典型醫(yī)學(xué)圖像配準(zhǔn)方法及優(yōu)化策略的研究進(jìn)展

孟勛

西安工業(yè)大學(xué)電子信息工程學(xué)院 生物醫(yī)學(xué)工程系，陜西 西安 710021

典型醫(yī)學(xué)圖像配準(zhǔn)方法及優(yōu)化策略的研究進(jìn)展

孟勛

西安工業(yè)大學(xué)電子信息工程學(xué)院 生物醫(yī)學(xué)工程系，陜西 西安 710021

醫(yī)學(xué)圖像配準(zhǔn)是醫(yī)學(xué)圖像處理的重要內(nèi)容，具有重要的地位。本文結(jié)合醫(yī)學(xué)配準(zhǔn)的實(shí)例對幾種典型醫(yī)學(xué)圖像配準(zhǔn)方法及優(yōu)化進(jìn)行了研究，綜述了醫(yī)學(xué)圖像配準(zhǔn)的概念、原理、基本變換、配準(zhǔn)類型方法及優(yōu)化策略等。

圖像配準(zhǔn)；醫(yī)學(xué)圖像剛性變換；優(yōu)化策略；特征點(diǎn)

0 前言

隨著計(jì)算機(jī)技術(shù)和信息化技術(shù)的發(fā)展，醫(yī)學(xué)影像設(shè)備近年得到迅速發(fā)展，在臨床和醫(yī)療信息化中得到廣泛應(yīng)用。面對如X線斷層成像、SPET（單光子發(fā)射體層攝影術(shù)）、PET（正電子發(fā)射計(jì)算機(jī)斷層顯像）、MRI（磁共振成像）、fMRI（功能性磁共振成像）、DSA（數(shù)字減影技術(shù)）、超聲成像、腦磁圖等多種類型的醫(yī)學(xué)圖像進(jìn)行處理，得到適合診斷和信息化處理需求的圖像，是一個(gè)重要命題和研究內(nèi)容。而醫(yī)學(xué)圖像配準(zhǔn)及其優(yōu)化是其中一個(gè)重要的研究內(nèi)容。不同的醫(yī)學(xué)影像可以提供人體相關(guān)臟器和組織的不同信息。臨床醫(yī)生希望對不同圖像信息進(jìn)行適當(dāng)?shù)募梢赃m應(yīng)臨床診斷和醫(yī)療信息化的要求。面對成像原理不同、分辨率不同、成像參數(shù)等不同的醫(yī)學(xué)圖像進(jìn)行圖像融合，在圖像融合前必須先進(jìn)行圖像配準(zhǔn)，使醫(yī)學(xué)圖像與診斷意義相匹配，并達(dá)到計(jì)算機(jī)信息化處理的要求[1]。

醫(yī)學(xué)圖像配準(zhǔn)是醫(yī)學(xué)圖像融合的前提和基礎(chǔ)，在醫(yī)療診斷和醫(yī)療信息化的環(huán)境中具有重要地位和作用。隨著生物醫(yī)學(xué)工程和計(jì)算機(jī)技術(shù)的發(fā)展，面對各種醫(yī)學(xué)影像設(shè)備提供的醫(yī)學(xué)影像圖像，進(jìn)行圖像配準(zhǔn)，是進(jìn)行醫(yī)療診斷和進(jìn)一步信息化處理的前提和基礎(chǔ)。

1 圖像配準(zhǔn)

由于拍攝條件的不同，對于從不同角度、不同位置拍攝的2張照片，對其中每1張照片來說，照片只反映人像某一或某些方面的特征，比如2張照片分別只反映出人像鼻子和口腔的內(nèi)容。要利用2張照片對照片內(nèi)容進(jìn)行綜合分析，就需要將其中的1張照片中的人像等圖像內(nèi)容進(jìn)行移動和旋轉(zhuǎn)，使之與另1幅照片中相應(yīng)對齊，稱之為配準(zhǔn)[2]。保持不動做參照物的圖像叫做參考圖像，進(jìn)行變換使之與參考圖像配準(zhǔn)的圖像叫做浮動圖像。經(jīng)圖像配準(zhǔn)和圖像融合后的圖像反映圖像中所研究內(nèi)容的全貌，如圖1所示，反映包含鼻子和口腔的人像圖像全貌。醫(yī)學(xué)圖像的配準(zhǔn)是利用計(jì)算機(jī)技術(shù)，經(jīng)過適當(dāng)?shù)目臻g變換處理，使2幅圖像上的同一點(diǎn)達(dá)到空間域上的一致[2-3]。圖像配準(zhǔn)示意圖，見圖1。

