基于自适应切空间的MRI图像配准

微分同胚是一种光滑可逆的变换,在MRI图像配准中可以保证图像形变后的拓扑结构保持不变,同时避免出现不合理的物理现象。为了在空间变换中获得更合理的同胚映射,高维空间中数据的非线性结构被考虑,基于流形学习方法提出一种自适应切空间的MRI图像配准算法。首先,把MRI数据构造成对称正定（SPD）的协方差矩阵,然后形成李群;接着,利用样本点邻域的局部切空间来表示李群的几何结构的非线性;接下来,在流形上用自适应邻域选择的方法形成的线性子空间去逼近局部切空间,提高切空间的局部线性化程度,从而最大限度地保留流形的局部非线性结构,得到最优的同胚映射。仿真数据和临床数据的实验结果显示,与传统的非参数微分同胚配准算法相比,该算法在高维稠密形变场上获得更高的拓扑保持度,最终提高图像配准精度。     

三维医学图像配准在图像引导放疗中的应用

为了确定病人的摆位误差,实现精确放疗,提出一种改进的Demons弹性配准算法。采用FDK算法对锥形束CT(CBCT)图像进行三维重建,利用可视化工具包 (VTK)体绘制法可视化重建结果;在分割与配准工具包 (ITK)基础上实现Demons算法,并基于对称梯度的思想,将参考图像和浮动图像的梯度场信息加入到Demons算法中,给出新的Demons形变力公式。分别使用单模态和多模态医学图像进行配准实验,结果显示改进的Demons算法与原始Demons算法相比,配准速度更快、精度更高。基于对称梯度的Demons算法更适用于图像引导放射治疗中CBCT重建图像与CT计划图像间的配准。     

梯度与曲率变形力相结合的图像配准方法——大形变非刚性图像配准

Active Demons算法是Demons算法的改进形式,其将形变配准视作扩散问题,利用牛顿作用力与反作用力思想,仅依靠梯度信息确定浮动图像的位移,在处理大形变配准问题时存在配准精度不高的弊病。将等照度线曲率作为一个控制形变的驱动力因素引入Active Demons扩散方程,建立了一个具有梯度与曲率双重驱动力相结合的非线性扩散模型（Active G&C model）,并在Active G&C模型应用于大形变图像配准的算法实现过程中加入多分辨率策略,以提高大形变图像的配准精度。实验结果表明,这一模型较经典的Active Demons算法具有更好的配准性能。     

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%。     

基于平衡系数的Active Demons非刚性配准算法

经典的Active demons算法利用参考图像和浮动图像的梯度信息作为驱动力,并使用均化系数调节两种驱动力之间的强度.该算法克服了Demons算法单一使用参考图像的梯度信息作为驱动力的缺点,但是Active demons算法中的均化系数无法同时兼顾大形变和小形变区域的准确配准,还会导致配准的收敛速度和精确度相互制约的问题.为此,本文提出一种新的Active demons非刚性配准算法.提出的算法在Active demons扩散方程中引入一个称为平衡系数的新参数,与均化系数联合调整驱动力,不仅可以兼顾图像中同时具有的大形变和小形变区域的准确配准,而且在一定程度上缓和了收敛速度和精确度相互制约的问题.为了进一步提高配准的收敛速度和精确度,避免陷入局部极值,在新的配准算法的实现中引入由粗到细的多分辨率策略.在Checkboard测试图像、自然图像和医学图像上的实验结果表明,提出的算法较经典的Active demons算法收敛速度更快,配准精度平均提高了54.28%,接近最新的TV-L1光流场图像配准算法的配准精度,解决了Active demons算法存在的问题.     

