基于機(jī)器學(xué)習(xí)的立體腦圖像彈性配準(zhǔn)框架研究.pdf

1、隨著醫(yī)學(xué)成像及圖形圖像技術(shù)的不斷進(jìn)步，該技術(shù)正在逐步滲入醫(yī)學(xué)領(lǐng)域中，開創(chuàng)了數(shù)字醫(yī)療的新時(shí)代。尤其是對(duì)核磁共振(MagneticResonance，MR)腦圖像的分析處理，具有很重要的臨床應(yīng)用價(jià)值。立體腦圖像的彈性配準(zhǔn)是該領(lǐng)域的難點(diǎn)問題，也是近幾年來醫(yī)學(xué)圖像處理技術(shù)研究的熱點(diǎn)。 縱觀現(xiàn)有的配準(zhǔn)算法，本文總結(jié)出了以下的一些不足之處：(1)幾乎所有的配準(zhǔn)算法在整幅圖像中都使用相同的圖像特征來確定兩幅圖像中點(diǎn)與點(diǎn)之間的對(duì)應(yīng)關(guān)系。但是相同

2、的圖像特征無法保證在圖像的各個(gè)局部區(qū)域都可以正確地建立對(duì)應(yīng)關(guān)系。另一方面，所有的配準(zhǔn)算法都使用相同的圖像鄰域來提取圖像特征，而忽略了圖像局部信息的空間變化。(2)現(xiàn)有的配準(zhǔn)算法依次地對(duì)圖像中的每個(gè)點(diǎn)進(jìn)行運(yùn)算，而沒有考慮到不同的點(diǎn)在配準(zhǔn)過程的各個(gè)階段具有不同的重要性。(3)以往的配準(zhǔn)算法多使用簡(jiǎn)單的各向同性的平滑項(xiàng)來規(guī)范化位移場(chǎng)。然而這種處理方法雖然簡(jiǎn)化了問題，但是由于忽視了圖像的局部信息以及位移場(chǎng)的群體信息，對(duì)配準(zhǔn)結(jié)果的準(zhǔn)確性和魯棒性有

3、很大的影響。 本論文針對(duì)現(xiàn)有的配準(zhǔn)算法的局限性，提出了一種基于機(jī)器學(xué)習(xí)的彈性配準(zhǔn)框架，即通過學(xué)習(xí)圖像樣本空間中的各種統(tǒng)計(jì)信息來改進(jìn)現(xiàn)有算法的不足之處，從而提高配準(zhǔn)算法的性能。本文的主要工作和創(chuàng)新點(diǎn)如下所述： 1.用機(jī)器學(xué)習(xí)的方法確定圖像中每個(gè)點(diǎn)上的提取圖像特征的最佳領(lǐng)域大小。首先，本文定義了每個(gè)點(diǎn)上的提取圖像特征所要求的最佳鄰域大小的標(biāo)準(zhǔn)：在最佳鄰域中提取的圖像特征不僅要和周圍的點(diǎn)具有最大的差異性，而且要和樣本空間中不同

4、個(gè)體上的對(duì)應(yīng)點(diǎn)具有最大的相似性，即所謂的特征顯著性和特征一致性標(biāo)準(zhǔn)。然后，通過計(jì)算不同的圖像特征在特定鄰域內(nèi)分布的熵來分別量化上述的兩個(gè)標(biāo)準(zhǔn)，同時(shí)引入馬爾可夫隨機(jī)場(chǎng)保證每個(gè)點(diǎn)上的最佳鄰域的大小具有空間連續(xù)性。最后，構(gòu)建能量函數(shù)并用基于梯度的最優(yōu)化方法得到圖像中每個(gè)點(diǎn)上計(jì)算圖像特征的最佳鄰域大小。 2.用機(jī)器學(xué)習(xí)的方法確定圖像中每個(gè)點(diǎn)上的最佳特征。首先，挑選典型的局部圖像特征構(gòu)建圖像特征集。集合中的特征不僅種類不同，而且在計(jì)算特征

5、時(shí)所用的鄰域大小也不同。然后，整個(gè)腦圖像被分為許多自相似的區(qū)域，在每個(gè)區(qū)域中用adaboost根據(jù)特征顯著性和一致性標(biāo)準(zhǔn)來學(xué)習(xí)最佳特征。為了提高訓(xùn)練算法的性能，上述的兩個(gè)步驟，即圖像劃分和特征選擇被有機(jī)地結(jié)合在一起：圖像劃分為進(jìn)行特征選擇奠定了基礎(chǔ)，特征選擇反過來又可以改善圖像劃分的效果。實(shí)驗(yàn)證明用本文所提出的學(xué)習(xí)算法挑選的最佳特征是合理有效的，可以顯著地提高配準(zhǔn)過程中建立對(duì)應(yīng)關(guān)系的準(zhǔn)確程度。 3.用機(jī)器學(xué)習(xí)的方法確定圖像中的關(guān)