圖1 圖像配準(zhǔn)示意圖

2 醫(yī)學(xué)圖像配準(zhǔn)的基本變換

2.1 剛體變換

剛體變換可以分解為旋轉(zhuǎn)和平移：

其中，A為旋轉(zhuǎn)向量矩陣，b為平移向量矩陣。

當(dāng)變換滿足（2），（3），（4）等以上條件時(shí)，稱為剛性變換。以剛性變換和非剛性變換為主要變換研究對象，介紹醫(yī)學(xué)圖像配準(zhǔn)的概念。以人體顱骨為例，可將人腦看作為一個(gè)剛體，在對人腦醫(yī)學(xué)影像進(jìn)行配準(zhǔn)處理時(shí)，以剛體變換模型作為變換模型進(jìn)行研究。

2.2 非剛體變換

3 醫(yī)學(xué)圖像配準(zhǔn)

3.1 配準(zhǔn)原理

以二維醫(yī)學(xué)圖像配準(zhǔn)為例，對在不同時(shí)間或/和不同條件下獲取的2幅醫(yī)學(xué)圖像A（X,Y） 和B（X,Y） 進(jìn)行配準(zhǔn)，就是定義一個(gè)相似性測度并找尋出一個(gè)空間變換關(guān)系，使得在經(jīng)過該空間變換后2幅圖像間在所定義的相似度測度下的相似性達(dá)到最大。即使圖像A上的每一個(gè)點(diǎn)和圖像B上的每一點(diǎn)都有唯一的點(diǎn)相對應(yīng)，并且這對點(diǎn)是對應(yīng)同一解剖位置的點(diǎn)。

其中，S是相似性測度函數(shù)，T代表空間變換。

配準(zhǔn)的過程可歸結(jié)為尋求最佳空間變換的過程：

由于T空間變換包含多個(gè)參數(shù)，這是一個(gè)多參數(shù)最優(yōu)化問題，一般通過迭代過程實(shí)現(xiàn)多參數(shù)的優(yōu)化最終實(shí)現(xiàn)配準(zhǔn)。

增量T可以用計(jì)算梯度的方法計(jì)算：

3.2 配準(zhǔn)過程

圖像配準(zhǔn)流程圖，見圖2。

圖2 圖像配準(zhǔn)流程圖

（1）對圖像進(jìn)行特征提取，理想的特征是易于提取，運(yùn)算量少，最終配準(zhǔn)效果不受噪聲、光照等因素影響。

（2）確定相似性測度的選擇和計(jì)算，確定配準(zhǔn)準(zhǔn)則作為衡量依據(jù)。

（3）對浮動圖像進(jìn)行空間變換，根據(jù)需要進(jìn)行插值，獲得變換后的圖像。

（4）變化后的圖像與參考圖像進(jìn)行相似性測度，以尋求最優(yōu)化配準(zhǔn)，依據(jù)確定的配準(zhǔn)準(zhǔn)則衡量是否最優(yōu)化。

（5）若達(dá)到最優(yōu)化，配準(zhǔn)結(jié)束，輸出配準(zhǔn)后的圖像；否則更新空間變換，重新進(jìn)行浮動圖像的空間變換，獲得變換后的圖像，轉(zhuǎn)到步驟（4）。

總而言之，圖像配準(zhǔn)的過程實(shí)質(zhì)上是尋優(yōu)的過程。

3.3 關(guān)于優(yōu)化

3.3.1 優(yōu)化方法

根據(jù)配準(zhǔn)變換的參數(shù)求解方式可分為直接法和基于搜索2種優(yōu)化方法分類。把問題簡化到一定程度，能夠直接計(jì)算出配準(zhǔn)變換的參數(shù)，稱作直接法。而在最優(yōu)匹配測度的指導(dǎo)下，從一種或多種猜測開始，使2幅圖像在某一變換時(shí)達(dá)到最優(yōu)匹配測度意義上的最大相似，是1種逐漸逼近的優(yōu)化過程，稱作基于搜索的方法。用這種方法需構(gòu)造出能合理估計(jì)變換的最優(yōu)匹配測度或能量函數(shù)。而該最優(yōu)匹配函數(shù)（或測度）的計(jì)算精確度和計(jì)算速度又往往是成相互約束關(guān)系的，而且要避免局部極值出現(xiàn)。典型的基于搜索的優(yōu)化方法如最陡下降法的函數(shù)（或測度）只出現(xiàn)1個(gè)極值，且簡單、快速，模擬退火法能較好地協(xié)調(diào)最優(yōu)匹配測度或能量函數(shù)的計(jì)算速度和計(jì)算精確度間的相互約束關(guān)系。

在實(shí)際中多種優(yōu)化算法經(jīng)?；旌鲜褂茫话汩_始時(shí)使用粗略的快速算法，然后使用精確的慢速算法。Ren等[4]對3D多模態(tài)圖像進(jìn)行配準(zhǔn)時(shí)采用了Powell法和一維優(yōu)化算法，實(shí)行了2種優(yōu)化方法的混用，并且采用多分辨率方法加速配準(zhǔn)過程。He[5]等提出的全局優(yōu)化策略綜合了遺傳算法和切分矩形（Dividing Rectangle）2種優(yōu)化方法。

