康偉民， 李 峰

(1.長春醫(yī)學(xué)高等?？茖W(xué)校 臨床醫(yī)學(xué)院, 吉林 長春 130031； 2.吉林大學(xué) 計算機科學(xué)與技術(shù)學(xué)院, 吉林 長春 130012)

0 引言

腦功能磁共振成像能夠?qū)θ四X進行多次非侵入性觀察測量，可以準確揭示人腦生理與病理活動的全過程[1]，因此這種先進的技術(shù)已經(jīng)在多種醫(yī)學(xué)學(xué)科中得到廣泛應(yīng)用.

在腦功能磁共振成像實驗中，為了獲得具有統(tǒng)計意義的數(shù)據(jù)，就必須要對同一受試體進行多次實驗，每次實驗會產(chǎn)生有10～20個實驗序列.但是由于實驗歷時較長，盡管已經(jīng)對受試者頭部進行固定，但在實驗過程中會無可避免的產(chǎn)生物理頭部運動和生理頭部運動，盡管這些頭部動作微小，但是會對血液動力學(xué)信號捕捉造成困難，所以在腦功能磁共振成像實驗中，僅數(shù)十微米的頭動都會造成腦功能序列圖像的時間差異性[2].

隨著醫(yī)學(xué)圖像處理技術(shù)的發(fā)展，采用圖像信息處理技術(shù)進行腦功能時間序列圖像分析，能夠提高腦功能病理分析診斷能力，因此腦功能時間序列圖像高精度配準的研究受到人們的極大關(guān)注.

高菡璐等[3]進行哈爾濱市極端天氣對腦出血死亡的時間序列分析，提出有效的氣候變化減緩和適應(yīng)措施，降低居民腦出血死亡率；陳鑫等[4]對蘇州市大氣PM2.5濃度與心腦血管疾病死亡的時間序列分析，該研究表明，PM2.5濃度的升高可能引起人群心腦血管疾病死亡風險的增加；楊颯等[5]結(jié)合壓縮感知的稀疏投影理論，提出了基于多項式確定性矩陣的尺度不變特征變換醫(yī)學(xué)圖像配準算法，并通過實驗驗證了該方法的有效性；鄒茂揚等[6]主要研究了深度學(xué)習在醫(yī)學(xué)圖像配準上的研究進展與挑戰(zhàn)，并提出了可能的解決辦法和未來的研究方向.

文獻[7]提出基于ANFIS分類方法的腦腫瘤圖像配準算法.利用遺傳算法對提取的腦腫瘤圖像特征進行優(yōu)化，然后采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)分類方法進行特征分類，進而進行腦磁共振成像中腫瘤區(qū)域的檢測和分割，在此基礎(chǔ)之上進行腫瘤圖像圖像配準，但該算法的時間開銷較大，特征分辨能力不好.文獻[8]提出基于MRF模型的多模態(tài)圖像配準算法.將模態(tài)變換作為算法的基礎(chǔ)，利用馬爾可夫能量函數(shù)構(gòu)建圖像模態(tài)變換矩陣以及配準矩陣.同時，為了優(yōu)化能量函數(shù)引入了一種改進的梯度下降算法，利用該算法得到優(yōu)化的配準結(jié)果，但是該算法存在輸出圖像質(zhì)量較低的問題.文獻[9]提出改進的基于紋理特征的圖像配準算法.該算法改進了自行設(shè)計標準模板單一性，對模板進行重新設(shè)計，拼接生成標準的參考圖像，對參考圖像進行匹配與裁剪以獲取不同配準圖像，實現(xiàn)圖像配準，但是算法存在配準圖像信噪比較低的問題，圖像質(zhì)量低.

機器學(xué)習的優(yōu)勢在于其具有較強的泛化能力.無論對于哪種類型的圖像，利用機器學(xué)習都能夠找出人們所需的信息，能夠有效提升圖像目標識別與圖像配準能力.

針對上述問題，本文提出基于機器學(xué)習的腦功能時間序列圖像高精度配準算法.構(gòu)建腦功能時間序列圖像特征配準的腦功能時間序列圖像采集模型，采用高分辨的視覺信息增強技術(shù)進行腦功能時間序列圖像信息增強，采用三維視覺重構(gòu)技術(shù)進行腦功能時間序列圖像特征配準設(shè)計，利用機器學(xué)習算法實現(xiàn)腦功能時間序列圖像的高精度配準，最后進行仿真實驗分析，驗證了本文方法在腦功能時間序列圖像高精度配準的優(yōu)越性.

