1. 3D-2D 配準方法調查研究

1.1 概述

圖像配準方法可以根據圖像模態、圖像維度、配準偏好(nature of registration basis)、幾何變換、用戶交互、優化策略、患者、配準目標進行分類。本文綜述的論文主要是3D CT/MRI 與 2D X-ray進行配準。

1.2 圖像模態(image modality)

1.3 圖像維度(image dimensionality)

為了實現3D-2D的配準，兩個數據需要有一致的維度關系。我們可以將2D數據轉化為3D數據，或者將3D數據轉化為2D數據從而達到維度統一。前一種策略將會以2D-2D配準為主，后一種策略主要以3D-3D配準為主。維度統一問題可以通過投影法、反投影法、重建法得到解決。 ? ? ?? ?

1.3.1 采用投影法策略統一數據維度

投影法策略下，將手術前的3D 體數據投影成N個2D平面。

? ? ? ? ? ? ? ??

1.3.2 反投影策略統一維度

術中采集到的2D 實時數據，經過反投影變換得到3D 數據，再與術前的3D體數據進行對比優化。

1.3.3 三維重建策略統一維度

術中實時采集到2D 數據序列，經過三維重建算法得到實時的術中3D 數據，在與術前的3D 數據進行3D-3D配準。 在臨床實踐過程中，由于要考慮放射劑量的約束，配準的時間同配準精度一樣都是需要著重考慮的問題。由于獲取多個 2D 數據 以及重建時間消耗，這就限制了重建法的應用。我們知道，三維圖像重建至少需要2張2D數據，并且2D圖像越多重見效果越好，配準精度越高，但這和實際情況是相違背的。相比較之下，投影法與反投影法都只需要一張2D數據就可以完成2D-3D圖像配準工作。

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

忽視“維度統一”進行3D-2D配準的方法，我們可以基于外部特點、固有特點或者聯合特征進行配準。固有的特點也可以進行分類，基于解剖特征(feature-)/基于圖像灰度(intensity-)/基于梯度(gradient-based)。
1.4.1 基于外部標識物的配準方法(Extrinsic 3D-2D registration method) 外部標記點方法依賴人工目標，如立體的框架、皮膚上的標志物。標志物通常使用球形結構(不銹鋼實心球、充滿水溶液的塑料球、金種子等)，該標記物可以在術前3D圖像或術中2D圖像很容易地檢測到。立體框架(stereotactic frames)和骨植入標記物都是附著在人體骨骼上，由于剛性作用，非常穩定。相比較之下，皮膚標記物以及體內軟組織移植物會受到呼吸作用/軟組織形變而移動。然而，在放射性治療或者放射外科手術中，采用熱消融軟組織上的腫瘤時，基于標記物的配準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結構可以提供可靠地參考。 上述的三種策略也會被應用于此處的配準工作，實現“維度”統一。2000年 Shirato等人將投影策略引入基于外部特征的配準。進行配準時，將帶有位置標志物的3D數據進行投影，得到投影2D數據。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。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方法具有直接、速度快的優點。這是由于我們需要研究的數據量稀少(只關心標記物)，而且不需要十分復雜的優化算法。該方法最為關鍵的一步在于準確識別和分割標記物，無論實際操作過程中我們是采用人工手動分割還是圖像算法自動分割。 雖然，對于患者而言，將體外標識物植入體內是不便利并且侵入的；但是，基于外部標識物的配準方法具有非常高的強度，所以該方法也會作為驗證其他配準方法的金標準。然而，我們必須需要注意的目標配準誤差(Target Registration Error,TRE)這個評判量，如果標識物距離目標區域很遠，就會出現，標識物附近，目標配準誤差很小，遠離標識物，目標配準誤差極大地增加，進而導致配準失敗。 雖然，基于外部標識物的配準方法是十分有效的，該方法最主要的弊端在于無法進行回訪性地分析。因為每一次，標識物必須在采集術中2D之前，植入標識物。
1.4.2 基于本質特征的配準方法(Intrinsic 3D-2D registration method) 基于本質特征的配準方法依賴于圖像的解剖結構。根據本質特征的含義，我們該出了更為詳細的分類：基于結構特征的配準方法(feature-based)、基于灰度的配準方法(intensity-based)、基于梯度的配準方法(Gradient-based) 。對于每一種方法，投影、反投影、重建策略都可以被應用到“維度統一”的問題上。 1.4.2.1 基于解剖特征的配準方法(Feature-based Registration methods)
基于2D-3D的解剖結構特征配準方法就是為了找到一個最優的變換T，可以最小化3D 解剖特征(從術前3D數據中提取)與相應的2D特征之間的距離。這些特征是幾何實體，如孤立點、點集形成的曲線、輪廓線或者平面。通過圖像分割的方法提取幾何特征可以減少大量的數據量，反過來會加快配準的速度。所以，基于特征的2D-3D配準方法，他的精度直接取決于圖像分割的精度。 為了減弱不準確分割的影響，相關研究人員(Wunsch等)提出了處理錯誤幾何匹配或者差異的方法。基于特征的配準方法還可以進一步的分為Point-toPoint、Curve-to-Curve和Curve-to-Surface的配準。 Point-to-Point是最簡單的基于特征的配準方法。當建立起點匹配，基于外部標識物的配準方法也可以被使用。基于“點對點”的特征配準方法嚴重的依賴操作者的技巧，這是因為我們很難發現這樣一個點，在術中的二維圖像中并且可以與術前3D 圖像中的解剖標記點恰好相關。然而，基于“點對點”的配準方法通常會作為配準的初始，然后可以執行更為精確的2D-3D配準方法。 無論是采用哪一種“維度統一”策略，我們都可以通過“Curve-to-Curve”、“Curve-to-Surface”方法避免在3D數據集與2D數據集之間進行“點匹配”。當采用投影方案時，使得，經3D投影得到的2D封閉輪廓/曲線與術中2D圖像采集到的圖像曲線相匹配(即距離最小)。采用反投影方案時與重建方案類似。 采用點匹配的方法，一定要可以求取兩個特征數據集的距離。點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。當然我們也可以看到，這些方法對奇異點都是相當的敏感的，目前一些健壯的方法(M-estimator、Tukey weighting function、the Voronoi diagram)已經被應用去減少極端數據的影響。當然，我們也可以采用一些先驗知識直接取出這些極端數據。ICP-like(Iterative closest point)配準方法也可以拓展成一個統計的框架，該配準框架并不是簡單地二值匹配關系，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“文庫”(library-based)配準方法也可以應用于特征匹配。首先，生成一個2D模板文庫，用來提前定義變換參數集合，對于剛體而言，就是平移和旋轉。因此，每一個文庫都代表著3D 體數據變成特定的2D 數據的那個特定的變換。模板可以為傅里葉描述子、奇點圖、2D輪廓等。該方法的精準度主要取決于模板的分辨率。
1.4.2.2 基于灰度的配準方法(Intensity-based 2D-3D registration method)
1.4.2.3 基于梯度的配準方法(Gradient-based 2D-3D registration method)

1.5 聯合配準

1.6 用戶交互

總結

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)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。