量及其相关系数

前面通过识别在两个空间得到了两组坐标值(点),但是得到的这两组点是无序的,并不知道一个空间的一个点对应另一个空间的哪个点,因此必须找出两组坐标值(点)之间正确的对应关系,才能使用最小二乘法。现在的问题是:已知两组不同的坐标值,求出它们之间的对应点。解决问题的思路是这样的:根据刚体变换前后任意两点的距离保持不变这个性质,分别在两个空间中,求每一个标志点到其余各点的距离,对这些距离标量进行排序,并将它们作为分量组成一个向量。

这样,每一个标志点都可以惟一地表示为一个多维距离向量。图像空间N个标志点可以惟一地表示为N个多维距离向量,手术空间N个标志点也可以惟一地表示为N个多维距离向量。通过比较多维距离向量的相似性,就可以在两个空间中找到正确的点对。向量相似性的比较是通过计算向量间相关系数来实现的。

3标志点的自动配准

为求两个空间标志点的对应关系,不能用“=”来判别,由于存在测量误差,两个对应点的多维距离向量并不严格相等。因此需要间接地比较两点所对应多维距离向量的相关系数。相关系数的物理意义是:从整体上比较两个维数相同向量的相似程度。它是一个标量,取值介于0和1之间。

当两个向量各分量完全相同时,它的值为1;完全不同时,它的值为0。两个正确的对应点它们的多维距离向量具有最大的相似性。因而,求对应点问题,转化为求两个多维距离向量相关系数的最大值问题。图像空间N个标志点m1,m2,…,mN都对应一个惟一的多维向量S1,S2,…,SN,手术空间的N个标志点m′1,m′2,…,m′N也对应一个惟一的多维向量S′1,S′2,…,S′N,以图像空间的N个多维距离向量S1,S2,…,SN为行,以手术空间的N个多维距离向量S′1,S′2,…,S′N为列,以它们之间的相关系数为元素组成N×N矩阵。逐列求相关系数的最大值,最大值所处的行和列就说明标志点在两个图像空间与手术空间的对应关系。

例如,假如R(S′i,Sj)是该列的最大值,就表明手术空间的第i个标志点就是图像空间第j个标志点。这样,就间接地实现了两个空间标志点的自动配准。现以其中的一组数据为例,说明整个计算过程。按临床通常使用的标志点数,取8个标志点,即N=8。记图像空间的标志点为m1,m2,…m8;手术空间的标志点为m′1,m′2,…,m′8。首先,求出图像空间每个标志点m1~m8到其余标志点的距离,从而每个标志点都对应一个7维向量;其次,将7维向量的分量由小到大排列,这样每个标志点都对应惟一一个多维距离向量S1~S8;同理,可得手术空间标志点m′1~m′8的多维距离向量SS1~SS8。以图像空间向量S1~S8为行,手术空间向量SS1~SS8为列,在两个向量组的相交处求每两个向量的相关系数。

4实验结论采集

8个患者实际图像进行实验,每个图像组含有6~8个标志点。实验结果表明:图像空间中每一个标志点都准确无误地找到了在手术空间中对应的标志点,识别率100%,识别一个标志点需要的时间不到0.25s;配准的速度更快,配准所有的标志点只需0.02s,接近于实时,配准的精度可以达到1mm左右。将已知的两组对应点坐标值代入得到N个等式组成的线性方程组,用最小二乘法解这个线性方程组,可以得到刚体变换矩阵,从而实现从图像空间到手术空间的自动配准[3]。限于篇幅,在此不再详述。

综上所述,本研究提出的标志点自动识别和自动配准算法,精度高、速度快、可靠性强,基本实现了医学图像配准和融合的自动化。该功能用于手术导航系统中,能够提高配准精度,简化操作过程,节约配准时间;用于手术计划系统和多模图像融合软件中,能够实现配准和融合的自动化,完全满足临床的要求。