醫學圖像配準技術分析范文
本站小編為你精心準備了醫學圖像配準技術分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
在做醫學圖像分析時,經常要將同一患者的幾幅圖像放在一起分析,從而得到該患者的多方面的綜合信息,提高醫學診斷和治療的水平。對幾幅不同的圖像作定量分析,首先要解決這幾幅圖像的嚴格對齊問題,這就是我們所說的圖像的配準。醫學圖像配準是指對于一幅醫學圖像尋求一種(或一系列)空間變換,使它與另一幅醫學圖像上的對應點達到空間上的一致。這種一致是指人體上的同一解剖點在兩張匹配圖像上有相同的空間位置。配準的結果應使兩幅圖像上所有的解剖點,或至少是所有具有診斷意義的點及手術感興趣的點都達到匹配。醫學圖像配準技術是90年代才發展起來的醫學圖像處理的一個重要分支。涉及“配準”的技術名詞除registration外,mapping、matching、co-registration、integration、align-ment和fusion等說法也經常使用。從多數文章的內容看,mapping偏重于空間映射;fu-sion指圖像融合,即不僅包括配準,而且包括數據集成后的圖像顯示。雖然在成像過程之前也可以采取一些措施減小由身體移動等因素引起的空間位置誤差,提高配準精度(稱作數據獲取前的配準preacquisition),但醫學圖像配準技術主要討論的是數據獲取后的(post-acquisition)配準,也稱作回顧式配準(retrospectiveregistration)。當前,國際上關于醫學圖像配準的研究集中在斷層掃描圖像(tomographicimages,例如CT、MRI、SPECT、PET等)及時序圖像(timeseriesimages,例如fMRI及4D心動圖像)的配準問題。
2醫學圖像基本變換
對于在不同時間或/和不同條件下獲取的兩幅圖像I1(x1,y1,z1)和I2(x2,y2,z2)配準,就是尋找一個映射關系P:(x1,y1,z1)(x2,y2,z2),使I1的每一個點在I2上都有唯一的點與之相對應。并且這兩點應對應同一解剖位置。映射關系P表現為一組連續的空間變換。常用的空間幾何變換有剛體變換(Rigidbodytransformation)、仿射變換(Affinetransformation)、投影變換(Projec-tivetransformation)和非線性變換(Nonlin-eartransformation)。
(1)剛體變換:所謂剛體,是指物體內部任意兩點間的距離保持不變。例如,可將人腦看作是一個剛體。處理人腦圖像,對不同方向成像的圖像配準常使用剛體變換。剛體變換可以分解為旋轉和平移:P(x)=Ax+b(1)x=(x,y,z)是像素的空間位置;A是3×3的旋轉矩陣,b是3×1的平移向量。矩陣A滿足約束條件:ATA=Idet1=1(2)AT是矩陣A的轉值,I是單位矩陣。
(2)仿射變換:當(2)式的約束條件不滿足時,方程式(1)描述的是仿射變換。它將直線映射為直線,并保持平行性。具體表現可以是各個方向尺度變換系數一致的均勻尺度變換或變換系數不一致的非均勻尺度變換及剪切變換等。均勻尺度變換多用于使用透鏡系統的照相圖像,在這種情況下,物體的圖像和該物體與成像的光學儀器間的距離有直接的關系,一般的仿射變換可用于校正由CT臺架傾斜引起的剪切或MR梯度線圈不完善產生的畸變。
(3)投影變換:與仿射變換相似,投影變換將直線映射為直線,但不再保持平行性質。投影變換主要用于二維投影圖像與三維體積圖像的配準。
(4)非線性變換:非線性變換也稱做彎曲變換(curvedtransformation),它把直線變換為曲線。使用較多的是多項式函數,如二次、三次函數及薄板樣條函數。有時也使用指數函數。非線性變換多用于使解剖圖譜變形來擬合圖像數據或對有全局性形變的胸、腹部臟器圖像的配準。
