龙空技术网

基于互信息改进的算法有什么不足,在其他算法上又有什么应用?

天下战史 169

前言:

现时姐妹们对“智能算法与传统算法”都比较关心,朋友们都需要知道一些“智能算法与传统算法”的相关文章。那么小编也在网上汇集了一些关于“智能算法与传统算法””的相关知识,希望朋友们能喜欢,我们一起来了解一下吧!

在医学图像配准领域,目前国内外配准的基本方式主要有两类:一类基于图像的特征,包括但不限于边缘信息、角点信息等。根据特征的由来,主要分为体内特征和体外特征。

体内特征也即患者部位的组织结构信息,根据采集到的无外部器械侵入的图像,为了获取其中的所需的特征,需要对其做处理,然而这里的图像处理对分割的精度要求比较高,在目前的技术理论支持下,分割的误差比较大,导致配准的效果不是很好。

体外特征在配准的结果上有好的改善,但由于需要外部器械的介入,在实际的临床应用中局限性较大。第二类主要基于图像的灰度信息,该类做法目前研究比较多,主要使用图像的灰度值信息作为衡量图像配准的相似性测度,调整空间变换矩阵,达到配准的目的。

传统配准算法不足分析

互信息已经在刚性和仿射的单模态或多模态图像配准中发展为准确的相似性测度。然而,该测度的鲁棒性在广泛应用到其他数据上时存在不足。

原因在于从计算公式中可以看出该度量缺少空间信息。本实验的想法是提出通过将互信息与配准的图像梯度相组合,使得该测度在互信息的基础上弥补空间信息缺失的不足。

对于梯度项不仅要匹配对齐梯度幅度高的部分,并且要注意该部分的梯度方向具有一致性。

结合多年以来的实验,表明在诸多类型的图像配准中,互信息是研究最为深入的一种测度。

互信息是一种基于灰度强度的相似性测量度量,不需要人为的在体外或者体内做出标记或表面的特征,非常适合多模态的基于图像灰度强度的测量方法。

与基于灰度值的相关性或灰度值的差的度量不同,互信息不假定图像中的灰度值之间存在线性关系。几项独立的研究显示,互信息适合作为多模态医学图像的相似性配准测量度量。

(RREP)配准评估项目是互信息性能的最佳佐证,这是一项关于将16种配准方法的准确性与螺钉标记金标准进行比较的国际研究。

研究了计算机断层扫描(CT)和正电子发射断层扫描(PET)脑图像到磁共振(MR)图像的配准,每种方法的实验都由提出该特定方法的研究小组进行。

可以得出结论,该研究中基于互信息的方法是最准确的方法之一,其准确度接近基于螺钉标记的金标准。然而,互信息并不是万能的方法,尽管取得了普遍有希望的结果,但基于互信息的匹配可能会导致配准错误。

互信息配准功能可能定义不明确,包含局部最佳解。例如,当图像具有低分辨率、包含很少信息、只有小区域重叠时,或者由于插值方法,这可能会导致局部最佳值。

互信息通常可以很好地配准图像,但偶尔仍会失败,因此正在进行改进该方法的研究。已经提出了对该方法不同方面的改进,例如多分辨率方法、不同的熵度量、关于重叠的不变性和“高阶”互信息,使用相邻体素强度的共轭矩阵。

改进的算法理论基础

有一种互信息测度的适应方法,以包括分别包含在每个图像中的空间信息,互信息不包含此空间信息(灰度值的插值除外)。在这里将互信息与梯度测量相结合以提供空间信息,图像梯度本身已被证明是有用的配准标准。

简单地在梯度图像上结合互信息看上去是结合空间信息的符合逻辑的解决方案,由于梯度函数可能由于狭窄的定义使得在配准过程中丢失大量的图像灰度信息。因此,在这里设计了一种新测度。