1 腦功能時間序列圖像采集及信息增強處理

1.1 圖像采集模型

為了實現(xiàn)腦功能時間序列圖像的高精度配準，首先構(gòu)建腦功能時間序列圖像的三維視覺信息采集模型[10].構(gòu)建流程為：采用多維度的三維跟蹤和信息采樣方法，進行腦功能時間序列圖像的空間視覺特征重構(gòu)，結(jié)合掃描跟蹤技術(shù)，進行腦功能時間序列圖像的空間視覺特征分布式采集[11]，得到腦功能時間序列圖像的分布式信息采樣輸出為：

(1)

式(1)中：assoc(A,V)、assoc(B,V)是機器視覺下腦功能時間序列圖像的像素點集合與子集，O表示像素點分布矩陣，H為像素點的三維跟蹤矩陣.

建立腦功能時間序列圖像空間視覺融合的二值模型(Dominant LBP,DLBP)，采用模板特征匹配方法[12]，對采集的腦功能時間序列圖像進行特征重構(gòu)，得到腦功能時間序列圖像空間特征匹配輸出為：

(2)

式(2)中：T為模板特征匹配系數(shù).a與bm分別表示不同類型的腦功能時間序列圖像采樣結(jié)果.

在像素分布空間內(nèi)，計算腦功能時間序列圖像的灰度大小，在4×4子塊的局部區(qū)域內(nèi)建立腦功能時間序列圖像的多層分割模型，描述如下：

(3)

式(3)中：j為腦功能時間序列圖像灰度值，yi表示分割次數(shù)，xi為腦功能圖像的時間序列，Δx表示腦功能圖像的平穩(wěn)時間序列，B為模型分割系數(shù)，di表示4×4子塊的局部區(qū)域的模糊值.

在模糊區(qū)域中，采用CT成像技術(shù)進行圖像采集[13]，得到腦功能時間序列圖像采集輸出為：

(4)

式(4)中：αk代表腦功能圖像采集的模糊區(qū)域，σk為圖像有序序列集合，μk表示圖像無序序列集合.

對腦功能時間序列圖像視覺空間中每一個模板進行網(wǎng)格分割，在m×n區(qū)域內(nèi)進行局部關(guān)聯(lián)幀二值重構(gòu)，構(gòu)建腦功能時間序列圖像的模糊信息重構(gòu)模型，得到腦功能時間序列圖像的區(qū)域特征分布點為：

(5)

式(5)中：t0表示腦功能時間序列圖像的結(jié)構(gòu)相似度，I(x)為區(qū)域特征點集合，t(x)表示腦功能圖像的關(guān)聯(lián)程度.

在圖像3×3鄰域結(jié)構(gòu)進行模板匹配，通過腦功能時間序列圖像的采集結(jié)果進行空間分割和信息增強處理[14].

1.2 圖像信息增強

采用三維視覺重構(gòu)技術(shù)進行腦功能時間序列圖像特征配準設(shè)計，計算腦功能時間序列圖像視覺特征分布向量化集，表示為：

(6)

式(6)中：Z(i)為腦功能時間序列圖像空間視覺梯度特征，exp表示特征分布量化函數(shù)，h表示特征分布散亂程度，d(i,j)表示圖像視覺特征分布函數(shù)[15].

定義腦功能時間序列圖像的梯度模特征，采用單位移動尺度關(guān)聯(lián)分配方法進行腦功能時間序列圖像空間視覺特征配準，進行梯度模特征提取，在模糊區(qū)域，采用分塊融合方法對腦功能時間序列圖像進行梯度模重構(gòu)和信息融合，用拉普拉斯算子檢測圖像邊緣[16]，得到腦功能時間序列圖像模糊區(qū)域梯度模特征：

(7)

式(7)中：t(x)為圖像幀特征點匹配集.

將圖像看作一個帶權(quán)無向圖，設(shè)Tc為特征點被加入幀圖像的邊緣像素集[17]，得到腦功能時間序列圖像空間采樣的特征點為：

(8)

式(8)中：Rβ為腦功能時間序列圖像的空間像素統(tǒng)計特征量.X表示圖像空間采樣頻率.

構(gòu)建腦功能時間序列圖像的高精度特征配準模型，獲得腦功能時間序列圖像空間視覺分布像素值矩陣：

(9)

式(9)中：xj表示腦功能時間序列的空間分布.

