畢業(yè)論文- 基于Elastix的CT與MRI圖像配準(zhǔn)研究

湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)HUNANUNIVERSITY畢業(yè)論文論文題目基于Elastix的CT與MRI醫(yī)學(xué)圖像配準(zhǔn)研究學(xué)生姓名學(xué)生學(xué)號(hào)專業(yè)班級(jí)自動(dòng)化2班學(xué)院名稱電氣與信息工程學(xué)院指導(dǎo)老師學(xué)院院長(zhǎng)2015年 月日 湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)第II頁(yè) 湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)第II頁(yè)第I頁(yè) 湖南大學(xué)畢業(yè)設(shè)計(jì)(論文)第I頁(yè)摘要醫(yī)學(xué)圖像是現(xiàn)代醫(yī)療診斷的重要方法，由于不同的物理理論不斷地應(yīng)用到醫(yī)學(xué)影像中，醫(yī)學(xué)成像設(shè)備不斷升級(jí)，出現(xiàn)了各種各樣的成像類型，常見的成像手段有核磁共振成像（MRI）、正電子發(fā)射型計(jì)算機(jī)斷層顯像（PET）、計(jì)算機(jī)斷層成像（CT）等等，各類成像方式因?yàn)橛谐上裨砩系牟町?，它們提供的圖像具有不同的醫(yī)學(xué)特征信息，且由于病人在不同時(shí)間，不同條件下，或是不同的設(shè)備（或是同一設(shè)備的不同參數(shù)）產(chǎn)生的圖像也會(huì)有所差異，因此各圖像的醫(yī)學(xué)特征信息可能呈現(xiàn)片面化，但同時(shí)各圖像的信息也是互補(bǔ)的，通過圖像的配準(zhǔn)可以全面地了解病人病情，方便醫(yī)生進(jìn)行診斷。本文主要通過在Elastix中進(jìn)行實(shí)驗(yàn)的方式，探究了頭頸部腫瘤CT與MRI圖像的剛性配準(zhǔn)以及彈性配準(zhǔn)的性能特點(diǎn)，在此之外還進(jìn)行了聯(lián)合測(cè)度配準(zhǔn)的實(shí)驗(yàn)，經(jīng)過實(shí)驗(yàn)證明如何選用算法和參數(shù)才能得到較好的配準(zhǔn)結(jié)果。關(guān)鍵詞：圖像配準(zhǔn)；Elastix；ITK；剛性配準(zhǔn)；彈性配準(zhǔn)；聯(lián)合參數(shù)配準(zhǔn)CT/PET/MRIimageregistrationbasedonElastixAbstractMedicalimageisanimportantmethodofmodernmedicaldiagnosis,duetodifferentphysicaltheoriescontinuetobeappliedtomedicalimaging,andmedicalimagingdevicesescalating,appearedinavarietyofimagetypes,commonimagingmeanshavemagneticresonanceimaging(MRI),positronemissiontomography(PET),computedtomography(CT)andsoon,becausetherearedifferencesbetweenvarioustypesofimagingmodalityimagingprinciple,imagestheyofferdifferentfeaturesmedicalinformation,andbecausedifferentpatientstime,theimageunderdifferentconditions,ordifferentdevices(ordifferentparametersofthesamedevice)generatedwillvary,andthereforethemedicalinformationofeachimagefeaturemayappearone-sided,buteachimageinformationiscomplementarytobyimageregistrationcanfullyunderstandthepatient'scondition,convenientfordoctorstodiagnose.Inthispaper,byperformingexperimentsinElastixthewaytoexploretheperformancecharacteristicsofrigidregistrationandelasticregistration,andinadditiontothisalsocarriedoutjointmeasureswithquasiexperimentafterexperimenttodemonstratehowthechoiceofalgorithmsandparametersinordertogetbetterTheregistrationresults.KeyWords：imageregistration;Elastix;ITK;rigidregistration;deformableregistration;multi-metricregistration第I頁(yè) 湖南大學(xué)畢業(yè)設(shè)計(jì)(論文) 第I頁(yè)目錄TOC\o"1-3"\h\u83261緒論 頁(yè)1緒論1.1醫(yī)學(xué)圖像配準(zhǔn)研究背景及其意義自從上世紀(jì)初，X射線被用來作為醫(yī)學(xué)診斷手段以來，醫(yī)學(xué)診斷技術(shù)一直在更新?lián)Q代，新的造影技術(shù)層出不窮，不斷成熟的醫(yī)學(xué)成像技術(shù)使得臨床診斷更加方便和直觀，確保了醫(yī)生對(duì)病人病情的正確判斷，為后續(xù)的有效治療提供了堅(jiān)實(shí)的保證。醫(yī)學(xué)圖象技術(shù)所探究的內(nèi)容包括圖象的獲取、重建、配準(zhǔn)、分割和分析等方面，而此中的醫(yī)學(xué)圖像配準(zhǔn)環(huán)節(jié)是一個(gè)非常實(shí)用且重要發(fā)研究方向領(lǐng)域[10]。伴隨著造影技術(shù)的升級(jí)，出現(xiàn)了各種不同的造影技術(shù)，從最早的X射線成像，到如今的計(jì)算機(jī)斷層成像（CT）、核磁共振（MRI）、電子發(fā)射型計(jì)算機(jī)斷層顯像（PET）和單光子發(fā)射計(jì)算機(jī)斷層成像術(shù)（SPECT)等技術(shù)，因?yàn)樵淼牟煌?，出現(xiàn)了多種模態(tài)的醫(yī)學(xué)圖像，各模態(tài)圖像為醫(yī)生提供了不同側(cè)面的人體醫(yī)療信息。各成象技術(shù)根據(jù)其所呈現(xiàn)的醫(yī)學(xué)特征信息可分為兩個(gè)類別：一類是描述人體的解剖特征的解剖結(jié)構(gòu)圖像，例如CT、MRI等；還有一類是可以顯示人體的新陳代謝信息的圖像，例如PET、SPECT等；兩種成像手段各有其特點(diǎn)，各有其優(yōu)劣，解剖結(jié)構(gòu)圖像可以獲得各器官的解剖結(jié)構(gòu)信息，圖像分辨率高，但是對(duì)疾病敏感度不高。當(dāng)檢測(cè)到疾病時(shí)，組織結(jié)構(gòu)已經(jīng)發(fā)生病變，甚至已經(jīng)到了疾病的中晚期。而功能結(jié)構(gòu)圖像可以獲取各個(gè)器官的新陳代謝信息，能檢測(cè)到細(xì)胞以及分子層面的病變信息，可以進(jìn)行疾病的早期診斷，特別是對(duì)于癌癥治療，疾病的早期診斷是極其重要的。遺憾的是功能結(jié)構(gòu)圖像的分辨率低，難以分辨解剖結(jié)構(gòu)。并且同一種類別的造影技術(shù)也各有側(cè)重，例如CT圖像相對(duì)于MRI圖像來說側(cè)重于骨組織；而MRI相對(duì)于CT圖像來說側(cè)重于軟組織。由此可見，要想通過醫(yī)學(xué)圖像來了解病人的病情全貌，僅僅使用單模態(tài)的圖像是遠(yuǎn)遠(yuǎn)不夠的，于是催生了多種模態(tài)圖像配準(zhǔn)的思想。