摘要:图像配准是医学图像处理领域的一个重要研究课题。图像配准是多个图像对齐到一个共同坐标系、以检测其间的微妙变化。医学图像配准广泛应用于医疗诊断、指导神经手术、放射治疗计划的制定、病灶的定位、病理变化的跟踪和检查治疗效果等各个方面，为临床诊断提供功能和形态的综合信息。对医学图像配准技术的研究与应用进展进行了全面的综述。
关键词:医学图像配准;插值方法;互信息
中图分类号：TP391文献标识码：A文章编号：1009-3044(2012)18-4501-02
Research and Application of Medical Image Registration Methods
ZHANG Rong-hai1, PAN Yi-guang2, ZHANG Jun1
（1.Dept. of Public, West Anhui Health Vocational College, Lu’an 237005, China; 2.Medical Imaging Center, Lu’an People’s Hospital, Lu’an 237006, China）
Abstract: Image registration is an important research topic in the field of medical image processing. Image registration is a multiple image alignment to a common coordinate system, to detect subtle changes in the intervening. Medical image registration is widely used in medical diagnosis, to guide nerve surgery, radiation treatment plan, lesion location, tracking and inspection of the treatment of pathological changes in various aspects of morphology and function of integrated information for clinical diagnosis. In this paper a comprehensive overview of the research and application progress of medical image registration techniques.
Key words: medical image registration; interpolation method; mutual information
图像配准技术是医学图像处理领域的一个重要研究课题。医学图像配准技术可以将来源于不同成像设备的图像，或者不同时间利用同种成像设备得到的图像进行配准，得到更丰富的信息用于医疗诊断中。医学图像配准不仅可以用于医疗诊断，还可以用于指导神经手术、放射治疗计划的制定、病灶的定位、病理变化的跟踪和治疗效果的评价等各个方面，为医生提供功能和形态的综合信息。在不同的时间使用不同的设备，如磁共振、CT、PET、SPECT等（多模式），从不同的角度，以2D或3D的视角（多时空）。图像配准应用于各个领域，如遥感技术及其应用（多光谱分类）、环境监测、变化检测、图像拼接、气象预报、建立超分辨率图像、纳入地理信息信息系统（GIS）），医药（从不同的方式相结合的数据，如电脑断层扫描（CT）和磁共振成像（MRI），以获得更完整、有关病人的信息，监测肿瘤的生长、治疗验证、比较病人的数据、制图、解剖地图集（地图更新）、在计算机视觉（目标定位，自动质量控制）。
医学图像配准技术可以将来源于不同成像设备的图像，或者不同时间利用同种成像设备得到的图像进行配准，得到更丰富的信息用于医疗诊断中。全自动医学图像配准不仅可以用于医疗诊断，还可以用于指导神经手术、放射治疗计划的制定、病灶的定位、病理变化的跟踪和治疗效果的评价等各个方面，为医生提供功能和形态的综合信息。目前大量的图像数据无法实时实现和临床应用，这也成为限制了现阶段配准性能较好的互信息相似性测度在配准方法中的应用。不论是刚性还是非刚性配准算法，在配准过程中，常使用多分辨率图像金字塔来进行由粗到精的搜索变换系数，提高计算效率、避免局部极小值，实现自动的更精确的配准结果。但是常见的图像小波金字塔，滤波器的张量积形式使得小波变换缺乏平移和旋转不变性，这些不变性正是在图像配准中最需要的，只有具有这些不变性，刁能保证从粗尺度上得到的平移、旋转和放缩参数的准确性，从而得到准确的结果。
