發(fā)布時(shí)間：2015-12-04所屬分類：醫(yī)學(xué)論文瀏覽：1次
摘 要： 正確認(rèn)識(shí)仙子醫(yī)學(xué)圖像配準(zhǔn)先技術(shù)，在醫(yī)學(xué)圖像中的新應(yīng)用發(fā)展方式有哪些呢，同時(shí)有關(guān)醫(yī)學(xué)圖像總的新技巧有什么影響及意義呢。我們也知道目前醫(yī)學(xué)圖像配準(zhǔn)，即通過(guò)尋找一種空間變換，使兩幅圖像的對(duì)應(yīng)點(diǎn)達(dá)到空間位置和解剖位置的完全一致，配準(zhǔn)的結(jié)果應(yīng)使兩幅
正確認(rèn)識(shí)仙子醫(yī)學(xué)圖像配準(zhǔn)先技術(shù)，在醫(yī)學(xué)圖像中的新應(yīng)用發(fā)展方式有哪些呢，同時(shí)有關(guān)醫(yī)學(xué)圖像總的新技巧有什么影響及意義呢。我們也知道目前醫(yī)學(xué)圖像配準(zhǔn)，即通過(guò)尋找一種空間變換，使兩幅圖像的對(duì)應(yīng)點(diǎn)達(dá)到空間位置和解剖位置的完全一致，配準(zhǔn)的結(jié)果應(yīng)使兩幅圖像上所有解剖點(diǎn)、或至少是所有具有診斷意義上的點(diǎn)都達(dá)到匹配。醫(yī)學(xué)圖像配準(zhǔn)方法基本上可分為前瞻性和回溯性兩種。本文是一篇醫(yī)學(xué)論文。
摘要：近年來(lái)，引入了信息論中的一些概念，如聯(lián)合熵、相對(duì)熵和互信息，精度較高，可以達(dá)到亞像素級(jí)，已成為醫(yī)學(xué)圖像配準(zhǔn)很重要的方法。互信息是信息論中的一個(gè)基本概念，是兩個(gè)隨機(jī)變量統(tǒng)計(jì)相關(guān)性的測(cè)度，當(dāng)兩幅圖像基于共同解剖結(jié)構(gòu)的圖像達(dá)到最佳配準(zhǔn)時(shí)，它們對(duì)應(yīng)像素的灰度互信息應(yīng)達(dá)到最大。當(dāng)兩幅圖像配準(zhǔn)時(shí)，需要根據(jù)變換參數(shù)求出空間變換，浮動(dòng)圖像的空間變換按照變換性質(zhì)不同可分為剛體變換(rigid)、仿射變換(affine)、投影變換(projective)和非線性(curved)變換。
關(guān)鍵詞：醫(yī)學(xué)圖像,醫(yī)學(xué)圖像技術(shù),醫(yī)學(xué)論文投稿
1、醫(yī)學(xué)圖像配準(zhǔn)方法
醫(yī)學(xué)影像學(xué)的發(fā)展為臨床診斷和治療提供了有效的輔助手段。目前，醫(yī)學(xué)成像模式可分解剖成像和功能成像，前者主要描述人體形態(tài)信息，后者主要描述人體代謝信息。基于各種原因，臨床上通常要將同一病人的多種模式成像結(jié)果結(jié)合起來(lái)進(jìn)行分析，以提高醫(yī)學(xué)診斷和治療的水平。這就需要對(duì)不同模態(tài)的圖像進(jìn)行融合，而融合首先要解決這幾幅圖像的嚴(yán)格對(duì)齊問(wèn)題，即配準(zhǔn)問(wèn)題。
