代數(shù)運(yùn)算(Algebraicoperation)相加。相減。相乘。相除圖像融合要點(diǎn)：

整理課件1代數(shù)運(yùn)算(Algebraicoperation)相加。要點(diǎn)代數(shù)運(yùn)算迭加相減：顯示兩幅圖像的差異、運(yùn)動(dòng)物體檢測(cè)。相乘：提取或刪掉圖象某部分。相除：遙感多光譜圖象相除抵消入射分量i(x,y)。整理課件2代數(shù)運(yùn)算迭加整理課件2實(shí)例整理課件3實(shí)例整理課件3相加M=1M=2M=4M=16Addition:averagingfornoisereduction整理課件4相加M=1M=2M=4M=16Addition:整理課件4相減DSAX-rayimageobtainedbeforeandafterinjectionofdyeintoarteries.Dyeaffectsappearanceofbloodvesselsbutnotsurroundingtissues.Subtractingpre-andpost-injectionimagesenhancesbloodvesselsrelativetotissues.(ImagecourtesyofD.W.Holdsworth,RRI.)整理課件5相減X-rayimageobtainedbefore相減DSA整理課件6相減整理課件6相減DSA整理課件7相減整理課件7相減：檢測(cè)運(yùn)動(dòng)物體整理課件8相減：檢測(cè)運(yùn)動(dòng)物體整理課件8整理課件9整理課件9相乘整理課件10相乘整理課件10相乘整理課件11相乘整理課件11相乘Multiplication:maskingusedtozerooutareasthatyoudon’twanttouseincalculationsx(a)Magneticresonancevelocityimagethroughthehumanneck.Multiplyingbythemaskin(b)isolatespixelscorrespondingtooneofthecarotidarteries.Averagingpixelvaluesinsidethemaskedregionandmultiplyingbytheareaofthemaskyieldstheaveragebloodflow.(ImagecourtesyofD.A.Steinman,RRI.)(a)(b)整理課件12相乘Multiplication:x(a)Magnetic相除Division:imageformationisoftenamultiplicativeprocess:needtoeliminateI(x,y)forbettervisualizationandprocessing(e.g.,thresholding)BlackbloodMRimagethroughneckofasubject.Therolloffinimageintensitycanbemodelledasamultiplicativeprocess.(ImagecourtesyofD.A.Steinman,RRI.)整理課件13相除Division:BlackbloodMRimag相除(a)BlackbloodMRimagethroughneckofasubject.(b)Imageafterdividingoutestimatedrollofffunction.(ImagecourtesyofD.A.Steinman,RRI.)(a)(b)Division(cont’d):estimateI(x,y)anddivideitoutmanyproceduresforestimatingI(x,y);willcoveronelater(homomorphicfiltering)整理課件14相除(a)BlackbloodMRimagethrMatlab中的實(shí)現(xiàn)imadd(a,b):兩幅圖像相加imsubtract(a,b):兩幅圖像相減immultiply（a,b）:兩幅圖像相乘imdivide(a,b)：兩幅圖像相除整理課件15Matlab中的實(shí)現(xiàn)imadd(a,b):兩幅圖像相加整理課MedicalImageRegistrationandFusion醫(yī)學(xué)圖像配準(zhǔn)的概念及應(yīng)用2009年6月整理課件16MedicalImageRegistrationand什么是圖像配準(zhǔn)?圖像配準(zhǔn)是指對(duì)于一幅圖像尋求一種空間變換，使該圖像與另一幅圖像中的對(duì)應(yīng)點(diǎn)達(dá)到空間上的一致整理課件17什么是圖像配準(zhǔn)?圖像配準(zhǔn)是指對(duì)于一幅圖像尋求一種空間變換，使確定同一對(duì)象的不同視圖中的對(duì)應(yīng)點(diǎn)整理課件18確定同一對(duì)象的不同視圖中的對(duì)應(yīng)點(diǎn)整理課件18醫(yī)學(xué)圖像配準(zhǔn)的分類(lèi)基于外部特征和基于內(nèi)部特征外部特征：標(biāo)記物或標(biāo)記點(diǎn)，侵入式內(nèi)部特征：體內(nèi)特征點(diǎn)或表面根據(jù)變換性質(zhì)：剛體變換、仿射變換、投影變換及曲線(xiàn)變換根據(jù)圖像模態(tài)：?jiǎn)文！⒍嗄?、患?模態(tài)間的配準(zhǔn)根據(jù)主體：intrasubject、intersubject和atlas（圖譜）整理課件19醫(yī)學(xué)圖像配準(zhǔn)的分類(lèi)基于外部特征和基于內(nèi)部特征整理課件19醫(yī)學(xué)圖像配準(zhǔn)的應(yīng)用可以從不同圖像的模式中得到相關(guān)信息，用于：基于圖像的診斷：解剖與功能圖像的結(jié)合手術(shù)計(jì)劃/放療計(jì)劃的制定：腫瘤病理變化的跟蹤及療效的評(píng)價(jià)與圖譜（如可視人）配準(zhǔn)，用于確定特定區(qū)域及功能整理課件20醫(yī)學(xué)圖像配準(zhǔn)的應(yīng)用可以從不同圖像的模式中得到相關(guān)信息，用于：常用圖像配準(zhǔn)方法基于特征點(diǎn)的配準(zhǔn)方法特征點(diǎn)的數(shù)目及位置對(duì)結(jié)果有影響基于表面（分割）的配準(zhǔn)方法需要分割處理基于象素（體素）的配準(zhǔn)法靈活，利用圖像全部信息，但運(yùn)算量大、速度慢整理課件21常用圖像配準(zhǔn)方法基于特征點(diǎn)的配準(zhǔn)方法整理課件21基于特征點(diǎn)的配準(zhǔn)方法發(fā)現(xiàn)所有對(duì)應(yīng)的基準(zhǔn)點(diǎn)變換視圖2=“空間”

2視圖1=“空間”

