基于回歸預(yù)測(cè)的肺4D-CT多相位配準(zhǔn)

劉月亮 房詩(shī)婷 張 煜?

1（南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院，廣州 510515）

2（廣東省醫(yī)學(xué)圖像處理重點(diǎn)實(shí)驗(yàn)室，廣州 510515）

基于回歸預(yù)測(cè)的肺4D-CT多相位配準(zhǔn)

劉月亮1，2房詩(shī)婷1，2張 煜1，2?

1（南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院，廣州 510515）

2（廣東省醫(yī)學(xué)圖像處理重點(diǎn)實(shí)驗(yàn)室，廣州 510515）

針對(duì)由于灰度不均和局部形變較大引起的肺4D-CT圖像配準(zhǔn)精度不足問(wèn)題，提出基于回歸的逐塊預(yù)測(cè)初始形變的方法。新方法的核心思想是：配準(zhǔn)一幅浮動(dòng)圖像至參考圖像時(shí)，利用與浮動(dòng)圖像相對(duì)應(yīng)的不同相位的圖像信息進(jìn)行形變場(chǎng)預(yù)測(cè)。首先，利用已有配準(zhǔn)算法配準(zhǔn)不同相位的圖像至參考圖像，得到各圖像對(duì)應(yīng)的形變場(chǎng)；再將圖像和對(duì)應(yīng)形變場(chǎng)分塊作為訓(xùn)練集，利用多維支持向量回歸機(jī)建立回歸模型；將浮動(dòng)圖像分塊輸入回歸模型中，預(yù)測(cè)出初始形變場(chǎng)，從而得到中間圖像，并最終細(xì)化配準(zhǔn)中間圖像與參考圖像。采用由德克薩斯安德森腫瘤中心DIR實(shí)驗(yàn)室采集并公開(kāi)的數(shù)據(jù)集，評(píng)價(jià)所提出的算法。實(shí)驗(yàn)量化評(píng)價(jià)結(jié)果表明，與傳統(tǒng)的Active Demons算法、Spectral Log-Demons算法相比，圖像的均方誤差平方和顯著降低（Active Demons算法49.34±23.92，Spectral Log-Demons算法31.81±15.09，所提出算法18.97±5.75，P＜0.05），相關(guān)系數(shù)顯著提高（Active Demons算法0.952±0.022，Spectral Log-Demons算法0.967±0.015，所提出算法0.980±0.006，P＜0.05）。同時(shí)，視覺(jué)評(píng)價(jià)結(jié)果顯示，所提出算法能夠獲得更準(zhǔn)確的配準(zhǔn)圖像。

肺4D-CT；圖像配準(zhǔn)；形變預(yù)測(cè)；多維支持向量回歸機(jī)

引言

在肺癌的診斷和治療之中，肺4D-CT圖像有重要的指導(dǎo)價(jià)值，它包含肺部呼吸運(yùn)動(dòng)信息，為腫瘤和放射區(qū)域的定位以及放射劑量的確定提供了真實(shí)依據(jù)。

肺4D-CT的配準(zhǔn)是肺部醫(yī)學(xué)圖像分析的基礎(chǔ)，其用途廣泛，主要有肺部分割、利用配準(zhǔn)傳遞像素標(biāo)簽［1］；跟蹤肺部器官組織的運(yùn)動(dòng)，最大可能防止腫瘤的誤診和漏診；同時(shí)，配準(zhǔn)同一病人不同時(shí)間拍攝的肺部圖像，可以監(jiān)控疾病的發(fā)展與治療效果等。

