医学图像配准

medimage

医学图像配准技术
A Survey of Medical Image Registration
张剑戈综述，潘家普审校（上海第二医科大学生物医学工程教研室，上海 200025）
【作者简介】张剑戈（ 1972-），男，山东济南人，讲师，硕士
    利用 CT、MRI、SPECT及 PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。不同成像模式具有高度的特异性，例如 CT通过从多角度的方向上检测 X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。图像配准在病灶定位、 PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。

图像配准算法
    可以从不同的角度对图像配准算法进行分类 [1]：同/异模式图像配准， 2D/3D图像配准，刚体 /非刚体配准。本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。
基于特征的配准算法
这类算法利用从待配准图像中提取的特征，计算出空间变换参数。根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。
1. 外部特征
    在物体表面人为地放置一些可以显像的标记物（外标记， external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。外标记分为植入性和非植入性 [2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。Andre G[3]等将该方法用于机器人辅助手术，对于股骨移植，位移误差小于 1.5mm，角度误差小于 3°，由于计算量小，可以实现实时配准。但是标记物必须事先被固定好，不能用于回顾性配准，而且该方法只适用刚体配准。
2. 内部特征
    从医学影像中可以提取出点、线和面：血管的交点、血管、胸腹之间的横膈膜等，这些特征作为内标记点(internal marker) ，利用其空间位置同样可以求解出空间变换参数。 Hill DL[4]用 11个形态点对脑部配准，误差 <1mm，方差为 1.73mm。Meyer CR[5]除了血管树的交点，还使用了左右脑之间的间隔等特征。Maurer CR[6,7]赋予点、线、面等几何特征不同的权重 (weighted geometrical features, WGF)，进一步改进了算法。内标记点配准是一种交互性的方法，将 3D图像配准简化为点、线和面的匹配，可以进行回顾性研究，不会造成患者的不适。但是医生对特征位置的判断影响到配准精度，为了克服人为误差，需要多次重复操作，以平均值作为最终结果。
    表面匹配算法也利用了内部特征 [8]：进行图像分割，提取出轮廓曲线、物体表面等内部特征，使 2D/3D图像配准简化为 2D曲线和 3D曲面的匹配，不再考虑物体内部像素。典型的应用是刚体配准的“头帽”算法 [9]，从头部的 3D图像中分割出表面轮廓，分别作为头模型和帽模型。配准的目标函数是头表面和帽表面之间的均方距离，该距离是空间变换参数的函数。表面匹配算法是一种自动算法，在物体表面轮廓相似并且清晰的情况下，配准效果很好。其不足之处在于：准确地进行图像分割很困难；不同模式的图像，如 CT/PET图像，由于器官的轮廓差异较大，难于精确地匹配。
3. 在非刚体配准中的应用
进行非刚体配准前要确定物理模型，常见有弹性模型、粘稠液体模型、生物力学模型。通过在感兴趣区域中提取参考点、2D或是 3D轮廓线，使待配准图像的 2D/3D轮廓线在局部外力的“驱动”下逐步变形直至吻合，以实现配准。
弹性模型[10]和粘稠液体模型 [11,12]的形变过程由图像参考点的密度差异控制，其形变的范围与密度差异成正比。弹性模型计算量小，但是随着距离的增加，形变误差也会增大。粘稠液体模型的优点在于所需的参考点少，适用于对长距离和小区域的形变。Wang Y[13]等利用统计形状模型得到边界的几何特征，在参考点之间密度差不大时增加“外力”，加大形变。
    Krinacou[14]利用生物力学模型配准脑部图像：假设脑部组织只受水平应力的影响，法线上应力为零，灰质、白质符合 neo-Hookean材料模型。用点集表示提取出组织轮廓线，将外力作用在这些点上，使组织根据其材料特性移动，逐步形变，与目标组织吻合。
Andresen[15]等人根据动力学的扩散原理(diffusion)，对待配准图像的表面用高斯算子(Guassian kernel)卷积，使之发生形变，逐步收敛到目标图像。在迭代过程中用目标图像的表面对形变的大小加以限制(geometry-constrained)，这种非刚体算法的特点是运算速度快。基于像素密度的配准算法
待配准影像由像素构成，不同成像模式下的图像纹理和形状有差异，但密度值和空间位置仍具有相关性。根据图像中所有像素密度值和空间位置等参数，构造出代价函数，通过计算代价函数的最优解得到变换参数，而不需要提取图像特征。
1. 主轴算法
    主轴法是一种自动配准算法 [16,17]，根据体素的密度和空间位置将待配准图像等价为 3D椭球，计算椭球的二价矩以得到其质心和主轴。使待配准图像的质心重合，然后以质心为旋转中心，使主轴的方向对齐、主轴的长度相等，得出空间变换参数。主轴法只需要匹配等价椭球的几何特征。
2. 相关性算法
    在信号处理中用互相关性衡量不同信号的匹配程度，这一方法可以应用在图像配准过程中[18]，互相关值的大小反映了配准的效果。
    Woods RP[19]认为同样的成像模式下得到图像，对应像素的密度值线性相关，可以用密度比值的方差度量相关性。另一种度量方法是利用像素密度、梯度和纹理
等特征：例如建立 2D直方图，图中像素的 x、y轴的坐标表示待配准图像中密度
值，像素值反映了空间中相应像素的个数。在直方图上找出具有最大像素值的几个点，用连接这几点的曲线所围成的区域面积表示误配准的大小，面积小，则相关性大，找到使图像之间相关性最大的空间变换参数，实现图像配准。
    这类算法主要应用于脑部图像配准，不需要在配准之前分割图像，可以自动进行。缺点是受到不同模态图像成像特点的影响，同一器官在不同模态的图像中表现出纹理和密度的非线性差异，同时存在着临近器官和组织的像素密度与目标器官相近的情况，使相关性计算缺乏物理意义，因此少用于多模图像配准。
3. 互信息算法
    最大互信息算法是近来的研究热点 [20,21,22,23]。通过计算待配准图像的熵以及联合熵，得到互信息值。根据定义，图像的熵与图像的位置无关，图像放置准确时，联合熵的值最小，互信息值最大。不同模态图像的密度变化是否成线性关系与求解互信息无关，可以用于多模图像配准。计算互信息时考虑 2D直方图中全部像素，算法具有鲁棒性。