1對(duì)準(zhǔn)相應(yīng)基準(zhǔn)點(diǎn)目標(biāo)點(diǎn)對(duì)準(zhǔn)(Fitzpatrick2003)整理課件22基于特征點(diǎn)的配準(zhǔn)方法發(fā)現(xiàn)所有對(duì)應(yīng)的基準(zhǔn)點(diǎn)變換視圖2視圖1對(duì)準(zhǔn)特征點(diǎn)法示例整理課件23特征點(diǎn)法示例整理課件23用詞說(shuō)明各種圖像配準(zhǔn)的文獻(xiàn)都會(huì)出現(xiàn)“配準(zhǔn)、匹配、幾何校正”三個(gè)詞，它們的含義比較相似一般兩幅圖像之間用配準(zhǔn)(register,registration)尋找同名特征(點(diǎn))的過(guò)程叫匹配（match,matching)根據(jù)主輔圖像之間的幾何變換關(guān)系，對(duì)輔圖像進(jìn)行逐像素處理變?yōu)榕錅?zhǔn)圖像的過(guò)程叫做幾何校正（geometriccorrection）整理課件24用詞說(shuō)明各種圖像配準(zhǔn)的文獻(xiàn)都會(huì)出現(xiàn)“配準(zhǔn)、匹配、幾何校正”三基于表面（分割）法在待配準(zhǔn)的表面上選點(diǎn)移去待配準(zhǔn)表面，表面由所選點(diǎn)代表在參考平面上找到相應(yīng)的最近點(diǎn)，計(jì)算總距離(Fitzpatrick2003)整理課件25基于表面（分割）法在待配準(zhǔn)的表面上選點(diǎn)移去待配準(zhǔn)表面，表面由基于表面（分割）法去掉參考表面，表面可由相應(yīng)的點(diǎn)代替得到配準(zhǔn)點(diǎn)集(剛體)，進(jìn)行配準(zhǔn)恢復(fù)參考表面發(fā)現(xiàn)新的最近點(diǎn)集去掉參考平面，得到新的配準(zhǔn)點(diǎn)集繼續(xù)上述過(guò)程，得到新的配準(zhǔn)點(diǎn)集整理課件26基于表面（分割）法去掉參考表面，表面可由相應(yīng)的點(diǎn)代替得到配準(zhǔn)基于表面（分割）法-迭代最近點(diǎn)法整理課件27基于表面（分割）法-迭代最近點(diǎn)法整理課件27基于像素/體素特征法整理課件28基于像素/體素特征法整理課件28基于體素特征法三維圖像中的每個(gè)體素對(duì)應(yīng)一個(gè)相應(yīng)的坐標(biāo)和體素強(qiáng)度值基于體素特征的方法就是將三維圖像A（參考圖）中的每個(gè)體素的坐標(biāo)與三維圖像B（浮動(dòng)圖）中的每個(gè)體素的坐標(biāo)通過(guò)變換T建立映射關(guān)系,以達(dá)到兩個(gè)圖形的配準(zhǔn)Xa=T(Xb)整理課件29基于體素特征法三維圖像中的每個(gè)體素對(duì)應(yīng)一個(gè)相應(yīng)的坐標(biāo)和體素強(qiáng)基于體素特征法例如：對(duì)于剛體變換，Mt

坐標(biāo)表示平移，Mr坐標(biāo)表示旋轉(zhuǎn)Xa=MtMrXb此時(shí)T＝MtMr，即浮動(dòng)圖B中的體素坐標(biāo)經(jīng)過(guò)一定角度的旋轉(zhuǎn)和一定量的位移后對(duì)應(yīng)到參考圖A上整理課件30基于體素特征法例如：對(duì)于剛體變換，Mt坐標(biāo)表示平移，Mr坐配準(zhǔn)框架及方法空間變換優(yōu)化算法ImageSimilaritymetric相似性測(cè)度ImageInterpolator圖像插值配準(zhǔn)整理課件31配準(zhǔn)框架及方法空間變換優(yōu)化算法ImageSimilarit配準(zhǔn)基本步驟空間轉(zhuǎn)換(Transform)實(shí)現(xiàn)從一幅圖像到另一幅圖像的映射圖像插值(Interpolation)確定不在網(wǎng)格位置上的點(diǎn)的灰度值相似性測(cè)度(SimilarityMetric,配準(zhǔn)標(biāo)準(zhǔn))對(duì)“完美匹配”進(jìn)行定量分析優(yōu)化算法(Optimizer)優(yōu)化變換參數(shù)整理課件32配準(zhǔn)基本步驟空間轉(zhuǎn)換(Transform)整理課件32空間轉(zhuǎn)換浮動(dòng)圖像 參考圖像整理課件33空間轉(zhuǎn)換浮動(dòng)圖像 參考圖像整理課件33常見(jiàn)空間變換整理課件34常見(jiàn)空間變換整理課件34剛體變換旋轉(zhuǎn)及平移參數(shù)：整理課件35剛體變換旋轉(zhuǎn)及平移參數(shù)：整理課件35仿射變換尺度變換是剛性變換嗎？整理課件36仿射變換尺度變換是剛性變換嗎？整理課件36投影變換參數(shù)

p=(a11,a12,a13,…,a41,a42,a43,tx,ty,tz,)Note:x’i=x’I/u,fori=1,2,3整理課件37投影變換參數(shù) p=(a11,a12,a13,…,a4曲線(xiàn)變換多項(xiàng)式近似樣條函數(shù)薄板樣條(thin-platespline)B-樣條(b-spline)……非剛體變換會(huì)較復(fù)雜，一般用于局部形變T=Tglobal+TlocalTglobal:rigid/affinetransform(Trigid/Taffine)Tlocal:Non-rigidtransform整理課件38曲線(xiàn)變換多項(xiàng)式近似T=Tglobal+Tlocal整理課件3非剛體變換示例—十分復(fù)雜！(Thompson,1996)整理課件39非剛體變換示例—十分復(fù)雜！(Thompson,1996)整圖像的插值最近鄰插值線(xiàn)性插值三次線(xiàn)性插值B-樣條插值整理課件40圖像的插值最近鄰插值整理課件40雙線(xiàn)性插值法圖像的插值沒(méi)有灰度不連續(xù)性的缺點(diǎn)具有低通濾波性質(zhì)，圖像輪廓有一定模糊整理課件41雙線(xiàn)性插值法圖像的插值沒(méi)有灰度不連續(xù)性的缺點(diǎn)整理課件41(i-1,j-1)(i-1,j+2)(i+2,j-1)(i+2,j+2)(x,y)u