構(gòu)造腦功能時間序列圖像的相似度特征分辨模型，結(jié)合像素分布矩陣進行腦功能時間序列圖像的空間視覺重構(gòu)，在區(qū)域像素分布區(qū)間內(nèi)，得到場景坐標為M×N，根據(jù)腦功能時間序列圖像空間輪換和姿態(tài)調(diào)節(jié)，進行分段區(qū)域特征配準，將特征點加入到重建場景中[18]，實現(xiàn)腦功能時間序列圖像視覺特征量提取和信息增強，輸出像素值為：

(10)

2 腦功能時間序列圖像高精度配準算法優(yōu)化

2.1 提取圖像視覺特征量

在上述研究的基礎(chǔ)上，進行腦功能時間序列圖像高精度配準優(yōu)化設(shè)計.采用多重分形技術(shù)進行腦功能時間序列圖像空間視覺特征的塊匹配，對不同分辨率的細節(jié)信息進行關(guān)聯(lián)特征匹配[19]，采用多層次多方向分解方法，得到腦功能時間序列圖像空間的相似性特征量為：

s(k)=φ·s(βi-1)+w(k)

(11)

式(11)中：φ表示關(guān)聯(lián)特征匹配系數(shù)，s為腦功能圖像時間序列關(guān)聯(lián)程度，w(k)表示多層次多方向分解函數(shù).其中，

(12)

式(12)中：σθ(k)、σx(k)、σy(k)分別表示θ、x、y方向的分解系數(shù)，N(·)為分解結(jié)果.

提取腦功能時間序列圖像的空間視覺特征分布值，結(jié)合聯(lián)合稀疏結(jié)構(gòu)特征分解方法，進行腦功能時間序列圖像的自適應(yīng)的融合和優(yōu)化分割處理[20]，根據(jù)特征分割結(jié)果進行腦功能時間序列圖像的多層空間結(jié)構(gòu)特征配準和融合聚類[21,22]，實現(xiàn)腦功能時間序列圖像的信息增強和視覺信息特征提取，分割輸出的計算公式為：

(13)

(14)

Ui,j(t)=exp[-b[zi(t)-zj(t)]2]

(15)

式(13)～(15)中：pi,j(t)為t時刻腦功能時間序列圖像位移參量，s表示交換擬合系數(shù)，s(k)為交換擬合函數(shù)，Δp(t)為標準腦功能時間序列圖像的參照值，b表示特征分割系數(shù)，zi(t)，zj(t)分別為不同相似度下的腦功能時間序列圖像特征輸出.

根據(jù)上述分析，實現(xiàn)腦功能時間序列圖像視覺特征量提取，進而根據(jù)特征提取結(jié)果進行機器學(xué)習和尋優(yōu).

2.2 機器學(xué)習算法尋優(yōu)

采用一個4×4子塊分割模型進行腦功能時間序列圖像空間視覺輪換和特征提取，在腦功能時間序列圖像的三維分布區(qū)域內(nèi)進行自適應(yīng)尋優(yōu)，采用分塊特征匹配方法，對原始的腦功能時間序列圖像進行關(guān)聯(lián)幀采樣，采用量化特征編碼方法，在D維空間中進行腦功能時間序列圖像的編碼設(shè)計，在Ag區(qū)域內(nèi)，設(shè)計用于腦功能時間序列圖像配準的機器學(xué)習尋優(yōu)流程，具體流程如下：

輸入：待測試腦功能時間序列圖像配準輸出樣本集合U.

輸出：腦功能時間序列圖像高精度配準結(jié)果.

(1)從未被標記過的待測試腦功能時間序列圖像配準輸出樣本集合中隨機選取點g作為模糊像素點[23].

(2)更新點g的坐標，g←g+Mh.

(3)重復(fù)步驟(1)～(2)，直至滿足條件‖Mh‖<τ.將此時的g作為簇中心點，將區(qū)域Ag內(nèi)的點進行標記，并劃入該簇中.

(4)如果所有簇的中心點坐標都保持不變，則意味著結(jié)果收斂，停止計算.如果收斂時當前簇ci+1的中心與其他已存在的簇ci中心的距離小于閾值，那么就需要將兩簇合并，否則將ci+1作為新的聚類.

(5)重復(fù)步驟(2)～(4)，直至所有點都被標記，得到模糊像素集D.

(6)采用模糊相關(guān)性特征檢測方法提取上述集合中的腦功能時間序列圖像灰度特征，根據(jù)特征提取結(jié)果采用機器學(xué)習算法進行腦功能時間序列圖像高精度配準的自動尋優(yōu)，輸出為：

(16)

式(16)中：η表示腦功能時間序列圖像的邊緣亮度，R表示腦功能時間序列圖像的模板匹配系數(shù).

3 仿真實驗與結(jié)果分析

3.1 實驗環(huán)境和數(shù)據(jù)集

為了驗證研究方法在腦功能時間序列圖像配準中的應(yīng)用性能，進行仿真實驗.實驗采用Matlab軟件，使用OsiriX數(shù)據(jù)集(http://www.osirix-viewer.com/resources/dicom-image-library/)中的700組腦功能圖像.對每幅腦功能圖像隨機抽樣100個像素點，機器學(xué)習的迭代步數(shù)為120，自適應(yīng)迭代的步長為20，特征配準的梯度下降速率為0.45，邊緣演化的特征量化系數(shù)為0.52.其中一幅待配準圖像如圖1所示.