圖像配準(zhǔn)可映射為目標(biāo)函數(shù)最優(yōu)化的問(wèn)題。針對(duì)肺部圖像的配準(zhǔn)，其精度受到以下因素影響：一是當(dāng)前基于灰度配準(zhǔn)方法的前提是假設(shè)圖像對(duì)應(yīng)的灰度不變。在肺圖像的配準(zhǔn)中，也需假設(shè)在呼吸過(guò)程中肺部圖像的灰度值不隨時(shí)間發(fā)生改變。該假設(shè)對(duì)于肺部以外的體元是完全成立的，但對(duì)于受激發(fā)空氣影響致使密度發(fā)生改變的肺而言，灰度不變假設(shè)理論并不完全成立［2］。激發(fā)的空氣使整個(gè)肺部的密度減少，肺的底部比頂部的密度改變更為明顯，這種效應(yīng)對(duì)配準(zhǔn)精度尤其對(duì)靠近膈肌部位的配準(zhǔn)會(huì)產(chǎn)生顯著影響。二是由于肺部紋理干擾、心臟搏動(dòng)、肺呼吸運(yùn)動(dòng)導(dǎo)致的局部大形變等因素的影響，肺圖像的配準(zhǔn)較易出現(xiàn)局部誤配準(zhǔn)或陷入局部極值。

為了減少灰度不均的影響，Sarrut等采用了一種肺密度校正的預(yù)處理方法，以提高肺部圖像配準(zhǔn)的精確性［2］。Yin等考慮到呼吸運(yùn)動(dòng)時(shí)肺組織密度的變化，提出了一種新的相似性測(cè)度［3］，稱為平方組織體積不同（The sum of squared tissue volume different，SSTVD），將灰度變化與肺體積變化聯(lián)系起來(lái)，設(shè)定肺組織密度與局部體積成一定反比，以提高配準(zhǔn)精度。類似的，Gorbunova等也提出了相似的思想來(lái)提高肺配準(zhǔn)精度［4］。Castillo等提出了結(jié)合塊匹配和L1優(yōu)化的約束B(niǎo)-spline肺圖像配準(zhǔn)方法［5］，以處理形變較大而陷入局部極值的問(wèn)題。但肺圖像配準(zhǔn)精度的提高，仍需要繼續(xù)深入研究。

本研究中，筆者提出了基于學(xué)習(xí)預(yù)測(cè)的肺4DCT圖像配準(zhǔn)方法。基于學(xué)習(xí)的思想在圖像超分辨率重建［6］、圖像分割［7］等方面得到了成功應(yīng)用。在本研究中，由于呼吸運(yùn)動(dòng)的相似性，筆者們利用肺4D-CT圖像的多相位特點(diǎn)，提出一種基于自身數(shù)據(jù)的逐塊預(yù)測(cè)初始形變的方法，利用多維支持向量回歸機(jī)（multi-dimensional support vector regressor，MSVR），預(yù)測(cè)待配準(zhǔn)圖像配準(zhǔn)至參考圖像的初始形變場(chǎng)，得到中間圖像。相比初始待配準(zhǔn)圖像，此中間圖像與參考圖像更相似。而后，再分別用已有配準(zhǔn)算法配準(zhǔn)中間圖像至參考圖像，實(shí)現(xiàn)圖像的最終配準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，與常用配準(zhǔn)算法 Active Demons和Spectral Log-Demons［8］相比，本方法在視覺(jué)和量化方面都能獲得更好的結(jié)果。

1 方法

1.1 基于回歸預(yù)測(cè)的配準(zhǔn)框架

回歸預(yù)測(cè)的核心思想在于基于已知圖像表觀和對(duì)應(yīng)形變場(chǎng)的樣本集，學(xué)習(xí)訓(xùn)練一個(gè)非線性回歸模型。而后利用該模型，預(yù)測(cè)新圖像的初始形變。

基于回歸預(yù)測(cè)的圖像配準(zhǔn)框架如圖1所示。對(duì)于肺 4D-CT 數(shù)據(jù)I（I0，I1，I2，…，In），n＝9，其中Ii表示每個(gè)相位圖像。設(shè)I0為參考圖像，其余各相位為待配準(zhǔn)圖像。

圖1 回歸預(yù)測(cè)配準(zhǔn)框架Fig.1 Framework of regression prediction registration

以配準(zhǔn)In為例，詳細(xì)說(shuō)明訓(xùn)練集的構(gòu)建以及配準(zhǔn)過(guò)程。配準(zhǔn)過(guò)程主要可分為兩個(gè)部分，訓(xùn)練過(guò)程與測(cè)試過(guò)程。

