本站小編為你精心準備了醫學圖像自動配準分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1醫學圖像標志點的自動識別

圖像識別是二十世紀六十年代提出來的,美英等西方國家相繼建立了自動目標識別(AutomaticTargetRecognitionATR)實驗室,當時設想讓導彈能夠通過圖像識別來自動尋找飛機、艦船和坦克等目標。二十世紀八十年代后,圖像識別在許多領域得到了廣泛的應用,取得了一些可喜的成果,例如,條碼識別、車牌識別、人臉識別、指紋識別等。近年來,隨著醫學影像的發展,圖像識別開始應用于醫學領域,用來識別如細胞、病毒的種類或數量等。手術導航系統中用于成像的標志點有兩種:一種是環形標志點,價格較貴,使用中的效果不好,正在逐漸被淘汰;另一種是球形標志點,在三維重建的過程中可能會產生稍微的形變。為了提高自動識別的可靠性和定位精度,在此使用區域相關景像匹配的方法,來識別球形標志點。取一個內含標志(記)點的小正方形作為模板,正方形的中央是標志(記)點,其余部分是背景。

用這樣一個模板(小圖像),在圖像(大圖像)中尋找與模板最為相像的小圖像,使用的測度是兩圖像間的相關系數。模板相關匹配算法如下:(1)預設一個初值;(2)使用模板相關匹配算法,用這個小正方形在圖像上遍歷一次,如果相關系數小于初值,循環停止。否則,執行3;(3)如果相關系數大于或等于初值,那么相關系數最大的位置,就是所求的標志(記)點。將這個點去掉,轉而執行2。立體定向手術計劃系統中真實的患者圖像,在這幅MRI圖像中,這些點是由頭框架兩側的有機玻璃內含的硫酸銅產生的,不太規則。有的點小些,有的點大些,有的亮,有的暗,如圖1(a)。取下方中間的點為中心的9×9的小圖像作為模板,采用區域相關景像匹配算法進行識別,選擇合適的閾值后,能夠在1s左右將所有的標志點識別出來,并且所有點都位于模板的中央。手術導航系統中另外一幅真實的患者圖像,從圖上可以看出兩個標志點因存在稍微的形變都不夠圓,取其中一個點作為模板來識別這兩個標志點,算法在0.5s內將兩個標志點準確無誤地識別出來,對其它圖像標志點的識別也是如此。因此,本研究提出的算法具有很強的適合性、可靠性、精確性。

2標志點的多維距離向量及其相關系數

前面通過識別在兩個空間得到了兩組坐標值(點),但是得到的這兩組點是無序的,并不知道一個空間的一個點對應另一個空間的哪個點,因此必須找出兩組坐標值(點)之間正確的對應關系,才能使用最小二乘法。現在的問題是:已知兩組不同的坐標值,求出它們之間的對應點。解決問題的思路是這樣的:根據剛體變換前后任意兩點的距離保持不變這個性質,分別在兩個空間中,求每一個標志點到其余各點的距離,對這些距離標量進行排序,并將它們作為分量組成一個向量。

這樣,每一個標志點都可以惟一地表示為一個多維距離向量。圖像空間N個標志點可以惟一地表示為N個多維距離向量,手術空間N個標志點也可以惟一地表示為N個多維距離向量。通過比較多維距離向量的相似性,就可以在兩個空間中找到正確的點對。向量相似性的比較是通過計算向量間相關系數來實現的。

3標志點的自動配準

為求兩個空間標志點的對應關系,不能用“=”來判別,由于存在測量誤差,兩個對應點的多維距離向量并不嚴格相等。因此需要間接地比較兩點所對應多維距離向量的相關系數。相關系數的物理意義是:從整體上比較兩個維數相同向量的相似程度。它是一個標量,取值介于0和1之間。

當兩個向量各分量完全相同時,它的值為1;完全不同時,它的值為0。兩個正確的對應點它們的多維距離向量具有最大的相似性。因而,求對應點問題,轉化為求兩個多維距離向量相關系數的最大值問題。圖像空間N個標志點m1,m2,…,mN都對應一個惟一的多維向量S1,S2,…,SN,手術空間的N個標志點m′1,m′2,…,m′N也對應一個惟一的多維向量S′1,S′2,…,S′N,以圖像空間的N個多維距離向量S1,S2,…,SN為行,以手術空間的N個多維距離向量S′1,S′2,…,S′N為列,以它們之間的相關系數為元素組成N×N矩陣。逐列求相關系數的最大值,最大值所處的行和列就說明標志點在兩個圖像空間與手術空間的對應關系。

例如,假如R(S′i,Sj)是該列的最大值,就表明手術空間的第i個標志點就是圖像空間第j個標志點。這樣,就間接地實現了兩個空間標志點的自動配準。現以其中的一組數據為例,說明整個計算過程。按臨床通常使用的標志點數,取8個標志點,即N=8。記圖像空間的標志點為m1,m2,…m8;手術空間的標志點為m′1,m′2,…,m′8。首先,求出圖像空間每個標志點m1~m8到其余標志點的距離,從而每個標志點都對應一個7維向量;其次,將7維向量的分量由小到大排列,這樣每個標志點都對應惟一一個多維距離向量S1~S8;同理,可得手術空間標志點m′1~m′8的多維距離向量SS1~SS8。以圖像空間向量S1~S8為行,手術空間向量SS1~SS8為列,在兩個向量組的相交處求每兩個向量的相關系數。

4實驗結論采集

8個患者實際圖像進行實驗,每個圖像組含有6~8個標志點。實驗結果表明:圖像空間中每一個標志點都準確無誤地找到了在手術空間中對應的標志點,識別率100%,識別一個標志點需要的時間不到0.25s;配準的速度更快,配準所有的標志點只需0.02s,接近于實時,配準的精度可以達到1mm左右。將已知的兩組對應點坐標值代入得到N個等式組成的線性方程組,用最小二乘法解這個線性方程組,可以得到剛體變換矩陣,從而實現從圖像空間到手術空間的自動配準[3]。限于篇幅,在此不再詳述。

綜上所述,本研究提出的標志點自動識別和自動配準算法,精度高、速度快、可靠性強,基本實現了醫學圖像配準和融合的自動化。該功能用于手術導航系統中,能夠提高配準精度,簡化操作過程,節約配準時間;用于手術計劃系統和多模圖像融合軟件中,能夠實現配準和融合的自動化,完全滿足臨床的要求。