3.3.2 優(yōu)化過程

優(yōu)化過程可以看作圖像配準(zhǔn)過程的一部分，可與配準(zhǔn)過程交叉進(jìn)行，也可在配準(zhǔn)過程后作為對醫(yī)學(xué)圖像的優(yōu)化，以增強(qiáng)圖像配準(zhǔn)的效果。在優(yōu)化過程與配準(zhǔn)過程交叉進(jìn)行模式下，通過優(yōu)化過程監(jiān)測和考核配準(zhǔn)過程的效果，并根據(jù)結(jié)果動態(tài)調(diào)整配準(zhǔn)方法。在優(yōu)化過程和配準(zhǔn)過程交叉進(jìn)行的模式下，配準(zhǔn)方法和優(yōu)化方法根據(jù)具體情況采取一種或多種方法，最終制定出最佳配準(zhǔn)策略。

3.3.3 優(yōu)化策略

醫(yī)學(xué)圖像配準(zhǔn)從某種意義上講是一個(gè)最優(yōu)化問題。面對不同成像模式，臨床上需要對這些醫(yī)學(xué)圖像進(jìn)行信息整合，提供全面的醫(yī)學(xué)信息，以適應(yīng)診斷的需要。對這些醫(yī)學(xué)信息進(jìn)行整合，第一步稱之為配準(zhǔn)，進(jìn)一步為圖像融合，使配準(zhǔn)后的醫(yī)學(xué)圖像以新的模態(tài)顯示出來。為了更好地進(jìn)行圖像融合，進(jìn)行醫(yī)學(xué)信息的整合，在圖像配準(zhǔn)層面，必須進(jìn)行最優(yōu)化，講求優(yōu)化策略。

優(yōu)化策略需要解決的實(shí)質(zhì)問題之一就是在有局部極值點(diǎn)以及相似性測度函數(shù)不是很光滑的情況下，快速找到極值點(diǎn)，因而優(yōu)化策略實(shí)質(zhì)就是對相似性函數(shù)尋求最優(yōu)化的n維參數(shù)的過程，然后根據(jù)相似性測度函數(shù)尋優(yōu)的過程和結(jié)果調(diào)整變換參數(shù)和變換空間，進(jìn)而改變浮動圖像的配準(zhǔn)過程和結(jié)果，使浮動圖像進(jìn)一步匹配參考圖像。

最優(yōu)化問題首先根據(jù)醫(yī)學(xué)圖像配準(zhǔn)的需要尋求或確定一個(gè)準(zhǔn)則，接下來根據(jù)準(zhǔn)則確定目標(biāo)函數(shù)，通過最優(yōu)化目標(biāo)函數(shù)來得到最佳空間變換，最后將得到的空間變換作用于浮動圖像，完成配準(zhǔn)。從某種意義上講，醫(yī)學(xué)圖像配準(zhǔn)的實(shí)質(zhì)是最優(yōu)化問題。成像情景提供了進(jìn)行圖像配準(zhǔn)的起始條件和邊界條件，面對這些起始條件和邊界條件，圖像配準(zhǔn)的過程實(shí)質(zhì)上是在這些條件下尋求最優(yōu)化的過程，是尋優(yōu)的過程。從另一方面說優(yōu)化必須尊重圖像的初始條件、邊界條件等現(xiàn)實(shí)條件，優(yōu)化策略顯得更為重要。

通常用相似性測度作為目標(biāo)函數(shù)來衡量最優(yōu)化，當(dāng)函數(shù)達(dá)到最優(yōu)時(shí)，確定的變換進(jìn)行圖像配準(zhǔn)，認(rèn)為是最佳配準(zhǔn)。在基于灰度的配準(zhǔn)算法中，近年來相似性測度算法得到了對比研究。典型的相似性測度有歸一化相關(guān)、互信息、差值圖像的熵、梯度相關(guān)、梯度差分、模式強(qiáng)度等[6]?；趫D像特征的方法需要先分別提取2幅圖像的特征，然后最小化對應(yīng)特征之間的距離。常用的特征匹配方法有互信息、均方根誤差、互相關(guān)系數(shù)、松弛法、馬氏距離、聚類法等[7]。

可直接計(jì)算參數(shù)的最優(yōu)化選擇是使用解析的方法計(jì)算參數(shù)，大多數(shù)其他情況下，只能在搜索空間對目標(biāo)函數(shù)和變換參數(shù)進(jìn)行最優(yōu)化。常用的優(yōu)化算法有Powell算法、最速梯度下降法、牛頓法、共輒梯度法、蟻群算法、遺傳算法、最大流/最小割算法，應(yīng)用中最受關(guān)注的是Powell算法和遺傳算法。

