基于機器學(xué)習(xí)的立體腦圖像彈性配準(zhǔn)框架研究.pdf

1、隨著醫(yī)學(xué)成像及圖形圖像技術(shù)的不斷進(jìn)步，該技術(shù)正在逐步滲入醫(yī)學(xué)領(lǐng)域中，開創(chuàng)了數(shù)字醫(yī)療的新時代。尤其是對核磁共振(MagneticResonance，MR)腦圖像的分析處理，具有很重要的臨床應(yīng)用價值。立體腦圖像的彈性配準(zhǔn)是該領(lǐng)域的難點問題，也是近幾年來醫(yī)學(xué)圖像處理技術(shù)研究的熱點。 縱觀現(xiàn)有的配準(zhǔn)算法，本文總結(jié)出了以下的一些不足之處：(1)幾乎所有的配準(zhǔn)算法在整幅圖像中都使用相同的圖像特征來確定兩幅圖像中點與點之間的對應(yīng)關(guān)系。但是相同

2、的圖像特征無法保證在圖像的各個局部區(qū)域都可以正確地建立對應(yīng)關(guān)系。另一方面，所有的配準(zhǔn)算法都使用相同的圖像鄰域來提取圖像特征，而忽略了圖像局部信息的空間變化。(2)現(xiàn)有的配準(zhǔn)算法依次地對圖像中的每個點進(jìn)行運算，而沒有考慮到不同的點在配準(zhǔn)過程的各個階段具有不同的重要性。(3)以往的配準(zhǔn)算法多使用簡單的各向同性的平滑項來規(guī)范化位移場。然而這種處理方法雖然簡化了問題，但是由于忽視了圖像的局部信息以及位移場的群體信息，對配準(zhǔn)結(jié)果的準(zhǔn)確性和魯棒性有

3、很大的影響。 本論文針對現(xiàn)有的配準(zhǔn)算法的局限性，提出了一種基于機器學(xué)習(xí)的彈性配準(zhǔn)框架，即通過學(xué)習(xí)圖像樣本空間中的各種統(tǒng)計信息來改進(jìn)現(xiàn)有算法的不足之處，從而提高配準(zhǔn)算法的性能。本文的主要工作和創(chuàng)新點如下所述： 1.用機器學(xué)習(xí)的方法確定圖像中每個點上的提取圖像特征的最佳領(lǐng)域大小。首先，本文定義了每個點上的提取圖像特征所要求的最佳鄰域大小的標(biāo)準(zhǔn)：在最佳鄰域中提取的圖像特征不僅要和周圍的點具有最大的差異性，而且要和樣本空間中不同

4、個體上的對應(yīng)點具有最大的相似性，即所謂的特征顯著性和特征一致性標(biāo)準(zhǔn)。然后，通過計算不同的圖像特征在特定鄰域內(nèi)分布的熵來分別量化上述的兩個標(biāo)準(zhǔn)，同時引入馬爾可夫隨機場保證每個點上的最佳鄰域的大小具有空間連續(xù)性。最后，構(gòu)建能量函數(shù)并用基于梯度的最優(yōu)化方法得到圖像中每個點上計算圖像特征的最佳鄰域大小。 2.用機器學(xué)習(xí)的方法確定圖像中每個點上的最佳特征。首先，挑選典型的局部圖像特征構(gòu)建圖像特征集。集合中的特征不僅種類不同，而且在計算特征

5、時所用的鄰域大小也不同。然后，整個腦圖像被分為許多自相似的區(qū)域，在每個區(qū)域中用adaboost根據(jù)特征顯著性和一致性標(biāo)準(zhǔn)來學(xué)習(xí)最佳特征。為了提高訓(xùn)練算法的性能，上述的兩個步驟，即圖像劃分和特征選擇被有機地結(jié)合在一起：圖像劃分為進(jìn)行特征選擇奠定了基礎(chǔ)，特征選擇反過來又可以改善圖像劃分的效果。實驗證明用本文所提出的學(xué)習(xí)算法挑選的最佳特征是合理有效的，可以顯著地提高配準(zhǔn)過程中建立對應(yīng)關(guān)系的準(zhǔn)確程度。 3.用機器學(xué)習(xí)的方法確定圖像中的關(guān)