訓(xùn)練過(guò)程：用初始算法將I1，I2，…，In-1作為訓(xùn)練樣本，分別配準(zhǔn)至參考圖像I0，得到每個(gè)訓(xùn)練樣本圖像對(duì)應(yīng)于參考圖像的形變場(chǎng)。之后將訓(xùn)練圖像與其對(duì)應(yīng)形變場(chǎng)分塊構(gòu)建訓(xùn)練集，利用MSVR學(xué)習(xí)圖像塊表觀與形變場(chǎng)之間的非線性回歸模型，即表觀-形變回歸模型。

預(yù)測(cè)過(guò)程：基于訓(xùn)練過(guò)程學(xué)習(xí)到的回歸模型，根據(jù)待配準(zhǔn)圖像的表觀，逐塊預(yù)測(cè)出待配準(zhǔn)圖像In的塊形變場(chǎng)，拼接整合得到初始形變場(chǎng)；再根據(jù)初始形變場(chǎng)，得到與待配準(zhǔn)圖像相對(duì)應(yīng)的中間圖像；最后利用已有配準(zhǔn)算法，細(xì)化配準(zhǔn)中間圖像與參考圖像。

獲得In的形變場(chǎng)后，將In及其形變場(chǎng)放入訓(xùn)練集，以I1，I2，…，In-2，In作為訓(xùn)練集，重新預(yù)測(cè)配準(zhǔn)In-1。如此循環(huán)，直至完成所有相位圖像的配準(zhǔn)。

由于回歸預(yù)測(cè)得到的中間圖像與參考圖像之間的相似度更高，局部形變小于待配準(zhǔn)圖像與參考圖像之間的形變，因此細(xì)化配準(zhǔn)的效果將優(yōu)于直接配準(zhǔn)的效果，尤其對(duì)于待配準(zhǔn)圖像與參考圖像之間形變較大的情況，效果提高顯著。

1.2 圖像表觀-形變場(chǎng)回歸模型

本研究以分塊的圖像和對(duì)應(yīng)形變場(chǎng)作為訓(xùn)練集，采用多維支持向量回歸機(jī)（MSVR）建立回歸模型求解回歸參數(shù)，以下詳細(xì)介紹方法。

1.2.1 圖像及形變場(chǎng)分塊

首先配準(zhǔn)各訓(xùn)練相位圖像至參考圖像，得到各自對(duì)應(yīng)的形變場(chǎng)。由于對(duì)整幅圖像進(jìn)行處理時(shí)，存在維數(shù)太高、樣本數(shù)目少以及局部細(xì)節(jié)［9］丟失等問(wèn)題，且肺部圖像局部結(jié)構(gòu)差異比較大，因此本研究采用分塊策略，將圖像及其形變場(chǎng)分塊之后作為訓(xùn)練集。本研究采用由左至右、從上到下的掃描式重疊方法分塊［10］。利用圖像塊灰度表觀作為輸入、塊形變場(chǎng)作為輸出，構(gòu)建基于多維支持向量回歸機(jī)的非線性模型。

1.2.2 多維支持向量回歸機(jī)

表觀-形變回歸模型是利用訓(xùn)練集中已知圖像塊表觀和形變學(xué)習(xí)一種非線性映射函數(shù)，有

式中，X是輸入圖像塊的表觀，即圖像塊像素灰度，Y是輸出圖像塊所對(duì)應(yīng)的像素形變場(chǎng)。

本研究利用多維支持向量回歸機(jī)（MSVR），求解該回歸問(wèn)題［11-12］。

MSVR是一種稀疏核機(jī)并且能夠建模一個(gè)高維的非線性映射函數(shù)，它能夠同時(shí)且獨(dú)立地預(yù)測(cè)每個(gè)輸出維度，使得空間相關(guān)性得到充分利用［7］。

MSVR目的在于學(xué)習(xí)以下回歸函數(shù)，即

式中，φ(X)：Rm→Rh是一種非線性映射，從m維映射到更高維h空間。

從已知訓(xùn)練數(shù)據(jù)樣本D＝ ｛(Xi，Yi)｜i＝ 1，2，．．．，n｝中，求解該回歸函數(shù)主要的最優(yōu)化參數(shù)W＝［w1，w2，．．．，wl］T和b＝［b1，b2，．．．，bl］T。其中，X∈Rm是圖像各像素點(diǎn)灰度輸入，Y∈Rl是圖像各像素點(diǎn)對(duì)應(yīng)形變輸出，n為訓(xùn)練樣本個(gè)數(shù)。

