第一章医学图像配准
医学图像融合是将多幅医学图像进行信息的综合的一个过程，但是其综合过程必然不可能随意，医学图像之间有对应关系地进行融合才是有意义的，而将多幅医学图像按其成像时的真实身体组织结构信息建立正确的对应关系的技术称之为医学图像配准（Medical Image Registration）。因此，医学图像融合的核心是医学图像配准，本文将介绍作者在医学图像配准方面做的一些工作，包括搭建基于C++的医学图像配准平台，提出了包含图像灰度与几何信息的新医学图像配准测度算法。
1.1医学图像配准的概念
医学图像配准在1980年代中期之前还一直被认为是医学图像应用中很小的一个组件技术，但是其之后越来越受到关注，成为了医学图像领域中很重要的一个子学科，并成为医学图像研究中的重要主题。这方面的学术会议和论文都有了很快速的增长。据作者在Scopus1数据库上以Medical ImageRegistration OR alignment为关键字搜索，截至到2011年12月28日共有结果5450项，可见其已是医学图像处理中一个重要的分支领域。医学图像配准按不同标准可以分为很多类，但是最多的应用领域还是对病人病灶的诊断和分析为目的的。病人可能需要对在时间轴上不同图像的对比来观察病灶的生长或者术后的效果分析，或与正常的数据进行差异比较。病人也可能需要在不长间隔期内做不同成像设备的成像，利用不同的成像技术来充分了解病理信息，如前所述，不同图像所揭示的信息是不相同的。因此，医学图像配准因其应用领域的多且复杂，使得很少有一种放之四海皆准的配准方法，但是对其进行归纳总结还是可以提取出医学图像配准中的共通点的，那就是医学图像配准都是以获得图像之间的空间变换关系为目的的，手段也都是通过各幅图像的信息来不断寻找其认为最佳的配准位置。对于如何评判图像的配准程度，一般都以图像的相似性来做为标准，也即以“完全配准或对应的图像应该具有最大的相似性”为前提。而该相似性定义的不同也导致了不同的配准方法。
医学图像配准的提出基于医学成像的原理。医学成像的前提是建立成像后图像中的几何信息与被检查者身体内部组织器官的对应关系，并在此前提下进行诊断与分析。由前所述，不同的成像技术由于其利用的原理不同，使得其对身体组织器官在成像图像上的表现方式是不一样的，如CT图像上较高X光吸收率也即较高密度的组织器官将显示较高的灰度值，而在MRI图像上灰度值与不同组织器官的弛豫时间有关。因此不同成像技术所得的图像其对同一检查者的相同组织器官的表现是不一样的。如CT对人体的骨骼成像有很好的分辨率，而MRI则对软组织器官的成像具有很大的优势；PET、SPECT、fMRI成像是功能性的，能够表现组织器官的功能特性或代谢活性，但是其解MRI等解剖成像来得清晰。医学图像配准的目标就是将不同表现形式的图像在空间上建立一种对应关系，以达到与真实组织器官的相吻合。因此，如果将CT图像与MRI图像进行配准，那么我们也就可以得到兼具有较强骨分辨率，又具有较强软组织分辨率的图像，对于医生手术过程中将提供很大的帮助，引导医生避免触伤重要部分，又清晰显现病灶区。若将PET和MRI图像进行配准，则我们可以很直观地看到小的病灶与微癌组织在组织中的位置，以利于更精确的手术导航。当然医学图像配准的对象不仅仅是图像，其范围包括图像与图像的配准，图像与真实物体的配准，图像与模型的配准，模型与模型的配准等，但是本文将主要侧重于图像与图像的配准，很多概念在不同的配准类型中是通用的。
1.2医学图像配准的分类及研究现状
医学图像配准自80年发表展以来，已经有很多科研人员在该领域做了大量工作，使得出现了不同的配准算法应对不同的医疗应用情况。本节首先将对医学图像配准进行一下简单分类，并在此基础上简单对各个分类进行研究现状的介绍。
1.2.1按人工参与程度分类
医学图像配准按人工参与程度可以大致分为人工配准、半自动配准和全自动配准。人工配准需要人为手动进行配准，这就需要操作者具有较强的经验和技术，限制比较多；全自动配准是不需要人工参与的，图像输入后程序便可以通过图像处理的一些技术自动寻找配准位置，是当前主要的研究领域，本文也属于该范畴；半自动配准是结合了手动与全自动的一种配准方式，可能图像需要先用人工进行初配准，然后进行自动化的精细配准以提高配准的成功率和稳定性。
1.2.2按输入图像分类
本文主要探讨输入对象为图像的情况，除此之外还存在模型与图像的配准、模型与模型的配准等，限于篇幅，本文并不对此进行叙述。医学图像配准按输入图像的维度可以分为3D与3D的配准，3D与2D的配准和2D与2D的配准。按医学成像模态可以分为同模配准和异模态配准。按图像对象可以分为同结构配准、异结构配准、组织图谱（Atlas）配准等。可见，医学图像配准按其应用的不同可以有不同的分类，但是其模型与主要的概念都是相通的。维度不同的图像维度对应不同的医学应用，如果两幅图像都是二维的，则自然使用2D-2D的配准框架，如果获得的医学图像都是三维的，则自然使用3D-3D配准。其中比较特殊的是3D-2D配准，常出现在手术过程中，用于术中的实时导航。其中的3D图像一般是术前的图像，可以是如CT或MRI的图像，具有较高的分辨率，可以在术前用于指导手术路径的规划和术中实时评判。而其中的2D图像一般是术中实时得到的图像，往往是如超声等快速简单无害但同时分辨率较低的成像技术。如此术中就需要将实时得到的2D图像与术前成像所得的3D图像获得对应关系，应用3D-2D配准模态现代医学成像技术不断发展，演化出多种成像方法，也就有了多种的图像模态，如CT、MRI、SPECT、PET、US等。如此多种成像模态就有了各种组合的配准。我们将其中相同成像技术的图像之间的配准称为同模配准（Mono-modality Registration），反之则是异模配准（Multi-modality Registration）。