多模态图像的全局配准
多模态图像的全局配准[20200406141019]
摘要
图像配准是一个确定至少两幅图像之间最优匹配程度的过程，这些图像的拍摄时间可能不同，拍摄使用的传感器也可能不同。图像配准就是要寻求一个比较适宜的相似性量度，使用比较优良的优化方法，找出相适应的空间匹配变换，确定出这几幅图像的最优匹配。而所指的多模态图像就是在图像配准中需要处理的拍摄所用成像设备不同的图像。
配准在医学图像领域应用最为广泛，不断涌现出的各具特色的医学成像设备在临床诊断方面为我们提供了多种模态的医学图像，我们能够从这些多模态医学图像中得到不同的医学信息。如：CT（Computed tomography ——X线计算机断层摄影）图像的分辨率比较高，能够提供非常清晰的骨骼成像，这种良好的参照使对病灶的定位更为方便准确；MRI（核磁共振成像）图像能够提供清晰的软组织成像，非常有利于确定病灶所在的大致地点。再如：SPECT（单光子发射计算机断层成像术）、PET（正电子发射断层成像术）提供了人体的功能信息。就此来看，现代医疗中已经不可或缺地包含了医学影像技术的使用。医学图像技术在疾病诊断方面应用广泛之外，还在外科手术以及放射治疗等的计划制定、方案施行和疗效评价等方面扮演着重要的角色。
本课题实现了基于图像灰度互信息最大化的多模态全局配准算法，从而校正了同一病人的MR_T1图像和MR_T2图像之间的位置变化，以便医生对两种模式图像进行综合互补用于临床判断。
*查看完整论文请 +Q: 3 5 1 9 1 6 0 7 2
关键字:图像配准多模态图像互信息仿射变换
目 录
第一章 绪论 1
1.1 医学图像研究的目的及意义 1
1.2 医学图像配准研究现状 2
1.3 本文的研究目的 2
第二章 图像配准算法概述 4
2.1 全局配准和局部配准 4
2.2图像配准算法的分类 4
2.3 图像配准算法的基本模块 5
第三章 多模态图像全局配准的关键技术 7
3.1 仿射变换 7
3.2 互信息相似性测度 8
3.3 优化算法 10
第四章 实验结果与分析 11
4.1 软件GUI 的设计介绍 11
4.2 算法流程 12
4.3 实验分析 13
第五章 总结与展望 16
参考文献 17
第一章 绪论
1.1 医学图像研究的目的及意义
在过去十年中各种新的医学成像设备已经在临床诊断和治疗中得到迅速发展和广泛应用。由于各种成像设备的信息或多次成像的信息不完整，而信息融合却可以弥补这一缺陷，并使临床诊断和治疗得到的信息更为全面和准确。多模态(multimodality) 医学图像配准就是将这些来源不同的图像进行配准[1]。不同模式的设备有其各自的局限性和适用范围，是由于这些设备对人体内小到分子、原子，大到结构组织有着不同的分辨率和灵敏度[2]。而多个模式的图像相互融合能够把各自图像的优点进行资源整合，可以把各种优势信息结合。由于图像形成的原理以及所使用器械的不同，目前的医学成像模式可分为两类:功能成像（SPECT、PET等）和解剖成像（CT、MRI、B超等）。功能图像可以从中看到人体内脏的新陈代谢的信息，这个在解剖图像中就不能实现，但是缺点是分辨率过低；解剖图像虽不能得到脏器的功能情状，但藉由分辨率较高的特点使脏器的解剖形态信息得到诠释[3]。对于功能成像技术和解剖成像技术各取所长，将功能图像和解剖图像进行配准，则可以将来自人体的多方面信息在一幅图像上同时表达。如图1.1对人脑的多种模式成像：
图1.1对人脑可用多种模式成像
1.2 医学图像配准研究现状
医学图像配准领域的目标是全面提升配准方案的精度、稳定性、自动化水平和实时性。多模态图像配准是目前该领域的前沿技术。其意义在于：不同成像模式产生的影像各有优点，如应用最广泛的CT 设备对骨骼结构的成像效果清晰，而MRI 图像则易于显示软性组织，因此对不同成像模式的图像进行配准融合，可以全面地获取人体信息；2D-3D 图像配准能够通过术前模型、术中病人和手术器械的定位信息，实现手术的可视化[4]。
