強(qiáng)魯棒的非剛性點(diǎn)配準(zhǔn)方法及其應(yīng)用研究.pdf

1、醫(yī)學(xué)圖像配準(zhǔn)是醫(yī)學(xué)圖像處理領(lǐng)域中一個(gè)重要、基本的研究課題，是醫(yī)學(xué)圖像融合、重建以及標(biāo)準(zhǔn)圖譜建立等研究的基礎(chǔ)。由于人體結(jié)構(gòu)的復(fù)雜性，很多組織器官都是復(fù)雜的彈性體，簡(jiǎn)單的剛性配準(zhǔn)無(wú)法表示人體復(fù)雜結(jié)構(gòu)的局部細(xì)節(jié)。而這些細(xì)節(jié)卻是臨床診斷中很重要的依據(jù)，因此必須采用具有更高自由度的非剛性配準(zhǔn)技術(shù)。非剛性配準(zhǔn)是醫(yī)學(xué)圖像處理的重要研究課題。同剛性配準(zhǔn)相比，非剛性配準(zhǔn)還不成熟，如何建立合理的形變模型，適合各種復(fù)雜的組織變形；如何提高非剛性配準(zhǔn)的速度、精

2、度以及對(duì)非剛性配準(zhǔn)的評(píng)估都需要進(jìn)一步的研究。 非剛性點(diǎn)配準(zhǔn)是基于特征的配準(zhǔn)方法中最基本、最主要的問(wèn)題，是基于線、面等配準(zhǔn)方法的基礎(chǔ)。本文在對(duì)非剛性配準(zhǔn)技術(shù)深入研究的基礎(chǔ)上，提出了一種較為通用的非剛性點(diǎn)配準(zhǔn)方法。算法具有較高的魯棒性，且實(shí)現(xiàn)了配準(zhǔn)過(guò)程完全自動(dòng)化。然后將其應(yīng)用到3D腦圖像配準(zhǔn)和可形變概率圖譜的建立中。具體成果和創(chuàng)新點(diǎn)介紹如下： (1)提出了一種基于Levelset方法的雙表面延伸算法，實(shí)現(xiàn)了腦皮層和腦溝帶的自

3、動(dòng)、穩(wěn)定及強(qiáng)魯棒性的分割。提取待配準(zhǔn)圖像中的某些特征量是基于特征的配準(zhǔn)方法的前提。本文在深入研究各種分割方法的基礎(chǔ)上，對(duì)其中一種分割效果較好的算法，即幾何活動(dòng)輪廓方法進(jìn)行了改進(jìn)，提出了一種基于多段水平集方法的雙表面延伸算法，較好地克服了Snake模型及傳統(tǒng)Levelset方法的許多缺點(diǎn)。并將其成功的應(yīng)用于3D腦皮層的分割問(wèn)題中，實(shí)現(xiàn)了腦外皮層和主要腦溝帶的完全自動(dòng)化提取。 (2)提出了一種較為通用的非剛性點(diǎn)配準(zhǔn)方法——混合點(diǎn)配準(zhǔn)

4、算法(MPM)。非剛性點(diǎn)配準(zhǔn)是其它基于特征的配準(zhǔn)方法的基礎(chǔ)，是實(shí)現(xiàn)不同個(gè)體之間3D腦圖像配準(zhǔn)的關(guān)鍵。本文在深入研究非剛性點(diǎn)配準(zhǔn)中存在的問(wèn)題的基礎(chǔ)上，利用高斯混合模型，提出了一種簡(jiǎn)單快速的混合點(diǎn)配準(zhǔn)算法(MPM)，成功的解決了非剛性點(diǎn)配準(zhǔn)中參數(shù)空間的高維搜索及溢出點(diǎn)處理的建模問(wèn)題。并通過(guò)一系列的實(shí)驗(yàn)來(lái)評(píng)估算法的有效性。 (3)實(shí)現(xiàn)了利用近似薄板樣條作為變換模型，將標(biāo)記點(diǎn)位置的變換擴(kuò)展到整個(gè)圖像空間中。任意d維的薄板樣條函數(shù)可以描述

5、為多變量插值問(wèn)題，但是插值薄板樣條要求兩幅圖像中標(biāo)記點(diǎn)是完全匹配的。然而，在實(shí)際應(yīng)用中不管是人工、半自動(dòng)化或完全自動(dòng)化提取的標(biāo)記點(diǎn)，其位置總是存在誤差的。為了考慮標(biāo)記點(diǎn)位置的誤差，在薄板平滑樣條的基礎(chǔ)上，提出了一種各項(xiàng)異性近似薄板樣條，考慮標(biāo)記點(diǎn)在不同方向上的誤差及其互相關(guān)性，使得算法能夠處理各項(xiàng)異性誤差及不同類型的標(biāo)記點(diǎn)，提高配準(zhǔn)的準(zhǔn)確度。 (4)引入聚類技術(shù)，減少配準(zhǔn)點(diǎn)集的數(shù)目，大大提高了混合點(diǎn)配準(zhǔn)算法的計(jì)算速度。在混合點(diǎn)配

6、準(zhǔn)算法(MPM)中，當(dāng)特征點(diǎn)的數(shù)目達(dá)到上百甚至上千時(shí)，估計(jì)對(duì)應(yīng)關(guān)系和變換的計(jì)算量非常巨大。為了減少其計(jì)算代價(jià)，并使算法具有對(duì)稱性，對(duì)第三章的混合點(diǎn)配準(zhǔn)算法進(jìn)行擴(kuò)展，提出了一種對(duì)稱的混合點(diǎn)配準(zhǔn)算法(SMPM)和一種聯(lián)合聚類—配準(zhǔn)算法(JCM)，結(jié)合有粗到細(xì)配準(zhǔn)的策略反復(fù)多次配準(zhǔn)。這樣不僅可以大大減少計(jì)算代價(jià)，還提高了配準(zhǔn)精度。 (5)實(shí)現(xiàn)了將非剛性點(diǎn)配準(zhǔn)算法用于解決醫(yī)學(xué)圖像中一個(gè)重要的問(wèn)題——個(gè)體之間的3D腦解剖結(jié)構(gòu)特征的非剛性配

7、準(zhǔn)。由于大腦結(jié)構(gòu)的異常復(fù)雜性和多變性，個(gè)體之間的腦解剖結(jié)構(gòu)配準(zhǔn)是一項(xiàng)非常困難的任務(wù)。本文在深入研究腦配準(zhǔn)的研究現(xiàn)狀及困難的原因之后，提出了一種基于聯(lián)合聚類一配準(zhǔn)的特征匹配方法。利用前期的雙表面分割方法以及聯(lián)合聚類—配準(zhǔn)算法，實(shí)現(xiàn)了不同個(gè)體之間3D腦解剖結(jié)構(gòu)特征的非剛性配準(zhǔn)。對(duì)不同類型的幾何特征進(jìn)行了融合，并實(shí)現(xiàn)了不同變換模型的比較。配準(zhǔn)過(guò)程完全自動(dòng)化。 (6)實(shí)現(xiàn)了基于一定人群的可形變數(shù)字化概率圖譜的建立?？尚巫償?shù)字化概率圖譜是