基于多對(duì)比度磁共振頸動(dòng)脈圖像的配準(zhǔn)算法研究

吳玉霞 徐肖攀 張 曦 劉 洋 張國(guó)鵬 陳慧軍 盧虹冰 李寶娟*

1(第四軍醫(yī)大學(xué)生物醫(yī)學(xué)工程系，西安 710032)2(清華大學(xué)生物醫(yī)學(xué)影像研究中心，北京 100084)

基于多對(duì)比度磁共振頸動(dòng)脈圖像的配準(zhǔn)算法研究

吳玉霞1徐肖攀1張 曦1劉 洋1張國(guó)鵬1陳慧軍2盧虹冰1李寶娟1*

1(第四軍醫(yī)大學(xué)生物醫(yī)學(xué)工程系，西安 710032)2(清華大學(xué)生物醫(yī)學(xué)影像研究中心，北京 100084)

基于在血管壁增強(qiáng)顯示方面的強(qiáng)大潛力，近年來多對(duì)比度核磁共振成像已成為斑塊分析研究的有力工具，但其效能受到多序列圖像血管不匹配的影響。為實(shí)現(xiàn)多序列圖像的準(zhǔn)確血管配準(zhǔn)，在管腔分割的基礎(chǔ)上提出一種由粗到精的兩步配準(zhǔn)策略：先采用迭代最近點(diǎn)實(shí)現(xiàn)多對(duì)比度圖像中心線的剛性配準(zhǔn)，再采用薄板樣條實(shí)現(xiàn)基于血管邊界點(diǎn)的非剛性配準(zhǔn)。在第二步配準(zhǔn)中，為準(zhǔn)確尋找不同序列血管邊界的匹配點(diǎn)，創(chuàng)新使用形狀上下文描述子對(duì)邊界點(diǎn)進(jìn)行篩選，并應(yīng)用確定性退火技術(shù)進(jìn)行全局優(yōu)化。采用新型三維多對(duì)比度磁共振血管成像序列，對(duì)提出算法的有效性進(jìn)行定量評(píng)價(jià)。結(jié)果表明，配準(zhǔn)后不同序列的邊界重合度均達(dá)到95%以上，平均表面距離0.12 mm，可有效提高配準(zhǔn)精度，為后續(xù)斑塊成分的分析奠定基礎(chǔ)。

頸動(dòng)脈粥樣硬化；易損斑塊；磁共振圖像；配準(zhǔn)

引言

大量臨床研究表明，頸動(dòng)脈粥樣硬化斑塊成分及易損性與腦卒中等心腦血管疾病的發(fā)生密切相關(guān)[1]，對(duì)頸動(dòng)脈斑塊及其成分的診斷分析成為目前影像學(xué)技術(shù)研究的熱點(diǎn)。其中，核磁共振成像具有無創(chuàng)、無輻射、軟組織分辨率高等優(yōu)勢(shì)，特別是，多對(duì)比度MRI成像既能夠顯示管腔狹窄，又能顯示斑塊形態(tài)及成分信息，與組織病理學(xué)具有高度的一致性[2]，從而為頸動(dòng)脈斑塊的診斷和評(píng)估提供了一種強(qiáng)有力的檢測(cè)手段。但是，多對(duì)比度成像存在掃描時(shí)間長(zhǎng)、空間分辨率低等局限[3]，加上血管自身拓?fù)鋸?fù)雜，存在直徑、曲率、分支等改變，造成多序列間血管的不完全匹配，這對(duì)于像素級(jí)別的頸動(dòng)脈粥樣硬化斑塊成分識(shí)別是致命的。因此，多序列圖像準(zhǔn)確配準(zhǔn)是此類研究的關(guān)鍵基礎(chǔ)。