醫(yī)學(xué)圖像配準(zhǔn)技術(shù)通過計(jì)算機(jī)算法找出不同模態(tài)圖像的空間對(duì)應(yīng)關(guān)系，通過一系列形變，使兩幅圖像(或者多幅圖像）在空間上對(duì)齊，進(jìn)而得到信息整合的綜合圖像。1.2國(guó)內(nèi)外研究現(xiàn)狀隨著醫(yī)療設(shè)備的不斷更新?lián)Q代，計(jì)算機(jī)的存儲(chǔ)容量不斷擴(kuò)張，處理器的速度不斷提高，以及圖像配準(zhǔn)算法的不斷改進(jìn)，圖像配準(zhǔn)在日新月異地發(fā)展中。國(guó)外的圖像配準(zhǔn)技術(shù)起步早，對(duì)其研究已形成比較完整的體系，各大研究機(jī)構(gòu)以及高校與企業(yè)開發(fā)了許多圖像配準(zhǔn)軟件和算法平臺(tái)。當(dāng)今距離單模態(tài)匹配問題的基本完成已經(jīng)過去了幾十年，但對(duì)于多模態(tài)匹配，因其問題的復(fù)雜性，到現(xiàn)在仍是圖像處理中備受關(guān)注的焦點(diǎn)問題[1]。二十世紀(jì)八十年代以來，控制理論的不斷發(fā)展，以及智能控制理論的出現(xiàn)，為圖像處理提供了更多的途徑與方法。例如細(xì)胞神經(jīng)網(wǎng)絡(luò)（CNN）如今已經(jīng)被廣泛應(yīng)用于圖像處理，在圖像處理中的線檢驗(yàn)、圖像分割、圖像編碼、邊緣方向檢測(cè)、孔填充、運(yùn)動(dòng)檢驗(yàn)、特征提取、字符識(shí)別、去噪等等領(lǐng)域都取得了一定的成果[2]。國(guó)內(nèi)的圖像配準(zhǔn)技術(shù)起步較晚，各研究機(jī)構(gòu)與高校相繼開展了相關(guān)研究，提出了一些新的可行算法，對(duì)圖像配準(zhǔn)的發(fā)展起到了重要的作用。1.3配準(zhǔn)研究方法現(xiàn)存的配準(zhǔn)算法有很多，不同的算法有各自的優(yōu)劣，不同的算法適用的場(chǎng)合也不盡相同，于是需要通過對(duì)比優(yōu)化實(shí)驗(yàn)，得到最佳的配準(zhǔn)算法以及配準(zhǔn)參數(shù)。通過使用Elastix配準(zhǔn)軟件，可以快速使用ITK上幾乎所有配準(zhǔn)算法，且無需進(jìn)行復(fù)雜繁瑣的程序編寫，只需編寫模塊化的參數(shù)文檔，再在CMD.EXE中調(diào)用ELASTX參數(shù)文檔即可完成配準(zhǔn)實(shí)驗(yàn)，大大提高了配準(zhǔn)實(shí)驗(yàn)的效率，以便讓研究人員把更多精力集中在算法的優(yōu)化和對(duì)比中。模塊化的參數(shù)文檔配置方便研究人員快速嘗試各種配準(zhǔn)算法，調(diào)試各種配準(zhǔn)參數(shù)，以得到滿意的，結(jié)合自己研究實(shí)際的算法和配準(zhǔn)參數(shù)文檔。本文致力于研究醫(yī)學(xué)圖像的剛性和彈性配準(zhǔn)，及其聯(lián)合測(cè)度配準(zhǔn)。通過設(shè)計(jì)配準(zhǔn)實(shí)驗(yàn)，對(duì)比剛性配準(zhǔn)和彈性配準(zhǔn)各自的特點(diǎn)，總結(jié)剛性與彈性配準(zhǔn)各自所適用的配準(zhǔn)對(duì)象，通過對(duì)結(jié)果的配準(zhǔn)速度、配準(zhǔn)精度等指標(biāo)進(jìn)行評(píng)估（可視化評(píng)估，以及量化評(píng)估），最終得到我們需要的，能用于病人實(shí)例的配準(zhǔn)參數(shù)文檔。2圖像配準(zhǔn)基本理論想要完成配準(zhǔn)的實(shí)驗(yàn)，應(yīng)當(dāng)先掌握其基礎(chǔ)理論知識(shí)，以及對(duì)相關(guān)軟件的熟練運(yùn)用。本章作為后續(xù)章節(jié)的鋪墊，敘述圖像配準(zhǔn)中的基本原理以及Elastix的基本使用知識(shí)。2.1圖像配準(zhǔn)的定義在配準(zhǔn)的過程中，其中一幅圖像是需要進(jìn)行變換的圖像，被稱為浮動(dòng)圖象（movingimage），另一張作為基準(zhǔn)的無需變換的圖像被稱為固定圖像（fixedimage）。設(shè)浮動(dòng)圖像和固定圖像的維度為d，在他們各自的空間域中分別有：以及。且設(shè)一種變換，使得在空間上與對(duì)齊，這就是配準(zhǔn)的最終目的[5]。其示意圖如下：圖2.1圖像配準(zhǔn)的任務(wù)是尋找兩幅圖像的空間映射關(guān)系，左為固定圖像，右為浮動(dòng)圖像從數(shù)學(xué)實(shí)質(zhì)上來說，醫(yī)學(xué)圖像配準(zhǔn)的過程是一個(gè)尋優(yōu)過程，但是在尋優(yōu)過程中有很多參數(shù)，是一個(gè)很復(fù)雜的優(yōu)化過程，這個(gè)優(yōu)化過程的代價(jià)函數(shù)可如下表示：，（2-1）配準(zhǔn)過程可以表示為存在關(guān)于參數(shù)μ的空間變換使得兩圖像配準(zhǔn)時(shí)代價(jià)函數(shù)最小。2.2醫(yī)學(xué)圖像配準(zhǔn)的一般流程一般來說，圖像配準(zhǔn)有四個(gè)基本的步驟：2.2.1特征提取這一步進(jìn)行圖像特征的提取，通常有三種特征是經(jīng)常被使用的[12]：（1）特征點(diǎn)：即為在幾何上有有意義的特殊點(diǎn)。特征點(diǎn)又可分為內(nèi)部特征點(diǎn)以及外部特征點(diǎn)，人體內(nèi)部固有的解剖結(jié)構(gòu)點(diǎn)被稱為內(nèi)部特征點(diǎn)，而在外部人為標(biāo)記而成的特征點(diǎn)被稱為外部特征點(diǎn)，由于外部特征點(diǎn)需要人為干涉，并且對(duì)患者造成痛苦，已較少使用，現(xiàn)在醫(yī)學(xué)圖像處理主要基于內(nèi)部特征點(diǎn)；（2）特征曲線（曲面）：用圖像分割的方法，把需要進(jìn)行處理的部分提取出來，以便后續(xù)處理；（3）灰度統(tǒng)計(jì)特征，灰度統(tǒng)計(jì)特征由于其無需對(duì)圖像進(jìn)行預(yù)處理，是圖像處理自動(dòng)化的一個(gè)重點(diǎn)研究工具，本文所用的互信息測(cè)度準(zhǔn)則就是基于統(tǒng)計(jì)特征來進(jìn)行計(jì)算的。2.2.2空間變換經(jīng)過特征提取后，圖像配準(zhǔn)問題就變成了浮動(dòng)圖像的特征空間到固定圖像的特征空間的空間變換問題，也即找出浮動(dòng)圖像特征空間與固定圖像特征空間的映射關(guān)系。憑借各類空間變換性質(zhì)的不同可以把空間變換分為兩個(gè)大類：剛性變換（rigidtransformation)與彈性變換(deformabletransformation)，剛性變換允許對(duì)圖像進(jìn)行縮放、旋轉(zhuǎn)、位移等操作，但是不能扭曲圖像曲線，剛性變換一般用來對(duì)圖像進(jìn)行粗配準(zhǔn)，把圖像的位置對(duì)齊，但是無法處理形變區(qū)域進(jìn)行；非線性變換可以處理形變區(qū)域，一般用于剛性變換之后進(jìn)行局部處理，尤其是對(duì)浮動(dòng)圖像畸變區(qū)域（如果存在的話）進(jìn)行矯正。2.2.3相似性測(cè)度用來評(píng)估兩圖像的匹配程度的度量函數(shù)被稱為相似性測(cè)度，它用來測(cè)量圖像配準(zhǔn)是否達(dá)標(biāo)。相似性測(cè)度會(huì)明顯影響到配準(zhǔn)的精確度，是配準(zhǔn)過程中的重中之重。2.2.4優(yōu)化策略選擇合適的優(yōu)化算法在配準(zhǔn)中非常重要，因?yàn)獒t(yī)學(xué)圖像配準(zhǔn)的過程本質(zhì)上是一個(gè)多參數(shù)的尋優(yōu)過程，選擇合適的優(yōu)化算法，可以迅速找到最優(yōu)解，而不必遍歷整個(gè)特征空間。以上的幾個(gè)步驟可以表示為下圖：相似性測(cè)度相似性測(cè)度優(yōu)化策略配準(zhǔn)結(jié)果浮動(dòng)圖像圖像插值空間變換固定圖像像素 優(yōu)化結(jié)束像素變換參數(shù)圖2.2配準(zhǔn)流程簡(jiǎn)單示意圖2.3Elastix中的配準(zhǔn)Elastix是基于著名的圖像分割與配準(zhǔn)工具包ITK的開源軟件，Elastix集成了很多用來解決圖像配準(zhǔn)問題的常用算法。