医学图像处理专题讨论医学图像配准MedicalImageRegistration

图像的分割和配准中英文翻译

外文文献资料

翻译：李睿钦指导老师：刘文军

Medical image registration with partial data

Senthil Periaswamy， Hany Farid

The goal of image registration is to find a transformation that aligns one image to

another. Medical image registration has emerged from this broad area of research as a

particularly active field. This activity is due in part to the many clinical applications

including diagnosis, longitudinal studies, and surgical planning, and to the need for

registration across different imaging modalities (e.g., MRI, CT, PET, X-ray, etc.).

Medical image registration, however, still presents many challenges. Several notable

difficulties are (1) the transformation between images can vary widely and be highly

non-rigid in nature; (2) images acquired from different modalities may differ

significantly in overall appearance and resolution; (3) there may not be a one-to-one

用弹簧分子系统进行弹性医学图像配准

第19卷第3期2007年3月计算机辅助设计与图形学学报

JOURNALOFCOMPUTER-AIDEDDESIGN&COMPUTERGRAPHICSVoi.19，No.3Mar.，2007

收稿日期：2006-06-22；修回日期：2006-11-28.基金项目：国家自然科学基金（60373061）；天津市科技攻关培育项目（043104912）.李谭，女，1983年生，硕士研究生，主要研究方向为图像处理.张加万，男，1975年生，博士，副教授，主要研究方向为体绘制、网络安全信息可用弹簧分子系统进行弹性医学图像配准

李谭张加万孙济洲

（天津大学计算机科学与技术学院天津 300072）（shirieyiitan@）

摘要将源图像Deiaunay三角化，用弹簧分子系统模拟网格形变，网格点在系统力的作用下移动去拟合待配准的

目标图像.力由互信息梯度定义，并利用已知解剖结构特征的对应关系对形变过程进行约束.经过一段时间，网格点

停止运动，对每一个Deiaunay三角形计算局部仿射变换.实验结果表明，该算法能够快速准确地实现弹性医学图像

配准.

关键词弹性配准；弹簧分子系统；Deiaunay三角化；局部仿射变换

中图法分类号 TP751.1

ElasticMedicalImageRegistrationBasedonSpringMassSystem

LiTan ZhangJiawan SunJizhou

（SchoolofComputerScienceandTechnology，TianjinUniuersity，Tianjin 300072）

Abstract Onmedicaiimageregistration，thesourceimageisfirstDeiaunaytrianguiated，andthenmodeied

asaspringmasssystem.Thesystemdeformsundertheinfiuenceofforcesderivedfromgradientofthemutuai

互信息医学图像配准中PV插值算法的改进

Computer Engineering and Applications计算机工程与应用 2010，46（20） 113

互信息医学图像配准中 PV插值算法的改进

陈伟卿，华顺刚，欧宗瑛

CHEN Wei-qing，HUA Shun-gang，OU Zong-ying

大连理工大学机械工程学院 CAD&CG研究所，辽宁大连 116024

CAD&CG Lab，School of Mechanical Engineering，Dalian University of Technology，Dalian，Liaoning 116024，China

E-mail：cwqcgx_chen@

CHEN Wei-qing，HUA Shun-gang，OU Zong-ying.Improvement of PV interpolation in mutual information-based medi-

cal image puter Engineering and Applications，2010，46（20）：113-115.

Abstract：In algorithm of medical image registration based on Mutual Information（MI），when the translation component

is

integer times of pixel size，conventional PV（Partial Volume） interpolation method will result in the emergency of the

local

extremes in mutual information registration function，which may hamper the optimization algorithm from getting

医学图像的配准与融合

第八章医学图像的配准与融合

第一节概述

一、医学图像配准与融合的应用背景

随着计算机技术的飞速发展，与计算机技术密切相关的医学成像技术也是日新月异。但是，各种成像技术和检查方法都有它的优势与不足，并非一种成像技术可以适用于人体所有器官的检查和疾病诊断，也不是一种成像技术能取代另一种成像技术，它们之间是相辅相成、相互补充的。如CT和X线机对骨等密度较高的组织能提供高清晰的图像，MRI对人体软组织的成像具有较高的分辨率，而PET和SPECT则能够提供人体组织或器官的功能性代谢的图像。成像原理的不同造成了某一种成像模式所能提供的图像信息具有一定的局限性，有时单独使用某一类图像难以获得正确的诊断结论。因此，为了提高诊断正确率，需要综合利用患者的各种图像信息。图像配准与融合技术为医学图像的综合利用提供了很好的技术手段。