v雙三次內(nèi)插法(bicubicinterpolation)該方法利用三次多項(xiàng)式S(x)來(lái)逼近理論上的最佳插值函數(shù)sin(x)/x。其數(shù)學(xué)表達(dá)式為：RGKeys.IEEETransAcoustics,Speech,andSigProcess,1981,29(6):1153~60整理課件42(i-1,j-1)(i-1,j+2)(i+2,j-1)(i+原始影像灰度表面最近鄰內(nèi)插法雙線(xiàn)性?xún)?nèi)插法雙三次插值法像素灰度內(nèi)插法效果比較整理課件43原始影像灰度表面最近鄰內(nèi)插法相似性測(cè)度均方值測(cè)度歸一化相關(guān)性測(cè)度最小二乘測(cè)度整理課件44相似性測(cè)度均方值測(cè)度整理課件44互信息測(cè)度信息測(cè)度：熵—系統(tǒng)的復(fù)雜性或不確定性熵聯(lián)合熵互信息標(biāo)準(zhǔn)化互信息整理課件45互信息測(cè)度信息測(cè)度：熵—系統(tǒng)的復(fù)雜性或不確定性熵整理課件45二維灰度直方圖CTIntensity整理課件46二維灰度直方圖CTIntensity整理課件46互信息測(cè)度當(dāng)兩幅圖像的空間位置達(dá)到一致時(shí)，其互信息應(yīng)為最大無(wú)需特征點(diǎn)提取及分割用于基于體素的配準(zhǔn)方法整理課件47互信息測(cè)度當(dāng)兩幅圖像的空間位置達(dá)到一致時(shí)，其互信息應(yīng)為最大用優(yōu)化配準(zhǔn)方法:n-維函數(shù),其中n為變換的自由度通常不是平滑函數(shù)含有許多局部極值可以通過(guò)數(shù)學(xué)優(yōu)化實(shí)現(xiàn)優(yōu)化算法梯度下降法Downhillsimplex優(yōu)化(amoeba)Powell’s算法Genetic算法……整理課件48優(yōu)化配準(zhǔn)方法:n-維函數(shù),其中n為變換的自由度整理課件4實(shí)例一：

基于點(diǎn)的剛體變換配準(zhǔn)算法

最小二乘配準(zhǔn)整理課件49實(shí)例一：

基于點(diǎn)的剛體變換配準(zhǔn)算法

最小二乘配準(zhǔn)整理課件49特征點(diǎn)的選取整理課件50特征點(diǎn)的選取整理課件50剛體變換的最小二乘解法共取N(N>4)個(gè)特征點(diǎn)浮動(dòng)圖像坐標(biāo)系中，N個(gè)特征點(diǎn)的齊次坐標(biāo)構(gòu)成矩陣P?CNX4；在參考空間坐標(biāo)系中，對(duì)應(yīng)點(diǎn)構(gòu)成矩陣P’?CNX4假設(shè)配準(zhǔn)矩陣T?C4X4則有P’=P*T，對(duì)于T中任意列X，P’中相應(yīng)列B，則有B=P*X，故可將T的求解分解為四個(gè)列向量的求解整理課件51剛體變換的最小二乘解法共取N(N>4)個(gè)特征點(diǎn)整理課件51最小二乘解法算法原理:用豪斯荷爾德變換將P進(jìn)行QR分解，即P=QR，其中Q為nxn的正交矩陣，R為上三角矩陣Matlab實(shí)現(xiàn)：[Q,R]=qr(P);設(shè)E=B-PX，用QT乘上式兩端得 因?yàn)镼T為正交矩陣，所以: ||E||2=||QTE||2=||QTB-RX||2QTE=QTB-QTPX=QTB-RX整理課件52最小二乘解法算法原理:QTE=QTB-QTPX=若令其中C為4維列向量，D為n-4維列向量，R1為4x4上三角方陣,則上式中，當(dāng)X滿(mǎn)足R1X=C時(shí)，將取最小值整理課件53若令整理課件53最小二乘解法（矩陣求解）算法步驟：1、對(duì)P進(jìn)行QR分解。即P=QR2、計(jì)算3、利用回代求解方程組R1X=C4、對(duì)P‘中每一列重復(fù)以上三步驟，即可得到4X4配準(zhǔn)矩陣T整理課件54最小二乘解法（矩陣求解）算法步驟：整理課件54書(shū)中算法4-1（SVD分解）xi,yi分別為浮動(dòng)圖像和參考圖像對(duì)應(yīng)特征點(diǎn)（基準(zhǔn)點(diǎn)）配準(zhǔn)誤差：Ei=T(xi)-yi,T為配準(zhǔn)變換，則：最小化E2，則有：算法流程：整理課件55書(shū)中算法4-1（SVD分解）xi,yi分別為浮動(dòng)圖像和參考算法流程SVD分解的Matlab實(shí)現(xiàn)：整理課件56算法流程SVD分解的Matlab實(shí)現(xiàn)：整理課件56實(shí)例二:

腦PET和MR圖像的快速魯棒配準(zhǔn)NeuroImage論文整理課件57實(shí)例二:

