了得網醫學_醫學圖像配準技術與應用

編輯推薦

《醫學圖像配準技術與應用》可作為信息處理、模式識別和生物醫學工程等相關專業的教材，也可作為相關領域研究人員的參考書。

內容簡介

《醫學圖像配準技術與應用》主要闡述了與醫學圖像配準相關的基礎知識和多種配準算法，並介紹了將配準圖像應用於圖像融合、多維可視化和虛擬內窺鏡等領域的方法。

《醫學圖像配準技術與應用》包括三大部分：部分(第1～3 章)涉及圖像配準技術基礎知識，闡述圖像配準的原理、基本流程、分類和常用的技術，結合常用的搜索策略，介紹了特征空間和搜索空間的相關定義和常用算法。第二部分(第4～6 章)介紹了配準對像分類方法、現有配準算法的原理和流程，目前常用的配準算法和配準效果評價標準。第三部分(第7～9 章)介紹了醫學圖像融合和融合結果評價方法，以及配準圖像在多維可視化和虛擬內窺鏡中的應用，說明了配準圖像在虛擬手術導航中的應用前景。

前言
第1章緒論
1.1圖像配準概述
1.1.1圖像配準的數學定義
1.1.2圖像配準的基本框架
1.1.3圖像配準方法的分類
1.1.4圖像配準的步驟
1.2圖像配準在醫學領域的應用
1.2.1醫學圖像配準的發展歷史
1.2.2配準技術的應用
1.2.3醫學圖像配準的國內外研究現狀和面臨的問題
1.2.4醫學圖像的配準方法
1.2.5常用的醫學圖像配準技術及其應用
1.3全書框架前言

