ANTs - Registration整理

Registration

ants.registration(fixed, moving, type_of_transform=‘SyN’, initial_transform=None, outprefix=‘’, mask=None, moving_mask=None, mask_all_stages=False, grad_step=0.2, flow_sigma=3, total_sigma=0, aff_metric=‘mattes’, aff_sampling=32, aff_random_sampling_rate=0.2, syn_metric=‘mattes’, syn_sampling=32, reg_iterations=(40, 20, 0), aff_iterations=(2100, 1200, 1200, 10), aff_shrink_factors=(6, 4, 2, 1), aff_smoothing_sigmas=(3, 2, 1, 0), write_composite_transform=False, random_seed=None, verbose=False, multivariate_extras=None, restrict_transformation=None, smoothing_in_mm=False, singleprecision=True, **kwargs)

通过完整或简化的 ANTs 注册方法接口注册一对图像。

ANTsR 函数：antsRegistration

参数：

• fixed (ANTsImage) – 我们将移动图像注册到的固定图像。

• moving (ANTsImage) – 要映射到固定空间的移动图像。

• type_of_transform (字符串) – 线性或非线性注册类型。默认情况下为互信息度量。有关更多信息，请参阅下面的注释。

• initial_transform (字符串列表（可选）) – 要添加的转换。如果为 None，则计算平移以对齐图像质心，除非转换类型是仅可变形的（time-varying diffeomorphisms, SyNOnly, or antsRegistrationSyN*[so|bo]）。要强制使用恒等变换进行初始化，请将其设置为“Identity”。

• outprefix (字符串) – 输出将以此前缀命名。

• mask (ANTsImage（可选）) – 固定图像空间中的注册度量掩码。

• moving_mask (ANTsImage（可选）) – 移动图像空间中的注册度量掩码。

• mask_all_stages（布尔值）- 如果为真，则将度量掩码应用于所有注册阶段，而不仅仅是最后阶段。

• grad_step（标量）– 梯度步长（不适用于所有 tx）

• flow_sigma（标量）– 更新场的平滑处理 每次迭代时，都会计算相似度度量和梯度。该梯度场也称为更新场，在与总场（即该迭代的总变换估计值）组合之前会进行平滑处理。每次迭代后，也可以平滑此总场。

• total_sigma（标量）– 总场的平滑处理

• aff_metric（字符串）– 仿射部分的度量（GC、mattes、均方）

• aff_sampling（标量）– 互信息度量的箱数

• aff_random_sampling_rate（标量）– 用于估计度量的点的分数。这会影响速度，但也会影响可重复性和/或准确性。

• syn_metric（字符串）– syn 部分的度量（CC、mattes、meansquares、demons）

• syn_sampling（标量）– syn 度量的 nbins 或 radius 参数

• reg_iterations（python：整数的列表/元组）– syn 的迭代向量。我们将根据此向量的长度设置平滑和多分辨率参数。

• aff_iterations（python：整数的列表/元组）– 低维（平移、刚性、仿射）配准的迭代向量。

• aff_shrink_factors（python：整数的列表/元组）– 低维（平移、刚性、仿射）配准的多分辨率收缩因子向量。

• aff_smoothing_sigmas（python：整数的列表/元组）– 低维（平移、刚性、仿射）配准的多分辨率平滑因子向量。

• random_seed (python:integer) – 随机种子以提高可重复性。请注意，如果您想要完美的可重复性，ITK_GLOBAL_DEFAULT_NUMBER_OF_THREADS 的数量应该是 1。

• write_composite_transform (boolean) – 布尔值，指定是否应将复合变换（及其逆变换，如果存在）写入 hdf5 复合文件。默认情况下为 false，因此只有每个阶段的变换才会写入文件。

• verbose (boolean) – 请求详细输出（对调试有用）

• multivariate_extras（多指标配准的附加指标）–

附加图像和指标的列表，这些图像和指标将触发可变形阶段配准过程中使用多个指标。每个多变量指标需要 5 个条目：指标名称、固定、移动、权重、采样参数。列表列表应为以下形式 ( ( “nameOfMetric2”, img, img, weight, metricParam ) )。另一个示例是 ( ( “MeanSquares”, f2, m2, 0.5, 0), ( “CC”, f2, m2, 0.5, 2 ) )。这仅与SyNOnly 或 antsRegistrationSyN* 转换兼容。