根據(jù)采用相似性測(cè)度的不同，圖像配準(zhǔn)可分為基于灰度和基于特征的兩大類算法。其中，基于灰度信息(如互信息[4]、歸一化互信息[5]等)算法的核心是像素的聯(lián)合概率分布模型。對(duì)于多序列圖像的血管配準(zhǔn)，由于血管及斑塊在不同序列中的灰度分布不同，且體積很小，當(dāng)空間信息被忽略時(shí)，配準(zhǔn)的準(zhǔn)確性有待提升。基于特征的配準(zhǔn)主要利用圖像的幾何結(jié)構(gòu)特征(如點(diǎn)、邊緣、輪廓等)的對(duì)應(yīng)關(guān)系作為相似性測(cè)度，在血管等復(fù)雜結(jié)構(gòu)的配準(zhǔn)中應(yīng)用廣泛。Can等采用血管結(jié)構(gòu)中的分支和交叉點(diǎn)作為特征點(diǎn)進(jìn)行配準(zhǔn)[6]。Stewart等則加入血管中心線特征，包括中心線的位置、切線方向和寬度，改進(jìn)配準(zhǔn)的精度[7]。Guo等與筆者類似，基于管腔中心線和管腔邊界點(diǎn)，采用改進(jìn)的迭代最近點(diǎn)(iterative closest point，ICP)和薄板樣條(thin plate spline, TPS)函數(shù)進(jìn)行配準(zhǔn)[8]。由于采用均勻采樣法對(duì)不同序列的匹配點(diǎn)進(jìn)行篩選，對(duì)于具有復(fù)雜形變的血管，其配準(zhǔn)精度有待提高。

為實(shí)現(xiàn)高精度的血管配準(zhǔn)，本研究在管腔分割的基礎(chǔ)上，提出了基于特征點(diǎn)的兩步自動(dòng)配準(zhǔn)方法。由于中心線能夠很好地表達(dá)血管的拓?fù)浣Y(jié)構(gòu)，因此首先選取血管中心線為特征點(diǎn)，采用迭代最近點(diǎn)算法進(jìn)行三維剛性粗配準(zhǔn)；在此基礎(chǔ)上，以管腔內(nèi)邊界點(diǎn)作為特征點(diǎn)，創(chuàng)新使用形狀上下文(shape context)方法進(jìn)行匹配點(diǎn)篩選，并采用薄板樣條函數(shù)進(jìn)行二維非剛性精配準(zhǔn)，從而實(shí)現(xiàn)不同序列圖像中頸動(dòng)脈血管的更準(zhǔn)確匹配。

1 方法

1.1 影像數(shù)據(jù)的采集

采用的多對(duì)比度MRI數(shù)據(jù)來自清華大學(xué)生物醫(yī)學(xué)影像研究中心，包含3個(gè)新型3D序列，即MERGE (motion sensitized driven equilibrium prepared rapid gradient echo)[9]、SNAP (simultaneousnoncontrast angiography and intraplaque hemorrhage)[10]和T2W-VISTA (T2 weighted volume isotropic TSE acquisition)序列[11]。由于3個(gè)序列的管壁管腔信號(hào)互補(bǔ)，其中MERGE的管壁信號(hào)較強(qiáng)，有利于斑塊負(fù)荷的測(cè)量，SNAP管腔信號(hào)較強(qiáng)，又可以清晰地顯示出血病灶，T2W-VISTA和SNAP可用于檢測(cè)高危斑塊成分，因此結(jié)合分析，可為臨床提供更客觀、準(zhǔn)確的判斷信息[12]。

實(shí)驗(yàn)中采用Philips 3T Achieva TX掃描儀和清華大學(xué)自制神經(jīng)血管36通道線圈，對(duì)具有不同程度粥樣硬化斑塊的7名患者進(jìn)行掃描，各序列掃描參數(shù)如表1所示。

表1 多對(duì)比度MRI序列掃描參數(shù)

Tab.1 Scanning parameters of multi-contrast MRI sequences

MERGESNAPT2W-VISTA(TR/TE)/ms9.2/4.310/4.82500/268層厚/mm0.80.80.8層間距/mm0.40.40.4像素間距/mm0.34720.39060.4883采集方向冠狀位冠狀位冠狀位采集矩陣/像素720×720×100640×640×100512×512×124

1.2 算法流程

本研究提出的配準(zhǔn)算法流程如圖1所示。首先采用交互式圖割方法，從待配準(zhǔn)頸動(dòng)脈MRI圖像中分割出血管內(nèi)壁，進(jìn)而提取血管三維中心線；然后采用迭代最近點(diǎn)算法，實(shí)現(xiàn)基于中心線的粗配準(zhǔn)；再用形狀上下文描述子，篩選出相匹配的邊界點(diǎn)；最后對(duì)獲得的匹配點(diǎn)進(jìn)行薄板樣條變換，從而對(duì)圖像進(jìn)行精配準(zhǔn)，進(jìn)一步提高配準(zhǔn)精度。

圖1 算法流程Fig.1 The diagram of the proposed method

1.3 頸動(dòng)脈血管分割及中心線的提取

在本研究中，血管壁的準(zhǔn)確分割是多對(duì)比度血管圖像配準(zhǔn)的基礎(chǔ)。為實(shí)現(xiàn)血管內(nèi)壁的準(zhǔn)確提取，筆者采用交互式圖割方法[13]。該方法對(duì)于處理血管壁等模糊邊界具有較強(qiáng)的優(yōu)勢(shì)，能在較復(fù)雜的頸動(dòng)脈圖像中通過少量交互工作得到滿意的分割效果。

