CN103793904A - 图像配准装置及其图像配准的方法 - Google Patents

Abstract

一种图像配准装置，包括：获取模块获取人脑计算机断层(CT)图像；分割模块对人脑CT图像进行脑分割以得到分割图像；插值模块对分割图像进行插值获得插值图像，其中获取模块还获取磁共振(MRI)脑图谱；配准模块将所述MRT脑图谱变形到插值图像空间以得到初始配准图像；提取模块提取初始配准图像的中矢状面，其中，配准模块还对中矢状面进行配准，得到中矢配准结果，根据中矢配准结果以及灰度信息对初始配准图像进行再次配准以获得再次配准结果，插值模块还对再次配准结果进行插值以获得配准图像。本发明提高了图像配准的精准度。

Description

图像配准装置及其图像配准的方法

技术领域

本发明涉及医学图像处理技术，尤其涉及一种图像配准装置及其图像配准的方法。

背景技术

医学影像分析作为一种计算机辅助诊断方式已经在临床上得到了广泛的应用。对于那些病情复杂，容易误诊的重大疾病，医学图像分析方法与系统可以为诊断提供更为客观的参考信息和技术支持，一定程度的避免了由于主观因素造成误诊的情况。

X射线计算机断层(CT)图像和磁共振图像(MRI)作为当今临床上两种重要的影像手段具有很强的互补性。CT图像的优点是空间分辨率高且成像速度快，能清晰地反映出骨骼特征，但是CT图像不能有效地区分软组织信息。MRI的优势在于能提供清晰的软组织信息，特别适合于软组织信息丰富的人脑的成像。CT成像设备相对较低廉，有更多的医院拥有该设备；MRI设备价格昂贵，只有较少的医院拥有该设备；一些疾病的诊断(如脑中风)的首选影像是CT而不是MRI。因此，如何利用现有的技术来解读软组织信息不太丰富的头颅CT图像具有重大的意义。

CT(X射线计算机断层成像)和MRI(磁共振成像)是临床上用于诊断疾病的两种重要的手段。由于成像方式的差异，这两种方式反映了不同的病理信息。临床上经常需要综合CT图像的MR(磁共振)图像的信息来进行诊断，特别是对于人脑这样结构复杂的器官时，经常需要将CT图像和MRI图像进行配准融合来获取更多的信息。

图像配准技术是图像处理领域的一项十分重要而且非常困难的技术，其中多模态的医学图像配准算法更是研究的热点。目前的医学图像配准方法大体上可以分为两类：一类是基于特征的配准方法，这里的特征可以是边缘和表面特征，也可以是一些特征点。迭代最近点(IterativeClosest Point)算法是基于特征点配准的经典的算法。基于特征的配准方法利用图像的结构信息，速度较快，但是忽略了图像的灰度信息。另一类配准方法是基于图像灰度信息进行配准，但是没有考虑到图像的结构信息。这两种方法各有优劣，而且具有很大的互补性，因此通过研究混合算法使得在配准过程中兼顾这两类信息从而获得高精度的配准具有重要意义，也是当前研究的热点。

2001Hsu等提出了一种基于特征的多模态配准方法。在算法中应用了图像的表面和边缘作为特征，然后应用迭代最近点算法将提取出的特征进行配准。

Vercauteren等在2009年提出了一种基于灰度信息的配准算法。这种算法是在原始的demons算法的基础上发展而来的。它使demons算法的优化过程在微分同胚空间中进行，解决了大形变的问题。

Hellier等在2003年提出了一种基于特征点约束和灰度信息的配准算法，该算法是在分割的基础上进行的。首先提取出脑沟，分割出来的脑沟上的点作为特征点，对应关系可以不严格，因此不是作为硬约束作为下一步配准算法的约束。

Mattes等在2003年提出了一种基于B样条的自由形变模型的多模态配准方法。在这个算法中以互信息为相似度准则，以近似牛顿法作为优化方法并且在优化过程中采用了多分辨率策略。

Andronache等在2008年提出了一种互信息和相关比结合多模态配准的方法。此算法中通过不断地判断在分层过程中互信息数值的连续性来实现从互信息到相关比的转换，在多模态如脑部CT和MRI的配准中得到了很好的效果。