• restrict_transformation（此选项允许用户限制）– 基于每个组件的位移场、平移、刚性或仿射变换的优化。例如，如果想要将 3D 体积的变形或旋转限制在前两个维度，可以通过为 3D 变形场指定权重向量‘(1,1,0)’或为刚性变换指定权重向量‘(1,1,0,1,1,0)’来实现。限制目前仅在没有先前的变换时才有效。

• smoothing_in_mm（布尔值；目前仅影响低维配准）–

• singleprecision（布尔值）– 如果为 True，则使用 float32 进行计算。这对于减少大型数据集的内存使用量很有用，但代价是精度。

• kwargs（关键字参数）– 额外参数

返回：
warpedmovout：扭曲到固定图像空间的移动图像。warpedfixout：扭曲到移动图像空间的固定图像。fwdtransforms：从移动图像转换为固定图像。invtransforms：从固定图像转换为移动图像。

返回类型：
包含以下键/值对的字典

注释
type_of_transform 可以是以下之一：

• “Translation”：平移变换。

• “Rigid”：刚性变换：仅旋转和平移。

• “Similarity”：相似性变换：缩放、旋转和平移。

• “QuickRigid”：刚性变换：仅旋转和平移。可能对快速可视化修复有用。’

• “DenseRigid”：刚性变换：仅旋转和平移。在度量估计期间采用密集采样。’

• “BOLDRigid”：刚性变换：BOLD 到 BOLD 受试者内配准的典型参数。’

• “Affine”：仿射变换：刚性 + 缩放。

• “AffineFast”：Affine 的快速版本。

• “BOLDAffine”：仿射变换：BOLD 到 BOLD 受试者内配准的典型参数。’

• “TRSAA”：平移、刚性、相似性、仿射（两次）。如果使用此选项，请设置regIterations。这将在您想要真正高质量的仿射映射（可能带有掩码）的情况下使用。

• “Elastic”：弹性变形：仿射 + 可变形。

• “ElasticSyN”：对称规范化：仿射 + 可变形变换，以互信息作为优化指标和弹性正则化。

• “SyN”：对称规范化：仿射 + 可变形变换，以互信息作为优化指标。

• “SyNRA”：对称规范化：刚性 + 仿射 + 可变形变换，以互信息作为优化指标。

• “SyNOnly”：没有刚性或仿射阶段的对称规范化。使用互信息作为优化指标。

• “SyNCC”：SyN，但以互相关作为指标。

• “SyNabp”：SyN 针对 abpBrainExtraction 进行了优化。

• “SyNBold”：SyN，但针对 BOLD 和 T1 图像之间的配准进行了优化。

• “SyNBoldAff”：SyN，但针对 BOLD和 T1 图像之间的配准进行了优化，并增加了仿射步骤。

• “SyNAggro”：SyN，但配准更激进（精细尺度匹配和更多变形）。比 SyN 花费更多时间。

• “TV[n]”：时变微分同胚，其中“n”表示速度场离散化中的时间点数。如果需要，应在单独调用 ants.registration 时计算初始变换。

• “TVMSQ”：具有均方度量的时变微分同胚

• “TVMSQC”：具有均方度量的时变微分同胚，适用于非常大的变形

• “antsRegistrationSyN[x]”：在 ANTs 中重新创建 antsRegistrationSyN.sh 脚本
  其中“x”是可用的变换之一：
  t：平移（1 阶段）r：刚性（1 阶段）a：刚性 + 仿射（2 阶段）s：刚性 + 仿射 + 可变形 syn（3 阶段）sr：刚性 + 可变形 syn（2 阶段）so：仅可变形 syn（1 阶段）b：刚性 + 仿射 + 可变形 b 样条 syn（3 阶段）br：刚性 + 可变形 b 样条 syn（2 阶段）bo：仅可变形 b 样条 syn（1 阶段）

• “antsRegistrationSyNQuick[x]”：在 ANTs 中重新创建 antsRegistrationSyNQuick.sh 脚本。x 选项同上。

• “antsRegistrationSyNRepro[x]”：可重现注册。x 选项同上。

• “antsRegistrationSyNQuickRepro[x]”：快速可重现注册。x 选项同上。

ANTS and antsRegistration

原文地址:https://github.com/ANTsX/ANTs/wiki/ANTS-and-antsRegistration

我们经常被问到，在调用 antsRegistration 时，默认的 ANTS 参数是什么样子的。这两个程序之间没有一一对应的关系，但可以以类似的方式设置一些选项。然而，即使这两个程序使用理论上相似的算法，也无法实现等效性，因为多年来，ANTs 和 ITK 方面的底层实现都在不断发展。例如，高斯平滑在 antsRegistration 中的计算方式与在 ANTS 中的不同。