通過(guò)下述最優(yōu)化問(wèn)題求解W和b，得

W的最優(yōu)解是訓(xùn)練樣本在高維特征空間的一種線性組合［14］，即

結(jié)合式（3）～（5），通過(guò)迭代變權(quán)最小二乘法（IRWLS）［15］，可求得最佳W。求解得到之后，對(duì)于一個(gè)新的圖像塊表觀的輸入X，可由

求得其形變場(chǎng)。其中，K(Xi，X)＝φT(Xi)φ(X)是一個(gè)核函數(shù)，代表一個(gè)新的測(cè)試樣本X與訓(xùn)練樣本Xi在特征空間φ的點(diǎn)積。

核函數(shù)可以解決特征映射至高維空間時(shí)出現(xiàn)維數(shù)災(zāi)難問(wèn)題，一旦明確了核函數(shù)，就無(wú)需知道映射φ的具體形式了，避免了在高維空間的計(jì)算［13］。幾種常用的核函數(shù)是：高斯徑向基函數(shù)、線性核函數(shù)、多項(xiàng)式核函數(shù)和Sigmoid核函數(shù)等。

本研究所選用的是線性核函數(shù)K(Xi，X)＝〈Xi，X〉，〈Xi，X〉 表示Xi和X的點(diǎn)積。線性核函數(shù)的參數(shù)較少，計(jì)算簡(jiǎn)單。實(shí)驗(yàn)表明，線性核函數(shù)能滿足本研究需求，取得了較好的實(shí)驗(yàn)結(jié)果。

1.3 預(yù)測(cè)初始形變場(chǎng)

得到回歸模型之后，即可預(yù)測(cè)出待配準(zhǔn)圖像的初始形變場(chǎng)，從而得到與之對(duì)應(yīng)的中間圖像。

將待配準(zhǔn)相位圖像分塊，塊表觀作為輸入，預(yù)測(cè)出圖像塊形變場(chǎng)，拼接為整幅圖像形變場(chǎng)，對(duì)整個(gè)形變場(chǎng)進(jìn)行高斯平滑，得到最終預(yù)測(cè)初始形變場(chǎng)以及中間圖像。圖2給出了圖像利用 Active Demons形變預(yù)測(cè)的典型例子，其中（a）、（b）分別為參考圖像和待配準(zhǔn)圖像，（c）為（b）中方框內(nèi)圖像的放大顯示，（d）為根據(jù)圖像整體預(yù)測(cè)形變場(chǎng)構(gòu)建的中間圖像，（e）為（c）由 ActiveDemons配準(zhǔn)得到的塊形變場(chǎng)，（f）為通過(guò)回歸預(yù)測(cè)得到的（c）的預(yù)測(cè)塊形變場(chǎng)，（g）為（b）由ActiveDemons配準(zhǔn)得到的整體圖像形變場(chǎng)，（h）為通過(guò)連續(xù)塊預(yù)測(cè)后整合而成的整體圖像預(yù)測(cè)形變場(chǎng)。可以看到，由預(yù)測(cè)形變場(chǎng)得到的中間圖像與參考圖像在整體上更加接近，尤其在運(yùn)動(dòng)幅度比較大的肺下部區(qū)域。

圖2 預(yù)測(cè)初始形變場(chǎng)以及中間圖像。（a）參考圖像；（b）待配準(zhǔn)圖像；（c）（b）中方框內(nèi)圖像塊的放大顯示；（d）中間圖像；（e）（c）中圖像塊的 Active Demons配準(zhǔn)塊形變場(chǎng)；（f）（c）中圖像塊的回歸預(yù)測(cè)塊形變場(chǎng)；（g）Active Demons配準(zhǔn)形變場(chǎng)；（h）回歸預(yù)測(cè)配準(zhǔn)形變場(chǎng)Fig.2 The initial deformation field and the intermediate image.（a）The reference image；（b）The floating image；（c）The enlarged image in block areas of（b）；（d）The intermediate image；（e）The block deformation field by Active Demons algorithm in（c）；（f）The block deformation field by regression-based method in（c）；（g）The deformation field by Active Demons algorithm；（h）The deformation field by regression-based method；