該方法將一幅圖像定義為G=<γ，ε>，其中γ是圖像中的所有節(jié)點(diǎn)，ε是連接節(jié)點(diǎn)的每一條邊。對(duì)圖像中的任意點(diǎn)i，定義：xi=1，i屬于圖像的前景；xi=0，i屬于圖像的背景。在用戶手動(dòng)勾勒?qǐng)D像前景(血管區(qū)域)與背景區(qū)域的基礎(chǔ)上，通過定義能量函數(shù)對(duì)圖像中的像素屬于前景還是背景進(jìn)行判斷，有

(1)

式中，E1是衡量將一個(gè)節(jié)點(diǎn)i定義為前景或者背景所需要消耗的能量，E2是當(dāng)兩個(gè)相鄰的像素標(biāo)記不一樣時(shí)付出的代價(jià)，λ是平衡這兩個(gè)能量函數(shù)的一個(gè)參數(shù)。有關(guān)算法的具體描述及各項(xiàng)的定義計(jì)算詳見文獻(xiàn)[13]。

獲得頸動(dòng)脈內(nèi)壁邊界點(diǎn)后，血管中心線則由每一層邊界的幾何中心點(diǎn)確定。

1.4 頸動(dòng)脈血管配準(zhǔn)

考慮到血管拓?fù)浣Y(jié)構(gòu)及變化的復(fù)雜性，本研究基于提取的管腔內(nèi)邊界和血管中心線，提出由粗到細(xì)的兩步配準(zhǔn)法，實(shí)現(xiàn)多對(duì)比度血管圖像的準(zhǔn)確配準(zhǔn)。首先采用迭代最近點(diǎn)算法，對(duì)不同序列的血管中心線進(jìn)行三維粗配準(zhǔn)，獲得較為準(zhǔn)確的初始位置。由于中心線難以反映血管壁的各種變化，因此將血管邊界點(diǎn)作為特征點(diǎn)，進(jìn)一步進(jìn)行精配準(zhǔn)?？紤]到不同序列圖像的灰度差異及形變，其血管邊界點(diǎn)的數(shù)目和位置有所不同，為提高匹配的準(zhǔn)確度，提出基于形狀上下文的匹配點(diǎn)篩選方法。通過比較兩個(gè)形狀的相似性，對(duì)邊界點(diǎn)進(jìn)行篩選，以充分利用邊界點(diǎn)的相對(duì)位置信息。在此基礎(chǔ)上，對(duì)獲得的匹配點(diǎn)進(jìn)行薄板樣條變換，并用確定性退火算法進(jìn)行全局優(yōu)化，這樣不僅增強(qiáng)了算法的魯棒性，而且大大減小了陷入局部極小值的可能性，達(dá)到更好的配準(zhǔn)效果。

1.4.1 基于ICP算法的粗配準(zhǔn)

為獲得不同序列頸動(dòng)脈中心線間的剛性變換矩陣，首先采用ICP算法進(jìn)行三維幾何粗配準(zhǔn)。

設(shè)P和Q分別為參考圖像和浮動(dòng)圖像頸動(dòng)脈中心線三維點(diǎn)集，點(diǎn)數(shù)分別為Np和Nq，對(duì)Q中每個(gè)點(diǎn)qk，在P中尋找與該點(diǎn)歐式距離最近的點(diǎn)pk，設(shè)這兩組點(diǎn)集間的旋轉(zhuǎn)矩陣和平移向量分別為R和T，則求解以下最優(yōu)化問題就能獲得R和T，有

(2)

本研究基于改進(jìn)的ICP方法，利用k-d樹尋找鄰近點(diǎn)加速迭代過程[14]，再用四元數(shù)奇異值分解求得R和T，并用立方插值法獲得配準(zhǔn)后圖像。

1.4.2 基于TPS算法的精配準(zhǔn)

經(jīng)過粗配準(zhǔn)后，參考圖像和浮動(dòng)圖像中血管的位置已比較接近，分叉處在同一層，因此精配準(zhǔn)階段可以在二維空間中逐層進(jìn)行。在對(duì)兩邊界點(diǎn)集之間變換關(guān)系求解時(shí)，需要解決兩個(gè)問題：匹配點(diǎn)的篩選和匹配點(diǎn)間變換關(guān)系的求解。