根据医学图像所提供的信息，可将医学图像分为两大类：解剖结构图像（CT、MRI、X线图像等）和功能图像（SPECT，PET等）。这两类图像各有其优缺点：解剖图像以较高的分辨率提供了脏器的解剖形态信息，但无法反映脏器的功能情况。功能图像分辨率较差，但它提供的脏器功能代谢信息是解剖图像所不能替代的，这些信息是对疾病特别是肿瘤进行早期诊断的重要依据。

目前医学影像学的一个明显的发展趋势是利用信息融合技术，将多种医学图像结合起来，充分利用不同医学图像的特点，在一幅图像上同时表达来自人体的多方面信息，使人体内部的结构、功能等多方面的状况通过影像反映出来，从而更加直观地提供人体解剖、生理及病理等信息。

二、医学图像配准与融合的关系

医学图像配准和融合有着密切的关系，特别是对多模态图像而言，配准和融合是密不可分的。待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，若事先不对融合图像进行空间上的对准，那么融合后的图像豪无意义。因此，图像配准是图像融合的先决条件，必须先进行配准变换，才能实现准确地融合。

基于Radon变换的多模态医学图像配准的开题报告

1. 研究背景及意义

随着影像技术的不断发展和广泛应用，多模态医学图像配准在临床应用中的重要性越来越突出。配准是将不同采集或不同位置的多幅医学图像变换为同一坐标系的过程，为医学图像的分析和诊断提供了重要的基础。而Radon变换是图像处理中的一种经典算法，可用于提取不同方向上的特征信息，尤其适用于医学图像的处理和分析。因此，基于Radon变换的多模态医学图像配准研究具有广阔的应用前景和实践意义。

2. 研究内容及方法

本研究将采用基于Radon变换的多模态医学图像配准方法，通过提取医学图像的不同方向特征信息来实现图像配准。具体方法包括以下步骤：

（1）预处理：对多模态医学图像进行预处理，包括去噪、平滑和增强等。

（2）Radon变换：利用Radon变换提取多模态医学图像的不同方向上的特征信息，并对其进行图像重建。

（3）匹配度量：利用匹配度量法对Radon变换后的多模态医学图像进行相似度度量，并筛选出最佳匹配结果。

（4）图像变换：根据匹配结果对多模态医学图像进行图像变换，实现多模态医学图像的配准。

3. 研究预期结果

本研究旨在探究基于Radon变换的多模态医学图像配准方法，通过提取不同方向上的特征信息来实现多模态医学图像的精确配准。预期结果如下：（1）建立基于Radon变换的多模态医学图像配准模型，实现多模态医学图像的自动化配准。

（2）实现多模态医学图像的精确对齐，提高医学图像的诊断准确度和临床应用价值。

（3）为医学图像处理和分析提供新的思路和方法，拓展图像处理和分析的应用领域。

4. 参考文献

[1] Zitová B, Flusser J. Image registration methods: a survey.

Image and vision computing, 2003, 21(11): 977-1000.

[2] Zhang K, He X, Sun J. Non-rigid image registration using multi-scale Radon transform. IEEE transactions on Medical Imaging, 2007,

非刚性医学图像配准算法的设计与实现

【关键词】医学图像；非刚性；图像配准；匹配矩阵；薄板样条

摘要：非刚性图像匹配问题已成为医学图像分析中一个非常具有挑战性的问题。基于薄板样条插值方法，引入实匹配矩阵，并给出相应配准变换算法，该算法将薄板样条参数表示成仿射分量和非仿射分量，并分别进行求解。与其它非刚性匹配算法相比，该算法不仅保证了对应特征点的双向对应，也实现了自动特征点选择，实验结果令人满意。

关键词：医学图像；非刚性；图像配准；匹配矩阵；薄板样条

1引言

在医学诊断和治疗过程中，常需要对比分析多幅图像，以获得更为精确和全面的信息。图像分析大都要求多幅图像的几何位置一致，因此，配准是医学图像分析的一个重大课题。医学图像配准是指对于一幅医学图像寻求一种(或一系列)空间变换，使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。图像配准不仅可以校正病人多次成像间的位置变化，也可以校正由于成像模式本身导致的畸变。对同一个病人的不同时间的图像进行配准，可以了解发育过程及肿瘤病变的病情；对不同人的图像进行配准，去除种族、年龄等临床及遗传差异，从而形成疾病或人群特异性图谱，可用于正常与否的分析；对不同成像模式进行配准，可以获得互补信息。