九十年代中期，Collignon 等人成功将互信息值应用到以内部特征为基准的配准方法中，进而把配准技术的应用范围从二维单模态图像发展到二维/三维、三维/三维的多模态图像层面。最新的研究表明互信息值（MI）作为配准测度的方法对来自不同成像原理的图像配准有相当大的优势。该配准方法的思想是：如果两幅针对同一对象的图像之间，互信息值达到极值，则认为两者实现了最优配准[5]。Luo 等人[6]在此基础上，以最大互信息值为配准测度完成了CT-MRI、MRI-PET 的全脑数字图像配准，配准精度可达到亚像素级别。但当浮动图的分辨率较低，或者参考图和浮动图之间的重叠部分较少，使用最大互信息作为配准测度时，在寻求最优参数的过程中容易出现局部极值。针对这一缺点，Maes 等学者进行了多分辨率的配准效果分析，研究证明，该方法能有效地抑制局部极值的出现。
经过几十年的快速发展，配准技术已经逐渐从二维层面延伸到三维层面。图像配准的结果也能更好地完成治疗目标在术前模型中的定位。其中2D-3D图像配准是基于数字影像重建（DRR）的配准方法，能高效地获取真实病人和术前体数据的空间位置关系。
近几十年以来，医学图像配准技术取得了许多的突破和进展，但是也有一些问题还没有解决，如自动配准，如亚像素级别的配准等等技术[7]。相信在不久的将来，医学图像配准技术会取得更好更快的发展，一套精准的高效率的图像配准系统会出现在世人面前。
1.3 本文的研究目的
医学影像技术随着计算机技术、医学技术以及生物工程技术的发展而逐步发展，提供了多种模态的医学图像以供临床诊断，但一些差异性存在于成像原理和成像设备，也存在于图像要表现信息的侧重点上，如前所述的功能图像与解剖图像的优缺点。如果配准融合这两种图像，更丰富的信息能够通过配准后的图像表达，图像信息的配准融合将在临床诊断和手术治疗中的应用中得到加强。
本文所做的主要工作如下：首先，对研究医学图像配准技术的背景及该技术的发展水平、现状和意义进行介绍，对图像配准技术需要解决的问题以及发展方向进行阐述；然后对该技术的基本原理和实现方法进行了深入的研究。其次，论文中对多模态医学图像中基于梯度互信息的配准方法深入探究，着手于互信息和图像梯度信息，图像基于互信息的配准方法，局部容易出现极值，针对这一现象，本文对产生局部极值的原因进行了分析，提出了一种抑制局部极值的方法：图像梯度结合互信息，配准的相似测度准则为梯度互信息；同时多参数的寻优则使用改进的Powell算法。仿真实验证明局部极值现象通过该方法能被有效抑制，便于最佳配准参数通过寻优算法搜索到。
第二章 图像配准算法概述
2.1 全局配准和局部配准
全局配准是对整幅图像实现几何变换的一种配准算法，比较典型的全局几何变换有刚体变换和仿射变换，一般这种变换基于矩阵计算中的代数计算[8]。局部配准是对图像做局部几何变换的算法，局部变换对空间的要求比较苛刻。对于局部变换，图像像素位置的改变使其跟着改变，有着不完全一致的变换规则，需要分段之后进行小区域处理，两幅图像之间的相应位置映射关系需要空间变化来描述。投影变换和多项式变换是常用的局部图像变换。本文采用仿射变换实现图像的全局配准。
图2.1常用图像变换
2.2图像配准算法的分类
由配准中图像信息的使用情况的差异，图像配准的方法分为两大类：基于特征和基于灰度信息。前者需要先提取对图像中感兴趣的部分的特征。
基于特征的图像配准第一步就是提取图像特征，每个特征都包含一组属性，这些属性有边缘的定向和弧度，区域的尺寸等，然后根据空间变换达到所定义的相似性准则最大化，因此，特征好坏对图像配准结果的精度影响很大[9]。
基于图像灰度的配准方法，直接使用整个图像的灰度信息的图像配准方法来建立两个图像之间的相似性度量，然后用一些搜索方法，寻找变换模型的参数值，该参数值可以使相似性度量最大或最小。即逐像素地把配准图像和参考图像的图像窗口的灰度矩阵按照某种相似性度量方法进行检索的配准方法[10]。由此可见，基于灰度的图像配准算法无需进行特征提取，相对特征匹配来说更直接，更简单，有很好的稳定性。但是其缺点是要计算所有灰度点，所以计算量大，速度较慢。两种方法的比较如表2.1所示。在追求精度和稳定性更优的情况下，显然基于灰度的图像配准方法更好,本文采用基于灰度的图像配准算法。
表2.1 两种配准方法的比较
方法 精度 计算量 稳定性 配准速度
基于特征 较好 较小 较好 较快
基于灰度 很好 大 很好 较慢
2.3 图像配准算法的基本模块
摘要
