38、基于机器学习和深度学习的医学图像配准方法

基于机器学习和深度学习的医学图像配准方法

1. 机器学习在多模态配准中的应用

多模态医学图像配准是一个具有挑战性的任务，因为不同模态图像之间存在较大的外观和强度差异。机器学习算法可以在多个方面学习先验知识，以帮助解决或简化这一问题。

1.1 学习相似性度量

在多模态配准中，有效的相似性度量至关重要。传统的基于强度的度量（如SSD、NCC和MI）高度依赖图像的强度分布，在处理多样化数据时效果不佳。而基于机器学习的方法可以直接从训练数据中学习有效的相似性度量。
例如，有研究将对应的和非对应的CT与MRI图像块联合用于度量学习。在配准过程中，基于学习到的相似性度量，可以得到局部图像块的相似度，进而指导可变形多模态配准的局部匹配。实验结果表明，这种学习到的相似性度量比传统度量（如互信息或互相关）更有效，能显著提高多模态配准性能。

1.2 学习共同特征表示

由于手工设计的图像特征在处理多模态配准任务时，因不同模态间外观/强度差异大而效果不佳，一些基于学习的方法被开发用于为不同模态的成像数据学习共同特征表示。
- 一种方法是通过将两种图像模态的原生特征空间投影到一个共同空间来学习共同特征表示。在这个共同空间中，对应解剖结构或对应特征之间的相关性被最大化。使用核典型相关分析（KCCA）来揭示这种非线性特征映射，多模态配准可以利用学习到的共同特征有效地建立可靠的对应关系，以进行局部匹配。实验在盆腔CT - MR图像和纵向婴儿脑MR图像上进行，结果显示与传统多模态配准方法相比，配准精度有所提高。
- 另一种方法是提出一种流形学习方法用于多模态配准，计算表示多模态图像块结构信息的密集特征。使用拉普拉斯特征映射来学习结构表示