（1） Powell法，又稱為方向加速法?；竞x如下：整個(gè)計(jì)算優(yōu)化的過程分成若干迭代的過程，對于n個(gè)參數(shù)的優(yōu)化問題，歸結(jié)為n維極值問題，迭代的每個(gè)階段，進(jìn)行（n+1）次一維搜索。沿n個(gè)線性無關(guān)的方向，，...，進(jìn)行一維搜索，然后沿這一階段起點(diǎn)和第n次搜索所得到點(diǎn)的連線方向進(jìn)行一次搜索，所得點(diǎn)為下一階段的起點(diǎn)，同時(shí)下一階段搜索方向?yàn)?，?..，。

（2） 遺傳算法。遺傳算法是一種基于選擇的隨機(jī)搜索算法。該算法模擬自然界生物進(jìn)化的過程，借鑒優(yōu)勝劣汰，適者生存的機(jī)制，將優(yōu)化問題視作一個(gè)生態(tài)環(huán)境，將一個(gè)解看做生存環(huán)境中的一個(gè)個(gè)體，以目標(biāo)函數(shù)來評價(jià)個(gè)體對環(huán)境的適應(yīng)能力，進(jìn)行進(jìn)化過程獲得最好的個(gè)體，即問題的最優(yōu)解。

這2種算法都是無需求導(dǎo)數(shù)的直接優(yōu)化法，可以適用于搜索空間中的任何空間限制。Powell等經(jīng)典算法的優(yōu)化速度較快，但易陷入局部極小值，常與其他方法結(jié)合使用[8]。遺傳算法可以避免陷入局部最優(yōu)，優(yōu)化能力強(qiáng)，但速度較慢。參數(shù)的最優(yōu)化搜索中遺傳算法、蟻群算法等現(xiàn)代算法得到大量應(yīng)用以解決局部最值問題[9-10]。通常情況下，在對目標(biāo)函數(shù)進(jìn)行優(yōu)化的過程中，常常使用多分辨率多尺度的優(yōu)化策略[11-12]，并與其他優(yōu)化方法相結(jié)合[13-14]。這樣可以避免陷入局部極值，減少搜索空間，加快搜索速度，從而提高搜索效率。基于互信息和量子粒子群算法優(yōu)化策略得到大量應(yīng)用，互信息優(yōu)化策略中出現(xiàn)了螢火蟲算法等優(yōu)化算法[15-17]。

4 醫(yī)學(xué)圖像配準(zhǔn)類型

4.1 分類方法

依據(jù)配準(zhǔn)的側(cè)重目標(biāo)取向不同，醫(yī)學(xué)圖像配準(zhǔn)有不同的分類方法[18-19]。

4.1.1 按研究對象分類

根據(jù)圖像來源可分為3類：① 同一患者的圖像配準(zhǔn)；② 不同患者之間的圖像配準(zhǔn)；③ 患者和圖譜之間的配準(zhǔn)。按配準(zhǔn)部位又可分為頭部、胸部、腹部、骨盆、會陰、肢體以及脊骨和椎骨等，各配準(zhǔn)部分之中又可以進(jìn)一步進(jìn)行細(xì)分。對于不同的研究對象分類方法進(jìn)行配準(zhǔn)具有不同的配準(zhǔn)效果。如，基于患者自身的圖像配準(zhǔn)：對同一病人某一部位不同時(shí)期的圖像進(jìn)行配準(zhǔn)，可以比較客觀地評價(jià)疾病的變化情況和治療效果；不同患者之間的圖像配準(zhǔn)：將病人的圖像與正常人的同一部位的圖像進(jìn)行配準(zhǔn)，用以判斷病人是否正常。由于不同人體個(gè)體上的差異，這種圖像配準(zhǔn)效果難于基于患者自身的圖像配準(zhǔn)。

4.1.2 按配準(zhǔn)的模態(tài)信息分類

對于同一個(gè)人的圖像配準(zhǔn)，根據(jù)模態(tài)信息又可分為單模態(tài)配準(zhǔn)與多模態(tài)配準(zhǔn)。醫(yī)學(xué)圖像配準(zhǔn)類型圖，見圖3。

圖3 醫(yī)學(xué)圖像配準(zhǔn)類型圖

4.1.3 按配準(zhǔn)所基于的特征分類

（1）基于外部特征的圖像配準(zhǔn)：所謂外部特征就是在研究對象上固定的一些標(biāo)志物或標(biāo)記物，這些標(biāo)志物或標(biāo)記物在不同的成像模式中都能清楚可視和精確檢測到。然后通過自動半自動或交互式的方式將這些標(biāo)志物或標(biāo)記點(diǎn)配準(zhǔn)。然后根據(jù)配準(zhǔn)參數(shù)進(jìn)行其他點(diǎn)的配準(zhǔn)。此種配準(zhǔn)精度高，但是局限性比較大。目前，僅適用于研究對象可看作剛體的配準(zhǔn)，并且只適用于同一患者不同圖像模式之間的配準(zhǔn)，不適用于患者之間以及圖像與圖譜之間的配準(zhǔn)。