Elastix使用非常簡(jiǎn)單，用戶只需編寫簡(jiǎn)單的模塊化參數(shù)文件加以調(diào)用就能快速進(jìn)行配準(zhǔn)實(shí)驗(yàn)，免去了繁瑣的程序編寫與調(diào)試，讓用戶集中更多精力在配準(zhǔn)算法的對(duì)比與優(yōu)化上。下面將介紹Elastix陪準(zhǔn)過程中的各大模塊，本文所用的完整的參數(shù)文檔請(qǐng)參見附錄，參數(shù)文檔中各參數(shù)的推薦設(shè)置可在http://Elastix.isi.uu.nl/doxygen/parameter.html中查詢。2.3.1相似性測(cè)度（Metrics）在上節(jié)所述，相似性度量是一個(gè)通用的配準(zhǔn)過程中十分重要的一步，它決定了圖像配準(zhǔn)的精度和準(zhǔn)確度，與配準(zhǔn)結(jié)果的質(zhì)量直接相關(guān)。Elastix中提供了幾種常用的測(cè)度：平方和的差（SSD），在Elastix中選用它的語(yǔ)句為(Metric"AdvancedMeanSquares")，SSD的定義如下：，(2-2）其中為固定圖像的值域，是固定圖像的像素?cái)?shù)量。根據(jù)已給的變換，SSD能在固定圖像中輕松迭代實(shí)現(xiàn)?；バ畔ⅲ∕I），在Elastix中通過語(yǔ)句（Metric”AdvancedMattesMutualInformation")來選擇互信息用于相似性測(cè)度計(jì)算,其定義如下：，（2-3）其中和表示兩圖像上某相同位置的灰度值，是聯(lián)合概率分布，以及是邊緣概率分布?；バ畔⒁部梢远x為：，（2-4）其中和分別為固定圖像和浮動(dòng)圖像的熵，為兩圖像的聯(lián)合熵，當(dāng)兩圖像完全相同時(shí)，聯(lián)合熵為0，此時(shí)互信息最大?；バ畔⒈硎緝煞鶊D像的統(tǒng)計(jì)相關(guān)性，也即一幅圖像包含另一幅圖像的信息多少。在Elastix中使用的是Mattes等人提出的負(fù)的互信息，其值越小，表示兩圖像相關(guān)程度越高[5]。歸一化互信息（NMI），在Elastix中用（Metric”NormalizedMutualInformation”)來選擇使用NMI作為相似性測(cè)度。 歸一化互信息可定義為：，（2-5）其中H為熵。對(duì)比互信息的熵定義（2-4）：，可以發(fā)現(xiàn)歸一化互信息是為了避免當(dāng)兩張圖像重疊區(qū)域太少，導(dǎo)致互信息太小而配準(zhǔn)失效的情況，基于歸一化互信息的圖像配準(zhǔn)具有更好的魯棒性和配準(zhǔn)精度。2.3.2圖像采樣器（Imagesamplers)通常來說，把圖像所有像素進(jìn)行采樣可以獲得最好的配準(zhǔn)精度，但在實(shí)際應(yīng)用中，這是沒有必要的，很多時(shí)候只需要采樣一定的子集即可滿足需求。選擇什么樣的采樣方法需要用戶根據(jù)自己的實(shí)際需求進(jìn)行選擇，在參數(shù)文檔中用語(yǔ)句(ImageSampler"XXX")選擇采樣器，其中XXX為采樣器名稱，Elastix中提供了如下幾種常用的采樣方式以供選擇：全采樣（Full），即如上述所說的對(duì)所有像素進(jìn)行采樣的方法，Elastix中雖然提供了這種方法，但是因?yàn)樾蔬^低，且沒有必要，通常不使用全采樣。網(wǎng)格采樣（Grid），網(wǎng)格采樣可理解為在固定圖像上加上一定密度的網(wǎng)格，隨之在網(wǎng)格點(diǎn)上進(jìn)行采樣。相對(duì)于全采樣，網(wǎng)格采樣大大提高了采樣速度。用戶可以根據(jù)自己的實(shí)際需要在參數(shù)文檔中設(shè)置網(wǎng)格的大小。隨機(jī)采樣（Random），隨機(jī)采樣會(huì)從固定圖像中隨機(jī)地采樣出用戶設(shè)置的像素值。被采樣圖像中的每一個(gè)像素被采樣的概率相同，并且可能被多次選中，也可通過參數(shù)文檔設(shè)置避免同一像素被反復(fù)采樣，采樣數(shù)量由用戶設(shè)置，是一種常用的采樣方式。隨機(jī)坐標(biāo)采樣（RandomCoordinate），隨機(jī)坐標(biāo)采樣和隨機(jī)采樣類似，但隨機(jī)坐標(biāo)采樣不止限于像素點(diǎn)的采樣，兩個(gè)相鄰的像素點(diǎn)之間的位置也可能被選中，和隨機(jī)采樣一樣，隨機(jī)坐標(biāo)采樣也是一種常用的采樣方式，本文實(shí)驗(yàn)部分采用的就是隨機(jī)坐標(biāo)采樣。2.3.3插值器(Interpolators)數(shù)字圖像是由離散的像素組成，在對(duì)圖像進(jìn)行處理的過程中，變換后的圖像像素坐標(biāo)可能不是整數(shù)，為了使變換后的圖像重新落在整數(shù)坐標(biāo)軸上，形成新的數(shù)字圖像，必須對(duì)變換后的圖像進(jìn)行合適的插值操作。Elastix中同樣提供了幾種常用的插值器供用戶選擇使用，參數(shù)文檔中選擇插值器的語(yǔ)句為(Interpolator"XXX")，其中XXX為插值器在Elastix中的名稱，下面列舉幾種Elastix中的插值器：最近鄰插值（NN），在Elastix中的名稱為NearestNeighborInterpolator，最近鄰插值是一種最簡(jiǎn)單也最容易理解的插值方式，即將變換后圖像的像素點(diǎn)賦予與它最近的坐標(biāo)點(diǎn)的值。這種算法的優(yōu)點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量小，計(jì)算速度快，但是往往精度不高。線性插值（Linear），在Elastix中的名稱為L(zhǎng)inearInterpolator，也被稱為一階插值，該法用非整數(shù)像素點(diǎn)附近的四個(gè)點(diǎn)的加權(quán)平均值（各點(diǎn)的權(quán)重為他們各自與非整數(shù)像素點(diǎn)的距離）來得出此位置的灰度值。高階插值（N-thorderB-spline），也稱為N階B樣條插值，在Elastix中的名稱為BSplineInterpolator。最近鄰插值和線性插值可以分別看成階數(shù)N=0和N=1的高階插值，通常來說，高階插值的階數(shù)越高，所得到的圖像質(zhì)量越好，但同時(shí)也會(huì)消耗更多的計(jì)算資源，并且到一定階數(shù)以上之后，得到的圖像效果改善不會(huì)太大，下圖會(huì)說明這一現(xiàn)象。圖2.3為幾種不同的插值器所得結(jié)果：圖2.3不同插值器結(jié)果，（a）為最近鄰插值，（b）為線性插值，（c）為2階B樣條插值，（d）為3階B樣條插值，（e）為5階B樣條插值。由上圖可見，二階以上的插值器效果改善不很明顯，通常一階插值就能滿足實(shí)際需要，并且一階插值有很好的性價(jià)比，所以我們經(jīng)常在配準(zhǔn)過程中使用一階插值。而在產(chǎn)生最終圖像時(shí)，特別是最終圖像需要進(jìn)行彈性形變時(shí)，通常使用三階B樣條插值完成，以得到高精度的輸出圖像。產(chǎn)生最終圖像的插值器與配準(zhǔn)過程中的插值器在語(yǔ)句上有一點(diǎn)區(qū)別，最終插值器的語(yǔ)句為(ResampleInterpolator"FinalXXX")，其中XXX為插值器名稱，例如(ResampleInterpolator"FinalBSplineInterpolator")2.3.4幾何變換（Transfomation）幾何變換的方向關(guān)于幾何變換的方向，經(jīng)常會(huì)有誤解。直覺上來看，感覺是浮動(dòng)圖像進(jìn)行幾何變換后，映射到固定圖像的特征空間，再與固定圖像進(jìn)行相似性測(cè)度計(jì)算。而實(shí)際上，在Elastix中，幾何變換的定義為從固定圖像空間映射到浮動(dòng)圖像空間[7]，即，（2-6）下圖說明了這一過程：插值采樣插值采樣圖2.4幾何映射的方向由圖可見，實(shí)際中的幾何變換，是固定圖像接受幾何變換后，經(jīng)過相似性測(cè)度的評(píng)價(jià)，得到浮動(dòng)圖像中的映射坐標(biāo)，最后浮動(dòng)圖像根據(jù)被映射的點(diǎn)，經(jīng)過插值后得到配準(zhǔn)結(jié)果。