6、鍵點(diǎn)。在給定了最優(yōu)特征向量后，本文定義了配準(zhǔn)過程中的圖像體素點(diǎn)的重要性指標(biāo)：該點(diǎn)上的最優(yōu)特征向量應(yīng)該和周圍鄰域內(nèi)的點(diǎn)具有最大的可分性，而且要和樣本空間中的對(duì)應(yīng)點(diǎn)具有最大的一致性。利用該項(xiàng)指標(biāo)可以對(duì)圖像中的體素點(diǎn)的重要性進(jìn)行評(píng)估，使得關(guān)鍵點(diǎn)集中在腦室角點(diǎn)、腦回頂端及腦溝根部等圖像信息豐富的區(qū)域。學(xué)習(xí)關(guān)鍵點(diǎn)的好處在于可以實(shí)現(xiàn)分階段層次化的配準(zhǔn)，避免配準(zhǔn)算法陷入局部極值點(diǎn)。 4.用機(jī)器學(xué)習(xí)的方法分析位移場(chǎng)的統(tǒng)計(jì)信息。首先本文提出用多層

7、B樣條函數(shù)來表示整個(gè)位移場(chǎng)，并通過自適應(yīng)地在圖像中放置控制點(diǎn)來克服了高維空間中訓(xùn)練樣本過少的困難。在低分辨率時(shí)由于樣條控制點(diǎn)之間的間距相對(duì)較大，需要學(xué)習(xí)的控制點(diǎn)參數(shù)維數(shù)較低，在訓(xùn)練樣本有限的情況下可以解決。在高分辨率時(shí)，雖然控制點(diǎn)的數(shù)目呈指數(shù)級(jí)增長(zhǎng)，但是可以根據(jù)樣條函數(shù)的已逼近程度及控制點(diǎn)在圖像中的重要性進(jìn)行取舍，從而實(shí)現(xiàn)降低統(tǒng)計(jì)模型維數(shù)的目的。其次，本文提出對(duì)每一層的B樣條控制點(diǎn)進(jìn)行主成分分析(PrincipleComponentAn

8、alysis，PCA)，構(gòu)建多層次的控制點(diǎn)參數(shù)統(tǒng)計(jì)模型，學(xué)習(xí)位移場(chǎng)在不同分辨率時(shí)的統(tǒng)計(jì)信息。最后，本文提出用位移場(chǎng)的統(tǒng)計(jì)模型對(duì)位移場(chǎng)進(jìn)行合理的規(guī)范化，糾正配準(zhǔn)中可能出現(xiàn)的不正確的形變。 5.構(gòu)建于機(jī)器學(xué)習(xí)的彈性配準(zhǔn)框架。本文提出的彈性配準(zhǔn)框架分為兩個(gè)階段：學(xué)習(xí)階段和配準(zhǔn)階段。在學(xué)習(xí)階段，分別用adaboost的方法選擇最佳的圖像特征，評(píng)估體素點(diǎn)的重要性，挑選圖像中的關(guān)鍵點(diǎn)，用多層的B樣條函數(shù)表示位移場(chǎng)，構(gòu)建位移場(chǎng)的多層統(tǒng)計(jì)模型。

9、在配準(zhǔn)階段，先層次化地挑選關(guān)鍵點(diǎn)，然后用學(xué)習(xí)到的最佳特征來更加準(zhǔn)確地建立參照?qǐng)D像和浮動(dòng)圖像間關(guān)鍵點(diǎn)的對(duì)應(yīng)關(guān)系，其余點(diǎn)的對(duì)應(yīng)關(guān)系由關(guān)鍵點(diǎn)決定。在每次迭代過程的最后，用控制點(diǎn)參數(shù)模型在不同的分辨率上對(duì)位移場(chǎng)進(jìn)行規(guī)范化。 綜上所述，本文提出了一種基于機(jī)器學(xué)習(xí)的智能彈性配準(zhǔn)框架，通過學(xué)習(xí)最佳特征、關(guān)鍵點(diǎn)及位移場(chǎng)的統(tǒng)計(jì)信息來提高現(xiàn)有配準(zhǔn)算法的精度。在該框架下，我們進(jìn)行了兩方面的應(yīng)用。首先，用學(xué)習(xí)到的最佳鄰域大小代替HAMMER算法中的固定

10、鄰域，用學(xué)習(xí)到的圖像關(guān)鍵點(diǎn)代替HAMMER中只經(jīng)過簡(jiǎn)單閾值處理得到的驅(qū)動(dòng)點(diǎn)，使得HAMMER算法的性能在真實(shí)和模擬的人腦MR圖像上得到了顯著的提高。其次，我們對(duì)HAMMER算法進(jìn)行了擴(kuò)展，提出用新的統(tǒng)計(jì)學(xué)習(xí)方法對(duì)在不同鄰域內(nèi)提取的不同種類的圖像特征進(jìn)行訓(xùn)練，挑選出最佳的圖像特征，克服了HAMMER算法需要事先對(duì)圖像進(jìn)行分割的局限性。此外，我們采集了100個(gè)位移場(chǎng)作為訓(xùn)練樣本，在此基礎(chǔ)之上學(xué)習(xí)位移場(chǎng)的統(tǒng)計(jì)信息并對(duì)配準(zhǔn)過程中產(chǎn)生的位移場(chǎng)進(jìn)行