最常见的问题是如何以类似于 ANTS 默认行为的方式设置 antsRegistration 中的收缩因子 -f 和平滑 -s。

示例调用：

ANTS -m MI[ fixed.nii.gz , moving.nii.gz , 1, 32] -t SyN[0.25]
-r Gauss[3,0] -i 200x100x70x20 -o output

固定和移动的是 T1 图像，具有 1x1x1 毫米体素，尺寸为 160x192x256。在可变形部分，我们有四个级别。

对于 antsRegistration，这应该大致相同：-f 6x4x2x1 -s 2x1x0.5x0mm。

Shrink factors

基本思想：下采样图像间距 =（输入图像间距）* 收缩因子
downsampled image spacing = (input image spacing) * shrink factor

ANTS 中的收缩因子在每个级别上以 2 的幂递增的方式设置，但会受到图像尺寸的限制。如果图像在所有维度上都足够大，则在 4 个级别下收缩因子将为 8x4x2x1。但是，每个维度上的收缩都受到该维度上的体素数量的限制，因此下采样图像的每个维度上必须至少有 32 个体素。因此，160x192x256 1x1x1 毫米图像将在第一级下采样为 5x6x8 毫米间距，在第二级下采样为 4x4x4 毫米，在第三级下采样为 2x2x2 毫米，在第四级下采样为 1x1x1 毫米。

对于各向异性体素，收缩基于最小体素尺寸。下采样图像是各向同性的，受图像大小的收缩上限限制。因此，如果 160x192x256 图像的体素尺寸为 0.5x0.75x1，则第 4 级的下采样间距将为 2x2x2 毫米。

代码：
https://github.com/stnava/ANTs/blob/9bc1866a758c2c7b6da463566edc3cdaed65a829/ImageRegistration/itkANTSImageRegistrationOptimizer.h#L1071-L1089

Smoothing

根据公式，ANTS 中的平滑度最小

sigma = (outputSpacing / inputSpacing - 1.0) * 0.2

对于上述示例（160x192x256 体素，1x1x1 毫米间距），这相当于每个级别的平滑 sigma 为 0.8x1.0x1.4 毫米、0.6x0.6x0.6 毫米、0.2x0.2x0.2 毫米和 0x0x0 毫米。

代码：
https://github.com/stnava/ANTs/blob/9bc1866a758c2c7b6da463566edc3cdaed65a829/ImageRegistration/itkANTSImageRegistrationOptimizer.h#L712-L748

Affine registration

对 ANTS 的默认调用设置了以下参数：

–affine-metric-type MI
–MI-option 32x32000
–number-of-affine-iterations 10000x10000x10000

这将使用三个级别和 MI 度量进行初始仿射变换。antsRegistration 中的 MI 度量是 Mattes Mutual Information 的同义词，它是与 ANTS 中使用的 MI 实现不同的实现。

下采样和平滑参数与上面描述的可变形配准相同，因此对于典型的 1mm 脑图像，其值类似于 1-c [10000x10000x10000, 1e-4, 10] -f 4x2x1 -s 0.6x0.2x0mm。MI 箱的数量设置为 32，但与 antsRegistration 不同，指定了固定数量的采样点（32000）。在 antsRegistration 中，我们设置了采样百分比，而不是固定数量的样本。例如，

-m MI[fixed.nii.gz, moving.nii.gz, 1,32, Regular, 0.1]

在由固定图像间距定义的规则网格上采样点，这样 10% 的体素包含一个采样点。对每个点应用一个小的随机扰动以减少混叠。

随机采样不会在网格上迭代，而是随机采样体素，并再次添加随机扰动，使每个点偏离体素中心。

ANTS 中 MI 样本的默认数量转换为不同图像的不同采样百分比，因此没有直接替换此值的方法。antsRegistrationSyN.sh 脚本中的设置为 0.25。更密集地采样可以提高配准的捕获范围，但代价是计算时间。通过良好的初始化，可以降低采样百分比而不会损害性能。

