一種基于網(wǎng)格匹配的Demons算法的多期CT圖像配準(zhǔn)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，具體涉及多期CT圖像配準(zhǔn)方法。
【背景技術(shù)】
[0002] 多時(shí)期肝部增強(qiáng)CT掃描目前是肝臟疾病診斷技術(shù)之中的一種實(shí)踐標(biāo)準(zhǔn)。增強(qiáng)CT 掃描的特點(diǎn)是掃描前靜脈內(nèi)注入含碘對(duì)比劑，注入后對(duì)比劑首先經(jīng)下腔靜脈進(jìn)入腹部動(dòng)脈 肝臟動(dòng)脈，因此腹部動(dòng)脈和肝臟動(dòng)脈顯影，此時(shí)獲取的圖像稱為動(dòng)脈期圖像；然后對(duì)比劑進(jìn) 入肝門靜脈和肝靜脈，分別獲得肝門靜脈和肝靜脈期的圖像。由于CT部分容積效應(yīng)，直徑 較小的病灶在CT掃描上難以顯示或者顯示不清，而肝臟多期掃描可以發(fā)現(xiàn)平掃不能顯示 的病灶，尤其是小于Icm的小病灶。在獲取到不同時(shí)期的增強(qiáng)CT圖像后，放射科醫(yī)生需要 對(duì)不同時(shí)期兩幅圖像的信息進(jìn)行綜合來(lái)對(duì)肝部疾病進(jìn)行識(shí)別和定位。然而，病人在兩次圖 像獲取之間的呼吸作用會(huì)使肝部的位置和形狀發(fā)生微妙的變化，這大大增加了醫(yī)生診斷的 難度，甚至可能導(dǎo)致誤診情況的出現(xiàn)。因此，需要一種配準(zhǔn)的方法對(duì)兩個(gè)不同時(shí)期CT圖像 中的肝部和其他組織進(jìn)行對(duì)準(zhǔn)，從而改善醫(yī)生的診斷過(guò)程。其次，在肝臟介入治療的圖像導(dǎo) 航系統(tǒng)中，術(shù)中的配準(zhǔn)是極為關(guān)鍵的一個(gè)環(huán)節(jié)，配準(zhǔn)的質(zhì)量和速度直接影響著定位和手術(shù) 效果。但是目前對(duì)腦部配準(zhǔn)的研究比較多，且配準(zhǔn)方法已經(jīng)成熟，而對(duì)于腹部臟器的配準(zhǔn)因 其形變以及復(fù)雜性和模糊性遇到了很多困難，而對(duì)于肝臟這種軟組織的配準(zhǔn)，變形的處理 是不得不考慮的因素。
[0003] 醫(yī)學(xué)圖像配準(zhǔn)方法分為剛性配準(zhǔn)方法和非剛性配準(zhǔn)方法。其中剛性配準(zhǔn)方法由醫(yī) 學(xué)圖像配準(zhǔn)框架決定，包括三個(gè)部分，變換模型，測(cè)度函數(shù)，優(yōu)化策略。由于剛性配準(zhǔn)方法僅 是形變配準(zhǔn)的預(yù)配準(zhǔn)步驟，因此簡(jiǎn)單效率高的方法更適合做剛性預(yù)配準(zhǔn)方法。梯度下降法 是最常見(jiàn)最早使用的優(yōu)化策略算法，由于其簡(jiǎn)單、計(jì)算復(fù)雜度低且適用于任何維度的圖像 配準(zhǔn)中，因此傳統(tǒng)的剛性配準(zhǔn)算法經(jīng)常采用梯度下降法。在同模態(tài)尤其是多模態(tài)圖像間的 配準(zhǔn)中，互信息是最常用的一種相似性測(cè)度函數(shù)。其主要優(yōu)點(diǎn)是無(wú)需建立具體的依賴關(guān)系， 可以建模復(fù)雜的相互映射關(guān)系。這種靈活性使得互信息成為多模態(tài)配準(zhǔn)常用測(cè)度函數(shù)。然 而互信息與兩幅圖像的重疊有關(guān)，因此在配準(zhǔn)的過(guò)程中兩幅圖像重疊時(shí)會(huì)出現(xiàn)局部極值從 而導(dǎo)致配準(zhǔn)的失敗。多分辨率方法采用由粗到精的策略，通常用來(lái)提高配準(zhǔn)性能減少局部 極值。但是對(duì)于三維圖像配準(zhǔn)來(lái)說(shuō)，隨著配準(zhǔn)精確性的提高，計(jì)算復(fù)雜度也大大增加，無(wú)法 同時(shí)做到精確性和高效性。