1.4.2.1 匹配點(diǎn)的篩選

人們已研究和實(shí)現(xiàn)了多種不同的形狀匹配算法，其中最常用的是均勻采樣法，通過對(duì)兩組邊界點(diǎn)進(jìn)行插值，從而分別均勻地選取相同個(gè)數(shù)的樣本點(diǎn)，組成一一對(duì)應(yīng)的匹配點(diǎn)。由于血管存在非剛性形變，為提高匹配點(diǎn)的準(zhǔn)確度，本研究提出采用基于形狀上下文的算法對(duì)邊界點(diǎn)進(jìn)行優(yōu)化篩選[15]。

作為近年來提出的最成功的形狀描述子之一，形狀上下文的定義如圖2所示。設(shè)血管邊界點(diǎn)坐標(biāo)集合P={p1,p2,…，pN}，對(duì)其進(jìn)行極坐標(biāo)變換；對(duì)于每一點(diǎn)pi，與其余的(N-1)個(gè)點(diǎn)可構(gòu)成(N-1)個(gè)方向向量，這(N-1)個(gè)向量提供了豐富的信息，決定了目標(biāo)的形狀。

圖2 內(nèi)壁上點(diǎn)pi到其余點(diǎn)的向量Fig.2 The vectors from pi to other points on the inner wall

構(gòu)造如圖3所示的對(duì)數(shù)極坐標(biāo)系：它將整個(gè)平面空間平均劃分出m個(gè)方向，同時(shí)在半徑上從(N-1)個(gè)向量長(zhǎng)度的最小值到最大值按對(duì)數(shù)等分為n份，整個(gè)平面空間就被劃分為K=m×n個(gè)區(qū)域。對(duì)于邊界上的任意一點(diǎn)pi，可以用以pi點(diǎn)為中心的極坐標(biāo)系中處于每一個(gè)區(qū)域bin(k)的像素點(diǎn)個(gè)數(shù)hi(k) 對(duì)它的屬性進(jìn)行描述，即得到該點(diǎn)的形狀上下文，有

蝕花肉紅石髓珠5粒。蝕花肉紅石髓珠又稱“光玉髓”，常常被古代人制作成小顆的串珠，作為隨身佩戴的飾物。此類蝕花工藝最早出現(xiàn)于西亞和南亞一帶。

hi(k)={q≠pi∶(q-pi)∈bin(k)}

(3)

k={1,2,…，K}

圖3 對(duì)數(shù)極坐標(biāo)系Fig.3 The log-polar coordinates

對(duì)于參考圖像上任一點(diǎn)pi與浮動(dòng)圖像上任一點(diǎn)qj，定義這兩個(gè)點(diǎn)的匹配代價(jià)為

(4)

式中，hi(k)和hj(k)分別代表pi和qj的歸一化直方圖。

如果兩邊界點(diǎn)的數(shù)目不相等，則為較小點(diǎn)集增加虛擬節(jié)點(diǎn)以達(dá)到數(shù)目相等，每個(gè)虛擬節(jié)點(diǎn)與另一邊界上所有點(diǎn)之間的匹配代價(jià)值為εd。匹配代價(jià)值越小，表示兩個(gè)點(diǎn)的形狀上下文越接近，匹配的相似度越高，反之，匹配相似度越低。要達(dá)到完全匹配，必須使兩個(gè)點(diǎn)集總的匹配代價(jià)最小。這是一個(gè)典型的平方分配問題(或稱“加權(quán)二分圖匹配”)，使用匈牙利算法可有效解決[16]。

1.4.2.2 匹配點(diǎn)間變換關(guān)系的求解

獲取匹配點(diǎn)后，采用TPS算法[17]，求出其映射關(guān)系，從而實(shí)現(xiàn)血管圖像的非剛性配準(zhǔn)。為了避免陷入局部極小值，采用確定性退火技術(shù)作為全局優(yōu)化算法[18]，根據(jù)退火過程，將求解優(yōu)化問題的最優(yōu)點(diǎn)轉(zhuǎn)化為求一系列隨溫度變化的物理系統(tǒng)的自由能函數(shù)的極小值，最終避開局部極小值而得到全局極小值。

