基于互信息的胸腹部多模態圖像配準

陳菲，葉浩鋒

摘要：CT對骨質方面具有成像優勢，MR對軟組織具有成像優勢，臨床上將二者通過醫學圖像配準融合，得到同時具有軟組織與骨質信息的圖像。對于CT和MR的圖像配準，該文先采用最大互信息法來進行粗配準，利用優化器對算法的優化調整步長參數和最大迭代次數參數以修正圖像的不重合現象，再通過同一坐標系上的相似幾何變換得出一個初始配準圖像，以初始配準的結果作為輸入，然后利用算法執行仿射變換的方式以達到進一步的精細配準。在配準的過程當中采用對比度強烈的蒙太奇藝術表現手法，使配準后的圖像更容易區分骨質與軟組織的位置。

關鍵詞：多模態醫學圖像配準;最大互信息配準;相似幾何變換;仿射變換

中圖分類號：TP3? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）19-0143-02

1 背景

臨床診斷上，醫生經常需要各種醫學圖像的支持來判斷患者的身信息，不同設備采集的圖像所得出的參數往往不一樣，當一種成像裝置所提供的數據信息不能滿足臨床的需要時，通常都會使用多種成像裝置進行醫學圖像成像，如在CT上獲取致密的組織信息（例如骨組織），從MRI上獲得軟組織信息，再進行CT和MR圖像的信息對比。圖像配準技術能夠將兩幅圖像中的信息綜合起來，使臨床的各種診斷、放療定位、醫療計劃以及療效評判更加準確。

2 基于最大互信息的多模醫學圖像配準

2.1 配準原理

互信息是基于信息理論的交互信息的相似性準則，被視為兩個隨機變量A和B之間的統計相關性的量度，或一個變量包含另一個變量的信息量的量度：定義圖像A為參考圖像，而圖像B為浮動圖像即經過平移旋轉等方法得到的圖像。

MI（A，B）=H（A）+ H（B）- H（A，B）

H（A）為圖像 A 的參考圖像個體熵，H（B）為圖像B的浮動圖像個體熵，H（A，B）為參考圖像A和浮動圖像B的聯合熵，為兩幅圖像之間的相關信息量。當兩幅圖像達到匹配時，交互信息達到最大值。互信息圖像配準方法利用了圖像的所有灰度信息，配準結果的精確性精度較高，但在計算中，聯合概率分布通過估算圖像重疊部分的聯合灰度直方圖得到。在配準過程中，圖像的重疊區域隨轉換參數的改變而改變，影響互信息算法所得出的值。選取CT與MR圖像，考慮到最大互信息法的配準相關性，使二者圖像素大小相接近，以MR圖像為參考圖像，CT圖像為浮動圖像為基礎進行讀取，讀取的效果如圖1所示。

對圖像進行“montage”的視覺藝術表現手法，圖像較大的CT圖總體呈現出綠色，圖像較小的MR圖總體呈現為紫色，形成視覺上的對比性。隨后以MR為參考圖像，CT為浮動圖像進行最大互信息法配準，經過初步配準過后，配準結果存在著不重合現象，需進行優化調整（如圖2（a）所示）。

2.2 改變優化參數提高配準精度

使用互信息配準法后，部分區域未能有效的配準，通過優化器[1]修改相似度量的優化方法的步長[2]與最大迭代次數[3]來解決。該過程使用了優化器的步長值處理和迭代算法處理。步長值代表在圖像配準中，每隔一段距離取一個點，點與點的距離即步長，通過修改步長以確定配準時取樣距離的最小值，達到最佳的配準結果。優化的算法迭代（優化器迭代的最大次數，指定為正整數標量）將尋找一組參數，產生最佳的匹配結果。使用相似度量的優化方法，減小算法優化器的步長，使其減小至合適的參數，并增加其迭代次數參數，運行后得出較為有效的配準圖（如圖2（b）所示）。

2.3 改變初始條件進行精細配準

執行多次多種優化算法配準，由于配準過程中有大量的輸入參數，配準后優化算法之間的差異會使某些區域變得不清楚。對圖像的相似幾何變換進行優化處理，優化后的結果圖作為引用對象，以改善步長與迭代優化器的屬性，完善圖像的配準。使用優化器進行幾何轉換輸出引用浮動圖像，再使用重新輸出選項來指定輸出圖像的像素大小和重新采樣的輸出圖像的像素大小。指定參考的圖像隨著重新輸出的引用浮動圖像使其具有相同的分辨率和圖像的像素大小。

幾何變換定義的變換矩陣使映射點移動到參考圖像的對應點，將仿射幾何變換轉換為相似的幾何變換，使圖像作為幾何變換的初始條件。更改初始條件的幾何變換可以對圖像邊緣處不重合的細小部分進行裁剪。通過以引用圖像為初始配準完善的相似性配準的結果與結合一個完整的仿射圖像配準可以得到一個較好的配準結果。最終的配準圖像后經灰度重新轉化為灰度圖得出效果如圖3。

3 結束語

圖像配準過程中，先用傳統互信息法用于初步的圖像配準，互信息方法的算術缺陷導致初始的配準效果不佳，使用優化器進行對算法的優化，經過優化與變換過后，得出有效的配準結果。然而經過多次的優化算法，配準后圖像的像素降低，通過相似性變換后的配準圖像作為初始配準條件，在仿射變換中使圖像的像素回歸最初的大小，配準結果得到優化。

參考文獻：

[1] 沈侖，壽鵬里.基于互信息的多模態醫學圖像配準方法研究[J].科學技術創新，2019（34）：93-94.

[2] 鐘娟，楊陽.淺談醫學圖像配準研究[J].科技致富向導，2014（21）：59.

[3] 曾文鋒，李樹山，王江安.基于仿射變換模型的圖像配準中的平移、旋轉和縮放[J].紅外與激光工程，2001，30（1）：17，18-20.

[4] 劉青芳，李月娥.基于改進的互信息結合邊緣互方差的醫學圖像配準方法研究[J].測試技術學報，2009，23（6）：535-539.

[5] Blaffert T，Wiemker R.Comparison of different follow-up lung registration methods with and without segmentation[C]// Medical Imaging 2004：Image Processing，San Diego，California，USA.2004，5370：1701-1708.

[5]Blaffert T， Wiemker R. Comparison of different follow-up lung registration methods with and without segmentation. In： Fitzpatrick JM， Milan S， editors; 2004. SPIE. 1701–1708.

[6] 李瑋琳.基于互信息的醫學圖像配準新方法[J].河南科技，2013（14）：1，99.

[7] 馬麗明，李艷婷，黃兆佳，等.醫學圖像處理技術[J].現代醫院，2007，7（11）：15-19.

[8] 陳昱，莊天戈.基于互信息非剛性醫學圖像配準的方法[J].上海交通大學學報，1999，33（9）：1125-1127.

[9] 劉益含，閆德勤，劉彩鳳.醫學圖像配準分類研究[J].計算機科學，2015，42（11）：22-27.

[10] 杜娟.多模態醫學圖像配準研究[D].蘭州：蘭州大學，2005.

【通聯編輯：代影