第6章醫(yī)學(xué)圖像配準(zhǔn)(6.3-6.6)

1、6.3 基于基準(zhǔn)點(diǎn)的配準(zhǔn)方法 三維醫(yī)學(xué)圖像的配準(zhǔn)算法可以基于從圖像提取的特征，或基于圖像強(qiáng)度的相似性最優(yōu)化。首先從三維醫(yī)學(xué)圖像提取一個表面，然后在該表面上提取基準(zhǔn)線，可能的話再從這些基準(zhǔn)線上選取基準(zhǔn)點(diǎn)。 脊線是表面上的軌跡（或軌跡的集合），該處的主曲率在相應(yīng)的主方向達(dá)到局部極大。脊線的提取要通過計算圖像強(qiáng)度的三階導(dǎo)數(shù)完成。涉及微分幾何的知識。 6.3.1 極值線與極值點(diǎn)極值線 (Extremal Lines)極值函數(shù)e 是 曲率k在t方向的方向?qū)?shù)。222111tketke局部絕對值最大的曲率點(diǎn)是極值函數(shù)e的零交叉點(diǎn)。極值線定義為e1 或e2 的零交叉點(diǎn)軌跡。脊線是正最大曲率極大及負(fù)最大曲率極

2、小的點(diǎn)軌跡。極值點(diǎn)(Extremal Points)極值點(diǎn)定義為三個隱含數(shù)表面的交點(diǎn)，這些表面是其中，f 是 等值面 。這些極值點(diǎn)對剛體變換具有不變性。0,0,21eeIf6.3.2 極值點(diǎn)的自動提取方法第1步：提取等值表面：在小立方體元的內(nèi)部提取等值表面。該等值表面（f=I）與小立方體元的三個邊相交（圖a） 。第2步：提取脊線：用小立方體元角點(diǎn) e1值線性內(nèi)插計算得到等值表面三角形頂點(diǎn) 的e1值。如果這些e1值符號相同，則在此小立方體元內(nèi)沒有 的極值線。否則，在e1 符號相反的小立方體元的兩條邊上尋找插值后e1 =0的點(diǎn) P1,P2。聯(lián)接 P1,P2的線段就是近似的極值線（圖b）。第3步：計

3、算極值點(diǎn)的位置：由于P1,P2 兩點(diǎn)都在小立方體元的表面上，可以用表面內(nèi)e2 值做雙線性內(nèi)插得到P1,P2 點(diǎn)上的 e2值。如果這兩個e2 值符號相同，則在此小立方體元內(nèi)沒有極值點(diǎn)存在。否則，可以沿線段P1,P2 對 e2值做內(nèi)插。插值后該線段上 e2 =0的點(diǎn)P就是所尋求的極值點(diǎn)（圖c）。 (a) (b) (c) 6.3.3 基于極值點(diǎn)的剛體配準(zhǔn) 對同一個病人用相同成像模式但不同位置的兩幅圖像進(jìn)行配準(zhǔn)，可以從這兩幅圖像上分別提取極值線及極值點(diǎn), 再設(shè)法尋找這兩組極值點(diǎn)間的對應(yīng)關(guān)系。最后，計算能使這些匹配線段重疊的最佳剛體變換。一種典型的技術(shù)是采用幾何散列（Hashing）表與Hough變換相

4、結(jié)合的方法。6.3.4 僅依賴基準(zhǔn)點(diǎn)位置的剛體配準(zhǔn) 在許多情況下可以通過人為地在目標(biāo)表面加記號，或者用交互式方法或自動識別圖像中明顯的解剖標(biāo)志點(diǎn)、幾何圖形明顯轉(zhuǎn)折點(diǎn)或圖像灰度階躍變化點(diǎn)等，統(tǒng)稱基準(zhǔn)點(diǎn)。如果這類基準(zhǔn)點(diǎn)數(shù)目足夠多的話，可以用來引導(dǎo)圖像配準(zhǔn)。其特點(diǎn)是僅依靠基準(zhǔn)點(diǎn)的空間坐標(biāo)而無須計算那些復(fù)雜的微分幾何特性。21)(1),(tcRxyntRcfinii兩幅圖像的配準(zhǔn)可以通過函數(shù)f對參數(shù)c，R和t的最小化求解。Txiyniixyxyn)(11令的奇異值分解（SVD）為 UDVT，這里U和V是歸一正交矩陣，D是對角矩陣。則TUSVR xycRt)(12DStrcx6.4 倒角匹配圖像配準(zhǔn)法倒