3醫學圖像配準的類型
根據成像模式的不同,以及配準對象間的關系等,醫學圖像配準可有多種不同的分類方法[14,15,21]。
3.1按成像的模式分類
由于成像的原理和設備不同,存在有多種成像模式(imagingmodalities)。從大的方面來說,可以分為描述生理形態的解剖成像模式(anatomicalimagingmodality)和描述人體功能或代謝的功能成像模式(functionalimagingmodality)。表1給出幾種主要的成像模式。
(1)單模(monomodality)醫學圖像配準:是指待配準的兩幅圖像是用同一種成像設備獲取的。單模醫學圖像配準的典型應用如下。
①不同MR加權像間的配準:由于使用的射頻脈沖序列以及成像參數的設置不同,磁共振圖像會有很大的不同。對自旋回波(SpinEcho)脈沖序列主要有三種不同類型的磁共振圖像,即T1加權像、T2加權像及質子密度(PD)加權像。人體不同的組織在這些圖像上表現為不同的強度。例如,很多腫瘤、炎癥及病灶都會增加組織中的自由水成分,在T1加權像中表現為低強度;而骨、纖維及鈣化組織不含自由水,在T2加權像中呈低強度;亞急性出血在T1和T2像中同時表現為高強度等。不同加權MR圖像的信息可以互補,臨床上,它們的結合可提供更全面的診斷信息。配準后的圖像還可用于腦內組織的分類(如白質、灰質及CSF等)。由于該分類方法的原理與利用衛星遙感圖像處理地面資源的方法相似,這種分類方法又稱做多譜醫學圖像分析。
②電鏡圖像序列的配準:在不同時間采集的多幅物體圖像,構成沿時間軸的2D/3D圖像的集合,稱為時間序列圖像。生物醫學方·2·面,在顯微鏡下觀察組織結構,可分析微生物、細胞和亞細胞粒子的移動及其引起的形態變化,研究它們的生長和變態現象。對系列微循環圖像分析還可得到微血流變化的情況。
③fMRI圖像序列的配準:fMRI(功能磁共振成像,functionalMRI)也是時間序列圖像。大腦活動過程中,會產生氧攝取量與腦血流間的不平衡,這種不平衡必然會引起腦血管周圍MRI信號的改變。在對磁場不均勻性很敏感的MRI圖像序列中就可以測得這些信號的改變。由于該方法無須對比增強劑,也無輻射劑量,又能反映腦功能,因此在神經科學的認知研究中得到普遍的重視。功能測試要求受試者做出某種反映,很大程度上會引起頭部的移動,產生偽像。因此,在fMRI序列圖像研究中圖像配準更是嚴重的問題[11]。
④腦、腹部臟器的圖像配準:如果被分析的圖像本身就是3D圖像,這樣的圖像序列就成為4D圖像,例如4D心動圖像分析。要進行定量的分析,往往要求確定各幅圖像中的公共參考點位置,即要解決圖像定位問題。還要解決目標物體處于運動過程可能存在的局部變形和嚴重的噪聲問題,例如在心動周期中的不同時刻,心臟的形狀、大小、位置都會發生變化,介于3D圖像間的時間插值圖像是常用的方法。
(2)多模(multimodality)醫學圖像配準:是指待配準的兩幅圖像來源于不同的成像設備。例如,CT和MR圖像都有較高的空間分辨率,前者對密度差異較大的組織效果好,后者則可識別軟組織;SPECT、PET能反映人體的功能和代謝信息,但空間分辨較差。因此在臨床應用中,常需要將CT(或MR)與SPECT(或PET)配準。二者的結合能夠同時提供功能的與解剖的信息,具有臨床應用價值。由于掃描設備的原理不同,掃描參數條件各異,所以兩種斷層圖像間并不存在著簡單的一一對應關系。多模醫學圖像配準是醫學圖像配準的重點研究課題。在PET與MR圖像的配準問題中,目前國際上用的較多的是AIR法(AutomaticImageRegistration)、準標法(FiducialMarks)和雙模板變換法。最近,最大互信息法又倍受推崇和關注。