[0004] 非剛性配準(zhǔn)方法中Demons算法是一個(gè)主流算法，由于計(jì)算復(fù)雜度低，性能較好， 經(jīng)常用來(lái)配準(zhǔn)由呼吸作用引起的形變。Demons方法是由Thirion在1998年受Maxwell的 熱動(dòng)力學(xué)原理啟發(fā)提出的一種可形變的圖像配準(zhǔn)方法。該Demons方法使用兩幅的灰度 和梯度作為外力來(lái)驅(qū)動(dòng)配準(zhǔn)的進(jìn)行，并且求解過(guò)程采用迭代方式。首先選取圖像所有像素 或者體素作為Demons，然后迭代一次，求解demons的位移域，但由于其位移域是基于局部 信息得到的，所以需要對(duì)求得的位移域使用高斯核函數(shù)進(jìn)行平滑處理來(lái)達(dá)到全局配準(zhǔn)的目 的，最后使用三線性插值方法變換目標(biāo)圖像，這四個(gè)過(guò)程反復(fù)迭代直到達(dá)到迭代次數(shù)或者 迭代條件終止。
[0005] Thirion的方法非常高效，并且在主流的配準(zhǔn)算中各種精確度評(píng)價(jià)指標(biāo)最高。其 中Active Demons算法將浮動(dòng)圖像的梯度信息作為一種正內(nèi)力，參考圖像的梯度信息作為 負(fù)內(nèi)力，利用這兩種力同時(shí)驅(qū)動(dòng)形變，該方法能夠克服原始Demons配準(zhǔn)算法的部分缺陷， 收斂速度更快，配準(zhǔn)精確性更高。對(duì)稱的Demons配準(zhǔn)算法在原始Demons算法的基礎(chǔ)上將 形變的內(nèi)力改進(jìn)為對(duì)稱梯度，即把參考圖像和浮動(dòng)圖像的梯度平均化，認(rèn)為它們對(duì)于圖像 形變的貢獻(xiàn)等同，而不是局限于使用參考圖像的梯度，該方法相對(duì)于其他Demons力的收斂 速度快，匹配誤差小。微分同胚的demons方法將舊的形變域和迭代域的指數(shù)映射exp(.) 相加作為當(dāng)前的形變域。由于計(jì)算每一次迭代后指數(shù)映射相對(duì)復(fù)雜，因此采用一種高效的 計(jì)算方法-計(jì)算矩陣指數(shù)的SS (Scaling and Squaring)方法，對(duì)形變域做若干次的復(fù)合運(yùn) 算就可以快速地計(jì)算位移域的指數(shù)映射。位移域（迭代域）的指數(shù)映射保證了形變的微分 同胚性，即指數(shù)映射后仍然是微分同胚的，整個(gè)位移域都是微分同胚的，保證了形變的可逆 性。為了能將Demons算法更好的適用于計(jì)算機(jī)解剖學(xué)中微分同胚Demons方法也被擴(kuò)展為 對(duì)稱的，微分同胚因可以保持物體的拓?fù)浣Y(jié)構(gòu)以及避免不合理的物理形變的特點(diǎn)，因此本 方法選擇微分同胚Demons算法作為形變配準(zhǔn)算法。但是微分同胚Demons算法僅僅適用于 無(wú)灰度差的圖像配準(zhǔn)中，不適合多期CT圖像的配準(zhǔn)。

【發(fā)明內(nèi)容】

[0006] 針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供一種基于網(wǎng)格匹配的Demons算法的多期 CT圖像配準(zhǔn)方法。
[0007] 本發(fā)明的技術(shù)方案是：
[0008] -種基于網(wǎng)格匹配的Demons算法的多期CT圖像配準(zhǔn)方法，包括以下步驟：
[0009] 步驟1 :計(jì)算機(jī)X射線斷層掃描設(shè)備對(duì)人體腹部進(jìn)行CT掃描；
[0010] 步驟2 :獲取腹部CT圖像，每組腹部CT圖像包含若干張腹部斷層掃描圖像；
[0011] 步驟3 :閾值處理得到參考圖像R，浮動(dòng)圖像M ;
[0012] 步驟4 :基于梯度閾值掩膜的剛性預(yù)配準(zhǔn)，得到預(yù)配準(zhǔn)后的浮動(dòng)圖像；
[0013] 步驟4. 1 :計(jì)算參考圖像和浮動(dòng)圖像的兩層圖像金字塔，用簡(jiǎn)單的高斯金字塔生 成圖像序列，初始金字塔層數(shù)為〇,變換參數(shù)默認(rèn)為〇 ;
[0014] 步驟4. 2 :取當(dāng)前層金字塔參考圖像和浮動(dòng)圖像，平移變換參數(shù)為上一層變換參 數(shù)的2倍，旋轉(zhuǎn)參數(shù)和上一層變換參數(shù)一致；
[0015] 步驟4. 3 :計(jì)算參考圖像的梯度閾值掩膜圖像并在掩膜上隨機(jī)采樣得到一個(gè)采樣 點(diǎn)集合；
[0016] 步驟4. 4 :對(duì)采樣點(diǎn)進(jìn)行剛性變換；
