醫學圖像配準實作代碼（matlab篇）

研究配準進兩年的時間，有幸看到一個技術文檔，做了一下的總結，如有不妥之處敬請大家諒解，多提出意見

廢話不多說，書歸正傳！

這裡主要講解的是多模态或者說是多序列MRI圖像配準。采用的圖檔是人體膝蓋圖。配準暫且分為五部

Step1. 下載下傳圖檔

Step2. 初始配準（粗配準）

Step3. 提高配準精度

Step4. 利用初始條件提高配準精度配準

Step5. 結果滿意不滿意，你說了算

下面一一詳細說明以上幾個步驟！

一，下載下傳圖檔

        這裡采用的圖檔是matlab子帶的兩張MR膝蓋圖，“knee1.dcm” 作為參考圖像，"knee2.dcm"為浮動圖像！

Plain Text code ?

1 2	fixed = dicomread('knee1.dcm');      % 讀參考圖像fixed moving = dicomread('knee2.dcm'); %  讀浮動圖像moving

可能接下來大家關注的問題就是這兩幅圖像到底有什麼差別，這種差別又有多大的可視化程度，下面就為推薦兩個比較好用的函數用于觀測兩幅圖像的差別。

Plain Text code ?

1 2	figure, imshowpair(moving, fixed, 'method'); title('Unregistered');

imshowpair函數就是指以成雙成對的形式顯示圖檔，其中一個重要的參數就是‘method’，他又4個選擇

（1）‘falsecolor’ 字面意思了解就是僞彩色的意思了，其實就是把兩幅圖像的差異用色彩來表示，這個是預設的參數。

（2）‘blend’ 這是一種混合透明處理類型，技術文檔的翻譯是alpha blending，大家自己了解吧。

（3）‘diff’ 這是用灰階資訊來表示亮度圖像之間的差異，這是對應‘falsecolor’的一種方式。

（4）參數‘monotage’可以了解成‘蒙太奇’，這是一種視訊剪輯的藝術手法，其實在這裡我們了解成拼接的方法就可以了。

為什麼在這裡羅裡吧嗦的說這麼多的顯示呢，大家知道"人靠衣裝，美靠...."(就不多說了吧)，總之就是一個好的視覺效果能給人以耳目一新的效果。

嗯嗯，這個就是蒙太奇的效果了，

這兩個則分别是僞彩色，混合透明處理了，至于大家接受那個就要看自己的愛好了

說到了這裡終于結束了這關沒有意義的讀圖環節，請大家原諒我的無恥吧。

二，初始配準（粗配準）

初始配準就是大緻的使圖像對其，使其差别不要太明顯，以友善下一步的精細配準環節。

函數imregconfig這在個環節可是主角，從名字上看就知道他要設定一些參數和方法了，其實他真正的作用是配置優化器和度量準則，

Plain Text code ?

1	[optmizer, metric] = imregconfig(modality);

參數modality指定fixed image, moving image之間的關系，有兩種選擇‘monomodal’, 'multimodal'兩種，分别品質兩幅圖像是單一模态還是多模态，根據需要自己選擇。

傳回的參數optimizer是用于優化度量準則的優化算法，這裡有

registration.optimizer.RegularStepGradientDescent 或者 registration.optimizer.OnePlusOneEvolutionary兩種可供選擇。

輸出參數metric則是注明了度量兩幅圖檔相似度的方法，提供了均方誤差（registration.metric.MeanSquares）和互資訊（registration.metric.MattesMutualInformation）兩種供選擇。

當然大家也可以根據結構擴充這兩個參數。

到這裡優化器和度量準别就已将做好了，是不是簡單到沒朋友。

要上大菜了，配準代碼

Plain Text code ?

1 2 3

movingRegisteredDefault = imregister(moving, fixed, 'affine', optimizer, metric); figure, imshowpair(movingRegisteredDefault, fixed); title('A: Default registration');

imregister函數根據取得的optimizer,metric參數對2D,3D參考圖像做變換（transform）目的是fixed，moving image對其，大家關注到有一個參數‘affine’，他是指該變化是仿射變換，同樣該參數還可以選為

‘translation’ （x,y）坐标平移變換，不牽涉到旋轉個尺度變換

‘rigid’ 剛性變換（平移和旋轉）

‘similarity’ 改變換包括了平移，旋轉和尺度變換

‘affine’ 在similarity的基礎上加入了shear（圖像的剪輯）

該圖檔就是粗配準的結果了，大家可以在右上角看到明顯的不重合現象。

三，提高配準精度

粗配準的結果一般情況下達不到實際應用的要求，為此很有必要進一步提高精度，如果有對精度要求不高的朋友看到這裡就可以結束了。

Plain Text code ?

