文摘
而各种不同的特征点匹配方法在计算机视觉已报告,一些特征点匹配的方法用于图像从非刚性的,不均匀的人体组织的报告。目前的工作是关心内部变形场测量复杂的人体组织三维磁共振(MR)容积图像。为了提高匹配结果的可靠性,本文提出了综合匹配指数(CMI)多重方法融合的基础方法来增加这些不同方法的可靠性。其中,我们将讨论的定义、组件和重量测定CMI。为了验证该方法的有效性,它应用于实际容积图像从一个志愿者先生的小腿。主要结果与实际情况一致。
1。介绍
物理属性的基础生物模拟、计算机辅助医疗应用,如临床诊断和手术模拟、手术计划。和评估内部变形场或变形运动的生物组织在物理参数估计起着非常重要的作用。因此,测量生物组织的内部变形领域成为研究焦点。磁共振(MR)成像(MRI)提供一流的解剖图像的空间分辨率和软组织之间的对比;因此,它广泛应用于计算机辅助医学应用,如临床诊断、手术模拟、操作计划和评估生物组织的物理特性。越来越多的研究者在医学模拟和医学虚拟现实关注内部变形字段或运动测量生物组织的容积图像,先生,已经成为医学图像分析的重要分支之一。一般来说,估算体积先生的变形图像的方法可分为两种典型类型:弹性变形模型和特性matching-based方法。
弹性变形可以分为基于模型的方法参数或几何活动模型(1]。获得对象的变形信息,参数活动轮廓,也称为蛇,尽量减少成本函数,定义函数给定初始变形对物体的边界轮廓。该方法首次引入了卡斯等人(1987年2),随后开发和使用Lang et al。3],曹和Benkeser [4],Matuszewski et al。5)来估计非刚性的对象的变形运动。在几何活动模式1,6- - - - - -8),曲线和一个物体的表面是首先发现。然后,曲线的变形传播和表面是用来跟踪运动。然而,无论什么弹性变形模型使用,缺点存在于变形估算;例如,参数活跃模型不能处理的拓扑变化演变的轮廓变形时直接执行,通常,使用启发式拓扑处理程序(8]。在几何活动模型,对比是贫穷和界限不明确或者是连续图像,通过边界轮廓往往泄漏(9]。标记图像必须有一个正则网格模式在成像平面上的数量,因为如果标记点低,测量精度会贫穷。比前两个更重要的方面,不管使用的弹性变形的模型,它们只能处理变形的非刚性物体的边界,而不是内部变形。
近年来,研究人员已经越来越多地关注非刚性的特征点匹配方法。通常,薄板spline-robust点匹配(RPM)是一个著名的非刚性的特征点匹配算法,可以估计联合通信和非刚性的两个大小不同的点集之间的转换。然而,能量函数的最优处理利用崔的方法可能被困在糟糕的局部最小值(10]。郑提出RPM-local社区结构(LNS)的非刚性的特征点匹配方法,基于特征点之间的相对距离和方向的假设在一个社区保存(11]。李提出改进的LNS和拓扑保持放松标签(TPRL)算法。TPRL方法,记录距离和极角箱是用来捕获粗位置信息的特征点附近。使用形状上下文,Belongie提出了非刚性的点匹配方法。在这种方法中,每个特征点由直方图描述符表示这个特征点之间的距离和方向及其邻居特征点(12]。此外,其他一些有用的方法也提出了特征点匹配,如相干点漂移的非刚性的点匹配方法(13,14)和保护当地的几何特征(15]。在这些方法中,一种新的目标函数被定义为保留当地image-to-image仿射对应转换。一般来说,一些尚未解决的问题是参与上述非刚性的点匹配方法;例如,能量函数的最优处理可能会困在糟糕的局部最小值,相邻的拓扑特征点并不总是保存好,等等。最重要的是,在这些方法中,特征点的有用的信息被认为是单一和缺乏一个全面的方法,它可以与有用的和重要的信息混淆形变测量的点匹配。
因此,为了进一步改善提出feature-matching-based方法和提高匹配结果的鲁棒性,提出了一种综合匹配指数(CMI)。节2节中,我们介绍一些以前的工作3我们描述CMI的概念和定义,并部分4介绍了CMI应用特性匹配的图像对非刚性的对象。节5给出例子和初步的实验结果,讨论和结论提出了最后一节。
2。以前的工作
