多模态医学影像配准算法之概述与应用
第一章绪论
1.1课题背景及研究意义
1895年11月，德国物理学家伦琴发现的X射线促进了医学科学和临床医学的迅猛发展。20世纪以后，尤其是近二十年，计算机应用技术的飞速发展带来了医学成像技术的快速兴起，通过放射技术与计算机的结合，高科技的成像技术不断更新，如数字X线摄影(图a)、数字减影血管造影(图b)、计算机断层扫描成像(图C)、核磁共振成像(图d)、单光子发射体层成像(图e)以及正电子发射体层成像(图0等等，这些成像技术已成为医学上临床诊断不可或缺的医学数字成像手段。临床诊断中出现了多模态的医学图像[1]：如计算机断层扫描图像(CT:Computed Tomography)、核磁共振图像(MRI:Magic Resonance Imaging)、超声图像(lS:Ultrasound)、F电子发射型计算机断层扫描图像（PET:Positron Emission Computed Tomography)以及单光子发射型计算机断层扫描图像（SPET:Single Photon Emission Computed Tomography)等。通常不同时间、不同条件、甚至不同成像技术获取到的图像称为多模态医学图像，实质上是因为这些医学数字成像设备存在不同的分辨率和灵敏度，同时在成像过程中可能会有光线、角度、移动等因素的存在，所以才产生了多种模态的医学图像。图1.1给出了几种不同模态的医学图像。医学图像依据其提供信息含义的不同，大致可以被分成两类：第一类为解剖结构图像，第二类为功能图像。解剖成像主要反映病灶部位的生理解剖结构信息，如DR、CT、MRI、DSA (数字剪影血管造影）、CTA (计算机断层血管造影）及DI (多普勒成像）等，这一系列的成像模式可以反映人体受损脏器或坏死组织的病理形态学变化；而人体器官的功能代谢信息则可以由功能图像体现出来，如PET、SPECT和fMRI (功能磁共振图像）等。
1.2医学图像配准的发展历史以及国内外研究现状
图像配准技术自上个世纪七十年代提出至今已有四十多年的研究历史，八十年代后该技术在模式识别、自动导航、遥感图像以及医学诊断等领域有着更加广泛的应用。在20世纪末期，Brown[3]对图像配准进行了总结，发表了相关的综述性文章，这使得图像配准技术在医疗卫生领域得到了快速发展，在之后的近十年中，图像配准技术一直在不断的发展，特别是MaintzHl等人，使得图像配准在医疗领域的应用更加广泛，并得到了更全面的理论研究基础。直至今日，针对于医学图像的配准研究仍然是图像处理技术中的重点，整个图像配准技术的发展过程大体可以分为三个主要阶段：第一阶段是以外部特征为基础的配准方法，其中主要包括侵入式和非侵入式两种。它们各有优劣，侵入法一般采用实物作为基准物来标记特征点[51，非侵入法则采用在患者皮肤上进行标记的方法虽然这样做可以使用自动或者半自动的方法进行最后的图像配准操作，但是在标记的过程中患者会感受到巨大的疼痛，而且在操作的过程中要进行很多人工操作，这样就降低了扫描的效率，最严重的是使用该方法不能对已有的图像进行配准，这些缺点都制约了该方法的发展。在本阶段，一种基于灰度的配准方法被提出，它使用检查图像之间相关性以及灰度的不同来决策变换的实际参数，其最大的优点在于不需要关心对图像的预处理等操作，但其对图像数据完整性的要求较为严格，并且需要大量的计算和复杂的配准参数设置等。20世纪的末期为图像配准的第二阶段，该阶段图像配准技术主要向着非线性变换的方向发展，人们在局部形变研究上主要采用非线性的变换来代替原有的方法，一般采用径向基函数与物理学中的一些方法结合,该方法能够解决图像配准过程中的非刚性形变配准问题。上述方法发展的同时，基于灰度的配准方法研究也实现了新的突破：互信的概念被引入到图像配准的领域中，保证了即使图像数据有一定的丢失，基于互信息的配准依然可以得到良好的配准结果。它可以应用于多模态医学图像配准，实现对医学图像的自动配准，且有较好的配准精度，因此受到了广大学者的关注。
.
