医学图像配准分类探究范文

本站小编为你精心准备了医学图像配准分类探究参考范文，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。

《计算机科学杂志》2015年第S1期

医学图像配准是医学图像处理的一个重要方面，该研究对疾病诊断和治疗具有重要的意义。近年来，大形变配准作为医学图像非刚性配准的一个重要方向取得了快速的发展，各种配准方法以其丰富的理论支撑为医学技术的发展提供动力，不断出现的研究成果使得该领域成为研究的热点。近年来，随着计算机视觉成像技术和医学工程的发展，医学影像学可以为临床诊断提供CT、MRI、fMRI、SPET、PET、DSA等图像。在临床上我们常见的癌症检测可视化就与图像配准息息相关。癌症最有效治疗阶段是在早期检测时，病人的生存概率依赖于检测期间的肿瘤大小。肿瘤越大，其在重要器官间转移的概率越大。早期发现肿瘤是治愈的关键。采用许多不同的成像方法对癌症进行检测和发现可疑损伤是必要的。这直接导致了检测和诊断癌症的方法替代了成像方式的调查，如超声、磁共振成像（MRI）、计算机断层扫描（CT）、正电子发射断层扫描（PET）、和单光子发射计算机断层扫描（规范T）等。每种成像技术都有自己的优点和缺点，在某种程度上提供互补的病理信息。获得器官图像的同时，在不同的时期或者不同的显像模式下，通常通过配准来帮助分析和可视化器官图像。图像配准应用很广泛，包括更好的双边或时间透视X光照片或通过预处理来增强MRI图像病变的可视化、斑点追踪和图像组合（即多视点图像的总和）在超声波中的检查、PET图像以及通过不同方式的融合获得的配准图像比对。同时，医学图像配准是医学图像处理领域中的一个重要和基本的研究课题，它是医学图像融合、医学图像重建、图像与标准图谱的匹配等研究的基础。建立模型是推进配准算法强有力的理论思路。根据生物体的物理特性，其所对应图像反映出不同的物理动态，依据这些模型揭示出图像的本质特性。综上，医学图像配准技术在临床上具有重要的应用价值，也是医学图像处理领域的研究热点。本文就医学图像配准的分类、具体变形模型的发展、配准方法的应用这3个主要方面，对医学图像配准算法的最新研究进展进行综述和讨论，并对各种模型算法的特点及典型应用进行比较和说明。

1基于处理流程的配准方法分类

1．1空间维度的分类待配准图像可以按照空间维数分为2D／2D、2D／3D以及3D／3D配准。2D／2D配准通常是指两个断层层面间的配准；2D／3D配准通常是指空间图像或投影图像间的配准；3D／3D配准是指两幅三维空间图像间的配准。2D／2D图像配准不具有回溯性，而2D／3D、3D／3D配准则可以突破这个局限［65］。但当2D扩展到3D时，参数个数和图像数据量也会增大，配准也会变复杂。

1．2配准特征的分类按照配准的特征，可以将配准分为基于外部特征的配准、基于内部特征的配准和基于非图像的配准。

1．2．1基于外部特征的配准外部特征顾名思义指的是加在病人身上的各种清晰可见、易检测到的人造标记，这种方法不需要复杂耗时的优化算法，因此配准过程简单易于实现，并且配准速度快。该方法的缺点是由于图像的成像阶段需要使用各种标记物，因此其无法实现回溯式图像配准。该方法具体可分为侵入式（如立体框架、植入式螺丝标记等）和无创的（如牙套、皮肤标记法等）。两种方式相比，非侵入式虽然对病人比较友好，但精度较低并且适用范围较小。基于外部特征的配准方法没有使用医学图像本身的特征信息，所以这种方法仅限于同一患者不同影像模式之间的配准，而不适用于患者之间和患者图像与图谱之间的配准。

