【關鍵詞】 診斷顯像
【摘要】 爲彌補解剖結構圖像（CT, MRI, B超等）和功能圖像（SPECT, PET等）的各自不足，醫學圖像融合技術應運而生，並且有了較大發展. 本文從三方面綜述了近年來有關醫學圖像融合技術研究的最新進展，認爲在醫學影像設備的發展中，功能圖像和解剖圖像的結合是一個發展趨勢，在腫瘤的精確定位、早期檢測和診斷中將發揮重要的作用.
【關鍵詞】 診斷顯像；圖像融合
0引言
醫學影像學是臨牀診斷資訊的重要來源之一. 根據醫學圖像所提供的資訊內涵，可將醫學影像分爲兩大類： 解剖結構圖像（CT, MRI, B超等）和功能圖像（SPECT, PET等）. 這兩類圖像各有其優缺點： 功能圖像分辨率較差，但它提供的臟器功能代謝資訊是解剖圖像所不能替代的；解剖圖像以高分辨率提供了臟器的解剖形態資訊（功能圖像無法提供臟器或病竈的解剖細節），但無法反映臟器的功能情況.
目前這兩類成像設備的研究都已取得了很大的進步，一方面，雙方都在逐步彌補自身弱點，如MR的功能成像開發以拓展其功能，SPECT, PET新型晶體開發以增強自身的空間分辨率；另一方面，雙方均在不斷地增強自身強項，如MR開發不同新型成像序列，CT的螺旋層數不斷增加，PET的晶體數目越來越多. 這使得各自圖像的空間分辨率和圖像質量有很大的提高，但由於成像原理不同所造成的圖像資訊侷限性，使得單獨使用某一類圖像的效果並不理想，且進展緩慢，往往事倍功半. 由於上述原因，醫學圖像融合技術應運而生［1］.
1圖像融合（image fusion）技術的內涵
圖像融合是指將多源信道所採集到的關於同一目標的圖像經過一定的圖像處理，提取各自信道的資訊，最後綜合成同一圖像以供觀察或進一步處理［2］. 簡單來說，醫學圖像融合就是將解剖結構成像與功能成像兩種醫學成像的優點結合起來，爲臨牀提供更多、更準確的資訊. 其最終結果是1＋1>2.
20世紀90年代以來，醫學圖像融合技術隨着計算機技術、通訊技術、傳感器技術、材料技術等的飛速發展而獲得重大發展，經歷了異機圖像融合和同機圖像融合兩個階段.
2異機圖像融合
2.1異機圖像融合的研究內容在同機融合顯像設備沒有出現以前，圖像融合的研究僅限於異機圖像融合. 最初其研究內容僅限於相同或不同成像模式（imaging modality）所得圖像經過必要的幾何變換，空間分辨率統一和位置匹配後，進行疊加獲得互補資訊，增加資訊量. 而現在，異機圖像融合的研究範圍包括： 圖像對位、融合圖像的顯示和分析，利用從對應解剖結構圖像（MRI， CT）獲取的先驗資訊對發射型數據（SPECT， PET）做有效的衰減校正、數據重建等［3］.
2.2異機圖像融合的基本方法按圖像融合對象的來源可分爲同類圖像融合（innermodality，如SPECTSPECT， CTCT等等）和異類圖像融合（intermodality，如SPECTCT, PETMRI, MRICT, MRB超等). 按圖像融合的分析方法可分爲同一患者的圖像融合、不同患者間的圖像融合和患者圖像與模板圖像融合. 按圖像融合對象的獲取時間可分爲短期圖像融合(如跟蹤腫瘤的發展情況時在1~3 mo內做的圖像進行融合)和長期圖像融合(如進行治療效果評估時進行的治療後2~3 a的圖像與治療後當時的圖像進行融合). 臨牀工作人員根據自己的研究目的不斷設計出更多的融合方式.
2.3異機圖像融合的主要技術圖像融合的步驟大致爲： 特徵提取，設計誤差評估方法，對圖像數據進行處理使誤差最小，將變換後的圖像數據進行對位和綜合顯示，分析綜合數據. 其中對位技術是圖像融合的關鍵和難點［4］.