得到中間圖像之后，只需要配準(zhǔn)形變較小的中間圖像與參考圖像，這就避免了由于待配準(zhǔn)圖像與參考圖像之間形變較大、配準(zhǔn)容易陷入局部極值的問(wèn)題。

1.4 圖像配準(zhǔn)結(jié)果量化評(píng)價(jià)

實(shí)驗(yàn)數(shù)據(jù)是由DIR實(shí)驗(yàn)室提供的公共可用的肺4D-CT數(shù)據(jù)集［16］。該數(shù)據(jù)集包含多組肺4D-CT數(shù)據(jù)，每組數(shù)據(jù)包含了10個(gè)呼吸相位。數(shù)據(jù)層內(nèi)的體素尺寸范圍為0.97 mm×0.97 mm～1.16 mm×1.16 mm，層間間距為2.5 mm。分別用 Active Demons算法、Spectral Log-Demons算法以及本研究所用的回歸預(yù)測(cè)算法進(jìn)行配準(zhǔn)，并進(jìn)行比較分析。

采用均方誤差平方和（SSD）以及相關(guān)系數(shù)（CC），作為比較傳統(tǒng)的Active Demons算法、Spectral Log-Demons算法與本研究提出的回歸預(yù)測(cè)配準(zhǔn)方法的量化評(píng)價(jià)指標(biāo)。量化評(píng)價(jià)指標(biāo)分別為

式中：N為圖像像素個(gè)數(shù)的總數(shù)；Fi為參考圖像，為參考圖像像素灰度的平均值；Ti為配準(zhǔn)后圖像，為配準(zhǔn)后圖像像素灰度的平均值。

SSD值越小，說(shuō)明圖像相似程度越高；CC值越大，說(shuō)明兩幅圖像相關(guān)性越大，配準(zhǔn)效果越好。

2 實(shí)驗(yàn)結(jié)果

2.1 視覺(jué)評(píng)價(jià)

圖3、4給出了典型的 Active Demons、Spectral Log-Demons以及本算法配準(zhǔn)的實(shí)驗(yàn)結(jié)果。從中可以看出，相比直接配準(zhǔn)浮動(dòng)圖像至參考圖像，所提出的方法獲得了更好的配準(zhǔn)結(jié)果，由差分圖像可進(jìn)一步驗(yàn)證了這一點(diǎn)。

圖3 Active Demons算法、Spectral Log-Demons與回歸預(yù)測(cè)算法配準(zhǔn)實(shí)驗(yàn)結(jié)果。（a）參考圖像；（b）待配準(zhǔn)圖像；（c）Active Demons配準(zhǔn)圖像；（d）Active Demons配準(zhǔn)差分圖像；（e）Spectral Log-Demons配準(zhǔn)圖像；（f）Spectral Log-Demons配準(zhǔn)差分圖像；（g）回歸預(yù)測(cè)配準(zhǔn)圖像；（h）回歸預(yù)測(cè)配準(zhǔn)差分圖像Fig.3 The view of registration results by use of different methods.（a）The reference image；（b）The floating image；（c）The result of registration by Active Demons algorithm；（d）The difference image by Active Demons algorithm；（e）The result of registration by Spectral Log-Demons；（f）The difference image by Spectral Log-Demons；（g）The result of registration by regression prediction method；（h）The difference image by regression prediction method

圖4 Active Demons算法、Spectral Log-Demons與回歸預(yù)測(cè)算法配準(zhǔn)實(shí)驗(yàn)結(jié)果（圖像排列方式與圖3相同）Fig.4 The view of registration results by use of different methods（The arrangement is same as Fig.3）

2.2 量化評(píng)價(jià)

表1針對(duì)DIR數(shù)據(jù)集其中的8組數(shù)據(jù)，分別使用Active Demons算法、Spectral Log-Demons算法、本算法進(jìn)行配準(zhǔn)，之后計(jì)算各相位的平均SSD。為了使評(píng)價(jià)結(jié)果更直觀，表1給出了二者與本算法之間的SSD減少百分比。本方法的平均均方誤差和明顯低于傳統(tǒng)Active Demons和Spectral Log-Demons算法，說(shuō)明本方法的配準(zhǔn)更為準(zhǔn)確。