我们还发现在进行仿射阶段之前从刚性对齐开始很有用。在 ANTS 中，设置 --do-rigid 会执行刚性对齐，而不是在仿射之前执行。

Anatomy of an antsRegistration call

原为: https://github.com/ANTsX/ANTs/wiki/Anatomy-of-an-antsRegistration-call

ANTs 注册示例的演练，其中详细说明了选项：

antsRegistration --dimensionality 3 --float 0 \
–output [thisfolder/pennTemplate_to_{sub},thisfolder/pennTemplate_to{sub}_Warped.nii.gz] \
–interpolation Linear \
–winsorize-image-intensities [0.005,0.995] \
–use-histogram-matching 0 \
–initial-moving-transform [$t1brain,$template,1] \
–transform Rigid[0.1] \
–metric MI[$t1brain,$template,1,32,Regular,0.25] \
–convergence [1000x500x250x100,1e-6,10] \
–shrink-factors 8x4x2x1 \
–smoothing-sigmas 3x2x1x0vox \
–transform Affine[0.1] \
–metric MI[$t1brain,$template,1,32,Regular,0.25] \
–convergence [1000x500x250x100,1e-6,10] \
–shrink-factors 8x4x2x1 \
–smoothing-sigmas 3x2x1x0vox \
–transform SyN[0.1,3,0] \
–metric CC[$t1brain,$template,1,4] \
–convergence [100x70x50x20,1e-6,10] \
–shrink-factors 8x4x2x1 \
–smoothing-sigmas 3x2x1x0vox \
-x $brainlesionmask

介绍:

配准（有时称为“规范化”）使一张图像与另一张图像相匹配，这样相同的体素大致指代两个大脑中的相同结构。固定（或目标）图像通常是一个模板，但您可以将任何两张图像相互配准，从计算的角度来看，模板没有什么特别之处。

配准算法：

为了实现最佳配准，ANT 中使用了一组算法：刚性、仿射和 SyN。“刚性”配准不会使大脑变形或缩放，它只会旋转和移动大脑（整个图像被视为刚性物体）。“仿射”配准不仅允许旋转和运动，还允许剪切和缩放。这进一步允许匹配大脑的大小。“刚性”和“仿射”配准也称为线性配准，因为图像的每个点都取决于其他点在空间中的运动。线性配准只能起到表面作用，您可以想象脑回和脑沟仍然未对齐。为了正确配准单个脑回和脑沟，我们需要非线性配准。ANT 中有几种非线性算法，但我们通常使用 SyN，这是性能最好的算法之一（参见 Klein 2009）。

迭代：

除了执行配准算法外，ANTs 还会以不同的分辨率（称为级别）逐步改进每个算法内的配准。其想法是从“模糊”图像（低分辨率、高度平滑）开始，将它们相互配准，然后进入下一步，使用更清晰的高分辨率版本，依此类推。这就是为什么您在配准调用中看到 1000x500x250x100 的原因，这意味着将有 4 个级别。数字显示每个级别的迭代次数。
上面的 antsRegistration 调用运行刚性、仿射和 SyN 配准。它是脚本 antsRegistrationSyN.sh 发出的确切调用。以下是该调用每一行的逐行注释。请注意，以 $ 开头的单词是我们之前定义的变量。即：
thisfolder=/user/local/mydata/
sub=Subject1
template=Template.nii.gz
t1brain=Subject1.nii.gz

预处理选项

前两个参数告诉 antsRegistration 图像是 3D 的，并且将使用双精度浮点数进行计算和输出。

antsRegistration --dimensionality 3 --float 0 \

将重新采样到固定空间的移动图像保存为
缺少上标或下标参数thisfolder/pennTemplate_to_{sub}Warped.nii.gz 也可以选择将重新采样到移动空间的固定图像输出。
–output [thisfolder/pennTemplate_to{sub},thisfolder/pennTemplate_to{sub}_Warped.nii.gz]

写入扭曲图像时使用的插值类型。
这仅适用于配准结束时输出图像的重新采样（使用 --output 指定）。它不会影响配准期间的内部重新采样。

–interpolation Linear \

Winsorization 在配准过程中剪切异常强度。图像直方图的指定分位数定义最小和最大强度。这可以帮助稳定图像指标，但过度剪切可能会破坏图像中的对比度。
输出扭曲图像不受此设置的影响。要预览图像上的 Winsorization，请将 ImageMath 与 TruncateImageIntensity 结合使用。

–winsorize-image-intensities [0.005,0.995]

直方图匹配是一个预处理步骤，转换输入强度，使固定图像和移动图像的直方图尽可能接近匹配。这在某些应用中很有用，但默认情况下处于关闭状态。

–use-histogram-matching 0 \

初始移动变换用于在配准之前快速对齐图像。优化过程要求图像大致重叠，如果图像在物理空间中相距太远，优化过程将会失败。初始化有多种选项：0-通过中点匹配（即，一个图像的中心体素将与另一个图像的中心体素对齐）
1-通过质心匹配
2-通过原点匹配（即物理坐标 0,0,0，由图像标题定义）质心对齐通常效果很好。

