面向大脑影像点集的精确非刚体配准算法研究

This project studies on the precise non-rigid registration models and algorithms of the image point sets, which are applied to the brain image registration. Firstly, as current shape registration algorithms have poor precision or are not robust enough, on the basis of the precise probability rigid registration method, this project combines the closest point's measurement with the probability model, and then proposes a robust shape non-rigid registration algorithm. Secondly, as the graph matching methods do not consider the consistence of the structure of point sets, this project proposes to introduce the shape similarity to the graph matching model based on the pair similarity, and then proposes a precise non-rigid registration algorithm for the feature point sets of the images. Thirdly, with the above theory, this project uses the shape registration to complete the initial registration, and then applies the non-rigid registration method based on the shape and pair similarity to complete the precise registration between two feature point sets of the brain images. Finally, according to the rules that similar structures of the brain images have much more precise registration results, this project constructs the graph links to connect the brain images in a database via manifold learning. With this graph, the precise non-rigid registration algorithms are applied to accomplish the registration of all brain images. The proposed approaches of this project rich the theory of the non-rigid registration of the image point sets, and the application of the brain image registration also can give technique supports for the future brain structure and functional analysis.

本课题拟对图像点集的精确非刚体配准模型和算法展开研究，并将该理论应用于大脑影像的配准中。针对当前形状配准算法存在着精度较差或鲁棒性不够的缺点，本课题将以申请人已提出的基于概率的精确刚体配准为基础，将最近点度量和概率模型相结合，提出精确的形状非刚体配准算法；针对图匹配算法忽略点集空间结构一致性的问题，提出将点集的形状一致性引入到基于点对相似性的图匹配模型中，并提出图像特征点集的精确非刚体配准算法；在上述理论研究的基础上，用形状配准算法完成大脑影像的初配准，并用基于形状和点对相似性的非刚体配准算法研究两幅大脑影像特征点集的高精度配准；针对相似的大脑影像结构有着更精确的配准结果这一准则，通过流形学习构建大脑影像数据集的连接图，并结合精确的非刚体配准算法完成所有大脑影像的配准。本课题的实施丰富和完善了图像点集的非刚体配准理论，在大脑影像配准中的应用为大脑影像结构和功能的分析提供了技术支撑。

图像点集配准是医学图像处理和计算机视觉等领域的基础问题之一，而脑影像的配准对对大脑结构与功能分析有着重要的作用。本项目针对图像点集的精确非刚体配准模型和算法展开研究，并将该理论应用于大脑影像的配准中。.在基础理论方面，针对当前图像点集存在着噪声和离群点而导致配准精度不高或鲁棒性不够的特点，本项目以申请人已提出的基于概率的精确刚体配准为基础，以保持图像点集空间结构为目的，提出了概率与最近点度量相结合的非刚体配准模型和算法，在仿真和染色体图像上的实验结果证明，提出的算法对噪声、遮挡和存在异常点情况下的配准具有更高的精度和鲁棒性；在上述研究工作的基础上，结合点集的全局形状和局部特征的一致性，提出了高精度的图像点集非刚体配准模型和算法，在仿真和X-ray影像上的实验结果证明，提出的算法能够克服数据的微小形变，获得更高的配准精度。.在算法应用方面，结合传统的图像配准方法，通过引入对称双向度量和严格可逆约束，建立了基于微分同胚映射的大脑影像非线性配准模型，实验结果证明，较传统模型与算法，所提方法对于两幅大脑影像的配准有更高的精度和更好的鲁棒性；利用多个外观特征进行建模，提出了一种基于子空间表示的内蕴度量学习算法，构建出基于数据度量表达形式的多影像数据连接图，提出了基于树和图结构的联合模板匹配框架，并结合两幅影像的非刚体配准算法完成所有大脑影像的配准，实验结果证明所提方法对于数据集中大形变影像的配准具有较好的精确性和鲁棒性。.本项目的实施丰富和完善了图像点集的非刚体配准理论，为深入探索大脑的结构、功能以及与疾病之间的关系提供有力的技术支持，具有重要的理论意义和应用价值。