然而，Hsu等提出的方法只考虑到了图像的结构信息而忽略了图像的灰度信息，在远离特征点的区域配准的结果会很差。

Vercauteren提出的基于微分同胚的demons算法没有摆脱demons算法的固有缺陷，该算法只适用于单模态配准中。

Hellier等提出的算法利用的形变模型是一种基于光流场的模型，这个模型属于非参数模型。该算法同demons算法一样适用于单一模态的配准中。而且把脑沟这个解剖结构作为约束也是有局限性的，因为脑沟在一些成像方式如CT图像上是很难分割出来的。

Mattes等提出的算法是一种基于灰度信息的方法，该算法忽略了图像的结构信息。算法中的形变模型使得形变是自由的，这就可能导致某些刚性组织如脑的中矢状面会发生非刚性形变。

Andronache等提出的算法也没有考虑图像的结构信息，这样可能会导致一些图像上的一些关键点(如一些有解剖意义的点)配准不好，从而影响配准精度。

发明内容

有鉴于此，有必要提供一种图像配准装置以及及其图像配准的方法。

本发明提供的图像配准装置，包括：获取模块、分割模块、插值模块、配准模块以及提取模块，其中获取模块用于获取人脑计算机断层(CT)图像；分割模块用于对所述人脑CT图像进行脑分割以得到分割图像；插值模块用于对所述分割图像进行插值获得插值图像，其中所述获取模块还用于获取磁共振(MRI)脑图谱；配准模块用于将所述MRT脑图谱变形到所述插值图像空间以得到初始配准图像；提取模块用于提取所述初始配准图像的中矢状面，其中，所述配准模块还用于对所述中矢状面进行配准，得到中矢配准结果，根据所述中矢配准结果以及灰度信息对所述初始配准图像进行再次配准以获得再次配准结果，所述插值模块还用于对所述再次配准结果进行插值以获得配准图像。

本发明提供的图像配准的方法，包括：获取人脑计算机断层(CT)图像；对所述人脑CT图像进行脑分割以得到分割图像；对所述分割图像进行插值获得插值图像；获取磁共振(MRI)脑图谱，并将所述MRT脑图谱变形到所述插值图像空间以得到初始配准图像；提取所述初始配准图像的中矢状面；对所述中矢状面进行配准，得到中矢配准结果；根据所述中矢配准结果以及灰度信息对所述初始配准图像进行再次配准以获得再次配准结果；以及对所述再次配准结果进行插值以获得配准图像。

本发明所提供的图像配准装置10及其图像配准的方法改善了中矢状面和表面的配准结果，提高了图像配准的精准度。

附图说明

图1为本发明一实施方式中图像配准装置的模块图；

图2为本发明一实施方式中基于仿射变换的初始配准框架；

图3为本发明一实施方式中图像配准的方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。

请参阅图1，图1所示为本发明一实施方式中图像配准装置10的模块图。

在本实施方式中，图像配准装置10包括：获取模块110、分割模块120、插值模块130、配准模块140以及提取模块150。

在本实施方式中，获取模块110用于获取人脑计算机断层(CT)图像。在本实施方式中获取模块110为CT。

在本实施方式中，分割模块120用于对所述人脑CT图像进行脑分割以得到分割图像。在本实施方式中，所述脑分割是指去除颅骨，得到脑(包括大脑和小脑)内的灰质、白质与脑脊液。

在本实施方式中，所述分割模块120利用模糊c均值算法求取灰度阈值以及利用所述灰度阈值对所述CT图像进行分割。

在本实施方式中，插值模块130用于对所述分割图像进行插值获得插值图像。

在本实施方式中，CT图像采用轴向位置扫描，原始的CT图像的尺寸是512x512x切片数，切片数介于10-20之间，对应的X与Y轴方向的像素大小是相同的(约0.5毫米)，Z轴方向的像素大小为5-10毫米。为便于后续的空间变换(如旋转、非线性形变等)，在预处理阶段需要对CT图像进行插值操作。可选的插值方法有很多，最简单的是最邻近内插法：插值后的图像在非整数位置的灰度值是等于与其位置最接近像素的灰度值。为了方便，插值图像的像素尺寸和图像大小与MRI图谱一致，图像大小为149x188x148(重采样去掉了一些不包含脑组织的像素使得所有脑组织的像素都被包含在插值后的图像中)。

