章榮海 潘義廣 張軍

摘要:圖像配準(zhǔn)是醫(yī)學(xué)圖像處理領(lǐng)域的一個(gè)重要研究課題。圖像配準(zhǔn)是多個(gè)圖像對(duì)齊到一個(gè)共同坐標(biāo)系、以檢測(cè)其間的微妙變化。醫(yī)學(xué)圖像配準(zhǔn)廣泛應(yīng)用于醫(yī)療診斷、指導(dǎo)神經(jīng)手術(shù)、放射治療計(jì)劃的制定、病灶的定位、病理變化的跟蹤和檢查治療效果等各個(gè)方面，為臨床診斷提供功能和形態(tài)的綜合信息。對(duì)醫(yī)學(xué)圖像配準(zhǔn)技術(shù)的研究與應(yīng)用進(jìn)展進(jìn)行了全面的綜述。

關(guān)鍵詞:醫(yī)學(xué)圖像配準(zhǔn);插值方法;互信息

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)18-4501-02

Research and Application of Medical Image Registration Methods

ZHANG Rong-hai1, PAN Yi-guang2, ZHANG Jun1

（1.Dept. of Public, West Anhui Health Vocational College, Luan 237005, China; 2.Medical Imaging Center, Luan Peoples Hospital, Luan 237006, China）

Abstract: Image registration is an important research topic in the field of medical image processing. Image registration is a multiple image alignment to a common coordinate system, to detect subtle changes in the intervening. Medical image registration is widely used in medical diagnosis, to guide nerve surgery, radiation treatment plan, lesion location, tracking and inspection of the treatment of pathological changes in various aspects of morphology and function of integrated information for clinical diagnosis. In this paper a comprehensive overview of the research and application progress of medical image registration techniques.

Key words: medical image registration; interpolation method; mutual information

圖像配準(zhǔn)技術(shù)是醫(yī)學(xué)圖像處理領(lǐng)域的一個(gè)重要研究課題。醫(yī)學(xué)圖像配準(zhǔn)技術(shù)可以將來源于不同成像設(shè)備的圖像，或者不同時(shí)間利用同種成像設(shè)備得到的圖像進(jìn)行配準(zhǔn)，得到更豐富的信息用于醫(yī)療診斷中。醫(yī)學(xué)圖像配準(zhǔn)不僅可以用于醫(yī)療診斷，還可以用于指導(dǎo)神經(jīng)手術(shù)、放射治療計(jì)劃的制定、病灶的定位、病理變化的跟蹤和治療效果的評(píng)價(jià)等各個(gè)方面，為醫(yī)生提供功能和形態(tài)的綜合信息。在不同的時(shí)間使用不同的設(shè)備，如磁共振、CT、PET、SPECT等（多模式），從不同的角度，以2D或3D的視角（多時(shí)空）。圖像配準(zhǔn)應(yīng)用于各個(gè)領(lǐng)域，如遙感技術(shù)及其應(yīng)用（多光譜分類）、環(huán)境監(jiān)測(cè)、變化檢測(cè)、圖像拼接、氣象預(yù)報(bào)、建立超分辨率圖像、納入地理信息信息系統(tǒng)（GIS）），醫(yī)藥（從不同的方式相結(jié)合的數(shù)據(jù)，如電腦斷層掃描（CT）和磁共振成像（MRI），以獲得更完整、有關(guān)病人的信息，監(jiān)測(cè)腫瘤的生長(zhǎng)、治療驗(yàn)證、比較病人的數(shù)據(jù)、制圖、解剖地圖集（地圖更新）、在計(jì)算機(jī)視覺（目標(biāo)定位，自動(dòng)質(zhì)量控制）。