Elastix這樣定義變換方向的原因是，配準(zhǔn)過程中，固定圖像需要進(jìn)行采樣后得到物理坐標(biāo)系下的圖像，再?gòu)墓潭▓D像的物理坐標(biāo)系映射到浮動(dòng)圖像的物理物理坐標(biāo)系（此時(shí)需要進(jìn)行幾何變換），被映射得到的浮動(dòng)再經(jīng)過插值運(yùn)算反映射到邏輯坐標(biāo)系中。如果把幾何變換定義為從浮動(dòng)圖像映射到固定圖像，則重采樣過程中不能保證固定邏輯坐標(biāo)系圖像采樣后得到唯一的值，這會(huì)導(dǎo)致采樣后的圖像出現(xiàn)空洞，所以才把幾何變換的方向定義為從固定圖像映射到浮動(dòng)圖像，以保證與重采樣方向的一致性。Elastix中的常用幾何變換Elastix中同樣集成了幾種常用的幾何變換以供用戶根據(jù)實(shí)際需求選擇使用，在參數(shù)文檔中選擇幾何變換的語(yǔ)句為(Transform"XXX")，其中XXX為幾何變換在Elastix中的名稱，例如(Transform"BSplineTransform")，表示選擇使用B樣條變換作為配準(zhǔn)過程中的幾何變換。下面介紹幾種在Elastix中的幾何變換：（1）剛體變換（Rigid），在Elastix中的名稱為EulerTransform，剛體變換可定義為，（2-7）其中R為旋轉(zhuǎn)矩陣，t為位移量，c為旋轉(zhuǎn)中心。在剛體變換中，整個(gè)圖像被看作一個(gè)剛體，可以對(duì)其進(jìn)行平移和旋轉(zhuǎn)，但是不能對(duì)其進(jìn)行縮放。在對(duì)同一病人的腦部進(jìn)行配準(zhǔn)時(shí)常使用剛體變換，因?yàn)橥徊∪说哪X部圖像形變不會(huì)太大，剛體變換能夠滿足配準(zhǔn)要求。剛體變換也常常用來對(duì)圖像進(jìn)行粗配準(zhǔn)，在復(fù)雜的形變較多的醫(yī)學(xué)圖像配準(zhǔn)中，可以先用剛體變換，將圖像全局對(duì)齊，之后再用彈性變換對(duì)局部形變進(jìn)行處理，后一章將要進(jìn)行的彈性配準(zhǔn)以及聯(lián)合參數(shù)就是用剛性配準(zhǔn)的結(jié)果作為初始化變換來處理病人頭頸部圖像的配準(zhǔn)問題。（2）相似變換（Similarity），在Elastix中的語(yǔ)句為SimilarityTransform，它的定義式如下：，（2-8）相似變換是在剛體變換的基礎(chǔ)上加上一個(gè)伸縮因子s，它不僅可以進(jìn)行剛體變換的所有操作，也能進(jìn)行圖像的放大縮小，變換前后的圖像是互為相似的。（3）仿射變換（Affine），在Elastix中的語(yǔ)句為AffineTransform，其定義式為，（2-9）其中A為任意矩陣，仿射變換的含義是指變換前空間內(nèi)兩條平行的直線，在變換后的空間內(nèi)任然保持平行,但是兩條直線的夾角變換后角度可能會(huì)變化，變化后圖像不與變換前圖像相似。（4）B樣條變換（B-splines），其在Elastix中的名稱為BSplineTransform，B樣條變換是一種彈性（非剛性）變換，它的定義式如下：，（2-10）其中表示操作點(diǎn)，是系數(shù)向量，是B樣條操作點(diǎn)空間，是B樣條在上的壓縮支撐集，操作點(diǎn)被定義在固定圖像上的網(wǎng)格上，是三次B樣條多項(xiàng)式，其定義式如下：，（2-11）彈性變換會(huì)使直線經(jīng)過變換后變成曲線，這種特性用來對(duì)圖像中的形變進(jìn)行矯正是非常有效的，但是需要注意設(shè)置多項(xiàng)參數(shù)，以免出現(xiàn)不切實(shí)際的變形。2.3.5優(yōu)化算法（Optimiser）由于圖像配準(zhǔn)問題在本質(zhì)上是一個(gè)多參數(shù)尋優(yōu)問題，所以優(yōu)化算法的選擇至關(guān)重要，它直接關(guān)系到配準(zhǔn)過程的速度以及算法的收斂性，Elastix中同樣集成了幾種常用的優(yōu)化算法供用戶選擇使用，參數(shù)文檔中選擇優(yōu)化算法的語(yǔ)句為(Optimizer"XXX")，其中XXX為優(yōu)化算法在Elastix中的名稱。下面介紹Elastix中的常用優(yōu)化算法：梯度下降法（Gradientdescent，GD），在Elastix中的名稱為StandardGradientDescent或者RegularStepGradientDescent，梯度下降法每一步的搜索方向是代價(jià)函數(shù)的負(fù)梯度方向，用式子可以表示為：，（2-12）其中，為k位置的梯度。梯度下降法可以處理大部分問題，在實(shí)驗(yàn)中使用的是梯度下降法的一個(gè)變種，自適應(yīng)隨機(jī)梯度下降法，在Elastix中的語(yǔ)句為AdaptiveStochasticGradientDescent，經(jīng)過實(shí)驗(yàn)證明，自適應(yīng)隨機(jī)梯度下降法性能良好。進(jìn)化算法(Evolutionaryalgorithms，EAs），在Elastix中的語(yǔ)句為CMAEvolutionStrategy，進(jìn)化算法是一種全局優(yōu)化算法，它的靈感來自自然界中生物的演化，在自然界中，生物總能通過遺傳、變異和選擇淘汰來與環(huán)境適應(yīng)，進(jìn)化算法通過選擇、重組和變異這三個(gè)環(huán)節(jié)來模仿進(jìn)化過程，實(shí)現(xiàn)優(yōu)化過程的求解。進(jìn)化算法是一種具有高自適應(yīng)性，自組織性，以及高魯棒性的全局算法。2.3.6多級(jí)分辨率（Multi-Resolution）很多醫(yī)學(xué)圖像，特別是三維圖像的體積是十分巨大的，再加上配準(zhǔn)過程中需要對(duì)圖像進(jìn)行計(jì)算量非常大的相似性測(cè)度以及幾何變換的迭代計(jì)算，使得整個(gè)配準(zhǔn)過程計(jì)算量非常巨大。為了減少計(jì)算代價(jià)，在Elastix中對(duì)圖像進(jìn)行多級(jí)分辨率處理，把整個(gè)配準(zhǔn)過程分為幾個(gè)子過程，形成圖像分辨率金字塔，把分辨率分為從粗到細(xì)的幾個(gè)層次。依次將上一層的配準(zhǔn)結(jié)果作為下一層的初始條件進(jìn)行處理，直到達(dá)到最高分辨率。下圖為多分辨率配準(zhǔn)的示意圖：圖2.5多級(jí)分辨率分層處理多分辨率圖像配準(zhǔn)與直接配準(zhǔn)相比，有很多優(yōu)勢(shì)：配準(zhǔn)的過程是從粗到細(xì)處理，每一層都有上一層的配準(zhǔn)結(jié)果作為初始條件（最頂層是零初始條件），使得整個(gè)配準(zhǔn)大部分過程都在低分辨率下進(jìn)行，使得計(jì)算量大大減??；多級(jí)分辨率在處理過程中逐步包含全局信息，可以避免落入局部最優(yōu)解;可以利用多級(jí)分辨率實(shí)現(xiàn)不同分辨率圖像的配準(zhǔn)，比如CT圖像和PET圖像的配準(zhǔn)，前者分辨率高而后者分辨率低，可以把CT圖像為低分辨率圖像后再與PET圖像配準(zhǔn)。在Elastix的參數(shù)文檔中使用多級(jí)分辨率的語(yǔ)句為(FixedImagePyramid"FixedSmoothingImagePyramid")和(MovingImagePyramid"MovingSmoothingImagePyramid")，前者為固定圖像設(shè)置多級(jí)分辨率，后者為浮動(dòng)圖像設(shè)定多級(jí)分辨率，除此以外還需要為圖像金字塔設(shè)置層級(jí)數(shù)量以及每一級(jí)的分辨率。例如后面實(shí)驗(yàn)會(huì)用到的，三維圖像的多層分辨率可以如下配置：(NumberOfResolutions3)//分辨率有三個(gè)層級(jí)；(ImagePyramidSchedule882441111)//分辨率的分配依次為在x和y方向上為原始分辨率的1/8、1/4，最后一層為原始分辨率；在z方向上為原始分辨率的1/2、后面兩層均為原始分辨率。2.4配準(zhǔn)評(píng)估配準(zhǔn)完成后，配準(zhǔn)結(jié)果是否合格，是否能滿足臨床需求，還需要對(duì)其進(jìn)行評(píng)判，一般來說，這是一件很難的事情，我們無法知道哪個(gè)像素應(yīng)該映射到哪一點(diǎn)，但是任有一些配準(zhǔn)評(píng)估的方法可以供我們使用。