1.5 實(shí)驗(yàn)設(shè)置

為評(píng)測(cè)算法的有效性，在實(shí)驗(yàn)中將本算法與基于均勻采樣法的匹配點(diǎn)篩選方法進(jìn)行比較。為保證公平對(duì)比，兩算法中相同意義的參數(shù)設(shè)置相同。其中，圖像分割過程中，根據(jù)文獻(xiàn)[13]及分割效果，本研究將參數(shù)設(shè)定為：迭代次數(shù)為6，前景點(diǎn)的聚類數(shù)為5，背景點(diǎn)的聚類數(shù)為3，平衡參數(shù)λ=50。在粗配準(zhǔn)中，根據(jù)收斂情況設(shè)置迭代次數(shù)為35。在精配準(zhǔn)階段，根據(jù)文獻(xiàn)報(bào)道[19-20]及初步實(shí)驗(yàn)結(jié)果，本研究將參數(shù)設(shè)定為：對(duì)數(shù)極坐標(biāo)系的方向數(shù)m=12，半徑劃分n=5份，虛擬節(jié)點(diǎn)匹配代價(jià)值εd=0.15，退火速率r=0.95，迭代次數(shù)t=5。

1.6 評(píng)價(jià)準(zhǔn)則

為了客觀評(píng)價(jià)提出算法的配準(zhǔn)效果，本研究采用邊界重合度(overlap ratio，OR)、平均表面距離(mean surface distance,MSD)和最大表面距離(maximum surface distance,MAXD)作為定量評(píng)價(jià)指標(biāo)，其計(jì)算方法如下：

(5)

式中，UF和UM分別代表參考圖像和浮動(dòng)圖像的管腔邊界內(nèi)區(qū)域，OR范圍是0 ～1，其值越大代表重合度越高，配準(zhǔn)效果越好。

式中，LM表示浮動(dòng)圖像管腔內(nèi)邊界點(diǎn)集，pi表示參考圖像管腔內(nèi)邊界上的某一點(diǎn)，n表示參考圖像管腔內(nèi)邊界點(diǎn)的個(gè)數(shù)，q表示浮動(dòng)圖像管腔內(nèi)邊界上的點(diǎn)。

MSD、MAXD的值越小，表示配準(zhǔn)效果越好。

2 結(jié)果

某患者的MERGE和SNAP序列中心線粗配準(zhǔn)結(jié)果如圖4所示。經(jīng)過粗配準(zhǔn)，血管中心線的整體位置以及兩個(gè)分叉點(diǎn)位置均比配準(zhǔn)前重合度高，平均誤差為0.517 3 mm，為精配準(zhǔn)階段提供良好的初始位置。

經(jīng)過粗配準(zhǔn)和精配準(zhǔn)，3個(gè)序列的最終配準(zhǔn)結(jié)果如圖5所示。其中，上圖是血管分叉部分同一層的灰度圖像，下圖是血管主干部分同一層的灰度圖像，圖中的邊界線是SNAP序列圖像的血管內(nèi)壁分割結(jié)果?？梢钥闯觯錅?zhǔn)后另外兩個(gè)序列中血管的位置和形狀與SNAP序列基本一致。

圖4 中心線粗配準(zhǔn)結(jié)果。(a)配準(zhǔn)前兩序列中心線的位置；(b)配準(zhǔn)后兩序列中心線的位置Fig.4 Coarse registration of centerlines. (a) The position of two centerlines before registration; (b) The position of two centerlines after registration

圖5 MERGE 和 T2W-VISTA序列圖像分叉部分(上行)和主干部分(下行)基于邊界的配準(zhǔn)結(jié)果。(a) SNAP序列; (b) MERGE序列配準(zhǔn)后圖像; (c) T2W-VISTA序列配準(zhǔn)后圖像Fig.5 Boundary-based registration results for the bifurcations (top row)and trunks (bottom row) of MERGE and T2W-VISTA images.(a) Images of SNAP; (b) Images of MERGE after registration; (C) Images of T2W-VISTA after registration.

為了驗(yàn)證匹配點(diǎn)篩選中形狀上下文的優(yōu)勢(shì)，本研究對(duì)同樣的數(shù)據(jù)采用文獻(xiàn)[8]的均勻采樣法進(jìn)行匹配點(diǎn)篩選，精配準(zhǔn)前后7例數(shù)據(jù)的平均重合度如圖6所示，其中每組數(shù)據(jù)依次表示粗配準(zhǔn)后、形狀上下文精配準(zhǔn)后、均勻采樣精配準(zhǔn)后的平均重合度?？梢钥闯?，只采用粗配準(zhǔn)時(shí)重合度較低，進(jìn)一步精配準(zhǔn)后重合度得到極大提高。在本方法中，MERGE序列和SNAP序列精配準(zhǔn)后平均重合度從66.90%提高到了95.51%，T2W-VISTA序列和SNAP序列精配準(zhǔn)后平均重合度從59.25%提高到了95.08%。而采用均勻采樣方法后，兩序列與SNAP序列精配準(zhǔn)后平均重合度分別為93.54%和93.94%。兩種方法MSD和MAXD的結(jié)果如表2所示。

