摘 要： 針對(duì)傳統(tǒng)互信息彈性配準(zhǔn)方法在醫(yī)學(xué)圖像應(yīng)用上計(jì)算量大、處理速度慢的問(wèn)題提出了一種基于活動(dòng)輪廓模型（CVL-BFGS）醫(yī)學(xué)圖像配準(zhǔn)方法。該算法結(jié)合了圖像局部輪廓信息和全局變化信息，通過(guò)提取圖像的邊緣輪廓，可以有效地挖掘輪廓信息，并克服了彈性配準(zhǔn)算法容易陷入局部極值問(wèn)題，使圖像配準(zhǔn)的結(jié)果更加穩(wěn)定。同時(shí)該算法為全局互信息配準(zhǔn)提供一個(gè)通過(guò)局部配準(zhǔn)得到的更優(yōu)初始值，從而降低了整體配準(zhǔn)的迭代次數(shù)，提高圖像配準(zhǔn)效率，并證明了該算法的魯棒性和有效性。
關(guān)鍵詞： 流行學(xué)習(xí)；線性化；局部線性嵌入；降維；稀疏數(shù)據(jù)
0 引言
隨著現(xiàn)代大型醫(yī)療成像技術(shù)的發(fā)展，醫(yī)學(xué)圖像成為醫(yī)學(xué)診斷和治療中的關(guān)鍵環(huán)節(jié)之一[1]。醫(yī)學(xué)圖像分割在醫(yī)學(xué)影像等技術(shù)中占有重要地位，手工分割易受到技師的經(jīng)驗(yàn)影響，并且工作量大，因此計(jì)算機(jī)自動(dòng)分割醫(yī)學(xué)圖像是當(dāng)前迫切的課題。由于圖像的分割要求較高，與傳統(tǒng)的醫(yī)學(xué)圖像分割方案相比，活動(dòng)輪廓模型是非常有效的醫(yī)學(xué)圖像分割方法，它可以對(duì)不同成像的醫(yī)學(xué)圖像進(jìn)行分割?；顒?dòng)輪廓方法能夠有效地抑制噪聲、投影對(duì)圖像的干擾，更好地處理弱邊界區(qū)域問(wèn)題。
醫(yī)學(xué)圖像配準(zhǔn)，即通過(guò)尋找一種空間變換，使兩幅圖像的對(duì)應(yīng)點(diǎn)達(dá)到空間位置和解剖位置的完全一致。圖像配準(zhǔn)方法可分為剛性配準(zhǔn)和彈性配準(zhǔn)[2]。經(jīng)過(guò)多年的發(fā)展，剛性配準(zhǔn)算法已很成熟，且達(dá)到很高的精度，但遠(yuǎn)遠(yuǎn)不能滿足臨床需要。許多臨床應(yīng)用需要彈性變換來(lái)描述圖像之間的變換關(guān)系，因此在醫(yī)學(xué)圖像配準(zhǔn)方面彈性配準(zhǔn)是當(dāng)今的研究領(lǐng)域的熱門話題[3-6]。
彈性配準(zhǔn)是當(dāng)今醫(yī)學(xué)圖像配準(zhǔn)方面的熱點(diǎn)與難點(diǎn)。2011年，GONCALVES J A等人提出了通過(guò)直方圖的圖像分割圖像配準(zhǔn)的方法[7]。參考文獻(xiàn)[8]提出了一種基于聚類圖像分割的配準(zhǔn)方法，由于互信息的局部極值問(wèn)題由多方面引起[9]，基于互信息的方法在配準(zhǔn)過(guò)程中隨著圖像數(shù)據(jù)的增大，運(yùn)算量也會(huì)隨著急劇增加，因此存在計(jì)算量大、處理速度慢的問(wèn)題。本文提出一種基于活動(dòng)輪廓模型的醫(yī)學(xué)圖像配準(zhǔn)方法。該算法結(jié)合圖像局部輪廓信息和全局變化信息，通過(guò)對(duì)圖像的邊緣輪廓結(jié)構(gòu)的提取，能有效挖掘局部輪廓信息并克服彈性配準(zhǔn)算法容易陷入局部極值的問(wèn)題，使得圖像配準(zhǔn)效果更加穩(wěn)定。同時(shí)該算法為全局互信息配準(zhǔn)提供了一個(gè)通過(guò)局部配準(zhǔn)得到的更優(yōu)初始值，從而降低了整體配準(zhǔn)的迭代次數(shù)，提高了圖像配準(zhǔn)效率。
1 CVL-BFGS算法過(guò)程
設(shè)I是輸入圖像，C-V模型的曲線擬合能量函數(shù) E（?準(zhǔn)，c1，c2）可以表示為：
其中，Length（C）表示曲線C的長(zhǎng)度，inside（C）和outside（C）分別表示圖像分割曲線的內(nèi)部區(qū)域和外部區(qū)域，average（inside（C））為內(nèi)部區(qū)域面積。
關(guān)于c1c2能量函數(shù)E的一階導(dǎo)數(shù)為：
為了求能量函數(shù)E的極小值，計(jì)算歐拉-拉格朗日方程，引入了Heaviside函數(shù)Hε及一階導(dǎo)數(shù)δε：