1．2．2基于内部特征的配准内部特征指的是医学图像中能反映患者的生理结构或病灶的形状、大小以及能反映图像像素灰度的内在信息。基于内部特征的方法具有回溯性。内部特征来自于病人的图像信息，具体可分为基于标记点、基于分割和基于灰度信息的图像配准。点特征可以是解剖形态上明显可见的标记点，也可以是具有局部曲率极值的几何标记点。基于标记点的图像配准理论上可以用于任何图像，但常用在刚体和仿射变换中。如果特征点数目足够多，也可以用来实现复杂的弹性变换。基于分割的图像配准通常是从图像中分割出具有一定语义结构的线段和曲面，其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就是配准精度受分割效果的限制，除了分割部分，算法可以做到全自动化。基于灰度信息的配准方法是把图像内部的灰度信息值作为配准依据，灰度信息的利用方式有两种：1）根据图像的灰度信息统计量，将图像灰度简约成典型的矢量集，然后对这些矢量进行配准（如矩和主轴法）；2）在配准过程中直接使用整幅图像的灰度信息（如灰度方差最小化法、互信息法、互相关法）。当然，灰度信息配准方法对图像数据的缺失较为敏感。

1．2．3基于非图像的配准对多峰图像进行非图像配准看起来似乎是不可能的，但这种方法是通过校准两个扫描器的成像坐标系统来实现的。一般使两个电子扫描器位于相同的物理位置，并且在获得两幅图像的过程中患者保持不动。这在临床中是可以实现的，如超声波通过光学定位系统很容易进行校准，之后再与CT／MR进行校准。坐标系的校准技术也常用于将安装在机械手上的外科工具位置定位到配准图像上。

1．3成像模式分类按照图像的成像模式不同，可将成像模式分为单模态图像配准和多模态图像配准。单模态图像配准是指浮动的两幅图像是用同一种成像设备获得的，它主要应用于不同的MRI加权图像间的配准、电镜图像序列的配准、FMRI图像序列的配准等。多模态图像配准是指浮动的两幅图像来源于不同的成像设备，如CT和MRI图像的配准。

1．4研究对象和配准部位分类研究对象按图像来源可以分为3类：1）同一患者的图像配准；2）不同患者的图像配准；3）患者和图谱间的配准。

1．5交互性配准过程按交互性可分为人工配准、半自动化配准和全自动化配准。人工配准完全由人工凭借经验进行，信息输入计算机后实现的只是显示工作，不需要复杂的配准算法；半自动化配准需要人工给出一定的初始条件，如人工勾画出轮廓、控制优化参数等；全自动化配准不需要人工干预，由计算机自动完成。

1．6相似性测度医学图像配准的相似性测度与特征空间、搜索空间紧密相关。相似性测度可以基于特定同类特征间的距离，也可以基于待配准图像间灰度值的差别。因此，图像配准方法又可以分为基于像素相似性的配准和基于特征相似性的配准两大类。

1．6．1灰度差异的配准测度灰度差异的配准测度主要包括最小化灰度均方差（SSD）和最小化灰度差值的绝对值（SAD）两种测度。SSD和SAD是两种简单、直接、容易实现的度量图像差异程度的相似性测度方法，可以取得快速配准的效果，但是仅仅适用于单模态且灰度差异相对较小的医学图像。

1．6．2互信息的配准测度互信息是信息论的一个基本概念，用于描述通信系统的接收端在噪音的干扰下所获取的关于发送端的信息的多少。互信息可用于图像配准的理论依据是：如果两幅图像已经配准，则它们的互信息达到极大值。相互交流信息，可以使用参数化和基于特征的配准来解决对应问题。配准多式联运图像是艰巨的任务，但往往需要解决，特别是在医疗成像方面。