人类视觉感知特征匹配中起着重要作用,识别和计算机视觉。在医学成像,大多数现有的功能matching-based研究和内部变形场测量集中在非刚性配准。这些作品的总体想法是首先从医学图像中提取特征点或标记从非刚性的收购对象对自然和变形状态,分别。接下来,特征匹配算法应用于提取特征点集建立健全相应的配对。最后,相应的对作为控制点,用于在非刚性配准计算稀疏形变领域内部变形场测量。因此,寻找健壮的相应对目前的工作是一个至关重要的问题。我们调查现有的计算机视觉的特征点匹配工作。放松是一个有效的技术来消除歧义匹配,提高匹配的可靠性。寻找全局最优松弛或相当良好的次优的解决方案是一项艰巨的任务,这样的匹配技术在非刚性的医学图像处理已经很少了。然而,一个潜在的优势是,困难可以使用全局优化技术来解决匹配问题。
Papademetris et al。16)提出了一个集成的方法为非刚性的特性和强度信息登记。在这种情况下,提出了一种基于距离的健壮的点匹配框架估计特征点对应关系。算法的一个缺点是,它使用加权最小二乘估计变换,从而影响匹配的力量。
Zhang et al。17)引入了一个特性matching-based算法和考虑问题的二维变形场测量为例。匹配的优势使用相关测量和相对两个特征点之间的距离。放松的优化算法是演绎匹配强度的函数。在后来的研究18),轻微的修订后,算法扩展到一个3 d的情况,因为磁共振(MR)的强度图像的信息组织映射在一个图像。因此,区域在两个点之间的相关强度匹配和放松可以有效地使用组织的性质。
工作(19)提出了一种局部几何保护算法来找到相应的特性对从给定的特征点集卷先生从一个对象获得的对自然和变形状态,分别。特征匹配算法的主要贡献是,非刚性的组织,当外力作用于它,变形大小和方向在不同地区是不同的。然而,对于一个局部区域的对象,不同的是非常轻微的,有时会忽略。
图像特征点匹配的问题仍然是医学图像处理带来了极大的挑战。因此,特征匹配的准确性需要进一步改善。一般来说,单一因素,如强度和距离,是有效的为特定的区域匹配算法。然而,总精度得不到提高。多因素的整合形成一个复合的方法可以利用每个因素的优势来提高精度。目前的工作提出了一个综合的框架,可以构成组分在一个成本函数和关联的权重对相应的功能。
3所示。CMI
CMI-based特征点匹配的方法,提出了解决不同的融合算子类型和从单一运营商提高结果的可靠性。在这里,CMI是一个标量描述匹配点对的可能性。让 向量的分量值和其相应的重量,分别。然后,根据线性加权法,CMI被定义为 受 在哪里代表的CMIth一对,代表的价值CMI组成的组件,代表的重量th组件,CMI是组件的数量。这里,组件是一个因素,它可以用来评估特征点相似之处。重量是用来测量组件对CMI的重要性。各种加权方法对不同的研究领域已报告。在这种情况下,考虑每个组件的独立,相关加权方法用于确定每个组件的重量。让是组件的相关向量组成的相关性得分和。的重量时间被定义为 与 在哪里的价值吗th特征点对,匹配对的总数在潜在的匹配集获得在时间吗。
因为在潜在的特征点对匹配集时获得的作为样本来计算重量的th组件次迭代,对潜在的匹配集在每个时间是不同的。因此,值也不同在不同的时间,保持迭代匹配的过程。
CMI保险丝multifeature匹配算法是一种有效的方法。CMI充分利用所有的考虑因素来生成一个更健壮的特征匹配方法,获得更精确的匹配结果。因此,特征点匹配算法,决定通过相似性匹配的强度判断功能,理论上可以作为CMI组件集成。在这种情况下,局部几何持久性(LGP),当地的强度相似(LIS)和本地相关分数(LCS)地区参与者之间选择的组件来计算CMI一对匹配()和演示CMI的有效性。以下部分将讨论如何计算LCS, LGP和LIS)。
为方便描述,首先阐明了如下几个定义(1)最初的特性集先生,特征点提取体积获得从对象的自然状态。(2)变形特性集先生,特征点提取体积获得对象的变形状态。(3)经前综合症,一个潜在的功能匹配设置由一对匹配()当且仅当的最佳匹配是反之也是最好的比赛吗。(4) 代表了特征点在最初的特性集代表了特征点在变形的特性集。
3.1。LGP
让和使用初始时刻中心计算特性及其变形特性集的映射,分别是th点在最初的特性集,让变形特性集的映射。基于一致的变形在当地地区,潜在的匹配对的距离比中心相当于当地地区远离他们的时刻,因此收益率 在哪里的距离比吗th潜在的匹配对在当地的周边地区,之间的欧式距离吗和,之间的欧式距离吗和,是潜在的匹配对的数量在当地区域。理想情况下,在当地的地区应该是一个常数。