在本实施方式中，所述获取模块110还用于获取磁共振(MRI)脑图谱。在本实施方式中，MRT脑图谱预先存储在图像配准装置10中，是LONI Atlases中的ICBM452T1Atlas。

在本实施方式中，配准模块140用于将所述MRT脑图谱变形到所述插值图像空间以得到初始配准图像。

在本实施方式中，所述初始配准通过仿射变换模型来实现。

在本实施方式中，仿射变换模型是一种全局形变模型，由12个参数控制。其中，像素P点(x，y，z)^T处经过仿射变换后的坐标变为(x’，y’，z’)^T，变换公式为：

$\left[\begin{array}{c}{x}^{\′}\\ y^{\′}\\ z^{\′}\\ 1\end{array}\right]=\left[\begin{array}{cccc}{a}_{11}& a_{12}& a_{13}& a_{14}\\ a_{21}& a_{22}& a_{23}& a_{24}\\ a_{31}& a_{32}& a_{33}& a_{34}\\ 0& 0& 0& 1\end{array}\right]\×\left[\begin{array}{c}x\\ y\\ z\\ 1\end{array}\right]$

请参阅图2，图2所述为基于仿射变换的初始配准框架。

具体步骤为：

1.插值器选择最近邻插值方法。

2.在配准中，采用互信息作为相似度准则，两幅图像F，M的互信息表示为：

MI(F，M)＝H(F)+H(M)-H(F，M)

其中H(·)是图像的熵，熵H(x)定义为：H(x)＝-∫p(x)lnp(x)dx，其中p(x)是图像中灰度为x的概率密度。

3.配准算法中选择信赖域法作为优化方法。信赖域法是在每次迭代中给出一个信赖域，这个信赖域一般是第k次迭代点x_k的一个小邻域。然后在这个邻域内求解一个子问题(对于无约束优化问题，利用二次逼近，构造信赖域子问题)，得到试探步长s_k，接着用某一评价函数(评价函数用来衡量模型与目标函数的逼近程度)来决定是否接受该试探步以及确定下一次迭代的信赖域.

1)如果评价函数显示结果十分差，说明当前的模型是错误的，试探步长被拒绝即x_k+1＝x_k，信赖域缩小为原来的1/2。

2)如果评价函数显示结果不太好，但确实是递减的，则接受试探步长s_k，即令x_k+1＝x_k+s_k，但是仍需减小信赖域大小，将其半径变为原来的1/2。

3)如果评价函数显示结果不错，则接受试探步长s_k，保持信赖域大小不变。

4)如果评价函数显示结果非常好，则在接受试探步长s_k的同时将信赖域的大小增大到原来的2倍。

当满足算法的停止条件即信赖域半径小于0.0001或迭代达到300或者梯度幅度减小值小于0.000001，迭代结束。

提取模块150用于提取所述初始配准图像的中矢状面。

在本实施方式中，所述中矢状面是将脑分成左右半脑的曲面的平面逼近，由脑纵裂组成，基于灰度局部对称性在轴向切片上定位所述脑纵裂。

在本实施方式中，所述配准模块140还用于对所述中矢状面进行配准，得到中矢配准结果。

在本实施方式中，所述配准模块140通过将所述MRI图谱配准到所述CT图像的形变场，并对所述形变场进行采样，得到所述CT图像与所述初始配准图像的对应关系，构成中矢状面约束，其中，所述中矢状面约束为所述中矢配准结果。

具体地，所述配准模块140采用互信息驱动的形变模型对中矢状面进行配准，其中互信息驱动的形变模型为非参数模型，优化时选择梯度下降法作为优化方法。

在本实施方式中，非参数模型是在每次形变式，浮动图像上的每个像素点的形变都由形变场U上的每个与浮动图像对应的形变向量决定，浮动图像的x点的形变T(x)为：

T(x)＝x+U(x)

