1. 3D-2D 配準(zhǔn)方法調(diào)查研究

1.1 概述

圖像配準(zhǔn)方法可以根據(jù)圖像模態(tài)、圖像維度、配準(zhǔn)偏好(nature of registration basis)、幾何變換、用戶交互、優(yōu)化策略、患者、配準(zhǔn)目標(biāo)進(jìn)行分類。本文綜述的論文主要是3D CT/MRI 與 2D X-ray進(jìn)行配準(zhǔn)。

1.2 圖像模態(tài)(image modality)

1.3 圖像維度(image dimensionality)

為了實(shí)現(xiàn)3D-2D的配準(zhǔn)，兩個(gè)數(shù)據(jù)需要有一致的維度關(guān)系。我們可以將2D數(shù)據(jù)轉(zhuǎn)化為3D數(shù)據(jù)，或者將3D數(shù)據(jù)轉(zhuǎn)化為2D數(shù)據(jù)從而達(dá)到維度統(tǒng)一。前一種策略將會(huì)以2D-2D配準(zhǔn)為主，后一種策略主要以3D-3D配準(zhǔn)為主。維度統(tǒng)一問(wèn)題可以通過(guò)投影法、反投影法、重建法得到解決。 ? ? ?? ?

1.3.1 采用投影法策略統(tǒng)一數(shù)據(jù)維度

投影法策略下，將手術(shù)前的3D 體數(shù)據(jù)投影成N個(gè)2D平面。

? ? ? ? ? ? ? ??

1.3.2 反投影策略統(tǒng)一維度

術(shù)中采集到的2D 實(shí)時(shí)數(shù)據(jù)，經(jīng)過(guò)反投影變換得到3D 數(shù)據(jù)，再與術(shù)前的3D體數(shù)據(jù)進(jìn)行對(duì)比優(yōu)化。

1.3.3 三維重建策略統(tǒng)一維度

術(shù)中實(shí)時(shí)采集到2D 數(shù)據(jù)序列，經(jīng)過(guò)三維重建算法得到實(shí)時(shí)的術(shù)中3D 數(shù)據(jù)，在與術(shù)前的3D 數(shù)據(jù)進(jìn)行3D-3D配準(zhǔn)。 在臨床實(shí)踐過(guò)程中，由于要考慮放射劑量的約束，配準(zhǔn)的時(shí)間同配準(zhǔn)精度一樣都是需要著重考慮的問(wèn)題。由于獲取多個(gè) 2D 數(shù)據(jù) 以及重建時(shí)間消耗，這就限制了重建法的應(yīng)用。我們知道，三維圖像重建至少需要2張2D數(shù)據(jù)，并且2D圖像越多重見效果越好，配準(zhǔn)精度越高，但這和實(shí)際情況是相違背的。相比較之下，投影法與反投影法都只需要一張2D數(shù)據(jù)就可以完成2D-3D圖像配準(zhǔn)工作。

1.4 配準(zhǔn)的特征基礎(chǔ)(nature of registration basis, intrinsic/extrinsic)

