基于异常信号检测的医学图像鲁棒形变配准

摘要

形变配准是医学图像配准领域的难点，也是一个研究的热点。配准中对异常信号的处理对配准效果有着重要的影响，异常信号可以从狭义和广义上定义。狭义的异常信号是指只在一幅图像中出现而在另一幅图像不可见的特征，这种异常信号会造成配准中的对应性缺失，增加配准的难度；广义的异常信号还包括配准图像对的灰度差的阶跃和形变配准中形变场的阶跃等。 术前和术中（或术后）医学图像的形变配准在计算机辅助手术引导和手术效果评价中具有重要的临床意义。由于在术前医学图像中可见的肿瘤等病灶信号，在术中（或术后）医学图像中因为手术切除而不可见(或部分可见)，这就造成待配准图像对的对应性缺失问题，这种病灶信号是狭义上的异常信号，肿瘤等异常信号不仅改变周围正常人体组织结构的形态及位置，同时所造成配准对应性缺失又会导致术前和术中（或术后）医学图像形变配准的困难。本文正是对有病灶异常信号的医学图像鲁棒形变配准方面做了有益的探索和研究。 本文算法的主要创新之处主要包含两个部分，一个是基于图像全局刚性配准和子块匹配的肿瘤区域自动检测；二是基于光流法（Optical Flow）运动估计及多层次B样条形变建模(Multilevel B-Splines)，再结合M-估计鲁棒估计方法，对肿瘤异常信号局部区域进行形变加强的全局鲁棒形变配准。 病灶异常信号区域的自动检测是配准前期的一个重要步骤，可以为局部形变提供重要参考，提高配准的精度和可信度，具有十分重要的意义。传统的肿瘤检测方法或需要人工干预，或需要一系列的图像数据建立分割模型，费时费力。我们根据术中(或术后)图像和手术区域周围术前图像的信息，利用图像间的全局刚性配准和子块匹配识别出异常信号所在的区域。 自由形变模型(Free Form Deformation，FFD)是一个强大的三维变形建模工具，现已广泛使用于形变配准中。由于肿瘤等异常信号对周围正常组织挤压变形影响，术中(或术后)图像由于手术对异常信号的改变会在异常信号局部区域造成相对较大的形变。根据这个特点，我们利用光流法约束下的多层次B样条形变建模，通过加密局部控制点的以加强局部形变，在保证得到较好变形效果的条件下尽可能减少计算量，而这个局部加强形变的区域正是肿瘤异常信号所在的区域。 同时，为了减小异常信号对形变配准优化过程的不利影响，达到更好的配准结果，我们引入了鲁棒估计，给予异常信号（病灶或是噪声）以较小的权值。而对于自由形变模型这种多参数的代价函数优化，我们采用了L-BFGS方法，以减少内存开销，提高优化速度。 通过实验数据和临床数据的检验，我们的算法得到了较好的效果，验证了该方法的可行性。但同时也对一些特殊的数据效果不佳，需要下一步工作对算法进行改进。