[0017] 步驟4. 5 :對(duì)剛性變換后的采樣點(diǎn)進(jìn)行線性灰度差值，并更新聯(lián)合概率分布圖，然 后計(jì)算出圖像R和M的互信息；
[0018] 步驟4. 6 :當(dāng)互信息沒(méi)有達(dá)到最大時(shí)，執(zhí)行步驟4. 7 ;否則執(zhí)行步驟4. 8
[0019] 步驟4. 7 :梯度優(yōu)化器根據(jù)互信息的梯度值生成下一次剛想變換參數(shù)，更新變換 矩陣，返回步驟4. 4;
[0020] 步驟4.8 :如果層數(shù)達(dá)到最大值，那么循環(huán)結(jié)束，輸出浮動(dòng)圖像Mp ;如果層數(shù)沒(méi)有 達(dá)到最大值，那么讓層數(shù)的值加1，重新執(zhí)行步驟4. 2,再次進(jìn)入循環(huán)，直至循環(huán)到層數(shù)達(dá)到 最大值，輸出浮動(dòng)圖像Mp ;
[0021] 步驟5 :網(wǎng)格匹配，得到網(wǎng)格匹配后的參考圖像，即新的參考圖像；
[0022] 步驟5. 1 :以步驟4所得圖像Mp和源圖像R作為輸入，計(jì)算網(wǎng)格聯(lián)合直方圖 H(i, j)；
[0023] 步驟5. 2 :對(duì)于H(i，j)中的任意i，找出概率最大的配對(duì)（i，j)，在參考圖像中用j 替換i ;
[0024] 步驟5. 3 :如果網(wǎng)格的遍歷沒(méi)有完成，返回步驟5. 1 ;否則輸出變換圖像Rm;
[0025] 步驟5. 4 :將源圖像R和圖像Mp劃分網(wǎng)格，在對(duì)應(yīng)的網(wǎng)格上進(jìn)行直方圖匹配，從而 對(duì)源圖像R進(jìn)行變換，得到網(wǎng)格直方圖匹配后的圖像R h;
[0026] 步驟5. 4 :將源圖像R通過(guò)網(wǎng)絡(luò)直方圖匹配所得到的變換圖像和變換圖像Rm進(jìn)行 圖像融合，輸出變換圖像R1;
[0027] 步驟6 :微分同胚Demons形變配準(zhǔn)，得到最終的結(jié)果圖像；
[0028] 步驟6. 1 :將參考圖像R1和浮動(dòng)圖像Mp作為微分同胚的Demons算法的輸入，進(jìn)行 計(jì)算；
[0029] 步驟6.2 :輸出步驟6. 1計(jì)算計(jì)算結(jié)果，得到最終結(jié)果圖像Mr。
[0030] 所述步驟4. 1計(jì)算參考圖像和浮動(dòng)圖像的兩層圖像金字塔，用簡(jiǎn)單的高斯金字塔 生成圖像序列，具體步驟如下：
[0031] 步驟4. I. 1 :設(shè)金字塔層數(shù)為L(zhǎng)，則使用方差為（L/2)2高斯平滑圖像；
[0032] 步驟4. 1. 2 :相應(yīng)的層級(jí)對(duì)圖像進(jìn)行重采樣以縮小到相應(yīng)大小。
[0033] 所述步驟4. 3計(jì)算參考圖像的梯度閾值掩膜圖像并得到采樣點(diǎn)，具體步驟如下：
[0034] 步驟4. 3. 1 :首先計(jì)算參考圖像的梯度圖像；
[0035] 步驟4. 3. 2 :將梯度圖像進(jìn)行高斯平滑，即保證梯度閾值掩膜圖像中包含部分梯 度為〇的點(diǎn)；
[0036] 步驟4. 3. 3 :然后設(shè)置閾值為Th，該值一般的范圍是[1，10]，即閾值處理后將梯度 為〇的點(diǎn)去除；如果圖像中的點(diǎn)的梯度值小于設(shè)定閾值Th，則將該點(diǎn)的梯度閾值掩膜設(shè)為 〇 ;如果圖像中的點(diǎn)的梯度值大于等于設(shè)定閾值Th，則將該點(diǎn)的梯度閾值掩膜設(shè)為1，得到 梯度閾值掩膜圖像和采樣點(diǎn)；
[0037] 步驟4. 3. 4 :在掩膜上隨機(jī)采樣若干數(shù)量的點(diǎn)。
[0038] 所述步驟4. 7梯度優(yōu)化器根據(jù)互信息的梯度值生成下一次剛想變換參數(shù)具體步 驟如下：
[0039] 步驟4. 7. 1 :梯度值生成下一次的變換參數(shù)的計(jì)算公式如下，對(duì)于旋轉(zhuǎn)參數(shù)，下一 次的變換參數(shù)χ(η+1)的計(jì)算公式表示為：
[0041] 對(duì)于平移參數(shù)，計(jì)算公式表示為：
[0043] 互信息的梯度VF(Xw)表示為
[0045] 其中μ表示X(n)，p (l，k; μ)表