1医学图像配准的步骤
图像配准主要包括特征检测、特征匹配、变换模型估计、图像采样与变换等步骤。功能检测：突出和鲜明的对象（封闭的边界地区、边缘，轮廓线交叉路口，弯道等两个参考）和遥感图像被检测到。特征匹配的特点和参考之间的对应关系建立了遥感影像。变换模型估计：所谓的映射的类型和参数功能，根据遥感图像与参考图像，估计。图像重采样和改造：遥感图像转化指的映射功能。
2医学图像配准方法
医学图像配准方法以下方法包括傅立叶转换分析、互相关的方法，使用傅立叶分析、总体搜索技术、特征值分解、矩匹配技术、变形技术、程序的方法、解剖图集、内部标签、外部标签等。
2.1外在配准方法
是将人造物体检测连接到病人的身体的方法，不需要复杂的算法，常用于骨科临床诊断与治疗等；
2.2曲线的方法
采样生成相应的积分序列，手动搜索相应的开放曲线，然后配准二维投影影像图。通过开放的曲线匹配，寻找最佳的契合在两条曲线的地方曲率。也有文献提出了从医学图像中提取的3D对象进行匹配的方法。波峰线计算物体表面的对应有意义的解剖特点，而且他们是稳定的刚性变换。嵴线的提取是通过计算适当的三维图像强度函数的三阶导数过滤体积图像，并通过“踏线”算法。回收行然后逼近样条曲线，在每个点计算差变量。匹配最后一个新的几何散列法。整个链现在是完全自动化的，并提供了非常强大和精确的结果，甚至在存在严重闭塞。该方法的一个医学应用点，轮廓和曲线的图像配准方法建议，其中有配准的基础上点的精度和配准的基础上线的强劲（包括轮廓和曲线）。
2.3表面的方法
边界或表面，在医疗影像多次比地标更鲜明，因此可用于细分，定位高对比度表面。表面匹配算法通常用于刚体配准。表面的表示方法是基于表面的方法，为多模态脑图像配准。他们适合的设置从一个图像轮廓中提取的表面模型和提取点在其他图像的轮廓。病人或图像覆盖体积较大，具有更高的分辨率的图像，用来产生表面模型。表面匹配的另一个版本是提供交互式用户转换包，允许用户变换和旋转图像。近几年发展起来的头曲面拟合算法、迭代最近点算法和函授相匹配算法等。
2.4矩和主轴的方法
主轴是那些关于正交轴转动惯量最小化。如果两个对象是相同的，除了变换和旋转，然后他们可以配准完全巧合带入主轴。如果两个对象是同样形，他们可能会配准包括派生仿射变换不变量。矩的方法也出现分类配准方法中，使用分段或二值化图像数据的输入。在许多应用中，为了矩的方法是强制性的预分割产生可接受的结果。
2.5插值方法
由于对待配准图像进行空间变换后，所得出的像素坐标位置可能不在整数像素上，因此需要用灰度插值的方法对像素值进行估计。常用的插值算法有最近邻域法、线性插值法和三线性部分体积分布插值算法（PV插值）法。最近邻域法具有计算量小、速度快的优点，但是存在质量不高的缺点。线性插值效果较好，运算量也不很大，故经常采用。三线性PV插值算法不是通过邻居点确定所求像素的灰度，它是按照周围8个像素和所求像素点的空间距离来分配权重，避免了一次插值运算。
2.6相关方法
是有用的比较几个相同的对象，例如利用图像分析疾病的发展。早期主要包括基于图像的方法相关性。交叉相关的原始图像或提取功能图像发现、基于傅立叶域上的交叉关联、基于子空间的频率估计方法的应用基于傅立叶图像配准问题。用多重信号分类算法更强大和更准确的结果，导致在计算复杂性增加。相关技术被用于改进脑CT图及腹部图像分析等。有研究者建议使用熵相关系数（ECC）、图像配准采用归一化互信息，以减少搜索空间，而最优先搜索算法来进一步寻找正确的变换等。
2.7阿特拉斯方法
从病人图像和其他图像信息数据库进行匹配，称之为阿特拉斯配准。在文献中，病人的配准一个正常人的形象被称为地图集配准。标准化脑坐标系已用于脑图像自动分割在个别脑结构卷和立体定向神经外科规划。地图集配准技术已被证明是在医疗诊断非常有用，同时存储所有图像到一个共同的参考空间，梯度投影法已应用于约束优化应用，以最大限度地提高图像之间的相似性。
2.8基于互信息的方法
开始的联合概率的估计在两幅图像对应的体素的强度。使用信息理论相互交流信息，如措施已明显受益体素为基础的配准。相互交流信息，可以使用参数化和基于特征的配准在解决对应问题。代表多式联运配准的领先技术，配准多式联运图像是艰巨的任务，但往往需要解决，特别是在医疗成像。解剖和功能图像的比较病人的身体可能会导致诊断。
2.9基于小波变换的方法