梯度是在一定的空间尺度上计算的。本文研究扩展了相互信息量度(标准的和标准化的),以包括每个图像中存在的空间信。

通过将互信息与梯度项相乘来完成此扩展。梯度项不仅基于梯度的大小,还基于梯度的方向。

不同模态的不同成像过程意味着多模态图像未必形容相同的组织转变。所以,在某种成像条件下出现的强梯度在其他成像条件下可能不存在。

一般的我们只需要关注两幅图像中的强梯度部分,所以角度函数还需要乘以梯度幅度的最小值。所有样本的结果总和为我们提供了梯度项,我们将其和互信息度量作积。新的配准相似性测度为:

实验结果分析:本实验提出了通过合并空间信息来适应相互信息的措施,本文称其组合测度。该度量将标准或归一化的互信息与梯度信息结合在一起。

梯度信息的本质在于,在配准时,应匹配具有梯度大小值较大的区域,同时也应使这些位置处的梯度方向相仿。

基于以上提出的新测度的配准的效果如下图所示:

研究中提出的结果表明,在平滑度和吸引力方面,组合测度产生的配准函数优于标准互信息函数以及归一化的互信息度量。组合测度的函数得到了更好的定义,包含更少的错误最大值,并从较大的初始错误配准优化得到全局最大值。

这些措施对低分辨率图像表现更好,并减少了插值引起的局部最小值。在标准互信息表现良好的情况下,组合测度的配准函数相似,全局最优值不会显着变化,组合测度的准确性与标准化互信息的准确性相似。

由于更好地定义了配准功能,使用组合措施的配准可能更加稳健。

下表3.1给出了数据的初始姿态参数值。表3.2的实验数据表示在正面和侧面的两幅视图上的配准结果的平均值。从表中可以看出在组合测度下的偏移量较小,且DICE系数接近于1。

为了展示本文提出的测量方法的效果和鲁棒性优势,下面列出在其他数据上做的相关实验结果。

为了验证本文提出的算法具有鲁棒性,在这里分别在CAD模型数据以及其他的CT数据上进行实验,可视化结果分析验证该算法在2D-3D的配准技术上有一定的参考价值。

在STL数据配准中的使用

为了从立体光刻格式的CAD(如图3.15所示)模型生成DRR,使用了来自开源软件VTK和开源计算机视觉库OpenCV的渲染工具。

假体植入物的模拟图像通过VTK、Python图形库的无阴影渲染快速生成为具有白色背景的二进制图像,随后,它们被VTK模糊。

OpenCV允许在大约15毫秒内快速生成DRR,生成的图像是二进制的,除了边缘,因此不会再现真实的X射线投射,其中每个X射线的衰减与物体内行进的长度成正比。

然而,在真实的透视图像中,该区域内的像素值植入物轮廓的轮廓相当均匀:这是因为金属植入物通常具有较高的线性衰减系数,导致临床能量对X射线光子的高吸收。因此,准二值图像被认为足以准确用于金属植入物的配准。

使用VTK库中vtkOBBTree类的IntersectWithLine方法测试了适用于DRR生成表面模型的X射线投射算法,该方法计算射线与物体相交的入口和出口点,从而允许计算精确的放射路径长度。

该方法在本文实验中没有使用,因为这种方法对于图像配准来说太慢了,它比使用OpenCV的方法要慢,并且没有实现它的并行版本。另一个原因是填充操作的参数必须根据每个单独的STL文件的分辨率进行调整:在某些情况下,由于填充不完美可能会出现孔洞,如图3.18所示。

在这里,使用相机投影方程和已知的固有成像参数(焦距、像素大小和主点坐标)将对应于CAD模型STL文件顶点的3D点投影到成像平面上,将生成的投影点得到的二值图像进行填充操作,得到一个普通的二值掩模,最后,应用高斯模糊来平滑边缘

左图(a)为未经过高斯去噪处理原图,右图(b)为经过高斯函数处理的X光图像。这里要注意前期对X光图像进行掩膜处理。

图3.17和图3.18实验说明在使用VTK库中的vtkOBBTree类的IntersectWithLine方法下生成的DRR含有孔洞的效果不如直接利用OpenCV处理的效果。

在这里应用互信息与梯度信息结合的相似性测度,通过实验以及对实验结果进行后处理,在对生成的二值化DRR图像进行轮廓检测并绘制,通过可视化的观察结果,如下图3.19所示,两幅待配准的图像位置基本吻合。