腦PET和MR圖像的快速魯棒配準(zhǔn)NeuroIma材料和方法圖像來(lái)源：PET，MR相似性測(cè)度：互信息優(yōu)化方法：downhillsimplex多分辨率方法：Multi-resolutioncoarse-to-fineoptimization三種標(biāo)準(zhǔn)：[4,4,1],[2,2,1],[1,1,1]整理課件58材料和方法圖像來(lái)源：PET，MR整理課件58預(yù)處理(Preprocessing)噪聲去除及感興趣區(qū)域的提取門(mén)限處理和形態(tài)學(xué)操作：去除背景比率q:背景與整個(gè)圖像的像素比對(duì)于給定的掃描圖像，q變化不大進(jìn)行腐蝕和膨脹等二值形態(tài)學(xué)操作“凈化”背景區(qū)域并填補(bǔ)感興趣區(qū)的“洞”MR腦圖像的提?。哼M(jìn)一步節(jié)省時(shí)間利用BrainExtractionTool(BET)bySmithBET可以利用表面模型的方法在較短的時(shí)間內(nèi)(大約15–35s)進(jìn)行腦圖像提取整理課件59預(yù)處理(Preprocessing)噪聲去除及感興趣區(qū)域的提整理課件60整理課件60Downhillsimplex優(yōu)化(amoeba)無(wú)須梯度計(jì)算整理課件61Downhillsimplex優(yōu)化(amoeba)無(wú)須梯度整理課件62整理課件62整理課件63整理課件63基于模糊邊緣場(chǎng)的CT與MR剛性配準(zhǔn)整理課件64基于模糊邊緣場(chǎng)的CT與MR剛性配準(zhǔn)整理課件64計(jì)算機(jī)輔助外科手術(shù)系統(tǒng)computeraidedsurgery/imageguidedsurgery立體定位技術(shù)與成像技術(shù)的結(jié)合：在手術(shù)過(guò)程中，利用空間定位及配準(zhǔn)技術(shù)使術(shù)前圖像、手術(shù)臺(tái)上的病人和手術(shù)器械三者精確聯(lián)系進(jìn)行術(shù)中跟蹤導(dǎo)航常用定位技術(shù)：光學(xué)定位法、機(jī)械定位法、超聲波定位法和電磁定位法常用成像技術(shù)：X-線(xiàn)成像,CT,MRI主要應(yīng)用領(lǐng)域：神經(jīng)外科手術(shù)，骨科（含脊椎、關(guān)節(jié)）手術(shù)整理課件65計(jì)算機(jī)輔助外科手術(shù)系統(tǒng)computeraidedsurgElekta公司Surgiscope機(jī)器人導(dǎo)航系統(tǒng)整理課件66Elekta公司Surgiscope機(jī)器人導(dǎo)航系統(tǒng)整理課件發(fā)展趨勢(shì)及可能的解決方案導(dǎo)航系統(tǒng)發(fā)展趨勢(shì)：實(shí)時(shí)術(shù)中影像導(dǎo)航:開(kāi)放式CT/MRI術(shù)中導(dǎo)航系統(tǒng)機(jī)器人手術(shù)系統(tǒng),以術(shù)中“C”型臂X線(xiàn)機(jī)實(shí)時(shí)采集的圖像進(jìn)行導(dǎo)航整理課件67發(fā)展趨勢(shì)及可能的解決方案導(dǎo)航系統(tǒng)發(fā)展趨勢(shì)：整理課件67定位系統(tǒng)發(fā)射裝置接收裝置及穿刺針6自由度感應(yīng)線(xiàn)圖帶線(xiàn)圈的穿刺針帶線(xiàn)圈的熱探頭整理課件68定位系統(tǒng)發(fā)射裝置接收裝置及穿刺針6自由度感應(yīng)線(xiàn)圖帶線(xiàn)圈的穿刺O(píng)bliqueCTplanecorrespondingtoultrasoundImageforfeatureidentification與超聲或腹腔鏡超聲探頭的結(jié)合整理課件69ObliqueCTplanecorresponding什么是圖像融合在圖像配準(zhǔn)的基礎(chǔ)上，將兩種圖像的信息結(jié)合起來(lái)，在一幅圖像上同時(shí)表達(dá)來(lái)自人體的多方面的信息的過(guò)程整理課件70什么是圖像融合在圖像配準(zhǔn)的基礎(chǔ)上，將兩種圖像的信息結(jié)合起來(lái)，圖象融合Imagefusion整理課件71圖象融合Imagefusion整理課件71整理課件72整理課件72按照不同的圖像成像模式可將醫(yī)學(xué)圖像融合分為三類(lèi)

單模融合:相同成像方式的圖像融合稱(chēng)為稱(chēng)單模融合(mono一modaliyt)，也稱(chēng)為同類(lèi)方式融合。它是指待融合的兩幅圖像是由同一設(shè)備獲取的。用途：?jiǎn)文Ｈ诤隙嘤糜谥委熐昂蟮膶?duì)比、疾病(如癲癰)發(fā)作期與發(fā)作間期對(duì)比、腫瘤或骨骼的生長(zhǎng)監(jiān)測(cè)。整理課件73按照不同的圖像成像模式可將醫(yī)學(xué)圖像融合分為三類(lèi)

單模融合:相多模融合多模融合:不同成像方式的圖像融合稱(chēng)為多模融合(mutlit一mdealiy)，也稱(chēng)為交互融合。它是指融合的兩幅圖像來(lái)源于不同的成像設(shè)備。多模融合主要應(yīng)用于神經(jīng)外科的診斷、手術(shù)定位及放療計(jì)劃設(shè)計(jì)等。SPECT、PET能反映人體的功能和代謝信息，但其空間分辨率較低，致使解剖結(jié)構(gòu)欠清晰。如果將CT或M班與SPECT或PET融合，就能利用解剖成像方式為功能圖像提供充分的解剖信息，彌補(bǔ)后者的欠缺。整理課件74多模融合多模融合:不同成像方式的圖像融合稱(chēng)為多模融合(mut模板融合模板融合:將病人的圖像與模板融合稱(chēng)為模板融合。這種方式也適用于不同患者間融合。模板可為采集的圖像，也可為解剖或生理圖譜甚至為病人本身。比如，將待診斷的圖像與典型正常人的圖像比較，以確定被測(cè)試者是否正常;如果異常，也許還要與一些疾病的典型圖像對(duì)比，確定患者是否屬于同類(lèi)。整理課件75模板融合模板融合:將病人的圖像與模板融合稱(chēng)為模板融合。這種方醫(yī)學(xué)圖像融合方法概述空間域圖像融合方法空間域融合方法包括加權(quán)平均融合方法、像素灰度值選擇融合方法等，變換域圖像融合方法金字塔圖像融合法小波變換圖像融合法整理課件76醫(yī)學(xué)圖像融合方法概述空間域圖像融合方法整理課件76傳統(tǒng)的醫(yī)學(xué)圖像融合的方法

加權(quán)平均融合法式中：i——圖像中像素的行號(hào)，i=1,2,........M；j——圖像中像素的列號(hào)，j=1,2,........N；ω1——加權(quán)系數(shù)1；ω2——加權(quán)系數(shù)2；通常，ω1+ω2=1。整理課件77傳統(tǒng)的醫(yī)學(xué)圖像融合的方法

加權(quán)平均融合法整理課件77整理課件78整理課件78加權(quán)平均f1=imread('ronghe11.bmp');f2=imread('ronghe22.bmp');figure,imshow(f1),figure,imshow(f2)g=0.5*double(f1)+0.5*double(f2);g=im2uint8(mat2gray(g));figure,imshow(g)整理課件79加權(quán)平均f1=imread('ronghe11.bmp');像素加權(quán)平均融合法在傳統(tǒng)的醫(yī)學(xué)圖像融合中有著非常重要的地位，融合的范圍比較廣泛，但是，融合后圖像的對(duì)比度會(huì)有所降低。整理課件80像素加權(quán)平均融合法在傳統(tǒng)的醫(yī)學(xué)圖像融合中有著非常重要的地位，插入像素法的前提是兩幅圖像達(dá)到完全配準(zhǔn)，只有在這樣的情況下運(yùn)用插入像素法才有意義。插入像素融合法又可分為行插入和列插入兩種方法，列插入像素法的公式如下：插入像素融合法整理課件81插入像素法的前提是兩幅圖像達(dá)到完全配準(zhǔn)，只有在這樣的情況下運(yùn)整理課件82整理課件82