第二章医学图像配准理论基础
2.1图像配准的基本元素
图像的特征可以如下定义：图像中单个像素或者多个像素组成的区域相对于其相邻像素（区域）表现出来的结构性质的特殊性就叫做图像特征，例如灰度出现明显变化。某区域作为特征就表示该局部区域含有整幅图像的大部分信息量，对于同一病灶部位的两幅或者多幅医学图像的特征分布应该是相同或相似的。因此可以使用图像特征对医学图像进行配准研究。按照图像的特征位置进行图像粗配通常能够保证平移和旋转的稳定性，所以利用特征匹配可靠性比较高。特征空间一般可分为：特征点、特征线段、特征曲线/曲而和像素/体素。特征点：由几何上或者解剖学上有意义且较易定位的点来组成；特征线段：是图像中的另一个显著特征，Hough变换能够有效地提取图像中的直线段。Hough变换是1961年由Paul Hough提出的，它可以实现一种从图像空间变换到参数空间的映射关系，利用图像空间和Hough参数空间的直线-点的对偶性，将直线变换成变换域中的一个峰值点，然后在Hough参数空间寻找累加器峰值来检测直线，Hough变换对于不超过二维的参数空间有着理想的变换效果[15]。
..
2. 2医学图像配准分类
在不考虑图像的时间维度时，可以按照图像的空间维度将配准分成二维图像间的配准、二维图像与三维图像的配准、三维图像之间的配准；若考虑到图像的时间维度，则图像配准将上升到四维图像的配准。按照图像的来源可以大致将医学图像配准分为三类，第一类是同一患者某病灶部位的图像间的配准；第二类是进行配准的两幅或者多幅图像来自于不同患者的同一病, 灶部位，主要应用在三维脑部图像的配准中；第三类是患者病灶部位图像与标准图谱图像进行配准，主要应用在收集指定病灶部位的形状、结构等信息，方便更加直观的应用图谱中的信息帮助临床治疗。由于成像设备的不断更新，医学图像领域出现了多种模态的图像，因此可以根据医学图像的模态进行分类，第一类是同一模态医学图像间的配准，即单模态图像配准；第二类是不同模态医学图像间的配准，即本文所研究的多模医学图像配准，通常情况下，多模医学图像配准主要研究CT图像和MRI图像间的配准，同时多模态医学图像配准也是医学和计算机等研究领域的主要研究对象。
第三章归一化互信息与遗传算法的研究及实验分析.........19
3.1归一化互信息的研究与实验分析.......19
3.2遗传算法的研究与分析.......22
3.3本章小结.......27
第四章基于改进遗传算法的刚体医学图像配准.......28
4.1改进的遗传算法.......28
4.2基于改进遗传算法和标准遗传算法.......31
4.3实验结果分析.......33
4.4本章小结.......34
第五章总结与展望.......35
5.1本文工作内容的总结.......35
5.2今后工作展望.......35
第四章基于改进遗传算法的刚体医学图像配准
4.1改进的遗传算法
通过对遗传算法（GA)的原理和实现的研究，了解到GA在进行搜索时只需要提供影响搜索方向的目标函数，它并不依赖于梯度等辅助知识，所以GA在对问题的选择上有很大的灵活性，对问题领域并不敏感，是一种求解复杂问题的通用方法，具有很强的鲁棒性。因此将GA运用到医学图像配准算法中：通过指定编码方式将本文中图像配准问题空间的决策变量即空间变换参数编码成遗传空间中的一个可计算的求解个体，选择归一化互信息函数作为适应度函数来评价种群中个体的优劣，并作为遗传操作的依据，对种群个体进行遗传算法中的基本运算，不断进行迭代选择，最终达到找到空间近似最优解的目的。标准GA存在未成熟稳重收敛和局部搜索能力较差的问题，导致运行时间较长和配准效果不佳，里然能够找到近似最优解，但是花费的时间不容小觑，而且很容易陷入局部极值。本文提出一种新的改进策略，对传统的成熟稳重变异算子进行改进，将一种自适应变异概率的变异算子运用在本文中，提高配准精度和配准速度。
结论
对医学图像配准课题的研究意义及发展历史进行简要介绍，并对医学图像配准中的基础知识进行了综合阐述和分析，然后对相应优化算法进行了详尽的研究分析，在此基础上，提出了一种改进的遗传算法对配准进行优化，并用多模态医学图像配准实验验证经过改进的遗传算法在配准精度及配准速度上是优于标准遗传算法的。本文的主要工作总结如下：首先，详细介绍了图像配准中的四个基本要素：特征空间，搜索空间、相似性测度和搜索策略，对医学图像配准进行了详尽的分类说明，并简要给出当甜医学配准领域中的两种图像配准方法，通过甜文的分析和总结给出一种医学图像配准的基本框架和配准流程。其次，对医学图像配准中的相似性测度以及遗传算法进行仔细研究，用实验比较归一化互信息在配准中的精度和速度，同时又探讨了遗传算法的原理和实现，并分析标准遗传算法的缺点以便于在下一章作出改进。最后，使用归一化互信息这个相似性测度来衡量配准效果的优劣，并在标准遗传算法的基础上提出一种改进的遗传算法，使用归一化互信息和改进的遗传算法进行多模态医学图像配准的实验，通过实验结果的对比來验证本文提出的改进算法在精度和速度上优于标准遗传算法。
参考文献（略）