論文網(wǎng)推薦：《中國(guó)醫(yī)學(xué)影像技術(shù)》,《中國(guó)醫(yī)學(xué)影像技術(shù)》本刊是由中國(guó)科學(xué)院主管，經(jīng)國(guó)家科委、新聞出版署審核批準(zhǔn)的理、工、醫(yī)相結(jié)合的國(guó)家級(jí)學(xué)術(shù)刊物，雜志創(chuàng)刊于1985年，現(xiàn)為月刊(內(nèi)文160頁(yè)，約35萬(wàn)字)。雜志主要刊出放射學(xué)(包括CT、MRI、普通X線)、超聲醫(yī)學(xué)、介入治療學(xué)、影像技術(shù)學(xué)、超聲工程學(xué)、電子內(nèi)鏡學(xué)、核醫(yī)學(xué)等學(xué)科的最新研究成果。本刊主要特點(diǎn)是：①綜合影像;②信息量大;③理、工、醫(yī)相結(jié)合;④傳播及時(shí)。該刊是基礎(chǔ)科研人員和臨床醫(yī)務(wù)人員學(xué)術(shù)交流的園地，是廣大醫(yī)生晉升中高級(jí)職稱的重要依據(jù)，也是中國(guó)科學(xué)院唯一的醫(yī)學(xué)工程技術(shù)與臨床相結(jié)合的刊物。
前瞻性配準(zhǔn)是基于外部特征的圖像配準(zhǔn)(有框架)，它是利用外部基準(zhǔn)點(diǎn)特征，精度較高，但由于它是有創(chuàng)的，且操作較復(fù)雜，應(yīng)用較少。回溯性配準(zhǔn)即是基于內(nèi)部圖像特征的圖像配準(zhǔn)(無(wú)框架)，它是利用圖像內(nèi)部本身的特征，具有無(wú)創(chuàng)性和可回溯性，已成為配準(zhǔn)算法研究的重點(diǎn)。回溯性配準(zhǔn)技術(shù)可分為形狀特征點(diǎn)的方法和像素(體素)相似性的方法。基于形狀的方法根據(jù)圖像間的共有特征進(jìn)行幾何配準(zhǔn)，該方法原理簡(jiǎn)單，應(yīng)用面廣，但是需要較多的人工介入，且配準(zhǔn)精度受特征點(diǎn)(面)提取精度的限制;基于像素相似性的方法是基于圖像中所有體素的配準(zhǔn)方法，不需要對(duì)圖像做預(yù)處理。
由于該測(cè)度不需要對(duì)不同成像模式下圖像灰度間的關(guān)系作任何假設(shè)，也不需要對(duì)圖像進(jìn)行分割或任何預(yù)處理，所以被廣泛地用于多種醫(yī)學(xué)圖像配準(zhǔn)，特別是當(dāng)其中一個(gè)圖像的數(shù)據(jù)部分缺損時(shí)也能得到很好的配準(zhǔn)效果。
2、互信息基本概念
將兩幅待配準(zhǔn)的圖像RF圖像和FA圖像的灰度值看作兩個(gè)隨機(jī)變量A和B，其灰度值為0～255，其概率密度函數(shù)分別為和，兩者的聯(lián)合概率密度函數(shù)為，則隨機(jī)變量A和B的互信息可以表示為:I(A，B)=H(A)+H(B)-H(A，B)(1)其中H(A)、H(B)和H(A，B)為隨機(jī)變量A與B的個(gè)體熵和聯(lián)合熵，其定義為: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)根據(jù)樣本集2個(gè)隨機(jī)變量之間互信息計(jì)算的Dobrushin公式[3]，可以推導(dǎo)出互信息的計(jì)算公式為: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)也稱為邊緣概率密度，可由聯(lián)合概率密度求得，即pr(a)=Σbprf(a，b)pf(b)=Σaprf(a，b)(4)對(duì)于聯(lián)合概率密度的估計(jì)，采用直方圖的方法進(jìn)行。設(shè)表示隨機(jī)變量A和B的二維聯(lián)合直方圖，則其聯(lián)合概率密度prf(a，b)的估計(jì)為:prf(a，b)=h(a，b)Σa，bh(a，b)(5)在醫(yī)學(xué)圖像配準(zhǔn)中，雖然兩幅圖像來(lái)源于不同的成像設(shè)備或來(lái)自于不同的時(shí)間，但它們都是基于共同個(gè)體的同一位置的解剖信息，所以當(dāng)兩幅圖像在空間位置配準(zhǔn)時(shí)，其重疊部分所對(duì)應(yīng)的像素對(duì)的灰度的互信息達(dá)到最大值，以此時(shí)的變換參數(shù)作為空間變換的參數(shù)，通過(guò)空間變換達(dá)到圖像配準(zhǔn)的目的。