圖6 不同方法精配準(zhǔn)前后平均重合度測(cè)量Fig.6 The mean value of overlap ratios before and after the fine registration with different methods

表2 配準(zhǔn)后的表面距離測(cè)量

Tab.2 MSD andMAXDafter the registration using the proposed method

配準(zhǔn)序列形狀上下文方法均勻采樣方法MSD/mmMAXD/mmMSD/mmMAXD/mmSNAP-MERGE0.11±0.001.35±0.510.15±0.001.51±0.52SNAP-T2W-VIS-TA0.12±0.001.32±0.050.14±0.001.62±0.53

從圖6和表2可以看出，采用形狀上下文描述子進(jìn)行匹配點(diǎn)篩選，序列邊界的重合度均在95%以上，平均表面距離≤0.12 mm，配準(zhǔn)誤差更低，充分表明所提出算法的有效性。

3 討論

從患者多序列圖像配準(zhǔn)結(jié)果可以看出，本研究提出的兩步配準(zhǔn)方法可有效提高配準(zhǔn)精度。如圖6所示，只采用粗配準(zhǔn)時(shí)，由于只利用了血管中心線的拓?fù)浣Y(jié)構(gòu)信息及剛性配準(zhǔn)算法，難以反映患者呼吸、脈動(dòng)、體位改變等引起的非剛性形變和血管形狀改變，血管重合度較低，因此需要進(jìn)一步基于血管邊界點(diǎn)進(jìn)行非剛性精配準(zhǔn)。

文獻(xiàn)[21]采用歸一化互信息作為相似性測(cè)度、三維B樣條模型作為變換函數(shù)，對(duì)多對(duì)比度MRI頸動(dòng)脈圖像進(jìn)行配準(zhǔn)，得到的相似系數(shù)(類似于邊界重合度)小于90%，平均表面距離為0.288±0.128 mm。與形狀相似性不同，互信息方法統(tǒng)計(jì)的是兩個(gè)圖像間聯(lián)合直方圖的分布，反映的是信息量的變化，配準(zhǔn)效果會(huì)受圖像噪聲的影響。由于空間信息被忽略，難以反映像素位置的改變。從圖4可以看出，本研究采用的3個(gè)對(duì)比度圖像，相比傳統(tǒng)MRI成像，血管邊界的清晰度更高，更有利于血管邊界的準(zhǔn)確分割，進(jìn)一步改進(jìn)了基于形狀特征的血管配準(zhǔn)效果。考慮到不同序列圖像灰度分布的差異，今后研究中可考慮將灰度信息和空間信息的配準(zhǔn)相結(jié)合，進(jìn)一步提高弱邊界處的配準(zhǔn)精度。

基于特征點(diǎn)的配準(zhǔn)算法的一個(gè)局限是往往需要選取角點(diǎn)、高曲率點(diǎn)等作為對(duì)應(yīng)特征點(diǎn)，以更好地反映形狀的改變。例如，文獻(xiàn)[6]就選取分叉點(diǎn)作為特征點(diǎn)，有些變化大的區(qū)域甚至需要手工選取對(duì)應(yīng)點(diǎn)。本研究的創(chuàng)新性在于基于提取的血管邊界，自動(dòng)使用形狀上下文對(duì)邊界點(diǎn)進(jìn)行特征描述，無需選取特殊標(biāo)記點(diǎn)或關(guān)鍵點(diǎn)就能得到邊界點(diǎn)的準(zhǔn)確對(duì)應(yīng)關(guān)系，具有更廣泛的適用性。

為了驗(yàn)證形狀上下文在邊界匹配中的優(yōu)勢(shì)，筆者將其與文獻(xiàn)[8]中的均勻采樣方法進(jìn)行了比較。由于血管存在非剛性形變，通過均勻采樣得到的匹配點(diǎn)實(shí)際上難以一一對(duì)應(yīng)。形狀上下文能夠?qū)吔琰c(diǎn)的形狀進(jìn)行全局描述，充分利用邊界點(diǎn)的相對(duì)位置信息，并且具有尺度不變性和旋轉(zhuǎn)不變性，有效提高了配準(zhǔn)的準(zhǔn)確度。