3.2按受試對象分類
待配準的圖像可以是同一個人的,屬于患者自身圖像配準(intra-subject)。對同一病人在不同時間獲取同一器官或解剖部位的圖像,可以用于對比,從而監視疾病的發展及治療過程。如果沒有局部的組織切除,這種配準一般用剛體變換就可以了。除此之外,有時要將被試者的圖像與典型正常人相同部位的圖像對比,以確定被試者是否正常;如果異常,也許還要與一些疾病的典型圖像對比,確定患者是否屬于同類。這些都屬于不同人間的圖像配準(inter-subject)[8]。由于個體解剖的差異,后者的配準顯然要難于前者。
3.3圖像與圖譜配準(AtlasMethod)或與物理空間配準
由于不同人在生理上存在差異,同一解剖結構的形狀、大小、位置都會很不相同,這就使不同人的圖像配準問題成為當今醫學圖像分析中的最大難題。在對比和分析不同的醫學圖像時,很難精確找出對應的解剖信息。這要求有一個詳細標記人體各個解剖位置的計算機化的標準圖譜。常見的方法大致有兩類:一是借助一個共同的標準來比較,例如要對兩個病人的PET或MR圖像進行比較,首先要把二者的圖像都映射到一個共同的參考空間去,然后在此空間中對二者進行比較,目前使用較多的是Talairach標準空間,可以對不同的人腦圖像進行比較;二是非線性形變法,模仿彈性力學方法,將一個人的3D圖像逐步變換,使它最終能較好地與另一個人的3D圖像最佳匹配。在立體定向裝置或圖像引導的手術導航系統中[18],則是將圖像像素與物理空間中探針或手術器械或實況攝像的位置配準。
4醫學圖像配準方法
4.1配準原理
醫學圖像的配準過程本質上是一個多參數最優化問題。用的較多的是使兩個圖像對應像素特征值差值平方和最小化。一般可用Gauss-Newton最優化算法實現。
4.2主要配準方法
(1)點法(PointMethod):又分內部點(Intrinsicpoints)及外部點(Extrinsicpoin-ts)。內部點是從與病人相關的圖像性質中得到的,如解剖標志點(anatomicallandmarkpoints)。解剖標志點必須是在三維空間定義的,并在兩種掃描模式的圖像中可見。典型的解剖標志點可以是一個點狀的解剖結構,例如:耳蝸尖端拐點處;兩個線形結構的交點;血管的分叉或相交處;某一表面上特定拓撲屬性;一個溝回的可識別部分等。外部點則是在受試者顱骨嵌入的螺釘、在皮膚上做的記號或其他在兩幅圖像都可檢測到的附加標記物,例如充有硫酸銅的管子、玻璃珠、鉻合金珠、明膠球等。原則上外部點法可用于配準任何模式的圖像,而且外部點在醫學圖像中要比內部點好識別得多,通過比較圖像中記號的位置對配準結果也易于視覺檢測;缺點是在使用這些記號時,受試者都要在掃描裝置內嚴格保持不動,有些還是介入性的。相比起來,內部點法則對受試者比較友好,而且是全回顧式配準;缺點是內部點的尋找相當困難、費事,要求有一定的經驗,方法帶有一些主觀性。無論內部點還是外部點,一經確定,兩圖像的配準問題就歸結為求解對應點集的剛體變換了。對準了這些標志點,兩幅圖像也就配準了。
(2)曲線法(CurveMethod):Batler[3]對二維投影放射照片首先用人工的方法在兩幅圖像中尋找對應的開曲線(Opencurve),再在兩條曲線局部曲率最佳擬合的線段用相同的采樣率找出一組對應點來,以后繼續用點法匹配兩幅圖像。Gueziec和Ayache[2]配準CT體積圖像系列時,用圖像強度的導數自動提取脊線(ridgeorcrest)。然后,用連續的樣條近似這些離散的曲線并計算曲率和扭矩。曲線的對應關系是用幾何散列表(geo-metrichashing)檢索和表決技術確定的。對應曲線及圖像間的配準是通過剛體變換實現的。