（2）基于內(nèi)部特征的圖像配準(zhǔn)：該圖像配準(zhǔn)方法又可分為基于標(biāo)記特征的圖像配準(zhǔn)方法、基于分割的圖像配準(zhǔn)方法和基于體素相似性的配準(zhǔn)方法。

（3）基于非圖像的配準(zhǔn)。

4.1.4 維數(shù)

不管待配準(zhǔn)醫(yī)學(xué)圖像是否包含時(shí)間維數(shù)，均可按空間維數(shù)將配準(zhǔn)類型分為2D/2D、2D/3D以及3D/3D配準(zhǔn)。2D/2D配準(zhǔn)通常指2個(gè)斷層層面間的配準(zhǔn)；2D/3D配準(zhǔn)通常指空間圖像和投影圖像（或者是單獨(dú)的一個(gè)層面）間的直接配準(zhǔn)；3D/3D配準(zhǔn)指2幅三維空間圖像間的配準(zhǔn)。2D/2D圖像配準(zhǔn)不具有回溯性，而2D/3D、3D/3D能部分或全部克服這個(gè)局限。當(dāng)2D擴(kuò)展到3D時(shí)，參數(shù)個(gè)數(shù)和圖像數(shù)據(jù)量也會隨著增大，配準(zhǔn)也會變得更為復(fù)雜。在空間維數(shù)基礎(chǔ)上再加上時(shí)間維數(shù)，則原來的2D、3D就分別變成了3D、4D。在臨床中這種加上時(shí)間維數(shù)的配準(zhǔn)可用來觀察兒童骨骼生長、監(jiān)視創(chuàng)口的愈合等。

4.1.5 根據(jù)用戶交互性分類

根據(jù)人參與的程度，配準(zhǔn)可以分為全自動配準(zhǔn)、半自動配準(zhǔn)和交互配準(zhǔn)。全自動配準(zhǔn)中用戶只需提供相應(yīng)的算法和圖像數(shù)據(jù)；半自動配準(zhǔn)中用戶需初始化算法或指導(dǎo)算法；交互配準(zhǔn)需要用戶在軟件的幫助下人工參與配準(zhǔn)。

4.2 圖像配準(zhǔn)類型

圖像配準(zhǔn)的方法有很多，根據(jù)不同的準(zhǔn)則有著不同的配準(zhǔn)方法。本文從圖像特征空間的角度出發(fā)，介紹了幾種常用的圖像配準(zhǔn)方法以及近幾年的發(fā)展應(yīng)用。

4.2.1 基于特征點(diǎn)的配準(zhǔn)方法

點(diǎn)法又分內(nèi)部點(diǎn)（Intrinsic Points）及外部點(diǎn)（Extrinsic Points）。內(nèi)部點(diǎn)是從與病人相關(guān)的圖像性質(zhì)中得到的，如解剖標(biāo)志點(diǎn)（Anatomical Landmark Points）。外部點(diǎn)則是在受試者顱骨嵌入的螺釘、在皮膚上做的記號或其他在兩幅圖像都可檢測到的附加標(biāo)記物。無論內(nèi)部點(diǎn)還是外部點(diǎn)，一經(jīng)確定，兩幅圖像的配準(zhǔn)問題就歸結(jié)為求解對應(yīng)點(diǎn)集的剛體變換了。這些標(biāo)志點(diǎn)對準(zhǔn)，兩幅圖像也就配準(zhǔn)了。

圖像內(nèi)部具有一些可明顯識別的特征，如具有解剖結(jié)構(gòu)和幾何結(jié)構(gòu)的特征點(diǎn)（組織的交叉點(diǎn)、拐點(diǎn)點(diǎn)、邊緣、輪廓、局部曲率極值、高曲率點(diǎn)、直線段合區(qū)域甚至人工加上的標(biāo)志點(diǎn)等），這種特征點(diǎn)可由計(jì)算機(jī)自動計(jì)算獲得[20]?；趦?nèi)部特征的配準(zhǔn)方法靈活，具有較好的回溯性，且不會讓病人感到不適，是目前配準(zhǔn)領(lǐng)域研究的重點(diǎn)之一，Ryan等人[21]利用該法實(shí)現(xiàn)了視網(wǎng)膜圖像的配準(zhǔn)。

