随着医学成像及图形图像技术的不断进步,该技术正在逐步渗入医学领域中,开创了数字医疗的新时代。尤其是对核磁共振(Magnetic Resonance, MR)脑图像的分析处理,具有很重要的临床应用价值。立体脑图像的弹性配准是该领域的难点问题,也是近几年来医学图像处理技术研究的热点。纵观现有的配准算法,本文总结出了以下的一些不足之处:⑴几乎所有的配准算法在整幅图像中都使用相同的图像特征来确定两幅图像中点与点之间的对应关系。但是相同的图像特征无法保证在图像的各个局部区域都可以正确地建立对应关系。另一方面,所有的配准算法都使用相同的图像邻域来提取图像特征,而忽略了图像局部信息的空间变化。⑵现有的配准算法依次地对图像中的每个点进行运算,而没有考虑到不同的点在配准过程的各个阶段具有不同的重要性。⑶以往的配准算法多使用简单的各向同性的平滑项来规范化位移场。然而这种处理方法虽然简化了问题,但是由于忽视了图像的局部信息以及位移场的群体信息,对配准结果的准确性和鲁棒性有很大的影响。本论文针对现有的配准算法的局限性,提出了一种基于机器学习的弹性配准框架,即通过学习图像样本空间中的各种统计信息来改进现有算法的不足之处,从而提高配准算法的性能。本文的主要工作和创新点如下所述:1.用机器学习的方法确定图像中每个点上的提取图像特征的最佳邻域大小。首先,本文定义了每个点上的提取图像特征所要求的最佳邻域大小的标准:在最佳邻域中提取的图像特征不仅要和周围的点具有最大的差异性,而且要和样本空间中不同个体上的对应点具有最大的相似性,即所谓的特征显著性和特征一致性标准。然后,通过计算不同的图像特征在特定邻域内分布的熵来分别量化上述的两个标准,同时引入马尔可夫随机场保证每个点上的最佳邻域的大小具有空间连续性。最后,构建能量函数并用基于梯度的最优化方法得到图像中每个点上计算图像特征的最佳邻域大小。2.用机器学习的方法确定图像中每个点上的最佳特征。首先,挑选典型的局部图像特征构建图像特征集。集合中的特征不仅种类不同,而且在计算特征时所用的邻域大小也不同。然后,整个脑图像被分为许多自相似的区域,在每个区域中用adaboost根据特征显著性和一致性标准来学习最佳特征。为了提高训练算法的性能,上述的两个步骤,即图像划分和特征选择被有机地结合在一起:图像划分为进行特征选择奠定了基础,特征选择反过来又可以改善图像划分的效果。实验证明用本文所提出的学习算法挑选的最佳特征是合理有效的,可以显著地提高配准过程中建立对应关系的准确程度。3.用机器学习的方法确定图像中的关键点。在给定了最优特征向量后,本文定义了配准过程中的图像体素点的重要性指标:该点上的最优特征向量应该和周围邻域内的点具有最大的可分性,而且要和样本空间中的对应点具有最大的一致性。利用该项指标可以对图像中的体素点的重要性进行评估,使得关键点集中在脑室角点、脑回顶端及脑沟根部等图像信息丰富的区域。学习关键点的好处在于可以实现分阶段层次化的配准,避免配准算法陷入局部极值点。4.用机器学习的方法分析位移场的统计信息。首先本文提出用多层B样条函数来表示整个位移场,并通过自适应地在图像中放置控制点来克服了高维空间中训练样本过少的困难。在低分辨率时由于样条控制点之间的间距相对较大,需要学习的控制点参数维数较低,在训练样本有限的情况下可以解决。在高分辨率时,虽然控制点的数目呈指数级增长,但是可以根据样条函数的已逼近程度及控制点在图像中的重要性进行取舍,从而实现降低统计模型维数的目的。其次,本文提出对每一层的B样条控制点进行主成分分析(Principle Component Analysis, PCA),构建多层次的控制点参数统计模型,学习位移场在不同分辨率时的统计信息。最后,本文提出用位移场的统计模型对位移场进行合理的规范化,纠正配准中可能出现的不正确的形变。5.构建基于机器学习的弹性配准框架。本文提出的弹性配准框架分为两个阶段:学习阶段和配准阶段。在学习阶段,分别用adaboost的方法选择最佳的图像特征,评估体素点的重要性,挑选图像中的关键点,用多层的B样条函数表示位移场,构建位移场的多层统计模型。在配准阶段,先层次化地挑选关键点,然后用学习到的最佳特征来更加准确地建立参照图像和浮动图像间关键点的对应关系,其余点的对应关系由关键点决定。在每次迭代过程的最后,用控制点参数模型在不同的分辨率上对位移场进行规范化。综上所述,本文提出了一种基于机器学习的智能弹性配准框架,通过学习最佳特征、关键点及位移场的统计信息来提高现有配准算法的精度。在该框架下,我们进行了两方面的应用。首先,用学习到的最佳邻域大小代替HAMMER算法中的固定邻域,用学习到的图像关键点代替HAMMER中只经过简单阈值处理得到的驱动点,使得HAMMER算法的性能在真实和模拟的人脑MR图像上得到了显著的提高。其次,我们对HAMMER算法进行了扩展,提出用新的统计学习方法对在不同邻域内提取的不同种类的图像特征进行训练,挑选出最佳的图像特征,克服了HAMMER算法需要事先对图像进行分割的局限性。此外,我们采集了100个位移场作为训练样本,在此基础之上学习位移场的统计信息并对配准过程中产生的位移场进行规范化。经过扩展后,HAMMER算法不光在配准精度上得到了很大的提高(配准平均误差由原来的0.95mm减小到0.66mm),而且配准的鲁棒性也比原来得到了改善。