第1章緒論

1.1圖像配準概述

1.1.1圖像配準的數學定義

1.1.2圖像配準的基本框架

1.1.3圖像配準方法的分類

1.1.4圖像配準的步驟

1.2圖像配準在醫學領域的應用

1.2.1醫學圖像配準的發展歷史

1.2.2配準技術的應用

1.2.3醫學圖像配準的國內外研究現狀和面臨的問題

1.2.4醫學圖像的配準方法

1.2.5常用的醫學圖像配準技術及其應用

1.3全書框架

參考文獻

第2章特征空間和搜索空間

2.1特征空間

2.1.1點檢測

2.1.2線檢測

2.1.3Hough變換

2.1.4邊緣檢測

2.1.5水平集

2.2搜索空間

2.2.1平移變換

2.2.2旋轉變換

2.2.3縮放變換

2.2.4仿射變換

參考文獻

第3章搜索策略

3.1一維搜索算法

3.1.1黃金分割法

3.1.2進退法

3.1.3拋物線法

3.1.4Brent方法

3.2Powell算法

3.2.1基本Powell算法實現

3.2.2改進的Powell算法

3.3遺傳算法

3.4蟻群算法

3.5物理模型

3.6光流場模型

參考文獻

第4章醫學圖像配準

4.1配準對像分類

4.1.1基於成像模式

4.1.2基於主體來源

4.1.3基於圖像特征

4.2基本原理

4.2.1算法框架

4.2.2算法流程

4.3典型算法分類

4.3.1像素級配準

4.3.2特征級配準

4.3.3基於形變模型的配準

4.4圖像配準質量評價

4.4.1配準評價指標

4.4.2評價方法

參考文獻

第5章剛性醫學圖像配準算法及其實現

5.1基於遺傳算法的醫學圖像配準算法

5.1.1算法思想與步驟

5.1.2邊緣提取

5.1.3參數搜索

5.1.4實驗和結果分析

5.2基於點集匹配的醫學圖像配準算法

5.2.1算法思想與步驟

5.2.2特征點提取

5.2.3特征點匹配

5.2.4實驗和結果分析

5.3基於互信息的3D圖像配準

5.3.1算法思想與步驟

5.3.2相似性度量

5.3.33D變換參數估計

5.3.4優化搜索策略

5.3.5互信息配準

5.3.6實驗和結果分析

參考文獻

第6章非剛性醫學圖像配準算法及其實現

6.1基於B樣條的彈性醫學圖像配準

6.1.1算法思想與步驟

6.1.2B樣條函數

6.1.3相似性度量

6.1.4參數優化

6.1.5實驗和結果分析

6.2基於三角形網格的非剛性醫學圖像配準算法

6.2.1算法思想與步驟

6.2.2全局剛性配準

6.2.3特征點提取

6.2.4特征點匹配

6.2.5局部精確配準

6.2.6實驗和結果分析

6.3基於光流場模型的非剛性醫學圖像配準算法

6.3.1算法思想與步驟

6.3.2特征向量提取

6.3.3特征向量匹配

6.3.4粗配準

6.3.5精配準

6.3.6實驗和結果分析

參考文獻

第7章配準圖像在圖像融合中的應用

7.1像素級醫學圖像融合

7.1.1加權平均法

7.1.2對比度調制法

7.1.3基於圖像分割的圖像融合

7.1.4小波域圖像融合

7.1.5Contourlet域圖像融合

7.2特征級醫學圖像融合

7.2.1基於紋理提取的圖像融合算法

7.2.2基於聚類劃分的圖像融合方法

7.3融合圖像結果評價

7.3.1主觀評價

7.3.2客觀評價

7.3.3評價指標選取

7.3.4小結

參考文獻

第8章配準圖像在多維可視化中的應用

8.1醫學圖像三維可視化技術

8.1.1概述

8.1.2面繪制方法

8.1.3體繪制方法

8.1.4其他方法

8.2三維可視化交互技術

8.2.1多平面切割

8.2.2任意平面切割

8.2.3長方體切割

8.2.4三維空間定量測量

8.2.5三維可視化演示

8.3醫學圖像四維可視化技術

8.3.1概述

8.3.2空間分割算法

8.3.3心電門控技術

8.4心髒的四維可視化

8.4.1心髒CT數據采集

8.4.2心髒的四維可視化

8.4.3四維心髒VR實現

8.4.4四維心髒密度投影

8.4.5四維可視化效果

8.5感興趣區域四維可視化

8.5.1局部冠狀動脈仿真

8.5.2感興趣體積提取

參考文獻

第9章配準圖像在虛擬內窺鏡中的應用

9.1概述

9.2圖像分割

9.2.1閾值分割

9.2.2區域生長分割

9.2.3模糊聚類法

9.2.4邊緣檢測分割法

9.2.5實驗結果與分析

9.3路徑規劃

9.3.1中心線規劃技術

9.3.2DFB距離變換法

9.3.3虛擬相機

9.3.4繫統實現

9.4三維重建

9.4.1概述

9.4.2基於光線投射算法的體繪制方法

9.4.3中心路徑特性

9.4.4基於DFB場的中心線自動提取算法

9.4.5算法改進

9.4.6提取中心線

9.5虛擬內窺鏡自動漫遊

9.5.1路徑平滑

9.5.2虛擬漫遊實現

參考文獻

彩圖

在線試讀

第1 章緒論
圖像配準（image registration）是將不同獲取時間（time）、不同傳感器（sensor）、不同獲取條件的同一場景（scene）或者同一目標（object）的兩幅或者多幅圖像進行匹配的過程（Brown，1992）。目前，圖像配準技術已經被廣泛應用於遙感圖像處理、醫學圖像處理、計算機視覺等領域。
1.1 圖像配準概述
在以獲取綜合信息為目標的圖像分析過程中，圖像配準是關鍵技術之一。例如，
在圖像融合時，配準結果直接影響融合圖像的效果。圖像配準應用領域概括起來主要有以下幾個方面：
（1）計算機視覺和模式識別（目標定位、自動質量控制、目標識別、特征識別
等）（Horn，1989）；
（2）醫學圖像分析（如腫瘤生長監測、血管造影、從電子計算機斷層掃描（ComputedTomography，CT）和磁共振成像（Magnetic Resonance Imaging，MRI）同時獲取更完整患者信息等）（Stytz et al.，1991）；
（3）遙感數據處理（環境監測、天氣預報、海洋勘探等）（Jensen，1986）。
國外從20 世紀60 年代開始在圖像配準領域進行研究，到了20 世紀70 年代陸續出現一些圖像配準方法，例如，Anuta 等提出了使用快速傅裡葉變換（Fast FourierTransform，FFT）進行互相關圖像檢測計算的圖像配準技術，以提高配準的速度性能；Barnea 等提出了使用模板子圖像差值相似性測度（similarity metric）的圖像配準技術，它比使用 FFT 計算互相關相似性測度進行圖像檢測的方法有更高的性能（1972）；序貫相似檢測算法（Sequential Similarity Detection Algorithm，SSDA）定義了計算上更為簡單的相似性度量準則，使在非歸一化情況下仍可在匹配處獲得極小值，並且沒有乘法運算，該算法還提出了與準則相配合的序貫搜索策略，從而大大減少了運算量（Barnea et al.，1972）；相位相關（phase correlation）技術是基於傅裡葉變換的平移性質，該方法通過計算圖像間的交叉功率譜來配準圖像間產生的平移（Kuglin，1975）。直到1980 年配準技術纔開始引起學者的密切關注，相繼產生了一些被廣泛使用的典型圖像配準方法。例如，交叉相關（cross-correlation）法是基本的基於灰度統計的圖像配準方法，它通常被用來進行模板匹配和模式識別（Rosenfeld et al.，1982）。Lee 等把圖像配準變換到倒譜域進行（1987）。而Castro 在相位相關的基礎上加入了旋轉變換（1987）。第1 章緒論

