[发明专利]一种基于PCA及微分同胚Demons的变形医学图像配准方法

说明书

技术领域

本发明涉及一种基于PCA及微分同胚Demons算法的变形医学图像配准方法，属于医学图像处理技术领域。

背景技术

计算机辅助手术是依靠图像引导的介入性手术，在术前利用当今医学领域的先进成像设备如CT、MRI、PET等,得到病灶的多模医学图像数据,并由医生制定合理的手术方案,在术中利用计算机和立体定位系统进行图像相关处理及实时监视,利用一定的引导系统,对手术进行干预。影响手术导航系统性能的最主要指标是手术引导的精确度。图像数据、立体定位技术、配准算法及影像漂移等是影响精确度的主要因素。其中医学图像配准是整个导航系统的核心内容,也是研究的重点和难点。配准的目的就是将术前规划数据(病人图像或生理结构模型)与术中实时数据统一到同一坐标系下，达到指导手术的目的。如今，术前数据通常是3D的CT，MRI或2D的X线投影透视图像。术中数据通常是2D的超声图像，X线投影透视图像，CT透视图像以及光学图像或3D的锥形CT和超声图像或3D数字化的点或面集。因此依据成像的维数，配准分为3D/2D、3D/3D或2D/3D。不同维数图像需先转换为同一维度下方可继续进行配准。在此重点讨论同一维度下的图像配准。

算法的精准度及速度是医学图像配准最重要的两个评价指标。配准旨在寻求一个变换T，使得在不同时间、场景、设备等条件下获取的同一或不同场景下的两张图像达到最大程度的相近，即使两图像间误差E达到极小。由于变换T有多个参数，因此配准过程中多参数的优化，变换T及相似性测度E是研究配准的关键问题。配准依据变换T分为刚性及非刚性配准，刚性配准适用于骨骼等不易变形的部位，非刚性配准适用于软组织等易变形的器官。非刚性配准的变换T分为基于物理模型，插值原理，知识形变模型和特征约束的模型。其中基于物理模型的配准包括弹性体模型，粘性流体模型，扩散模型，微分同胚模型和基于曲率的配准。弹性配准模型仅能配准小形变的图像，但无法精确配准具有形变较大的图像；粘性流体配准模型可以配准大形变图像，但可能误配准相连的不同组织结构，易得到病态结果。基于插值原理的配准算法具有易于求解的优点，但是这类算法不能揭示组织变形的物理意义，需要人工干预配准过程，配准精度易受特征提取的精度会影响。

扩散模型中的Demons算法是一类优秀的算法，它运算简单，效率高且配准结果较好。Demons是热力学理论中的概念，于19世纪由Maxwell提出。Demons具有这样一种属性，他能够区分分子类别并促使其产生选择性扩散而最终将其隔离。假设A、B两个容器中存放有AB两类混合粒子。A、B容器中间有一个半透膜，上面布满了Demons粒子，由于Demons粒子具有某种特性能够识别A、B粒子，它只允许A分子扩散到A区，B分子扩散到B区,最后将两种粒子完全分离。Thirion把以位移场表示几何变换的非参数配准看成扩散过程，于1998年提出基于光流场的最初的Demons算法，且Hellier于2003年对常用的6种配准算法进行对比，结果表明原始Demons算法在各种精确度评价指标下都最高。Wang于2005年提出Active Demons方法，将来自两幅图像绝对梯度的两个单向力进行叠加变为双向力，从而提高了配准精确度和收敛速度。Roglj于2006年提出Symmetric Demons方法。Vercauteren于2007年将微分同胚的概念引入log-Demons配准中，很好的保留了解剖体的拓扑结构。Peyrat于2010年将多通道的Demons用来配准4D时间序列的心脏图像。Lombaert于2014年提出Spectral-log-demons方法，此算法在图像存在大的变形情况下仍可以获得精准的配准结果。本发明采用微分同胚Demons框架。