耗時(shí)是非剛性配準(zhǔn)算法的另一個(gè)瓶頸，為了避免陷入局部極小值，本研究采用確定性退火算法來求解最優(yōu)的全局變換，一般只需迭代5次就能達(dá)到較好的配準(zhǔn)效果。在配置為3.60 GHz CPU、8 GB RAM的工作站上，使用Matlab 2012b，以一套大小為(84×83×144)像素的三維數(shù)據(jù)為例，粗配準(zhǔn)耗時(shí)1.2 s，精配準(zhǔn)耗時(shí)1 min 50 s?？稍诮窈蠊ぷ髦薪Y(jié)合并行運(yùn)算和算法優(yōu)化，進(jìn)一步提高配準(zhǔn)速度。

本研究尚存在一些不足之處，希望在今后的研究中加以改進(jìn)：

1)血管圖像分割及配準(zhǔn)中所用參數(shù)(如前背景點(diǎn)聚類數(shù)目、迭代次數(shù)等)對(duì)結(jié)果有一定影響。在實(shí)驗(yàn)中，根據(jù)文獻(xiàn)中的參數(shù)值以及初步試驗(yàn)結(jié)果，選取了效果較好的參數(shù)，下一步研究希望能采用參數(shù)優(yōu)化算法自動(dòng)選取參數(shù)。

2)目前精配準(zhǔn)過程是在二維空間中完成，對(duì)粗配準(zhǔn)的層定位要求高。在后續(xù)工作中，擬將形狀描述子擴(kuò)展到三維，以獲得邊界點(diǎn)的三維空間變換。

3)本研究用于試驗(yàn)驗(yàn)證的樣本例數(shù)較少，但試驗(yàn)時(shí)考慮到對(duì)患者的納入具有一定的隨機(jī)性，且每個(gè)患者均有3個(gè)不同的序列，相互間的配準(zhǔn)效果已初步證實(shí)了算法的有效性。在后續(xù)研究中，會(huì)采集更多的圖像數(shù)據(jù)，在驗(yàn)證算法有效性的同時(shí)，對(duì)斑塊進(jìn)行定量分析。

4 結(jié)論

本研究基于多對(duì)比度頸動(dòng)脈MRI成像，在血管分割的基礎(chǔ)上，提出了基于頸動(dòng)脈血管中心線和管腔邊界的兩步配準(zhǔn)算法，并在精配準(zhǔn)過程中創(chuàng)新使用形狀上下文描述子對(duì)匹配點(diǎn)進(jìn)行篩選，提高了頸動(dòng)脈配準(zhǔn)的準(zhǔn)確度。基于患者的三維多對(duì)比度MRI數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明：與常用的均勻采樣法相比，采用形狀上下文描述子進(jìn)行匹配點(diǎn)篩選更有優(yōu)勢(shì)，提出的方法配準(zhǔn)重合度更高。

[1] Naghavi M, Libby P, Falk E, et al. From vulnerable plaque to vulnerable patient: a call for new definitions and risk assessment strategies: part I [J]. Circulation, 2003, 108(14):1664-1672.

[2] CaiJianming, Hatsukami TS, Ferguson MS, et al. Classification of human carotid atherosclerotic lesions with in vivo multicontrast magnetic resonance imaging [J]. Circulation, 2002, 106(11):1368-1373.

[3] 李睿，陳慧軍，苑純. 磁共振頸動(dòng)脈斑塊成像技術(shù)的現(xiàn)狀與進(jìn)展[J]. 中國(guó)卒中雜志, 2014, 9(2):129-134.

[4] Viola P, Wells III WM. Alignment by maximization of mutual information [J]. International Journal of Computer Vision, 1995, 24(2):16-23.

[5] Studholme C, Hill D, Hawkes DJ. An overlap invariant entropy measure of 3D medical image alignment [J]. Pattern Recognition. 1999, 32(1):71-86.

[6] Can A, Stewart CV, Roysam B, et al. A feature-based, robust, hierarchical algorithm for registering pairs of images of the curved human retina [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(3):347-364.

[7] Stewart CV, Tsai CL, Roysam B. The dual-bootstrap iterative closest point algorithm with application to retinal image registration [J]. IEEE Transactions on Medical Imaging, 2003, 22(11):1379-1394.

[8] GuoHengkai, Wang Guilin, Huang Lingyun, et al. A robust and accurate two-step auto-labeling conditional iterative closest points (TACIP) algorithm for three-dimensional multi-modal carotid image registration [J]. PLoS ONE, 2016, 11(2):1-22.