行插入方法的公式為：整理課件83

行插入方法的公式為：整理課件83插入像素法是建立在源圖像達(dá)到完全配準(zhǔn)的基礎(chǔ)之上，適用范圍非常窄整理課件84插入像素法是建立在源圖像達(dá)到完全配準(zhǔn)的基礎(chǔ)之上，適用范圍非常像素灰度值選大融合法

像素灰度值選小融合法整理課件85像素灰度值選大融合法

像素灰度值選小融合法整理課件85整理課件86整理課件86整理課件87整理課件87最大值f1=imread('ronghe11.bmp');f2=imread('ronghe22.bmp');figure,imshow(f1),figure,imshow(f2)[m,n]=size(f1);fori=1:mforj=1:niff1(i,j)>=f2(i,j)g(i,j)=f1(i,j);elseg(i,j)=f2(i,j);endendend整理課件88最大值f1=imread('ronghe11.bmp');整而像素灰度值選大融合方法在某些應(yīng)用場(chǎng)合中不僅可能獲得較好的融合效果，而且其實(shí)現(xiàn)也很簡(jiǎn)單、速度也快，不過(guò)，這種融合方法由于只是簡(jiǎn)單地將原圖像中灰度值大的像素作為融合后的象素，可能導(dǎo)致一些細(xì)節(jié)信息的丟失。整理課件89而像素灰度值選大融合方法在某些應(yīng)用場(chǎng)合中不僅可能獲得較好的融小波變換圖像融合法融合步驟:對(duì)兩幅或多幅配準(zhǔn)圖像進(jìn)行特定的小波變換，得到各層小波系數(shù)矩陣，對(duì)該系數(shù)運(yùn)用相應(yīng)的融合規(guī)則，得到融合小波系數(shù)，進(jìn)行小波反變換，就得到融合圖像。整理課件90小波變換圖像融合法融合步驟:對(duì)兩幅或多幅配準(zhǔn)圖像進(jìn)行特定的小wavemenu整理課件91wavemenu整理課件91作業(yè)分別采用均值、行、列、最大值四種方法對(duì)ronghe11.bmp，ronghe22.bmp圖像進(jìn)行融合.采用小波變換對(duì)ronghe11.bmp，ronghe22.bmp圖像進(jìn)行融合.將融合的結(jié)果保存為complexima.bmp調(diào)查現(xiàn)有醫(yī)學(xué)圖像配準(zhǔn)以及融合的方法。整理課件92作業(yè)分別采用均值、行、列、最大值四種方法對(duì)ronghe11.代數(shù)運(yùn)算(Algebraicoperation)相加。相減。相乘。相除圖像融合要點(diǎn)：

整理課件93代數(shù)運(yùn)算(Algebraicoperation)相加。要點(diǎn)代數(shù)運(yùn)算迭加相減：顯示兩幅圖像的差異、運(yùn)動(dòng)物體檢測(cè)。相乘：提取或刪掉圖象某部分。相除：遙感多光譜圖象相除抵消入射分量i(x,y)。整理課件94代數(shù)運(yùn)算迭加整理課件2實(shí)例整理課件95實(shí)例整理課件3相加M=1M=2M=4M=16Addition:averagingfornoisereduction整理課件96相加M=1M=2M=4M=16Addition:整理課件4相減DSAX-rayimageobtainedbeforeandafterinjectionofdyeintoarteries.Dyeaffectsappearanceofbloodvesselsbutnotsurroundingtissues.Subtractingpre-andpost-injectionimagesenhancesbloodvesselsrelativetotissues.(ImagecourtesyofD.W.Holdsworth,RRI.)整理課件97相減X-rayimageobtainedbefore相減DSA整理課件98相減整理課件6相減DSA整理課件99相減整理課件7相減：檢測(cè)運(yùn)動(dòng)物體整理課件100相減：檢測(cè)運(yùn)動(dòng)物體整理課件8整理課件101整理課件9相乘整理課件102相乘整理課件10相乘整理課件103相乘整理課件11相乘Multiplication:maskingusedtozerooutareasthatyoudon’twanttouseincalculationsx(a)Magneticresonancevelocityimagethroughthehumanneck.Multiplyingbythemaskin(b)isolatespixelscorrespondingtooneofthecarotidarteries.Averagingpixelvaluesinsidethemaskedregionandmultiplyingbytheareaofthemaskyieldstheaveragebloodflow.(ImagecourtesyofD.A.Steinman,RRI.)(a)(b)整理課件104相乘Multiplication:x(a)Magnetic相除Division:imageformationisoftenamultiplicativeprocess:needtoeliminateI(x,y)forbettervisualizationandprocessing(e.g.,thresholding)BlackbloodMRimagethroughneckofasubject.Therolloffinimageintensitycanbemodelledasamultiplicativeprocess.(ImagecourtesyofD.A.Steinman,RRI.)整理課件105相除Division:BlackbloodMRimag相除(a)BlackbloodMRimagethroughneckofasubject.(b)Imageafterdividingoutestimatedrollofffunction.(ImagecourtesyofD.A.Steinman,RRI.)(a)(b)Division(cont’d):estimateI(x,y)anddivideitoutmanyproceduresforestimatingI(x,y);willcoveronelater(homomorphicfiltering)整理課件106相除(a)BlackbloodMRimagethrMatlab中的實(shí)現(xiàn)imadd(a,b):兩幅圖像相加imsubtract(a,b):兩幅圖像相減immultiply（a,b）:兩幅圖像相乘imdivide(a,b)：兩幅圖像相除整理課件107Matlab中的實(shí)現(xiàn)imadd(a,b):兩幅圖像相加整理課MedicalImageRegistrationandFusion醫(yī)學(xué)圖像配準(zhǔn)的概念及應(yīng)用2009年6月整理課件108MedicalImageRegistrationand什么是圖像配準(zhǔn)?圖像配準(zhǔn)是指對(duì)于一幅圖像尋求一種空間變換，使該圖像與另一幅圖像中的對(duì)應(yīng)點(diǎn)達(dá)到空間上的一致整理課件109什么是圖像配準(zhǔn)?圖像配準(zhǔn)是指對(duì)于一幅圖像尋求一種空間變換，使確定同一對(duì)象的不同視圖中的對(duì)應(yīng)點(diǎn)整理課件110確定同一對(duì)象的不同視圖中的對(duì)應(yīng)點(diǎn)整理課件18醫(yī)學(xué)圖像配準(zhǔn)的分類(lèi)基于外部特征和基于內(nèi)部特征外部特征：標(biāo)記物或標(biāo)記點(diǎn)，侵入式內(nèi)部特征：體內(nèi)特征點(diǎn)或表面根據(jù)變換性質(zhì)：剛體變換、仿射變換、投影變換及曲線(xiàn)變換根據(jù)圖像模態(tài)：?jiǎn)文！⒍嗄?、患?模態(tài)間的配準(zhǔn)根據(jù)主體：intrasubject、intersubject和atlas（圖譜）整理課件111醫(yī)學(xué)圖像配準(zhǔn)的分類(lèi)基于外部特征和基于內(nèi)部特征整理課件19醫(yī)學(xué)圖像配準(zhǔn)的應(yīng)用可以從不同圖像的模式中得到相關(guān)信息，用于：基于圖像的診斷：解剖與功能圖像的結(jié)合手術(shù)計(jì)劃/放療計(jì)劃的制定：腫瘤病理變化的跟蹤及療效的評(píng)價(jià)與圖譜（如可視人）配準(zhǔn)，用于確定特定區(qū)域及功能整理課件112醫(yī)學(xué)圖像配準(zhǔn)的應(yīng)用可以從不同圖像的模式中得到相關(guān)信息，用于：常用圖像配準(zhǔn)方法基于特征點(diǎn)的配準(zhǔn)方法特征點(diǎn)的數(shù)目及位置對(duì)結(jié)果有影響基于表面（分割）的配準(zhǔn)方法需要分割處理基于象素（體素）的配準(zhǔn)法靈活，利用圖像全部信息，但運(yùn)算量大、速度慢整理課件113常用圖像配準(zhǔn)方法基于特征點(diǎn)的配準(zhǔn)方法整理課件21基于特征點(diǎn)的配準(zhǔn)方法發(fā)現(xiàn)所有對(duì)應(yīng)的基準(zhǔn)點(diǎn)變換視圖2=“空間”