多分辨率小波分解变换是一个中间的代表性傅立叶和空间交涉之间，它可以提供良好的本地化属性空间和傅立叶域。基于小波变换的方法保留了多光谱图像比标准的PCA和他的方法更好的光谱特性。基于小波变换的图像配准，可以两种方式进行：一是选择选择规则，如最大绝对小波小波系数系数在每个波段的多光谱图像和高分辨率图像；二是更换与这些高分辨率图像的部分小波系数低分辨率多光谱图像。小波分解的图像方法由于其固有的多尺度特征，可以在不同应用小波和用于找到对应的小波系数。基于小波变换的特征提取技术，归一化互相关匹配和松弛的图像匹配技术的使用。该算法可以选择足够控制点，以减少局部扭曲。
2.10基于软计算方法，基于软计算技术如神经网络方法、遗传算法、模糊逻辑、群智能算法等
人工神经网络，是一个基于生物神经网络的数学模型计算模型。它由人工神经元和进程的信息使用的互连组联结的方式计算。在大多数情况下，神经网络是一个自适应系统改变其结构内部或外部的信息的基础上，通过网络流动在学习阶段。在更实际的术语，神经网络的非线性统计数据建模工具。他们可以用来模拟输入和输出之间的复杂关系。人工神经网络模式是一种计算通过链接连接的单处理器数组成的结构，其中有一些与之相关的权重。网络架构有两种类型：1）前馈网络，其中的环节有没有循环（例如，多层感知器（MLP）和径向基函数神经网络（RBF）和2）经常性的网络，其中循环发生（例如，自组织映射（SOM）和Hopfield网络）。径向基函数、自组织映射、Hopfield网络可用于不同的图像配准的计算。文献提出了一个三层的神经网络，以确定配准矩阵3D表面的图像配准，应用程序脉冲耦合神经网络的基础上使用的多传感器图像融合问题图像区域等。
遗传算法（GA），是在计算中使用的搜索技术，找到确切的或优化和搜索问题的近似解。遗传算法列为全局搜索启发式，一个特定的类使用技术的进化算法（又称进化计算）启发，如继承，变异，选择和交叉（也进化生物学称为重组）。采用基于遗传算法的优化，解决表面的配准问题，例如不同的转换参数刚性，仿射、投射和弯曲。
模糊集（FS）和粗糙集(RS)。模糊集属性允许模糊集处理不确定性和不精确，已被用于图像配准的转型、选择和预处理要配准的功能。采用模糊聚类的方法来解决三维配准问题。使用模糊集进行图像配准有两个阶段过程，第一阶段是用于获取准确估计旋转和粗略估计变换，第二阶段是用于实现在变换的精度估计。在每个阶段，模糊逻辑控制器是用来调整配准参数以获得准确的转型估计。粗糙集是可以被看作是一个特殊类型的模糊集，已被用于医疗时间序列中找到对应点等。
3结束语
由于医学图像的多样性和复杂性和多模态性，单一的图像配准方法往往具有其局限性，同时选择综合使用多种配准方法可达到提高医学图像配准质量和性能的目的。医学图像配准工具向着自适应的、全自动的、最优化的、高效和准确的方向发展。
参考文献：
[1]田捷,包尚联,周明全.医学影像处理与分析[M].北京:电子工业出版社,2003.
[2] Wyawahare M V, Patil P M, Abhyankar H K. Image Registration Techniques: An overview[J].International Journal of Signal Processing, Image Processing and Pattern Recognition, 2009, 2(3)11-28.
[3] Wolfgang Wein, Shellby Brunke, Ali Khanmene. Automatic CT-ultrasoundregistration for diagnostic imaging and image-guided interven tion[J]. Medical Image Analysis, 2008,12:577-585.
[4]裴继红,田剑豪,杨烜.基于海明窗滤波及粒子群优化搜索的医学图像配准[J].生物医学工程学杂志, 2007,24(2):262-267.
[5] Stefan Klein, Marius Staring.. Evaluation ofoptimization methods for noigid medical image registration UsingMutual Information and B-Splines [J]. IEEE TRANSACTIONS ONIMAGE PROCESSING, 2007,16(12):2879-2890.
[6]郑亚琴,田心.医学图像配准技术研究进展[J].国际生物医学工程,2006,29,(2):88-92.
[7] VandenElsen P A, Pol E J D , Vierge M A . Medical Image matching: A review with classification[J].IEEE Eng. Med. Biol.,2009,12(3):12-39.