忽視“維度統(tǒng)一”進(jìn)行3D-2D配準(zhǔn)的方法，我們可以基于外部特點(diǎn)、固有特點(diǎn)或者聯(lián)合特征進(jìn)行配準(zhǔn)。固有的特點(diǎn)也可以進(jìn)行分類，基于解剖特征(feature-)/基于圖像灰度(intensity-)/基于梯度(gradient-based)。
1.4.1 基于外部標(biāo)識(shí)物的配準(zhǔn)方法(Extrinsic 3D-2D registration method) 外部標(biāo)記點(diǎn)方法依賴人工目標(biāo)，如立體的框架、皮膚上的標(biāo)志物。標(biāo)志物通常使用球形結(jié)構(gòu)(不銹鋼實(shí)心球、充滿水溶液的塑料球、金種子等)，該標(biāo)記物可以在術(shù)前3D圖像或術(shù)中2D圖像很容易地檢測(cè)到。立體框架(stereotactic frames)和骨植入標(biāo)記物都是附著在人體骨骼上，由于剛性作用，非常穩(wěn)定。相比較之下，皮膚標(biāo)記物以及體內(nèi)軟組織移植物會(huì)受到呼吸作用/軟組織形變而移動(dòng)。然而，在放射性治療或者放射外科手術(shù)中，采用熱消融軟組織上的腫瘤時(shí)，基于標(biāo)記物的配準(zhǔn)方法是一種常用的策略。例如，2005年Choi等人在肝臟上的研究；此外，在肺部、前列腺等的研究也有先例。這些軟組織部位附近沒有骨質(zhì)結(jié)構(gòu)可以提供可靠地參考。 上述的三種策略也會(huì)被應(yīng)用于此處的配準(zhǔn)工作，實(shí)現(xiàn)“維度”統(tǒng)一。2000年 Shirato等人將投影策略引入基于外部特征的配準(zhǔn)。進(jìn)行配準(zhǔn)時(shí)，將帶有位置標(biāo)志物的3D數(shù)據(jù)進(jìn)行投影，得到投影2D數(shù)據(jù)。同樣也是2000年，Tang等人采用反投影策略研究基于外部特征的配準(zhǔn)。2002年Litzenberg等人，2004年Aubry等人也將重建策略引入研究。 基于外部特征的配準(zhǔn)方法具有直接、速度快的優(yōu)點(diǎn)。這是由于我們需要研究的數(shù)據(jù)量稀少(只關(guān)心標(biāo)記物)，而且不需要十分復(fù)雜的優(yōu)化算法。該方法最為關(guān)鍵的一步在于準(zhǔn)確識(shí)別和分割標(biāo)記物，無(wú)論實(shí)際操作過(guò)程中我們是采用人工手動(dòng)分割還是圖像算法自動(dòng)分割。 雖然，對(duì)于患者而言，將體外標(biāo)識(shí)物植入體內(nèi)是不便利并且侵入的；但是，基于外部標(biāo)識(shí)物的配準(zhǔn)方法具有非常高的強(qiáng)度，所以該方法也會(huì)作為驗(yàn)證其他配準(zhǔn)方法的金標(biāo)準(zhǔn)。然而，我們必須需要注意的目標(biāo)配準(zhǔn)誤差(Target Registration Error,TRE)這個(gè)評(píng)判量，如果標(biāo)識(shí)物距離目標(biāo)區(qū)域很遠(yuǎn)，就會(huì)出現(xiàn)，標(biāo)識(shí)物附近，目標(biāo)配準(zhǔn)誤差很小，遠(yuǎn)離標(biāo)識(shí)物，目標(biāo)配準(zhǔn)誤差極大地增加，進(jìn)而導(dǎo)致配準(zhǔn)失敗。 雖然，基于外部標(biāo)識(shí)物的配準(zhǔn)方法是十分有效的，該方法最主要的弊端在于無(wú)法進(jìn)行回訪性地分析。因?yàn)槊恳淮?#xff0c;標(biāo)識(shí)物必須在采集術(shù)中2D之前，植入標(biāo)識(shí)物。
1.4.2 基于本質(zhì)特征的配準(zhǔn)方法(Intrinsic 3D-2D registration method) 基于本質(zhì)特征的配準(zhǔn)方法依賴于圖像的解剖結(jié)構(gòu)。根據(jù)本質(zhì)特征的含義，我們?cè)摮隽烁鼮樵敿?xì)的分類：基于結(jié)構(gòu)特征的配準(zhǔn)方法(feature-based)、基于灰度的配準(zhǔn)方法(intensity-based)、基于梯度的配準(zhǔn)方法(Gradient-based) 。對(duì)于每一種方法，投影、反投影、重建策略都可以被應(yīng)用到“維度統(tǒng)一”的問(wèn)題上。 1.4.2.1 基于解剖特征的配準(zhǔn)方法(Feature-based Registration methods)
