強魯棒的非剛性點配準方法及其應用研究.pdf

1、醫(yī)學圖像配準是醫(yī)學圖像處理領(lǐng)域中一個重要、基本的研究課題，是醫(yī)學圖像融合、重建以及標準圖譜建立等研究的基礎(chǔ)。由于人體結(jié)構(gòu)的復雜性，很多組織器官都是復雜的彈性體，簡單的剛性配準無法表示人體復雜結(jié)構(gòu)的局部細節(jié)。而這些細節(jié)卻是臨床診斷中很重要的依據(jù)，因此必須采用具有更高自由度的非剛性配準技術(shù)。非剛性配準是醫(yī)學圖像處理的重要研究課題。同剛性配準相比，非剛性配準還不成熟，如何建立合理的形變模型，適合各種復雜的組織變形；如何提高非剛性配準的速度、精

2、度以及對非剛性配準的評估都需要進一步的研究。 非剛性點配準是基于特征的配準方法中最基本、最主要的問題，是基于線、面等配準方法的基礎(chǔ)。本文在對非剛性配準技術(shù)深入研究的基礎(chǔ)上，提出了一種較為通用的非剛性點配準方法。算法具有較高的魯棒性，且實現(xiàn)了配準過程完全自動化。然后將其應用到3D腦圖像配準和可形變概率圖譜的建立中。具體成果和創(chuàng)新點介紹如下： (1)提出了一種基于Levelset方法的雙表面延伸算法，實現(xiàn)了腦皮層和腦溝帶的自

3、動、穩(wěn)定及強魯棒性的分割。提取待配準圖像中的某些特征量是基于特征的配準方法的前提。本文在深入研究各種分割方法的基礎(chǔ)上，對其中一種分割效果較好的算法，即幾何活動輪廓方法進行了改進，提出了一種基于多段水平集方法的雙表面延伸算法，較好地克服了Snake模型及傳統(tǒng)Levelset方法的許多缺點。并將其成功的應用于3D腦皮層的分割問題中，實現(xiàn)了腦外皮層和主要腦溝帶的完全自動化提取。 (2)提出了一種較為通用的非剛性點配準方法——混合點配準

4、算法(MPM)。非剛性點配準是其它基于特征的配準方法的基礎(chǔ)，是實現(xiàn)不同個體之間3D腦圖像配準的關(guān)鍵。本文在深入研究非剛性點配準中存在的問題的基礎(chǔ)上，利用高斯混合模型，提出了一種簡單快速的混合點配準算法(MPM)，成功的解決了非剛性點配準中參數(shù)空間的高維搜索及溢出點處理的建模問題。并通過一系列的實驗來評估算法的有效性。 (3)實現(xiàn)了利用近似薄板樣條作為變換模型，將標記點位置的變換擴展到整個圖像空間中。任意d維的薄板樣條函數(shù)可以描述

5、為多變量插值問題，但是插值薄板樣條要求兩幅圖像中標記點是完全匹配的。然而，在實際應用中不管是人工、半自動化或完全自動化提取的標記點，其位置總是存在誤差的。為了考慮標記點位置的誤差，在薄板平滑樣條的基礎(chǔ)上，提出了一種各項異性近似薄板樣條，考慮標記點在不同方向上的誤差及其互相關(guān)性，使得算法能夠處理各項異性誤差及不同類型的標記點，提高配準的準確度。 (4)引入聚類技術(shù)，減少配準點集的數(shù)目，大大提高了混合點配準算法的計算速度。在混合點配

6、準算法(MPM)中，當特征點的數(shù)目達到上百甚至上千時，估計對應關(guān)系和變換的計算量非常巨大。為了減少其計算代價，并使算法具有對稱性，對第三章的混合點配準算法進行擴展，提出了一種對稱的混合點配準算法(SMPM)和一種聯(lián)合聚類—配準算法(JCM)，結(jié)合有粗到細配準的策略反復多次配準。這樣不僅可以大大減少計算代價，還提高了配準精度。 (5)實現(xiàn)了將非剛性點配準算法用于解決醫(yī)學圖像中一個重要的問題——個體之間的3D腦解剖結(jié)構(gòu)特征的非剛性配

7、準。由于大腦結(jié)構(gòu)的異常復雜性和多變性，個體之間的腦解剖結(jié)構(gòu)配準是一項非常困難的任務(wù)。本文在深入研究腦配準的研究現(xiàn)狀及困難的原因之后，提出了一種基于聯(lián)合聚類一配準的特征匹配方法。利用前期的雙表面分割方法以及聯(lián)合聚類—配準算法，實現(xiàn)了不同個體之間3D腦解剖結(jié)構(gòu)特征的非剛性配準。對不同類型的幾何特征進行了融合，并實現(xiàn)了不同變換模型的比較。配準過程完全自動化。 (6)實現(xiàn)了基于一定人群的可形變數(shù)字化概率圖譜的建立?？尚巫償?shù)字化概率圖譜是