本文主要是介绍Medical image registration(section6)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
6. 体素相似度量intramodality配准体素相似度量（Similarity measure）配准涉及通过优化一些估量来计算配准变换T，不同于点和表面这些衍生自影像中的几何结构，它直接从体素值（或是像素值）计算得来。正如第2节所属，使用体素相似性度量，我们几乎总是在迭代确定T，而在点的配准或是表面匹配中我们先确定相应的特征，然后直接或是从这些特征中迭代确定T，最后推断出T。
在上面的章节5.1和5.2中，对于有着相同的modality的影像A和B的配准和不一样的modality的影像A和B的配准，我们没有做区分。而对于体素相似度量配准，这个差别就很重要，下面的例子中我们将会看到。实施相同的modality或是intramodality的一个常见原因：配准是针对同一subject在细微差别时间拍摄的影像进行比较，以此来判断在anatomy or pathology上是否已经有细微的变化。如果subject没有任何变化，我们可以预料，经过配准和删减之后，除了噪声，在差异影像中将没有任何structure。而如果在structure中有小批量的变化，可以预料在影像中很多地方会看见噪声，并且在少数可视区域能够看到变化。如果有一个配准错误，我们在差异影像中看到由于较差的对准而产生的不恰当的structure。在这个应用中，我们可以使用多种体素相似度量方法。例如，在最小化差异影像中的structure时我们可以迭代计算T，如果配准正确，在差异影像中将不会有structure或者只有很少的structure，相反随着配准失败增多，structure的数量也会增多。Structure可以通过差分值的平方的总和，或是绝对差分值的总和，或者是差分影像的熵来量化。另一种直观的方法（至少对于那些熟悉信号处理技术的人而言）就是通过交叉相关联的A和B来找出T。在本章节，我们更加详尽的讲述这些intramodality技术。
6.1. 极小化强度差
一种最简单的体素相似度量之一就是影像之间的强度均方差（sum of squared intensity differences，即SSD），在配准过程中被最小化。有N个体素在重叠区域
由于N =
会根据每次估算的T值而变，所以要在重叠区域（的基数）中除以体素的总个数N。可以证明在两个只有高斯噪声有差别的映像中这是最好的方法（Viola 1995年）。很明显在intermodality配准中就不是这样的了。这一严格要求也很少在intermodality配准中有效，由于在像modulus MRI医疗影像中的噪声通常不是高斯分布的，而且很有可能噪声在获取物体的成像时已经发生改变，甚至成像根本就不是用于配准！SSD测量广泛应用于系列MR配准,如Hajnal等人（1995a，b）。它同样也被用在一个稍有不同的Friston的统计参数映射（SPM）软件的配准算法框架（Friston等人1995年， Ashburner和Friston 1999年），更多的细节将在下文的7.1章节中讲述。
在影像A和影像B有很大的强度差的少量体素，SSD测量非常敏感。如果A和B都是在病人体内注入造影剂（contrast material）生成的或者A和B实在相对subject不同位置获取的，这种情况就会出现。使用绝对差和（the sum of absolute differences）可以降低这些“outlier”体素的影像，不是SSD，而是SAD
6.2. 相关技术
SSD测量的前提假设是配准后影像只会因高斯噪声而产生差别。有一个不是很严格的假设：在配准过程中，影像的强度值之间存在线性关系。在这种情况下最好的相似性度量方法是相关系数（correlation coefficient）CC：
其中
6.3. 图像比率一致性（Ratio image uniformity）
图像比率一致性算法（RIU）最初是Woods等人1992年为系列PET配准而使用的，但后来逐渐广泛应用于系列MR配准（Woods等人1998年），这个算法也出现在UCLA的AIR配准包中。这个算法可以看作是应用于由影像A和影像B计算出来的比率图像上。有一种寻找这个比率图像最大化的转换算法T的迭代技术，可以量化为比率图像中的体素的归一化标准偏差。在图像比率一致性算法第一次发表时RIU还没有被用做它的缩写词，RIU也经常被引用作强度比率算法的方差。RIU算法最容易被认为是在
这篇关于Medical image registration(section6)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