6、鍵點。在給定了最優(yōu)特征向量后，本文定義了配準(zhǔn)過程中的圖像體素點的重要性指標(biāo)：該點上的最優(yōu)特征向量應(yīng)該和周圍鄰域內(nèi)的點具有最大的可分性，而且要和樣本空間中的對應(yīng)點具有最大的一致性。利用該項指標(biāo)可以對圖像中的體素點的重要性進(jìn)行評估，使得關(guān)鍵點集中在腦室角點、腦回頂端及腦溝根部等圖像信息豐富的區(qū)域。學(xué)習(xí)關(guān)鍵點的好處在于可以實現(xiàn)分階段層次化的配準(zhǔn)，避免配準(zhǔn)算法陷入局部極值點。 4.用機器學(xué)習(xí)的方法分析位移場的統(tǒng)計信息。首先本文提出用多層

7、B樣條函數(shù)來表示整個位移場，并通過自適應(yīng)地在圖像中放置控制點來克服了高維空間中訓(xùn)練樣本過少的困難。在低分辨率時由于樣條控制點之間的間距相對較大，需要學(xué)習(xí)的控制點參數(shù)維數(shù)較低，在訓(xùn)練樣本有限的情況下可以解決。在高分辨率時，雖然控制點的數(shù)目呈指數(shù)級增長，但是可以根據(jù)樣條函數(shù)的已逼近程度及控制點在圖像中的重要性進(jìn)行取舍，從而實現(xiàn)降低統(tǒng)計模型維數(shù)的目的。其次，本文提出對每一層的B樣條控制點進(jìn)行主成分分析(PrincipleComponentAn

8、alysis，PCA)，構(gòu)建多層次的控制點參數(shù)統(tǒng)計模型，學(xué)習(xí)位移場在不同分辨率時的統(tǒng)計信息。最后，本文提出用位移場的統(tǒng)計模型對位移場進(jìn)行合理的規(guī)范化，糾正配準(zhǔn)中可能出現(xiàn)的不正確的形變。 5.構(gòu)建于機器學(xué)習(xí)的彈性配準(zhǔn)框架。本文提出的彈性配準(zhǔn)框架分為兩個階段：學(xué)習(xí)階段和配準(zhǔn)階段。在學(xué)習(xí)階段，分別用adaboost的方法選擇最佳的圖像特征，評估體素點的重要性，挑選圖像中的關(guān)鍵點，用多層的B樣條函數(shù)表示位移場，構(gòu)建位移場的多層統(tǒng)計模型。

9、在配準(zhǔn)階段，先層次化地挑選關(guān)鍵點，然后用學(xué)習(xí)到的最佳特征來更加準(zhǔn)確地建立參照圖像和浮動圖像間關(guān)鍵點的對應(yīng)關(guān)系，其余點的對應(yīng)關(guān)系由關(guān)鍵點決定。在每次迭代過程的最后，用控制點參數(shù)模型在不同的分辨率上對位移場進(jìn)行規(guī)范化。 綜上所述，本文提出了一種基于機器學(xué)習(xí)的智能彈性配準(zhǔn)框架，通過學(xué)習(xí)最佳特征、關(guān)鍵點及位移場的統(tǒng)計信息來提高現(xiàn)有配準(zhǔn)算法的精度。在該框架下，我們進(jìn)行了兩方面的應(yīng)用。首先，用學(xué)習(xí)到的最佳鄰域大小代替HAMMER算法中的固定

10、鄰域，用學(xué)習(xí)到的圖像關(guān)鍵點代替HAMMER中只經(jīng)過簡單閾值處理得到的驅(qū)動點，使得HAMMER算法的性能在真實和模擬的人腦MR圖像上得到了顯著的提高。其次，我們對HAMMER算法進(jìn)行了擴展，提出用新的統(tǒng)計學(xué)習(xí)方法對在不同鄰域內(nèi)提取的不同種類的圖像特征進(jìn)行訓(xùn)練，挑選出最佳的圖像特征，克服了HAMMER算法需要事先對圖像進(jìn)行分割的局限性。此外，我們采集了100個位移場作為訓(xùn)練樣本，在此基礎(chǔ)之上學(xué)習(xí)位移場的統(tǒng)計信息并對配準(zhǔn)過程中產(chǎn)生的位移場進(jìn)行