2視圖1=“空間”

1對(duì)準(zhǔn)相應(yīng)基準(zhǔn)點(diǎn)目標(biāo)點(diǎn)對(duì)準(zhǔn)(Fitzpatrick2003)整理課件114基于特征點(diǎn)的配準(zhǔn)方法發(fā)現(xiàn)所有對(duì)應(yīng)的基準(zhǔn)點(diǎn)變換視圖2視圖1對(duì)準(zhǔn)特征點(diǎn)法示例整理課件115特征點(diǎn)法示例整理課件23用詞說(shuō)明各種圖像配準(zhǔn)的文獻(xiàn)都會(huì)出現(xiàn)“配準(zhǔn)、匹配、幾何校正”三個(gè)詞，它們的含義比較相似一般兩幅圖像之間用配準(zhǔn)(register,registration)尋找同名特征(點(diǎn))的過(guò)程叫匹配（match,matching)根據(jù)主輔圖像之間的幾何變換關(guān)系，對(duì)輔圖像進(jìn)行逐像素處理變?yōu)榕錅?zhǔn)圖像的過(guò)程叫做幾何校正（geometriccorrection）整理課件116用詞說(shuō)明各種圖像配準(zhǔn)的文獻(xiàn)都會(huì)出現(xiàn)“配準(zhǔn)、匹配、幾何校正”三基于表面（分割）法在待配準(zhǔn)的表面上選點(diǎn)移去待配準(zhǔn)表面，表面由所選點(diǎn)代表在參考平面上找到相應(yīng)的最近點(diǎn)，計(jì)算總距離(Fitzpatrick2003)整理課件117基于表面（分割）法在待配準(zhǔn)的表面上選點(diǎn)移去待配準(zhǔn)表面，表面由基于表面（分割）法去掉參考表面，表面可由相應(yīng)的點(diǎn)代替得到配準(zhǔn)點(diǎn)集(剛體)，進(jìn)行配準(zhǔn)恢復(fù)參考表面發(fā)現(xiàn)新的最近點(diǎn)集去掉參考平面，得到新的配準(zhǔn)點(diǎn)集繼續(xù)上述過(guò)程，得到新的配準(zhǔn)點(diǎn)集整理課件118基于表面（分割）法去掉參考表面，表面可由相應(yīng)的點(diǎn)代替得到配準(zhǔn)基于表面（分割）法-迭代最近點(diǎn)法整理課件119基于表面（分割）法-迭代最近點(diǎn)法整理課件27基于像素/體素特征法整理課件120基于像素/體素特征法整理課件28基于體素特征法三維圖像中的每個(gè)體素對(duì)應(yīng)一個(gè)相應(yīng)的坐標(biāo)和體素強(qiáng)度值基于體素特征的方法就是將三維圖像A（參考圖）中的每個(gè)體素的坐標(biāo)與三維圖像B（浮動(dòng)圖）中的每個(gè)體素的坐標(biāo)通過(guò)變換T建立映射關(guān)系,以達(dá)到兩個(gè)圖形的配準(zhǔn)Xa=T(Xb)整理課件121基于體素特征法三維圖像中的每個(gè)體素對(duì)應(yīng)一個(gè)相應(yīng)的坐標(biāo)和體素強(qiáng)基于體素特征法例如：對(duì)于剛體變換，Mt

坐標(biāo)表示平移，Mr坐標(biāo)表示旋轉(zhuǎn)Xa=MtMrXb此時(shí)T＝MtMr，即浮動(dòng)圖B中的體素坐標(biāo)經(jīng)過(guò)一定角度的旋轉(zhuǎn)和一定量的位移后對(duì)應(yīng)到參考圖A上整理課件122基于體素特征法例如：對(duì)于剛體變換，Mt坐標(biāo)表示平移，Mr坐配準(zhǔn)框架及方法空間變換優(yōu)化算法ImageSimilaritymetric相似性測(cè)度ImageInterpolator圖像插值配準(zhǔn)整理課件123配準(zhǔn)框架及方法空間變換優(yōu)化算法ImageSimilarit配準(zhǔn)基本步驟空間轉(zhuǎn)換(Transform)實(shí)現(xiàn)從一幅圖像到另一幅圖像的映射圖像插值(Interpolation)確定不在網(wǎng)格位置上的點(diǎn)的灰度值相似性測(cè)度(SimilarityMetric,配準(zhǔn)標(biāo)準(zhǔn))對(duì)“完美匹配”進(jìn)行定量分析優(yōu)化算法(Optimizer)優(yōu)化變換參數(shù)整理課件124配準(zhǔn)基本步驟空間轉(zhuǎn)換(Transform)整理課件32空間轉(zhuǎn)換浮動(dòng)圖像 參考圖像整理課件125空間轉(zhuǎn)換浮動(dòng)圖像 參考圖像整理課件33常見(jiàn)空間變換整理課件126常見(jiàn)空間變換整理課件34剛體變換旋轉(zhuǎn)及平移參數(shù)：整理課件127剛體變換旋轉(zhuǎn)及平移參數(shù)：整理課件35仿射變換尺度變換是剛性變換嗎？整理課件128仿射變換尺度變換是剛性變換嗎？整理課件36投影變換參數(shù)