1 2	disp('optimizer'); disp('metric');

這兩條指令可以看到預設生成的優化器和度量函數參數，當然這裡提高精度的途徑就是通過修改這兩個參數了！

在這裡我們通過修改兩個參數，觀察對配準效果的改進：

（1）改變優化器的步長已達到對更加精細的變換。

Plain Text code ?

1 2 3 4

optimizer.InitialRadius = optimizer.InitialRadius/3.5; movingRegisteredAdjustedInitialRadius = imregister(moving, fixed, 'affine', optimizer, metric); figure, imshowpair(movingRegisteredAdjustedInitialRadius, fixed); title('Adjusted InitialRadius');

把原步長縮小為原來的3.5倍，結果如下

貌似效果還是有點的啊，大家在看右上角的陰影好像不見了

（2）在（1）基礎上改變最大疊代次數

Plain Text code ?

1 2 3 4

optimizer.MaximumIterations = 300; movingRegisteredAdjustedInitialRadius300 = imregister(moving, fixed, 'affine', optimizer, metric); figure, imshowpair(movingRegisteredAdjustedInitialRadius300, fixed); title('B: Adjusted InitialRadius, MaximumIterations = 300, Adjusted InitialRadius.');

效果如下：正上的陰影好像也減小了

四，改變初始條件提高精度

這裡的思想就像我們在做雕塑一樣，假如我們要用石頭雕一個人，首先我們可以大刀闊斧的把頭部留出來，然後把脖子留的比頭部更細，簡單的說就是美女留出S輪廓，或者o型的（哈哈，對号入座就可以了），下一步精雕細琢的時候就會輕松很多，這裡的初始條件就是先用簡單的變換做出一個初始配準圖像，然後以初始配準的結果作為輸入做精細配準。

大緻做法如下：

Plain Text code ?

1	tformSimilarity = imregtform(moving,fixed,'similarity',optimizer,metric);

用similarity的變換方式做初始配準，或者你還可以用rigid，transform的方式都可以

Plain Text code ?

1	tformSimilarity = imregtform(moving,fixed,'similarity',optimizer,metric);

在這裡imregtform把變化矩陣輸出；

然後用imref2d限制變換後的圖像與參考圖像有相同的坐标分布

Plain Text code ?

1	Rfixed = imref2d(size(fixed));

imwarp函數執行幾何變換，當然依據則是tformSimilarity的變換矩陣了。

Plain Text code ?

1 2 3

movingRegisteredRigid = imwarp(moving,tformSimilarity,'OutputView',Rfixed); figure, imshowpair(movingRegisteredRigid, fixed); title('C: Registration based on similarity transformation model.');

得到的tformsimilarity.T就是傳說中的變換矩陣了

tformSimilarity.T=    1.0331   -0.1110         0

                                    0.1110    1.0331         0

                                   -51.1491    6.9891    1.0000

下面就是精配準的部分了：

Plain Text code ?

1 2 3 4

movingRegisteredAffineWithIC = imregister(moving,fixed,'affine',optimizer,metric,... 'InitialTransformation',tformSimilarity); figure, imshowpair(movingRegisteredAffineWithIC,fixed); title('D: Registration from affine model based on similarity initial condition.');

初始配準結果：

進一步精細配準：

五，到這裡就是你說了算了Deciding When Enough is Enough

Plain Text code ?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

figure imshowpair(movingRegisteredDefault, fixed) title('A - Default settings.'); figure imshowpair(movingRegisteredAdjustedInitialRadius, fixed) title('B - Adjusted InitialRadius, 100 Iterations.'); figure imshowpair(movingRegisteredAdjustedInitialRadius300, fixed) title('C - Adjusted InitialRadius, 300 Iterations.'); figure imshowpair(movingRegisteredAffineWithIC, fixed) title('D - Registration from affine model based on similarity initial condition.');

選擇一個合适的，理想的你想要的結果，去飛去裝逼吧。 更多0