论文部分内容阅读
多模态磁共振成像(Magnetic Resonance Imaging，MRI)是一种其能为放射科医师提供综合、全面的组织结构与病变信息的现代医学成像技术，其广泛应用于临床检查与诊断。但由于拍摄时间较长，MRI成像过程中患者身体位置移动难以避免，使得不同模态MRI图像中同一组织位置存在差异，严重影响医师的综合判断。多模态MRI图像配准技术将不同模态的图像统一至同一坐标系中、对齐同一组织影像，使得医学诊断、手术制定、放射规划等更加准确和可靠。互信息(Mutual Information，MI)作为一种常用于多模态图像配准中的相似性度量，研究发现其存在着易于受到多模态图像间的“结构失配现象”影响的缺陷，从而造成多模态图像配准性能的降低。在此背景下，为有效解决基于MI的多模态MRI图像配准中结构失配问题，本文深入研究了其形成原因、影响机理与解决方法，取得了以下创新性研究成果：
(1)为分析多模态MRI图像结构失配对MI分布的影响，深入研究了结构失配对基于MI的多模态MRI图像配准的影响机理。从多模态MRI图像成像原理角度分析了结构失配现象成因，通过建立结构失配模型深入研究了结构失配对基于MI多模态MRI图像配准的影响机理，理论分析证实了结构失配是造成MI全局极大值错误偏移的原因，该结论为后续多模态MRI图像配准方法的设计奠定了坚实的基础。
(2)颅脑部位解剖结构较为独特，脑部软组织被颅骨等组织包围，在多模态颅脑MRI图像中，颅骨周围组织存在显著结构失配现象。针对颅脑多模态MRI图像配准中结构失配问题，引入地图集用于补偿图像间颅骨等组织的失配结构信息，提出了一种基于地图集的多模态MRI图像配准方法。该方法将地图集作为结构失配图像间的信息桥梁，通过地图集与不同模态图像间的空间变换求取配准图像之间的变形场，间接补偿了失配结构信息，从而实现了多模态MRI图像的配准。模体图像和颅脑多模态MRI图像配准实验结果表明，该方法有效解决了结构失配对基于MI的颅脑多模态MRI图像配准的影响，提高了其配准精度。
(3)胸部器官较多、个体差异较大，并且胸廓外部脂肪组织是造成多模态MRI图像中结构失配的重要因素。针对胸部多模态MRI图像配准中结构失配问题，引入形态学处理用于补偿胸廓外部脂肪组织的失配结构信息，提出了一种基于形态学结构补偿的多模态MRI图像配准方法。该方法结合活动轮廓模型分割与形态学处理生成胸部MRI图像中缺失的脂肪组织，直接补偿了缺失的结构信息，进而求取补偿图像与参考图像间的变形场，实现结构失配的多模态MRI图像配准。模体图像与胸部MRI图像配准实验结果表明，该方法有效解决了结构失配对基于MI的胸部多模态MRI图像配准的影响，提高了其配准精度。
(4)为进一步提高图像间缺失结构的补偿精度，利用对抗生成网络(Generative Adversarial Networks，GAN)优化结构补偿，提出了一种基于GAN的胸部多模态MRI图像配准方法。通过学习图像中组织结构特点与分布信息，GAN网络生成与真实组织形态一致性更好的补偿图像，进而求取补偿图像与参考图像配准变形场，实现浮动图像与参考图像的配准。模体图像与胸部MRI图像配准实验结果表明，该方法提高了结构补偿精度，从而获得了更高的多模态MRI图像配准精度。
论文针对基于MI的多模态MRI图像配准中结构失配问题展开了深入研究，以缺失结构补偿为解决问题的出发点提出了多种用于多模态MRI图像的配准方法，实验结果验证了理论分析的正确性和提出方法的有效性。
(1)为分析多模态MRI图像结构失配对MI分布的影响，深入研究了结构失配对基于MI的多模态MRI图像配准的影响机理。从多模态MRI图像成像原理角度分析了结构失配现象成因，通过建立结构失配模型深入研究了结构失配对基于MI多模态MRI图像配准的影响机理，理论分析证实了结构失配是造成MI全局极大值错误偏移的原因，该结论为后续多模态MRI图像配准方法的设计奠定了坚实的基础。
(2)颅脑部位解剖结构较为独特，脑部软组织被颅骨等组织包围，在多模态颅脑MRI图像中，颅骨周围组织存在显著结构失配现象。针对颅脑多模态MRI图像配准中结构失配问题，引入地图集用于补偿图像间颅骨等组织的失配结构信息，提出了一种基于地图集的多模态MRI图像配准方法。该方法将地图集作为结构失配图像间的信息桥梁，通过地图集与不同模态图像间的空间变换求取配准图像之间的变形场，间接补偿了失配结构信息，从而实现了多模态MRI图像的配准。模体图像和颅脑多模态MRI图像配准实验结果表明，该方法有效解决了结构失配对基于MI的颅脑多模态MRI图像配准的影响，提高了其配准精度。
(3)胸部器官较多、个体差异较大，并且胸廓外部脂肪组织是造成多模态MRI图像中结构失配的重要因素。针对胸部多模态MRI图像配准中结构失配问题，引入形态学处理用于补偿胸廓外部脂肪组织的失配结构信息，提出了一种基于形态学结构补偿的多模态MRI图像配准方法。该方法结合活动轮廓模型分割与形态学处理生成胸部MRI图像中缺失的脂肪组织，直接补偿了缺失的结构信息，进而求取补偿图像与参考图像间的变形场，实现结构失配的多模态MRI图像配准。模体图像与胸部MRI图像配准实验结果表明，该方法有效解决了结构失配对基于MI的胸部多模态MRI图像配准的影响，提高了其配准精度。
(4)为进一步提高图像间缺失结构的补偿精度，利用对抗生成网络(Generative Adversarial Networks，GAN)优化结构补偿，提出了一种基于GAN的胸部多模态MRI图像配准方法。通过学习图像中组织结构特点与分布信息，GAN网络生成与真实组织形态一致性更好的补偿图像，进而求取补偿图像与参考图像配准变形场，实现浮动图像与参考图像的配准。模体图像与胸部MRI图像配准实验结果表明，该方法提高了结构补偿精度，从而获得了更高的多模态MRI图像配准精度。
论文针对基于MI的多模态MRI图像配准中结构失配问题展开了深入研究，以缺失结构补偿为解决问题的出发点提出了多种用于多模态MRI图像的配准方法，实验结果验证了理论分析的正确性和提出方法的有效性。