p=(a11,a12,a13,…,a41,a42,a43,tx,ty,tz,)Note:x’i=x’I/u,fori=1,2,3整理課件129投影變換參數(shù) p=(a11,a12,a13,…,a4曲線(xiàn)變換多項(xiàng)式近似樣條函數(shù)薄板樣條(thin-platespline)B-樣條(b-spline)……非剛體變換會(huì)較復(fù)雜，一般用于局部形變T=Tglobal+TlocalTglobal:rigid/affinetransform(Trigid/Taffine)Tlocal:Non-rigidtransform整理課件130曲線(xiàn)變換多項(xiàng)式近似T=Tglobal+Tlocal整理課件3非剛體變換示例—十分復(fù)雜！(Thompson,1996)整理課件131非剛體變換示例—十分復(fù)雜！(Thompson,1996)整圖像的插值最近鄰插值線(xiàn)性插值三次線(xiàn)性插值B-樣條插值整理課件132圖像的插值最近鄰插值整理課件40雙線(xiàn)性插值法圖像的插值沒(méi)有灰度不連續(xù)性的缺點(diǎn)具有低通濾波性質(zhì)，圖像輪廓有一定模糊整理課件133雙線(xiàn)性插值法圖像的插值沒(méi)有灰度不連續(xù)性的缺點(diǎn)整理課件41(i-1,j-1)(i-1,j+2)(i+2,j-1)(i+2,j+2)(x,y)u

v雙三次內(nèi)插法(bicubicinterpolation)該方法利用三次多項(xiàng)式S(x)來(lái)逼近理論上的最佳插值函數(shù)sin(x)/x。其數(shù)學(xué)表達(dá)式為：RGKeys.IEEETransAcoustics,Speech,andSigProcess,1981,29(6):1153~60整理課件134(i-1,j-1)(i-1,j+2)(i+2,j-1)(i+原始影像灰度表面最近鄰內(nèi)插法雙線(xiàn)性?xún)?nèi)插法雙三次插值法像素灰度內(nèi)插法效果比較整理課件135原始影像灰度表面最近鄰內(nèi)插法相似性測(cè)度均方值測(cè)度歸一化相關(guān)性測(cè)度最小二乘測(cè)度整理課件136相似性測(cè)度均方值測(cè)度整理課件44互信息測(cè)度信息測(cè)度：熵—系統(tǒng)的復(fù)雜性或不確定性熵聯(lián)合熵互信息標(biāo)準(zhǔn)化互信息整理課件137互信息測(cè)度信息測(cè)度：熵—系統(tǒng)的復(fù)雜性或不確定性熵整理課件45二維灰度直方圖CTIntensity整理課件138二維灰度直方圖CTIntensity整理課件46互信息測(cè)度當(dāng)兩幅圖像的空間位置達(dá)到一致時(shí)，其互信息應(yīng)為最大無(wú)需特征點(diǎn)提取及分割用于基于體素的配準(zhǔn)方法整理課件139互信息測(cè)度當(dāng)兩幅圖像的空間位置達(dá)到一致時(shí)，其互信息應(yīng)為最大用優(yōu)化配準(zhǔn)方法:n-維函數(shù),其中n為變換的自由度通常不是平滑函數(shù)含有許多局部極值可以通過(guò)數(shù)學(xué)優(yōu)化實(shí)現(xiàn)優(yōu)化算法梯度下降法Downhillsimplex優(yōu)化(amoeba)Powell’s算法Genetic算法……整理課件140優(yōu)化配準(zhǔn)方法:n-維函數(shù),其中n為變換的自由度整理課件4實(shí)例一：

基于點(diǎn)的剛體變換配準(zhǔn)算法

最小二乘配準(zhǔn)整理課件141實(shí)例一：

基于點(diǎn)的剛體變換配準(zhǔn)算法

最小二乘配準(zhǔn)整理課件49特征點(diǎn)的選取整理課件142特征點(diǎn)的選取整理課件50剛體變換的最小二乘解法共取N(N>4)個(gè)特征點(diǎn)浮動(dòng)圖像坐標(biāo)系中，N個(gè)特征點(diǎn)的齊次坐標(biāo)構(gòu)成矩陣P?CNX4；在參考空間坐標(biāo)系中，對(duì)應(yīng)點(diǎn)構(gòu)成矩陣P’?CNX4假設(shè)配準(zhǔn)矩陣T?C4X4則有P’=P*T，對(duì)于T中任意列X，P’中相應(yīng)列B，則有B=P*X，故可將T的求解分解為四個(gè)列向量的求解整理課件143剛體變換的最小二乘解法共取N(N>4)個(gè)特征點(diǎn)整理課件51最小二乘解法算法原理:用豪斯荷爾德變換將P進(jìn)行QR分解，即P=QR，其中Q為nxn的正交矩陣，R為上三角矩陣Matlab實(shí)現(xiàn)：[Q,R]=qr(P);設(shè)E=B-PX，用QT乘上式兩端得 因?yàn)镼T為正交矩陣，所以: ||E||2=||QTE||2=||QTB-RX||2QTE=QTB-QTPX=QTB-RX整理課件144最小二乘解法算法原理:QTE=QTB-QTPX=若令其中C為4維列向量，D為n-4維列向量，R1為4x4上三角方陣,則上式中，當(dāng)X滿(mǎn)足R1X=C時(shí)，將取最小值整理課件145若令整理課件53最小二乘解法（矩陣求解）算法步驟：1、對(duì)P進(jìn)行QR分解。即P=QR2、計(jì)算3、利用回代求解方程組R1X=C4、對(duì)P‘中每一列重復(fù)以上三步驟，即可得到4X4配準(zhǔn)矩陣T整理課件146最小二乘解法（矩陣求解）算法步驟：整理課件54書(shū)中算法4-1（SVD分解）xi,yi分別為浮動(dòng)圖像和參考圖像對(duì)應(yīng)特征點(diǎn)（基準(zhǔn)點(diǎn)）配準(zhǔn)誤差：Ei=T(xi)-yi,T為配準(zhǔn)變換，則：最小化E2，則有：算法流程：整理課件147書(shū)中算法4-1（SVD分解）xi,yi分別為浮動(dòng)圖像和參考算法流程SVD分解的Matlab實(shí)現(xiàn)：整理課件148算法流程SVD分解的Matlab實(shí)現(xiàn)：整理課件56實(shí)例二:

