《医学图像配准技术与应用》主要阐述了与医学图像配准相关的基础知识和多种配准算法，并介绍了将配准图像应用于图像融合、多维可视化和虚拟内窥镜等领域的方法。
　　《医学图像配准技术与应用》包括三大部分：第一部分（第1～3章）涉及图像配准技术基础知识，阐述图像配准的原理、基本流程、分类和常用的技术，结合常用的搜索策略，介绍了特征空间和搜索空间的相关定义和常用算法。第二部分（第4～6章）介绍了配准对象分类方法、现有配准算法的原理和流程，目前常用的配准算法和配准效果评价标准。第三部分（第7～9章）介绍了医学图像融合和融合结果评价方法，以及配准图像在多维可视化和虚拟内窥镜中的应用，说明了配准图像在虚拟手术导航中的应用前景。

　　《医学图像配准技术与应用》：
　　第1章 绪论
　　图像配准（image registration）是将不同获取时间（time）、不同传感器（sensor）、不同获取条件的同一场景（scene）或者同一目标（object）的两幅或者多幅图像进行匹配的过程（Brown，1992）。目前，图像配准技术已经被广泛应用于遥感图像处理、医学图像处理、计算机视觉等领域。
　　1.1 图像配准概述
　　在以获取综合信息为目标的图像分析过程中，图像配准是关键技术之一。例如，
　　在图像融合时，配准结果直接影响融合图像的效果。图像配准应用领域概括起来主要有以下几个方面：
　　（1）计算机视觉和模式识别（目标定位、自动质量控制、目标识别、特征识别
　　等）（Horn，1989）；
　　（2）医学图像分析（如肿瘤生长监测、血管造影、从电子计算机断层扫描（ComputedTomography，CT）和磁共振成像（Magnetic Resonance Imaging，MRI）同时获取更完整患者信息等）（Stytz et al.，1991）；
　　（3）遥感数据处理（环境监测、天气预报、海洋勘探等）（Jensen，1986）。
　　国外从20 世纪60 年代开始在图像配准领域进行研究，到了20 世纪70 年代陆续出现一些图像配准方法，例如，Anuta 等提出了使用快速傅里叶变换（Fast FourierTransform，FFT）进行互相关图像检测计算的图像配准技术，以提高配准的速度性能；Barnea 等提出了使用模板子图像差值相似性测度（similarity metric）的图像配准技术，它比使用 FFT 计算互相关相似性测度进行图像检测的方法有更高的性能（1972）；序贯相似检测算法（Sequential Similarity Detection Algorithm，SSDA）定义了计算上更为简单的相似性度量准则，使在非归一化情况下仍可在匹配处获得极小值，并且没有乘法运算，该算法还提出了与准则相配合的序贯搜索策略，从而大大减少了运算量（Barnea et al.，1972）；相位相关（phase correlation）技术是基于傅里叶变换的平移性质，该方法通过计算图像间的交叉功率谱来配准图像间产生的平移（Kuglin，1975）。直到1980 年配准技术才开始引起学者的密切关注，相继产生了一些被广泛使用的典型图像配准方法。例如，交叉相关（cross-correlation）法是最基本的基于灰度统计的图像配准方法，它通常被用来进行模板匹配和模式识别（Rosenfeld et al.，1982）。Lee 等把图像配准变换到倒谱域进行（1987）。而Castro 在相位相关的基础上加入了旋转变换（1987）。
　　通过Hausdorff 距离计算二值图像的方法也被提出（Huttenlocher et al.，1993），该方法在像素定位方面性能优于交叉相关法。互信息法（Mutual Information，MI）由Viola 和Collignon 等分别引入图像配准领域，该方法基于香农在信息论中提出的交互信息相似性准则，其初衷是为了解决多模态医学配准问题（Viola et al.，1997；Collignon et al.，1995）。到20 世纪末，单模图像配准问题已基本解决，但多模图像配准由于涉及模式的复杂性和领域的多样性，仍需密切关注。最近十年里有33000 多篇的学术论文在研究图像配准问题。通过SCI 和EI 检索到的相关文章数量如图1.1 所示。