圖像配準（image registration）是將不同獲取時間（time）、不同傳感器（sensor）、不同獲取條件的同一場景（scene）或者同一目標（object）的兩幅或者多幅圖像進行匹配的過程（Brown，1992）。目前，圖像配準技術已經被廣泛應用於遙感圖像處理、醫學圖像處理、計算機視覺等領域。

1.1 圖像配準概述

在以獲取綜合信息為目標的圖像分析過程中，圖像配準是關鍵技術之一。例如，

在圖像融合時，配準結果直接影響融合圖像的效果。圖像配準應用領域概括起來主要有以下幾個方面：

（1）計算機視覺和模式識別（目標定位、自動質量控制、目標識別、特征識別

等）（Horn，1989）；

（2）醫學圖像分析（如腫瘤生長監測、血管造影、從電子計算機斷層掃描（ComputedTomography，CT）和磁共振成像（Magnetic Resonance Imaging，MRI）同時獲取更完整患者信息等）（Stytz et al.，1991）；

（3）遙感數據處理（環境監測、天氣預報、海洋勘探等）（Jensen，1986）。

國外從20 世紀60 年代開始在圖像配準領域進行研究，到了20 世紀70 年代陸續出現一些圖像配準方法，例如，Anuta 等提出了使用快速傅裡葉變換（Fast FourierTransform，FFT）進行互相關圖像檢測計算的圖像配準技術，以提高配準的速度性能；Barnea 等提出了使用模板子圖像差值相似性測度（similarity metric）的圖像配準技術，它比使用 FFT 計算互相關相似性測度進行圖像檢測的方法有更高的性能（1972）；序貫相似檢測算法（Sequential Similarity Detection Algorithm，SSDA）定義了計算上更為簡單的相似性度量準則，使在非歸一化情況下仍可在匹配處獲得極小值，並且沒有乘法運算，該算法還提出了與準則相配合的序貫搜索策略，從而大大減少了運算量（Barnea et al.，1972）；相位相關（phase correlation）技術是基於傅裡葉變換的平移性質，該方法通過計算圖像間的交叉功率譜來配準圖像間產生的平移（Kuglin，1975）。直到1980 年配準技術纔開始引起學者的密切關注，相繼產生了一些被廣泛使用的典型圖像配準方法。例如，交叉相關（cross-correlation）法是基本的基於灰度統計的圖像配準方法，它通常被用來進行模板匹配和模式識別（Rosenfeld et al.，1982）。Lee 等把圖像配準變換到倒譜域進行（1987）。而Castro 在相位相關的基礎上加入了旋轉變換（1987）。

通過Hausdorff 距離計算二值圖像的方法也被提出（Huttenlocher et al.，1993），該方法在像素定位方面性能優於交叉相關法。互信息法（Mutual Information，MI）由Viola 和Collignon 等分別引入圖像配準領域，該方法基於香農在信息論中提出的交互信息相似性準則，其初衷是為了解決多模態醫學配準問題（Viola et al.，1997；Collignon et al.，1995）。到20 世紀末，單模圖像配準問題已基本解決，但多模圖像配準由於涉及模式的復雜性和領域的多樣性，仍需密切關注。近十年裡有33000 多篇的學術論文在研究圖像配準問題。通過SCI 和EI 檢索到的相關文章數量如圖1.1 所示。