(3)表面法(SurfaceMethod):基于表面的配準技術典型的例子是Pelizzari和Chen[17]研究的“頭帽法”。從一幅圖像輪廓提取的點集稱作帽子(‘hat’),從另一幅圖像輪廓提取的表面模型叫作頭(‘head’)。一般用體積較大的病人圖像,或在圖像體積大小差不多時用分辨較高的圖像來產生頭表面模型。Powell探索算法被用來尋求所需的幾何變換,即使帽點和頭表面間的距離平均平方值最小。許多學者對該算法作了重要改進,例如用多分辨金字塔技術克服局部極值問題;用距離變換擬合兩幅圖像的邊緣點(edgepoints),斜面匹配技術(chamferingmethod)可有效地計算距離變換。
(4)矩和主軸法(MomentandPrincipalAxesMethod):借用經典力學中物體質量分布的概念,計算兩幅圖像像素點的質心和主軸,再通過平移和旋轉使兩幅圖像的質心和主軸對齊,從而達到配準的目的[1]。該方法對數據的缺失較敏感,即要求整個物體必須完整的出現在兩幅圖像中,此外,該方法還對神經醫生感興趣的某些病案效果不佳。例如,PET圖像中大的周邊低代謝腫瘤可能引起較大的MR—PET配準誤差。學者們更多地是使用主軸變換法作粗配準,使兩幅圖像初步對齊,可以減少后續主要配準方法的搜索步驟。
(5)相關法(CorrelatiomMethod):對于同一物體由于圖像獲取條件的差異或物體自身發生的小的改變而產生的圖像序列,采用使圖像間相似性最大化的原理實現圖像間的配準[22],即通過優化兩幅圖像間相似性準則來估計變換參數,主要是剛體的平移和旋轉。對照相序列,考慮到棱鏡系統的使用,還要作必要的尺度變換。還須對曝光時間不同引起的強度差異作修正。對核醫學圖像也要作強度換算來修正因獲取時間、注入活性及背景等因素產生的影響。所使用的相似性測度可以是多種多樣的,例如相關函數、相關系數、差值的平方和或差的絕對值和等。由于要對每種變換參數可能的取值都要計算一次相似性測度,相關法的計算量十分龐大,一些學者在這方面做出了努力。例如,用相位相關傅立葉法估算平移和旋轉參數;用遺傳算法和模擬退火技術減少搜索時間和克服局部極值問題,及用傅立葉不變性和對數變換分解變量的互相關技術。相關法主要限于單模圖像配準,特別是對一系列圖像進行比較,從中發現由疾病引起的微小改變。
(6)最大互信息配準法(MaximizationofMutualInformation):互信息是信息論的一個基本概念,是兩個隨機變量統計相關性的測度。Woods[24]使用給出參考像后測試圖像的條件熵作為配準的測度。他研究的AIR是一種廣泛應用于PET到MR圖像配準的算法,但缺點是依賴對MR圖像的予處理,這通常涉及很費功夫的剔除非腦組織的手工編輯工作。Collignon[7]、Viola和Wells[23]、Studholme[19]等人用互信息作為多模醫學圖像的配準的測度。如果兩幅圖像幾何上對齊的話,它們對應體素對的強度值的互信息最大。由于該方法不需要對兩種成像模式中圖像強度間關系的性質作任何假設,也不需要對圖像作分割或任何予處理,所以被廣泛地用于CT/MR、PET/MR等多種配準工作。最大互信息法幾乎可以用在任何不同模式圖像的配準,特別是當其中一個圖像的數據部分缺損時也能得到很好的配準效果。