医学图像配准可分为刚性配准和非刚性配准两类。刚性配准在许多情况下不能满足临床的需要，因为很多形变的性质是非刚体、非线性的。比如为了精确定位MR图像左心室，常常伴有组织磁化系数差异、非水分子的化学位移以及血流流动等因素导致的几何畸变以及由于磁场不均匀、磁场梯度非线性及涡流等导致的探测畸变，因此在放疗计划制定中，将MR图像配准时，不能单纯地使用刚性配准，必须使用非刚性配准。

非刚性配准算法可分为灰度驱动、模型驱动及混合算法三种［1~3］。灰度驱动方法基于数学或统计尺度将一个灰度模式与另一个对准。典型情况下，需要定义源系统与目标系统之间的灰度相似性的数学量度。灰度相似性测度包括象素灰度的均方差、相关或互信息。模型驱动方法首先建立明确的几何模型，以此表示解剖标志。这些解剖标志包括有重要功能的表面、曲线和点。将源系统的解剖标志参数化，与目标系统的对应部分对准，以这种对应关系引导系统其余部分的变换。模型驱动算法包括点约束法、线约束法和面约束法。混合算法是结合使用以上两种算法的方法。薄板样条插值方法是非刚体变换中的一种特殊的变换，它允许局部调整，并符合某种连续性或平滑性要求。第2节讨论刚性能量函数；第3节给出非刚性能量函数；第4节设计并实现一个非刚性配准算法；最后给出实验结果。

医学影像分析中的图像配准与变形

在医学影像领域中，图像的配准与变形是非常重要的过程。正确地进行图像的匹配使医生能够创建准确的诊断，从而帮助患者得到更好的治疗。而传统的医学影像分析方法往往面临着许多难题，如图像质量差、尺度不同、姿态不同等。这些问题都可以通过图像配准和变形技术得到解决。

图像配准

图像配准是指将两幅或多幅图像的像素点逐一对应，使它们在空间中位于相同位置的过程。在医学影像领域，常常需要对不同扫描设备及不同时间段及不同人的图像进行配准。这样才能在不同阶段对患者进行较为准确的分析比较，达到更好的诊疗效果。图像配准的过程主要包括图像预处理、特征点提取和匹配等步骤。

图像预处理是指将需要进行配准的图片预处理成相似的状态，使其便于后续处理。这一过程包括角点检测，图像滤波和旋转等步骤。在角点检测中，通过检测图像中角点的位置，能够更准确地提取出相应的特征点。图像滤波则是用于对图像进行平滑和去噪处理，以保证特征点提取的准确性。而旋转则是为了将不同方向的图像调整为一致的方向，便于后续处理。

特征点提取是图像配准中非常重要的一步。通过提取图像中的特征点，可以为图像的匹配提供参考。常见的特征提取算法有SIFT，SURF等。其中SIFT算法是最为常用的一种特征提取算法。SIFT算法通过定位图像的关键点，并利用这些关键点的本地特征描述来识别和匹配图像。

匹配是图像配准中最为关键的一步。在这一步中，需要根据特征点的位置和描述子来进行特征匹配。常见的匹配算法有KNN匹配，SVM模型等。其中KNN匹配算法是非常常见的一种算法，通过计算特征点之间的距离和相似度，来确定两幅图像中特征点的匹配关系。

图像变形

图像变形是指对图像进行不同形式的变形，以满足医生对图像分析的需要。在医学影像分析中，常常需要对图像进行畸变矫正、图像缩放、图像纠正等。这些操作都需要通过图像变形的技术来实现。

畸变矫正是令一些透镜的图像被更准确地矫正的过程。不同透镜会带来不同的畸变，这会影响到图像的质量和准确性。畸变矫正主要利用数学模型来实现。通过根据透镜的几何模型和畸变模型来进行畸变校正，从而使得图像的几何大小和形状保持一致。

医学图像配准中的非刚性变形方法研究

一、引言

医学图像配准是指将多个不同来源或者不同时间的医学图像进行对齐，用以实现多模态图像的融合以及跨时间点图像的比较分析。医学图像配准在医学诊断、手术导航、治疗评估等领域具有重要意义。非刚性变形是医学图像配准中的一种常见变形形式，其涉及到图像的局部拉伸、压缩、弯曲等复杂变形。