　　图1.1 近年图像配准相关检索文章数量
　　在国内，图像处理技术虽然起步相对较晚，但是近期也获得了很大的发展。吴健康使用Hough 变换配准陆地卫星多光谱图像（1985）。罗晓慧提出了基于特征和灰度的影像配准方法（1993）。王小睿等提出并实现了一种使用互相关系数作为相似性测度的自动图像配准方法，用于图像的高精度配准（1997）。郭海涛等（2001）提出了一种将遗传算法（Genetic Algorithm，GA）用于图像配准的算法。
　　近年来，不论在国内还是国外，图像配准技术都发展得非常迅速，并且取得了很多研究成果。目前，像素级图像配准算法已基本成熟，亚像素级正在快速发展，并得到越来越广泛的应用。
　　在今后一段时间内，在医学图像、遥感、计算机视觉等诸多领域寻找快速、有效的图像配准技术成为一个主要研究方向。此外，随着三维打印机的出现，三维图像配准也引起广大研究人员的兴趣。图像配准的高精度、图像配准算法的强鲁棒性、图像配准算法的配准速度，以及图像配准的自动化一直以来都是图像配准领域所不断追求的目标。
　　1.1.1 图像配准的数学定义
　　图像配准可以定义为两幅图像在空间和灰度上的映射。设用已知尺寸的二维阵列I1和I2表示两幅图像，I1（x， y）和I2 （x， y）分别表示对应点上的灰度值（也可以是其他度量值），那么图像间的映射关系可以表示为式中， f 表示二维空间坐标的变换函数； g 表示灰度映射函数。图像配准的主要任务就是找到最优的空间和灰度变换，使图像得到最佳匹配。通常在图像预处理阶段就已经进行了灰度变换g，所以解决配准问题的关键就变成了寻找空间或几何的变换，这一变换可以使用函数fx和fy表示为这样在图像配准过程中，匹配问题就简单一些。
　　1.1.2 图像配准的基本框架
　　Brown（1992）提出了图像配准的基本框架：特征空间（feature space）、搜索空间（search space）、搜索策略（search strategy）、相似性度量（similarity measure）。
　　1．特征空间
　　特征空间是指从图像中提取的可用于配准的特征集合。例如，在基于灰度的图像配准中，图像的特征空间就是其像素的灰度值。
　　在图像配准中提取的图像特征非常重要，根据待配准图像的属性决定其特征空间的内容。这些特征应该是分布在图像中有特色的对象，并且应该是容易获取的。要根据配准任务来选择不同的特征空间。例如，空间坐标被有效应用于很多的同属性图像的配准，不论自动配准还是人工配准，控制点的选择是一个困难的过程。对于很多图像来说，图像配准精度直接受控制点选择精度的影响，而实际中控制点的数量和精度通常是很有限的。
　　2．搜索空间
　　搜索空间是指一系列可以配准图像的变换操作的集合，以几何变换为主要因素。图像的几何形变可以分为三类：全局的、局部的和位移场形式的。全局的变换通常基于矩阵代数理论，用一个参数矩阵来描述整个图像的变换。典型的全局几何变换包括以下一种或几种：平移、旋转、各向同性或各向异性的缩放、二次或三次多项式变换等。局部变换有时又称为弹性映射，不同区域具有不同的变换参数模型。变换参数往往只是定义在特定的关键点上，而在区域到区域之间进行插值。位移场方法，有时候又称为光流场法，使用（连续的）函数优化机制，为图像中的每个点计算出一个独立的位移量，并使用某种规整化机制进行约束。图像的变换操作分为线性变换（linear transformation）和非线性变换（nonlineartransformation），线性变换又包括刚体变换（rigid body transformation）、仿射变换（affinetransformation）、投影变换（projective transformation），如表1.1 所示。
　　3．搜索策略
　　搜索策略就是在搜索空间内对配准参数进行优化，并且以相似性度量的值作为判断是否最优的依据。在图像特征提取和配准过程中，涉及大量的计算任务，搜索策略成为一个不容忽视的问题。给定一组特征和参数化的形变，相似性度量和优化算法本身共同决定了搜索策略。例如，控制点结合最小二乘准则是一个很通用的变换参数确定方法，它通常用在基于特征的配准方法上。此外，常用的搜索策略还有Powell 法、遗传算法、牛顿法、蚁群算法等。