此外,和集的潜在的距离对在当地周边地区对吗,分别。基于数学期望的定义,我们的收益 因此,如果变形的特性集的最佳匹配一个给定的特性在最初的特性集,那么潜在的匹配对的几何变形在一对当地的周边地区被定义为 受 在一个小地方地区,所有的应该是大约相同的和趋于零;的值越小,更好的潜在的匹配对的几何持久性。在这种情况下这就叫做几何持久性。因此,的影响因子th特性对LGP一小局部区域内 几何属性在一个局部区域大约是一致的在最初和变形状态。如果是最好的一对相互匹配,那么相关的局部区域内潜在的匹配对必须是一个强大的一个。相关的分数几何持久性的项目经理在一个小地方周围地区代表特征的LGP对吗,特别是: 在哪里是潜在的匹配的数量在一个局部区域。在(11),如果很大,对吗可能是一对强大的匹配;因此,它的重量也必须大。此外,一系列的值应该是。正常化收益率规范化LGP作为
3.2。LIS)
LIS用于描述一对特征点周围的区域强度区别在初始和变形量。如前所述,组织在一个局部区域都是一样的在最初和变形状态。因此,基于核磁共振原理,强度差异很小。两个地区之间的内积有相同的属性和旋转的不变性,放大和缩小。地区之间的标准化的内积是用来定义两个区域的相似性。因此, 在哪里是该地区在初始体积集中在功能吗和映射的区域吗集中在功能。
3.3。LCS
让和的强度th立体像素为中心的区域内和分别在初始变形,卷。让是当地的立方大小的区域。当地的本地立方地区之间相关性评分功能在初始体积先生和总统候选人匹配特性在变形量被定义为先生 在哪里 在这里,和当地的标准推导吗在功能和,分别。他们是由 在哪里和邻居家的平均强度的特性和,分别。
4所示。应用特征匹配
本部分描述使用CMI内部变形的测量领域。首先,成本函数获得最优特征对迭代。然后,描述的实际特征匹配算法。最后,内部变形测量领域使用最优特性对。
4.1。成本函数
CMI是一个指数,措施之间的力量一个给定的特性及其在特征匹配候选匹配。从理论上讲,对于一个给定的参考功能,其潜在匹配一定是最强的CMI所有的候选人之一。因此,对于一组最佳的潜在的匹配,其整个CMI也将是最强的。基于这个想法,我们的收益 在哪里成本函数的迭代和代表总数的匹配对经前综合症时获得的。
4.2。实际的匹配算法
特征匹配算法的目标是获得一个最优的最终经前综合症。经前综合症的概念优化上述成本函数最大化迭代。在每个迭代步骤,目前经前综合症的力量是由所有候选匹配评估使用成本函数定义在经前综合症。将会停止,直到迭代步骤不再增加或受到停止条件。具体来说,输入两个特征点集从先生获得容积图像对象的自然和变形状态下,分别。输出是一个最佳的经前综合症。算法的具体流程总结如下。(0)计算LCS和LIS)。对于每个给定的一对()在初始和变形量组成的特性,我们使用一个本地区域(大小在这种情况下计算LCS)集中在功能和LIS根据(14)和(13),分别。(1)形成最初的经前综合症。LCS是每一对匹配的初始CMI初始步骤的PMS的形成。换句话说,这一步的LCS是唯一标准。(2)计算LGP。对于每个给定的一对(),我们首先寻找邻居可能在一个小窗口(大小匹配在这种情况下)为中心。潜在的匹配窗口中包含参与者在LGP计算部分的使用方法3所示。1。(3)计算。计算重量为每个CMI组件使用潜在匹配当前的项目经理作为样本。具体计算方法中可以看到(4)。(4)每一对的更新CMI。对于每个给定的一对(),其相应的CMI更新通过组件的加权总和LCS, LIS,连结控制协定,计算和。(5)经前综合症和计算成本函数形式。每一对表单的更新CMI新经前综合症。的成本函数(17)然后使用潜在的匹配计算当前的经前综合症。(6)重复来直到不再增加。(7)返回当前的经前综合症。
尽管LCS候选集和LIS每一对都是常数,因为不同LGP和经前综合症是动态的组件的次迭代。因此,比赛强度指数CMI是不同的。动态成本函数将潜在匹配或经前综合症。特征点的最佳人选也可能改变。
4.3。测量密度变形领域
在获得最佳的经前综合症,非刚性的对象的内部密度变形领域获得。在这项研究中,提出的方法在我们以前的工作(20.)是用于获得内部密度变形领域。总之,内部密度插值变形字段通过稀疏形变字段使用有限元模型。详细,稀疏形变场的大小首先计算其相应的使用欧式距离在经前综合症。开始点和结束点的磁场方向定义的点对应的一对。接下来,非刚性的对象使用四面体重构,其节点分经前综合症。密度变形字段可以使用有限元插值。
让任意卷体素在一个四面体由节点组成的点,,,。它的位移可以由权重近似有限元节点位移使用他们的形状函数(20.]: 在哪里节点的位移是吗和形状函数在四面体是由 在哪里和四面体的体积吗和,分别。