[9] Balu N, Yarnykh VL, Chu B, et al. Carotid plaque assessment using fast 3D isotropic resolution black-blood MRI [J]. Magnetic Resonance in Medicine, 2011, 65(3):627-637.

[10] Wang Jinnan, B?rnert P, Zhao Huilin, et al. Simultaneous noncontrast angiography and intraplaque hemorrhage (SNAP) imaging for carotid atherosclerotic disease evaluation [J]. Magnetic Resonance in Medicine, 2013, 69(2):337-345.

[11] Mihai G, Chung Y, Merchant A, et al. T1-weighted-SPACE dark blood whole body magnetic resonance angiography (DB-WBMRA): Initial experience [J]. Journal of Magnetic Resonance Imaging, 2010, 31(2):502-509.

[12] Zhao Huilin, Wang Jinnan, Liu Xiaosheng, et al. Assessment of carotid artery atherosclerotic disease by using three-dimensional fast black-blood MR imaging: comparison with DSA [J]. Radiology, 2015, 274(2): 508-516.

[13] Boykov Y, Veksler O, Zabih R. Fast approximate energy minimization via graph cuts [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23(11):1222-1239.

[14] 劉江,張旭,朱繼文. 一種基于K-D樹優(yōu)化的ICP三維點(diǎn)云配準(zhǔn)方法[J].測(cè)繪工程, 2016, 25(6):15-18.

[15] Belongie S, Malik J, Puzicha J. Shape matching and object recognition using shape contexts [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 4(24):509-522.

[16] Papadimitriou CH. Combinatorial optimization: algorithms and complexity [M]//New York: Docer Pub, 1982: 248-254.

[17] Bookstein FL. Principal warps: thin-plate splines and the decomposition of deformations [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(6):567-585.

[18] Rose K, Gurewitz E, Fox CG. Statistical mechanics and phase transitions in clustering [J]. Physical Review Letters, 1990, 65 (8):945-948.

[19] Belongie S, Malik J, and Puzicha J. Shape context: A new descriptor for shape matching and object recognition [C] // Advaces in Neural Information Processing Systems13. Barcelona: MIT Press, 2001: 831-837.

[20] Chui H, Rangarajan A. A new point matching algorithm for non-rigid registration [J]. Computer Vision and Image Understanding, 2003, 89(2-3):114-141.

[21] van’tKlooster R, Staring M, Klein S, et al. Automated registration of multispectral MR vessel wall images of the carotid artery [J]. Medical Physics, 2013, 40(12): 1-12.

Multi-Contrast Magnetic Resonance Imaging Registration of Carotid Arteries

Wu Yuxia1Xu Xiaopan1Zhang Xi1Liu Yang1Zhang Guopeng1Chen Huijun2Lu Hongbing1Li Baojuan1*

1(DepartmentofBiomedicalEngineering,FourthMilitaryMedicalUniversity,Xi′an710032,China)2(CenterforBiomedicalImagingResearch,TsinghuaUniversity,Beijing100084,China)

Recently multi-contrast magnetic resonance imaging (MRI) has become a powerful tool for plaque analyzing due to its strong potential in enhanced demonstration of carotid wall, but its performance is hampered by the misalignment of difference imaging sequences. To achieve accurate vessel registration of multi-sequence images, a two-step coarse-to-fine registration strategy was proposed in this study. First, the iterative closest point was applied to realize the rigid registration of the centerlines of the multi-contrast images, and then the thin plate spline was used to realize the non-rigid registration based on the boundaries of carotid artery. In the second step, to find the corresponding points of the boundaries in different sequences, a shape context descriptor was innovatively introduced to screen the boundary points. In addition, the deterministic annealing technique was employed to find a globally optimized solution. The effectiveness of the proposed algorithm was quantitatively evaluated by novel three-dimensional (3D) multi-contrast vessel wall MRI sequences. The results indicated that after registration, the overlap of two boundaries from different sequences was more than 95%, and their mean surface distance was 0.12 mm, which improved the accuracy of registration effectively and laid the foundation for further component analysis.

carotid atherosclerosis; vulnerable plaque; magnetic resonance imaging; registration

10.3969/j.issn.0258-8021. 2017. 02.001

2016-08-22， 錄用日期:2016-11-22

國(guó)家自然科學(xué)基金青年基金(81301199)；國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(81230035);陜西省社會(huì)發(fā)展科技攻關(guān)項(xiàng)目(2016SF302)

R318

A

0258-8021(2017) 02-0129-07

*通信作者(Corresponding author)，E-mail: libjuan@163.com