或者，您可以指定使用 antsAI 获得的初始仿射变换 .mat 文件，该文件使用不同的初始变换（旋转和/或平移）运行许多快速配准，以找到最佳效果。

–initial-moving-transform [$t1brain,$template,1] \

注册阶段

配准的每个阶段都有一个转换模型、一个相似性指标以及如何运行优化的详细信息。这些阶段从最简单到最复杂的转换进行。大多数用户将从 Rigid 开始。

Rigid 变换的梯度步长为 0.1。与所有优化一样，步长涉及多种权衡。较小的步长可能更准确，但需要更长的时间，并且可能过早收敛。较大的步长可能会超出最佳解决方案。对于大多数大脑配准，最佳值约为 0.1-0.25。

--transform Rigid[0.1] \

该度量衡量两幅图像之间的相似性，度量的梯度用于更新变换参数。所有 ANT 度量都具有 [固定、移动、参数] 的形式。跟踪哪个空间定义为固定，哪个空间定义为移动非常重要。互信息使用两幅图像的直方图来检查相似性，这意味着即使图像相关性不强，它也可以检测到相似的解剖模式。这使其对于模态间配准非常有用。它的计算速度也相当快且稳健，使其成为刚性配准的理想选择。值 1 是权重，用于进行多模态配准。以下是多模态配准调用的示例
–metric CC[$t1brain,$template,0.5,4] # CC 半径 4，t1 上的权重 0.5，密集采样 # --metric MI[$t2brain,$T2template,0.5,32,Regular,0.25] # t2 上的权重 0.5
MI 参数为 [fixed, moving, weight, bins, samples, samplesPercentage] 权重在内部进行了归一化，因此总和为 1。度量标准本身也进行了归一化，因此您可以组合不同的度量标准，而无需原始度量标准数字之间的任何对应关系。在上面的示例中，t1 上的 CC 和 t2 上的 MI 权重相等，因此它们对转换的贡献都相同。

我们的示例调用有 32 个 MI 箱，并且在 25％ 的体素中定期对值进行采样，即每四个体素中考虑一个体素。

--metric MI[$t1brain,$template,1,32,Regular,0.25] \

我们将运行 4 个级别（多分辨率步骤），最大迭代次数为 1000、500、250、100。阈值（1e-6）指示算法在最后 10 次迭代（convergenceWindowSize=10）中，如果互信息的改进没有超过 1e-6，则停止。用简单的英语翻译就是：“如果最后 10 次迭代的 MI 值变化低于 1e-6，则停止迭代并进入下一个级别”。由于这个测试，我们可以对初始级别（这里是 1000）运行大量迭代。这里的图像通常很平滑且非常小，如下所述，并且几乎总是会快速收敛。

--convergence [1000x500x250x100,1e-6,10] \

4 个层次步骤的分辨率将除以 8、4、2、1。“收缩因子”的数量必须与 --convergence 选项中的级别数相匹配。这些因子使用固定图像作为参考。如果固定图像的间距为 1x1x1mm，而移动图像的间距为 2x2x2mm，则 --shrink-factors 4x2x1 将以 4mm 分辨率注册图像，然后是 2mm，然后是 1mm。但是，如果切换固定图像和移动图像，–shrink-factors 4x2x1 将以 8mm、4mm 和 2mm 注册图像。对于 3D 图像，将体积缩小 2 倍会使体素数量减少 8 倍。因此，以收缩因子 1 运行迭代所需的计算量大约是收缩因子 2 的 8 倍，依此类推。

--shrink-factors 8x4x2x1 \

接下来是每个步骤的平滑值。平滑是高斯的，其内核标准偏差为 3,2,1,0 体素。这里它们以体素为单位指定，但也可以以毫米为单位。要将 sigma 转换为 FWHM，您可以使用大约 2.36 的因子。图像在每个级别进行下采样之前都会进行平滑处理。平滑级别的数量必须与迭代级别的数量（即收敛）相匹配。

--smoothing-sigmas 3x2x1x0vox \

END OF RIGID STAGE ###########################################

###########################################
AFFINE STAGE
每次迭代的变形速度（梯度步长）再次为 0.1

--transform Affine[0.1] \

以下所有选项均已在上文解释

--metric MI[$t1brain,$template,1,32,Regular,0.25] \
--convergence [1000x500x250x100,1e-6,10] \
--shrink-factors 8x4x2x1 \
--smoothing-sigmas 3x2x1x0vox \