梯度与曲率变形力相结合的图像配准方法

针对Demons算法将形变配准视作扩散问题,仅靠梯度信息确定浮动图像的位移,在梯度非常小时图像形变方向不能确定,会导致错误的配准变换这一弊病,将等照度线曲率作为一个控制形变的驱动力因素引入Demons扩散方程,建立了一个具有梯度与曲率双重驱动力的非线性扩散模型,将其应用于图像配准。实验结果表明,这一模型较经典Demons算法具有更好的配准性能。     

基于自适应分数阶的医学图像非刚性配准

现有的医学图像配准算法对于灰度均匀、弱边缘以及弱纹理图像易陷入局部最优从而导致配准精度低下、收敛速度缓慢. 分数阶主动Demons (Fractional active Demons, FAD)算法是解决该问题的有效方法, 并且适用于图像的非刚性配准. 但FAD中的最佳分数阶阶次是人工交互选取, 并且对整幅图像都是固定不变的. 为了解决该问题, 提出一种阶次自适应的主动Demons算法并将其应用到医学图像的非刚性配准中. 算法首先根据图像的局部特征建立分数阶阶次自适应的数学模型, 并逐像素计算最优阶次, 基于该阶次构造Riemann-Liouvill (R-L)分数阶微分动态模板; 然后将自适应R-L分数阶微分引入到Active Demons算法, 在一定程度上缓解了图像配准在弱边缘和弱纹理区域易陷入局部最优问题, 从而提高了配准精度. 通过在两个医学图像库上进行实验验证, 实验结果表明该方法可以处理灰度均匀、弱纹理和弱边缘的医学图像非刚性配准, 配准精度得到较大提升.     

Demons非刚性配准算法拓扑保持性的研究

在基于配准的图像分割应用中, 拓扑保持性是非刚性图像配准算法的一个重要约束. 本文从矢量场特性出发, 分析了Demons非刚性图像配准算法导致目标拓扑改变时变形场的特点. 根据变形场特点与其雅可比行列式之间的关系, 给出了校正该算法拓扑保持性的方法. 实验表明, 改进后的变形场具有了拓扑保持性.     

基于小波变换的脑部医学Demons图像配准

非刚性配准是医学图像处理的一个重要研究方向;针对Demons衍生出的一系列经典的配准算法在医学图像应用上计算复杂、方向信息不足问题进行了研究;基于光流场模型的Demons算法依赖图像灰度梯度使图像发生变形,当缺乏梯度信息时,力不能确定,因而容易造成误差,并且该算法仅适合于单模态图像配准;为此文章提出了一种基于小波变换理论的频域Demons配准处理方法(B-Demons);该方法利用小波变换能够对各个尺度、方向和位置实现较好定位的优势,通过高频、低频的图像变换反映出图像的特征信息;实验结果证明了算法的有效性和鲁棒性。     

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。     

变参数active demons算法下的多通道弥散张量图像配准

目的 弥散张量图像（DTI）配准不仅要保证配准前后图像解剖结构的一致性，还要保持张量方向的一致性。demons算法下的多通道DTI配准方法可充分利用张量的信息，改善配准质量，但大形变区域配准效果不理想，收敛速度慢。active demons算法能够加快收敛速度，但图像的拓扑结构容易改变。由此提出一种变参数active demons算法下的多通道DTI配准方法。方法 综合active demons算法中平衡系数能加快收敛速度、均化系数能提高DTI配准精度的优点，手动选择一个均化系数，并在算法收敛过程中随着高斯核的减小动态调整平衡系数。在配准开始时采用较小的平衡系数获得较快的收敛速度，随着收敛的加深逐渐增大平衡系数获得较小的配准误差。结果 active demons方法能改善DTI大形变区域的配准问题，但均化系数太小会改变图像拓扑结构。固定均化系数，引入单一的平衡系数能加快收敛速度，但会导致拓扑结构改变。变参数active demons方法有效提高了配准的收敛速度，明显改善大形变区域的配准效果，同时能保持图像拓扑结构不变。变参数active demons配准后的10组数据均获得最小均方差（MSE）和最大特征值特征向量对重叠率（OVL），配准精度最高。在0.05的配对样本t检验水平下，变参数active demons和active demons方法配准后的MSE、OVL的差异均有统计学意义；变参数active demons和demons方法配准后的MSE、OVL的差异均有统计学意义（p<0.05）。结论 变参数active demons算法下的多通道DTI配准方法明显提高了配准精度和速度，改善了demons方法不能有效配准大形变区域的问题，同时能够保持配准前后图像的拓扑结构，尤其适合个体间形变较大的DTI配准。     