首先，可以用可視化工具，把配準(zhǔn)后圖像與基準(zhǔn)圖像（固定圖像）進(jìn)行疊加，從直觀上觀察配準(zhǔn)是否合格，常用的醫(yī)學(xué)可視化軟件有MeVisLab、ITK-SNAP、ParaView、3DSlicer、VV等，其中除了MeVisLab以外都是開源軟件，配準(zhǔn)用戶可以方便地使用他們快速觀察自己的配準(zhǔn)結(jié)果是否在直觀上可行。但是僅僅以目測(cè)做為評(píng)判標(biāo)準(zhǔn)是遠(yuǎn)遠(yuǎn)不夠的，還有一個(gè)好的方法是觀察計(jì)算過程中的相似性測(cè)度，例如將在后面實(shí)驗(yàn)中所用的Mattes互信息，觀察測(cè)度在配準(zhǔn)過程中的曲線，若曲線是收斂的，說明配準(zhǔn)是比較成功的，若曲線是發(fā)散的，說明配準(zhǔn)參數(shù)還需調(diào)整。3基于Elastix的CT/MRI配準(zhǔn)本章論述幾組CT/MRI醫(yī)學(xué)圖像配準(zhǔn)實(shí)驗(yàn)研究?jī)?nèi)容。通過實(shí)驗(yàn)主要進(jìn)行剛性與彈性配準(zhǔn)的性能對(duì)比，以及單相似性測(cè)度配準(zhǔn)與聯(lián)合相似性測(cè)度配準(zhǔn)的性能對(duì)比。本文所述實(shí)驗(yàn)均在64位WINDOWS7系統(tǒng)下運(yùn)行，Elastix版本為最新的4.7，編譯器為VC++2010，Elastix的編譯和安裝使用跨平臺(tái)的編譯軟件Cmake來完成。本實(shí)驗(yàn)的病人圖像從醫(yī)院獲得，有兩位病人的CT/MRI圖像，對(duì)兩位病人均進(jìn)行同樣的參數(shù)文檔實(shí)驗(yàn)，以排除參數(shù)文檔對(duì)于單一病人的特殊適用性，保證了配準(zhǔn)參數(shù)文檔一定程度的實(shí)用性。本實(shí)驗(yàn)的參數(shù)設(shè)置參考自Elastix官網(wǎng)的參數(shù)數(shù)據(jù)庫(kù)（http://Elastix.bigr.nl/wiki/index.php/Parameter_file_database），并根據(jù)自己的實(shí)際需求進(jìn)行了優(yōu)化和改進(jìn)。在Elastix中進(jìn)行配準(zhǔn)實(shí)驗(yàn)非常簡(jiǎn)單，只要編寫好參數(shù)文檔，并在DOS中輸入調(diào)用語(yǔ)句即可進(jìn)行實(shí)驗(yàn)，在DOS中調(diào)用Elastix的語(yǔ)句為Elastix-ffixedimage.ext-mmovingimage.ext-outoutputdirect-pparameterfile.txt，其中-f為固定圖像的設(shè)置語(yǔ)句，-m為浮動(dòng)圖像的設(shè)置語(yǔ)句，-out為輸出文件夾的設(shè)置語(yǔ)句，-p為本次配準(zhǔn)所使用的參數(shù)文檔的設(shè)置語(yǔ)句。還有一些可選的額外語(yǔ)句，在需要的時(shí)候加以調(diào)用：如-fMaskfixedmaskimage.ext-mMaskmovingmaskimage.ext-t0initialtransformparameterfile.txt，其中-fMask為設(shè)置固定圖像掩膜的語(yǔ)句，-mMask為設(shè)置浮動(dòng)圖像掩膜的語(yǔ)句，-t0為設(shè)置初始變換的語(yǔ)句。Elastix可以支持大部分醫(yī)學(xué)圖像格式，例如.mhd、.hdr、.nii、.gipl、.dcm，但是DICOM文件夾不能直接在Elastix中使用，本文實(shí)驗(yàn)所用的病人圖像是DICOM文件夾格式，為了Elastix方便處理，用MRIConvert軟件將其轉(zhuǎn)換成了.mhd格式。配準(zhǔn)結(jié)束后用VV進(jìn)行直觀評(píng)估，從視覺上判斷圖像配準(zhǔn)是否成功，同時(shí)用EXCEL畫出相似性測(cè)度在配準(zhǔn)中的變化曲線，對(duì)其配準(zhǔn)過程的相似性測(cè)度進(jìn)行定量分析，以此評(píng)判配準(zhǔn)是否成功。3.1剛性及彈性配準(zhǔn)實(shí)驗(yàn)下面將進(jìn)行剛性與彈性配準(zhǔn)的對(duì)比實(shí)驗(yàn)，從實(shí)驗(yàn)的角度來驗(yàn)證剛性配準(zhǔn)和彈性配準(zhǔn)各自的特點(diǎn)以及適用范圍。因?yàn)楫?dāng)今醫(yī)院放射科很多都使用了PET\CT一體機(jī)，CT和PET的配準(zhǔn)已經(jīng)在成像設(shè)備內(nèi)部完成，所以本文主要完成的是CT與MRI圖像的配準(zhǔn)，CT圖像對(duì)人體骨骼組織的分辨率較高而對(duì)軟組織的成像效果差，而MRI圖像對(duì)人體軟組織的成像效果好而對(duì)軟組織的成像效果差，因此對(duì)CT\MRI的配準(zhǔn)是非常有實(shí)用意義的。3.1.1剛性配準(zhǔn)實(shí)驗(yàn)（1）對(duì)第一位病人的剛性配準(zhǔn)首先對(duì)第一個(gè)病人的CT\MRI圖像進(jìn)行剛性配準(zhǔn)，500mm×500mm×392.4mm，MRI圖像大小為240mm×240mm×216mm。以下是未配準(zhǔn)前的CT\MRI圖像疊加的圖像：圖3.1第一位病人的CT\MRI配準(zhǔn)前疊加圖像圖中綠色的部分為MRI圖像，紫色的部分為CT圖像，可見配準(zhǔn)前兩圖像在空間上有很大的錯(cuò)位，且如前面所介紹，CT圖像包含了更多的骨組織信息，而MRI圖像包含了更多的軟組織信息，由于是頭頸部部圖像，骨質(zhì)成分很多，形變較少，因此可以考慮使用剛性變換進(jìn)行配準(zhǔn)。配準(zhǔn)過程以多級(jí)分辨率形式進(jìn)行，分為三層分辨率層級(jí)，采樣器選用隨機(jī)采樣，插值器選用B樣條插值（過程中插值為1階，最終插值為3階），幾何變換為歐拉變換，優(yōu)化器選用自適應(yīng)隨機(jī)梯度下降法，相似性測(cè)度采用Mattes互信息，主要的參數(shù)設(shè)置如下：(Registration"MultiResolutionRegistration")(NumberOfResolutions3)//多分辨率配準(zhǔn)，分為三個(gè)級(jí)層。(Interpolator"BSplineInterpolator")(ResampleInterpolator"FinalBSplineInterpolator")(BSplineInterpolationOrder1)(FinalBSplineInterpolationOrder3)//使用1階B樣條插值器，以及3階B樣條作為最終插值。(Optimizer"AdaptiveStochasticGradientDescent")(MaximumNumberOfIterations500)//優(yōu)化策略為自適應(yīng)隨機(jī)梯度下降法，每個(gè)分辨率層級(jí)最大迭代次數(shù)500次(Transform"EulerTransform")//幾何變換采用歐拉變換。(Metric"AdvancedMattesMutualInformation")//相似性測(cè)度選用Mattes互信息。完整的參數(shù)文檔請(qǐng)參見附錄A。整個(gè)剛性配準(zhǔn)程序運(yùn)行耗時(shí)2分40秒，以下為配準(zhǔn)后的圖像與固定圖像（CT圖像）疊加的圖像：圖3.2第一位病人的CT\MRI圖像進(jìn)行配準(zhǔn)后的圖像圖中綠色部分為MRI圖像，紫色部分為CT圖像，可見配準(zhǔn)后的圖像在直觀上已經(jīng)對(duì)齊了，軟組織信息和骨組織信息有效地形成了互補(bǔ)。同時(shí)對(duì)配準(zhǔn)過程中的互信息進(jìn)行了定量分析，可見于以下圖表：圖3.3對(duì)第一位病人進(jìn)行剛性配準(zhǔn)過程中的互信息圖中橫坐標(biāo)為迭代次數(shù)，縱坐標(biāo)為相似性測(cè)度，初始互信息為-0.64768，最終互信息為-0.601635。雖然從直觀上來看兩圖像貌似是對(duì)齊了，但是從定量分析來看，互信息并沒有很好地收斂，究其原因，是因?yàn)閯傂耘錅?zhǔn)對(duì)處理復(fù)雜圖像的局限性。