能量函數(shù)關(guān)于?準(zhǔn)的極小值，得到的歐拉-拉格朗日方程為：
引入時(shí)間變量t，得到水平集函數(shù)演化的偏微分方程為：
對(duì)分割后的圖像采用L-BFG算法進(jìn)行對(duì)應(yīng)配準(zhǔn)。
構(gòu)造近似Hessian矩陣的擬牛頓優(yōu)化目標(biāo)函數(shù)。f（x）的極小點(diǎn)x的近似點(diǎn)xk處的二階泰勒展開(kāi)式逼近目標(biāo)函數(shù)為：
其中，d=（x-xk），qk（d）為搜索方向的極小點(diǎn)，該二階導(dǎo)數(shù)可以由一個(gè)f（x）函數(shù)值和一階導(dǎo)數(shù)構(gòu)造矩陣Bk來(lái)近似代替，通過(guò)二次函數(shù)逼近f（x）：
2 CVL-BFGS算法過(guò)程
輸入：浮動(dòng)圖像和參考圖像
輸出：配準(zhǔn)圖像和網(wǎng)格圖像
?。?）通過(guò)活動(dòng)輪廓模型對(duì)目標(biāo)圖像進(jìn)行分割。
（2）嵌入基于B樣條的擬牛頓算法。設(shè)H0=I，計(jì)算目標(biāo)函數(shù)f（x）在xk處的梯度；確定搜索方向dk=-Hkgk；
?。?）令Xk+1=xk+λdk；當(dāng)‖f（xk）‖<ε時(shí)，停止迭代得到最優(yōu)解xk=xk+1，否則循環(huán)；利用式（14）計(jì)算Hk+1；最后輸出變換網(wǎng)格trans（1）。
?。?）把變換網(wǎng)格trans（1）作為ACNMI算法的初始網(wǎng)格，利用步驟（2）的迭代過(guò)程進(jìn)行全局配準(zhǔn)，得到變換網(wǎng)格trans（2）。
（5）基于3次B樣條變換輸出配準(zhǔn)圖像。
3 實(shí)驗(yàn)結(jié)果分析
為了證明本文所提出的新CVL-BFGS算法的可行性和有效性，對(duì)兩組腦部MRI圖像進(jìn)行了實(shí)驗(yàn)。一組是對(duì)腦部矢狀位圖像進(jìn)行的輪廓醫(yī)學(xué)圖像配準(zhǔn)，另一組則是對(duì)腦部橫位進(jìn)行的輪廓醫(yī)學(xué)圖像配準(zhǔn)。利用MATLAB軟件在HPPRO3380MT、4 GB內(nèi)存電腦上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)所選為真實(shí)的腦部MRI圖像。
3.1 腦部矢狀位圖像配準(zhǔn)對(duì)比實(shí)驗(yàn)
采用353像素×354像素腦部圖像分別作為配準(zhǔn)的參考圖像和待配準(zhǔn)的浮動(dòng)圖像，如圖1、圖2所示。在實(shí)驗(yàn)過(guò)程中，對(duì)（a）、（b）兩幅圖像分別使用CVL-BFG和L-BFG配準(zhǔn)方法，得到（c）和（j）兩幅配準(zhǔn)圖像及變化網(wǎng)格，由于對(duì)參考圖像和浮動(dòng)圖像首先進(jìn)行活動(dòng)輪廓提取，詳細(xì)得到圖像的邊緣信息，隨后對(duì)輪廓圖像配準(zhǔn)，得到邊緣的變化網(wǎng)格，最后在邊緣變化的基礎(chǔ)上，配準(zhǔn)得到配準(zhǔn)后圖像（j）。在腦干圖像配準(zhǔn)對(duì)比實(shí)驗(yàn)中，CVL-BFG配準(zhǔn)方法的處理效果在顱骨邊緣配準(zhǔn)更加準(zhǔn)確，整體配準(zhǔn)效果穩(wěn)定，CVL-BFG配準(zhǔn)方法優(yōu)于L-BFG配準(zhǔn)方法。
3.2 腦部橫位圖像配準(zhǔn)對(duì)比試驗(yàn)
胸部橫位L-BFG圖像配準(zhǔn)如圖3所示，CVL-BFG圖像配準(zhǔn)如圖4所示。表1為配準(zhǔn)結(jié)果比較。
由于在不同的組織形變下醫(yī)學(xué)圖像機(jī)制是不同的，嘗試對(duì)兩種圖像進(jìn)行圖像配準(zhǔn)效果對(duì)比。首先以SSD作為相似性測(cè)度，采用CVL-BFG優(yōu)化算法進(jìn)行3次B樣條變換配準(zhǔn)，B樣條變換的網(wǎng)格大小為32像素×32像素。由于配準(zhǔn)過(guò)程會(huì)存在極值問(wèn)題，配準(zhǔn)前需要進(jìn)行高斯平滑處理，為了讓位移作用在浮動(dòng)圖像上，并且效果是平緩的、一致的，因此再采用高斯模糊會(huì)導(dǎo)致網(wǎng)格有一定虛化。網(wǎng)格變化、配準(zhǔn)圖像結(jié)果、均方差計(jì)算以及時(shí)間的對(duì)比表明：CVL-BFG算法明顯優(yōu)于傳統(tǒng)的L-BFG算法，并且算法更加穩(wěn)定，能夠提取更豐富的信息。原因在于，通過(guò)對(duì)圖像的邊緣輪廓結(jié)構(gòu)提取，能有效地挖掘局部輪廓信息并克服彈性配準(zhǔn)算法容易陷入局部極值的問(wèn)題，使得圖像配準(zhǔn)效果更加穩(wěn)定。
