36、医学图像配准：滑动运动与机器学习的应用

医学图像配准：滑动运动与机器学习的应用

滑动运动的医学图像配准

在医学图像分析中，可变形图像配准是从4D肺部CT生成通气量的关键组成部分。这对于无创局部肺功能评估具有潜在价值，并且能在放射治疗计划中实现个性化功能避让，从而保护肺部通气良好的部分。

肺部通气估计方法

目前，估计局部肺通气的方法主要基于两种方式：
- 量化呼吸引起的肺密度变化 ：首先对4D CT中的吸气/呼气体积进行配准，然后以逐体素的方式计算相应区域之间的强度差异（以亨氏单位表示）。
- 量化呼吸引起的肺体积变化 ：同样需要对肺体积进行可变形图像配准，随后计算估计变形场的雅可比行列式，以此作为局部肺体积膨胀/收缩的替代度量。

在这两种方法中，可变形图像配准的准确性至关重要，特别是所选的正则化模型可能会对结果产生重大影响。早期的通气估计工作使用标准的可变形图像配准方法，而最近提出了结合滑动运动正则化的专用框架，这些框架在肺部通气和非通气区域显示出高相关性。

多模态图像配准

多模态图像配准也在肺部应用中得到了研究。例如，有人提出了一种将用于放射治疗计划的标准4D - CT与测量功能性呼吸参数的实验性功能性Xe - MRI进行配准的框架。CT提供的结构信息与Xe - MRI的功能信息融合，可用于优化放射治疗计划，以保护患者肺部功能良好的区域。

滑动运动配准的进展

从计算机视觉中用于估计光流场边缘的早期工作开始，目前的研究重点在于实现局部自适应正则化。其中包括在Demons框架内和离散优化方法deeds内的应用。这两种