    最大互信息算法建立在刚体模型基础上，如果配准目标器官发生了形变，配准结果往往不能收敛；互信息算法的计算量比较大，需要有高效的优化算法。
评价配准效果
    图像配准得到的是在某种配准原则下的最优结果，评价配准算法的优劣要考虑到精度、准确度、稳定性、可靠性、算法的复杂性和临床可用性等多个方面，其中前两个方面最为重要[24]。由于不能直接使用临床图象加以验证，因此当前主要通过间接的方法对配准算法进行评价。
    Timothy[25]等用一个注水的圆柱体模拟头部，并在模型的适当位置加上可成像的标记物，模型在不同位置分别成像；Fitzpatrick[26]在病人的颅骨上固定螺钉，做 CT、MRI和 PET扫描，根据配准后对应标记点空间距离评估所用配准算法的精度。Evans[27]等人用 MRI图像模拟 PET图像，人为地旋转、平移、缩放、对图像添加噪音，以验证配准算法的效果。Visible Human的 CT、MRI图像具有高分辨率和清晰的形态结构，同时空间位置明确，常被作为基准数据评估算法。采取模型评价方法的优点是可以精确地得到图像的空间位置，定量地评价算法的精度，但是模型只能是对真实情况的模拟，对非刚体的模拟误差较大。
    通过手术和请有关领域的专家对配准的效果作出定性的评判，是常用的算法效果评估方法，虽然主观性强，不能得到定量的结论，但也不失为一种有效的方法。
以上我们对图像配准的基本概念、当前的算法以及配准评价的方法进行了综述，到目前尚没有一个“Golden”的算法可以在所有的情况下实现图像配准。
    从应用的角度看，对脑部的研究比较多，配准方法已经成熟，但是对胸腹部的多模态配准，因为脏器的形变以及图像的模糊性，遇到了很多困难：采取交互性的配准方法，过多地依赖操作者的经验；采用非刚体配准算法有计算量大等问题。如何自动地进行非刚体的图像配准是今后这个领域的研究人员努力的方向。
【参考文献】
[1] Maintz JBA, Viergever MA. Asurvey of medical image registration [J]. Medical Image Analysis, 1998, 2(1): 1-36
[2] Maurer CR, Aboutanos GB, Fitzpatrick JM et al. Estimation of accuracy in localizing externally attached markers in multimodal volume head images [J]. Medical Imaging:Image Processing, 1993 , 1898: 358-367 ,SPIE Press
[3] Andre G, Wu K. Providing visual information to validate 2-D to 3-D registration [J]. Medical Image Analysis, 2000, 4: 357- 368
[4] Hill DL, Hawkes DJ, Hussain Z, et al. Accurate Frameless Registration of MR and CT Images of the Head: Applications in Surgery and Radiotherapy Planning [J]. Radiology, 1994, 191:447-454
[5] Meyer CR, Leichtman GS. Simultaneous Usage of Homologous Point, Lines, and Planes for Optimal, 3-D Linear Registration of Multimodality Imaging Data [J] IEEE Trans Med. Imaging 1995, 14(1): 1-11
[6] Maurer CR , Fitzpatrick JM. Registration of 3-D Image Using Weighted Geometrical Features [J].IEEE Trans Med. Imaging, 1996. 15(6.): 863 – 848
[7] Ge Y, Maurer CR, Fitzpatrick JM. Suface-based 3-D image registration using the iterative closest point algorithm with a closet point transform [J]. Medical
Imaging:Image Processing, 1996 , 2710: 358-367 ,SPIE Press
[8] Hsu L. Automated registration of brain images using edge and surface feature [J].IEEE Engineering in Medicine and Biology, 1999, 11: 40-47
[9] Chen C, Pelizzari CA, Chen GTY, et al. Image correlation techniques in radiation therapy planning [J]. Comput Med Image Graphics, 1989, 13: 235-240
[10] Gee JC, Reivicj M, Bajcsy R. Elastically deforming 3D atlas to match anatomical brain images [J]. Computer Assisted Tomography, 1993, 17: 225-236
[11] Christensen GE, Rabbit RD, Miller MI, et al. Automatic analysis of medical images using a deformable textbook [J]. Computer Assisted Radiology, 1995a: 146-151
[12] Christensen GE, Rabbit RD, Miller MI, et al. Deformable templates using large deformation Kinematics [J].IEEE Trans on Image Processing, 1996, 5(10): 1435-1447
[13] Wang Y, Staib LH. Integrated approaches to non-rigid registration in medical images Workshop on Applications of Computer Vision, Princeton, NJ, 1998, 10:102-108