(7)圖譜法(AtlasMethod)與非線性變換技術:不同人腦圖像的配準遠比同一個人的不同模式圖像的配準困難得多,這是因為每個人腦的形狀、尺寸都有很大的差異。如果我們將腦圖像作一定的尺度變換,并對深度內部結構適當取向后,就會發現不同人腦的解剖結構的大小和形狀方面還是具有一定的共性的。這就使我們有可能構造一個解剖圖譜,其前提是受試者間腦的拓撲結構具有不變性。由于在腦圖譜構建過程中有神經解剖學專家直接參與,利用腦圖譜進行配準,就可以利用圖譜所包含的先驗知識來對病人或其他人的圖像自動識別和正確地分割。一個最著名的方案是建立一個標準的腦坐標系統。Talairach[20]3D正交柵格系統為大家廣泛接受,從圖譜到腦圖像的配準歸結為逐段仿射變換問題。但仿射變換不能解決人腦形態的復雜非線性問題,故一些學者研究了用非線性變換的配準技術。Evans[10]構建了一個三維的計算機化腦圖譜。他們用手工方法從一個高分辨的MR體積圖像的所有層片的每半球中都提取60個解剖結構的輪廓線,然后用貼片算法(tilingalgorithm)將這些結構轉化為閉合的多面體,使用時,通過全局仿射變換或薄板樣條函數,交互地使圖譜變形去擬合圖像數據。Greitz[13]構建的圖譜則是從冷凍尸體腦切片的數字化照片中人工提取250個結構,配準方法是先用仿射變換粗定位,再用非線性變換精細對齊,整個配準過程是交互式的。Bajcsy[4]等人首先用彈性形變方法使三維的計算機化腦圖譜變形,用于配準CT和MR體積圖像。他們還應用從粗到細的多分辨匹配策略減少計算的復雜性和提高配準精度。Bookstein[5]的薄板樣條法和非線性形變理論、Moshfeghi[16]等人的彈性匹配方法、Davatzikos[9]的活動輪廓模型都是獨有特色的非線性形變配準方法。Christensen[6]用粘滯流體模型(ViscousFlu-idModel)控制形變,模板圖像被建模為厚的流體,流體在內力作用下流動去擬合待配準的體積圖像,經過一段時間后,流體停止活動。該法可以實現任何復雜形狀的形變,被認為是當前最高級的圖像配準算法,缺點是算法所須計算量太大,使用DECmpp128x64MasPar計算機作3D配準需要2～6小時,在MIPSR4400處理機上執行時間約為7天。只有使用超級計算機做并行計算,這種算法才能得以實現。
5醫學圖像配準的評估
醫學圖像配準,特別是多模醫學圖像配準結果的評估一直是件很困難的事情。由于待配準的多幅圖像基本上都是在不同時間/和條件下獲取的,所以沒有絕對的配準問題,即不存在什么金標準(goldstandard),只有相對的最優(某種準則下的)配準。在此意義上,最優配準與配準的目的有關。常用的評估方法有以下幾種:
(1)體模(Phantom):體模又有硬件體模和軟件體模之分,后者是計算機圖像合成結果。體模法用已知的圖像信息驗證新配準算法的精度。由于體模都比較簡單,與實際臨床圖像差異較大,因此只能對配準方法作初步的評估。
(2)準標(fiducialmarks):立體定向框架系統(StereotacticFrameSystems)包括立體定向參考框架、立體定向圖像獲取、探針或手術器械導向幾部分。優點是定位準確,不易產生圖像畸變。使用立體定向框架系統的體積圖像數據可以用來評估其它配準方法的精度。使用人工記號作準標的方法很多。一種準標是使用9根棍棒組成的3個方向的N字型結構。在CT測試時,棒內充以硫酸銅溶液;作PET測試則填充氟18。這樣,在兩組圖像中都可見此N字型準標,從而可對圖像準確空間定位。Fitzpatrick[12]用在人腦表面嵌螺絲作標記(每人8個)的方法對多個病人做CT、MR(T1、T2及PD)和PET實測,得到多組數據。這些數據專門用于多模醫學圖像配準算法評估使用。
(3)圖譜:Thompson[20]用隨機向量場變換構造一個可變形的概率腦圖譜。包括從多個受試者到單一解剖模板的功能、血管、組織諸方面映射,三維圖譜到新受試者的掃描圖像的映射。VisibleHumanCD的CT骨窗圖像、MR圖像及彩繪的冷凍切片照片像由于具有清晰的解剖結構和高度的分辨率(1mm/每層片),近來也被用來作新配準方法精度的評估。(4)目測檢驗(visualinspection):對多模醫學圖像配準的結果請領域專家用目測方法檢驗,聽起來有些主觀,但的確是一種相當可信的方法。
