3、图像配准
图象配准是图象融合的前提，是公认难度较大的图象处理技术，也是决定医学图象融合技术发展的关键技术。在临床诊断中，单一模态的图像往往不能提供医生所需要的足够信息，常需将多种模式或同一模式的多次成像通过配准融合来实现感兴趣区的信息互补。在一幅图像上同时表达来自多种成像源的信息，医生就能做出更加准确的诊断或制定出更加合适的治疗方法[16]。医学图像配准包括图像的定位和转换，即通过寻找一种空间变换使两幅图像对应点达到空间位置和解剖结构上的完全一致。图6简单说明了二维图像配准的概念。图(a)和图(b)是对应于同一人脑同一位置的两幅 mri 图像，其中图(a)是质子密度加权成像，图(b)是纵向弛豫加权成像。这两幅图像有明显的不同，第一是方位上的差异，即图(a)相对于图(b)沿水平和垂直方向分别进行了平移;第二是两幅图像所表达的内容是不一致的，图(a)表达不同组织质子含量的差别，而图(b)则突出不同组织纵向弛豫的差别。图(c)给出了两幅图像之间像素点的对应映射关系，即(a)中的每一个点fx都被映射到(b)中唯一的一个点rx。如果这种映射是一一对应的，即一幅图像空间中的每一个点在另外一幅图像空间中都有对应点，或者至少在医疗诊断上感兴趣的那些点能够准确或近似准确的对应起来，我们就称之为配准[17,18]。图(d)给出了图(a)相对于图(b)的配准图像。从图(d)中可以看出，图(d)与(b)之间的的像素点的空间位置已经近似一致了。1993 年 petra 等了二维图像的配准方法，并根据配准基准的特性,将图像配准的方法分为基于外部特征的图象配准(有框架) 和基于图象内部特征的图象配准(无框架) 两种方法。 后者由于其无创性和可回溯性, 已成为配准算法的研究中心。
(a) (b) (c) (d)
图8 医学图像配准原理
2019年华中科技大学对基于pcanet的结构非刚性多模医学图像配准展开研究。提出了一种基于pcanet的结构表示方法用于多模态医学图像配准[19]。与人工设计的特征提取方法相比，pcanet可以通过多级线性和非线性变换自动从大量医学图像中学习内在特征。所提出的方法可以通过利用pcanet的各个层中提取的多级图像特征来为多模态图像提供有效的结构表示。对atlas，brainweb和rire数据集的大量实验表明，与mind，essd，wld和nmi方法相比，所提出的方法可以提供更低的tre值和更令人满意的结果。
图9 第一行分别是x和y方向变形的真实结果，第二行是psr与x和y方向的真实情况的差异;第三行是mind方法的变形和真实值之间的差异
图10 psr，mind，essd，wld和nmi方法的ct-mr图像配准。(a)参考pd图像;(b)浮动ct图像;(c)psr方法;(d)mind方法;(e)essd方法;(f)wld方法;(g)nmi方法
近年来，医学图像配准技术有了新的进展,在配准方法上应用了信息学的理论和方法，例如应用最大化的互信息量作为配准准则进行图像的配准，基于互信息的弹性形变模型也逐渐成为研究热点[20]。在配准对象方面从二维图像发展到三维多模医学图像的配准。一些新算法，如基于小波变换的算法、统计学参数绘图算法、遗传算法等，在医学图像上的应用也在不断扩展。向快速和准确方面改进算法，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技 术的发展方向[21,22]。
下一篇：当医学影像遇上深度学习