二、传统方法

在早期的医学图像配准方法中，常采用刚性变换模型，如平移、旋转和缩放等，并假设图像的内部结构保持不变。然而，实际上，由于人体器官的生理变化或者仪器之间的系统误差，医学图像之间存在着不同的非刚性变形。因此，传统的刚性变换方法无法满足对于复杂非刚性变形情况下的图像配准需求。

三、基于有限元的非刚性变形方法

基于有限元方法的非刚性变形方法是一种常见的医学图像配准方法。该方法将医学图像划分为网格单元，并建立了网格单元之间的约束关系。通过调整不同网格单元之间的相对位置，从而实现图像的非刚性变形。该方法具有良好的适应性和灵活性，可以较好地处理医学图像的非刚性变形问题。然而，由于该方法需要进行大量的计算和数据预处理，因此计算复杂度较高。四、基于形状模型的非刚性变形方法

基于形状模型的非刚性变形方法是另一种常见的医学图像配准方法。该方法首先构建图像中感兴趣区域的形状模型，然后根据形状模型对图像进行变形。形状模型可以通过统计形状建模方法得到，如主成分分析、高斯过程等。通过引入形状模型，可以在保持图像连续性的前提下对图像进行非刚性变形。该方法的优点是速度比较快，适用于大规模图像配准。然而，该方法对于形状模型的建立和参数的选择有一定的要求，需要结合具体问题进行调整和优化。

五、基于深度学习的非刚性变形方法

近年来，随着深度学习的快速发展，基于深度学习的非刚性变形方法也开始得到广泛应用。该方法通过构建深度神经网络模型，自动学习图像之间的非刚性变形模式。深度学习方法具有很好的泛化能力和自适应能力，可以在大规模数据集上进行训练，从而提高医学图像配准的准确度和效率。然而，深度学习方法也有其局限性，如对于训练数据的依赖性较强，需要大量的训练数据进行模型的训练。

基于无监督深度学习的心脏PETCT和MRI图像配准

中国医学影像学杂志 2021年第29卷第11期医学影像工程学•论著

1158 基于无监督深度学习的心脏PET/CT和MRI图像配准

毋晓萌1，刘帅1，霍力2，赵锡海3，尚斐1* 1.北京理工大学生命学院，生物医学工程系，北京 100081；2.中国医学科学院北京协和医学院，北京协和医院核医学科，

北京 100730；3.清华大学医学院，生物医学工程系，生物医学影像研究中心，北京 100084；*通信作者尚斐 󰀑

【摘要】目的采用基于无监督深度学习的分步配准策略实现非同机不同轴位心脏MRI和PET图像配准。资料与方法采用30名受试者的MRI心脏电影成像（CINE）和PET/CT图像分为全局配准和局部配准两步进行配准。全局配准通过MRI定位像

与CT图像的平移矩阵以及MRI定位像和CINE图像的坐标变换矩阵，实现CT和PET与CINE图像轴位与层面的对齐；局部配准将CT和PET图像融合，采用无监督深度学习框架实现了CINE和PET图像中心脏区域的精细配准。采用戴斯相似性系数（DSC）和修正的豪斯多夫距离（MHD）评估配准效果，采用Wilcoxon符号秩检验比较本文方法和Elastix的配准效果。结果基于无监督深度学习和Elastix的配准结果比较，左心室内膜：DSC：0.81±0.08比0.80±0.08（Z=-1.24，P=0.21）；MHD：（4.37±1.77）mm比（4.50±1.75）mm（Z=-0.79，P=0.43）。左心室外膜：DSC：0.90±0.03比0.86±0.05（Z=-4.08，P<0.01）；MHD：（3.22±1.09）mm比（4.58±1.76）mm（Z=-3.92，P<0.01）。右心室外膜：DSC：0.81±0.05比0.78±0.07（Z=-2.15，P=0.03）；MHD：（4.36±4.53）mm比（5.05±1.98）mm（Z=-2.08，P=0.04）。全心：DSC：0.91±0.03比0.87±0.05（Z=-3.73，P<0.01）；MHD：（3.88±1.12）mm比（5.06±2.00）mm（Z=-3.14，P<0.01）。结论分步配准策略可实现心脏非同机不同轴位的多模态图像配准。在局部配准中，基于无监督深度学习的配准结果显著优于Elastix。【关键词】心脏；深度学习；磁共振成像；正电子发射断层显像术；体层摄影术，X线计算机；图像处理，计算机辅助【中图分类号】R445.2；R445.3；R445.6；R322.1+1 【DOI】10.3969/j.issn.1005-5185.2021.11.023

