论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　匹配方法可以大体分为基于点、基于空间曲面和基于体素的匹配三大类.其中，点方法包括确定不同图象或物理空间的对应点坐标和利用这些对应点来确定匹配变换等两个过程.这些点可以是内在的，也可是外加的，还可是两者的结合.其中外加的点一般是加在病人皮肤上的标记点或是立体定位装置中的标记点;而内在点一般都采用图象中的解剖标记点，比如由医生定位的血管分叉点.由于解剖标记点的定位受人为因素影响较大，因此内点匹配精度很难达到外加点匹配的精度，但内点匹配不需要附加额外的成象协议，且具有可回溯性.虽然用外加点进行匹配的方法有许多优点，然而是以牺牲病人的舒适性为代价的，另外，皮肤的变形移动也会影响到匹配的精度.这里可以将由对应点集确定的线性匹配问题看作是最小二乘问题，并有直接和迭代两类求解策略，其中，直接求解方法有奇异值分解法(SVD)矩阵的特征值特征向量分解法[26]以及双四元数法[27].另外，力矩和主轴方法也可以看成是一种内点方法，它是将图象模型化为椭圆形区域的点分布，这种点分布由点的位置的一阶和二阶矩描述，并且由协方差矩阵的特征向量决定，和由主轴，协方差矩阵的特征值确定比例变换，一旦目标的质心重合、主轴对齐，就认为匹配完成。

　　若从待匹配的图象中能够得到相对应的曲线或曲面，则匹配变换可根据相应的曲线或曲面确定.该类方法中，最典型的3种分别为头帽算法（head-hat)，分层腔算法（HCM)和递归最近点算法(ICP)。

　　体素相似性方法的前提是在待匹配的图象中，体素值的某种代数组合可以提供一种相似性的测度，并且当图象完全匹配时，该相似性测度具有最大值(或最小值）.由于这是基于图象中所有体素的匹配方法，因此这类方法不需要特殊的预处理，一般比较稳定，并能获得相当准确的结果，该方法的优势是其具有自动性，但是，这类算法需要大量的复杂计算，且进入实际应用的时间并不长.Collignon和Studholme等都提出用匹配图象的联合摘（Jointentropy)作为匹配的势函数，Wells则采用互信息（Mutualinformation)作为匹配的测度。总的说来，互信息的方法对于截断的图象来说，比联合熵方法更有效。

　　(2)融合:融合是指建立匹配关系后，将多个图象数据合成表示的过程.融合可以按体素单独进行(体素合成），也可用从体素属性中导出的符号来表示合成(符号合成）.一般通过图象匹配，即可得到联系这些不同成象坐标系统之间的变换矩阵，该变换矩阵既可以把所有的图象都变换到同一个公共坐标系统中，也可以把在某个坐标系统中导出的结构特性(如点、线、体等）转换到另外的坐标系统.前者可以使得各种模态的图象在公共坐标系统中，有相同的空间尺寸和相同的体素大小，后者可以把在一种模态中感兴趣的结构(如分类信息损伤?血管等）的符号表示转换到另一种模态图象的坐标系统中去。

　　若要把整个的三维图象A变换到图象B的坐标系统中，则首先需得到图象A中各体素的物理坐标，然后经过矩阵M转换，把图象A的体素值写入图象B的坐标系统下最接近的对应坐标处，但这么做并不能保证在图象B的坐标系统下，映射图象A'的每一个体素都被赋予一个新值.一种解决的办法就是用M-1把图象B中的每一个体素的物理坐标都变换到图象A的坐标系统中，然后给图象B'中的体素分别赋予对应变换到图象A中的坐标位置的最邻近体素的取值.因为图象B中的每个体素的中心并不一定对应于图象A中的一个体素的中心，这时可用三线性插值的方法(即利用8个相邻体素的加权平均)或更复杂的插值运算来计算图象B中各体素的取值。

　　除上述的把所有图象转换到一个公共坐标系统的方法外，另一种方法就是把在一种模态图象中得出的一列具有相关属性（符号表示）的xyz坐标即在MR图象中描绘出要进行放射治疗的部位，并把它变换到匹配的CT图象中去;张等又用同样的方法来比较MR和CT图象中的病灶轮廓，以用于制定立体定位手术计划。

　　在将所有的模态图象转换到同一个坐标系统中以后，多种图象信息在每个位置可用矢量形式表示，但在实际应用中，还必须从要解决的问题出发，对这些信息进行综合和数据舍弃.由于图象信息中，所包含的多种属性一般并不具有对应性，因此像平均值这样的一些统计参数也就没有很重要的意义.偶而也可以有一种从不同模态图象提供的属性中计算出一个定量结果的情况，例如，一种定量的核医学属性可以表示该体素中示踪剂的吸收特性，而一种密度定标技术也可以提供一个用以表示该体素中特定组织(如骨组织密度的属性值.在这种情况下，由核医学属性除以密度属性所得到的合成属性，就可以提供一个有用的显示图象体素，相反，MR图象密度和CT图象密度的比值，对于图象显示则没有很直观的意义。

　　在一些医学应用中，不同模态的图象还提供了不互相覆盖的结构互补信息，比如，当CT提供的是骨信息，而MR提供的主要是关于软组织的信息时，它们就属于这种情况，因为这些结构一般在病人身体上是不互相覆盖的，所以可以用逻辑运算的方法来实现图象合成.例如，在颅外科手术中，CT提供了最好的骨结构信息，自旋回波MR图象则提供了软组织结构所需要的信息，而MR减影图象又提供了有关脉管的信息.这些结构在病人身上一般是不重叠的，所以可以用上述的逻辑运算合成方法，在骨的地方选择CT属性，在血管的地方选择MRA属性，在其它软组织的地方则选择MR属性。

• 　　论文部落提供核心期刊、国家级期刊、省级期刊、SCI期刊和EI期刊等咨询服务。
• 　　论文部落拥有一支经验丰富、高端专业的编辑团队，可帮助您指导各领域学术文章，您只需提出详细的论文写作要求和相关资料。
•  
• 　　论文投稿客服QQ: 2863358778、 2316118108
•  
• 　　论文投稿电话:15380085870
•  
• 　　论文投稿邮箱:lunwenbuluo@126.com