5、角匹配（Chamfer Matching）是一種對分割特征進(jìn)行匹配的經(jīng)典圖像配準(zhǔn)方法。后來在從衛(wèi)星圖像中尋找湖泊的輪廓方面得到有效的應(yīng)用。該方法的基本思想是將線條圖與圖像匹配。 6.4.1 代價函數(shù)與距離變換 平均代價函數(shù): 平方根代價函數(shù): NiimeanrTFNTC1),(1)(NiiRMSrTFNTC12),(1)(上述方程是倒角匹配算法的核心。關(guān)于F，并不直接使用圖像的灰度值，而是先對輸入圖像分割，然后再對分割的結(jié)果做距離變換得到的。在距離變換中，像素值給出到分割特征的最短距離。所以代價函數(shù) 是兩幅分割的圖像特征間平均距離的精確估算。對此函數(shù)的最小化可以實(shí)現(xiàn)兩幅圖像的配準(zhǔn)。 倒角匹配算

6、法的關(guān)鍵部分是距離變換（Distance Transformation）。距離變換的類型決定了使用該變換后代價函數(shù)描述兩幅圖像特征間距離的準(zhǔn)確程度。 距離變換是將二值圖轉(zhuǎn)換為灰度圖像的一種變換。每個象素的灰度值是該象素與最近背景象素間的距離。常用的方法為倒角（Chamfer）算法。倒角算法通過對圖像兩次掃描，實(shí)現(xiàn)距離變換。1. 一維距離變換 對圖像的一列像素做距離變換。設(shè)二值圖像像素0：背景， 1：物體。第一次：左-右掃描，背景點(diǎn)保留0， 物體點(diǎn)為到最近0的距離。第二次：右-左掃描，物體點(diǎn)取值=min(第一次結(jié)果，物體點(diǎn)到最近0的距離)得到的結(jié)果是用灰度表示的反映該像素與最近邊界距離的圖像。2

7、. 二維倒角變換 將模板與圖像卷積實(shí)現(xiàn)二值圖像到灰度圖像的轉(zhuǎn)換。 3x3正向模板 3x3反向模板4343003434第一次掃描： 用正向模板，沿圖象從左向右，自上向下遍歷，在模板每一位置，模板元素與圖象上對應(yīng)象素值相加，得到一組5個臨時和。取其最小值作為該象素之新灰度值，模板空的元素什么都不作。 第二次掃描： 模板從右向左，自底向上，運(yùn)算方法相同，兩次掃描后結(jié)果即為圖象的距離變換灰度圖。 此3x3模板產(chǎn)生的距離變換灰度值為笛卡兒距離的3倍。經(jīng)規(guī)范化，與真實(shí)笛卡兒距離最大偏差8%。距離變換示例： 二值的啞鈴形狀圖像經(jīng)過距離變換轉(zhuǎn)化成灰度圖像。數(shù)值的大小代表該像素到物體邊界的距離。左圖為原始圖象，

8、右圖為使用3x3的模板得到的距離變換圖象距離變換示例： 二值圖像轉(zhuǎn)換為灰度圖像左圖給出帶有噪聲的二值圖像的距離變換。原始圖像是包含較多噪聲干擾的局部重疊的兩個圓盤狀對象。圖（b）和（c）分別是使用3x3模板和5x5模板得到的距離變換結(jié)果。由于原圖噪聲過多，所以直接進(jìn)行距離變換的效果不理想，對原圖做閉運(yùn)算處理，起到了平滑和去噪的作用，得到可以接受的距離變換圖象(d)。6.4.2 圖像分割與代價函數(shù)的優(yōu)化 采用何種分割方法取決于實(shí)際應(yīng)用。倒角匹配算法只要求將圖像F分割成二值圖像作為距離變換的輸入。還要從分割得到的圖像G產(chǎn)生一組輪廓點(diǎn)。輪廓點(diǎn)可用簡單的輪廓跟蹤法或?qū)Χ祱D像掃描搜索非零元素（線條圖中

9、點(diǎn)的順序無關(guān)緊要）。倒角匹配算法對所用的分割算法并無特殊的約束。從效率因素考慮總是希望線條中的點(diǎn)數(shù)目相對少些為好。倒角匹配算法對分割質(zhì)量具高度強(qiáng)健性，這意味可以使用“低質(zhì)量”自動分割技術(shù)。即算法可以是全自動的，即使圖像質(zhì)量差些也無妨。典型優(yōu)化算法： 單純形法（Simplex）特點(diǎn)是容易實(shí)現(xiàn)，能夠給出良好特性。該方法在M維空間中移動具有M+1個點(diǎn)的單純形，M是參數(shù)的個數(shù)。對單純形做反射、擴(kuò)展或收縮去捕獲最小值。 Powell法 6.5 6.5 基于最大互信息的基于最大互信息的多模醫(yī)學(xué)圖像配準(zhǔn)多模醫(yī)學(xué)圖像配準(zhǔn) 互信息是信息理論中的一個基本概念，通常用于描述兩個系統(tǒng)間的統(tǒng)計相關(guān)性，或者是在一個系統(tǒng)中