配准的步骤主要包括以下步骤：

步骤1、给定初始形变场U⁰；

步骤2、通过最大化互信息求得第n次的位移uⁿ，利用高斯函数平滑uⁿ，选取的高斯函数的均值为0，方差为1.0；

步骤3、整体的形变场Uⁿ＝U^n-1+uⁿ，利用高斯函数平滑Uⁿ，选取高斯函数的均值为0，方差为1.0，平滑后返回至步骤2，直至收敛。

所述配准模块140根据所述中矢配准结果以及灰度信息对所述初始配准图像进行再次配准以获得再次配准结果。

在本实施方式中，配准的算法流程为：

步骤1、选择初始形变场(否则为0)。

步骤2、利用梯度下降阀最小化代价函数-MI(F，M。U)得到u¹ⁿ，其中U^n-1表示n-1次迭代后的总体形变场，u1ⁿ表示第n次迭代中最小化代价函数得到的第n步更新场。

步骤3、最小化||F_b-M_b||²，求第n次迭代中更新场得u₂ ⁿ。在本实施方式中，此步利用demons算法，demons更新场的计算公式为：

${u_2}^n\left(p\right)=-\frac{F\left(p\right)-M}{{\left|\right|J^p\left|\right|}^2+{(F-M)}^2/K}{J^p}^T$

步骤4、利用uⁿ＝u₁ ⁿ+βu₂ ⁿ得到第n次迭代的总体形变场uⁿ，其中β为控制参数，β可以取0.02到0.03之间，利用高斯函数平滑uⁿ，选取的高斯函数的均值为0，方差为1.0。

步骤5、令uⁿ＝u^n-1。exp(uⁿ))即在x点出的形变场Uⁿ(x)为：

$U^n\left(x\right)=U^{n-1}(x+\exp \left(u^n\right))+\exp \left(u^n\right)\∀x$

这一步是为了确保优化过程在微分同胚的空间进行。

步骤6、为了满足特征约束，在特征点x处令Uⁿ(x)＝V(x)，其中，V在步骤4中得到，表示在中矢状面配准中得到在采样点处的位移量。

步骤7、平滑整个形变场Uⁿ。在本实施方式中，进行高斯平滑时加入一个权重系数：

Uⁿ＝Gσ^*(W.Uⁿ)/Gσ^*W

W是一个空间分布的权重矩阵，在非特征点处的值为0.01，在特征点处的值为10，高斯核G_σ的宽度为1个像素，均值为0，方差为1.0，平滑后返回至步骤2，进行下一次迭代，直至收敛。

在优化过程中为了提高速度，采用多分辨率策略。在本实施方式中，采用3层分辨率，第一层在XYZ方向的采样率为1/4、1/4、1/4，第二层的采样率为1/2、1/2、1/2，第三层不进行下采样。

所述插值模块130还用于对所述再次配准结果进行插值以获得配准图像。

在本实施方式中，所述插值模块130再次插值的目的是为了将插值后的CT图像和配准后的MRI图谱通过插值技术恢复到原始CT图像的尺寸和像素大小，采用的插值方法与初次插值的方法相同。

