医学影像图像融合技术的新进展
【关键词】 诊断显像
【摘要】 为弥补解剖结构图像（CT, MRI, B超等）和功能图像（SPECT, PET等）的各自不足，医学图像融合技术应运而生，并且有了较大发展. 本文从三方面综述了近年来有关医学图像融合技术研究的最新进展，认为在医学影像设备的发展中，功能图像和解剖图像的结合是一个发展趋势，在肿瘤的精确定位、早期检测和诊断中将发挥重要的作用.
【关键词】 诊断显像；图像融合
0引言
医学影像学是临床诊断信息的重要来源之一. 根据医学图像所提供的信息内涵，可将医学影像分为两大类： 解剖结构图像（CT, MRI, B超等）和功能图像（SPECT, PET等）. 这两类图像各有其优缺点： 功能图像分辨率较差，但它提供的脏器功能代谢信息是解剖图像所不能替代的；解剖图像以高分辨率提供了脏器的解剖形态信息（功能图像无法提供脏器或病灶的解剖细节），但无法反映脏器的功能情况.
目前这两类成像设备的研究都已取得了很大的进步，一方面，双方都在逐步弥补自身弱点，如MR的功能成像开发以拓展其功能，SPECT, PET新型晶体开发以增强自身的空间分辨率；另一方面，双方均在不断地增强自身强项，如MR开发不同新型成像序列，CT的螺旋层数不断增加，PET的晶体数目越来越多. 这使得各自图像的空间分辨率和图像质量有很大的提高，但由于成像原理不同所造成的图像信息局限性，使得单独使用某一类图像的效果并不理想，且进展缓慢，往往事倍功半. 由于上述原因，医学图像融合技术应运而生［1］.
1图像融合（image fusion）技术的内涵
图像融合是指将多源信道所采集到的关于同一目标的图像经过一定的图像处理，提取各自信道的信息，最后综合成同一图像以供观察或进一步处理［2］. 简单来说，医学图像融合就是将解剖结构成像与功能成像两种医学成像的优点结合起来，为临床提供更多、更准确的信息. 其最终结果是1＋1>2.
20世纪90年代以来，医学图像融合技术随着计算机技术、通讯技术、传感器技术、材料技术等的飞速发展而获得重大发展，经历了异机图像融合和同机图像融合两个阶段.
2异机图像融合
2.1异机图像融合的研究内容在同机融合显像设备没有出现以前，图像融合的研究仅限于异机图像融合. 最初其研究内容仅限于相同或不同成像模式（imaging modality）所得图像经过必要的几何变换，空间分辨率统一和位置匹配后，进行叠加获得互补信息，增加信息量. 而现在，异机图像融合的研究范围包括： 图像对位、融合图像的显示和分析，利用从对应解剖结构图像（MRI， CT）获取的先验信息对发射型数据（SPECT， PET）做有效的衰减校正、数据重建等［3］.
2.2异机图像融合的基本方法按图像融合对象的来源可分为同类图像融合（innermodality，如SPECTSPECT， CTCT等等）和异类图像融合（intermodality，如SPECTCT, PETMRI, MRICT, MRB超等). 按图像融合的分析方法可分为同一患者的图像融合、不同患者间的图像融合和患者图像与模板图像融合. 按图像融合对象的获取时间可分为短期图像融合(如跟踪肿瘤的发展情况时在1~3 mo内做的图像进行融合)和长期图像融合(如进行治疗效果评估时进行的治疗后2~3 a的图像与治疗后当时的图像进行融合). 临床工作人员根据自己的研究目的不断设计出更多的融合方式.
2.3异机图像融合的主要技术图像融合的步骤大致为： 特征提取，设计误差评估方法，对图像数据进行处理使误差最小，将变换后的图像数据进行对位和综合显示，分析综合数据. 其中对位技术是图像融合的关键和难点［4］.
