目的:提出可应用于图像质量差、多叶准直器（MLC）遮挡和非刚性变形的兆伏级图像的无标记射束方向观（BEV）肿瘤放疗跟踪算法。方法:采用窗口模板匹配、图像结构转换和demons非刚性配准方法，解决兆伏级图像中的配准问题。在模体中生成质量保证（QA）计划并在加速器上手动设置治疗偏移后执行，收集治疗过程中的682幅电子射野影像装置（EPID）图像作为固定图像；同时采集计划系统中对应射野角度的数字重建影像（DRR）图作为浮动图像，验证算法的准确性。此外收集21例肺部肿瘤治疗患者的共533对图像进行肿瘤跟踪研究，提供治疗过程中肿瘤位置变化定量结果。图像相似度用于跟踪结果的第三方验证。结果:算法可应对不同程度（10%~80%）的图像缺失，模体验证中86.8%的跟踪误差在3 mm以下，80%在2 mm以下。配准前后归一化互信息（NMI）变化为（1.182±0.026）~（1.202±0.027）（ P<0.005），豪斯多夫距离（HD）变化为（57.767±6.474）~（56.664±6.733）（ P<0.005）。病例结果以平移为主（-6.0~6.2 mm），但非刚性形变仍存在。配准前后NMI变化为（1.216±0.031）~（1.225±0.031）（ P<0.005），HD变化为（46.384±7.698）~（45.691±8.089）（ P<0.005）。 结论:本文算法可应对不同程度图像缺失，且在数据缺失图像的非刚性配准中表现较好，适用于不同放疗技术，为多模态、部分数据及图像质量较差的兆伏级图像处理提供了参考思路。

目的:提出基于结构信息和直觉模糊集的图像相似度测度法，并对放疗计划定位CT图与CBCT图进行相似性测度以客观定量衡量摆位误差。方法:选取鼻咽癌和盆腔部肿瘤患者各1例，提取其计划CT图像及CBCT图像，在鼻咽癌患者横截面与矢状面、盆腔部患者横截面与冠状面上，人为模拟了5种不同程度的摆位误差，同时运用相关系数、均方误差、图像联合熵、互信息以及本文相似度测度法对误差进行比较测量。结果:5种方法都可以在一定程度上描述误差。对比其他方法，相似度测度法随着误差增大表现出更强烈的变化趋势：鼻咽癌横截面5种误差递增结果归一化后为0.553、0.683、1.055、1.995、5.151，矢状面为1.171、1.618、1.962、1.790、3.572；而其他方法结果归一化后为0~2间，且同一方法不同误差的结果变化较小。另外，该方法对软组织误差更敏感。结论:基于结构信息和直觉模糊集的图像相似度测度法衡量结果与人眼感知更一致，可一定程度上客观量化了包括骨性标记与软组织的误差，其反映的软组织偏差对个体化精准放疗有意义。

目的:拟基于3种配准方法(B样条弹性配准、仿射配准和刚性配准),探讨宫颈癌外照射放疗累积剂量及其差异.方法:选取2015年1月～2016年2月期间进行了两次放疗定位的10例宫颈癌病例.首先,以第二次扫描的CT图像为参考,采用归一化的互信息(MI)和平均绝对差(MAD)评价3种配准方法(B样条弹性配准、仿射配准和刚性配准)的精度.然后,分别采用上述3种方法,将第一次放疗的IMRT剂量,累积到第二次扫描的CT图像,得到3种配准方法的累积剂量DB、DF和DG,最后,以DB为基准,分别比较DF与DB、DG与DB的差异.结果:配准精度:本文3种配准方法的MI值分别为1.27±0.02、1.24±0.03和1.24±0.02,MI值越大,精度则越高;MAD值分别为4.93±1.03、6.36±1.59和6.76±1.77,MAD值越小,精度则越高.累积剂量差异:DF与DB、DG与DB的MAD分别64.8±49.7和72.9±47.5,MAD值越小,剂量差异越小.DF与DB、DG与DB在直肠和膀胱的V50偏差较大,但是在本研究所选的DVH参数(直肠和膀胱的D50％、V50,CTV和GTV的D95％、Dmean)均没有统计学差异.结论:对于不同分次的宫颈癌外照射CT图像进行配准,建议采用三维弹性配准方法,其配准精度较高,能获得较准确的即往放疗总剂量.

目的 胸主动脉腔内修复术(thoracic endovascular aortic repair,TEVAR)已经广泛应用于胸主动脉病变的治疗,成为传统主动脉开胸手术的可靠替代方案.然而,医生在术中看不到血管形态和位置,覆膜支架容易封堵主动脉重要分支而引发严重并发症.为了帮助医生导航支架,提出并实现了一种TEVAR术前CT血管造影(computed tomographic angiography,CTA)与术中X线图像的配准算法.方法 首先,对影响CTA投影形状的参数高密度采样,利用采样获得的系列投影形变,分别对CTA全图和分割的CTA骨架进行数字影像重建(digitally reconstructed radiograph,DRR),将两者叠加起来,生成叠加DRR库;然后,以爬山优化,在叠加DRR库中寻找与X线图像归一化互信息最大的DRR图像,推算出投影形变,最终实现CTA与X线图像的配准.结果 采用叠加DRR库的方法,配准了1例患者的术前CTA图像与一帧术中X线图像.与归一化互相关方法以及无骨架叠加的普通DRR库方法相比较,本方法获得了更为精确的配准结果.结论 基于叠加DRR库的方法能有效配准术前CTA与术中X线图像.