2基于图像特征的配准方法分类

2．1基于特征的配准方法特征可以是特征的标记点、分割区域的质心、轮廓、表面、容积等，或是以上几种的组合。

2．1．1基于点的方法两幅图像对应的点集确定后，对这些标志点进行配准，图像也就配准了。BrianC．Porter等利用MR图像中的脉管作为标记点对两幅图像进行空间三维配准。Rangarajan等对待配准的两幅图像提取出形状特征点的集合，然后利用互信息法来达到配准。而后周永新等对该法引入人机交互，避免了局部极值，缩短了优化过程。由于很多图像配准技术只适用于图像间小角度的旋转（约0°～5°），周鹏等提出了一种适用于大角度旋转的图像配准，该方法适用于刚性变换。

2．1．2基于面的方法基于面的配准方法中最典型的就是头帽算法。即从一幅图像中提取一个表面模型称为“头”，从另一幅图像中提取的轮廓点集称为“帽”。用刚性变换或选择性的仿射变换将“帽”的点集变换到“头”上，然后采用优化算法使“帽”的各点到“头”表面的均方根距离最小。多分辨率金字塔技术可克服局部极值问题，PoWeII探索算法被用来寻求所需的几何变换，用距离变换拟合两幅图像的边缘点，斜面匹配技术可有效地计算距离变换。

2．2基于矩的方法矩的方法［34］也出现在分类配准方法中，使用分段或二值化图像数据作为输入。在许多应用中，矩的方法是为了强制性地预分割以产生可接受的结果。

2．3基于灰度的方法

2．3．1最大互信息配准法互信息量是两个随机变量统计相关性的一种测度，该测度近年来已经被广泛应用于多种图像的配准。用2个变量的联合概率分布与完全独立的概率分布的广义距离作为变量之间的相似性测度，即互信息（MI）。当含有相同内容的两幅图像通过几何变换在空间对齐时，它们包含的灰度值互信息量最大，因此互信息量最大化可以作为图像配准准则。最大互信息的配准过程实质上是搜索最佳的几何变换参数，使两幅图像的互信息达到最大。

2．3．2相关法对于同一物体由于获取条件的差异或物体自身空间位置的改变而产生的单模图像配准问题，常常使用互相关法。互相关值的大小反映配准的效果。互相关法是找出各图像之间相关性最大的空间变换参数来实现图像的配准，该方法通过优化两幅图像间的相似性测度来估计空间变换参数。相关函数、相关系数、差值的平方和等都可以作为相似性测度。赵富强等用基于图像特征（“脊”或“谷”）的相关性算法对三维CT－MR图像进行了配准。罗纲等则以传统的Umeyama点集相关度量为基础，结合Procrustes正规化配准方法，提出了一个新的图像特征点集配准的加权相关算法。ShunichiKaneko等提出了一种选择性相关系数法，以用于光照条件不好或曲线不完全闭合的图像配准。秦斌杰等对基于体素配准中广泛采用的相似性测度（SM）进行了比较研究，认为在配准条件极不理想的条件下，基于互信息、归一化互信息、相关比的SM是最为适用的。但基于互信息对多模医学图像进行配准时，在得到几何变换的优化过程中容易陷入局部最优；而基于相关性进行多模医学图像配准时，考虑了在表现人体组织结构时体素灰度值范围的近似量化，易得到全局最优值。此外还有许多其他配准方法，如最大相似性法、基于FFT的方法、能用于大尺度变形的流体动力学法、局部频率法和由粗到精进行迭代的金字塔法等。

3基于变形模型的配准方法分类

3．1基于物理的模型弹性配准技术依赖于需配准目标的物理模型，配准过程即是把源图像到目标图像的变形看作一个与弹性材料如橡胶的拉伸相似的物理过程，这个物理过程由两个力支配：弹性体的变形产生的内力和施加在弹性体上的外力。如果内力和外力达到平衡，弹性体的形变将停止。外力是施加在弹性体上的力，驱动配准过程；外力通常选择相似性量度标准的梯度，如基于强度、强度差分或强度特征如边缘和曲率的一个局部相关量度，此外还可选择相应解剖结构曲线和曲面间的距离作为外力。SteliosKrinidis等在序列切片的重建中用到了基于物理模型的非刚性配准。该物理模型包含4个用环形结构采样的有效块，在该有效块上环绕2D目标切片有一个圆。每一个模型结点有一个块m与它的两个邻接点相联通，邻接点具有硬度为k的相同弹性，常数k和m描述了模型的物理特性。模型结点是力平衡的目标轮廓点，不表示内部的目标区域；为目标轮廓建模后，用特殊仿射矩阵确定连续切片的轮廓点的对应性，并且自动消除无意义的点的对应性；最后，完成非刚性配准的过程。

