多模态医学图像非刚性配准算法研究综述

多模态医学图像非刚性配准算法研究综述

夏仁波

中国科学院沈阳自动化研究所

医学影像技术的高度发展给临床医学提供了X射线、超声、计算机断层成像（CT）、数字减影血管造影（DSA）、单光子发射断层成像（SPECT）、磁共振成像（MRI）、正电子发射断层成像(PET)等多种模态的影像信息。每种模态都有其优缺点，例如CT可以清楚地显示出体内脏器和骨骼的解剖结构，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像技术，是对活机体的生物化学显像，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。由于成像原理不同造成的图像信息局限性，使得单独使用某一类图像的效果并不理想，而多种图像的利用又必须借助于医生的空间想象力和推测去综合判定他们所要的信息，其准确性受到主观影响，更重要的是一些信息可能被忽视。解决这个问题的办法是通过空间变换将两幅图像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。在配准过程中，其中的一幅图像保持固定，称为参考图像（Reference Image），与参考图像进行匹配的图像称之为浮动图像（Floating Image）。医学图像配准是信息科学、计算机图像技术和当代医学等多学科交叉的一个研究领域，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十分重要的应用价值。

按空间变换关系，图像配准可被归为两个大类: 刚性配准（Rigid Registration）和非刚性配准（Non-rigid Registration）

变换，非刚性配准包括仿射、射影和弹性变换等。刚性配准通常假设图像获取过程中目标组织的解剖和病理结构不发生变形或者扭曲，例如，由于受头颅的约束，同一病人的大脑图像被认为只存在刚性变换。“刚性”假设简化了配准的复杂度，经过几十年的发展，刚性配准算法已经比较成熟，但目前的算法对初值非常敏感。另一方面，虽然在一般情况下刚性配准足以描述两幅图像之间的空间变换，然而，许多时候并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MRI 图像常常伴有组织磁化系数差异、非水分子的化学位移以及血液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，CT 与MRI 图像配准时，不能单纯地使用刚体配准。尤其对一些特殊部位，比如鼻咽部，由于软组织和空气的磁化系数差异大约为105，会引起10ppm 的磁场变化，从而导致大于5mm 的几何畸变。此时，为了得到满意的结果，必须使用非刚性配准。相对刚性配准，非刚性配准还是一个方兴未艾的课题。采用现有的非刚性算法配准两幅2D的医学图像，一般需要几十分钟，处理 3D图像时，更是多达几个小时。计算量过大已成为非刚性配准算法在临床应用中的最大障碍之一。此外，在处理噪声图像时，特别是处理局部

变形较大的多模态医学图像时，目前的配准算法经常产生错误的结果。这些因素限制了非刚性配准算法在医学领域中的应用。

国内外研究现状及分析

在过去的几十年里，图像采集设备发展惊人，大量图像信息的获取增加了对图像配准技术的需求。早在1983年，Ghaffary等就发表了关于配准的综述[1]。另一篇影响深远的综述性文章在1992年由Brown发表[2]。Institute of Scientific Information (ISI)的调查数据表明，1999至2008的10年间至少有3900多篇的学术论文在研究图像配准问题。2002年网上公布的美国申请专利中，与图像配准的相关的部分就超过50项，IBM和GE等大型跨国企业甚至拥有自己的工作组专门研究医学图像配准问题。而在最近的国际顶级学术会议上（CVPR2004、ICIP2005和MICCAI 2007）都有关于配准的专题讲座。这些统计数据足见图像配准问题受到的关注程度。

在医学图像处理领域，80年代初，随着CT、MRI等医学成像设备逐步应用于临床诊断，医学图像配准的问题逐渐被重视起来。Elsen等首先综述了1993年以前在医学图像配准领域中应用的各种方法，将医学图像配准方法分为基于图像外部特性和内部特性的两大类[3]。其中，基于图像外部特性的方法包括定标架、面模法和皮肤外标记法等。应用这种方法，图像扫描前需要给患者安装定标架、面模和皮肤标记物等辅助设施，以限制身体的移动，减少由移动等因素引起的空间位置变化，从而获得高精度的配准。但是这类方法操作繁琐而且对病人本身是有创伤的，应用较少。另外一种方法是直接利用图像内在的特征引导图像配准，包括手工交互法、对应点配准法、结构配准法以及相关配准法等，这是目前主要的研究方向，也是本项目的研究内容。1998年，Maintz等对医学图像配准方法又作了一次全面的总结[4]，并依据8个主要准则对自1993年及之后的配准方法进行归类。2003年，Josien等针对基于互信息的医学图像配准方法，从配准方法和具体应用两个层面进行了详尽的回顾。在配准方法部分描述了图像预处理、灰度插值、优化过程和变换函数等图像配准过程的现状；在具体应用部分根据不同模式、不同病人和不同解剖对象的差异说明了基于互信息的图像配准应用情况[5]。

图像配准的方法众多，根据空间变换关系，图像配准可被归为两个大类: 刚性配准和非刚性配准[6]。许多医学图像配准算法都假设变换是刚性的，即搜索空间只包含六个自由度（三个平移和三个旋转）。刚性变换的主要特点是保持距离不变。由于人体骨骼的刚性较高，当配准的组织为骨骼或受骨骼包围时，刚性配准通常被广泛采用。目前为止，采用刚性算法进行配准最多的人体部位是头，特别是大脑[7,8]。刚性配准也可应用于人体骨骼附近区域，如颈部、骨盆和脊骨等，但是误差往往较大。刚性算法既可用于单模态配准，也可用于多模态配准。刚性配准方法目前已基本趋于成熟，MRreg、 SPM 和AIR等商业软件都集成了刚性配准算法。然而，医学图像配准大多数是非刚性的，完全刚性的图像很少，当图像中的存在非线性变形时，刚性配准便无法满足精度要求，这时要求采用非刚性配准方法。