4 結(jié)論
傳統(tǒng)的彈性配準(zhǔn)方法在醫(yī)學(xué)圖像配準(zhǔn)的過(guò)程中飽受了大型計(jì)算和處理速度低等問(wèn)題，本文提出的一種新型的基于主動(dòng)活動(dòng)輪廓模型的醫(yī)學(xué)圖像配準(zhǔn)方法（CVL-BFG）充分繼承了傳統(tǒng)算法的優(yōu)點(diǎn)，并且克服了容易陷入局部極值的缺點(diǎn)，提高了配準(zhǔn)精度。該方法使用一種對(duì)圖像活動(dòng)輪廓提取的方法，能夠快速、有效、方便地提取圖像輪廓信息，基于輪廓配準(zhǔn)產(chǎn)生的網(wǎng)格采用互信息方法，從而實(shí)現(xiàn)了醫(yī)學(xué)圖像配準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，該算法是有效的，并且明顯優(yōu)于傳統(tǒng)的L-BFG配準(zhǔn)方法。但該算法還存在一些不足，輪廓提取的準(zhǔn)確性以及噪聲的影響，使配準(zhǔn)過(guò)程會(huì)產(chǎn)生一些誤差，所以對(duì)特征提取的過(guò)程中準(zhǔn)確程度要有很高要求。對(duì)于如何在減少配準(zhǔn)誤差的同時(shí)提高配準(zhǔn)的速度以及多模態(tài)圖像配準(zhǔn)則是今后研究的重點(diǎn)。
參考文獻(xiàn)
[1] OLIVEIRA F P M， TAVARES J M R S. Medical image registration： a review[J]. Computer Methods in Biomechanics and Biomedical Engineering， 2014，17（2）：73-93.
[2] 陳國(guó)琳.非剛性醫(yī)學(xué)圖像配準(zhǔn)方法的研究與實(shí)現(xiàn)[D].南京：南京理工大學(xué)，2009.
[3] 張娟.醫(yī)學(xué)圖像配準(zhǔn)中相似性測(cè)度的研究[D].廣州：南方醫(yī)科大學(xué)，2014.
[4] 別術(shù)林.基于互信息的醫(yī)學(xué)圖像配準(zhǔn)算法研究[D].北京：北京交通大學(xué)，2014.
[5] FP O. Medical image registration： a review[J]. Computer Methods in Biomechanics and Biomedical Engineering， 2014，17（2）：73-93.
[6] HERMANN S， WERNER R. High accuracy optical flow for 3D medical image registration using the census cost function[J]. Lecture Notes in Computer Science，2014,8333：23-35.
[7] GON?覶ALVES H， GONCALVES J A， CORTE-REAL L. Hairis： a method for automatic image registration through histogram-based image segmentation[J]. IEEE Transactions on Image Processing， 2011，20（3）：776-789.
[8] 賈冀.基于聚類的圖像分割與配準(zhǔn)研究[D].西安：西安電子科技大學(xué)，2013.
[9] ARDIZZONE E， GALLEA R， GAMBINO O， et al. Effective and efficient interpolation for mutual information based multimodality elastic image registration[C]. 2009 IEEE 12th International Conference on Computer Vision Workshops （ICCV Workshops）， IEEE， 2009： 376-381.