10、包含的另一個系統(tǒng)的信息的多少。 在多模醫(yī)學(xué)圖像配準(zhǔn)問題中，雖然兩幅圖像來源于不同的成像設(shè)備，但是它們基于共同的人體解剖信息，所以當(dāng)兩幅圖像的空間位置完全一致時，其中一幅圖像表達(dá)的關(guān)于另一幅圖像的信息，也就是對應(yīng)像素灰度的互信息應(yīng)為最大。 互信息只是一個相似性測度，如何準(zhǔn)確計算互信息和實(shí)現(xiàn)不同模式圖像間互信息的最大化，尚存在許多重要的技術(shù)問題需要解決。 實(shí)施最大互信息配準(zhǔn)法的一些重要技術(shù)問題,包括 不增加新數(shù)據(jù)點(diǎn)的格點(diǎn)采樣子集 不產(chǎn)生分?jǐn)?shù)灰度值的PV插值技術(shù) 出界點(diǎn)策略 在搜索策略上采用無須計算梯度的Powell算法 醫(yī)學(xué)圖像配準(zhǔn)方法可分為前瞻性和回顧性兩種。 如果在成像前，在病人的顱骨附近固定

11、標(biāo)志點(diǎn)或定位框架，成像后通過對齊標(biāo)志點(diǎn)使兩幅圖像配準(zhǔn)，稱為前瞻性配準(zhǔn)算法。 前瞻性配準(zhǔn)方法一般說來配準(zhǔn)精度較高，但它是有創(chuàng)傷的，而且操作比較復(fù)雜。前瞻性和回顧性醫(yī)學(xué)圖像配準(zhǔn) 如果成像時不采取任何措施，在成像后應(yīng)用某種算法尋找兩幅圖像的空間對應(yīng)關(guān)系，則稱為回顧性配準(zhǔn)。 例如特征點(diǎn)（面）法、不變矩配準(zhǔn)法、相關(guān)配準(zhǔn)法等。 特征點(diǎn)（面）法原理簡單，應(yīng)用面廣，但是需要較多的人工介入，配準(zhǔn)精度受特征點(diǎn)（面）提取精度的限制。前瞻性和回顧性醫(yī)學(xué)圖像配準(zhǔn) 6.5.1 配準(zhǔn)原理 對于在不同時間或/和不同條件下獲取的兩幅圖像A(X) 和B(X) 配準(zhǔn)，就是要定義一個相似性測度并尋找一個空間變換關(guān)系，使得經(jīng)過該空間變

12、換后兩幅圖像間的相似性達(dá)到最大。即使圖像A上的每一個點(diǎn)在圖像B上都有唯一的點(diǎn)與之相對應(yīng)。并且這兩點(diǎn)應(yīng)對應(yīng)同一解剖位置。)(),()(XTBXASTS)(maxargTSTTTTTdTTdST)(式中S是相似性測度，T是空間變換。配準(zhǔn)的過程可歸結(jié)為尋求最佳空間變換：由于空間變換包含多個參數(shù)，這是一個多參數(shù)最優(yōu)化問題，一般由迭代過程實(shí)現(xiàn)。增量T可以用計算梯度的方法計算aAAapapAH)(log)()( 6.5.2 以互信息為相似性測度 互信息是信息理論中的一個基本概念，通常用于描述兩個系統(tǒng)間的統(tǒng)計相關(guān)性，或者是在一個系統(tǒng)中包含的另一個系統(tǒng)的信息的多少，可以用熵來描述。熵表達(dá)的是一個系統(tǒng)的復(fù)雜性或

13、者是不確定性。系統(tǒng)A的熵定義為：baABABbapbapBAH,),(log),(),(BbAa,)|(BAH)(AH)|(BAH)|()()|()(),()()(),(ABHBHBAHAHBAHBHAHBAI兩個系統(tǒng)的聯(lián)合熵為：其中，如果表示已知系統(tǒng)B時A的條件熵，那么與的差值，就代表了在系統(tǒng)B中包含的A的信息，即互信息。因此兩個系統(tǒng)間的互信息可以用下式描述：),(bapAB)()(bpapBAbaBAABABbpapbapbapBAI,)()(),(log),(),(),(bapABjiABjihjihjip,),(),(),(用聯(lián)合概率分布和完全獨(dú)立時的概率分布間的廣義距離來估計互信息：