基于2D-3D的解剖結(jié)構(gòu)特征配準(zhǔn)方法就是為了找到一個(gè)最優(yōu)的變換T，可以最小化3D 解剖特征(從術(shù)前3D數(shù)據(jù)中提取)與相應(yīng)的2D特征之間的距離。這些特征是幾何實(shí)體，如孤立點(diǎn)、點(diǎn)集形成的曲線、輪廓線或者平面。通過(guò)圖像分割的方法提取幾何特征可以減少大量的數(shù)據(jù)量，反過(guò)來(lái)會(huì)加快配準(zhǔn)的速度。所以，基于特征的2D-3D配準(zhǔn)方法，他的精度直接取決于圖像分割的精度。 為了減弱不準(zhǔn)確分割的影響，相關(guān)研究人員(Wunsch等)提出了處理錯(cuò)誤幾何匹配或者差異的方法。基于特征的配準(zhǔn)方法還可以進(jìn)一步的分為Point-toPoint、Curve-to-Curve和Curve-to-Surface的配準(zhǔn)。 Point-to-Point是最簡(jiǎn)單的基于特征的配準(zhǔn)方法。當(dāng)建立起點(diǎn)匹配，基于外部標(biāo)識(shí)物的配準(zhǔn)方法也可以被使用。基于“點(diǎn)對(duì)點(diǎn)”的特征配準(zhǔn)方法嚴(yán)重的依賴操作者的技巧，這是因?yàn)槲覀兒茈y發(fā)現(xiàn)這樣一個(gè)點(diǎn)，在術(shù)中的二維圖像中并且可以與術(shù)前3D 圖像中的解剖標(biāo)記點(diǎn)恰好相關(guān)。然而，基于“點(diǎn)對(duì)點(diǎn)”的配準(zhǔn)方法通常會(huì)作為配準(zhǔn)的初始，然后可以執(zhí)行更為精確的2D-3D配準(zhǔn)方法。 無(wú)論是采用哪一種“維度統(tǒng)一”策略，我們都可以通過(guò)“Curve-to-Curve”、“Curve-to-Surface”方法避免在3D數(shù)據(jù)集與2D數(shù)據(jù)集之間進(jìn)行“點(diǎn)匹配”。當(dāng)采用投影方案時(shí)，使得，經(jīng)3D投影得到的2D封閉輪廓/曲線與術(shù)中2D圖像采集到的圖像曲線相匹配(即距離最小)。采用反投影方案時(shí)與重建方案類似。 采用點(diǎn)匹配的方法，一定要可以求取兩個(gè)特征數(shù)據(jù)集的距離。點(diǎn)匹配最常用的是最小化歐拉距離。此外，還有更多的方法正在研究和被提出。當(dāng)然我們也可以看到，這些方法對(duì)奇異點(diǎn)都是相當(dāng)?shù)拿舾械?#xff0c;目前一些健壯的方法(M-estimator、Tukey weighting function、the Voronoi diagram)已經(jīng)被應(yīng)用去減少極端數(shù)據(jù)的影響。當(dāng)然，我們也可以采用一些先驗(yàn)知識(shí)直接取出這些極端數(shù)據(jù)。ICP-like(Iterative closest point)配準(zhǔn)方法也可以拓展成一個(gè)統(tǒng)計(jì)的框架，該配準(zhǔn)框架并不是簡(jiǎn)單地二值匹配關(guān)系，不僅僅存在“匹配”“不匹配”兩種情況，而是用概率的方法去形容匹配程度。 通過(guò)“文庫(kù)”(library-based)配準(zhǔn)方法也可以應(yīng)用于特征匹配。首先，生成一個(gè)2D模板文庫(kù)，用來(lái)提前定義變換參數(shù)集合，對(duì)于剛體而言，就是平移和旋轉(zhuǎn)。因此，每一個(gè)文庫(kù)都代表著3D 體數(shù)據(jù)變成特定的2D 數(shù)據(jù)的那個(gè)特定的變換。模板可以為傅里葉描述子、奇點(diǎn)圖、2D輪廓等。該方法的精準(zhǔn)度主要取決于模板的分辨率。
1.4.2.2 基于灰度的配準(zhǔn)方法(Intensity-based 2D-3D registration method)
1.4.2.3 基于梯度的配準(zhǔn)方法(Gradient-based 2D-3D registration method)

1.5 聯(lián)合配準(zhǔn)

1.6 用戶交互

總結(jié)

以上是生活随笔為你收集整理的A review of 3D/2D registration methods for image-guided interventions(2)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。