醫(yī)學(xué)圖像配準(zhǔn)技術(shù)可以將來源于不同成像設(shè)備的圖像，或者不同時(shí)間利用同種成像設(shè)備得到的圖像進(jìn)行配準(zhǔn)，得到更豐富的信息用于醫(yī)療診斷中。全自動(dòng)醫(yī)學(xué)圖像配準(zhǔn)不僅可以用于醫(yī)療診斷，還可以用于指導(dǎo)神經(jīng)手術(shù)、放射治療計(jì)劃的制定、病灶的定位、病理變化的跟蹤和治療效果的評(píng)價(jià)等各個(gè)方面，為醫(yī)生提供功能和形態(tài)的綜合信息。目前大量的圖像數(shù)據(jù)無法實(shí)時(shí)實(shí)現(xiàn)和臨床應(yīng)用，這也成為限制了現(xiàn)階段配準(zhǔn)性能較好的互信息相似性測(cè)度在配準(zhǔn)方法中的應(yīng)用。不論是剛性還是非剛性配準(zhǔn)算法，在配準(zhǔn)過程中，常使用多分辨率圖像金字塔來進(jìn)行由粗到精的搜索變換系數(shù)，提高計(jì)算效率、避免局部極小值，實(shí)現(xiàn)自動(dòng)的更精確的配準(zhǔn)結(jié)果。但是常見的圖像小波金字塔，濾波器的張量積形式使得小波變換缺乏平移和旋轉(zhuǎn)不變性，這些不變性正是在圖像配準(zhǔn)中最需要的，只有具有這些不變性，刁能保證從粗尺度上得到的平移、旋轉(zhuǎn)和放縮參數(shù)的準(zhǔn)確性，從而得到準(zhǔn)確的結(jié)果。

1醫(yī)學(xué)圖像配準(zhǔn)的步驟

圖像配準(zhǔn)主要包括特征檢測(cè)、特征匹配、變換模型估計(jì)、圖像采樣與變換等步驟。功能檢測(cè)：突出和鮮明的對(duì)象（封閉的邊界地區(qū)、邊緣，輪廓線交叉路口，彎道等兩個(gè)參考）和遙感圖像被檢測(cè)到。特征匹配的特點(diǎn)和參考之間的對(duì)應(yīng)關(guān)系建立了遙感影像。變換模型估計(jì)：所謂的映射的類型和參數(shù)功能，根據(jù)遙感圖像與參考圖像，估計(jì)。圖像重采樣和改造：遙感圖像轉(zhuǎn)化指的映射功能。

2醫(yī)學(xué)圖像配準(zhǔn)方法

醫(yī)學(xué)圖像配準(zhǔn)方法以下方法包括傅立葉轉(zhuǎn)換分析、互相關(guān)的方法，使用傅立葉分析、總體搜索技術(shù)、特征值分解、矩匹配技術(shù)、變形技術(shù)、程序的方法、解剖圖集、內(nèi)部標(biāo)簽、外部標(biāo)簽等。

2.1外在配準(zhǔn)方法

是將人造物體檢測(cè)連接到病人的身體的方法，不需要復(fù)雜的算法，常用于骨科臨床診斷與治療等；

2.2曲線的方法

采樣生成相應(yīng)的積分序列，手動(dòng)搜索相應(yīng)的開放曲線，然后配準(zhǔn)二維投影影像圖。通過開放的曲線匹配，尋找最佳的契合在兩條曲線的地方曲率。也有文獻(xiàn)提出了從醫(yī)學(xué)圖像中提取的3D對(duì)象進(jìn)行匹配的方法。波峰線計(jì)算物體表面的對(duì)應(yīng)有意義的解剖特點(diǎn)，而且他們是穩(wěn)定的剛性變換。嵴線的提取是通過計(jì)算適當(dāng)?shù)娜S圖像強(qiáng)度函數(shù)的三階導(dǎo)數(shù)過濾體積圖像，并通過“踏線”算法?；厥招腥缓蟊平鼧訔l曲線，在每個(gè)點(diǎn)計(jì)算差變量。匹配最后一個(gè)新的幾何散列法。整個(gè)鏈現(xiàn)在是完全自動(dòng)化的，并提供了非常強(qiáng)大和精確的結(jié)果，甚至在存在嚴(yán)重閉塞。該方法的一個(gè)醫(yī)學(xué)應(yīng)用點(diǎn)，輪廓和曲線的圖像配準(zhǔn)方法建議，其中有配準(zhǔn)的基礎(chǔ)上點(diǎn)的精度和配準(zhǔn)的基礎(chǔ)上線的強(qiáng)勁（包括輪廓和曲線）。