14、對于離散的數(shù)字圖像，聯(lián)合概率分布可以用歸一化的聯(lián)合直方圖表示： )(apAjABAjipip),()()(bPBiABBjipjp),()(jiBAABABjpipjipjipBAI,)()(),(log),(),(邊緣概率分布表示為：邊緣概率分布表示為： 互信息配準(zhǔn)的關(guān)鍵技術(shù)問題 1. 采樣子集 (Sub-sampling) 關(guān)于待配準(zhǔn)的兩幅圖像（可以是二維或三維的）的定義域是整幅圖像大小。對于兩幅圖像的聯(lián)合直方圖及每幅圖像的獨(dú)立直方圖的計算應(yīng)使用圖像的全部數(shù)據(jù)點(diǎn)灰度值。 理論上，也可以使用任一幅圖像的子集或超集（Super-sampling）。但是，對于大多數(shù)斷層掃描醫(yī)學(xué)圖像來說，3D體積

15、數(shù)據(jù)集所包含的數(shù)百萬、乃至上千萬的數(shù)據(jù)點(diǎn)極大地增加了計算的負(fù)擔(dān)，就目前的計算機(jī)速度來說，會使3D體積圖像的配準(zhǔn)無法實(shí)時實(shí)現(xiàn)和臨床應(yīng)用。因此，實(shí)用中都是只采用部分?jǐn)?shù)據(jù)點(diǎn)計算圖像的直方圖，稱做采樣子集。 如何選取部分采樣點(diǎn)也有兩種方法。一個是隨機(jī)采樣法；另一個是從原有數(shù)據(jù)格點(diǎn)中有規(guī)律的每隔幾點(diǎn)選取一點(diǎn)。采樣子集技術(shù)固然能幾十倍、甚至幾百倍的加快計算速度。但是本來用直方圖近似概率分布的誤差會因過少的數(shù)據(jù)點(diǎn)，使誤差進(jìn)一步擴(kuò)大。 實(shí)驗表明，對于CT圖像在XY平面上的分辨率為512*512，在Z軸方向采樣28-34層， MR圖像在XY平面上的分辨率為256*256，在Z軸方向采樣20-26層的圖像，采樣因

16、子fx= fy=4, fz=2會取得滿意的配準(zhǔn)結(jié)果。 為進(jìn)一步減少計算量，可將XY平面上的采樣范圍限制在人腦灰度重心 (Cx ,Cy ) 附近一定的區(qū)域內(nèi)，例如200*200mm。對于CT-MR配準(zhǔn)，這種策略還可以明顯減少圖像背景偽跡對互信息計算的影響。2. 插值技術(shù) 一些學(xué)者首先通過再采樣（Resampling）使兩幅待配準(zhǔn)圖像具有相同的空間分辨率，然后進(jìn)行配準(zhǔn)。但是再采樣過程中必然要應(yīng)用插值技術(shù)，即引入新的數(shù)據(jù)點(diǎn)。常用的三線性插值法按新采樣點(diǎn)到其各鄰點(diǎn)的距離產(chǎn)生相應(yīng)的權(quán)重，新采樣點(diǎn)的灰度值則為各鄰點(diǎn)的灰度值按相應(yīng)權(quán)重插值結(jié)果。插值產(chǎn)生的非整數(shù)灰度值給直方圖的計算帶來很大的問題。一般數(shù)字化的

17、醫(yī)學(xué)圖像的灰度值均為整數(shù)，例如0-255。將插值結(jié)果整數(shù)化的過程必然引入誤差。 配準(zhǔn)過程中，浮動圖f中的樣本在空間變換下對應(yīng)的參考圖r的像素通常落在非整數(shù)坐標(biāo)上，因此需要再次使用插值運(yùn)算。顯然，兩次插值對于完全依賴灰度計算的互信息而言將產(chǎn)生較大的誤差。 因此，可以直接應(yīng)用原始浮動圖的X、Y、Z三個方向上的等間隔的采樣子集，由于不產(chǎn)生新的數(shù)據(jù)點(diǎn)，避免了一次插值。 在配準(zhǔn)過程中，浮動圖f的樣本a在某種空間變換下對應(yīng)的參考圖r的像素為b，通常b的空間坐標(biāo)與任意一個實(shí)際的參考圖像素并不重疊，此時可采用不引入新采樣點(diǎn)的三線性PV（Trilinear Partial Volume Distribution