多模医学图像配准是将不同医学成像模式提供的影像信息进行融合的关键步骤.条件方差和(SCV)是一种新的用于多模图像配准的相似性测度,但SCV的主要缺点是它仅使用量化信息来计算联合直方图.基于此,设计了一种新的插值函数来计算联合直方图,从而提高SCV的性能.将改进后的SVC用于多模医学图像配准,并与归一化互信息(MI)、交叉累积剩余熵(CCRE)和原SCV进行了比较.实验证明,相比NMI、CCRE和原SCV,本研究方法能配准具有不同空间变换和噪声的图像,具有更高的配准成功率和鲁棒性.

针对active demons算法易受到参数设置的影响,无法有效解决大形变场的配准问题,本研究提出了基于局部联合熵梯度的双向多分辨率demons算法.利用在配准过程中两幅图像的互信息不断增加,局部联合熵增大的规律,本研究引入两幅图像局部联合熵参数,将图像局部联合熵的梯度附加到demons驱动力中,实现了基于局部联合熵梯度的双向多分辨率demons算法.利用自然图像、MRI图像和CT图像测试本算法的优越性,与active demons, diffeomorphic demons 算法进行对比分析,采用均方误差、归一化互相关系数和结构相似度对配准结果进行定量评价.本算法归一化互相关系数和结构相似度最高,均方误差最小.通过分析权重系数的影响和设置合适的参数,本算法可应用于大形变的医学图像配准,具有一定的临床应用价值.

以互信息为相似性测度的Powell优化算法,在图像配准时存在速度慢、容易陷入局部极值等缺点.本文提出了改进的归一化互信息的计算公式及其联合直方图的计算方法,使得在计算过程简化的同时,相似性测度能更准确地反映配准程度.另外,针对Powell优化算法对初始点过度依赖的问题,本文设计了一种改进的Powell算法来求取配准的初始变换参数,能有效避免Powell陷入局部极值,同时减少了迭代的次数.实验结果表明,用改进的方法进行医学图像配准可以达到亚像素精度,在速度上有了明显的提高,比传统的Powell算法更稳定.

脑电信号(electroencephalogram,EEG)蕴含着丰富的生理、心理及病理信息,但它又特别容易被各种来源的噪声所干扰,儿童脑电图信号尤其如此.提出了分层阈值降噪方法,并设计实验探讨了各种降噪方法的性能.实验中先模拟标准脑电信号再加噪,分别采用sym4、bior6.8、coif4、haar和fk18五种小波母函数,对信号进行8层小波分解和小波包分解,对得到的小波系数进行全局阈值或分层阈值(HT)降噪处理.然后将经过阈值处理的系数重构得到降噪后的脑电信号.最后通过相关系数、信噪比、互信息和归一化均方差等性能参数对降噪性能进行评价.综合来看,分层硬阈值方案HT+coif4母函数是较优的儿童脑电信号降噪方案.最后用此方案,以10秒的时间窗对临床儿童脑电信号进行流式预处理,使医生容易诊断,并为进一步的脑电信号特征提取、分类识别打好基础.

目的:利用双能X射线透视成像技术,通过呼吸周期内高低能运动图像序列对软组织剪影图像配准,提供一种无需金属标记的肺部肿瘤呼吸运动跟踪方法.方法:以肺部肿瘤患者的高低能X射线透视图像为研究对象,通过自动双能减影算法获得软组织减影图像,然后采用本研究提出的一种结合自适应参考图像选择和归一化互信息匹配的肿瘤运动跟踪算法,计算肿瘤呼吸运动轨迹和运动幅度.采集并分析19例肺癌患者的临床数据,以人工测量结果为参考基准,评价肿瘤运动跟踪算法的准确性.结果:19例病例分析结果显示,运动跟踪算法计算获得的肿瘤呼吸运动轨迹和运动幅度,与人工测量方法获得的结果具有很好的一致性.对大部分病例,头脚方向运动幅度明显大于左右和腹背方向运动幅度,位于肺下半部分肿瘤的运动幅度明显大于位于肺中上部肿瘤.结论:无需金属标记的肿瘤运动跟踪算法,利用双能减影软组织图像,直接对肿瘤进行图像配准,能够较准确地跟踪肺部肿瘤呼吸运动.

2D/3D配准在临床诊断和手术导航规划中有着广泛的应用,可解决医学图像领域中不同维度图像存在信息缺失的问题,能辅助医生在术中精准定位患者的病灶.常规的2D/3D配准方法主要依赖于图像的灰度进行配准,但非常耗时,不利于临床实时性的需求,并且配准过程中容易陷入局部最优值.提出用深度学习的方法来解决2D/3D医学图像配准问题.采用一个基于深度学习的卷积神经网络,通过网络对数字影像重建技术(DRR)进行训练并自动学习图像特征,预测X光图像所对应的参数,从而实现配准.以人体骨盆的模型骨为实验对象,根据骨盆的CT数据生成36 000张DRR图像作为训练集,同时通过C臂采集模型骨的50张X光图像作为验证.结果 显示,深度学习算法在相关系数、归一化互信息、欧式距离3个精度评价指标上的测试值分别为0.82±0.07、0.32±0.03、61.56±10.91,而常规2D/3D算法对应的测试值分别为0.79±0.07、0.29±0.03、37.92±7.24,说明深度学习算法的配准精度优于常规2D/3D算法的配准精度,且不存在陷入局部最优值的问题.同时,深度学习的配准时间约为0.03 s,远低于常规2D/3D配准的时间,可满足临床对于实时配准的需求,未来将进一步开展临床数据的2D/3D配准研究.