3．1．1弹性体模型弹性模型由Broit首次提出，该模型将源图像到目标图像的形变过程建模为一个弹性形变的物理过程。这个物理过程由内力和外力两种力来控制，当作用于弹性体上的外力和内力达到平衡时，形变过程结束。J．Rexilius等提出了基于弹性变形模型的非刚性配准算法。他们用非线性扩散滤波器平滑图像后计算图像梯度，选取高于梯度平均值两个偏差的像素点作为特征点，用局部归一化互相关（NormalizedCross－Correlation，NCC）作为相似性测度计算特征点的稀疏变形估计量，该估计量作为外力引入建立的弹性模型。弹性体的形变可以由Navier线性方程来描述。由于弹性变换模型一般适用于组织形变较小的情况，不适用于大形变，近年来有关学者结合黎曼弹性能量和微分流形的理论对线性弹性模型进行改进，使其适用于非线性弹性形变的配准。

3．1．2曲率配准曲率模型基于形变由平衡微分方程描述，其优点是不需要对放射线性变换做补偿计算。目前该方面的研究集中在方程求解方面。该方法可以有效地解决不存在明确对应关系的点云配准问题，提出了一种基于点云几何特征的配准算法。首先以点云的曲率为联系特征，搜索配准点云的匹配对集合；然后利用邻域特征对各匹配对进行相似性度量，提取有效配准对，并引入刚体变换中向量几何性质剔除其错配对，生成点云初变换；仿真实验结果表明：该算法具有较高的配准精度，且配准时间较短。

3．2弹性体样条样条是一类分段（片）光滑并且在各段交接处也有一定光滑性的函数。样条形成的曲线在连接点处也具有连续的坡度与曲率，所以在图像配准领域有广泛的应用。样条配准的技术均是假设在源图像和目标图像上已经存在一组对应点，这些对应点通常称作控制点。基于样条的方法使用插值逼近获得从目标图像到源图像对应点的位移量，在控制点之间，样条提供了一个平滑的变位移域。

3．3流体模型粘流体模型由Christensen等人提出。由于应力引起的变形能量与变形强度呈比例增长，基于弹性变换的配准存在着局部变换不能够模型化的局限性。在流体配准中，这些约束随着时间放宽，使得包括拐角的局部变形都能够模型化。因此在多主体配准工作（包括图谱配准）中，由于存在大的变形和大的可形变度，流体配准很有吸引力。同时，由于流体配准有很多的自由度，图像重合失调的范围也随之增加。该模型允许更大程度的形变，特别适合不同个体之间（Inter－sub－ject）包括图谱之间的配准。Christensen建议用连续性超松弛（SuccessiveOver—Re－laxation，SOR）方法解偏微分方程，但是，这个算法运行相当慢，需要很长时间，BroNielsen等人提出了一个较快的实现方法，通过从线性弹性算子的本征函数派生卷积过滤器来求解。但是，通过卷积求解偏微分等式时认为粘滞度是一常量，虽然有些情况下并不满足此条件。例如，Lester提出了一种模型，允许流体的粘滞度在空间上发生变化，因此对于图像的不同部分考虑不同的形变度，这样偏微分等式必须通过传统的数值算法来获得，如SOR。YongmeiWang等把统计形状信息融合到流体配准中，统计形状信息表现为偏微分方程的一项，通过SOR求解。