　　4．相似性度量
　　相似性度量用来评估搜索空间进行的变换操作结果的优劣，以便为下一步搜索提供依据。一般根据特征空间选择相似性度量，特征提取和相似性度量决定了配准算法的鲁棒性。值得一提的是，相似性度量的值直接决定了配准变换的选择，以及在当前变换模型下图像是否被正确匹配。目前，常用的相似性度量有归一化互信息、欧氏距离、相关性等。
　　1.1.3 图像配准方法的分类
　　配准方法分类可以依据不同的准则。Brown 依据变换模型的复杂程度对配准方法进行分类，如表1.2 所示。Maintz 等提出了9 条常用图像配准技术的分类准则，依次为图像维数（dimensionality）、配准图像的基本属性（nature of registration basis）、变换属性（nature of transformation）、变换域（domain of transformation）、交互性（interaction）、优化策略（optimization procedure）、模态（modalities involved）、配准主体（subject）、配准对象（object）。Fitzpatrick 等结合Brown 和Maintz 的分类方法，将配准技术概括为8个方面。
　　（1）图像维度，指图像空间的几何维数。例如，在医学领域的图像可以是二维的也可以是三维的。
　　（2）配准图像来源，指配准图像的自身属性。例如，配准可以是基于已知对应关系的点对集合，也可以是基于平面对的集合。
　　（3）几何变换，指不同空间中的点在对齐过程中，采用的几何映射的数学表达形式，该部分合并了Maintz 提出的变换属性和变换域。
　　（4）交互性，指通过人工操作配准算法完成对外部的控制。交互性有时比较简单，就是一些参数的初始化，有时也比较复杂，例如，在配准过程中，需要根据中间配准结果成功与否进行调整。
　　（5）优化，指在配准过程中，根据对图像间配准质量的连续估计，从而找到最优的配准算法。
　　（6）模态，指配准图像通过什么方式获取的。图像进行配准时会根据模态来选取配准方法。可以把模态分为单模态（monomodal）和多模态（multimodal）两种，例如，磁共振图像间配准就是单模态配准，而磁共振图像与电子计算机断层扫描图像之间配准就是多模态配准。
　　（7）主体，指患者及其对应的关系，包括同一患者、不同患者，以及患者数据和图谱的配准。
　　（8）对象，指配准时感兴趣的分析区域。
　　通过查阅大量相关文献并结合自身的研究工作，作者总结了一些常用的配准的分类方法：根据空间维数，若仅考虑空间维数，则可以划分为2D/2D，2D/3D，3D/3D；如果考虑图像随时间变化的情况，则还需要增加一个时间维度，完成2D/3D 和3D/4D配准。
　　内部特征指的是从图像内部本身提取的信息，根据内部特征，又可以细分为以下三类。
　　（1）基于特征点：在几何上有特别意义的可以定位的特征点集（如不连续点、图形的转折点、线交叉点等），在医学图像上更可以是具有解剖意义的点。
　　（2）基于表面：用分割的方法提取出感兴趣的部分的轮廓（曲线或曲面），作为用来比较的特征空间。
　　（3）基于灰度值：利用整幅图像的像素或体素来构成特征空间。根据灰度值的统计信息来计算相似性测度，又可划分为最小二乘法、傅里叶法、互相关法、互信息法等。
　　根据外部特征，在医学图像中，通过在患者身上固定标记物或向体内注入显影物质以获得在图像上的确定的标记点，称为外部特征点。
　　根据变换性质，对图像进行空间变换可以分为刚体变换和非刚体变换。通常有刚体变换、仿射变换、投影变换和非线性变换。
　　根据优化算法，当比较特征采用特征点集的形式时，可以通过联立方程组来找到变换的解。但一般情况下，配准问题都会转化为求解相似性测度最优值的问题，在计算方法中通常需要采用合适的迭代优化算法，如梯度下降法、牛顿法、Powell 法、蚁群算法等。
　　根据人工参与程度，配准可以分为全自动式、半自动式和交互式。全自动式中使用者只需要提供相应的图像；半自动式中使用者需初始化算法或指导算法；交互式需要使用者介入进行配准。
　　1.1.4 图像配准的步骤
　　无论采用何种配准技术进行图像配准，都需要经历以下四个步骤。
　　……

