医学图像配准分类研究

医学图像配准是医学图像研究领域的一项重要课题。配准种类包括刚性配准和非刚性配准,配准形式包括不同个体间的配准以及同一个体不同图谱的配准。介绍了基于处理流程和基于图像特征的图像配准方法以及基于变形模型的图像配准三大类。非刚性配准比刚性配准在稳定性和计算效率等方面要求更高,技术难度更大,同时具有更重要的应用意义。随着计算机技术的应用和发展,非刚性配准成为一个非常活跃的研究领域,相关的模型和方法 备受关注。     

牙周膜胶原纤维组织切片的显微图像配准

针对牙周膜胶原纤维组织切片在制作过程中对力度和方向非常敏感,极易造成组织变形和空间位移的问题,采用了一种有效的图像配准方法,以便后期对胶原纤维组织空间结构的重建。在Masson染色制成的兔牙周膜石蜡切片的基础上,利用高倍光学显微镜获得了牙周膜的序列切片图像;再采用基于正规步长梯度下降的二维刚性配准和基于对数域对称Demons微分同胚非刚性配准相结合的方法,对牙周膜序列切片图像进行级联配准。实验结果表明,相对于有限元非刚性配准而言,对数域对称Demons微分同胚非刚性配准方法具有较好的优势,其配准每张图片的平均时间为有限元法的3.1%,而配准均方误差平均为有限元法的89%。     

基于机器学习的肺部CT图像非刚性配准误差预测方法

配准误差评估通常由人工完成,耗时费力;常用的Dice测度只关注组织边缘的配准误差,难以评估组织内部配准结果。针对以上问题,提出一种基于机器学习的肺部CT图像非刚性配准误差预测方法(PREML)。该方法首先构建形变场统计特征、形变场物理保真度特征和图像相似性特征三类特征,然后通过池化方法扩充特征数量,最后使用随机森林回归方法预测非刚性配准误差,并且使用自适应随机扰动方法模拟肺部配准误差空间分布,进一步提升形变场统计特征的配准误差表征能力。在三个肺部CT图像数据集上进行训练与测试,其配准误差预测结果与金标准之间的平均绝对差异为1.245±2.500 mm,预测性能优于基线方法。结果表明,PREML方法具有预测精度高、鲁棒性强的特点,可提升配准算法在临床应用的有效性和安全性。     

子宫肌瘤MRI影像非刚性配准研究

高强度聚焦超声(High-Intensity Focused Ultrasound,HIFU)治疗和磁共振技术结合(MRI-guided HIFU,MRgHIFU)采用MRI进行目标定位、治疗规划和能量沉积的闭环控制以保障热消融不伤及周围组织,其中图像配准是校正定位误差,实施精确治疗的重要环节。针对三维非刚性配准方法,在子宫肌瘤的治疗计划修正和跟踪方面的应用进行研究。针对前后两个不同时段采集的子宫肌瘤MR影像,分别进行基于自由形变模型(Free-From Deformation,FFD)算法和Demons算法的非刚性配准对比。实验结果表明,该基于FFD的非刚性配准算法,对于形变较小的子宫肌瘤真实数据能够取得较为合适的配准效果,重叠区域的互相关系数(CC)从配准前的0.59提高到配准后的0.74。     

一种改进的非刚性医学图像配准算法

非刚性医学图像配准是医学影像处理和应用中重要的研究课题.对传统的基于局部仿射变换的非刚性图像配准模型进行了改进,结合图像的区域灰度信息和切比雪夫低通滤波器幅度特性提出了一种新颖的非刚性医学图像配准算法.该算法采用自适应的局部非线性正则项,比传统算法更好地保持了图像的局部细节和边缘信息,通过结合多分辨率分层细化以及由粗到细的变形技术求解策略,很好地解决了传统配准模型无法对大变形单模态图像或者存在灰度差异的多模态图像之间进行配准的问题.实验证明,该模型和算法可以很好地实现对医学图像的非刚性配准.     

