|
|
|
文献综述： |
|
1 医学图像配准简介 在做医学图像分析时 ,经常要将同一患者几幅图像放在一起分析 ,从而得到该患者的多方面的综合信息,提高医学诊断和治疗的水平。对几幅不同的图像作定量分析 ,首先要解决这几幅图像的严格对齐问题 ,这就是我们所说的图像的配准。医学图像配准是指对于一幅医学图像寻求一种 (或一系列 )空间变换 ,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。配准的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的点及手术感兴趣的点都达到匹配。医学图像配准技术是90年代才发展起来的医学图像处理的一个重要分支。医学图像配准技术主要讨论的是数据获取后的配准。当前,国际上关于医学图像配准的研究集中在断层扫描图像(tomographic images, 例CT、MRI、SPECT、PET等)及时序图像(timeseriesimages,例如 fMRI及 4D心动图像)的配准问题。 2. 2图像配准发展历程 Brown[1]于1992年最早发表了关于图像配准的综述文章，随着图像配准技术在医学领域的研究和应用，Elsen[1]和Maurer[1]分别在1993年发表了关于医学图像配准的综述文章，至1998年Maintz[2]等对医学图像配准方法又作了一次全面的总结。其后，针对医学图像配准过程中的具体技术，又出现了各种专题的文章综述，如：2003年，Pluim[3]针对基于互信息的医学图像配准方法进行了详尽的回顾和总结；近几年，对医学图像配准的研究则朝向更深入和更实用的方向发展。 总的看来，医学图像配准经过了三个发展阶段，90年代初，主要采用基于外部特征的配准方法，它分为侵入式[4]和非浸入式[4]。浸入式采用基准物 和立体标架来设置标记点，非侵入式则采用面膜法和皮肤标记法设置标记点，再用自动、半自动或者交互式的方法利用标记点将图像配准。这种方法当时主要针对单模态的二维图像进行刚性配准，其优点是配准算法简单，可靠性高，但是每次扫描前的人工操作如固定定标架不仅给患者带来痛苦和不便 也大大增加了总体诊断时间，而且不适用于患者之间或者患者图像与图谱之间的 配准，不能对历史图像做回溯性研究，或者说这种方法不能做可回溯性配准。这一时期，另外一种常用的方法是采用基于像素灰度的方法，通过检测相关性和灰度值的差异来决定刚性变换的参数；常用的方法有灰度方差最小化法[5]，最小划分灰度一致性、互相关法，其优点是不需要对图像进行预处理和特征提取，但对图像数据的缺失较为敏感，而且最佳配准参数的搜索复杂，计算量较大。到了90年代中期，主要采用基于内部特征的方法对医学图像进行配准，仍然 以刚性变换为主而且主要集中在二维领域。例如基于图像几何结构的配准方法， 就是通过图像分割提取图像中的点、2D轮廓线、3D曲面等几何结构作为参考特征，然后利用这些特征对的位置变化来确定图像变换的参数，其典型方法有迭代近邻 点法ICP法[6]和“头帽法”[7]。这种配准方法的优点是待配准的数据由全部图像数据降低为少量的特征数据，大大地减少了计算量，加快了配准过程；但是其配 准精度受制于特征提取的准确性，配准精度受到影响，而且特征提取本身也是一个比较复杂的过程。 从90年代末开始，在医学图像配准领域，人们把更多的目光投向了配准过程 中的非线性变换的研究。这是因为配准图像的变形特别是局部变形多数是非线性的，需要用非线性变换模型来描述这种形变过程。常用的一种方法是使用径向基 函数(如多项式、薄板样条TPS、B样条、小波基函数等)来表示形变域； 另一种方法则是使用物理学中的机械力学模型，用Navier偏微分方程[8]来描述形变的平衡状态，如弹性形变方程、流体力学模型、光流学模型等。 这些方法试图解决发生了非刚性形变的人体部位的图像配准问题。这一时期基于像素灰度的配准方法也得到了发展，典型代表是基于最大互信息的配准方法。