前言
第1章 绪论
1.1 图像配准概述
1.1.1 图像配准的数学定义
1.1.2 图像配准的基本框架
1.1.3 图像配准方法的分类
1.1.4 图像配准的步骤
1.2 图像配准在医学领域的应用
1.2.1 医学图像配准的发展历史
1.2.2 配准技术的应用
1.2.3 医学图像配准的国内外研究现状和面临的问题
1.2.4 医学图像的配准方法
1.2.5 常用的医学图像配准技术及其应用
1.3 全书框架
参考文献

第2章 特征空间和搜索空间
2.1 特征空间
2.1.1 点检测
2.1.2 线检测
2.1.3 Hough变换
2.1.4 边缘检测
2.1.5 水平集
2.2 搜索空间
2.2.1 平移变换
2.2.2 旋转变换
2.2.3 缩放变换
2.2.4 仿射变换
参考文献

第3章 搜索策略
3.1 一维搜索算法
3.1.1 黄金分割法
3.1.2 进退法
3.1.3 抛物线法
3.1.4 Brent方法
3.2 Powell算法
3.2.1 基本Powell算法实现
3.2.2 改进的Powell算法
3.3 遗传算法
3.4 蚁群算法
3.5 物理模型
3.6 光流场模型
参考文献

第4章 医学图像配准
4.1 配准对象分类
4.1.1 基于成像模式
4.1.2 基于主体来源
4.1.3 基于图像特征
4.2 基本原理
4.2.1 算法框架
4.2.2 算法流程
4.3 典型算法分类
4.3.1 像素级配准
4.3.2 特征级配准
4.3.3 基于形变模型的配准
4.4 图像配准质量评价
4.4.1 配准评价指标
4.4.2 评价方法
参考文献

第5章 刚性医学图像配准算法及其实现
5.1 基于遗传算法的医学图像配准算法
5.1.1 算法思想与步骤
5.1.2 边缘提取
5.1.3 参数搜索
5.1.4 实验和结果分析
5.2 基于点集匹配的医学图像配准算法
5.2.1 算法思想与步骤
5.2.2 特征点提取
5.2.3 特征点匹配
5.2.4 实验和结果分析
5.3 基于互信息的3D图像配准
5.3.1 算法思想与步骤
5.3.2 相似性度量
5.3.3 3D变换参数估计
5.3.4 优化搜索策略
5.3.5 互信息配准
5.3.6 实验和结果分析
参考文献

第6章 非刚性医学图像配准算法及其实现
6.1 基于B样条的弹性医学图像配准
6.1.1 算法思想与步骤
6.1.2 B样条函数
6.1.3 相似性度量
6.1.4 参数优化
6.1.5 实验和结果分析
6.2 基于三角形网格的非刚性医学图像配准算法
6.2.1 算法思想与步骤
6.2.2 全局刚性配准
6.2.3 特征点提取
6.2.4 特征点匹配
6.2.5 局部精确配准
6.2.6 实验和结果分析
6.3 基于光流场模型的非刚性医学图像配准算法
6.3.1 算法思想与步骤
6.3.2 特征向量提取
6.3.3 特征向量匹配
6.3.4 粗配准
6.3.5 精配准
6.3.6 实验和结果分析
参考文献

第7章 配准图像在图像融合中的应用
7.1 像素级医学图像融合
7.1.1 加权平均法
7.1.2 对比度调制法
7.1.3 基于图像分割的图像融合
7.1.4 小波域图像融合
7.1.5 Contourlet域图像融合
7.2 特征级医学图像融合
7.2.1 基于纹理提取的图像融合算法
7.2.2 基于聚类划分的图像融合方法
7.3 融合图像结果评价
7.3.1 主观评价
7.3.2 客观评价
7.3.3 评价指标选取
7.3.4 小结
参考文献

第8章 配准图像在多维可视化中的应用
8.1 医学图像三维可视化技术
8.1.1 概述
8.1.2 面绘制方法
8.1.3 体绘制方法
8.1.4 其他方法
8.2 三维可视化交互技术
8.2.1 多平面切割
8.2.2 任意平面切割
8.2.3 长方体切割
8.2.4 三维空间定量测量
8.2.5 三维可视化演示
8.3 医学图像四维可视化技术
8.3.1 概述
8.3.2 空间分割算法
8.3.3 心电门控技术
8.4 心脏的四维可视化
8.4.1 心脏CT数据采集
8.4.2 心脏的四维可视化
8.4.3 四维心脏VR实现
8.4.4 四维心脏最大密度投影
8.4.5 四维可视化效果
8.5 感兴趣区域四维可视化
8.5.1 局部冠状动脉仿真
8.5.2 感兴趣体积提取
参考文献

第9章 配准图像在虚拟内窥镜中的应用
9.1 概述
9.2 图像分割
9.2.1 阈值分割
9.2.2 区域生长分割
9.2.3 模糊聚类法
9.2.4 边缘检测分割法
9.2.5 实验结果与分析
9.3 路径规划
9.3.1 中心线规划技术
9.3.2 DFB距离变换法
9.3.3 虚拟相机
9.3.4 系统实现
9.4 三维重建
9.4.1 概述
9.4.2 基于光线投射算法的体绘制方法
9.4.3 中心路径特性
9.4.4 基于DFB场的中心线自动提取算法
9.4.5 算法改进
9.4.6 提取中心线
9.5 虚拟内窥镜自动漫游
9.5.1 路径平滑
9.5.2 虚拟漫游实现
参考文献
彩图