同模配准常应用于观察组织生长变化，器械侵入确认和一些对比工作。异模配准的应用范围则主要是在临床上，对于辅助诊断和手术引导都是关键技术。由于两种相异的成像技术会有很大差别，获得的图像对相同的组织器官的表征也会很不一样，所以异模配准往往比同模配准要更有难度，也是现在医学图像配准主要的研究领域。对象医学图像配准中一般而言其对象是同一的，如前面所述的例子中配准的两张输入图像的对象就是同一个体同一组织，这是最常见的配准应用，在术前诊断、术中导航、术后评判上都有极大应用。但除此之外也存在不同对象的配准，一般有不同检查体组织器官之间配准和人体图与图谱的配准。不同检查体的配准的一个应用是科研领域，如Dinggang Shen[17]用大量的不同个体的数据配准后比较来研究老年痴呆症的大脑变化，以更好地理解该病症，并为之后病人的诊断提供依据。其他成像图像与图谱的配准可以用于教学之用，用于对图像的各个组织器官进行判断和识别，或者在术中也有利于医生对出现的组织器官进行识别，更好地进行手术，减少了手术的风险，降低了手术的难度。另一主要应用是用于图像的分割，当图像与图谱达到了配准，则图像与图谱则有了对应关系，而图谱是已经分割过了，则自然可以利用图谱来分割图像。如[19]就利用了MRI图像与图谱的配准。
1.2.3按空间变换分类
如上所述，医学图像配准可以分为同对象与异对象的配准，那么同对象的配准过程可能问题稍少，但是在异对象配准中自然由于图像来自于不同的个体，几何体的形状与大小都会不同，那么采用的空间变换方法自然应有所不同。空间变换按其分类一般可以分为两大类：线性变换，非线性变换。线性变换保持线性性质不变，也即在原图中是直线的，那么变换好后仍然会是直线，在数学上可以由一个4×4齐次坐标矩阵来表示，而非线性变换则没有这种约束。在线性变换中按自由度的不同又可以分为刚体变换、仿射变换。刚体变换只存在平移和旋转操作，对于三维空间来说则只有6个自由度，分别是对x轴、y轴、z轴的平移和旋转。仿射变换在刚体变换的基础上增加了仿射的操作，其对4×4矩阵中的前3×4子块中的每个元素都可以自由选取，所以其有12个自由度。而非线性变换由于其特殊性，并不有固定的变换方法。大量研究人员都提出了非线性变换的模型，试图更接近所应用领域的变形实际。更多的关于空间变换的知识将在第二章展开。
1.2.4按配准测度分类
配准测度是医学图像配准中最重要的一个模块，直接关系到配准的精度与稳定性。按配准测度的算法原理，一般可以分为：使用图像灰度信息的测度、使用图像几何信息的测度、结合了图像灰度与几何信息的测度。该三类都有大量的测度存在，在不同的应用领域会有一些取舍。本文的一个工作是提出了结合灰度与几何信息的新的测度，试图充分利用两方面信息来尽量减少配准误差。更进一步对配准测度的介绍将在第3.1节中介绍，第3.4节中将介绍本文提出的测度在配准平台中的实现。
第二章医学图像配准平台…………9
2.1医学图像配准模型...........................9
2.2平台实现框架.............................10
2.3各模块实现及验证...........................11
第三章结合灰度信息与几何信息的新测度……..27
3.1当前主要测度.............................27
3.2法向量及几何信息...........................30
3.3结合灰度信息与几何信息.......................32
3.4实验及集成...............................37
3.5测度曲线................................37
第四章配准实验43
4.1概览...................................43
4.2验证实验................................44
4.3临床数据实验.............................47
4.4小结...................................52
全文总结........55
全文总结
本文主要介绍了作者在硕士学习期间的主要工作，以基于C++的医学图像配准平台的搭建和提出结合灰度与几何信息的新配准测度为两个主要部分进行了医学图像配准的概念介绍和工作展示。
C++医学图像配准平台以ITK的配准框架为模型，以模块化为原则进行了设计实现，实现了多种变换、优化、插值、测度算法，达到了医学图像配准的应用功能，并为之后本文的另一工作内容—结合灰度与几何信息的新测度的验证提供了测试平台。
本文另一主要的工作在于研究了当前常见的医学图像配准测度算法，并研究了其对图像灰度信息与几何信息的利用方法，针对当前主要配准算法只利用灰度或者几何信息的缺点提出了结合两方面信息的新配准测度。利用法向量对图像几何信息的良好表达，使用法向量做为图像几何信息的表现手段。又考虑到互信息对于揭示数据集相关性或相似性方面的强大功能，使用两幅图像法向量每个分量之间的互信息之和作为测度几何信息的组成部分。而灰度分布的互信息则做为测度灰度信息的组成部分。将灰度部分乘上一个灰度权重值后与几何部分相加得到最终的结合了灰度与几何信息的新配准测度。将该测度实现并集成到之前介绍的医学图像配准平台之后，本文进行了多方面的实验来验证该测度的有效性。实验结果显示该测度相较于只利用图像单方面信息的测度具有更高的精度，特别是对于低分辨率的图像而言，添加了几何信息的本文测度相较于只利用了灰度信息的测度具有更高的精度和鲁棒性。