圖1.1 近年圖像配準相關檢索文章數量

在國內，圖像處理技術雖然起步相對較晚，但是近期也獲得了很大的發展。吳健康使用Hough 變換配準陸地衛星多光譜圖像（1985）。羅曉慧提出了基於特征和灰度的影像配準方法（1993）。王小睿等提出並實現了一種使用互相關繫數作為相似性測度的自動圖像配準方法，用於圖像的高精度配準（1997）。郭海濤等（2001）提出了一種將遺傳算法（Genetic Algorithm，GA）用於圖像配準的算法。

近年來，不論在國內還是國外，圖像配準技術都發展得非常迅速，並且取得了很多研究成果。目前，像素級圖像配準算法已基本成熟，亞像素級正在快速發展，並得到越來越廣泛的應用。

在今後一段時間內，在醫學圖像、遙感、計算機視覺等諸多領域尋找快速、有效的圖像配準技術成為一個主要研究方向。此外，隨著三維打印機的出現，三維圖像配準也引起廣大研究人員的興趣。圖像配準的高精度、圖像配準算法的強魯棒性、圖像配準算法的配準速度，以及圖像配準的自動化一直以來都是圖像配準領域所不斷追求的目標。

1.1.1 圖像配準的數學定義

圖像配準可以定義為兩幅圖像在空間和灰度上的映射。設用已知尺寸的二維陣列I1和I2表示兩幅圖像，I1（x， y）和I2 （x， y）分別表示對應點上的灰度值（也可以是其他度量值），那麼圖像間的映射關繫可以表示為式中， f 表示二維空間坐標的變換函數； g 表示灰度映射函數。圖像配準的主要任務就是找到的空間和灰度變換，使圖像得到匹配。通常在圖像預處理階段就已經進行了灰度變換g，所以解決配準問題的關鍵就變成了尋找空間或幾何的變換，這一變換可以使用函數fx和fy表示為這樣在圖像配準過程中，匹配問題就簡單一些。

1.1.2 圖像配準的基本框架

Brown（1992）提出了圖像配準的基本框架：特征空間（feature space）、搜索空間（search space）、搜索策略（search strategy）、相似性度量（similarity measure）。

1．特征空間

特征空間是指從圖像中提取的可用於配準的特征集合。例如，在基於灰度的圖像配準中，圖像的特征空間就是其像素的灰度值。

在圖像配準中提取的圖像特征非常重要，根據待配準圖像的屬性決定其特征空間的內容。這些特征應該是分布在圖像中有特色的對像，並且應該是容易獲取的。要根據配準任務來選擇不同的特征空間。例如，空間坐標被有效應用於很多的同屬性圖像的配準，不論自動配準還是人工配準，控制點的選擇是一個困難的過程。對於很多圖像來說，圖像配準精度直接受控制點選擇精度的影響，而實際中控制點的數量和精度通常是很有限的。

2．搜索空間

搜索空間是指一繫列可以配準圖像的變換操作的集合，以幾何變換為主要因素。圖像的幾何形變可以分為三類：全局的、局部的和位移場形式的。全局的變換通常基於矩陣代數理論，用一個參數矩陣來描述整個圖像的變換。典型的全局幾何變換包括以下一種或幾種：平移、旋轉、各向同性或各向異性的縮放、二次或三次多項式變換等。局部變換有時又稱為彈性映射，不同區域具有不同的變換參數模型。變換參數往往隻是定義在特定的關鍵點上，而在區域到區域之間進行插值。位移場方法，有時候又稱為光流場法，使用（連續的）函數優化機制，為圖像中的每個點計算出一個獨立的位移量，並使用某種規整化機制進行約束。圖像的變換操作分為線性變換（linear transformation）和非線性變換（nonlineartransformation），線性變換又包括剛體變換（rigid body transformation）、仿射變換（affinetransformation）、投影變換（projective transformation），如表1.1 所示。

3．搜索策略

搜索策略就是在搜索空間內對配準參數進行優化，並且以相似性度量的值作為判斷是否的依據。在圖像特征提取和配準過程中，涉及大量的計算任務，搜索策略成為一個不容忽視的問題。給定一組特征和參數化的形變，相似性度量和優化算法本身共同決定了搜索策略。例如，控制點結合小二乘準則是一個很通用的變換參數確定方法，它通常用在基於特征的配準方法上。此外，常用的搜索策略還有Powell 法、遺傳算法、牛頓法、蟻群算法等。