该实验数据经过前期的预处理,分割出了待配准的骨组织结构,保存为STL格式。通过投影并二值化处理,使得两幅待配准图像在单一的图像灰度方面做到配准,这里可以注意到分割后的模型,生成的DRR经过二值化,前景色为黑色,通过在互信息中引入梯度信息,丰富测度,使得该模型在初始化参数良好的情况下配准效果接近最佳情况。

见图3.20,该实验结果表明在单一的互信息、梯度相关以及组合测度下位移偏移量相当,组合测度下相较前两者的旋转偏移量更小,综合分析,组合测度下效果更佳。

在髋关节数据配准中的使用

如图3.21中的左图,体数据中包含其他的组织成分,这里根据第二章介绍的CT体绘制原理,借助VTK医学图像处理工具,为了保证体数据的自身位置不发生变化,应用SimilarityTransformType泛型类对其做处理,由于将体数据中的其他组织过滤掉,涉及到插值处理,这里采用LinearInterpolateImageFunction泛型类做线性插值,并设置图像生成的阙值为100。

对于其他的关于体数据的信息,比如体数据原点,体数据的像素间距,体数据方向以及维度,这里做默认处理,将以上数据用ResampleImageFilter类处理。经过处理,得到如图3.21中的右图所示。

本数据缺乏X光数据,这里根据需要,在这里创建随机位置的模拟的X光图像,如下图3.22所示。

实验结果:通过以上的前期数据准备,可以看到,模拟的X光图像组织结构轮廓不是很清晰。

对于此数据,结合互信息和梯度信息,经过遗传算法优化,实验结果如下所示。

图3.23为待配准图像与参考图像相减结果,图像中前景色接近背景色,轮廓大致对齐。分析原因,在模拟的X光中,由于图像结构灰度不是很明显,此时若只采用互信息相似性测度,根据互信息测度的含义,是计算两幅图像的灰度相似性,也就是一幅图像中包含另一幅图像的信息多少,包括图像灰度概率分布。

而此时两幅图像在灰度方面差异较大,通过引入梯度信息,包括图像的方向,边缘轮廓等信息,弥补互信息的不足。

实验数据表示在单一互信息和组合测度下其旋转偏移量相当,组合测度的位移偏移量较单一的互信息更优,综合表明组合测度效果更佳。

参考文献:

[1]TangL,HamarnehG,IniewskiK.Medicalimageregistration:Areview[J].Medical

imaging:technologyandapplications,2013,1:619-660.

[2]QinB,ShenZ,FuZ,etal.Joint-SaliencyStructureAdaptiveKernelRegressionwith Adaptive-ScaleKernelsforDeformableRegistrationofChallengingImages[J].IEEEAccess,2018,6:330-343.

[3]JiaP,LuX,ChenX,etal.Anintensity-basedrigidregistrationof2DC-Armand3DCT imagesforimage-assistednavigationsystem[C]//31stInternationalCongressandExhibitionofComputerAssistedRadiologyandSurgery(CARS).2017.

[4]BreeuwerM,WadleyJP.TheEASIproject-improvingtheeffectivenessandqualityofimage-guidedsurgery[J].IEEEtransactionsoninformationtechnologyinbiomedicine,1998,2(3):P.156-168.

[5]YamazakiT,WatanabeT,NakajimaY,etal.Improvementofdepthpositionin2-D/3-D registrationofkneeimplantsusingsingle-planefluoroscopy[J].IEEETransactionsonMedicalImaging,2004,23(5):602.

[6]Guéziec,WuK,KalvinAD,etal.Providingvisualinformationtovalidate2-Dto3-D registration[J].MedicalImageAnalysis,2000,4(4):357-374.

[7]KubiasA,DeinzerF,FeldmannT,etal.2D/3DimageregistrationontheGPU[J].Pattern Recognition&ImageAnalysis,2008,18(3):381-389.

[8]TomazevicD,LikarB,SlivnikT,etal.3-D/2-DregistrationofCTandMRtoX-ray images[J].IEEEtransactionsonmedicalimaging,2003,22(11):1407-1416.

标签: #智能算法与传统算法