3．4Demons力模型配准Demons力模型源于热物理学的例子扩散研究。目前最著名的非刚体算法是基于光流场模型的Demons算法。不同于光流场配准方法，Demons算法没有直接使用光流场方程，而是借用光流场概念由Demons力推动像素点的位移。该算法将图像配准问题看作物理学中的扩散问题，把固定图像中对象的边界看作半透膜（SemiPermeableMem－branes），而将浮动图像视为可形变的网格（DeformableGrid）。形变网格在位于薄膜中的受动器（Effectors）的作用下进行扩散。在计算机视觉领域，光流场概念的最初引入是为了恢复目标和观测者在一个瞬时图像序列的两个连续帧之间的运动。Demons算法判断出浮动图像上各个像素点的运动方法，通过对各个像素点的移动来实现非刚体配准。De－mons算法也是一种基于梯度的算法，所有基于光流场模型梯度的方法不仅效率高、易于实现，而且能够得到比较精确的瞬时位置速度。基本假设是一个特定点的亮度保持为常数。Hellier等人提出了一种基于光流场的算法，该算法用一个包含相似性测度和平滑项的代价函数作为健壮性估计量。变形域首先被分割成立方体，立方体再分割成基于分割模板和变形性质信息的子立方体，在每个立方体内，用仿射变换为变形域建模。整个过程不依赖任何解剖信息，如光流场算法的一个常见问题是重新排列脑间沟和脑回。深层脑结构的拓扑和形状目标之间是相似的，但在皮质层有很大变化。为了解决这个问题，Hellier等人增大他们的代价函数，即使之包含两个图像体上由均匀脑回间沟得到的稀疏约束项。用活动带从图像中提取脑回间沟，健壮性估计量依赖于允许的配准，回间沟并没有把目标间的分割误差和拓扑差分考虑在精确的匹配内。在Thirion正则化方法的框架下，Hartmann提出了一种包括回间沟约束的相关方法。但是，当图像的运动速度较快时，微分方法误差很大，甚至是错误的。正是由于这样的优点和缺点使得Demons算法成为研究的热点，进而成为著名的方法，之后有一系列的重要改进算法出现，如Addi－tiveDemons算法、SymmetricDemons算法、Diffeomor－phicDemons及其系列相关算法等。

3．5扩散模型的微分同胚的配准扩散模型基于形变由扩散方程决定。在文献中，Thirion首次提出扩散模型与Demons算法。基于该模型与微分流形以及其它模型结合的研究取得了较好的进展。微分同胚流模型基于形变速度场数学表示。该模型的优势在于解决大形变问题（LargeDeformationDffeomorphicMetricMapping，LDDMM）。但对于形状变化较大时该类方法存在适应性不佳的问题，同时计算量较大。微分同胚非刚性配准与小形变模型的主要差别在于它所得到的映射是个微分同胚微分同胚这样的映射具有光滑可逆的性质且逆映射也是光滑的，所以表达这种映射的形变场中每一整数网格点的雅克比行列式值都大于零。微分同胚非刚性配准的最大优点是保持图像的拓扑结构在配准前后不发生改变：图像中原来分离的解剖结构配准后仍保持分离；原来连续的结构仍保持连续；平滑的解剖特征如某些曲线或曲面仍保持平滑。它的另一个优点在于微分同胚的任意次复合仍为微分同胚。另外，它对大小形变均适用。

4结束语

医学图像配准是一项比较复杂和困难的课题，本文综述了近年来医学图像配准发展中的典型技术。目前，非刚体的图像配准技术同刚性图像相比还不成熟，这使得我们不得不在精确度、速度、自动化程度等方面加以取舍。另外，在手术过程中对人体器官进行实时配准已经成为医学图像配准的主要应用之一，这就要求医学图像配准要具有实时性和准确性，同时有效的、全自动的配准策略须向快速和准确的方面发展，使用最优化策略改进图像配准以及对非刚性图像配准的研究是今后医学图像配准的方向发展。

作者：刘益含 闫德勤 刘彩凤 单位：辽宁师范大学计算机与信息技术学院