腦PET和MR圖像的快速魯棒配準(zhǔn)NeuroImage論文整理課件149實(shí)例二:

腦PET和MR圖像的快速魯棒配準(zhǔn)NeuroIma材料和方法圖像來(lái)源：PET，MR相似性測(cè)度：互信息優(yōu)化方法：downhillsimplex多分辨率方法：Multi-resolutioncoarse-to-fineoptimization三種標(biāo)準(zhǔn)：[4,4,1],[2,2,1],[1,1,1]整理課件150材料和方法圖像來(lái)源：PET，MR整理課件58預(yù)處理(Preprocessing)噪聲去除及感興趣區(qū)域的提取門(mén)限處理和形態(tài)學(xué)操作：去除背景比率q:背景與整個(gè)圖像的像素比對(duì)于給定的掃描圖像，q變化不大進(jìn)行腐蝕和膨脹等二值形態(tài)學(xué)操作“凈化”背景區(qū)域并填補(bǔ)感興趣區(qū)的“洞”MR腦圖像的提?。哼M(jìn)一步節(jié)省時(shí)間利用BrainExtractionTool(BET)bySmithBET可以利用表面模型的方法在較短的時(shí)間內(nèi)(大約15–35s)進(jìn)行腦圖像提取整理課件151預(yù)處理(Preprocessing)噪聲去除及感興趣區(qū)域的提整理課件152整理課件60Downhillsimplex優(yōu)化(amoeba)無(wú)須梯度計(jì)算整理課件153Downhillsimplex優(yōu)化(amoeba)無(wú)須梯度整理課件154整理課件62整理課件155整理課件63基于模糊邊緣場(chǎng)的CT與MR剛性配準(zhǔn)整理課件156基于模糊邊緣場(chǎng)的CT與MR剛性配準(zhǔn)整理課件64計(jì)算機(jī)輔助外科手術(shù)系統(tǒng)computeraidedsurgery/imageguidedsurgery立體定位技術(shù)與成像技術(shù)的結(jié)合：在手術(shù)過(guò)程中，利用空間定位及配準(zhǔn)技術(shù)使術(shù)前圖像、手術(shù)臺(tái)上的病人和手術(shù)器械三者精確聯(lián)系進(jìn)行術(shù)中跟蹤導(dǎo)航常用定位技術(shù)：光學(xué)定位法、機(jī)械定位法、超聲波定位法和電磁定位法常用成像技術(shù)：X-線(xiàn)成像,CT,MRI主要應(yīng)用領(lǐng)域：神經(jīng)外科手術(shù)，骨科（含脊椎、關(guān)節(jié)）手術(shù)整理課件157計(jì)算機(jī)輔助外科手術(shù)系統(tǒng)computeraidedsurgElekta公司Surgiscope機(jī)器人導(dǎo)航系統(tǒng)整理課件158Elekta公司Surgiscope機(jī)器人導(dǎo)航系統(tǒng)整理課件發(fā)展趨勢(shì)及可能的解決方案導(dǎo)航系統(tǒng)發(fā)展趨勢(shì)：實(shí)時(shí)術(shù)中影像導(dǎo)航:開(kāi)放式CT/MRI術(shù)中導(dǎo)航系統(tǒng)機(jī)器人手術(shù)系統(tǒng),以術(shù)中“C”型臂X線(xiàn)機(jī)實(shí)時(shí)采集的圖像進(jìn)行導(dǎo)航整理課件159發(fā)展趨勢(shì)及可能的解決方案導(dǎo)航系統(tǒng)發(fā)展趨勢(shì)：整理課件67定位系統(tǒng)發(fā)射裝置接收裝置及穿刺針6自由度感應(yīng)線(xiàn)圖帶線(xiàn)圈的穿刺針帶線(xiàn)圈的熱探頭整理課件160定位系統(tǒng)發(fā)射裝置接收裝置及穿刺針6自由度感應(yīng)線(xiàn)圖帶線(xiàn)圈的穿刺O(píng)bliqueCTplanecorrespondingtoultrasoundImageforfeatureidentification與超聲或腹腔鏡超聲探頭的結(jié)合整理課件161ObliqueCTplanecorresponding什么是圖像融合在圖像配準(zhǔn)的基礎(chǔ)上，將兩種圖像的信息結(jié)合起來(lái)，在一幅圖像上同時(shí)表達(dá)來(lái)自人體的多方面的信息的過(guò)程整理課件162什么是圖像融合在圖像配準(zhǔn)的基礎(chǔ)上，將兩種圖像的信息結(jié)合起來(lái)，圖象融合Imagefusion整理課件163圖象融合Imagefusion整理課件71整理課件164整理課件72按照不同的圖像成像模式可將醫(yī)學(xué)圖像融合分為三類(lèi)

單模融合:相同成像方式的圖像融合稱(chēng)為稱(chēng)單模融合(mono一modaliyt)，也稱(chēng)為同類(lèi)方式融合。它是指待融合的兩幅圖像是由同一設(shè)備獲取的。用途：?jiǎn)文Ｈ诤隙嘤糜谥委熐昂蟮膶?duì)比、疾病(如癲癰)發(fā)作期與發(fā)作間期對(duì)比、腫瘤或骨骼的生長(zhǎng)監(jiān)測(cè)。整理課件165按照不同的圖像成像模式可將醫(yī)學(xué)圖像融合分為三類(lèi)

單模融合:相多模融合多模融合:不同成像方式的圖像融合稱(chēng)為多模融合(mutlit一mdealiy)，也稱(chēng)為交互融合。它是指融合的兩幅圖像來(lái)源于不同的成像設(shè)備。多模融合主要應(yīng)用于神經(jīng)外科的診斷、手術(shù)定位及放療計(jì)劃設(shè)計(jì)