[14] Krinacou SK, Davatzikos C, Zinreich SJ, et al. Nonlinear Elastic Registration of Brain Images with Tumor Pathology using a Biomechanical Model [J]. IEEE Trans. On Medical Imaging, 1999, 18(7):580-592
[15] Andresen PR. Non-rigid registration by geometry-constained diffusion  [J]. Medical Image Analysis, 2001(5):81-95
[16] Aratan LK. Three-Dimensional Anatomical Model-based Segmentation of MR Brain Image through Principal Axes registration [J]. IEEE Trans. On Biomedical Engineering 1995, 42(11): 1069-1078
[17] Atam PD. Iterative principal Axes Registration method for analysis of MR-PET brain images, IEEE Trans. On Biomedical Engineering, 1995, 42(11): 1079-1087
[18] Lehmann T, Goerke C, Schmitt W, et al. A retation-extended cepstrum technique optimized by systematic analysis of various sets of X-ray images [J]. Medical Imaging:Image Processing, 1996 , 2710: 390-401 ,SPIE Press
[19] Woods RP, Maziiotta JC, Cherry SR, et al. MRI-PET registration with automated algorithm [J]. Comp Assis Tomograph, 1993, 17:536-346
[20] Wells WM, Viola P,  Kikinis R, et al. Multi-modal volume registration by Maximization of mutual information [J]. Medical Image Analysis, 1996, 1(1):
35-51
[21] Meyer CR, Leichtman GS, Brunberg JA,et al. Demonstration of accuracy and clinical versatility of mutual information for automatic multimodality image fusion using affine and thin plane spline warped geometric deformations [J]. Medical Image Analysis, 1997, 1(3):195-206
[22] Maes F, Multimodality image registration by Maximization of mutual information [J]. IEEE Trans. On Medical Imaging, 1997, 16(2): 187-198
[23] Maes F, Vandermeulen D, Suetens P. Comparative evaluation of multiresolution optimization strategies for multimodality image registration by maximization of mutual information [J]. Medical Image Analysis, 1999, 3(12): 373-386
[24] West J.Comparison and evalution of retrospective intermodality image registration technique [J]. Medical Imaging:Image Processing, 1996 , 2710: 332-347 ,SPIE Press
[25] Timothy GT,   Ronald JJ. Accuracy of Registration of PET, SPECT and MR Images of a Brain Phantom [J]. Nucl med 1993, 34(9): 1587-1594
[26] Ge Y, Fitzpatrick JM. Retrospective registration of PET and MR brain images: An algorithm and its stereotactic validation [J] J Compute Assistant Tomograph, 1994,
18: 800-810
[27] Evans AC, Collins DL, Nellin P, et al. Correlative analysis of three-dimessional brain images Computer-intergrates Surgery, Technology and Clinical Applications, 1996, 99-144, MIT Press

medstd

ITK包含很多图像配准想法，楼主给我们介绍下
来自: 微社区

admin

求科普...

wx_y7psEf4z

谢谢楼主分享技术内容

biochemistry

图像配准是多模态医学影像融合的技术，顶起！！！

江西魏工

前排 出售沙发、板凳、小马扎、雪碧、可乐、叉烧包、营养快线红、烧鸡翅盖浇饭、牛奶果粒橙、馒头、花卷、牛肉干、望远镜、小喇叭、雨衣、小红旗、砖头、瓦块、米粉、米线、馄饨、水饺、汉堡、旺仔牛奶、方便面、德芙、奥利奥、虾条、薯片、干脆面、话梅、情人梅、海苔、巧克力、麦片粥、苹果、榴莲

13636600011

好贴！！！

13636600011

留个脚印

medphysics

好文章，值得学习，顶起来

medphysics

好贴！