醫(yī)學圖像配準中的若干關鍵問題研究.pdf

1、醫(yī)學圖像配準已成為疾病診療的重要工具，如基于多模態(tài)腦圖像配準的疾病診斷方法和基于肺部4D CT圖像配準的腫瘤放射治療方法。在多模態(tài)醫(yī)學圖像配準中，因為不同模態(tài)成像的物理機理差異較大，圖像不同局部的灰度對應關系不一致，從而難以找到對應圖像灰度之間的全局一致對應關系。在單模態(tài)醫(yī)學圖像進行配準中，圖像會因為諸如非均勻磁場和噪聲等因素導致圖像灰度出現局部非均勻變化，同樣難以找到對應圖像灰度之間的全局一致對應關系。這種不一致性制約著圖像配準精度進

2、一步提高，成為醫(yī)學圖像配準中的關鍵問題之一。本文針對腦部磁共振圖像和4D CT肺部圖像的不同特點，提出不同的圖像描述子解決對應圖像灰度的全局不一致對應問題。
　　圖像引導放射治療是肺癌治療的主要手段之一。而4D CT肺部圖像的非剛性配準算法是圖像引導放射治療的關鍵技術。圖像配準算法與放療技術相結合，有助于精確殺死癌細胞。然而目前肺部4D CT圖像的非剛性配準算法存在三大困難:肺部壓縮導致的圖像灰度局部非均勻變化使得經典的全局相似度

3、函數失效;肺部運動較大的偏移量使得經典光流模型很難準確估計運動;心臟搏動導致肺部運動的局部不連續(xù)性使得經典的正則化目標函數失效。這些困難制約了肺部圖像的配準算法精度的提高。本文針對4D CT圖像配準遇到的三大關鍵問題，提出如下策略:采用提出的圖像描述子解決灰度局部非均勻變化的問題;采用由粗到精圖像金字塔方法解決肺部運動偏移量較大的問題;采用雙邊濾波器解決肺部運動的局部不連續(xù)性問題。本文綜合上述措施提出兩種高精度的肺部4D CT配準算法。

4、
　　本文的主要工作和創(chuàng)新點如下:
　　(1)基于邊緣鄰域描述子的多模態(tài)配準方法
　　近年來提出的熵圖像描述子、基于流形學習描述子和模態(tài)無關描述子等方法可以在一定程度上解決圖像灰度的全局不一致對應的問題。然而這些描述子的計算復雜度較高，內存要求較高，配準的精度有待于進一步提高。本文提出一種新的描述子，對圖像進行結構化表示，使得不同模態(tài)圖像能夠得到一致的結構表示。具體實現如下，首先將圖像分成4種類型區(qū)域:圖像背景、圖像邊

5、緣、圖像邊緣的鄰域和其他區(qū)域，然后給圖像不同的區(qū)域設置不同的權重。由于該描述子同時依賴于邊緣和鄰域，本文將該描述子命名為邊緣鄰域描述子。該邊緣鄰域描述子原理簡單，計算速度非常快，是熵圖像描述子計算速度的50倍。在基于邊緣鄰域描述子的多模態(tài)配準方法中，首先計算不同模態(tài)圖像的邊緣鄰域描述子，得到不同圖像的一致表示，然后使用經典配準算法對圖像的邊緣鄰域描述子進行配準。實驗結果表明基于邊緣鄰域描述子的多模態(tài)腦部圖像配準精度優(yōu)于經典的互信息方法和

6、熵圖像描述子。
　　(2)基于圖像特征和流形學習的多模態(tài)配準方法
　　熵圖像描述子、模態(tài)無關鄰域描述子和前面提出的邊緣鄰域描述子等方法僅僅考慮局部關系，沒有考慮像素鄰域間的全局關系?；诹餍螌W習的圖像描述子同時考慮了像素鄰域間的局部和全局關系。然而，由于計算的時間復雜度和空間復雜度特別高，幾乎不可能將流形學習直接應用到3D圖像中。因此，大尺度流形學習逼近方法的研究非常有必要。本文將隨機投影樹方法和k-means聚類這兩個經典

7、的逼近方法應用到基于流形學習的圖像描述子中，并提出兩種大尺度流形學習的逼近方法。這兩種方法基本思想一致:首先根據圖像特征檢測的結果選擇代表性點集;然后在該點集和該點集鄰域窗口上構建流形;最后將圖像中剩下的點嵌入到已經構建的流形中。第一種方法利用Canny邊緣檢測的結果選擇代表性點集;第二種方法利用Harris角點的檢測結果選擇代表性點集。提出的兩種大尺度流形學習逼近方法比原來的流形學習描述子快45到51倍，也比基于隨機投影樹方法和k-m

8、eans聚類方法的流形學習描述子快3到5倍。實驗結果表明基于提出方法的多模態(tài)腦部圖像配準精度優(yōu)于熵圖像描述子、隨機投影樹方法和k-means聚類的方法。
　　(3)基于混合局部二值模式的肺部4D CT非剛性配準方法
　　肺部4D CT圖像的非剛性配準是臨床醫(yī)療上的重要工具，有著廣泛的應用。然而肺部4D CT圖像配準精度的提高受到灰度的局部非均勻變化和肺部較大的偏移量等因素的影響。近年來Census代價函數被用來處理灰度局部非

9、均勻變化問題。但是該方法降低了圖像的區(qū)分度，給配準算法帶來負面的影響。本文將對稱局部二值模式的單一閾值推廣到兩個閾值，同時將推廣的對稱局部二值模式和中值二值模式組成一種新的混合局部二值模式。由于使用了更多閾值，混合局部二值模式不僅能夠解決灰度局部非均勻變化問題，而且還能夠較好保持圖像的區(qū)分度。在經典的Lucas-Kanade光流法基礎上，我們提出精確逆一致對稱光流法(Accurate Inverse-consistent Symmetr

10、ic Optical Flow，AISOF)。AISOF方法由混合局部二值模式、逆一致對稱方法、由粗到精圖像金字塔方法和經典Lucas-Kanade方法集合而成。AISOF方法特點:Lucas-Kanade方法簡潔高效;采用混合局部二值模式解決灰度局部非均勻變化問題;采用逆一致對稱方法提高配準的精度;采用由粗到精圖像金字塔方法解決肺部偏移量較大的問題。實驗結果表明基于混合局部二值模式的配準精度高于模態(tài)無關鄰域描述子、自相似上下文描述子和

11、經典的局部二值模式。在美國德克薩斯大學的4D CT數據集上，AISOF方法的目標配準誤差為1.16 mm，這個誤差比經典的Lucas-Kanade方法小1.67mm。
　　(4)基于雙邊濾波器的肺部4D CT配準方法
　　在本文前期的工作中，提出了混合局部二值模式和AISOF肺部4D CT非剛性配準方法。在混合局部二值模式中，將經典的對稱局部二值模式的單個閾值推廣到兩個閾值。然而在灰度變化較大的時候，兩個閾值并不能很好的表示

12、局部特征。為此，我們提出三個閾值的混合局部二值模式，并將其命名為多閾值局部二值模式。心臟搏動等因素會導致肺部運動在邊界處不連續(xù)性。而雙邊濾波器具有保持邊緣的特征，能夠較好的解決這種不連續(xù)性問題。本文將多閾值局部二值模式和雙邊濾波器應用到AISOF方法中，并將其命名為BISOF(Bilateral filtersbased Inverse-consistency Symmetrica Optical Flow)。在美國德克薩斯大學的4DC