醫(yī)學(xué)圖像配準(zhǔn)關(guān)鍵技術(shù)研究.pdf

1、醫(yī)學(xué)圖像配準(zhǔn)是信息處理、計(jì)算機(jī)圖像技術(shù)和現(xiàn)代醫(yī)學(xué)等多學(xué)科交叉的研究課題，已經(jīng)在臨床診斷、治療、術(shù)前規(guī)劃等方面取得了廣泛的應(yīng)用。然而，實(shí)際應(yīng)用表明，醫(yī)學(xué)圖像配準(zhǔn)在配準(zhǔn)精度、速度、自動(dòng)化以及魯棒性各方面仍面臨諸多困難和挑戰(zhàn)。為此，本文全面總結(jié)了醫(yī)學(xué)圖像配準(zhǔn)的理論、方法，重點(diǎn)研究了圖像配準(zhǔn)過程的各關(guān)鍵技術(shù)及其存在的問題，或加以改進(jìn)或提出新的方法，取得了良好的效果。主要內(nèi)容包括：
　　 (1)針對腦部圖像配準(zhǔn)中自動(dòng)提取標(biāo)記點(diǎn)的方法如基于

2、區(qū)域相似性或基于距離圖的方法所存在的缺點(diǎn)，提出一種基于形狀匹配的自動(dòng)選取標(biāo)記點(diǎn)的方法。該方法首先使用種子填充法、邊界跟蹤法或區(qū)域分隔法在浮動(dòng)圖像和參考圖像上分別提取腦殼、腦脊液和提取腦白質(zhì)的邊界曲線；然后使用形狀上下文在兩圖像的腦殼和腦脊液邊界曲線上選取在形狀上具有一一對應(yīng)關(guān)系的點(diǎn)作為標(biāo)記點(diǎn)。鑒于腦白質(zhì)邊界曲線的形狀復(fù)雜性，又對形狀上下文算法進(jìn)一步改進(jìn)，使用小波變換模極值點(diǎn)代替均勻采樣點(diǎn)，得到的標(biāo)記點(diǎn)更具幾何意義。基于B-樣條插值的配準(zhǔn)

3、實(shí)驗(yàn)證明，本方法選取的標(biāo)記點(diǎn)反映了圖像的幾何特征，在圖像上的分布合理、數(shù)目合適，能準(zhǔn)確地反映兩幅圖像之間不規(guī)則的局部差異。
　　 (2)針對基于光流場模型的配準(zhǔn)方法不能用于多模態(tài)圖像之間的配準(zhǔn)這一缺點(diǎn)，提出了一種使用精確直方圖規(guī)定化進(jìn)行模態(tài)變換的方法，同時(shí)對基于光流場模型的配準(zhǔn)方法進(jìn)行改進(jìn)，使得當(dāng)待配準(zhǔn)的兩圖像差異較大時(shí)也能取得滿意的配準(zhǔn)效果。首先運(yùn)用上述基于形狀匹配的方法自動(dòng)選取能反映圖像結(jié)構(gòu)的標(biāo)記點(diǎn)，然后使用標(biāo)記點(diǎn)為光流場構(gòu)

4、造一種附加的外力，以獲得更理想的配準(zhǔn)參數(shù)。
　　 (3)針對非參數(shù)圖像配準(zhǔn)，提出了將分層策略與特征約束相結(jié)合的方法來同時(shí)提高配準(zhǔn)精度和配準(zhǔn)速度。在目標(biāo)函數(shù)中融入由圖像的局部結(jié)構(gòu)信息構(gòu)造的特征約束，提高了配準(zhǔn)精度；在多層策略下運(yùn)用特征約束，粗層上的優(yōu)化結(jié)果作為細(xì)層的初始值，可以防止參數(shù)搜索陷入局部極值；同時(shí)，在細(xì)層上采用傳統(tǒng)的優(yōu)化方法而不必強(qiáng)求使用費(fèi)時(shí)的智能優(yōu)化算法就可以搜索到準(zhǔn)確的配準(zhǔn)參數(shù)，提高了配準(zhǔn)速度。
　　 (4)

5、針對以互信息為相似性測度的多模態(tài)醫(yī)學(xué)圖像非剛性配準(zhǔn)中傳統(tǒng)優(yōu)化方法易于陷入局部極值的缺點(diǎn)，研究了粒子群算法在圖像配準(zhǔn)的應(yīng)用。粒子群智能優(yōu)化方法作為搜索策略，降低了對圖像預(yù)處理的要求，進(jìn)一步提高了基于互信息的非剛性配準(zhǔn)的魯棒性。為了克服粒子群算法受初始值選取等因素的影響易陷于局部最優(yōu)的缺點(diǎn)，使用LBFGS(Limited-memory Broyden-Fletcher-Goldfarb-Shanno)優(yōu)化得到的結(jié)果構(gòu)造初始粒子群，并采用多目