三維醫(yī)學(xué)圖像的配準(zhǔn)算法可以基于從圖像提取的特征，或基于圖像強(qiáng)度的相似性最優(yōu)化出發(fā)來進(jìn)行圖像配準(zhǔn)。從三維醫(yī)學(xué)圖像首先提取一個(gè)表面，然后在該表面上提取基準(zhǔn)線，再從這些基準(zhǔn)線上選取基準(zhǔn)點(diǎn)。

4.2.2 基于表面的圖像配準(zhǔn)方法

基于表面的配準(zhǔn)技術(shù)典型的例子是“頭帽法”。從一幅圖像輪廓提取的點(diǎn)集稱作帽子（“Hat”），從另一幅圖像輪廓提取的表面模型叫做頭（“Head”）。體積較大的病人圖像或圖像體積大小差不多而分辨較高的圖像可用來變換產(chǎn)生頭表面模型，通過空間變換將帽子的點(diǎn)集變換到頭的點(diǎn)集上。Powell搜索算法被用來尋求所需的幾何變換，即使帽點(diǎn)和頭表面間的距離平均平方值最小，將其作為最優(yōu)策略。

生：3.14×6×6×8+3.14×6×6×（12-8）×應(yīng)該是第二題的正確列式，第一題應(yīng)該是3.14×6×6×12-3.14×6×6×（12-8）×

4.2.3 矩和主軸法[22]

借用經(jīng)典力學(xué)中物體質(zhì)量分布的概念，計(jì)算兩幅圖像像素點(diǎn)的質(zhì)心和主軸，再通過平移和旋轉(zhuǎn)使兩幅圖像的質(zhì)心和主軸對齊，從而達(dá)到配準(zhǔn)的目的。

4.2.4 基于像素的圖像配準(zhǔn)[23]

這類配準(zhǔn)方法[24]可分為2種。一種是利用圖像的統(tǒng)計(jì)信息，典型方法是基于矩和主軸法。其缺點(diǎn)是對圖像數(shù)據(jù)缺失敏感度，使配準(zhǔn)的精度降低；優(yōu)點(diǎn)是自動進(jìn)行配準(zhǔn)、速度快而且容易實(shí)現(xiàn)自動化和計(jì)算機(jī)處理，為了減少后續(xù)精準(zhǔn)算法的搜索時(shí)間，經(jīng)常將這種方法作為預(yù)配準(zhǔn)。另一種方法是利用圖像中的所有灰度信息，這種方法實(shí)現(xiàn)簡單，但是對灰度變化比較敏感，會使算法的性能大大降低。第二種方法是目前研究較多的一種方法，本文提到的基于互信息的圖像配準(zhǔn)方法就屬于該種方法。

基于灰度的最大互信息法直接利用圖像灰度信息進(jìn)行配準(zhǔn)，避免了因圖像特征提取帶來的麻煩，同時(shí)也避免了圖像分割帶來的誤差，因而具有精度高、魯棒性強(qiáng)等特點(diǎn)，無需進(jìn)行預(yù)處理就能實(shí)現(xiàn)自動配準(zhǔn)，易于利用計(jì)算機(jī)技術(shù)和信息技術(shù)實(shí)現(xiàn)自動配準(zhǔn)，是人們最喜歡研究的方法之一。

基于全圖灰度信息的配準(zhǔn)方法最早由Woods等[26]提出，目前研究較多的有相關(guān)法、相對熵法、傅立葉變換法、互信息法等，其中互信息法以精度高、穩(wěn)定性好、易實(shí)現(xiàn)自動化等優(yōu)點(diǎn)成為該領(lǐng)域的研究熱點(diǎn)。

4.2.5 基于互信息的圖像配準(zhǔn)方法

互信息是信息理論中的一個(gè)基本概念，通常用于描述兩個(gè)系統(tǒng)間的統(tǒng)計(jì)相關(guān)性，或者是在一個(gè)系統(tǒng)中包含的另一個(gè)系統(tǒng)的信息的多少。

在多模醫(yī)學(xué)圖像配準(zhǔn)問題中，雖然兩幅圖像來源于不同的成像設(shè)備，但只要它們基于共同的人體解剖信息，當(dāng)兩幅圖像的空間位置完全一致時(shí)，其中一幅圖像表達(dá)的關(guān)于另一幅圖像的信息，也就是對應(yīng)像素灰度的互信息應(yīng)為最大。對互信息進(jìn)行嘗試和改進(jìn)，歸一化互信息法是常用的配準(zhǔn)方法之一[27]。

實(shí)施最大互信息配準(zhǔn)法的一些重要技術(shù)問題,包括不增加新數(shù)據(jù)點(diǎn)的格點(diǎn)采樣子集；不產(chǎn)生分?jǐn)?shù)灰度值的PV插值技術(shù)；出界點(diǎn)策略；在搜索策略上采用無需計(jì)算梯度的Powell算法[28]。