3、歸一化互信息
盡管互信息測(cè)度成功地應(yīng)用于醫(yī)學(xué)圖像配準(zhǔn)中，由于兩幅圖像重疊部分的大小對(duì)互信息的度量有很大影響，重疊部分減小，參與統(tǒng)計(jì)互信息的像素個(gè)數(shù)減小導(dǎo)致互信息值減小，互信息與兩個(gè)圖像重疊部分多少成正比，其次Studholme等[4]指出誤配數(shù)量增加可能導(dǎo)致互信息值增大。因此互信息值達(dá)到最大并不能保證得到正確的配準(zhǔn)結(jié)果。為了解決這個(gè)問(wèn)題，使目標(biāo)函數(shù)能更加準(zhǔn)確反映互信息量和配準(zhǔn)參數(shù)之間的關(guān)系，Studholme等提出了一個(gè)歸一化互信息測(cè)度，歸一化互信息使配準(zhǔn)函數(shù)更平滑，它能減少對(duì)圖像重疊部分敏感性，配準(zhǔn)精度更高。NMI(A，B)=H(A)+H(B)H(A，B)(6)Maes等[1]利用熵相關(guān)系數(shù)(ECC)作為另一種歸一化相關(guān)系數(shù)。NMI和ECC有如下關(guān)系表示式:ECC=2-2/NMI(7)近年來(lái)歸一化互信息被許多學(xué)者廣泛應(yīng)用，實(shí)踐證明，在剛性配準(zhǔn)中，歸一化互信息比傳統(tǒng)互信息有更強(qiáng)的穩(wěn)健型[5～7]。
4、利用互信息配準(zhǔn)常用方法
互信息的計(jì)算是最為關(guān)鍵的問(wèn)題，計(jì)算結(jié)果對(duì)配準(zhǔn)精度有很大的影響[8]。主要體現(xiàn)在插值運(yùn)算、優(yōu)化算法及提高配準(zhǔn)速度等3個(gè)方面。Zhu和Cochoff[9]研究了采用不同的優(yōu)化算法、插值方法、直方圖及多尺度逼近方法對(duì)配準(zhǔn)結(jié)果的影響。目前，雖然提出了許多種方法，但還沒(méi)有一種非常有效的方法。
4.1空間變換
剛體變換是指物體內(nèi)部任意兩點(diǎn)間的距離保持不變;仿射變換是將直線映射為直線，并保持平行性;投影變換將直線映射為直線，但不再保持平行性質(zhì);非線性變換也稱做彎曲變換，它把直線變換為曲線。基于互信息的配準(zhǔn)技術(shù)一般采用剛性變換或仿射變換。
4.2插值運(yùn)算
在一般情況下，圖像經(jīng)過(guò)幾何變換后，像素的坐標(biāo)不會(huì)和原來(lái)的采樣網(wǎng)格完全重合，像素的灰度值也需要重新計(jì)算，這就需要對(duì)變換后的圖像進(jìn)行重采樣和插值處理。常用的插值算法有最近鄰域法(Nearestneighboringinterpolation)、線性插值法(Trilinearinterpolation)和三線性部分體積分布(Trilinearpartialvolumedistribution)插值算法，簡(jiǎn)稱PV插值方法。最近鄰域法具有計(jì)算量小、速度快的優(yōu)點(diǎn)，但是存在質(zhì)量不高的缺點(diǎn)。線性插值效果較好，運(yùn)算量也不很大，故經(jīng)常采用。三線性PV插值算法不是通過(guò)鄰居點(diǎn)確定所求像素的灰度，它是按照周圍8個(gè)像素和所求像素點(diǎn)的空間距離來(lái)分配權(quán)重，避免了一次插值運(yùn)算，使互信息的計(jì)算更為精確，而且對(duì)于小的空間變換，增量，互信息的變化會(huì)更平滑，同時(shí)優(yōu)化過(guò)程中的局部極值問(wèn)題也會(huì)有所緩解[2]。