2.3.1特征提取特征提取可分为内部特征提取和外部特征提取内部特征主要是人体解剖结构特征，如颅骨、脊柱、胸骨、肋骨、关节；膈下软组织，如脾、肝、肾等等. 外部特征是为进行融合处理而特制在两幅图像上均可见的体表标记物. 据文献报道使用的外标志物有进行脑图像融合的头罩、牙环，胸部、腹部图像融合采用的背带，四肢图像融合采用的支架，甚至颅骨嵌入螺钉等等. 采用内部特征的优点是不需要对患者做预处理，可进行多次融合方法分析，缺点是难以实现融合自动化处理，需要人工干预，融合的精确性往往与经验有关. 外部特征的优点是特征明确，易于进行计算机自动处理，缺点是预处理复杂，并且由于体位而引起的脏器与体表标记之间的位移误差难以避免.
2.3.2误差评估方法常用的有基于相似度的误差评估方法(以相似度最大为最优)和基于距离的误差评估方法(以距离最小为最优).
2.3.3图像处理图像预处理： 对于有条件的图像进行重新断层分层(reslice)以确保图像在空间分辨率和空间方位上的大体接近. 几何变换： 主要包括尺度变换、平移、旋转等.
2.3.4图像的对位将处理好的图像按误差最小的原则进行对位. 按外部特征进行对位的方法以两幅图像上的特征点配准为对位成功. 按内部特征进行图像对位法主要有两种：图像分割配准和像素特征配准［5］.
图像分割配准法分为曲线法和表面法，在目前实际应用中较多采用. 因分割算法通常是半自动的，需人为参与，其配准的精度受限于分割的精度. 理论上此法可用于全身各部位的配准，但现在常用于神经系统成像和矫形外科成像. 曲线法是将一些具有几何特征的线条（如脊线）或栅格提取出来进行配准. 但是，曲线法要求图像有较高分辨率，以便提取几何特征. 表面法的代表算法是“头帽法”： 从一幅图中提取一组轮廓点作为“帽子”，从另一幅图中提取表面模型作为“头”，然后使用Powell搜索算法（使帽点和头表面间的距离平均平方和最小）来确定变换关系. 采用表面匹配技术可以对SPECT和PET的心脏图像进行了对位融合.
表面配准算法不仅用于3D刚性（rigid）变换，而且可用于3D弹性（elastic）变换，从而为一些组织器官的配准，如心脏、肝脏、肺等，提供了可能性. 但这种方法与其他基于组织分割的算法一样，配准精度受限于组织分割的精度. 近年来，由于分割算法的复杂程度降低、自动化程度提高以及斜面匹配技术在计算距离变换上的优势，此法被普遍应用. 表面配准法主要应用于PETMR图像的配准，由于SPECT图像的边界模糊，不宜使用此法. 像素特征配准法［6］： 像素特征配准法与其他内部特征配准方法不同之处在于,他是以图像灰度为配准依据，不需要对图像原始数据进行预归纳或预分割,其常用算法有主轴矩配准、全图像信息配准和图谱法配准. 主轴矩配准： 是将图像灰度内容转换为数量和方向的几何表示. 目前大多是从零阶及一阶矩中计算出图像的质心及主轴，再通过平移和旋转使两幅图像的质心和主轴对齐，达到配准目的. 此法对于数据缺失比较敏感，细节丢失或形状的病理性改变均会影响配准结果. 但此法实现了自动化，且十分快捷，易于移植，目前多用于粗配准. 全图像信息配准： 是在配准全过程中使用全部图像信息，使用的算法有区域相似性测量法、最大互信息法、相关法、联合熵法、条件熵法等. 此方法适用性最广，它不象其他内部特征法那样需先进行灰度图像的信息压缩提取，而是在配准过程中利用所有可获得的信息. 图谱法： 用于患者间的图像配准同一解剖结构的形状、大小、位置都会因解剖和生理上的个体差异有很大不同，这就使患者间的图像配准问题成为当今医学图像分析中的最大难题. 因此就要有一个详细标记人体各个解剖位置的标准化图谱. 用图谱法对两个患者的`PET或MRI图像进行比较时，首先把二者的图像都映射到一个标准化的图谱空间去，然后在此空间中进行比较. 使用内部特征定位不需外加定位装置,但要求两幅图像要有相似结构或共同体位特征才可进行匹配. 定位的精确度是由具体的算法来决定的.