一、文献综述
- 国内外研究现状
医学图像的配准算法根据配准依据分可以分成两类，一类是基于区域的配准方法，主要依据信息论的原理。还有一类为基于图像特征的配准算法，主要依据一些特征识别算子找到两幅图像的共同的特征，从而进行特征对齐的配准。
在过去的几十年里，信息理论的相似性度量成功地缓解了多模态图像配准与其他类别图像配准之间的差距，并得到了广泛的研究和扩展到更高级的形式。这一步骤得益于互信息(MI：Mutual information)成功使用，由Viola和Wells等人，以及Collignon和Maesl引入和推广。近年来，Maes等人认识到MI方法在多模态医学图像配准任务中带来了革命性的突破。然而，MI的广泛应用和研究也揭示了其不足之处。首先，它不是重叠不变的，因此，当图像没有正确对齐时，MI可能在某些情况下达到最大值。在最大限度地提高医学图像配准的M1分数之后，一些更为先进的基于信息理论方法已经被研究来弥补上述缺陷。例如，Studholme等人提出了一种MI的归一化版本，即NMI(Normalized Mutual information)，以更好地通过临床MR和CT脑图像体积对切片进行配准。Skouson等人研究了可变形图像配准的最大MI的上界，这可以为MI作为相似性度量的使用提供进一步的理解。此外，Loeckx等人提出了一种改进的非刚性配准相似度度量cMI。cMI是一种基于强度和空间维数的三维联合直方图，通过Parzen窗和广义部分体积核两种方法结合张量积B样条非刚性配准方法构建直方图。考虑到这些统计度量通常基于单个像素联合分布模型，统计准则也在全局或局部区域实现。例如Studholme等人吲从MI局部评价的线性加权和出发，提出了RMI(Region Mutual information)来减少局部强度变化引起的误差。还有一些人使用八叉树或局部分布函数来降低误差。
（二）研究主要成果
图像配准就是将两个具有相同空间或结构的图像匹配到一起。虽然弹性变换在医学图像分析中更为现实，但一般也采用刚性变换来初步确定全局位移。重点是一个全新的相似度度量的完整的自动配准框架，为了方便起见，只考虑包含平移和旋转的刚性变换。图像配准的目的是找到最优变换模型使得变换后的浮动图像尽可能的对齐参考图像^。对齐程度是通过一个特定的相似度度量S来评估的。
现行图像配准流程：配准过程是从搜索空间中找到一个最优的位置，使配准算法所用到的测度函数达到最优解，并对待配准的图像进行几何变换，为了保证灰度的连续性，选取合适的插值方法对非整数点进行插值处理。但在实施配准过程前，我们要根据具体的应用场景确定合理的特征空间和有效的搜索方法，进而应用恰当的优化过程找到满足相似性测度函数最大的变换参数。相似性度量是操控配准其他过程的关键部件，度量算法利用参考图像和浮动图像的变换和插值拟合结果来估算两个图像强度相似性。图像的相似性度量是通过比较图像的灰度相关性，用来衡量每次变换后的浮动图像与参考图像的匹配程度或优劣的准则。度量算法非常灵活，可以与任何变换或插值算法一起工作，而且不需要稀疏采样。总体来说，相似度量算法是配准框架里特别关键的要素，相似性度量算法的选择很大程度上取决于要解决的配准问题。例如，一些度量算法具有很大的采样范围，而其他度量需要初始化接近最佳位置，再如，一些度量算法只适合同一模态图像之间比较，而其他的可用于不同模态之间的度量。参数优化就是获取最优的变换参数矢量，通常使用一个迭代优化策略。常用的优化算法如：改进Powell算法、粒子群算法、遗传算法、蚁群算法、差分演化算法等等。变换模型是计算机图形学的重要知识，图像配准的使用变换模型是把一个图像从当前空间映射到另一个指定空间的过程。医学图像配准常常使用刚性变换、放射变换、薄板样条变换和B样条的弹性变换模型。图像插值可以理解为计算不在初始坐标网格位置上的点的像素值。对于经 过几何变换后的浮动图来说，所得到的点坐标不一定为整数值，这时就需估算该点的灰度值，因此要进行插值操作。插值方法有最近邻域法、双线性插值法和立方卷积插值法等，一般来说，插值方法的复杂程度和配准精度成正相关。
图像配准方法：基于特征的配准方法则提取各组图像中固有不变的特征点，这些点作为浮
动图像与参考图像配准过程的参考信息。该方法首先要确定参考图像和浮动图像对应的特征点对，将对应的基准点对准，进而求得一种变换参数进行匹配。这里的特征点可以是外部和内外标记点。所谓的外部特征点通常是可以被检测到的物体表面上的明显标记物。基于区域的配准方法是以相似度指标最大化为基础，通过寻优过程找到变换的最优参数。对于浮动图像和参考图像，就是要找到一个空间变换T，满足参考图像和变换后的浮动图像之间的相似度最大。
（三）发展趋势
在手术引导治疗中，2D/3D 图像配准在辅助医生准确定位病人病灶上是一种重要技术，被广