5。实验和结果
我们的方法包括四个步骤:特征提取、仿射变换、特征匹配和变形场测量。提取足够的从最初的特性和变形量需要找到足够的同源特征对。在这项研究中,high-curvature preextracted 3 d点特性先生容积图像。在这种情况下,二维哈里斯运营商(21)是扩展到一个3 d运营商从奥容积图像中提取特征(22]。
一些实验被设计来展示该方法的性能。所有实验都使用自己的工具执行与Visual c++开发,微软Windows XP上运行。所有描述实验结果与2.20 GHz Intel联想手提电脑(R) (TM) 2双核CPU核心T6600和4 GB的RAM。
在实验中,从志愿者获得的图像是先生的牛犊(图1(一))使用核磁共振扫描仪在自然状态和变形状态(初始和强迫下),分别。在这两种情况下,视场厘米,和片缺口2毫米。一些片(数据1 (b)和1 (c))放置在中间部分的小腿被选卷先生形成了。因此,初始和变形量的大小体素生成的实验。
(一)
(b)
(c)
第一,500年和800年的特性提取从卷获得自然和变形状态,分别。接下来,提出CMI-based特征匹配方法是应用于两个特征点集来获取最佳的经前综合症。作为结果,获得了245个潜在的匹配对经前综合症。稀疏和密度变形领域被使用部分中提到的方法计算4.3。图2显示50000内部密度变形场,大变形底部的小腿。这个结果与实际情况是一致的。
(一)
(b)
证明的有效性提出CMI-based特征匹配算法,我们将它与一个健壮的点特征匹配(RPFM)算法提出的陈23]。在目前的研究中,我们应用RPFM算法相同的特征点集,导致与316个潜在的匹配对经前综合症。
我们选择12片地标(先生)的变形量测试的准确性测量内部变形字段,如图所示在中间的图片数据3和4。然后,地标受到反向移动使用内部变形场测量通过CMI-based算法和RPFM算法。体积先生获得的结果在自然状态下将检查变形场的准确性。数据3和4结果反向移动的地标。
在数据3和4的中心,每个中间红色矩形图片()给出了具有里程碑意义的地位。片躺在左右(中间层)给地标和反向移动的结果值不同的片,分别。外层是放大的反向移动每个里程碑式的结果。中层和外层,红色矩形表示相反的地标的位置移动,绿色矩形地标的实际位置,黄色矩形代表相反的移动位置和实际位置一致性。从数据3和4,我们注意地标的反向移动位置的准确性使用变形字段使用CMI-based方法计算了PMS获得明显高于RPFM,地标的反向移动位置,,,,。表1给出了定量的准确性的反向移动结果地标使用内部变形字段通过CMI和RPFM获得的经前综合症。
如表所示1,不管方向(即- - - - - -,- - - - - -,方向),变形场测量的准确性通过pm CMI-based方法获得比使用RPFM算法。
潜在的匹配最佳的经前综合症的数量获得使用CMI-based特性匹配算法RPFM因为CMI-based方法的不足,结合multifeatures特性匹配,而RPFM是一种单一特征的方法。换句话说,CMI更为严格的匹配要求相比RPFM。使用CMI-based算法获得最佳的经前综合症的可靠性更高,因为它比RPFM算法更精确的变形场。这一结论支持反向移动地标的结果。
6。结论
在这个工作中,提出了一种新方法叫做CMI内部变形场测量为一体的特点。一般来说,特征匹配算法使用一个属性在特定方面高度精确。然而,总体精度是有限的,因为不同的属性特征点匹配的全部优势没有充分利用。融合multialgorithms提供优势的使用算法来提高精度。这种融合是必要的非刚性的特征匹配的对象,在改进会更明显。此外,最优势的建议的方法是提供一个可行的选项整合各种特征匹配算法。每个特性匹配算法可以作为CMI的组件,如果适当的体重可以分配给组件,然后,一个人可以获得更可靠的潜在的匹配。显然,组件的重量的影响也应该被考虑。因此,调查的方法确定适当的权重应该是未来研究的重点;核磁共振的成像机制应该进一步考虑组件的CMI移除机器改进的变异特征点匹配的准确性。
确认
作者非常感谢Shinichi平井伯昌教授的支持立命馆大学的这项工作。作者还要感谢评论家的有益的意见和建议,改进本文的演示。这项工作得到了中国国家关键技术研发项目五年计划(2012 baj15b04)。