图像配准是一个确定至少两幅图像之间最优匹配程度的过程，这些图像的拍摄时间可能不同，拍摄使用的传感器也可能不同。图像配准就是要寻求一个比较适宜的相似性量度，使用比较优良的优化方法，找出相适应的空间匹配变换，确定出这几幅图像的最优匹配。而所指的多模态图像就是在图像配准中需要处理的拍摄所用成像设备不同的图像。
配准在医学图像领域应用最为广泛，不断涌现出的各具特色的医学成像设备在临床诊断方面为我们提供了多种模态的医学图像，我们能够从这些多模态医学图像中得到不同的医学信息。如：CT（Computed tomography ——X线计算机断层摄影）图像的分辨率比较高，能够提供非常清晰的骨骼成像，这种良好的参照使对病灶的定位更为方便准确；MRI（核磁共振成像）图像能够提供清晰的软组织成像，非常有利于确定病灶所在的大致地点。再如：SPECT（单光子发射计算机断层成像术）、PET（正电子发射断层成像术）提供了人体的功能信息。就此来看，现代医疗中已经不可或缺地包含了医学影像技术的使用。医学图像技术在疾病诊断方面应用广泛之外，还在外科手术以及放射治疗等的计划制定、方案施行和疗效评价等方面扮演着重要的角色。
本课题实现了基于图像灰度互信息最大化的多模态全局配准算法，从而校正了同一病人的MR_T1图像和MR_T2图像之间的位置变化，以便医生对两种模式图像进行综合互补用于临床判断。
*查看完整论文请 +Q: 3 5 1 9 1 6 0 7 2
关键字:图像配准多模态图像互信息仿射变换
目 录
第一章 绪论 1
1.1 医学图像研究的目的及意义 1
1.2 医学图像配准研究现状 2
1.3 本文的研究目的 2
第二章 图像配准算法概述 4
2.1 全局配准和局部配准 4
2.2图像配准算法的分类 4
2.3 图像配准算法的基本模块 5
第三章 多模态图像全局配准的关键技术 7
3.1 仿射变换 7
3.2 互信息相似性测度 8
3.3 优化算法 10
第四章 实验结果与分析 11
4.1 软件GUI 的设计介绍 11
4.2 算法流程 12
4.3 实验分析 13
第五章 总结与展望 16
参考文献 17
第一章 绪论
1.1 医学图像研究的目的及意义
在过去十年中各种新的医学成像设备已经在临床诊断和治疗中得到迅速发展和广泛应用。由于各种成像设备的信息或多次成像的信息不完整，而信息融合却可以弥补这一缺陷，并使临床诊断和治疗得到的信息更为全面和准确。多模态(multimodality) 医学图像配准就是将这些来源不同的图像进行配准[1]。不同模式的设备有其各自的局限性和适用范围，是由于这些设备对人体内小到分子、原子，大到结构组织有着不同的分辨率和灵敏度[2]。而多个模式的图像相互融合能够把各自图像的优点进行资源整合，可以把各种优势信息结合。由于图像形成的原理以及所使用器械的不同，目前的医学成像模式可分为两类:功能成像（SPECT、PET等）和解剖成像（CT、MRI、B超等）。功能图像可以从中看到人体内脏的新陈代谢的信息，这个在解剖图像中就不能实现，但是缺点是分辨率过低；解剖图像虽不能得到脏器的功能情状，但藉由分辨率较高的特点使脏器的解剖形态信息得到诠释[3]。对于功能成像技术和解剖成像技术各取所长，将功能图像和解剖图像进行配准，则可以将来自人体的多方面信息在一幅图像上同时表达。如图1.1对人脑的多种模式成像：
图1.1对人脑可用多种模式成像
1.2 医学图像配准研究现状
医学图像配准领域的目标是全面提升配准方案的精度、稳定性、自动化水平和实时性。多模态图像配准是目前该领域的前沿技术。其意义在于：不同成像模式产生的影像各有优点，如应用最广泛的CT 设备对骨骼结构的成像效果清晰，而MRI 图像则易于显示软性组织，因此对不同成像模式的图像进行配准融合，可以全面地获取人体信息；2D-3D 图像配准能够通过术前模型、术中病人和手术器械的定位信息，实现手术的可视化[4]。