因?yàn)閯傂耘錅?zhǔn)只能進(jìn)行位移和旋轉(zhuǎn)運(yùn)算，對(duì)圖像的形變無法處理，實(shí)際上在第一位病人的圖像中，雖然肉眼比較難分辨，但是放大后仍可見有很多明顯形變的地方，這說明僅僅使用剛性配準(zhǔn)無法完成符合臨床需求的配準(zhǔn)工作。對(duì)第二位病人的圖像的剛性配準(zhǔn)為了作對(duì)比，以及保證參數(shù)文檔一定的泛用性，還用了另外一位病人的CT\MRI圖像進(jìn)行配準(zhǔn)。第二位病人的CT圖像大小為其配準(zhǔn)前圖像如下：圖3.4第二位病人的配準(zhǔn)前CT圖像圖3.5第二位病人配準(zhǔn)前的MRI圖像觀察圖像可知，第二位病人的CT圖像出現(xiàn)嚴(yán)重的失真變形情況，無疑加大了配準(zhǔn)的難度，若僅使用剛性配準(zhǔn)，可能得不到理想的結(jié)果。使用與第一位病人相同的參數(shù)文檔進(jìn)行配準(zhǔn)后的結(jié)果如下圖：圖3.6第二位病人剛性配準(zhǔn)后的圖像從圖可見本次配準(zhǔn)并不成功，究其原因是因?yàn)閳D像原本的形變比較大，而剛性配準(zhǔn)無法進(jìn)行形變操作，因?yàn)閯傂耘錅?zhǔn)無法完成本次配準(zhǔn)，若想完成第二位病人的配準(zhǔn)工作，必須在剛性配準(zhǔn)的基礎(chǔ)上，再使用彈性配準(zhǔn)進(jìn)行形變操作，下面將用實(shí)驗(yàn)證明是否可行。3.1.2彈性配準(zhǔn)實(shí)驗(yàn)第一位病人的彈性配準(zhǔn)實(shí)驗(yàn)首先對(duì)第一位病人進(jìn)行彈性配準(zhǔn)實(shí)驗(yàn)，在第一位病人的剛性配準(zhǔn)中，已經(jīng)幾乎完成了配準(zhǔn)工作，但是因?yàn)橛形⑿⌒巫內(nèi)匀淮嬖?，還需要進(jìn)行彈性配準(zhǔn)進(jìn)行矯正。彈性配準(zhǔn)的參數(shù)配置如下：采樣器選用隨機(jī)坐標(biāo)采樣器，樣本空間數(shù)設(shè)置為5000；幾何變換使用1階B樣條變換；相似性測(cè)度使用Mattes互信息；使用三層圖像金字塔；優(yōu)化器選擇自適應(yīng)隨機(jī)梯度下降法，每個(gè)分辨率層級(jí)迭代1000次；插值器與最終插值器分別采用1階與3階的B樣條插值器；并將上小節(jié)的剛性配準(zhǔn)結(jié)果作為彈性配準(zhǔn)的初始化變換，主要的參數(shù)配置如下：(Registration"MultiResolutionRegistration")(NumberOfResolutions3)//多分辨率配準(zhǔn)，原圖像分為三個(gè)分辨率層級(jí)。(Interpolator"BSplineInterpolator")(ResampleInterpolator"FinalBSplineInterpolator")(BSplineInterpolationOrder1)(FinalBSplineInterpolationOrder3)//使用B樣條插值，1階過程插值，3階最終插值。(Optimizer"AdaptiveStochasticGradientDescent")(MaximumNumberOfIterations1000)//優(yōu)化策略選用自適應(yīng)隨機(jī)梯度下降法，最大迭代次數(shù)1000次。(Transform"BSplineTransform")//幾何變換選用B樣條變換。(Metric"AdvancedMattesMutualInformation")//測(cè)度選用Mattes互信息。實(shí)驗(yàn)結(jié)果如下：圖3.7對(duì)第一位病人進(jìn)行彈性配準(zhǔn)的結(jié)果本次實(shí)驗(yàn)用時(shí)12分22秒，初始互信息為-0.599965，最終互信息為-0.665683。從圖像上來看，與剛性配準(zhǔn)的變化不大，但從互信息的角度可以發(fā)現(xiàn)彈性配準(zhǔn)的性能較剛性配準(zhǔn)確有改進(jìn)，但同時(shí)也有不足的地方：在圖像的一些地方出現(xiàn)了不切實(shí)際的形變，以俯視圖為例，形變情況如下圖：圖3.8左圖為MRI原圖像，右圖為彈性變換后的圖像可見出現(xiàn)了比較嚴(yán)重的非實(shí)際形變現(xiàn)象，配準(zhǔn)方法和參數(shù)任需改進(jìn)?；バ畔⒌淖兓娤聢D：圖3.8第一位病人彈性配準(zhǔn)過程中的互信息從上圖來看，互信息呈現(xiàn)一定的收斂趨勢(shì)，說明彈性配準(zhǔn)確實(shí)對(duì)配準(zhǔn)的效果起到了提升作用。（2）第二位病人的彈性配準(zhǔn)對(duì)第二位病人的剛性配準(zhǔn)是失敗的，因?yàn)榈诙徊∪说膱D像存在大量形變，下面考察用彈性配準(zhǔn)是否能提升配準(zhǔn)質(zhì)量。第二位病人的彈性配準(zhǔn)使用與第一位病人相同的配準(zhǔn)參數(shù)文檔。其配準(zhǔn)結(jié)果如下：圖3.9第二位病人的彈性配準(zhǔn)結(jié)果本次配準(zhǔn)耗時(shí)14分25秒，初始互信息為-0.704621，最終互信息為-0.764674。從圖可見，與剛性配準(zhǔn)比較，彈性配準(zhǔn)較好地完成了第二位病人的配準(zhǔn)任務(wù)，但是仍有不少問題存在，比如出現(xiàn)了不切實(shí)際的形變，說明配準(zhǔn)參數(shù)還需改進(jìn)。對(duì)第二位進(jìn)行彈性配準(zhǔn)過程中的互信息變化過程如下圖：圖3.10第二位病人的彈性配準(zhǔn)過程中的互信息變化曲線從圖表中可見，互信息整體顯示出下降趨勢(shì)，但不如第一位病人的互信息下降明顯，從互信息也可以發(fā)現(xiàn)配準(zhǔn)不是很完美，還有改善的余地。3.2聯(lián)合測(cè)度配準(zhǔn)實(shí)驗(yàn)在Elastix中，不僅可以實(shí)現(xiàn)兩幅圖像使用一種相似性測(cè)度進(jìn)行配準(zhǔn)，更可以實(shí)現(xiàn)多測(cè)度聯(lián)合使用，還能實(shí)現(xiàn)多張圖像的聯(lián)合配準(zhǔn)，甚至可以進(jìn)行十分復(fù)雜的多圖像多測(cè)度聯(lián)合配準(zhǔn)實(shí)驗(yàn)，下面將進(jìn)行聯(lián)合測(cè)度配準(zhǔn)的實(shí)驗(yàn)，以說明聯(lián)合配準(zhǔn)在配準(zhǔn)精度上的優(yōu)越性。在Elastix中，可以組合多種測(cè)度進(jìn)行聯(lián)合配準(zhǔn)（一般是組合兩種測(cè)度進(jìn)行配準(zhǔn)），它的好處是能提高配準(zhǔn)的精度，但同時(shí)因?yàn)橄嗨菩詼y(cè)度是配準(zhǔn)過程中計(jì)算量最大的環(huán)節(jié)，使用聯(lián)合測(cè)度會(huì)不可避免地降低配準(zhǔn)的速度。在使用聯(lián)合測(cè)度時(shí)，代價(jià)函數(shù)變?yōu)槿缦滦问剑?，?-1）其中為第i個(gè)測(cè)度的權(quán)重，為第i個(gè)測(cè)度的類型。本文使用Mattes互信息+BEP（bendingenergypenalty）作為聯(lián)合測(cè)度，其中BEP的定義式如下[15]：,(3-2)其中是像素位置，P是像素?cái)?shù)量。是變換的第i要素，、、分別為、、方向的坐標(biāo)。下面將對(duì)兩位病人進(jìn)行聯(lián)合測(cè)度的配準(zhǔn)實(shí)驗(yàn)。第一位病人的聯(lián)合測(cè)度配準(zhǔn)實(shí)驗(yàn)上面的實(shí)驗(yàn)中，對(duì)第一位病人的剛性和彈性實(shí)驗(yàn)中，雖然都得到了可以接受的結(jié)果，但是都存在問題，剛性配準(zhǔn)無法處理形變，而彈性配準(zhǔn)卻產(chǎn)生了不切實(shí)際的形變。下面進(jìn)行的實(shí)驗(yàn)著力于增加配準(zhǔn)的精度，但是同時(shí)犧牲了配準(zhǔn)的速度，在時(shí)間充裕的情況下，下述方法是十分可靠的。