18、）插值算法。該算法不是通過鄰居點(diǎn)確定b點(diǎn)的灰度，而是按照周圍8個像素與b點(diǎn)的空間距離分配權(quán)重，使周圍8個像素點(diǎn)灰度貢獻(xiàn)于聯(lián)合灰度分布統(tǒng)計，即： 其中，r(i)是8個鄰居點(diǎn)的灰度，wi是權(quán)重。這樣就又避免了一次插值。與普通三線性按像素灰度值逐次加1的統(tǒng)計方法不同，PV插值算法在各灰度統(tǒng)計結(jié)果上每次增加的是分?jǐn)?shù)權(quán)值。這不僅使互信息的計算更為精確，而且對于小的空間變換增量T,互信息的變化S也更平滑，對于優(yōu)化過程中的局部極值問題會有所緩解。 三線性PV插值（Tri-linear Partial Volume Distribution）8., 2, 1,1)(,(:iwwirfhiiii且當(dāng)浮動圖f 中

19、的某樣本點(diǎn)Pf 經(jīng)過一定的空間變換T后的對應(yīng)點(diǎn)Pr 落在參考圖r之外時，我們稱Pr點(diǎn)為出界點(diǎn)。對于整幅圖像來說，經(jīng)空間變換后的浮動圖f由兩部分組成：f = fo fn 其中，fo = r Tf fn = a,b,c,d 這里，fo是f 與參考圖相互重疊的部分。fn是出界點(diǎn)區(qū)。3. 出界點(diǎn)(Outlier)策略顯然，互信息的計算必須考慮出界點(diǎn)。將出界點(diǎn)忽略，即在不同的迭代周期內(nèi)使用不同個采樣點(diǎn)數(shù)來計算互信息；或?qū)⑦@些出界點(diǎn)的灰度近似為零，實(shí)驗結(jié)果表明對配準(zhǔn)精度都有不良影響。令出界點(diǎn)的灰度等于距其最近的邊界像素點(diǎn)的灰度。這樣做相當(dāng)于擴(kuò)大了參考圖的背景，同時保持優(yōu)化過程中的樣本數(shù)不變，計算的互信息值

20、更為準(zhǔn)確。此外，如果浮動圖的個別掃描層面不在參考圖的掃描范圍內(nèi)，可以不對這幾層數(shù)據(jù)進(jìn)行采樣。這樣不僅進(jìn)一步減少了計算量，而且可減少出界點(diǎn)的數(shù)目。將采樣點(diǎn)有限度地取在感性趣區(qū)(ROI)附近，例如右下圖中的S, 經(jīng)空間變換后的S 不產(chǎn)生出界點(diǎn)。6.5.3 多參數(shù)最優(yōu)化算法 基于最大互信息的配準(zhǔn)過程實(shí)際上是一個多參數(shù)的最優(yōu)化過程，因此，如何選擇合適的優(yōu)化策略直接關(guān)系到配準(zhǔn)結(jié)果的精度和速度。圖像空間變換的形式通常可分為四種：剛體變換、仿射變換、投影變換和曲線變換。 人腦可以近似為剛體。通過6個空間變換參數(shù)，包括沿著3 個坐標(biāo)軸的平移量，和分別圍繞著3個坐標(biāo)軸的旋轉(zhuǎn)角度，即可確定兩幅圖像間的空間位置關(guān)系

21、。一經(jīng)確定了剛體變換的形式，配準(zhǔn)過程就轉(zhuǎn)化為尋找6個空間變化參數(shù)的優(yōu)化過程了。 對于每兩幅待配準(zhǔn)的圖像，首先定義一個統(tǒng)一的立體坐標(biāo)系統(tǒng)：X軸沿著行掃描方向（對病人而言是從右到左），Y軸沿著列掃描方向（從前到后），Z軸沿著層掃描的方向（從顱底到顱頂）。坐標(biāo)原點(diǎn)定義在圖像的灰度重心，即：zzzyyyxxxzyxgzyxgzCzyxgzyxgyCzyxgzyxgxC),(),(,),(),(,),(),(其中g(shù)(x,y,z)是位于坐標(biāo)(x,y,z)的像素點(diǎn)的灰度。這樣做相當(dāng)于將兩幅圖像進(jìn)行了粗配準(zhǔn)，有利于減少后續(xù)的優(yōu)化步驟，而且可以避免那些遠(yuǎn)離全局最優(yōu)點(diǎn)的局部極值。FPRP),()()()()()(

