论文部分内容阅读
图像集配准(Groupwise image registration,GIR)的主要目的是将给定的图像集中所有的图像对齐到统一的空间中,使得不同图像间相同组织处于同一位置。目前,图像集配准被广泛应用于医学领域中,例如为医生临床诊断提供高效信息,监测术后器官恢复情况,对脑区功能进行检测等。在已经被提出的众多图像集配准方法中,基于图的图像集配准(The graph-based GIR,G-GIR)方法因具有运算高效和配准精确的特点被广泛研究。图像间相似度的计算是G-GIR方法的核心,目前常用的图像间相似性度量方法一般是基于待比较的两幅图像间的灰度差异,并没有考虑图像集的全局信息,导致在估计图像集中图像整体的分布流形时,存在较大误差。在传统G-GIR方法中,确定充当统一空间的根节点图像、非根节点到根节点的最短路径之后,得到非根节点图像配准到根节点图像最终形变场的方式是:融合其最短路径上相邻图像间配准的形变场。由于相邻图像间配准的误差,形变场的融合会造成误差积累。传统G-GIR方法所构建的图是静态的,即一旦确定图像间相似性,建立图后,图的拓扑结构就固定了。对于图像间存在较大差异的图像集而言,该方法的最终配准效果并不理想。针对上述问题,本文对传统G-GIR方法提出了改进。具体的主要研究工作如下:(1)本文介绍了两两图像配准的相关技术,如空间变换模型、插值技术,简述了图像配准算法的评价标准,系统的阐述了基于图的图像集配准的基本流程、数据集预处理处理方法、图像间相似性度量方法,对比并分析了 G-GIR方法和直接GIR方法。(2)针对基于局部图像信息计算图像间相似性,导致图像集中图像整体的分布流形估计不精确的问题,本研究采用了一种新的图像间相似性度量方法,稀疏流形编码(Sparse manifold coding,SMC),该方法不仅使用了图像集的全局信息,还利用了图像分布的流形特点,由于使用全局图像信息,因此得到的有向图与传统的基于局部图像信息得到的无向图相比,图像分布流形的估计更加精确。在配准过程中,非根节点图像及其依据配准路径配准得到的结果图像依次配准到其直接父节点图像,直至配准到根节点图像,融合所有形变场得到最终的配准形变场,降低了传统方法中的误差积累问题。实验结果表明:与基于局部图像信息的GIR方法相比,基于SMC方法的图像集配准在配准精度上有明显提高。(3)针对图像间存在较大差异的图像集,传统基于静态图的图像集配准方法存在局限性。本文使用了一种动态图策略,并结合SMC方法,提出了一种新的基于稀疏动态有向图的GIR方法。该方法通过迭代配准的方式完成所有图像到根节点图像的配准过程。每次迭代,根据目前的有向图,各非根节点图像配准到其父节点图像,然后重新计算得到的配准图像间的相似度,重新建立有向图,并确定根节点及非根节点的最短路径,作为下一次迭代的有向图。当所有非根节点图像都配准至根节点图像后,迭代终止。由于每次迭代后图像集中图像的相似度增大,因此更新后的动态图可以更精确的反应目前图像的分布流形,使得最短路径更加合理。通过与基于静态图的图像集配准方法比较,实验结果表明该策略的配准效果更好。