文獻(xiàn)[10～12]討論了包括最近鄰居法、線性插值法、PV插值法在內(nèi)的幾種插值算法，比較了各自的優(yōu)缺點(diǎn)。文獻(xiàn)[10]詳細(xì)分析了線性插值法和PV插值法產(chǎn)生局部極值的原因，其實(shí)驗(yàn)結(jié)果表明，非網(wǎng)格點(diǎn)上的PV插值操作造成的直方圖分散甚至比在位移更大的整數(shù)平移點(diǎn)上由于失配造成的直方圖分散還要嚴(yán)重，在整數(shù)平移點(diǎn)上產(chǎn)生局部極值。針對(duì)這個(gè)問(wèn)題，文獻(xiàn)[11]提出了先驗(yàn)聯(lián)合概率法和隨機(jī)重采樣法兩種改進(jìn)的插值算法，先驗(yàn)聯(lián)合概率法既保證了最大互信息量方法的有效性，又引入了與變換無(wú)關(guān)的先驗(yàn)分布，增加了聯(lián)合分布的穩(wěn)定性，使得互信息量隨配準(zhǔn)參數(shù)變化更加平滑;隨機(jī)重采樣法在每個(gè)網(wǎng)格點(diǎn)施加一個(gè)輕微的擾動(dòng)避免大量網(wǎng)格重合，這兩種方法在一定程度下抑制了局部極值的產(chǎn)生。文獻(xiàn)[12]提出帶擾動(dòng)采樣的最近鄰居法(Nearestneighborwithjitteredsampling)，網(wǎng)格點(diǎn)擾動(dòng)后該坐標(biāo)位置的灰度值由最近鄰居法確定，達(dá)到抑制局部極值的目的。
4.3優(yōu)化策略
圖像配準(zhǔn)在本質(zhì)上是一個(gè)多參數(shù)優(yōu)化問(wèn)題，即尋找互信息達(dá)到最大時(shí)的幾個(gè)空間變換參數(shù)值。因此，配準(zhǔn)問(wèn)題實(shí)質(zhì)是配準(zhǔn)函數(shù)優(yōu)化問(wèn)題，但是，配準(zhǔn)函數(shù)經(jīng)常不是光滑的，存在許多局部極大值，給求解帶來(lái)很大難度。產(chǎn)生局部極大值主要有兩個(gè)原因:一是兩幅圖像本身存在較好的局部匹配;二是在運(yùn)算過(guò)程中產(chǎn)生的，如插值運(yùn)算、圖像重疊部分的改變都有可能產(chǎn)生局部極值。避免局部極值的常用方法有:采用PV插值方法、圖像先濾波減少噪聲以及增大灰度直方圖窗口尺寸等方法。由于局部極大值的存在，優(yōu)化算法的選取對(duì)配準(zhǔn)結(jié)果有較大的影響，尤其對(duì)初始變換的魯棒性有很大影響。另一個(gè)關(guān)鍵問(wèn)題是優(yōu)化過(guò)程中參數(shù)變量的合適取值范圍[15]。優(yōu)化過(guò)程中得到的值可能不是搜索空間中全局極大值，而是部分搜索空間中局部極大值。初始值偏離搜索區(qū)間太大很難使圖像配準(zhǔn)正確。實(shí)踐證明，遺傳算法等隨機(jī)優(yōu)化算法不適合求解此類問(wèn)題，因?yàn)榇祟愃惴ê苋菀滋鏊阉鲄^(qū)間。