2.3表面的方法

邊界或表面，在醫(yī)療影像多次比地標(biāo)更鮮明，因此可用于細(xì)分，定位高對(duì)比度表面。表面匹配算法通常用于剛體配準(zhǔn)。表面的表示方法是基于表面的方法，為多模態(tài)腦圖像配準(zhǔn)。他們適合的設(shè)置從一個(gè)圖像輪廓中提取的表面模型和提取點(diǎn)在其他圖像的輪廓。病人或圖像覆蓋體積較大，具有更高的分辨率的圖像，用來產(chǎn)生表面模型。表面匹配的另一個(gè)版本是提供交互式用戶轉(zhuǎn)換包，允許用戶變換和旋轉(zhuǎn)圖像。近幾年發(fā)展起來的頭曲面擬合算法、迭代最近點(diǎn)算法和函授相匹配算法等。

2.4矩和主軸的方法

主軸是那些關(guān)于正交軸轉(zhuǎn)動(dòng)慣量最小化。如果兩個(gè)對(duì)象是相同的，除了變換和旋轉(zhuǎn)，然后他們可以配準(zhǔn)完全巧合帶入主軸。如果兩個(gè)對(duì)象是同樣形，他們可能會(huì)配準(zhǔn)包括派生仿射變換不變量。矩的方法也出現(xiàn)分類配準(zhǔn)方法中，使用分段或二值化圖像數(shù)據(jù)的輸入。在許多應(yīng)用中，為了矩的方法是強(qiáng)制性的預(yù)分割產(chǎn)生可接受的結(jié)果。

2.5插值方法

由于對(duì)待配準(zhǔn)圖像進(jìn)行空間變換后，所得出的像素坐標(biāo)位置可能不在整數(shù)像素上，因此需要用灰度插值的方法對(duì)像素值進(jìn)行估計(jì)。常用的插值算法有最近鄰域法、線性插值法和三線性部分體積分布插值算法（PV插值）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)的空間距離來分配權(quán)重，避免了一次插值運(yùn)算。

2.6相關(guān)方法

是有用的比較幾個(gè)相同的對(duì)象，例如利用圖像分析疾病的發(fā)展。早期主要包括基于圖像的方法相關(guān)性。交叉相關(guān)的原始圖像或提取功能圖像發(fā)現(xiàn)、基于傅立葉域上的交叉關(guān)聯(lián)、基于子空間的頻率估計(jì)方法的應(yīng)用基于傅立葉圖像配準(zhǔn)問題。用多重信號(hào)分類算法更強(qiáng)大和更準(zhǔn)確的結(jié)果，導(dǎo)致在計(jì)算復(fù)雜性增加。相關(guān)技術(shù)被用于改進(jìn)腦CT圖及腹部圖像分析等。有研究者建議使用熵相關(guān)系數(shù)（ECC）、圖像配準(zhǔn)采用歸一化互信息，以減少搜索空間，而最優(yōu)先搜索算法來進(jìn)一步尋找正確的變換等。

2.7阿特拉斯方法

從病人圖像和其他圖像信息數(shù)據(jù)庫(kù)進(jìn)行匹配，稱之為阿特拉斯配準(zhǔn)。在文獻(xiàn)中，病人的配準(zhǔn)一個(gè)正常人的形象被稱為地圖集配準(zhǔn)。標(biāo)準(zhǔn)化腦坐標(biāo)系已用于腦圖像自動(dòng)分割在個(gè)別腦結(jié)構(gòu)卷和立體定向神經(jīng)外科規(guī)劃。地圖集配準(zhǔn)技術(shù)已被證明是在醫(yī)療診斷非常有用，同時(shí)存儲(chǔ)所有圖像到一個(gè)共同的參考空間，梯度投影法已應(yīng)用于約束優(yōu)化應(yīng)用，以最大限度地提高圖像之間的相似性。

