基于稀疏表示和有向圖的核磁腦圖像集配準(zhǔn).pdf

1、圖像集配準(zhǔn)(Groupwise image registration，GIR)的主要目的是將給定的圖像集中所有的圖像對齊到統(tǒng)一的空間中，使得不同圖像間相同組織處于同一位置。目前，圖像集配準(zhǔn)被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域中，例如為醫(yī)生臨床診斷提供高效信息，監(jiān)測術(shù)后器官恢復(fù)情況，對腦區(qū)功能進(jìn)行檢測等。在已經(jīng)被提出的眾多圖像集配準(zhǔn)方法中，基于圖的圖像集配準(zhǔn)(The graph-based GIR，G-GIR)方法因具有運算高效和配準(zhǔn)精確的特點被廣泛研究

2、。
　　圖像間相似度的計算是G-GIR方法的核心，目前常用的圖像間相似性度量方法一般是基于待比較的兩幅圖像間的灰度差異，并沒有考慮圖像集的全局信息，導(dǎo)致在估計圖像集中圖像整體的分布流形時，存在較大誤差。在傳統(tǒng)G-GIR方法中，確定充當(dāng)統(tǒng)一空間的根節(jié)點圖像、非根節(jié)點到根節(jié)點的最短路徑之后，得到非根節(jié)點圖像配準(zhǔn)到根節(jié)點圖像最終形變場的方式是:融合其最短路徑上相鄰圖像間配準(zhǔn)的形變場。由于相鄰圖像間配準(zhǔn)的誤差，形變場的融合會造成誤差積累。

3、傳統(tǒng)G-GIR方法所構(gòu)建的圖是靜態(tài)的，即一旦確定圖像間相似性，建立圖后，圖的拓?fù)浣Y(jié)構(gòu)就固定了。對于圖像間存在較大差異的圖像集而言，該方法的最終配準(zhǔn)效果并不理想。
　　針對上述問題，本文對傳統(tǒng)G-GIR方法提出了改進(jìn)。具體的主要研究工作如下:
　　(1)本文介紹了兩兩圖像配準(zhǔn)的相關(guān)技術(shù)，如空間變換模型、插值技術(shù)，簡述了圖像配準(zhǔn)算法的評價標(biāo)準(zhǔn)，系統(tǒng)的闡述了基于圖的圖像集配準(zhǔn)的基本流程、數(shù)據(jù)集預(yù)處理處理方法、圖像間相似性度量方法，

4、對比并分析了G-GIR方法和直接GIR方法。
　　(2)針對基于局部圖像信息計算圖像間相似性，導(dǎo)致圖像集中圖像整體的分布流形估計不精確的問題，本研究采用了一種新的圖像間相似性度量方法，稀疏流形編碼(Sparse manifold coding，SMC)，該方法不僅使用了圖像集的全局信息，還利用了圖像分布的流形特點，由于使用全局圖像信息，因此得到的有向圖與傳統(tǒng)的基于局部圖像信息得到的無向圖相比，圖像分布流形的估計更加精確。在配準(zhǔn)過程

5、中，非根節(jié)點圖像及其依據(jù)配準(zhǔn)路徑配準(zhǔn)得到的結(jié)果圖像依次配準(zhǔn)到其直接父節(jié)點圖像，直至配準(zhǔn)到根節(jié)點圖像，融合所有形變場得到最終的配準(zhǔn)形變場，降低了傳統(tǒng)方法中的誤差積累問題。實驗結(jié)果表明:與基于局部圖像信息的GIR方法相比，基于SMC方法的圖像集配準(zhǔn)在配準(zhǔn)精度上有明顯提高。
　　(3)針對圖像間存在較大差異的圖像集，傳統(tǒng)基于靜態(tài)圖的圖像集配準(zhǔn)方法存在局限性。本文使用了一種動態(tài)圖策略，并結(jié)合SMC方法，提出了一種新的基于稀疏動態(tài)有向圖的G

6、IR方法。該方法通過迭代配準(zhǔn)的方式完成所有圖像到根節(jié)點圖像的配準(zhǔn)過程。每次迭代，根據(jù)目前的有向圖，各非根節(jié)點圖像配準(zhǔn)到其父節(jié)點圖像，然后重新計算得到的配準(zhǔn)圖像間的相似度，重新建立有向圖，并確定根節(jié)點及非根節(jié)點的最短路徑，作為下一次迭代的有向圖。當(dāng)所有非根節(jié)點圖像都配準(zhǔn)至根節(jié)點圖像后，迭代終止。由于每次迭代后圖像集中圖像的相似度增大，因此更新后的動態(tài)圖可以更精確的反應(yīng)目前圖像的分布流形，使得最短路徑更加合理。通過與基于靜態(tài)圖的圖像集配準(zhǔn)方