將表1中3種不同方法的平均SSD進(jìn)行非參數(shù)獨(dú)立樣本的Kruskal-Wallis檢驗(yàn)，P＝0.004＜0.05，按α＝0.05的檢驗(yàn)水平，差異具有顯著性，可認(rèn)為本算法的SSD低于Active Demons算法和Spectral Log-Demons算法。

圖5是由 Active Demons算法、Spectral Log-Demons算法與本算法配準(zhǔn)后圖像與模板圖像之間相關(guān)系數(shù)的柱狀圖?？梢钥闯?，本研究方法配準(zhǔn)得到的相關(guān)系數(shù)比Active Demons算法以及Spectral Log-Demons算法配準(zhǔn)得到的相關(guān)系數(shù)值大，表明配準(zhǔn)后圖像與參考圖像的相關(guān)性增強(qiáng)。

同時(shí)，將上述3種不同方法的平均CC進(jìn)行非參數(shù)獨(dú)立樣本的 Kruskal-Wallis檢驗(yàn)，P＝0.01＜0.05，按α＝0.05的檢驗(yàn)水平，差異具有顯著性，可認(rèn)為本算法的 CC高于 Active Demons和 Spectral Log-Demons算法。

表1 Active Demons配準(zhǔn)、Spectral Log-Demons與回歸預(yù)測(cè)配準(zhǔn)的平均SSDTab.1 The average SSD by Active Demons registration，Spectral Log-Demons and our proposed methods

圖5 Active Demons配準(zhǔn)、Spectral Log-Demons與回歸預(yù)測(cè)配準(zhǔn)的平均相關(guān)系數(shù)Fig.5 The average CC by Active Demons registration，Spectral Log-Demons and our proposed methods

3 討論和結(jié)論

本研究對(duì)于灰度均勻性差、局部形變大的肺部4D-CT圖像配準(zhǔn)問(wèn)題，提出了一種提高配準(zhǔn)精度的算法。先利用多維支持向量回歸機(jī)，建立圖像表觀與圖像形變場(chǎng)之間的回歸模型；再通過(guò)逐塊預(yù)測(cè)的方法，得到待配準(zhǔn)圖像的初始形變場(chǎng)。該方法的關(guān)鍵在于利用了不同相位的圖像信息來(lái)預(yù)測(cè)待配準(zhǔn)圖像的初始形變場(chǎng)，減少了待配準(zhǔn)圖像與參考圖像之間的顯著形變，提高了配準(zhǔn)準(zhǔn)確性。

肺部圖像的配準(zhǔn)，是對(duì)肺疾病、肺運(yùn)動(dòng)等進(jìn)行縱向分析的輔助手段之一［4］。由于主客觀原因的影響，不同診斷治療時(shí)段甚至于不同呼吸時(shí)刻獲得的肺部圖像，都可能存在影響肺部疾病分析的形變。由于肺部圖像本身的特殊性，精確配準(zhǔn)肺部圖像始終是研究的熱點(diǎn)方向。本研究提出了一種基于預(yù)測(cè)的肺4D-CT多相位圖像配準(zhǔn)方法，實(shí)驗(yàn)表明，該方法能對(duì)肺4D-CT的配準(zhǔn)取得較好的效果，同時(shí)也為需要進(jìn)行縱向分析的其他醫(yī)學(xué)圖像配準(zhǔn)（如大腦追蹤研究等）提供了參考手段。