2.8基于互信息的方法

開始的聯(lián)合概率的估計(jì)在兩幅圖像對(duì)應(yīng)的體素的強(qiáng)度。使用信息理論相互交流信息，如措施已明顯受益體素為基礎(chǔ)的配準(zhǔn)。相互交流信息，可以使用參數(shù)化和基于特征的配準(zhǔn)在解決對(duì)應(yīng)問題。代表多式聯(lián)運(yùn)配準(zhǔn)的領(lǐng)先技術(shù)，配準(zhǔn)多式聯(lián)運(yùn)圖像是艱巨的任務(wù)，但往往需要解決，特別是在醫(yī)療成像。解剖和功能圖像的比較病人的身體可能會(huì)導(dǎo)致診斷。

2.9基于小波變換的方法

多分辨率小波分解變換是一個(gè)中間的代表性傅立葉和空間交涉之間，它可以提供良好的本地化屬性空間和傅立葉域?；谛〔ㄗ儞Q的方法保留了多光譜圖像比標(biāo)準(zhǔn)的PCA和他的方法更好的光譜特性?；谛〔ㄗ儞Q的圖像配準(zhǔn)，可以兩種方式進(jìn)行：一是選擇選擇規(guī)則，如最大絕對(duì)小波小波系數(shù)系數(shù)在每個(gè)波段的多光譜圖像和高分辨率圖像；二是更換與這些高分辨率圖像的部分小波系數(shù)低分辨率多光譜圖像。小波分解的圖像方法由于其固有的多尺度特征，可以在不同應(yīng)用小波和用于找到對(duì)應(yīng)的小波系數(shù)。基于小波變換的特征提取技術(shù)，歸一化互相關(guān)匹配和松弛的圖像匹配技術(shù)的使用。該算法可以選擇足夠控制點(diǎn)，以減少局部扭曲。

2.10基于軟計(jì)算方法，基于軟計(jì)算技術(shù)如神經(jīng)網(wǎng)絡(luò)方法、遺傳算法、模糊邏輯、群智能算法等

人工神經(jīng)網(wǎng)絡(luò)，是一個(gè)基于生物神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型計(jì)算模型。它由人工神經(jīng)元和進(jìn)程的信息使用的互連組聯(lián)結(jié)的方式計(jì)算。在大多數(shù)情況下，神經(jīng)網(wǎng)絡(luò)是一個(gè)自適應(yīng)系統(tǒng)改變其結(jié)構(gòu)內(nèi)部或外部的信息的基礎(chǔ)上，通過網(wǎng)絡(luò)流動(dòng)在學(xué)習(xí)階段。在更實(shí)際的術(shù)語(yǔ)，神經(jīng)網(wǎng)絡(luò)的非線性統(tǒng)計(jì)數(shù)據(jù)建模工具。他們可以用來模擬輸入和輸出之間的復(fù)雜關(guān)系。人工神經(jīng)網(wǎng)絡(luò)模式是一種計(jì)算通過鏈接連接的單處理器數(shù)組成的結(jié)構(gòu)，其中有一些與之相關(guān)的權(quán)重。網(wǎng)絡(luò)架構(gòu)有兩種類型：1）前饋網(wǎng)絡(luò)，其中的環(huán)節(jié)有沒有循環(huán)（例如，多層感知器（MLP）和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）和2）經(jīng)常性的網(wǎng)絡(luò)，其中循環(huán)發(fā)生（例如，自組織映射（SOM）和Hopfield網(wǎng)絡(luò)）。徑向基函數(shù)、自組織映射、Hopfield網(wǎng)絡(luò)可用于不同的圖像配準(zhǔn)的計(jì)算。文獻(xiàn)提出了一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，以確定配準(zhǔn)矩陣3D表面的圖像配準(zhǔn)，應(yīng)用程序脈沖耦合神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上使用的多傳感器圖像融合問題圖像區(qū)域等。