用于医学影像配准的快速框架

第３０卷第３期　２０１０年３月　计算机应用　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　Ｖｏｌ＿３０　Ｎｏ．３　Ｍａｒ．２０１０　

文章编号：１００１—９０８１（２０１０）０３—０６３２—０３　

用于医学影像配准的快速框架　

杨安荣，林财兴，李红强　

（上海大学ＣＩＭＳ和机器人中心，上海２０００７２）　（ｙａｎｇａｎｒｏｎｇ＠ｓｈｕ．ｅｄｕ．ＣＢ）　

摘要：图像配准是医学影像处理中的一项常见技术，由于配准操作计算量大，非常耗时，因而设计了一种快速　配准框架。输入框架的数据包括一幅固定图像和一幅待配准图像（移动图像），输出数据是包含两张图像差异结果的　

图像。除了输入和输出数据，整个框架包括四个组成部分：插值器、度量器、优化器和变换器。插值器用于测定移动图　像映射后像素点的灰度值，度量器用于评价变换之后的移动图像和固定图像之间的匹配度，优化器用于优化度量规　则，变换器对目标图像实施各种几何变换处理。这四个组成部分在图像配准操作中分别担任不同的角色，从而构建　

出一个简单、快速、稳定的医学影像配准框架。和其他图像配准框架相比，该框架在结构上更简单，在配准处理和程序　

开发方面更快捷，在实际应用中取得了良好的效果。　

关键词：框架；图像配准；互信息；遗传算法　中图分类号：ＴＰ３９１．４１；Ｒ４４５　文献标志码：Ａ　

Ｎｅｗ　ｒａｐｉｄ　ｆｒａｍｅｗｏｒｋ　ｆｏｒ　ｍｅｄｉｃａｌ　ｉｍａｇｅｓ　ｒｅｇｉｓｔｒａｔｉｏｎ　

ＹＡＮＧ　Ａｎ—ｒｏｎｇ，ＬＩＮ　Ｃａｉ—ｘｉｎｇ，ＬＩ　Ｈｏｎｇ－ｑｉａｎｇ　

（ＣＩＭＳ　ａｎｄ　Ｒｏｂｏｔ　Ｃｅｎｔｅｒ，Ｓｈａｎｇｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ　２０００７２，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｒｅｇｉｓｔｒａｔｉｏｎ　ｉｓ　ｗｉｄｅｌｙ　ｕｓｅｄ　ｉｎ　ｍｅｄｉｃａｌ　ｉｍａｇｉｎｇ　ａｐｐｌｉｃａｔｉｏｎｓ．Ｉｔ　ｉｓ　ｔｉｍｅ—ｃｏｎｓｕｍｉｎｇ　ｄｕｅ　ｔｏ　ｉｔｓ　ｈｕｇｅ　ｃｏｍｐｕｔａｔｉｏｎ　ａｎｄ　ａ　ｎｅｗ　ｒａｐｉｄ　ｒｅｇｉｓｔｒａｔｉｏｎ　ｆｒａｍｅｗｏｒｋ　ｗａｓ　ｐｒｅｓｅｎｔｅｄ．Ｔｈｅ　ｉｎｐｕｔｔｉｎｇ　ｄａｔａ　ｔｏ　ｔｈｅ　ｆｒａｍｅｗｏｒｋ　ｉｎｃｌｕｄｅ　ｔｗｏ　ｉｍａｇｅｓ：ｆｉｘｅｄ　ｉｍａｇｅ　ａｎｄ　ｍｏｖｉｎｇ　ｉｍａｇｅ．Ｔｈｅ　ｏｕｔｐｕｔｔｉｎｇ　ｄａｔａ　ｗｅｒｅ　ｔｈｅ　ｒｅｓｕｌｔ　ｉｍａｇｅ　ｒｅｐｒｅｓｅｎｔｉｎｇ　ｔｈｅ　ｄｉｆｅｒｅｎｃｅｓ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｆｉｘｅｄ　ｉｍａｇｅ　ａｎｄ　ｔｈｅ　