本研究所提出的算法時(shí)間開(kāi)銷(xiāo)主要包含4個(gè)部分：訓(xùn)練集構(gòu)建配準(zhǔn)過(guò)程，即使用初始算法配準(zhǔn)訓(xùn)練相位圖像至參考圖像所用時(shí)間；訓(xùn)練過(guò)程，即利用訓(xùn)練集學(xué)習(xí)回歸模型參數(shù)；預(yù)測(cè)過(guò)程，即預(yù)測(cè)初始形變場(chǎng)所用時(shí)間；精配準(zhǔn)時(shí)間，即完成細(xì)化配準(zhǔn)所需時(shí)間。其中，訓(xùn)練過(guò)程、預(yù)測(cè)過(guò)程和精配準(zhǔn)過(guò)程為較一般直接配準(zhǔn)方法所增加的時(shí)間開(kāi)銷(xiāo)。訓(xùn)練過(guò)程所需時(shí)間消耗為51.84 s，所需預(yù)測(cè)時(shí)間為224.28 s，而精配準(zhǔn)時(shí)間約為初始配準(zhǔn)所需時(shí)間的53.10%。這是由于經(jīng)過(guò)預(yù)測(cè)后，配準(zhǔn)形變較小，故精配準(zhǔn)收斂速度有所提高。

值得一提的是，在對(duì)各相位進(jìn)行訓(xùn)練和預(yù)測(cè)過(guò)程中，只需在原有的訓(xùn)練集中進(jìn)行圖像和形變場(chǎng)的更替，無(wú)需再進(jìn)行配準(zhǔn)過(guò)程，這在很大程度上節(jié)省了本方法的時(shí)間開(kāi)銷(xiāo)。在下一步工作中，擬探索更加快速、優(yōu)質(zhì)的訓(xùn)練和預(yù)測(cè)方法。同時(shí)，在肺部圖像中，肺內(nèi)部與肋骨之間存在不連續(xù)的滑動(dòng)［17］，這在一定程度上影響了肺部圖像的配準(zhǔn)。而在許多臨床應(yīng)用研究中，通常只需要對(duì)肺內(nèi)部的結(jié)構(gòu)進(jìn)行研究，因此考慮先將肺部圖像進(jìn)行分割，再進(jìn)行更準(zhǔn)確的配準(zhǔn)。

實(shí)驗(yàn)結(jié)果表明，本研究提出的基于回歸預(yù)測(cè)的配準(zhǔn)方法能有效實(shí)現(xiàn)肺部圖像的配準(zhǔn)，增強(qiáng)結(jié)構(gòu)細(xì)節(jié)的配準(zhǔn)精確性，在視覺(jué)和量化比較方面均優(yōu)于傳統(tǒng)的 Active Demons和 Spectral Log-Demons算法。肺部4D-CT在肺癌的個(gè)體化治療中發(fā)揮著重要的作用，而肺部圖像的配準(zhǔn)，對(duì)于肺的運(yùn)動(dòng)估計(jì)、肺腫瘤的定位和放射治療的精準(zhǔn)性有實(shí)際意義。本研究的方法，為配準(zhǔn)肺部4D-CT圖像提供了一種可能的新方案。

［1］ Sluimer I，Prokop M，Van GB.Toward automated segmentation of the pathological lung in CT ［J］.IEEE Transactions on Medical Imaging，2005，24（8）：1025-1038.

［2］ Sarrut D，Boldea V，Miguet S，et al.Simulation of fourdimensional CT images from deformable registration between inhale and exhale breath-hoet al.ld CT scans ［J］.Medical Physics，2006，33（3）：605-617.

［3］ Yin Y，Hoffman EA，Lin CL，et al.Mass preserving nonrigid registration of CT lung images using cubic B-spline ［J］.Medical Physics，2009，36（9）：4213-4222.

［4］ Gorbunova V，Sporring J，Lo p，Loeve M，et al.Mass preserving image registration for lung CT ［J］.Medical Image Analysis，2012，16（4）：786-795

［5］ Castillo E，Castillo R，F(xiàn)uentes D，et al.Computing global minimizers to a constrained B-spline image registration problem from optimal L1 perturbations to block match data ［J］.Medical Physics，2014，41（4）：041904-041904.

［6］ Yang J，Wright J，Huang TS，et al.Image super-resolution via sparserepresentation ［J］.IEEE Transactions on Image Processing，2010，19（11）：2861-2873.

［7］ Wang Z，Zhen X，Tay KY，et al.Regression segmentation for M3 spinal images ［J］.IEEE Transactions on Medical Imaging，2014，34（8）：1640-1648.