END AFFINE STAGE
############################################

############################################
START THE THIRD STAGE: SyN

SyN[]里面的参数有：gradientStep、updateFieldVarianceInVoxelSpace、totalFieldVarianceInVoxelSpace

gradientStep - 告诉算法每次迭代后每个点可以移动多少。SyN 度量计算每个点需要朝哪个方向移动。此移动可以很大（高 gradientStep）或很小（低 gradientStep）。脑成像的最佳值通常在 0.1-0.25 范围内。

每次迭代后，都会计算梯度场，该梯度场指示图像内的每个点在空间中的移动方式。此小变形（或“更新的”梯度场）与之前的更新相结合，形成“总”梯度变形。更新场和梯度场都可以平滑以使变形规则化。

updateFieldVarianceInVoxelSpace - 通过在此处添加惩罚，我们会平滑每次迭代时在“更新的”梯度场上计算的变形。默认值 3 体素已被证明效果相当好。增加此值将使更新场更平滑，这意味着它对局部变形的敏感度会降低。

totalFieldVarianceInVoxelSpace - 通过在此处添加惩罚，我们可以平滑在“总”梯度场上计算的变形。因此，此处的平滑适用于从开始计算的所有变形（即，在本次和所有之前的 SyN 迭代中）。
原则上，更新场的平滑可以看作是流体配准，而总场的平滑可以看作是弹性配准。向总场添加正则化项会使图像“更硬”，因为它会抑制总变形量。

这两个参数都会影响收敛所需的最佳步长和迭代次数。

--transform SyN[0.1,3,0] \

在 SyN 阶段，我们使用互相关 (CC) 而不是互信息 (MI)。对于模态内神经成像，CC 比 MI 更适合可变形配准。CC 不会检查图像的直方图，而是测量体素局部邻域之间的相关性。对于图像中的每个点，都会为该点及其邻域计算 CC；半径为 n 意味着邻域将是该点周围的 2n+1 立方体。因此，较大的半径会大大增加计算时间，但会使用更多信息。2-4 的值适用于大多数脑成像，更大的值可以帮助提高对难题的稳健性（例如，组织损伤或去除会降低对比度的低信息邻域）。

调用为 [fixed,moving,weight,radius]

--metric CC[$t1brain,$template,1,4] \

以下选项已在上文中解释，其工作方式相同。请注意，由于 SyN 和 CC 的计算成本非常高，因此此处的 20 次全分辨率迭代将花费最长的时间。大量全分辨率迭代可能比所有阶段的所有先前迭代的总和还要长。使用 --verbose，注册将打印每次迭代所花费的时间。

--convergence [100x70x50x20,1e-6,10] \
--shrink-factors 8x4x2x1 \
--smoothing-sigmas 3x2x1x0vox \

END OF SyN TRANSFORMATION
#############################################

掩码将度量的计算限制在某个区域。当相似性需要评估时，掩码应为 1，否则为 0。掩码之外的任何内容都不会影响相似性度量。这可以有所帮助，但也会阻碍配准。它可以通过忽略导致问题的因素来提供帮助（例如，如果我们试图在头部图像中对齐大脑，我们可能不太关心颈部）。但它也会破坏配准的稳定性，因为移入和移出掩码的点会急剧改变度量。与试图在整个感兴趣的结构周围绘制掩码相比，用较小的区域来处理特定问题（例如病变）不太可能导致问题。

-x $brainlesionmask

antsRegistration 可以接受目标、移动或两幅图像上的蒙版。有时您可能需要使用单独的蒙版来遮盖两侧。在这种情况下，您可以使用类似这样的方法：

-x [$fixed_mask,$moving_mask]

注册提示

• 在 antsRegistration（即 N4）之前运行偏差校正。它有助于获得更好的注册。
• 在注册大脑图像之前移除头骨。
• 当一个图像中的特征与另一个图像没有正确匹配时，使用遮罩。例如，具有不同视野的图像，或将有病变的大脑注册到没有病变的大脑。如果您真的没有病变遮罩，即使是粗糙和不精确的病变绘制也会有所帮助（参见 Andersen 2010）。
• 良好的刚性和仿射对齐将使可变形注册更快、更稳健。如果注册失败，请仅运行刚性部分，然后仅运行仿射部分。如果这些不好，请在花更多时间进行可变形注册之前修复它们。