特别是以互信息为测度的非刚性配准，当其中一个图像数据出现一定的缺损 时也能得到良好的配准效果。尽管这种方法的运算量比较大，可以由于它可用于多模态图像之间的配准，能实现自动的医学图像配准，并且具有较高的配准精度因而得到了广泛关注。 近几年来医学图像配准的研究更加趋向深入、细致和系统化，配准对象也从二维图像发展到三维多模医学图像，并向高层次应用如图像引导放射治疗的方向发展。例如：将多分辨率技术引入到医学图像配准，使用多分辨率图像金字塔(如小波金字塔)来进行由粗到精的搜索变换系数，提高计算效率、避免局部 极小值，实现自动的更精确的配准结果；使用归一化互信息代替最大互 信息作为相似性测度，可改进对两幅图像覆盖程度的影响；将图像梯度、边缘特征与互信息相结合可以提高基于互信息的配准方法的鲁棒性。又如：在配准参数搜索环节，针对复杂的目标函数，引入遗传算法、粒子群算法等智能优化方法代替最速下降法、共轭梯度法、单纯性法、牛顿法、拟牛顿法等 传统优化方法]来避免目标函数陷入局部极值。再如：Modersitzki[9]从数学的角度将医学图像配准分为参数配准和非参数配准。在非参数配准中，图像 变换不再是显式表示，所有像素在X方向及Y方向上的位移集合构成了图像的变换，这种方法便于直接利用数学中的研究成果来求解，例如通过某种规则化对图像变换加以约束，从而对相似性测度增加一定的惩罚，使得所求的解更合理。 3医学图像的配准方法 医学图像的配准方法可以分为刚性配准和非刚性配准两大类[10]。刚性配准是寻找一个六自由度（三个旋转，三个平移）的变换，使得源图像中的点映射到目标图像中的对应点。经过多年的发展，用于同一模式和不同模式的刚性配准算法已经成熟，可以达到很高的配准精度，并且能够临床应用。然而，刚性配准只适用于不存在变形或刚性体的配准，如：由于大脑的变形 基本上被颅骨限制，所以同一患者的大脑图像可以通过刚性变换来联系。对于患者和图谱之间的匹配，不同患者之间的配准以及存在变形的配准（肿瘤，开颅手术等）刚性配准都是不适用的。医学图像配准中刚性体的配准只是很小的一部分，许多重要的临床应用需要非刚性变换来描述图像之间的空间关系。如，在图像引导的神经外科和立体定向放射治疗中，为了提 高定位的准确性和自动化程度，需要将患者的图像和标准图谱 进行配准。在比较不同个体或人群大脑的形状和功能的研究 中，以及建立大脑的统计模型和图谱时，需要将不同患者的图像进行配准。在研究腹部以及胸部脏器的图像配准中，由于不自主的生理运动或患者移动等使其内部的器官和组织的位置、尺寸和形状发生改变，以及在图像引导手术中由于干涉引起的组织变形，需要非刚性变换来补偿图像变形。所有这些都需要采用非刚性的配准方法。 3.1 非刚性图像配准的基本方法 非刚性配准方法主要有基于空间变换的配准方法和基于物理模型的配准方法两大类。基于空间变换的非刚性配准方法，采用图像的空间变换来拟合图像的变形。常用方法有多项式法、基函数法、样条函数法等。在基于物理模型的配准方法中，不同图像之间的差异被认为是由一种物理变形引起的。基于物理模型的配准方法就是构造能够拟合这种变形的物理模型。主要的物理模型有弹性模型、粘性流体模型和光流场模型。 3.1.1基于空间变换的配准方法 基于空间变换的非刚性配准方法，采用图像的空间变换来拟合图像的变形。主要的配准方法有基于多项式、基函数和样条函数的配准方法。 Xiaoqi Lu等人[11]提出基于二次多项式的变换模型：系数确定了一个空间变换的 30 个自由度。类似于这种形 式，可以扩展为高次多项式如三次多项式。然而，它们补偿解剖形状改变的能力通常非常有限，只能模拟全局形状改变，不能调整局部形状改变。另外，高次多项式倾向于导致赝象如振动。因此高次多项式很少用于非刚性配准。 为了代替使用多项式作为高次项的线性组合，Tom Vercauteren等人[12]提出使用一组基函数的线性组合来描述变形场。通常用一组正交的基函数，如傅立叶（三角）基函数或小波基函数的线性组合描述变形场。 