请参阅图3，图3所示为本发明一实施方式中图像配准装置10进行图像配准的方法的流程图。

在步骤S200，获取模块110获取人脑计算机断层(CT)图像。

在步骤S202，分割模块120对所述人脑CT图像进行脑分割以得到分割图像。

在本实施方式中，所述脑分割是指去除颅骨，得到脑(包括大脑和小脑)内的灰质、白质与脑脊液。

在本实施方式中，述脑分割包括以下步骤：

利用模糊c均值算法求取灰度阈值；

利用所述灰度阈值对所述CT图像进行分割。

在步骤S204，插值模块130对所述分割图像进行插值获得插值图像。

在步骤S206，获取模块110获取磁共振(MRI)脑图谱，配准模块140将所述MRT脑图谱变形到所述插值图像空间以得到初始配准图像。

在本实施方式中，所述初始配准通过仿射变换模型来实现。

在步骤S208，提取模块150提取所述初始配准图像的中矢状面。

在本实施方式中，所述中矢状面是将脑分成左右半脑的曲面的平面逼近，由脑纵裂组成，基于灰度局部对称性在轴向切片上定位所述脑纵裂。

在步骤S210，配准模块140对所述中矢状面进行配准，得到中矢配准结果。

在本实施方式中，“对所述中矢状面进行配准”的步骤包括：

将所述MRI图谱配准到所述CT图像的形变场；

对所述形变场进行采样，得到所述CT图像与所述初始配准图像的对应关系，构成中矢状面约束，其中，所述中矢状面约束为所述中矢配准结果。

在步骤S212，配准模块140根据所述中矢配准结果以及灰度信息对所述初始配准图像进行再次配准以获得再次配准结果。

在步骤S214，插值模块130对所述再次配准结果进行插值以获得配准图像。

本发明所提供的图像配准装置10及其图像配准的方法改善了中矢状面和表面的配准结果，提高了图像配准的精准度。

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (12)

1.一种图像配准装置，包括：

获取模块，用于获取人脑计算机断层(CT)图像；

分割模块，用于对所述人脑CT图像进行脑分割以得到分割图像；

插值模块，用于对所述分割图像进行插值获得插值图像，其中所述获取模块还用于获取磁共振(MRI)脑图谱；

配准模块，用于将所述MRT脑图谱变形到所述插值图像空间以得到初始配准图像；

提取模块，用于提取所述初始配准图像的中矢状面，其中，所述配准模块还用于对所述中矢状面进行配准，得到中矢配准结果，根据所述中矢配准结果以及灰度信息对所述初始配准图像进行再次配准以获得再次配准结果，所述插值模块还用于对所述再次配准结果进行插值以获得配准图像。

2.如权利要求1所述的图像配准装置，其特征在于，所述脑分割是指去除颅骨，得到脑(包括大脑和小脑)内的灰质、白质与脑脊液。

3.如权利要求2所述的图像配准装置，其特征在于，所述分割模块利用模糊c均值算法求取灰度阈值以及利用所述灰度阈值对所述CT图像进行分割。

4.如权利要求1所述的图像配准装置，其特征在于，所述初始配准通过仿射变换模型来实现。

5.如权利要求1所述的图像配准装置，其特征在于，所述中矢状面是将脑分成左右半脑的曲面的平面逼近，由脑纵裂组成，基于灰度局部对称性在轴向切片上定位所述脑纵裂。

6.如权利要求5所述的图像配准装置，其特征在于，所述配准模块通过将所述MRI图谱配准到所述CT图像的形变场，并对所述形变场进行采样，得到所述CT图像与所述初始配准图像的对应关系，构成中矢状面约束，其中，所述中矢状面约束为所述中矢配准结果。

7.一种图像配准的方法，包括：

获取人脑计算机断层(CT)图像；

对所述人脑CT图像进行脑分割以得到分割图像；

对所述分割图像进行插值获得插值图像；

获取磁共振(MRI)脑图谱，并将所述MRT脑图谱变形到所述插值图像空间以得到初始配准图像；

提取所述初始配准图像的中矢状面；

对所述中矢状面进行配准，得到中矢配准结果；

根据所述中矢配准结果以及灰度信息对所述初始配准图像进行再次配准以获得再次配准结果；以及

对所述再次配准结果进行插值以获得配准图像。

8.如权利要求7所述的图像配准的方法，其特征在于，所述脑分割是指去除颅骨，得到脑(包括大脑和小脑)内的灰质、白质与脑脊液。

9.如权利要求8所述的图像配准的方法，其特征在于，所述脑分割包括以下步骤：

利用模糊c均值算法求取灰度阈值；

利用所述灰度阈值对所述CT图像进行分割。

10.如权利要求7所述的图像配准的方法，其特征在于，所述初始配准通过仿射变换模型来实现。

11.如权利要求7所述的图像配准的方法，其特征在于，所述中矢状面是将脑分成左右半脑的曲面的平面逼近，由脑纵裂组成，基于灰度局部对称性在轴向切片上定位所述脑纵裂。

12.如权利要求11所述的图像配准的方法，其特征在于，“对所述中矢状面进行配准”的步骤包括：

将所述MRI图谱配准到所述CT图像的形变场；

对所述形变场进行采样，得到所述CT图像与所述初始配准图像的对应关系，构成中矢状面约束，其中，所述中矢状面约束为所述中矢配准结果。

Images