基于 Nyström 低阶近似和谱特征的图像非刚性配准

图像非刚性配准在计算机视觉和医学图像有着重要的作用.然而存在的非刚性配准算法对严重扭曲变形的图像配准精度和效率都比较低.针对该问题,提出基于Nystrm低阶近似和谱特征的图像非刚性配准算法.算法首先提取像素的谱特征,并将谱特征与空间特征、灰度特征融合形成具有扭曲不变性的全局谱特征; 然后在微分同胚配准的框架内使用全局谱匹配,确保算法产生的变形场具有光滑性、可逆性、可微性,以提高配准的精度;其次采用Nystrm抽样方法,随机抽取拉普拉斯矩阵的行与列,低阶逼近该矩阵,降低高维矩阵谱分解的时间,从而提高配准的效率;最后提出基于小波分解的多分辨率图像配准方法,进一步提高配准的精度和效率.理论分析和实验结果均表明,该算法的配准精度和配准效率都有明显的提高.     

残差密集相对平均CGAN的脑部图像配准

目的 针对图像合成配准算法中鲁棒性差及合成图像特征信息不足导致配准精度不高的问题,提出了基于残差密集相对平均条件生成对抗网络（residual dense-relativistic average conditional generative adversarial network,RD-RaCGAN）的多模态脑部图像配准方法。方法 相对平均生成对抗网络中的相对平均鉴别器能够增强模型稳定性,条件生成对抗网络加入条件变量能提高生成数据质量,结合两种网络特点,利用残差密集块充分提取深层网络特征的能力,构建RD-RaCGAN合成模型。然后,待配准的参考CT（computed tomography）和浮动MR（magnetic resonance）图像通过已训练好的RD-RaCGAN合成模型双向合成对应的参考MR和浮动CT图像。采用区域自适应配准算法,从参考CT和浮动CT图像中选取骨骼信息的关键点,从浮动MR和参考MR图像中选取软组织信息的关键点,通过提取的关键点指导形变场的估计。从浮动CT图像到参考CT图像估计一个形变场。类似地,从浮动MR图像到参考MR图像估计一个形变场。另外,采用分层对称的思想进一步优化两个形变场,当两个形变场之间的差异达到最小时,将两个形变场融合得到最终的形变场,并将形变场作用于浮动图像完成配准。结果 实验结果表明,与其他6种图像合成方法相比,本文模型合成的目标图像在视觉效果和客观评价指标上均优于其他方法。对比Powell优化的MI（mutual information）法、ANTs-SyN（advanced normalization toolbox-symmetric normalization）、D.Demons（diffeomorphic demons）、Cue-Aware Net（cue-aware deep regression network）和I-SI（intensity and spatial information）的图像配准方法,归一化互信息分别提高了43.71%、12.87%、10.59%、0.47%、5.59%,均方根误差均值分别下降了39.80%、38.67%、15.68%、4.38%、2.61%。结论 本文提出的多模态脑部图像配准方法具有很强的鲁棒性,能够稳定、准确地完成图像配准任务。     

Diffeomorphic 3D Image Registration via Geodesic Shooting Using an Efficient Adjoint Calculation

In the context of large deformations by diffeomorphisms, we propose a new diffeomorphic registration algorithm for 3D images that performs the optimization directly on the set of geodesic flows. The key contribution of this work is to provide an accurate estimation of the so-called initial momentum, which is a scalar function encoding the optimal deformation between two images through the Hamiltonian equations of geodesics. Since the initial momentum has proven to be a key tool for statistics on shape spaces, our algorithm enables more reliable statistical comparisons for 3D images.     