［8］ Lombaert H，Grady L，Pennec X，et al.Spectral Log-Demons：Diffeomorphic Image Registration with Very Large Defoemation［J］.International Journal of Computer Vision，2014，107（3）：254-271.

［9］ Kim M，Wu G，Wang Q，et al.Improved image registration by sparse patch-based deformation estimation ［J］.NeuroImage，2015，105：257-268.

［10］ Wang T，Cao L，Yang W，et al.Adaptive patch-based POCS approach for super resolution reconstruction of 4D-CT lung data［J］.Physics in Medicine and Biology，2015，60（15）：5939-5954.

［11］ Rez-Cruz F，Camps-Valls G，Soria-Olivas E，et al.Multidimensional function approximation and regression estimation［C］ //International Conference on Artificial Neural Networks.Madrid：CANN，2002：757-762.

［12］ Sanchez-Fernandez M，De-Prado-Cumplido M，Arenas-Garcia J，et al.SVM multiregression for nonlinear channel estimation in multiple-input multiple-output systems ［J］.IEEE Transactions on Signal Processing，2004，52（8）：2298-2307.

［13］ 張學(xué)工.模式識(shí)別［M］.3版.北京：清華大學(xué)出版社，2010：109，114-115.

［14］ Scholkopf B，Somla A，Learning with Kernels［M］Cambridges：MIT Press，2002.

［15］ Perez-Cruz F，Alarcon-Diana P，Navia-Vazquez A，et al.Fast training of support vector classifiers ［J］.Advances in Neural Information Processing Systems，2001：1849-1870.

［16］ Castillo E，Castillo R，Guerra R，et al.A framework for evaluation of deformable image registration spatial accuracy using large landmark point sets ［J］.Physics in Medicine and Biology，2009，54（7）：1849-1870.

［17］ Schmidt-Richberg A，Werner R，Handels H，et al.Estimation of slipping organ motion by registration with direction-dependent regularization ［J］.Medical Image Analysis，2012，16（1）：150-159.

Lung 4D-CT Image Registration Based on Regression Prediction

Liu Yueliang1，2Fang Shiting1，2Zhang Yu1，2?

1（School of Biomedical Engineering，Southern Medical University，Guangzhou510515，China）

2（Guangdong Provincial Key Laboratory of Medical Image Processing，Southern Medical University，Guangzhou510515，China）

To improve the low accuracy of lung 4D-CT image registration due to intensity inhomogeneity and large local deformation，a regression-based method for predicting initial deformation is presented.The core idea of this method is that the image information of different phase corresponding to the floating image is used to predict initialize deformation field.Firstly，the common registration algorithmis used to register the different phase images to the reference image to get the corresponding deformation field.Then，the image and the corresponding deformation field are divided into patches to build training set.Multi-dimensional support vector regressor is used to learn a regression model with respect to the correlation between patch appearances and their respective deformations.The floating image is then input into the regression model to achieve the initial deformation field prediction，which is used to construct intermediate image.Finally，the registration of intermediate image and reference image are refined.The experimental results show that the proposed method can effectively register lung 4D-CT images.A public dataset provided by the DIR-lab at the University of Texas M.D.Anderson Cancer Center（Houston，TX）was employed to evaluate the proposed method.Quantitative evaluation results indicate that the proposed method significantly decreases SSD（18.97±5.75，P＜0.05）compared with Active Demons algorithm（49.34±23.92）and Spectral Log-Demons algorithm（31.81±15.09），significantly increases CC（0.980 ± 0.006，P＜0.05）compared with Active Demons algorithm（0.952±0.022）and Spectral Log-Demons algorithm（0.967 ±0.015）.Qualitative evaluation results also show that our approach can yield superior registration performance.

lung 4D-CT；image registration；deformation prediction；multi-dimensional support vector regressor

R318 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：0258-8021（2017）05-0513-07

10.3969 /j.issn.0258-8021.2017.05.001

2016-12-09，錄用日期：2017-06-04

國(guó)家自然科學(xué)基金（61671230）；廣東省科技計(jì)劃項(xiàng)目（2017A020211012）；廣州市科技計(jì)劃項(xiàng)目（201607010097）

?通信作者（Corresponding author），E-mail：yuzhang@smu.edu.cn