论文部分内容阅读
现代影像技术的发展为人类研究脑功能提供了新的途径。在这其中,功能磁共振成像(Functional Magnetic Resonance Imaging,fMRI)通过测量脑内血氧含量的变化来反应脑的活动。通过利用数学、统计学以及计算机科学对功能磁共振图像进行分析,人们可以无创地研究脑功能,从而更好地理解人脑的机制。在这类研究中,往往需要对一组功能图像做组分析研究,以发现人脑中共同的功能结构(如脑功能网络),或者比较不同人群之间脑功能的差异(如精神疾病患者与正常人之间的脑功能差异)。对于功能磁共振图像的组分析,不同个体图像之间的配准是一个最基本的要求。并且,准确的图像配准往往能够使人们获得更加显著的统计分析结果。 以往,人们通常是利用大脑的结构信息来进行功能图像的配准的。这是由于结构图像具有更高的空间分辨率并且包含有更多的细节信息。另外,针对结构图像配准的研究较多,有许多优秀的算法可以在结构图像上达到很高的配准精度。然而,由于脑功能单元的位置并不严格一致地对应着脑解剖结构的位置,因此传统的基于结构图像的配准方法并不能达到不同fMRI图像间的功能对应性。近几年,开始有研究者致力于开发新的直接基于功能信息的fMRI配准算法。其中,基于功能信号的方法通过最大化不同个体功能信号间的Pearson相关系数来配准fMRI数据。该方法基于一个前提假设,即不同fRMI图像的功能信号具有同步性。然而,这种假设仅在受同步任务刺激的任务态fMRI数据中成立,因此该算法无法适用于更广泛的情况。基于全局功能连接矩阵的方法通过最小化不同fMRI图像的全局功能连接矩阵之间的差异来达到不同个体之间的配准,然而全局功能连接矩阵对于空间上局部的扰动非常敏感,进而导致该算法并不具备良好的鲁棒性。基于功能几何空间嵌入的方法同样利用了全局功能连接矩阵,通过谱嵌入技术从全局功能连接矩阵中提取特征,在特征空间中配准特征点集进而完成fMRI图像间的配准。尽管通过谱嵌入提取的特征不再对原始图像空间中的局部扰动敏感,然而这样提取的特征将决定于特征空间中几个坐标轴的顺序与方向,故从不同图像中提取的特征并不具有可比性。到目前为止,还没有一种基于功能信息的fMRI图像配准算法能够真正得到广泛的应用。 基于对图像配准的系统学习和深入了解,以及对目前fMRI图像配准方法局限性的分析和认识,本文致力于提出真正行之有效的基于功能信号的fMRI图像配准算法,并已经取得了一些成果,主要包括: 1.提出了一种基于局部功能连接模式的fMRI图像配准方法。该算法直接基于功能信息,因此相较于传统的基于结构信息的fMRI图像空间标准化,它能够达到更好的个体图像间的功能对应性。在该算法中,我们针对将功能信号或全局功能连接矩阵作为特征的不足,使用基于局部功能连接模式的特征以得到鲁棒的配准算法。为了进一步消除局部功能连接模式中所含有的空间相对位置信息的不利影响,我们将局部功能连接模式表示为功能连接的概率分布的特征形式,并以此驱动不同fMRI图像之间的配准。另外,通过使用Demons配准框架,我们可以高效地求解fMRI图像配准问题。 2.基于对上述算法的完善和改进,我们提出了一种基于多尺度功能连接模式的组间fMRI图像配准方法。在本算法中,图像的配准仍然是由局部功能连接模式所驱动,与之前仅利用单尺度功能连接模式不同,我们使用了多尺度的功能连接模式。在图像配准的初始阶段,我们给定较小的空间邻域以计算局部功能连接模式的,随着图像配准的进程,该邻域将逐渐增大以利用更大尺度的局部功能连接模式。该方法在保持鲁棒性的同时,尽可能地使用更多的有效信息,从而可以达到更加准确的图像间的功能对应性。另外,我们利用Congealing思想引入了组间图像配准机制,使得一组fMRI图像可以无偏地同时配准到组中心的位置,而不需要事先定义任何目标图像模板。 3.提出了一种基于图匹配的fMRI图像配准方法。本算法通过图的结构来描述局部空间邻域内的功能连接模式,并利用图匹配来检测待配准图像与目标图像之间的对应体素点,从而成功地在利用局部功能连接模式时引入空间位置信息,使其能够帮助我们更加准确地寻找对应的体素点,又不会影响算法的稳定与鲁棒性。另外,我们对图匹配的结果进行了拓扑约束,使其不会产生有空间折叠的匹配结果。通过采用多层图匹配迭代的方式,我们可以稳定高效的得到最终的图像配准结果。