還有許多其他配準(zhǔn)方法，如最大相似性法[29]、局部頻率法[30]、能用于大尺度變形的流體動力學(xué)法[31]、基于FFT的方法、基于光流場模型方法[32-33]和由粗到精進(jìn)行迭代的金字塔法[34]等。

5 配準(zhǔn)實(shí)例

以顱骨CT圖像為例，圖4顯示了醫(yī)學(xué)CT圖像的配準(zhǔn)及與MR圖像的融合。

圖4 CT圖像配準(zhǔn)圖

6 圖像配準(zhǔn)的評估（關(guān)于金標(biāo)準(zhǔn)）

醫(yī)學(xué)圖像配準(zhǔn)，特別是多模醫(yī)學(xué)圖像配準(zhǔn)結(jié)果的評估是件很困難但必須進(jìn)行的工作。由于待配準(zhǔn)的多幅圖像基本上都是在不同時(shí)間或/和條件下獲取的，所以沒有絕對的只有相對的配準(zhǔn)，即不存在金標(biāo)準(zhǔn)（Gold Standard）。只有相對的最優(yōu)（某種準(zhǔn)則或要求下的）配準(zhǔn)，沒有絕對的最佳配準(zhǔn)。最優(yōu)配準(zhǔn)與配準(zhǔn)的目的和側(cè)重點(diǎn)息息相關(guān)。

7 結(jié)束語

醫(yī)學(xué)圖像近年來得到迅速發(fā)展，醫(yī)學(xué)影像在醫(yī)療診斷和醫(yī)療信息化的過程中具有重要診斷價(jià)值和應(yīng)用意義。隨著計(jì)算機(jī)技術(shù)和信息技術(shù)的發(fā)展，對醫(yī)學(xué)圖像進(jìn)行配準(zhǔn)逐漸成為重要的研究命題。醫(yī)學(xué)圖像配準(zhǔn)在醫(yī)療診斷中具有重要地位，影響著醫(yī)療診斷的效果和效率，也是其他醫(yī)學(xué)圖像處理的基礎(chǔ)和前提，比如圖像融合、三維重建等。

[1]袁園.基于醫(yī)用CT圖像的配準(zhǔn)方法及精度研究[D].濟(jì)南：山東大學(xué),2012.

[2]王陽萍,杜曉剛,趙庶旭,等.醫(yī)學(xué)影像圖像處理[M].北京：清華大學(xué)出版社.2012,6.

[3]羅述謙,周果宏.醫(yī)學(xué)圖像處理與分析[M].北京：科學(xué)出版社, 2010,12.

[4]Ren H,Wu W,Yang H,et al.Method of multi-resolution 3D image registration by mutual information[J].Sheng Wu Yi Xue Gong Cheng Xue Za Zhi,2002,19（4）：599-601,610.

[5]He R,Narayana PA.Global optimization of mutual information：application to three-dimensional retrospective registration of magnetic；resonance images[J].ComputerizedMedical Imaging and Graphics,2002,26（4）：277-292.

[6]張冉,王雷,夏威,等.2D/3D圖像配準(zhǔn)中的相似性測度和優(yōu)化算法[J].激光與紅外,2014,44（1）：98-102.

[7]張娟.醫(yī)學(xué)圖像配準(zhǔn)中相似性測度的研究[D].廣州：南方醫(yī)科大學(xué),2014.

[8]趙海峰,姚麗莎,羅斌.改進(jìn)的人工魚群算法和powell法結(jié)合的醫(yī)學(xué)圖像配準(zhǔn)[J].西安交通大學(xué)學(xué)報(bào),2011,45（4）：46-52.

[9]陳慶芳.圖像配準(zhǔn)研究及其應(yīng)用—基于互信息和優(yōu)化算法的多模圖像配準(zhǔn)[D].無錫：江南大學(xué),2011.

[10]馮雪芳,吳錫生.一種混合搜索優(yōu)化策略的圖像配準(zhǔn)方法研究[J].計(jì)算機(jī)仿真,2012,29（9）：274-277.

[11]馬賓,馬德貴,廖建敏.基于多分辨率的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)[J].量子電子學(xué)報(bào),2012,29（1）：15-20.

[12]李登旺,王洪軍,尹勇.基于邊緣保護(hù)多尺度空間的醫(yī)學(xué)圖像配準(zhǔn)方法[J].模式識別與人工智能,2011,24（1）：117-122.

[13]張建勛,劉羽.基于多分辨率圖像錐與Hausdorff距離的醫(yī)學(xué)圖像配準(zhǔn)[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)）,2010,24（1）：60-64.

[14]周其慧,宋余慶,陳健美,等.基于多分辨率和Powell算法的醫(yī)學(xué)圖像配準(zhǔn)[J].計(jì)算機(jī)應(yīng)用研究,2013,30（4）：1256-1258.