聯(lián)合測(cè)度配準(zhǔn)首先需要寫入?yún)?shù)文檔的語(yǔ)句是(Registration"MultiMetricMultiResolutionRegistration")，說明這是一次聯(lián)合測(cè)度配準(zhǔn)， 同時(shí)在選擇測(cè)度時(shí)可以填寫多個(gè)測(cè)度，其中用空格分開，例如(Metric"AdvancedMattesMutualInformation""TransformBendingEnergyPenalty")。而其他的參數(shù)設(shè)置和單測(cè)度配準(zhǔn)相同，無需贅述。本文使用Mattes互信息+BEP作為聯(lián)合測(cè)度，使用聯(lián)合測(cè)度時(shí)需要對(duì)每個(gè)測(cè)度進(jìn)行權(quán)重設(shè)置，本實(shí)驗(yàn)對(duì)兩個(gè)互信息的權(quán)重分別設(shè)置為0.17和0.83，同時(shí)改進(jìn)了一些重要參數(shù)，例如NumberOfHistogramBins從64改為了50，還對(duì)分辨率層級(jí)的分配做了調(diào)整，此外因?yàn)樵瓐D像有很多無用因素，比如CT機(jī)床架的圖像，所以同時(shí)還使用了圖像掩模來進(jìn)一步增加配準(zhǔn)精度，詳細(xì)參數(shù)文檔請(qǐng)參見附錄C。本次實(shí)驗(yàn)結(jié)果如下：圖3.11第一位病人的聯(lián)合參數(shù)配準(zhǔn)實(shí)驗(yàn)結(jié)果本次實(shí)驗(yàn)耗時(shí)較長(zhǎng)，程序運(yùn)行了1小時(shí)4分27秒，初始互信息為-0.735267，最終互信息為-0.782261。由圖可見，本次配準(zhǔn)效果很好，且沒有出現(xiàn)肉眼明顯可見的非實(shí)際形變，可以說本次實(shí)驗(yàn)比剛性以及彈性配準(zhǔn)都要成功。下圖是本次聯(lián)合參數(shù)配置過程中的互信息變化曲線：圖3.12第一位病人的聯(lián)合測(cè)度配準(zhǔn)過程中互信息變化曲線從互信息曲線可以明顯看到互信息強(qiáng)烈收斂，從此可以說本次對(duì)第一位病人的配準(zhǔn)是比前兩次都成功的，這說明了聯(lián)合測(cè)度配準(zhǔn)確實(shí)對(duì)提高配準(zhǔn)精度有很大的作用，但也如預(yù)期一樣，聯(lián)合測(cè)度犧牲了配準(zhǔn)的速度，需要很長(zhǎng)時(shí)間才能完成配準(zhǔn)。第二位病人的聯(lián)合測(cè)度彈性配準(zhǔn)實(shí)驗(yàn)將同樣的參數(shù)文檔用到第二位病人的聯(lián)合測(cè)度配準(zhǔn)中，得到了以下的結(jié)果：圖3.13第二位病人的聯(lián)合測(cè)度配準(zhǔn)實(shí)驗(yàn)本次實(shí)驗(yàn)耗時(shí)32分50秒，初始互信息為-0.723749，最終互信息為-0.821640。從圖像上來看，本次實(shí)驗(yàn)較前兩次成功，但是仍有非實(shí)際形變產(chǎn)生。下面觀察其互信息變化：圖3.14第二位病人的聯(lián)合測(cè)度配準(zhǔn)過程中互信息變化曲線由互信息變化曲線可以明顯看到互信息強(qiáng)烈收斂，說明本次配準(zhǔn)確實(shí)是比較成功的，但是從觀察上來看仍有非實(shí)際形變，參數(shù)文檔仍有改進(jìn)的空間。4結(jié)論本文主要對(duì)現(xiàn)有配準(zhǔn)中已存算法進(jìn)行了實(shí)驗(yàn)探究，分析剛性、彈性以及聯(lián)合測(cè)度配準(zhǔn)的性能特點(diǎn)。通過實(shí)驗(yàn)得出以下結(jié)論：剛性配準(zhǔn)速度快精度可靠，但是無法處理形變，因此使用的范圍有限，大多只能作為后續(xù)配準(zhǔn)的初始化變換。彈性配準(zhǔn)可以處理形變，但是需要仔細(xì)設(shè)置參數(shù)，否則會(huì)出現(xiàn)非實(shí)際形變。聯(lián)合測(cè)度配準(zhǔn)可以使配準(zhǔn)的精度更上一層樓，但是需要消耗很多計(jì)算時(shí)間，因此在時(shí)間條件充裕的情況下可以通過此法來提高配準(zhǔn)精度。由于時(shí)間和自身水平有限的關(guān)系，本文還存在很多缺陷，難以探究配準(zhǔn)的深層次問題，本文的不足之處主要有以下幾點(diǎn)：沒有聯(lián)合配準(zhǔn)金標(biāo)準(zhǔn)來進(jìn)行配準(zhǔn)結(jié)果的評(píng)估，而僅僅只用可視化以及互信息測(cè)度來分析配準(zhǔn)是否成功。因?yàn)閷?duì)配準(zhǔn)知識(shí)的理解不夠透徹，不能從根源理論來指導(dǎo)實(shí)驗(yàn)，這使得實(shí)驗(yàn)效率不高。軟件水平有限，無法進(jìn)行對(duì)開源軟件的個(gè)性化編寫以滿足自己的實(shí)際需求，譬如設(shè)計(jì)一個(gè)可視化的快速配準(zhǔn)窗口。通過本次畢業(yè)設(shè)計(jì)，我收獲了很多，學(xué)到了很多，首先學(xué)會(huì)了文獻(xiàn)的查閱，以及跨平臺(tái)開源軟件的安裝和使用；還學(xué)到在實(shí)際中遇到問題以及解決問題的方法和手段；最后學(xué)到了如何寫出一篇規(guī)范的論文。這些寶貴經(jīng)驗(yàn)無疑對(duì)我以后的學(xué)習(xí)和工作都有巨大的幫助。致謝光陰似箭，轉(zhuǎn)眼間已經(jīng)到了畢業(yè)季，大學(xué)最后一段時(shí)間是在畢業(yè)設(shè)計(jì)中度過的，這段時(shí)間是我人生中最寶貴的一段歲月，這次畢業(yè)設(shè)計(jì)我付出了很多，也收獲了很多，積累了寶貴的學(xué)習(xí)和人生經(jīng)驗(yàn)。但是自己一個(gè)人是不可能完成這些的，這都?xì)w功于大家的幫助和支持。首先要感謝我的畢業(yè)設(shè)計(jì)導(dǎo)師劉國(guó)才教授，從選題開始，到最后的論文的寫作，劉國(guó)才教授都給予了我極大的幫助，細(xì)心指導(dǎo)畢業(yè)設(shè)計(jì)中的每一個(gè)環(huán)節(jié)存在的各種問題，沒有劉國(guó)才教授全面指導(dǎo)，我相信是無法完成本次畢業(yè)設(shè)計(jì)的。此外還要感謝聶茂學(xué)長(zhǎng)，在畢業(yè)設(shè)計(jì)的過程中，無論是理論上的問題，還是實(shí)驗(yàn)操作中的困難，聶茂學(xué)長(zhǎng)都給予了細(xì)致的講解和啟發(fā)，讓我在畢業(yè)設(shè)計(jì)過程中少走了不少?gòu)澛?。同時(shí)感謝胡浩，黃睿，洪國(guó)凱，康志鵬等同學(xué)在畢業(yè)設(shè)計(jì)期間的大力支持和協(xié)助，通過積極討論畢業(yè)設(shè)計(jì)中的各種問題，我們共同進(jìn)步，共同克服畢業(yè)設(shè)計(jì)中存在的問題。感謝父母和家人，是他們無私的愛支持著我，讓我我不斷地學(xué)習(xí)和進(jìn)步。最后感謝學(xué)校的各位領(lǐng)導(dǎo)、老師和專家，感謝你們?cè)诎倜χ谐槌鰧氋F的時(shí)間對(duì)我們的論文進(jìn)行審批。參考文獻(xiàn)[1］俞亞青，田學(xué)隆，閆春紅．醫(yī)學(xué)圖像配準(zhǔn)方法分類及現(xiàn)狀[J]．重慶大學(xué)學(xué)報(bào),2003，26(8)：114-118．[2]王蘇蘇．基于CNN和互信息的PET/CT圖像配準(zhǔn)方法的研究[D]．青島：青島大學(xué)，2013．[3]SchlemmerHP,PichlerBJ,SchmandM,etal.SimultaneousMR/PETimagingofthehumanbrain:feasibilitystudy[J].Radiology,2008;248:1028-1035.[4]ChuanxinNiu，MedicalimageregistrationbasedonmutualinformationusingKrigingprobabilitydensityestimation[J].IEEETransactionsOnEngineeringinMedicineandBiologySociety,2005:3097-3099.