3.1.2基于物理模型的配准方法 在基于物理模型的配准方法中，图像之间的差异被认为是由某种物理变形引起的，基于物理模型的配准方法就是构造能够拟合这种变形的物理模型。主要的物理模型有弹性模型、粘性流体模型和光流场模型. 弹性配准方法首先由Bajcsy等人[13]提出，用于大脑图谱和人体CT图像的匹配。思路是将源图像到目标图像的变形过程建模为一个物理过程，类似于拉伸一个诸如橡皮的弹性材料。这个物理过程由两种力来控制，内力和外力。内力是由于弹性材料的变形和抵消任何使弹性体从平衡形状变形的力产生的。外力是外界作用于弹性体的力，当作用于弹性体上的外力和内力达到平衡时变形过程结束。基于弹性变形的配准，由于压力导致变形能量随变形强度 按比例增加，它不能模拟高度的局部变形，具有一定的局限性。 Christensen等人[14]提出了粘性流体模型, 在流体配准中，源图像被建模为粘性流体，流体在内力的 作用下去拟合待配准的图像。经过一段时间后，内力消失，流体 停止流动。内力在图像随着时间变形的过程中释放，使得能够 模拟包括转角的高度局部化的变形。因此流体配准能够提供大 变形和更大程度的可变性，特别适合不同个体之间（包括图谱匹配）的配准。 光流场模型[15]: 光流的概念首先是在计算机视觉中提出的，为了补偿时序图像的两幅连续帧之间物体和视点的相对运动。光流场模型的要点如下： （1）基于微分流动估计； （2）从源图像流动到目标图像； （3）配准过程是全自动的； （4）采用仿射模型； （5）允许源图像和目标图像之间强度变化 4总结 非刚性医学图像配准是医学图像处理的重要研究课题。对于肺部的图像配准，不同个体之间的配准以及图谱配准，都需要采用非刚性的配准方法。已经提出了基于样条的配准方法、弹性配准模型、粘性流体配准模型及光流场模型等多种方法来解决这个问题，但同刚性配准相比，非刚性配准还不成熟。如何建立合理的变形模型，适合各种复杂的组织变形，如何提高非刚性配准的计算速度、配准精度以及对非刚性配准的评估都需要进一步的研究。在今后的医学图像处理与分析研究中，非刚性配准仍然是一个有意义的非常活跃的研究领域。 参考文献： [1]王海南《非刚性医学图像配准研究综述》,华中科技大学学报（自然科学版）.10（31）.2010 [2]许鸿奎《医学图像配准关键技术研究》,《计算机应用》.VbL26(1) : P163-168.2011. [3]张红颖《医学图像配准算法研究》 ,《电脑开发与应用》.(11).2010. [4]周亚平《图像配准技术研究》,工程图学学报(1).2011. [5]张锐娟《图像配准理论及算法研究》,《计算机工程与应用》(2）.2012. [6]Min Li, E.C., Xiao-Lin Zheng, Hong-Yan Luo, Richard Castillo, Yi Wu, Thomas Guerrero, Modeling Lung Deformation: A Combined Deformable Image Registration Method with Spatially Varying Youngrsquo;s Modulus Estimates. Medical Physics,40(8):081902.7.2013. [7]Xuejiao Chen, Jiaxi Hu, Huiguang He,et al.Spherical volume-preserving Demons registration ,58:99-104.2015.
[8]B. Liu, X. Bai, F. Zhou, et al,Mutual information based three-dimensional registration of rat brain magnetic resonance imaging time-series, Computers amp; Electrical Engineering, 39(5): 1473-1484,2013.
|
