资源描述：
《医学图像配准技术探究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、医学图像配准技术探究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捉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，示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儿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
2、诊断意义上的点都达到匹配。医学图像配准方法基木上可分为前瞻性和冋溯性两种[1]。前瞻性配准是基于外部特征的图像配准(有框架)，它是利卅外部基准点特征，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(无椎架)，它是利卅图像内部本身的特征，具有无创性和可冋溯性，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(体索)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儿何配准，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
3、取精度的限制;基于像索相似性的方法是基于图像屮所有体索的配准方法，不需要对图像做预处理。近年来，引入了信息论屮的一些概念，如联合嬌、相对爛和互信息[2],精度较高，可以达到亚像素级，己成为医学图像配准很重要的方法。互信息是信息论屮的一个基木概念，是两个随机变蜃统计相关性的测度，当两幅图像基于共同解剖结构的图像达到最佳配准时，它们对应像索的灰度互信息应达到最人。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，也不需耍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，特别是当其屮一个图像的数据
4、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)(l)其中H(A)、H(B)和H(A,B)为随机变罐A与B的个体爛和联合爛，其定义为:H(A)=-Lapr(a)logpr(a)H(B)=-Zbpf(b)logpf(b)a,be[0,255]H(A,B)=-ZaZbprf(a,b)logprf
5、(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)=Za,bprf(a,b)logprf(a,b)pr(a)pf(b)(a,be[0,255])(3)其屮: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)=Sbprf(a,b)pf(b)=Eaprf(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的二维联合肓方图，则其联合概率密度prf(a,b)的估计为:prf(a,b)=h(a
6、,b)Za,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，其重亞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，互信息与两个图像垂叠部分多少成正比，其次Studho
7、lme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止确的配准结果。为了解决这个问题，使冃标函数能更加准确反映互信息量和配准参数Z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］利用爛相关系数(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)近年來归一化互信息被许多学者广泛应用，实践
8、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［幻。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，虽然捉出了许多种方法，但还没有一种非常有效的方法