22、zyxFFFzyyxxRRRttttCPVRRRCPVFVRVFCRCzyxRRRR選擇其中一幅圖像作為浮動圖 F，另一幅圖像作為參考圖 R。從浮動圖的空間坐標(biāo)到參考圖的空間坐標(biāo)的剛體變換可以用下式描述： 其中和為3*3的對角陣，分別代表圖像 F和 R的像素大小；和分別是兩幅圖像的中心，是3*3的旋轉(zhuǎn)矩陣，t是平移向量。 采用Powell多參數(shù)優(yōu)化算法。該算法由于無需計算梯度，可以加快搜索最大互信息的速度。在每一維內(nèi)使用Brent算法迭代地搜索和估計配準(zhǔn)參數(shù)，從而使互信息不斷增加。在Powell算法中，令6個參數(shù)的初值為零，初始搜索方向為共軛的單位向量?？紤]到成像過程中，病人在XY平面的平移和

23、旋轉(zhuǎn)比其它方向的平移和旋轉(zhuǎn)更明顯，令優(yōu)化過程的搜索順序為),(, zyxzyxttt經(jīng)驗證，這種搜索順序效率最高，精度最高。應(yīng)當(dāng)指出，Powell算法容易受到局部極值的干擾。多分辨的金字塔方式可以較好的解決這一問題。在配準(zhǔn)過程的初始階段試用較粗的圖像分辨以提高程序運(yùn)行的速度，而后提高采樣率提高配準(zhǔn)精度，該方法可以較好地避免局部極值。6.5.4 配準(zhǔn)結(jié)果的評估 在醫(yī)學(xué)圖像配準(zhǔn)問題中，通常沒有所謂的“金標(biāo)準(zhǔn)”；但是通過前瞻性的、基于標(biāo)志點(diǎn)的配準(zhǔn)方法可以得到一個近似的標(biāo)準(zhǔn)結(jié)果。在Vanderbilt大學(xué)醫(yī)療中心進(jìn)行神經(jīng)外科手術(shù)的一些病人，顱骨上被固定定位標(biāo)記并接受多模醫(yī)學(xué)圖像（CT、MR、PET）數(shù)

24、據(jù)采集。成像后通過配準(zhǔn)定位標(biāo)記點(diǎn)得到用于回顧性算法評估的“金標(biāo)準(zhǔn)”。 配準(zhǔn)算法的研究人員使用的是已經(jīng)擦掉標(biāo)志點(diǎn)的3D多模圖像數(shù)據(jù)，完成配準(zhǔn)工作后，將所得結(jié)果提交Vanderbilt大學(xué)接受評估。評估之前，一些感興趣區(qū)（Volume of Interest，一般為10個）由醫(yī)學(xué)專家給出，這些區(qū)域通常就是神經(jīng)外科手術(shù)中的敏感區(qū)。每個感興趣區(qū)被定義在MR圖像中，同時計算其中心c；而后應(yīng)用前瞻性配準(zhǔn)算法得到的“金標(biāo)準(zhǔn)”確定其在CT上的對應(yīng)點(diǎn)c；再用待評估算法的配準(zhǔn)結(jié)果確定MR中對應(yīng)c的點(diǎn)c；通過計算每一個原點(diǎn)c與對應(yīng)點(diǎn)c的距離，作為目標(biāo)配準(zhǔn)誤差(Target Registration Error，簡稱

25、TRE)，并由此統(tǒng)計出相應(yīng)配準(zhǔn)算法的精度。 回顧性圖像配準(zhǔn)算法評估項目是一種“雙盲”性的研究過程。所謂“雙盲”，即評估人員不知道被評估的具體算法，而算法的研究人員也不知道“金標(biāo)準(zhǔn)”，直到提交所有的配準(zhǔn)結(jié)果。這樣就使得對算法的評估更加真實(shí)、可靠，并且更符合臨床實(shí)際。 實(shí)驗所采用的所有圖像數(shù)據(jù)來源于美國田納西州的Vanderbilt大學(xué)的“回顧性圖像配準(zhǔn)算法評估”項目，該項目受美國NIH支持，編號1 R01 NS33926-01；J. Michael Fitzpatrick 教授是該項目的主要負(fù)責(zé)人。Vanderbilt大學(xué)提供的七個病人的全套CT和MR圖像的3D體積數(shù)據(jù)。每個病人有1套CT數(shù)據(jù)和