目前常用的方法是Powell優(yōu)化算法[13]，該算法輪流對(duì)變換參數(shù)進(jìn)行優(yōu)化，由于無(wú)需計(jì)算梯度，因而可以加快搜索最大互信息的速度，在每一維內(nèi)使用Brent算法迭代搜索和估計(jì)配準(zhǔn)參數(shù)，從而使互信息不斷增加。實(shí)踐表明Powell優(yōu)化算法很容易受到局部極值的干擾[14]。另一個(gè)常用的方法是單純形算法，該方法也不要求計(jì)算梯度，與Powell算法只考慮單一變量相反，它同時(shí)考慮所有變量[9，13，16，17]，但是該方法收斂速度不確定。Plattard等[18]使用Powell和單純形混合算法。Kagadis等[19]采用Powell和遺傳算法混合方法。Jenkinson和Smith用多分辨率技術(shù)擴(kuò)展了Powell算法。盡管爬山法是一種最簡(jiǎn)單的優(yōu)化方法，但是它在多分辨率策略中有較好的效果，隨著圖像分辨率的增加，爬山法搜索步長(zhǎng)逐漸減小[20]。其他常規(guī)的算法如梯度上升法、Newton法、模擬退火法等也得到應(yīng)用。為了提高配準(zhǔn)函數(shù)全局最優(yōu)值的搜索能力，Chen等[21]先將整幅圖像分成4個(gè)子塊，分別計(jì)算整幅圖像和4個(gè)子塊的互信息，并假定當(dāng)整幅幅像互信息達(dá)到最大時(shí)，子塊圖像也應(yīng)達(dá)到最大。Thevenaz等[22]同時(shí)利用3個(gè)不同窗口尺寸的直方圖計(jì)算的互信息來(lái)求解變換參數(shù)。采用多分辨率方法是一種克服局部極值的一種有效方法[23]。
4.4優(yōu)化速度加速策略
多分辨率策略除了能夠避免出現(xiàn)局部極大值外，還能提高算法執(zhí)行速度。配準(zhǔn)按照從粗到精的方式執(zhí)行，在低分辨率下利用較少的時(shí)間進(jìn)行初配，在高分辨率下精配需要花銷較多的時(shí)間。Maes等[13]對(duì)多種優(yōu)化算法在不同的分辨率情況下結(jié)果進(jìn)行了詳細(xì)比較。一般情況下，多分辨率策略分為增加模型復(fù)雜度方法和增加數(shù)據(jù)復(fù)雜度方法[24]，多分辨率策略經(jīng)常采用高斯金字塔方式。多分辨率策略提高了運(yùn)行速度、增加了魯棒性，不影響配準(zhǔn)正確性。對(duì)于高分辨率圖像采用多分辨率策略是降低運(yùn)算時(shí)間一種最有效的方式。
最近提出的主要加速策略有:基于輪廓特征點(diǎn)的互信息配準(zhǔn)方法[25]，先用小波變換或其它邊緣檢測(cè)算子求出兩幅幅圖像的輪廓信息，利用聚類分析法求出輪廓特征點(diǎn)，再求出特征點(diǎn)對(duì)的互信息;Josien等[26]提出聯(lián)合互信息和梯度信息作為圖像配準(zhǔn)的新標(biāo)準(zhǔn)，該算法不僅利用了圖像的灰度信息，而且還利用了圖像的空間信息(梯度信息)，實(shí)驗(yàn)表明，該方法比采用傳統(tǒng)互信息或歸一化互信息結(jié)果更準(zhǔn)確，還能避免產(chǎn)生不正確的全局極大值以及由于插值產(chǎn)生的局部極大值。
5、結(jié)束語(yǔ)
近幾年來(lái)，將信息論的互信息概念引入到醫(yī)學(xué)圖像配準(zhǔn)中取得了很大進(jìn)展。由于該方法不需要對(duì)圖像進(jìn)行預(yù)處理、其精度高、適應(yīng)性強(qiáng)、自動(dòng)化程度高，能使多模態(tài)圖像的配準(zhǔn)精度達(dá)到亞像素精度，因而在醫(yī)學(xué)圖像配準(zhǔn)中得到廣泛應(yīng)用。然而，互信息只是一個(gè)相似性測(cè)度，如何實(shí)現(xiàn)不同模態(tài)圖像間互信息的最大化到目前為止還沒(méi)有一套完全成熟的方法，選取什么樣的優(yōu)化策略、如何避免局部極值、如何提高優(yōu)化速度、如何將互信息概念與其他概念結(jié)合起來(lái)形成一個(gè)更穩(wěn)健的測(cè)度、怎樣將互信息應(yīng)用到非剛性變換中等等問(wèn)題均需要我們繼續(xù)深入研究。