[15]王小根,須文波.基于最大互信息和量子粒子群優(yōu)化算法的醫(yī)學(xué)圖像配準(zhǔn)研究[J].計(jì)算機(jī)應(yīng)用研究,2008,25（12）：3685-3687.

[16]方偉,孫俊,丁彥蕊,等.醫(yī)學(xué)圖像配準(zhǔn)的混合量子粒子群優(yōu)化算法研究[J].2011,47（3）：166-169.

[17]杜曉剛,黨建武,王陽萍,等.基于螢火蟲算法的互信息醫(yī)學(xué)圖像配準(zhǔn)[J].計(jì)算機(jī)科學(xué),2013,40（7）：273-276.

[18]Brown LG.Asurvey of imaging registration techniques[J].ACM Computing Surνeys,1992,24（4）：325-376.

[19]Zitova B,Flusser J.Image registration methods：asurvey[J].Image VisComput,2003,21（11）：977-1000.

[20]EmmaMM,Ruben C,Rodriqo LG,et al.Carlos.image registration based on automaticdetection of anatomical landmarks for bone age assessment[J].WSEASE Transactions on Computers,2005,4（11）：1596-1603.

[21]N.Ryan,C.Heneghan,P.Chazal.Registration ofdigital retinal images using landmark correspondence by expectation maximization[J].Im-age and Vision Computing,2004,22（11）：883-898.

[22]Blow.H,Dooley.L,Wermser.D.Application of principal axes for registration of NMR imagesequences[J].Pattern Recognition letters,2000,21（4）：329-336.

[23]申艷平.醫(yī)學(xué)圖像配準(zhǔn)技術(shù)[J].中國醫(yī)學(xué)物理學(xué)雜志,2013,30（1）：3885-3889.

[24]R.Romero,R.Rodriguez-Asomoza,J.Alarcon-Aquino,et al.Multi-modal medical image registion based on nonrigid transformations and feature point extraction by using wavelets[C].IEEE Instrumentation andMeasurement Technology Conference Proceedings,2004：763-766.

[25]葛云,舒華忠,羅立民.基于Legendre正交矩的配準(zhǔn)方法及其在二值圖像配準(zhǔn)中的應(yīng)用[J].電子學(xué)報(bào),2001,29（1）：54-56.

[26]Woods RP,Cherry SR,Mazziotta JC.Rapid automated agorithm for aligning and reslicing pet images[J].J Computer Assist Tomogr,1992,16（4）：620-633.

[27]潘曉光,李宏,康雁,等.雙向梯度歸一化互信息醫(yī)學(xué)圖像配準(zhǔn)方法[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版）,2012,33（8）：1107-1110.

[28]王鶴濤,武栓虎,張?jiān)较?基于最小概率距離和改進(jìn)PV插值的圖像配準(zhǔn)[J].計(jì)算機(jī)工程,2011,37（21）：188-190.

[29]Yang-Ming ZHU,COCHOFF SM.LikelihoodMaximization Approach to Image Registration[J].IEEE Trans. On Image Proc essing,2002,11（12）：1417-1425.

[30]Liu J,Vemuri BC,Marroquin JL.Local frequency representations for robust multimodal image registration[J].IEEE TransMed Imaging,2002,21（5）：462-469.

[31]Wollny G,Kruggel F.Computional cost of nonrigid registration algorithms based on fluiddynamics[J].IEEE TransMed Imaging, 2002,21（8）：946-952.

[32]王安娜,薛嗣麟,俞躍,等.基于改進(jìn)光流場模型的醫(yī)學(xué)圖像配準(zhǔn)方法[J].中國圖象圖形學(xué)報(bào),2010,15（2）：328-333.

[33]趙永潔.基于光流場模型的非剛性醫(yī)學(xué)圖像配準(zhǔn)算法研究[D].包頭：內(nèi)蒙古科技大學(xué),2012.

[34]HS Stone,MT Orchard,EC Chang,et al.A fastdirect fourierbased algorithm forsubpixel registration of image[J].IEEE Transactions On Geoscience and Remote Sensing,2001,39（10）：2235-2241.

Research on the TypicalMedical Image RegistrationMethod and Its Optimization Strategies

MENG Xun
Department of Bio-Medical Engineering, School of Electronic and Information Engineering, Xi'an Technological University, Xi'an Shaanxi 710032, China

As an important content for medical image processing, medical image registration played asignificant role. Several methods and optimizationstrategies of medical image registration werestudied in this paper, in combination with the concept, principle, basic transformation and type of the medical image registration as well as optimizationstrategies.

image registration；medical images rigid transformation；optimizationstrategies；feature points

TP391.41

A

10.3969/j.issn.1674-1633.2015.08.020

1674-1633（2015）08-0064-06

2015-01-16

修回日期：2015-02-02

作者郵箱：bearmx@163.com