联合弯曲能量和标志点对应约束的非刚性医学图像配准

由于缺乏图像几何空间约束,基于互信息的非刚性医学图像配准常常产生不合理的形变。提出一种联合弯曲能量和标志点对应约束的非刚性医学图像配准方法,在互信息配准目标函数中添加弯曲能量惩罚和对应标志点间欧氏距离2个正则项,约束医学图像软组织不合理形变。脑部MRI、头颈部CT、胸部CBCT影像配准实验结果表明,该方法可有效提高配准质量。     

基于薄板样条的非刚体医学图像配准

非刚体图象配准是非线性的图像配准方法,它能够实现图像之间的配准,为提高医学图像配准精度,对于形变较大的多模图像的配准等都有着重要的作用.提出了一种基于薄板样条的3D/2D非刚体医学图象配准算法,算法首先提出一个混合能量公式,在配准的过程中,用薄板样条法实现全局配准,并通过仿真退火算法进行迭代,以缩小并确定变形的待配准区域.在局部的待配准区域,采用互信息的方法进行配准.解决了因特征点不足引起的不完整匹配问题,使得图像连续平滑,以得到较优的配准效果.     

基于迭代重加权的非刚性图像配准

非刚性图像配准问题是当今重要的研究课题. 本文提出一类基于能量最小化方法的非刚性图像配准模型, 其中包括单模态和多模态两个模型. 在单模态模型中,正则项采用迭代重加权的L2范数度量, 一方面克服了迭代收敛不同步的问题, 另一方面使新模型既能保持图像的边缘几何结构, 又能避免块效应的产生. 在多模态模型中, 不同模态的图像被转化为同一模态进行处理, 提高了配准的效率. 在模型求解方面, 利用算子分裂和交替最小化的方法, 将原问题转化为阈值和加性算子分裂的迭代格式进行求解. 数值实验表明, 本文的方法对含噪以及变形较大的图像都能实现较好的配准.     

图像非刚性配准技术及并行策略研究

图像非刚性配准是近几年配准方法的一个研究热点，由于其计算复杂度很高，它的并行化问题成为近几年来的研究热点。本文首先给出了图像非刚性配准的数学模型，并给出了形式化定义；其次分类总结了近年来图像非刚性配准串行算法研究的新进展，从而在此基础上重点讨论了相应的并行化策略。本文还详细分析了设计并行图像非刚性配准算算法需要考虑的几个问题；并比较评价了现有并行算法的性能特点，得出了一些结论；最后提出了有待进一步研究的问题。     

基于全局与局部相似性测度的非刚性点集配准

非刚性点集配准算法中，能否找到正确的对应关系对配准结果起着至关重要的作用，而通常两个点集中的对应点除了距离比较接近之外还具有相似的邻域结构，因此提出基于全局与局部相似性测度的非刚性点集配准算法。首先，使用一致性点漂移（CPD）算法作为配准框架，采用高斯混合模型对点集进行建模。然后，对全局局部混合距离进行改进，形成全局与局部相似性测度准则。最后，采用期望最大化（EM）算法迭代地求解对应关系和变换公式：在迭代初期局部相似性所占比重较大，从而能够尽快地找到正确的对应关系；随着迭代的进展全局相似性比重逐渐增大，从而确保得到较小的配准误差。实验结果表明，与薄板样条鲁棒点匹配（TPS-RPM）算法、高斯混合模型点集配准（GMMREG）算法、基于L₂E估计的鲁棒点匹配算法（RPM-L2E）、基于全局局部混合距离与薄板样条的点集配准算法（GLMDTPS）和CPD算法相比，所提算法的均方根误差（RMSE）分别下降了39.93%、42.45%、32.51%、22.36%和11.76%，说明该算法具有较好的配准效果。     

图像配准的复制动力学方法

为了实现高精度图像配准,把单个像素看做参与博弈的局中人,将图像配准视为图像中各个像素与其周边像素的演化博弈过程。为了寻求博弈的均衡点,根据配准问题的特点,对复制方程进行修改,提出基于修改后的复制方程的图像配准方法。新方法是完全基于问题域建立起来的,能实现对任意形变的高精度配准,并且配准精度与分辨率无关。针对刚性形变的遥感图像和非刚性形变的医学图像进行了两组实验,结果表明了新算法的有效性。     

基于深度卷积特征光流的形变医学图像配准算法

光流法是一种基于光流场模型的重要而有效的形变配准算法。针对现有光流法所用特征质量不高使得配准结果不够准确的问题，将深度卷积神经网络特征和光流法相结合，提出了基于深度卷积特征光流（DCFOF）的形变医学图像配准算法。首先利用深度卷积神经网络稠密地提取图像中每个像素所在图像块的深度卷积特征，然后基于固定图像和浮动图像间的深度卷积特征差异求解光流场。通过提取图像的更为精确和鲁棒的深度学习特征，使求得的光流场更接近真实形变场，提升了配准精度。实验结果表明，所提算法能够更有效地解决形变医学图像配准问题，其配准精度优于Demons算法、尺度不变特征变换(SIFT) Flow算法以及医学图像专业配准软件Elastix。     

