医学图像配准技术探究.docVIP

医学图像配准技术1、医学图像配准方法 　　医学影像学的发展为临床诊断和治疗提供了有效的辅助手段。目前，医学成像模式可分解剖成像和功能成像，前者主要描述人体形态信息，后者主要描述人体代谢信息。基于各种原因，临床上通常要将同一病人的多种模式成像结果结合起来进行分析，以提高医学诊断和治疗的水平。这就需要对不同模态的图像进行融合，而融合首先要解决这几幅图像的严格对齐问题，即配准问题。医学图像配准，即通过寻找一种空间变换，使两幅图像的对应点达到空间位置和解剖位置的完全一致，配准的结果应使两幅图像上所有解剖点、或至少是所有具有诊断意义上的点都达到匹配。医学图像配准方法基本上可分为前瞻性和回溯性两种[1]。前瞻性配准是基于外部特征的图像配准(有框架)，它是利用外部基准点特征，精度较高，但由于它是有创的，且操作较复杂，应用较少。回溯性配准即是基于内部图像特征的图像配准(无框架)，它是利用图像内部本身的特征，具有无创性和可回溯性，已成为配准算法研究的重点。回溯性配准技术可分为形状特征点的方法和像素(体素)相似性的方法。基于形状的方法根据图像间的共有特征进行几何配准，该方法原理简单，应用面广，但是需要较多的人工介入，且配准精度受特征点(面)提取精度的限制;基于像素相似性的方法是基于图像中所有体素的配准方法，不需要对图像做预处理。近年来，引入了信息论中的一些概念，如联合熵、相对熵和互信息[2]，精度较高，可以达到亚像素级，已成为医学图像配准很重要的方法。互信息是信息论中的一个基本概念，是两个随机变量统计相关性的测度，当两幅图像基于共同解剖结构的图像达到最佳配准时，它们对应像素的灰度互信息应达到最大。由于该测度不需要对不同成像模式下图像灰度间的关系作任何假设，也不需要对图像进行分割或任何预处理，所以被广泛地用于多种医学图像配准，特别是当其中一个图像的数据部分缺损时也能得到很好的配准效果。 　　2、互信息基本概念 　　将两幅待配准的图像RF图像和FA图像的灰度值看作两个随机变量A和B，其灰度值为0～255，其概率密度函数分别为和，两者的联合概率密度函数为，则随机变量A和B的互信息可以表示为:I(A，B)=H(A)+H(B)-H(A，B)(1)其中H(A)、H(B)和H(A，B)为随机变量A与B的个体熵和联合熵，其定义为:H(A)=-Σapr(a)logpr(a)H(B)=-Σbpf(b)logpf(b)a，b[0，255]H(A，B)=-ΣaΣbprf(a，b)logprf(a，b)(2)根据样本集2个随机变量之间互信息计算的Dobrushin公式[3]，可以推导出互信息的计算公式为:I(A，B)=Σa，bprf(a，b)logprf(a，b)pr(a)pf(b)(a，b[0，255])(3)其中:pr(a)和pf(b)也称为边缘概率密度，可由联合概率密度求得，即pr(a)=Σbprf(a，b)pf(b)=Σaprf(a，b)(4)对于联合概率密度的估计，采用直方图的方法进行。设表示随机变量A和B的二维联合直方图，则其联合概率密度prf(a，b)的估计为:prf(a，b)=h(a，b)Σa，bh(a，b)(5)在医学图像配准中，虽然两幅图像来源于不同的成像设备或来自于不同的时间，但它们都是基于共同个体的同一位置的解剖信息，所以当两幅图像在空间位置配准时，其重叠部分所对应的像素对的灰度的互信息达到最大值，以此时的变换参数作为空间变换的参数，通过空间变换达到图像配准的目的。 　　3、归一化互信息 　　尽管互信息测度成功地应用于医学图像配准中，由于两幅图像重叠部分的大小对互信息的度量有很大影响，重叠部分减小，参与统计互信息的像素个数减小导致互信息值减小，互信息与两个图像重叠部分多少成正比，其次Studholme等[4]指出误配数量增加可能导致互信息值增大。因此互信息值达到最大并不能保证得到正确的配准结果。为了解决这个问题，使目标函数能更加准确反映互信息量和配准参数之间的关系，Studholme等提出了一个归一化互信息测度，归一化互信息使配准函数更平滑，它能减少对图像重叠部分敏感性，配准精度更高。NMI(A，B)=H(A)+H(B)H(A，B)(6)Maes等[1]利用熵相关系数(ECC)作为另一种归一化相关系数。NMI和ECC有如下关系表示式:ECC=2-2/NMI(7)近年来归一化互信息被许多学者广泛应用，实践证明，在刚性配准中，归一化互信息比传统互信息有更强的稳健型[5～7]。 　　4、利用互信息配准常用方法 　　互信息的计算是最为关键的问题，计算结果对配准精度有很大的影响[8]。主要体现在插值运算、优化算法及提高配准速度等3个方面。Zhu和Cochoff[9]研究了采用不同的优化算法、插值方法、直方图及多尺度逼近方法对配准结果的影响。目前，虽然提出了许