2.3.1特徵提取特徵提取可分爲內部特徵提取和外部特徵提取內部特徵主要是人體解剖結構特徵，如顱骨、脊柱、胸骨、肋骨、關節；膈下軟組織，如脾、肝、腎等等. 外部特徵是爲進行融合處理而特製在兩幅圖像上均可見的體表標記物. 據文獻報道使用的外標誌物有進行腦圖像融合的頭罩、牙環，胸部、腹部圖像融合採用的揹帶，四肢圖像融合採用的支架，甚至顱骨嵌入螺釘等等. 採用內部特徵的優點是不需要對患者做預處理，可進行多次融合方法分析，缺點是難以實現融合自動化處理，需要人工干預，融合的精確性往往與經驗有關. 外部特徵的優點是特徵明確，易於進行計算機自動處理，缺點是預處理複雜，並且由於體位而引起的臟器與體表標記之間的位移誤差難以避免.
2.3.2誤差評估方法常用的有基於相似度的誤差評估方法(以相似度最大爲最優)和基於距離的誤差評估方法(以距離最小爲最優).
2.3.3圖像處理圖像預處理： 對於有條件的圖像進行重新斷層分層(reslice)以確保圖像在空間分辨率和空間方位上的大體接近. 幾何變換： 主要包括尺度變換、平移、旋轉等.
2.3.4圖像的對位將處理好的圖像按誤差最小的`原則進行對位. 按外部特徵進行對位的方法以兩幅圖像上的特徵點配準爲對位成功. 按內部特徵進行圖像對位法主要有兩種：圖像分割配準和像素特徵配準［5］.
圖像分割配準法分爲曲線法和表面法，在目前實際應用中較多采用. 因分割算法通常是半自動的，需人爲參與，其配準的精度受限於分割的精度. 理論上此法可用於全身各部位的配準，但現在常用於神經系統成像和矯形外科成像. 曲線法是將一些具有幾何特徵的線條（如脊線）或柵格提取出來進行配準. 但是，曲線法要求圖像有較高分辨率，以便提取幾何特徵. 表面法的代表算法是“頭帽法”： 從一幅圖中提取一組輪廓點作爲“帽子”，從另一幅圖中提取表面模型作爲“頭”，然後使用Powell搜尋算法（使帽點和頭表面間的距離平均平方和最小）來確定變換關係. 採用表面匹配技術可以對SPECT和PET的心臟圖像進行了對位融合.
表面配准算法不僅用於3D剛性（rigid）變換，而且可用於3D彈性（elastic）變換，從而爲一些組織器官的配準，如心臟、肝臟、肺等，提供了可能性. 但這種方法與其他基於組織分割的算法一樣，配準精度受限於組織分割的精度. 近年來，由於分割算法的複雜程度降低、自動化程度提高以及斜面匹配技術在計算距離變換上的優勢，此法被普遍應用. 表面配準法主要應用於PETMR圖像的配準，由於SPECT圖像的邊界模糊，不宜使用此法. 像素特徵配準法［6］： 像素特徵配準法與其他內部特徵配準方法不同之處在於,他是以圖像灰度爲配準依據，不需要對圖像原始數據進行預歸納或預分割,其常用算法有主軸矩配準、全圖像資訊配準和圖譜法配準. 主軸矩配準： 是將圖像灰度內容轉換爲數量和方向的幾何表示. 目前大多是從零階及一階矩中計算出圖像的質心及主軸，再透過平移和旋轉使兩幅圖像的質心和主軸對齊，達到配準目的. 此法對於數據缺失比較敏感，細節丟失或形狀的病理性改變均會影響配準結果. 但此法實現了自動化，且十分快捷，易於移植，目前多用於粗配準. 全圖像資訊配準： 是在配準全過程中使用全部圖像資訊，使用的算法有區域相似性測量法、最大互資訊法、相關法、聯合熵法、條件熵法等. 此方法適用性最廣，它不象其他內部特徵法那樣需先進行灰度圖像的資訊壓縮提取，而是在配準過程中利用所有可獲得的資訊. 圖譜法： 用於患者間的圖像配準同一解剖結構的形狀、大小、位置都會因解剖和生理上的個體差異有很大不同，這就使患者間的圖像配準問題成爲當今醫學圖像分析中的最大難題. 因此就要有一個詳細標記人體各個解剖位置的標準化圖譜. 用圖譜法對兩個患者的PET或MRI圖像進行比較時，首先把二者的圖像都映射到一個標準化的圖譜空間去，然後在此空間中進行比較. 使用內部特徵定位不需外加定位裝置,但要求兩幅圖像要有相似結構或共同體位特徵纔可進行匹配. 定位的精確度是由具體的算法來決定的.