[5]StefanKlein,MariusStaring,KeelinMurphy,MaxA.Viergever,andJosienP.W.Pluim.Elastix:atoolboxforintensity-basedmedicalimageregistration.IEEETRANSACTIONSONMEDICALIMAGING,2010:196-205.[6]程瑩.基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[D].南京航空航天大學(xué),2008.[7]張存利.基于互信息的多模態(tài)醫(yī)學(xué)圖像CT_MRI配準(zhǔn)[D].長(zhǎng)春：吉林大學(xué)，2011.[8]胡永祥.基于互信息的多模態(tài)醫(yī)學(xué)圖像非剛性配準(zhǔn)研究[D].長(zhǎng)沙：中南大學(xué),2012.[9]陳偉卿.基于互信息的醫(yī)學(xué)圖像剛性配準(zhǔn)研究[D].大連：大連理工大學(xué)，2010.[10]別術(shù)林.基于互信息的醫(yī)學(xué)圖像配準(zhǔn)算法研究[D].北京：北京交通大學(xué)，2014.[11]張倩.基于互信息的醫(yī)學(xué)圖像配準(zhǔn)算法研究[D].濟(jì)南：山東大學(xué)，2008.[12]徐顯輝.小鼠CT圖像非剛性配準(zhǔn)方法研究[D].西安：西安電子科技大學(xué)，2014.[13]彭文.基于特征的醫(yī)學(xué)圖像配準(zhǔn)中的若干關(guān)鍵技術(shù)的研究：[D].杭州：浙江大學(xué)，2007.[14]ValerioFortunati,RenéF.Verhaart,FrancescoAngeloni,AadvanderLugt,WiroJ.Niessen,JifkeF.Veenland,MargarethusM.Paulides,TheovanWalsum.FeasibilityofMultimodalDeformableRegistrationforHeadandNeckTumorTreatmentPlanning[J].InternationalJournalofRadiationOncology?Biology?Physics,

July8,2014,Vol.90,

Issue1,

p85–93.[15]SaraLeibfarth,

DavidM?nnich,

StefanWelz,

ChristineSiegel,

NinaSchwenzer,

HolgerSchmidt,

DanielZips,and

DanielaThorwarth.AstrategyformultimodaldeformableimageregistrationtointegratePET-MRintoradiotherapytreatmentplanning[J].ActaOncologica,2013;52:1353–1359.附錄附錄A剛性配準(zhǔn)參數(shù)文檔============startofParameterFile:Par0023input/Rigid.txt=============(FixedInternalImagePixelType"float")(MovingInternalImagePixelType"float")(UseDirectionCosines"true")//****************MainComponents**************************(Registration"MultiResolutionRegistration")(Interpolator"BSplineInterpolator")(ResampleInterpolator"FinalBSplineInterpolator")(Resampler"DefaultResampler")(FixedImagePyramid"FixedSmoothingImagePyramid")(MovingImagePyramid"MovingSmoothingImagePyramid")(Optimizer"AdaptiveStochasticGradientDescent")(Transform"EulerTransform")(Metric"AdvancedMattesMutualInformation")//*****************Transformation**************************(AutomaticScalesEstimation"true")(AutomaticTransformInitialization"true")(HowToCombineTransforms"Compose")//*******************Similaritymeasure*********************(NumberOfHistogramBins64)(ErodeMask"false")//********************Multiresolution**********************(NumberOfResolutions3)(ImagePyramidSchedule882441111)//*******************Optimizer****************************(MaximumNumberOfIterations500)(MaximumStepLength1.0)(RequiredRatioOfValidSamples0.05)//****************Imagesampling**********************(NumberOfSpatialSamples2000)(NewSamplesEveryIteration"true")(ImageSampler"Random")//*************InterpolationandResampling****************(BSplineInterpolationOrder1)(FinalBSplineInterpolationOrder3)(DefaultPixelValue0)(WriteResultImage"true")(ResultImagePixelType"short")(ResultImageFormat"mhd")============endofParameterFile:Par0023input/Rigid.txt============附錄B彈性配準(zhǔn)參數(shù)文檔=========startofParameterFile:Par0023input/Deformable_alter.txt=========(FixedInternalImagePixelType"float")(MovingInternalImagePixelType"float")(UseDirectionCosines"true")//****************MainComponents**************************(Registration"MultiResolutionRegistration")(Interpolator"BSplineInterpolator")(ResampleInterpolator"FinalBSplineInterpolator")(Resampler"DefaultResampler")(FixedImagePyramid"FixedSmoothingImagePyramid")(MovingImagePyramid"MovingSmoothingImagePyramid")(Optimizer"AdaptiveStochasticGradientDescent")(Transform"BSplineTransform")(Metric"AdvancedMattesMutualInformation")//*****************Transformation**************************(FinalGridSpacingInPhysicalUnits16)(HowToCombineTransforms"Compose")(BSplineTransformSplineOrder1)(UseCyclicTransform"true")//*******************Similaritymeasure*********************(NumberOfHistogramBins64)(ErodeMask"false")//*