利用相关比相似性测度多分辨率配准MR和PET医学图像的方法

采用了全新的相关比相似性测度作为配准的测度准则，提出了有效的磁共振(MR)和正电子发射端层扫描(PET)临床医学图像配准方法。具体设计时，采用了加速的多分辨率的配准方案，对方案中涉及的几何变换选取、重采样、多分辨率体数据表达及最优化方法进行了详细的设计分析。最后，利用多分辨率配准方法，对MR和PET临床医学图像进行配准，给出了令人满意的效果，同时和基于体素灰度的直接配准法相比，配准速度也有了很大提高。     

医学图像配准方法分类

医学图像配准是医学图像融合的前提，具有重要的临床诊断和治疗价值，它可以把来自不同模态、不同人或不同时间的多幅图像进行配准。本文依据九个标准对医学图像配准的方法进行了总结。     

多模式医学图像的融合和配准技术

医学影像工程不断发展,出现了很多先进的成像设备,有力地支持了医学诊断和治疗。而以计算机技术为基础的成像后处理技术进一步提高了诊疗的可靠性。我们着重介绍了多模式医学图像融合和配准的技术内容和应用。     

医学图像配准技术

医学图像配准是医学图像分析的基本课题,具有重要理论研究和临床应用价值。本文较全面地介绍了医学图像配准的概念、分类、配准原理、主要的配准技术及评估方法。     

基于互信息的多分辨率三维脑图像配准方法

在3D多模医学图像的配准方法中，最大互信息法精度高，鲁棒性强，使用范围广，本文将归一化互信息作为相似性测度，采用不同的采样范围和采样子集，使用Powell多参数优化法和Brent一维搜索算法对3DCT，MR和PET脑图像进行了刚体配准，为了加快配准速度，使用了多分辨的金字塔方法，对PET图像采用基于坐标的阈值选取方法对图像进行分割预算法，消除了大部分放射状背景伪影，美国万德贝尔大学对结果进行的评估证明配准精度可达亚体元级。     

基于区域相似性测量的CT/PET图像配准

图像配准在临床诊断中有重要意义,针对这一问题已经提出了许多方法.本文以区域相似性匹配测度,运用改进的分割方法,结合Powell寻优算法实现了CT/PET多模医学图像配准.实验结果表明,该算法易于实现,配准速度快、精度高,鲁棒性较好.     

医学图像配准技术

本文较全面地介绍了医学图像配准的概念,分类,配准原理,主要的配准技术及评估方法。     

基于关键点的超声图像与磁共振图像多分辨率离散优化配准方法

脑肿瘤手术规划及术中，术前磁共振（MR）图像与术中超声（US）图像的配准甚为关键。考虑到两种模态图像具有不同密度范围及分辨率，且超声图像存在较多的斑点噪声干扰，采用一种基于局部邻域信息的自相似性上下文（SSC）描述子定义图像之间的相似性测度。将超声图像作为参考，使用三维微分运算提取其中角点作为关键点，并采用密集位移采样离散优化算法实施配准。整个配准过程分为仿射配准和弹性配准两个阶段，在仿射配准阶段，对图像进行多分辨率分解，在弹性配准阶段，采取最小卷积和均值场推理策略对关键点的位移向量进行正则化处理。对22名患者的术前MR和术中US图像进行配准实验，仿射配准后的误差为（1.57±0.30）mm，每对图像配准平均耗时1.36 s；弹性配准后的误差为（1.40±0.28）mm，平均用时1.53 s。实验结果证明本文采用的方法具有良好的配准精度和速度。     

医学图像配准的研究方法纵览

0 引言 医学影像技术的临床应用不仅仅局限于常规的诊断阶段,已经贯穿了临床活动的整个过程,影像信息可分为两大类:解剖信息和功能信息.解剖信息描述人体形态结构的信息,主要包括X线、CT、MRI、US、视频图像,并发展得到MRA、DSA、CTA、Doppler.功能信息描述人体解剖结构的新陈代谢信息,主要包括平面闪烁扫描术、SPECT、PET、fMRI.     

基于互信息的多光谱图像配准

研究了多模态医学图像配准的一种，即多光谱图像的配准，分析了该配准存在的困难：运算量巨大，速度较慢，占用内存多，提出了用parzen窗口函数来估计概率密度，以及用样本平均来估计熵；在搜索策略上采用了快速有效的模拟退火算法。实验证明，本文的方法很好地解决了多模态配准中存在的问题，能够快速稳定地实现多光谱图像的配准。     

利用多分辨率分析的胸部X线数字图像粗糙集滤波增强

研究采用一种分辨率分析的胸部X线双能量分离数字图像，实现粗糙集滤波增强的新算法。该方法在用多分辨率分析处理图像的基础上，根据粗糙集理论的条件属性，将每个尺度获得的图像均采用粗糙集处理算法划分为不同的子图像，然后对各个子图像分别作区域滤波和对比度增强处理，最后合成一幅高清晰度的新图像。从结果中可看出，采用这种方法处理后得到的图像效果较为理想，能给临床上的医学工作者提供较清晰的图像，同时也为后续的计算机辅助诊断提供有效的依据。     

基于薄板样条的MRI图像与脑图谱的配准方法

为了将CT、MRI、PET或SPECT等断层扫描图像用于疾病的辅助诊断、放射治疗、手术计划和引导 ,就必须知道图像中感兴趣区 (ROI)是什么解剖组织 ,即解决医学图像的解剖标识问题。医生通常是从解剖书籍、图谱及自身经验来对ROI做出判断。这些书籍和图谱往往给出的是文字描述和有限数目的 ,固定位置和方向的断层图片 ,很难与患者的实际图像联系起来。对于缺乏临床经验的医生来说尤为困难。数字化 3D人脑解剖图谱使医生对人脑深部组织全方位可视化。因此可以将其通过一定的空间变换 ,与MR体积数据集中的ROI进行比较 ,从而得到ROI的解剖标识。但是 ,没有两个人的大脑是完全一样的。人脑的解剖个体差异较大 ,这就要求利用非线性变形的方法做解剖标识。本研究介绍通过薄板样条变换用Talirach脑图谱对MR图像做解剖标识的方法。     

基于CT的头颅骨三维表面重建

基于头颅骨的计算机断层 (CT)图像 ,研究了一种对头颅骨表面三角化重建的方法。首先通过交互式分割选择出感兴趣区域 (ROI) ,提取出ROI的轮廓点并根据位置关系对轮廓点排序。然后基于局部形态最佳的思想 ,对两相邻断层图像上的轮廓点进行三角化 ,从而得到具有最佳几何形态的三角化表面。最后用实际的CT图像对所提出的算法进行实验 ,验证了此种方法的快速、有效和鲁棒性。     

基于Gibbs随机场的有限混合模型改进与脑部MR图像的稳健分割

有限混合(FM)模型已经广泛地应用于图像分割，但是由于没有考虑空间信息，导致分割的结果对噪声很敏感，分割出的区域存在很多杂散的孤立点。本文Gibbs随机场理论的指导下，将空间信息引入FM模型，提出了改进的脑部MR图像分割算法。此外，由树形K平均聚类来估计初始参数，实现了全自动的图像分割。本研究进行了仿真MR图像和真实MR图像的分割实验，定量的数据分析表明，我们所提的改进算法对噪声不敏感，可以更精确地将脑部MR图像标记为灰质、白质与脑脊液三种组织类型。