九十年代中期，Collignon 等人成功将互信息值应用到以内部特征为基准的配准方法中，进而把配准技术的应用范围从二维单模态图像发展到二维/三维、三维/三维的多模态图像层面。最新的研究表明互信息值（MI）作为配准测度的方法对来自不同成像原理的图像配准有相当大的优势。该配准方法的思想是：如果两幅针对同一对象的图像之间，互信息值达到极值，则认为两者实现了最优配准[5]。Luo 等人[6]在此基础上，以最大互信息值为配准测度完成了CT-MRI、MRI-PET 的全脑数字图像配准，配准精度可达到亚像素级别。但当浮动图的分辨率较低，或者参考图和浮动图之间的重叠部分较少，使用最大互信息作为配准测度时，在寻求最优参数的过程中容易出现局部极值。针对这一缺点，Maes 等学者进行了多分辨率的配准效果分析，研究证明，该方法能有效地抑制局部极值的出现。
经过几十年的快速发展，配准技术已经逐渐从二维层面延伸到三维层面。图像配准的结果也能更好地完成治疗目标在术前模型中的定位。其中2D-3D图像配准是基于数字影像重建（DRR）的配准方法，能高效地获取真实病人和术前体数据的空间位置关系。
近几十年以来，医学图像配准技术取得了许多的突破和进展，但是也有一些问题还没有解决，如自动配准，如亚像素级别的配准等等技术[7]。相信在不久的将来，医学图像配准技术会取得更好更快的发展，一套精准的高效率的图像配准系统会出现在世人面前。
1.3 本文的研究目的
医学影像技术随着计算机技术、医学技术以及生物工程技术的发展而逐步发展，提供了多种模态的医学图像以供临床诊断，但一些差异性存在于成像原理和成像设备，也存在于图像要表现信息的侧重点上，如前所述的功能图像与解剖图像的优缺点。如果配准融合这两种图像，更丰富的信息能够通过配准后的图像表达，图像信息的配准融合将在临床诊断和手术治疗中的应用中得到加强。
本文所做的主要工作如下：首先，对研究医学图像配准技术的背景及该技术的发展水平、现状和意义进行介绍，对图像配准技术需要解决的问题以及发展方向进行阐述；然后对该技术的基本原理和实现方法进行了深入的研究。其次，论文中对多模态医学图像中基于梯度互信息的配准方法深入探究，着手于互信息和图像梯度信息，图像基于互信息的配准方法，局部容易出现极值，针对这一现象，本文对产生局部极值的原因进行了分析，提出了一种抑制局部极值的方法：图像梯度结合互信息，配准的相似测度准则为梯度互信息；同时多参数的寻优则使用改进的Powell算法。仿真实验证明局部极值现象通过该方法能被有效抑制，便于最佳配准参数通过寻优算法搜索到。
第二章 图像配准算法概述
2.1 全局配准和局部配准
全局配准是对整幅图像实现几何变换的一种配准算法，比较典型的全局几何变换有刚体变换和仿射变换，一般这种变换基于矩阵计算中的代数计算[8]。局部配准是对图像做局部几何变换的算法，局部变换对空间的要求比较苛刻。对于局部变换，图像像素位置的改变使其跟着改变，有着不完全一致的变换规则，需要分段之后进行小区域处理，两幅图像之间的相应位置映射关系需要空间变化来描述。投影变换和多项式变换是常用的局部图像变换。本文采用仿射变换实现图像的全局配准。
图2.1常用图像变换
2.2图像配准算法的分类
由配准中图像信息的使用情况的差异，图像配准的方法分为两大类：基于特征和基于灰度信息。前者需要先提取对图像中感兴趣的部分的特征。
基于特征的图像配准第一步就是提取图像特征，每个特征都包含一组属性，这些属性有边缘的定向和弧度，区域的尺寸等，然后根据空间变换达到所定义的相似性准则最大化，因此，特征好坏对图像配准结果的精度影响很大[9]。
基于图像灰度的配准方法，直接使用整个图像的灰度信息的图像配准方法来建立两个图像之间的相似性度量，然后用一些搜索方法，寻找变换模型的参数值，该参数值可以使相似性度量最大或最小。即逐像素地把配准图像和参考图像的图像窗口的灰度矩阵按照某种相似性度量方法进行检索的配准方法[10]。由此可见，基于灰度的图像配准算法无需进行特征提取，相对特征匹配来说更直接，更简单，有很好的稳定性。但是其缺点是要计算所有灰度点，所以计算量大，速度较慢。两种方法的比较如表2.1所示。在追求精度和稳定性更优的情况下，显然基于灰度的图像配准方法更好,本文采用基于灰度的图像配准算法。
表2.1 两种配准方法的比较
方法 精度 计算量 稳定性 配准速度
基于特征 较好 较小 较好 较快
基于灰度 很好 大 很好 较慢
2.3 图像配准算法的基本模块
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/gdxx/344.html