遺傳算法（GA），是在計(jì)算中使用的搜索技術(shù)，找到確切的或優(yōu)化和搜索問題的近似解。遺傳算法列為全局搜索啟發(fā)式，一個(gè)特定的類使用技術(shù)的進(jìn)化算法（又稱進(jìn)化計(jì)算）啟發(fā)，如繼承，變異，選擇和交叉（也進(jìn)化生物學(xué)稱為重組）。采用基于遺傳算法的優(yōu)化，解決表面的配準(zhǔn)問題，例如不同的轉(zhuǎn)換參數(shù)剛性，仿射、投射和彎曲。

模糊集（FS）和粗糙集(RS)。模糊集屬性允許模糊集處理不確定性和不精確，已被用于圖像配準(zhǔn)的轉(zhuǎn)型、選擇和預(yù)處理要配準(zhǔn)的功能。采用模糊聚類的方法來解決三維配準(zhǔn)問題。使用模糊集進(jìn)行圖像配準(zhǔn)有兩個(gè)階段過程，第一階段是用于獲取準(zhǔn)確估計(jì)旋轉(zhuǎn)和粗略估計(jì)變換，第二階段是用于實(shí)現(xiàn)在變換的精度估計(jì)。在每個(gè)階段，模糊邏輯控制器是用來調(diào)整配準(zhǔn)參數(shù)以獲得準(zhǔn)確的轉(zhuǎn)型估計(jì)。粗糙集是可以被看作是一個(gè)特殊類型的模糊集，已被用于醫(yī)療時(shí)間序列中找到對(duì)應(yīng)點(diǎn)等。

3結(jié)束語(yǔ)

由于醫(yī)學(xué)圖像的多樣性和復(fù)雜性和多模態(tài)性，單一的圖像配準(zhǔn)方法往往具有其局限性，同時(shí)選擇綜合使用多種配準(zhǔn)方法可達(dá)到提高醫(yī)學(xué)圖像配準(zhǔn)質(zhì)量和性能的目的。醫(yī)學(xué)圖像配準(zhǔn)工具向著自適應(yīng)的、全自動(dòng)的、最優(yōu)化的、高效和準(zhǔn)確的方向發(fā)展。

參考文獻(xiàn)：

[1]田捷,包尚聯(lián),周明全.醫(yī)學(xué)影像處理與分析[M].北京:電子工業(yè)出版社,2003.

[2] Wyawahare M V, Patil P M, Abhyankar H K. Image Registration Techniques: An overview[J].International Journal of Signal Processing, Image Processing and Pattern Recognition, 2009, 2(3)11-28.

[3] Wolfgang Wein, Shellby Brunke, Ali Khanmene. Automatic CT-ultrasoundregistration for diagnostic imaging and image-guided interven tion[J]. Medical Image Analysis, 2008,12:577-585.

[4]裴繼紅,田劍豪,楊烜.基于海明窗濾波及粒子群優(yōu)化搜索的醫(yī)學(xué)圖像配準(zhǔn)[J].生物醫(yī)學(xué)工程學(xué)雜志, 2007,24(2):262-267.

[5] Stefan Klein, Marius Staring.. Evaluation ofoptimization methods for nonrigid medical image registration UsingMutual Information and B-Splines [J]. IEEE TRANSACTIONS ONIMAGE PROCESSING, 2007,16(12):2879-2890.

[6]鄭亞琴,田心.醫(yī)學(xué)圖像配準(zhǔn)技術(shù)研究進(jìn)展[J].國(guó)際生物醫(yī)學(xué)工程,2006,29,(2):88-92.

[7] VandenElsen P A, Pol E J D , Vierge M A . Medical Image matching: A review with classification[J].IEEE Eng. Med. Biol.,2009,12(3):12-39.