26、6套MR數(shù)據(jù)，包括PD、T1、T2和分別矯正過幾何失真的PD_rectified、T1_rectified、T2_rectified圖像（代號Patient_006的病人沒有T1_rectified數(shù)據(jù)）。CT圖像在XY平面上的分辨率為512*512，在Z軸方向采樣2834層，像素在X、Y、Z三個方向上的大小分別為0.653595mm、0.653595mm、4.0mm。MR圖像在XY平面上的分辨率為256*256，在Z軸方向采樣2026層，像素在X、Y方向的大小為1.251.28mm，Z方向的像素大小為4.0mm。以MR圖像中的像素對角距作為一個像素大小，即)(373. 44.01.251.2

27、5222mm應(yīng)用了來自七個病人的CT-MR共41套數(shù)據(jù)，經(jīng)Vanderbilt大學(xué)評估，所有配準(zhǔn)結(jié)果與“金標(biāo)準(zhǔn)”相比的誤差都小于4mm，全部達(dá)到了亞像素級的配準(zhǔn)精度。6.5.5 實(shí)驗結(jié)果 下表是Vanderbilt大學(xué)用目標(biāo)配準(zhǔn)誤差的均值、中位數(shù)和最大值給出的評估結(jié)果。表中的每一列代表一種模式對，例如，CT到T1像的配準(zhǔn)用CT_T1表示。在對一種算法進(jìn)行評估時，首先對各個模式對，分別計算七個病人的十個感興趣區(qū)的TRE，而后按照模式對分別統(tǒng)計相應(yīng)的誤差均值、中位數(shù)和最大值作為對該算法的評估結(jié)果。之所以在列出均值的同時給出中位數(shù)，是為了減少少數(shù)出界點(diǎn)的影響。表中rect. 表示所用MR數(shù)據(jù)在配準(zhǔn)前

28、已經(jīng)經(jīng)過了幾何失真的矯正。 配準(zhǔn)結(jié)果與“金標(biāo)準(zhǔn)”相比的誤差 (單位：mm)CT_PDCT_T1CT_T2CT_PD rect. CT_T1 rect. CT_T2 rect.均值1.761.221.691.081.151.52中位數(shù)1.711.101.710.971.031.35最大值3.562.993.052.662.813.72第1層第5層第10層第15層 CT圖像 MR圖像 經(jīng)過配準(zhǔn)變換后提取CT圖像的邊緣，的CT圖像并加MR圖像的結(jié)果最大互信息配準(zhǔn)法具有如下優(yōu)點(diǎn)：人工干預(yù)少，只依賴于圖像本身的信息，不需要任何假設(shè)或先驗醫(yī)學(xué)知識，也不需要對圖像進(jìn)行特征點(diǎn)提取、組織分類等預(yù)處理，是一種自動

29、而有效的配準(zhǔn)算法；精度高，可以達(dá)到亞像素級；可靠性高，對圖像中的幾何失真不敏感；不依賴于成像設(shè)備，可應(yīng)用于多模醫(yī)學(xué)圖像配準(zhǔn)。多模醫(yī)學(xué)圖像配準(zhǔn)具有非常廣泛的臨床應(yīng)用價值，將多模圖像結(jié)合起來進(jìn)行分析可以為臨床診斷和治療提供更加全面而互補(bǔ)的信息。6.6 醫(yī)學(xué)圖像配準(zhǔn)的評估 醫(yī)學(xué)圖像配準(zhǔn),特別是多模醫(yī)學(xué)圖像配準(zhǔn)結(jié)果的評估一直是件很困難的事情。由于待配準(zhǔn)的多幅圖像基本上都是在不同時間或/和條件下獲取的，所以沒有絕對的配準(zhǔn)問題，即不存在什么金標(biāo)準(zhǔn)（Gold Standard）。只有相對的最優(yōu)（某種準(zhǔn)則下的）配準(zhǔn)。在此意義上，最優(yōu)配準(zhǔn)與配準(zhǔn)的目的有關(guān)。6.6.1 準(zhǔn)標(biāo)配準(zhǔn)誤差立體定向框架系統(tǒng)（Stereot

30、actic Frame Systems）包括立體定向參考框架、立體定向圖像獲取、探針或手術(shù)器械導(dǎo)向幾部分。優(yōu)點(diǎn)是定位準(zhǔn)確，不易產(chǎn)生圖像畸變。使用立體定向框架系統(tǒng)的體積圖像數(shù)據(jù)可以用來評估其它配準(zhǔn)方法的精度。使用人工記號作準(zhǔn)標(biāo)的方法很多。一種準(zhǔn)標(biāo)（Fiducial Marks）是使用9根棍棒組成的3個方向的N字型結(jié)構(gòu)。在CT測試時，棒內(nèi)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(zhǔn)標(biāo)，從而可對圖像準(zhǔn)確空間定位。例如用在人腦表面嵌螺絲作標(biāo)記（每人8個）的方法對多個病人做CT、MR（T1、T2及PD）和PET實(shí)測，得到多組數(shù)據(jù)。這些數(shù)據(jù)專門用于多模醫(yī)學(xué)圖像配準(zhǔn)算法評估使