4．相似性度量

相似性度量用來評估搜索空間進行的變換操作結果的優劣，以便為下一步搜索提供依據。一般根據特征空間選擇相似性度量，特征提取和相似性度量決定了配準算法的魯棒性。值得一提的是，相似性度量的值直接決定了配準變換的選擇，以及在當前變換模型下圖像是否被正確匹配。目前，常用的相似性度量有歸一化互信息、歐氏距離、相關性等。

1.1.3 圖像配準方法的分類

配準方法分類可以依據不同的準則。Brown 依據變換模型的復雜程度對配準方法進行分類，如表1.2 所示。Maintz 等提出了9 條常用圖像配準技術的分類準則，依次為圖像維數（dimensionality）、配準圖像的基本屬性（nature of registration basis）、變換屬性（nature of transformation）、變換域（domain of transformation）、交互性（interaction）、優化策略（optimization procedure）、模態（modalities involved）、配準主體（subject）、配準對像（object）。Fitzpatrick 等結合Brown 和Maintz 的分類方法，將配準技術概括為8個方面。

（1）圖像維度，指圖像空間的幾何維數。例如，在醫學領域的圖像可以是二維的也可以是三維的。

（2）配準圖像來源，指配準圖像的自身屬性。例如，配準可以是基於已知對應關繫的點對集合，也可以是基於平面對的集合。

（3）幾何變換，指不同空間中的點在對齊過程中，采用的幾何映射的數學表達形式，該部分合並了Maintz 提出的變換屬性和變換域。

（4）交互性，指通過人工操作配準算法完成對外部的控制。交互性有時比較簡單，就是一些參數的初始化，有時也比較復雜，例如，在配準過程中，需要根據中間配準結果成功與否進行調整。

（5）優化，指在配準過程中，根據對圖像間配準質量的連續估計，從而找到的配準算法。

（6）模態，指配準圖像通過什麼方式獲取的。圖像進行配準時會根據模態來選取配準方法。可以把模態分為單模態（monomodal）和多模態（multimodal）兩種，例如，磁共振圖像間配準就是單模態配準，而磁共振圖像與電子計算機斷層掃描圖像之間配準就是多模態配準。

（7）主體，指患者及其對應的關繫，包括同一患者、不同患者，以及患者數據和圖譜的配準。

（8）對像，指配準時感興趣的分析區域。

通過查閱大量相關文獻並結合自身的研究工作，作者總結了一些常用的配準的分類方法：根據空間維數，若僅考慮空間維數，則可以劃分為2D/2D，2D/3D，3D/3D；如果考慮圖像隨時間變化的情況，則還需要增加一個時間維度，完成2D/3D 和3D/4D配準。

內部特征指的是從圖像內部本身提取的信息，根據內部特征，又可以細分為以下三類。

（1）基於特征點：在幾何上有特別意義的可以定位的特征點集（如不連續點、圖形的轉折點、線交叉點等），在醫學圖像上更可以是具有解剖意義的點。

（2）基於表面：用分割的方法提取出感興趣的部分的輪廓（曲線或曲面），作為用來比較的特征空間。

（3）基於灰度值：利用整幅圖像的像素或體素來構成特征空間。根據灰度值的統計信息來計算相似性測度，又可劃分為小二乘法、傅裡葉法、互相關法、互信息法等。

根據外部特征，在醫學圖像中，通過在患者身上固定標記物或向體內注入顯影物質以獲得在圖像上的確定的標記點，稱為外部特征點。

根據變換性質，對圖像進行空間變換可以分為剛體變換和非剛體變換。通常有剛體變換、仿射變換、投影變換和非線性變換。

根據優化算法，當比較特征采用特征點集的形式時，可以通過聯立方程組來找到變換的解。但一般情況下，配準問題都會轉化為求解相似性測度值的問題，在計算方法中通常需要采用合適的迭代優化算法，如梯度下降法、牛頓法、Powell 法、蟻群算法等。

根據人工參與程度，配準可以分為全自動式、半自動式和交互式。全自動式中使用者隻需要提供相應的圖像；半自動式中使用者需初始化算法或指導算法；交互式需要使用者介入進行配準。

1.1.4 圖像配準的步驟

無論采用何種配準技術進行圖像配準，都需要經歷以下四個步驟。

……

商品搜索

商品分类

【醫學】

【各大出版社】