python图像配准的原理_Python医学影像3：图像配准

说明：

译自《PHYSICS IN MEDICINE AND BIOLOGY》2001年的一篇综述文章，原版权归《PHYSICS IN MEDICINE AND BIOLOGY》及文章作者Derek L G Hill, Philipp G Batchelor, Mark Holden and David J Hawkes所有。

侵删，以及感谢必应在线翻译、谷歌在线翻译。

翻译这么老的文章，主要是考虑对软件开发人员，这篇文章用来建立基本概念已经足够了。

摘要：

放射影像(Radiological images)日益被用在医疗保健和医学研究领域。因此，在诊断、 治疗和基础科学研究中，如何从不同来源的图像中获取准确的关联信息，也得到了广泛关注。本文综述用于解决这一问题的图像配准技术，以及多种使用此类技术的软件(application)。图像配准软件的功能包括：将用不同方式采集的同一对象的图像结合在一起，将针对同一对象的一系列扫描图像对齐以弥补运动带来的差异，image guidance during interventions and aligning images from multiple subjects in cohort studies(这句还没弄懂).在很多情况下，当前的配准算法可以自动配准被刚体变换(rigid body transformation)关联起来的图像(刚体是指组织变形可以忽略)。非刚体配准算法也取得了实质进展，可以弥补组织变形带来的差异，或者对齐来自不同对象的图像。然而仍有很多配准问题有待解决，看起来这将是一个持续活跃的研究领域。

7月1号更新：

导论

医学影像越来越多地被用于医疗领域的诊断、治疗规划、治疗指导和病情变化监测。在医学研究中(特别是神经科学领域)，医学图像被用于研究疾病发展的过程和加强对发育衰老的了解。这些研究，会分多个批次对多个对象采集多幅图像，并且常常使用不同的采集方式。从事学术研究，有时希望比较来自患者群的一组图像，而不仅仅是单个患者的不同批次的图像。此外，通过新一代成像系统所产生的数据量要比上一代大。这一趋势将随着多层面螺旋CT、高梯度场强度磁共振设备的引入继续下去。此外，改善比对图像、合并图像的方法，还有其他潜在的好处。临床实践中，影像通常打印在射线照片胶片上，用灯箱来观察。计算机化有诸多的好处，特别是可以精确地校准来自不同图像的信息，可以为合并后的影像提供可视化工具。这篇综述的主题，正是这个过程中的一个关键阶段：校准或配准图像。早前已有医学影像配准文献的综述(如Maurer and Fitzpatrick 1993, van den Elsen et al 1993, Maintz and Viergever 1998)。本文旨在从两方面对这些调查加以完善：1、采用最新的文献，2、用表示法对实现鲁棒性配准技术过程中的困难加以澄清。此外，本文的重点是讨论一些最广泛使用的配准算法，而不是试图提供领域中所有文献的全面综述。由于这个原因，一些最近设计的算法被舍弃了，因为目前尚不清楚是否会得到越来越广泛的使用。

本文描述用于放射图像配准的主要方法。

2016-09-02更新：

暂时跳过一段难的：)

1.1、影像的类型

"医学影像"一词涵盖了多种不同的图像，它们基于各种不同的基本物理原理，应用于不同的领域。用于保健和用于医学研究的图像种类繁多，从组织切片显微图像到用于远程会诊的视频画面，从眼底照相机拍摄的眼部图像到全身放射性同位素图像应有尽有。