31、用。 準(zhǔn)標(biāo)配準(zhǔn)誤差（Fiducial Registration Error, or FRE）定義為6.6.2 目標(biāo)配準(zhǔn)誤差目標(biāo)配準(zhǔn)誤差（Target Registration Error, TRE）的定義與FRE相似，式中，T T為三維空間變換, p p和q q是是一組臨床相關(guān)的解剖點(diǎn)在兩幅圖像中對應(yīng)位置。TRE在兩個方面優(yōu)于FRE。例如，Vanderbilt大學(xué)的配準(zhǔn)評估是選取10個神經(jīng)外科手術(shù)敏感區(qū)的中心作為用于配準(zhǔn)評估的點(diǎn)集，因此更適合臨床應(yīng)用。FRE的準(zhǔn)標(biāo)選擇受物理條件限制，只能選在顱腦表面，與臨床關(guān)注區(qū)域遠(yuǎn)些。再者，F(xiàn)RE經(jīng)常會高估或低估配準(zhǔn)誤差。qpRE)(TT6.6.3 配準(zhǔn)評估

32、數(shù)據(jù)集1. 回顧性圖像配準(zhǔn)評估RIRE數(shù)據(jù)庫 ( The Retrospective Image Registration Evaluation Project ) 美國田納西州的Vanderbilt大學(xué)的“回顧性圖像配準(zhǔn)算法評估”項目，該項目受美國NIH支持，又稱Vanderbilt Database，基于標(biāo)記的回顧式圖像配準(zhǔn)評估。提供的七個病人的41套CT和MR圖像的三維體積數(shù)據(jù)，包括每個病人的1套CT體數(shù)據(jù)和6套MR體數(shù)據(jù)：PD、T1、T2和分別矯正過幾何失真的PD_rectified、T1_rectified、T2_rectified圖像（代號Patient_006的病人沒有T1_re

33、ctified數(shù)據(jù)）。 用于PET-MR 配準(zhǔn)的三維體數(shù)據(jù)共35套。新增DICOM兼容的數(shù)據(jù)格式。2. 非剛體圖像配準(zhǔn)評估數(shù)據(jù)庫 ( The Non-Rigid Image Registration Evaluation Project , NIREP )NIREP配準(zhǔn)數(shù)據(jù)集由美國愛荷華大學(xué)（University of Iowa）提供。用于個體內(nèi)部或個體之間解剖變形的比較， 包括16名正常被試的三維MR腦圖像體數(shù)據(jù)，全部受試是右利手，其中 男性8人，平均年齡32.1歲，標(biāo)準(zhǔn)差8.8歲，年齡范圍22-49歲；女性8人，平均年齡32.6歲，標(biāo)準(zhǔn)差7.5歲，年齡范圍23-47歲。每套數(shù)據(jù)分割出32個

34、三維的灰質(zhì)感興趣區(qū)（ROI），包括FP, SFG, MFG, IFG, OrbG, PreCG, PostCG, SPL,IPL,STG,ITG,TP等，分別位于額葉、頂葉、顳葉和枕葉、扣帶回及腦島。不包括小腦、下丘腦和腦干部分。NIREP使用多種不同測度評價配準(zhǔn)的性能: 相對覆蓋率 （Relative Overlap )： )() (),(SPVolumeSPVolumeSPRO相對覆蓋率定義為一個在浮動圖像中分割的解剖對象P和參考圖像中對應(yīng)的解剖對象S像素體積交集與并集之比，是一個反映三維的解剖對象之間的相似性測度。 灰度方差 （Intensity Variance )：其中， 反向一致性誤差（Inverse Consistency Error）：21)()(11)(xavexhTMxIVjijMiij)(1)(1xhTMxaveijMiij21)(1)(MiijjijxxhhMxCICE 傳遞誤差（Transitivity Error) ：211)()2)(1(1)(MkiiMkjijjjkijkikxxhhhMMxCTE二維三維配準(zhǔn)的標(biāo)準(zhǔn)評估（Standardized Evaluation Methodology for 2D-3D Registration） 荷蘭烏特里希大學(xué)醫(yī)學(xué)中心(University Medical Center Utrec