MRI数据处理: FSL非线性配准命令fnirt

非线性配准 fnirt

为了排除个体差异, 进而使得个体间脑组织的对比得以实施, 常需要将不同的大脑配准到公共的模板/空间. 这样做是为了后续用TBSS等统计方法进行组间分析(compare fractional anisotropy or tissue composition). 配准算法根据适用的问题不同分为线性和非线性两种, flirt采用了线性配准算法, 所谓的线性配准就是采用坐标旋转\平移\缩放\剪切将两个图像匹配到一起.但是线性配准也有局限性,很多时候仅仅用线性配准是不够的. 下面的例子就展示了线性配准和非线性配准后的结果:

算法建模:

1) 仿射变换

其中A是一个4*4的矩阵where A is a 4x4 matrix that is uniquely defined by 12 values (3 translations, 3 rotations, 3 zooms and 3 shears).
加上非线性修正部分:

在fnirt算法中, d_i(x,y,z)是四阶或者三阶B样条曲线.

2) 代价函数:

fsl的代价函数表示为二次方求和的形式. 其中f()指参考图像(例如MNI152模板), g()指需要配准到参考图像上的原始图像. 代价函数的这个形式在某种程度上也约束了fnirt的使用条件,那就是g()和f()必须要比较接近才行. 如果代价函数采用了correlation-ratio或者互信息这类对图像之间的对比差异不那么敏感的函数, 就可以放宽这个适用条件.

但是这种”最小二乘”形式的代价函数, 在最优化的时候比较有优势. 另外, fnirt选项: 调整图像密度参数f可以在全局和局部同时调节寻优搜索空间, 从而解决了对比度差异的问题, 使得算法在f()和g()不那么接近时也具备一定的鲁棒性.

3) 优化算法

配准问题(不管是线性还是非线性)实际上都是一个非线性优化问题, 所谓的非线性优化问题是指目标函数或者代价函数是待优化变量w的非线性形式. 如何寻找到使得目标函数最小的w有很多方式. 有些算法中需要计算目标函数的一阶, 甚至二阶导数. 下式给出Gauss-Newton算法的寻优迭代形式, 中H和 D e l t a