全局一致的多视图像配准

为了提高多视图像配准的精度和一致性,考虑到各种不确定信息,提出了一个基于概率估计的多视图像配准方法。把各视点的位置姿态作为系统状态,构造系统增广模型和系统观测模型,运用增广卡尔曼滤波技术对各视点的位置姿态进行递归地估计,实现了精确的、全局一致的多视图像配准。实验对提出的配准方法进行了验证,结果表明提出的多视图像配准方法能够有效地处理不确定信息,配准结果是一致的和精确的。     

基于演化建模的图像配准模型

传统的多项式配准模型原理直观,计算简单,但由于采用多项式建立模型,往往带有局限性,对于复杂的配准可能无效;传统的物理配准模型虽然配准精度较高,但对成像的各种因素需要精确掌握,实际操作难度较大。演化建模只需要根据问题的特征来确定模型结构的一些基本组成单元,就可以自动建立较为精确的模型。针对以上传统图像配准模型的不足,并考虑到演化建模具有智能挖掘模型的优点,提出了一种基于演化建模的图像配准模型。最后给出了该方法在图像配准中的实验,实验结果表明该方法有较高配准精度,适用于图像配准。     

Curvature Based Image Registration

A fully automated, non-rigid image registration algorithm is presented. The deformation field is found by minimizing a suitable measure subject to a curvature based constraint. It is a well-known fact that non-rigid image registration techniques may converge poorly if the initial position is not sufficiently near to the solution. A common approach to address this problem is to perform a time consuming rigid pre-registration step. In this paper we show that the new curvature registration not only produces accurate and smooth solutions but also allows for an automatic rigid alignment. Thus, in contrast to other popular registration schemes, the new method no longer requires a pre-registration step. Furthermore, we present an implementation of the new scheme based on the numerical solution of the underlying Euler-Lagrange equations. The real discrete cosine transform is the backbone of our implementation and leads to a stable and fast O(N log N) algorithm, where N denotes the number of voxels. Finally, we report on some numerical test runs.     

基于边缘几何特征的图像精确匹配方法

提出一组快速高精度计算切线斜率的五点公式，用以估计图像边缘曲线的角度特征，并利用角度直方图估计图像几何变换的旋转参数，实现具有大旋转差异图像间的粗匹配．在进行角度补偿后，利用灰度互相关判据搜索匹配点对，计算出几何变换参数，实现较高精度的旋转和平移校正，最后用松弛迭代法完成图像的精确匹配．与基于小波方向角特征的匹配方法相比，文中方法利用图像中主要的边缘信息实施匹配，具有较好的鲁捧性，可成功实现对各类具有较大相关程度图像间的精确匹配，对图形匹配也具有重要意义．     

Image registration using Markov random coefficient and geometric transformation fields

Image registration is central to different applications such as medical analysis, biomedical systems, and image guidance. In this paper we propose a new algorithm for multimodal image registration. A Bayesian formulation is presented in which a likelihood term is defined using an observation model based on coefficient and geometric fields. These coefficients, which represent the local intensity polynomial transformations, as the local geometric transformations, are modeled as prior information by means of Markov random fields. This probabilistic approach allows one to find optimal estimators by minimizing an energy function in terms of both fields, making the registration between the images possible.     

基于特征区域的图像自动配准

为了解决基于特征的图像配准中的特征点的定义和提取问题,提出了一种以特征区域替代特征点的定义和提取方法。该方法应用Moravec算子选择候选特征区域,使用具有旋转不变性的Zernike矩表征该区域的特性;采用二级匹配策略进行特征区域的匹配,即基于自组织映射神经网络的初始匹配及精细匹配;建立图像的配准框架并实现图像的配准。实验结果表明,该方法能有效地提取图像的特征点并能准确地进行特征点的匹配,整个配准过程完全自动进行。     

一种新的基于多特征的图像自动配准技术*

提出了一种新的基于多特征的图像自动配准技术。该方法使用不变矩对图像中的区域进行匹配,然后利用匹配区域的区域标记寻找大尺度上的特征点作为控制点进行初始配准,进而在此基础上指导改进链码的方法对开放边缘进行二次配准。最后根据所得到的控制点构成的超定方程组利用最小二乘拟合的方法得到配准参数。经过实验证明该算法能够达到亚像素级的配准精度,并且适用于不同传感器图像以及同传感器同波段或不同波段图像之间的精确配准。