Information Theoretic Deformable Registration Using Local Image Information

We present a deformable registration algorithm for multi-modality images based on information theoretic similarity measures at the scale of individual image voxels. We derive analytical expressions for the mutual information, the joint entropy, and the sum of marginal entropies of two images over a small neighborhood in terms of image gradients. Using these expressions, we formulate image registration algorithms maximizing local similarity over the whole image domain in an energy minimization framework. This strategy produces highly elastic image alignment as the registration is driven by voxel similarities between the images, the algorithms are easily implementable using the closed-form expressions for the derivative of the optimization function with respect to the deformation, and avoid estimation of joint and marginal probability densities governing the image intensities essential to conventional information theoretic image registration methods. This work has been supported in part by NIH grants R01-NS42645 and R01-AG14971.     

Non-Rigid Multi-Modal Image Registration Using Cross-Cumulative Residual Entropy

In this paper we present a new approach for the non-rigid registration of multi-modality images. Our approach is based on an information theoretic measure called the cumulative residual entropy (CRE), which is a measure of entropy defined using cumulative distributions. Cross-CRE between two images to be registered is defined and maximized over the space of smooth and unknown non-rigid transformations. For efficient and robust computation of the non-rigid deformations, a tri-cubic B-spline based representation of the deformation function is used. The key strengths of combining CCRE with the tri-cubic B-spline representation in addressing the non-rigid registration problem are that, not only do we achieve the robustness due to the nature of the CCRE measure, we also achieve computational efficiency in estimating the non-rigid registration. The salient features of our algorithm are: (i) it accommodates images to be registered of varying contrast+brightness, (ii) faster convergence speed compared to other information theory-based measures used for non-rigid registration in literature, (iii) analytic computation of the gradient of CCRE with respect to the non-rigid registration parameters to achieve efficient and accurate registration, (iv) it is well suited for situations where the source and the target images have field of views with large non-overlapping regions. We demonstrate these strengths via experiments on synthesized and real image data.     

基于LOG算子的小信息量图像匹配算法

为了提高远距离图像导航精度,解决小信息量、小模板及噪声条件下图像匹配的难点,针对传统相位相关的图像匹配算法对图像高频信息利用不足、匹配精度受模板尺寸影响及抗噪声干扰性能差的缺点,提出了基于改进LOG边缘检测算子的图像匹配新算法,采用新的LOG算子对参考图像和模板进行边缘检测,并利用相位相关在整幅图像内对模板进行配准。通过实拍图像对新算法进行了验证,实验结果表明,与传统图像匹配算法相比,新算法匹配精度高、抗噪声能力强,目标定位稳定、可靠。     

iLogDemons: A Demons-Based Registration Algorithm for Tracking Incompressible Elastic Biological Tissues

Tracking soft tissues in medical images using non-linear image registration algorithms requires methods that are fast and provide spatial transformations consistent with the biological characteristics of the tissues. LogDemons algorithm is a fast non-linear registration method that computes diffeomorphic transformations parameterised by stationary velocity fields. Although computationally efficient, its use for tissue tracking has been limited because of its ad-hoc Gaussian regularisation, which hampers the implementation of more biologically motivated regularisations. In this work, we improve the logDemons by integrating elasticity and incompressibility for soft-tissue tracking. To that end, a mathematical justification of demons Gaussian regularisation is proposed. Building on this result, we replace the Gaussian smoothing by an efficient elastic-like regulariser based on isotropic differential quadratic forms of vector fields. The registration energy functional is finally minimised under the divergence-free constraint to get incompressible deformations. As the elastic regulariser and the constraint are linear, the method remains computationally tractable and easy to implement. Tests on synthetic incompressible deformations showed that our approach outperforms the original logDemons in terms of elastic incompressible deformation recovery without reducing the image matching accuracy. As an application, we applied the proposed algorithm to estimate 3D myocardium strain on clinical cine MRI of two adult patients. Results showed that incompressibility constraint improves the cardiac motion recovery when compared to the ground truth provided by 3D tagged MRI.