(b)腦功能圖像2

(c)腦功能圖像3圖1 待配準圖像

以圖1的圖像為輸入，進行腦功能時間序列圖像配準測試.

3.2 實驗指標

在此次實驗中，采用的實驗指標如下：

(1)圖像信噪比.本文主要圍繞圖像信噪比較高，導(dǎo)致圖像質(zhì)量降低問題對腦功能序列圖像配準算法進行了研究，通過對比不同算法的輸出圖像的信噪比，驗證了圖像信噪比越高，噪聲干擾越低，配準圖像質(zhì)量越高.

(2)配準輸出圖像質(zhì)量.對比文獻[7]算法、文獻[8]算法、文獻[9]算法與機器學(xué)習算法的配準輸出圖像質(zhì)量，配準輸出圖像越清晰，圖像質(zhì)量越高.

(3)時間開銷.以時間開銷為指標，將機器學(xué)習算法、文獻[7]算法、文獻[8]算法、文獻[9]算法進行對比，驗證不同算法的時間開銷.

3.3 實驗結(jié)果

3.3.1 圖像信噪比測試

采用不同算法進行腦功能時間序列圖像配準，測試輸出圖像的信噪比，結(jié)果見圖2所示.

(a)文獻[7]算法

(b)文獻[8]算法

(c)文獻[9]算法

(d)本文算法圖2 圖像信噪比測試結(jié)果

分析圖2可知，文獻[7]算法輸出圖像的信噪比在0～60 dB之間變化，文獻[8]算法輸出圖像的信噪比在0～55 dB之間變化，文獻[9]算法輸出圖像的信噪比在15～56 dB之間變化，而機器學(xué)習算法輸出圖像的信噪比變化范圍在20～80 dB之間，可明顯看出，機器學(xué)習算法輸出圖像的信噪比最高，成像質(zhì)量最好.

3.3.2 圖像配準輸出測試

在圖像信噪比測試的基礎(chǔ)上，為進一步明確不同算法的成像質(zhì)量，進行圖像配準輸出測試，其測試結(jié)果如圖3所示.

(a)文獻[7]算法 (b)文獻[8]算法

(c)文獻[9]算法 (d)本文算法圖3 不同算法的成像質(zhì)量結(jié)果效果1

在上述實驗基礎(chǔ)上，進行圖1(b)的配準輸出測試，其結(jié)果如圖4所示.

測試圖1(c)的腦功能時間序列圖像配準結(jié)果，如圖5所示.

分析圖3～5得知，采用機器學(xué)習算法進行腦功能時間序列圖像配準的輸出圖像質(zhì)量好，說明研究算法的配準精度高，能有效實現(xiàn)腦功能時間序列圖像高精度配準.

(a)文獻[7]算法 (b)文獻[8]算法

(c)文獻[9]算法 (d)本文算法圖4 不同算法的成像質(zhì)量結(jié)果效果2

(a)文獻[7]算法 (b)文獻[8]算法

(c)文獻[9]算法 (d)本文算法圖5 腦功能時間序列圖像配準結(jié)果

3.3.3 時間開銷測試

測試不同算法進行圖像配準的時間開銷，得到對比結(jié)果見表1所示.

表1 時間開銷對比 (單位：ms)

分析表1可知，隨著樣本數(shù)量的增加，三種算法的配準時間開銷都在增加，文獻[7]算法進行圖像配準的時間開銷在12.34～65.43 ms之間，文獻[8]算法進行圖像配準的時間開銷在15.45～42.34 ms之間，文獻[9]算法進行圖像配準的時間開銷在75.46～80.25 ms之間，而機器學(xué)習算法進行圖像配準的時間開銷低于8.76 ms，時間開銷最短，圖像配準效率最高.

4 結(jié)論

為解決傳統(tǒng)腦功能時間序列圖像配準算法存在的問題，設(shè)計了基于機器學(xué)習的腦功能時間序列圖像高精度配準算法.構(gòu)建腦功能時間序列圖像特征配準的腦功能時間序列圖像采集模型，提取腦功能時間序列圖像視覺特征量，采用三維視覺重構(gòu)技術(shù)進行腦功能時間序列圖像特征配準設(shè)計，通過機器學(xué)習算法實現(xiàn)腦功能時間序列圖像高精度配準的自動尋優(yōu).

分析得知，采用研究算法能有效提高腦功能時間序列圖像配準的精度與成像質(zhì)量，降低配準時間開銷.雖然本文研究取得了一定的成果，但也有一些不足，即未能實現(xiàn)腦功能時間序列圖像輸出時的同步配準，因此在未來就該問題需要進一步研究.