医学图像配准技术 综述

医学图像配准技术

A Survey of Medical Image Registration

张剑戈综述，潘家普审校

（上海第二医科大学生物医学工程教研室，上海 200025）

利用CT、MRI、SPECT及PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。不同成像模式具有高度的特异性，例如CT通过从多角度的方向上检测X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。图像配准在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。

图像配准算法

可以从不同的角度对图像配准算法进行分类[1]：同/异模式图像配准，2D/3D图像配准，刚体/非刚体配准。本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。

基于特征的配准算法

这类算法利用从待配准图像中提取的特征，计算出空间变换参数。根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。

【作者简介】张剑戈（1972-），男，山东济南人，讲师，硕士

1. 外部特征

在物体表面人为地放置一些可以显像的标记物（外标记，external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。外标记分为植入性和非植入性[2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。Andre G[3]等将该方法用于机器人辅助手术，对于股骨移植，位移误差小于1.5mm，角度误差小于3°，由于计算量小，可以实现实时配准。但是标记物必须事先被固定好，不能用于回顾性配准，而且该方法只适用刚体配准。

2. 内部特征

从医学影像中可以提取出点、线和面：血管的交点、血管、胸腹之间的横膈膜等，这些特征作为内标记点(internal marker) ，利用其空间位置同样可以求解出空间变换参数。Hill DL[4]用11个形态点对脑部配准，误差<1mm，方差为1.73mm。Meyer CR[5]除了血管树的交点，还使用了左右脑之间的间隔等特征。Maurer CR[6,7]赋予点、线、面等几何特征不同的权重(weighted geometrical features, WGF)，进一步改进了算法。内标记点配准是一种交互性的方法，将3D图像配准简化为点、线和面的匹配，可以进行回顾性研究，不会造成患者的不适。但是医生对特征位置的判断影响到配准精度，为了克服人为误差，需要多次重复操作，以平均值作为最终结果。

表面匹配算法也利用了内部特征[8]：进行图像分割，提取出轮廓曲线、物体表面等内部特征，使2D/3D图像配准简化为2D曲线和3D曲面的匹配，不再考虑物体内部像素。典型的应用是刚体配准的“头帽”算法[9]，从头部的3D图像中分割出表面轮廓，分别作为头模型和帽模型。配准的目标函数是头表面和帽表面之间的均方距离，该距离是空间变换参数的函数。表面匹配算法是一种自动算法，在物体表面轮廓相似并且清晰的情况下，配准效果很好。其不足之处在于：准确地进行图像分割很困难；不同模式的图像，如CT/PET图像，由于器官的轮廓差异较大，难于精确地匹配。

3. 在非刚体配准中的应用

进行非刚体配准前要确定物理模型，常见有弹性模型、粘稠液体模型、生物力学模型。通过在感兴趣区域中提取参考点、2D或是3D轮廓线，使待配准图像

的2D/3D轮廓线在局部外力的“驱动”下逐步变形直至吻合，以实现配准。

弹性模型[10]和粘稠液体模型[11,12]的形变过程由图像参考点的密度差异控制，其形变的范围与密度差异成正比。弹性模型计算量小，但是随着距离的增加，形变误差也会增大。粘稠液体模型的优点在于所需的参考点少，适用于对长距离和小区域的形变。Wang Y[13]等利用统计形状模型得到边界的几何特征，在参考点之间密度差不大时增加“外力”，加大形变。

Krinacou[14]利用生物力学模型配准脑部图像：假设脑部组织只受水平应力的影响，法线上应力为零，灰质、白质符合neo-Hookean材料模型。用点集表示提取出组织轮廓线，将外力作用在这些点上，使组织根据其材料特性移动，逐步形变，与目标组织吻合。

Andresen[15]等人根据动力学的扩散原理(diffusion)，对待配准图像的表面用高斯算子(Guassian kernel)卷积，使之发生形变，逐步收敛到目标图像。在迭代过程中用目标图像的表面对形变的大小加以限制(geometry-constrained)，这种非刚体算法的特点是运算速度快。

基于像素密度的配准算法

待配准影像由像素构成，不同成像模式下的图像纹理和形状有差异，但密度值和空间位置仍具有相关性。根据图像中所有像素密度值和空间位置等参数，构造出代价函数，通过计算代价函数的最优解得到变换参数，而不需要提取图像特征。

1. 主轴算法

主轴法是一种自动配准算法[16,17]，根据体素的密度和空间位置将待配准图像等价为3D椭球，计算椭球的二价矩以得到其质心和主轴。使待配准图像的质心重合，然后以质心为旋转中心，使主轴的方向对齐、主轴的长度相等，得出空间变换参数。主轴法只需要匹配等价椭球的几何特征。

2. 相关性算法

在信号处理中用互相关性衡量不同信号的匹配程度，这一方法可以应用在图像配准过程中[18]，互相关值的大小反映了配准的效果。

Woods RP[19]认为同样的成像模式下得到图像，对应像素的密度值线性相关，可以用密度比值的方差度量相关性。另一种度量方法是利用像素密度、梯度和纹理