医学图像配准学习笔记

这周继续研究期相配准。。

1.图像配准定义

根据笔者粗浅的理解，配准就是通过空间变换将 moving image 变换到fixed image上，使两个图像上中的公共点一一对应。

目前我的任务就是将同一个病例中不同 DICOM 序列的图像统一到同一个空间坐标系中，使它们具有一致的：

  • spacing：体素间距

  • origin：原点坐标

  • direction：方向矩阵

  • size：图像尺寸

最终目标是让不同序列可以作为 nnU-Net 的多通道输入，因为这些通道必须在空间上对应，否则模型学到的多序列信息就会错位。

2.图像配准应用场景

这一部分就不必多言，因为笔者本身做的项目也就只和图像识别有关。

3. 当前任务的配准类型定位

虽然图像配准有很多分类方式，例如按模态、对象、变换类型等分类，但对当前任务来说，不需要展开全部分类。

当前任务已经比较明确：

  • 应用领域：医学图像配准

  • 图像类型：CT 图像

  • 配准对象：同一病例内部不同期相

  • 配准类型：多期相 CT 配准

  • 图像维度：3D 到 3D 配准

  • 目标用途：统一不同期相图像空间，使其适配 nnU-Net 多通道输入

因此，当前任务可以概括为：

同一病例多期相 CT 图像之间的 3D 医学图像配准。

在这个任务中，重点不是讨论各种配准分类，而是解决以下问题：

  1. 如何选择 fixed image 和 moving image；

  2. 如何让不同期相的图像在空间上对齐；

  3. 如何保证配准后同编号切片对应同一解剖位置；

  4. 如何处理不同期相扫描范围不一致的问题；

  5. 如何将处理结果转换为 nnU-Net 可用的多通道输入格式。

从方法选择上看，当前任务主要关注：

  • 重采样 Resampling

  • 刚性配准 Rigid Registration

  • 仿射配准 Affine Registration

  • 必要时考虑非刚性配准 Deformable Registration

其中，当前阶段优先考虑：

刚性配准 + 重采样 + 共同有效区域裁剪

原因是刚性配准可以校正不同期相之间的整体平移和旋转，同时不会改变器官和病灶的真实形态。对于医学图像分割前处理来说，这种方法相对稳定、安全，也更适合作为批量化处理流程的基础。

如果刚性配准后仍然存在整体尺度差异，可以进一步尝试仿射配准；如果存在明显局部形变，再谨慎考虑非刚性配准。

4.图像配准过程

4.1 配准中的核心概念

4.1.1 Fixed Image

fixed image 是基准图像，提供统一的空间标准，包括：

  • spacing

  • origin

  • direction

  • size

  • 切片编号对应的空间位置

在当前任务中，一般选择扫描范围较完整、图像质量较好的序列作为 fixed image。

4.1.2 Moving Image

moving image 是待配准图像，也就是需要对齐到 fixed image 的其他期相或序列。

配准的目标就是让 moving image 中的解剖结构尽量和 fixed image 对应。

4.1.3 Transform

transform 是空间变换，用来描述 moving image 应该如何移动到 fixed image 上。

当前任务中主要关注：

  • 刚性变换：平移 + 旋转

  • 仿射变换：平移 + 旋转 + 缩放 + 剪切

  • 非刚性变换：局部形变

当前阶段优先考虑刚性配准，必要时再尝试仿射配准。非刚性配准可能改变病灶形态，因此需要谨慎使用。

4.1.4 Metric

metric 是相似性度量指标，用来判断 fixed image 和变换后的 moving image 是否对齐。

常见指标包括：

  • MSE：均方误差

  • NCC：归一化互相关

  • MI：互信息

对于多期相 CT，不同期相的灰度分布可能不同，因此互信息 Mutual Information 通常比直接比较灰度差异更稳妥。

4.1.5 Optimizer

optimizer 是优化器，用来不断调整 transform 的参数，使 metric 结果变得更好。

简单理解就是：

算法不断尝试不同的平移、旋转或缩放参数，直到找到较好的对齐方式。

4.1.6 Interpolator

interpolator 是插值器。

当 moving image 经过空间变换后，新的体素位置不一定刚好落在原体素点上，因此需要插值计算新的灰度值。

当前任务中：

  • 原始 CT/MRI 图像：使用线性插值

  • 标签 mask：使用最近邻插值

标签不能用线性插值，否则类别值可能变成小数。

4.2 配准的一般流程

图像配准通常包括：

  1. 特征检测

  2. 特征匹配

  3. 变换模型估计

  4. 图像重采样和变换

结合当前任务，可以简化理解为：

| 步骤 | 当前任务中的含义 |

|—|—|

| 特征检测 | 不手动找特征点，主要依靠图像整体结构和灰度统计 |

| 特征匹配 | 判断不同期相中的相同解剖结构是否对应 |

| 变换模型估计 | 估计 moving image 到 fixed image 的空间变换 |

| 重采样和变换 | 将 moving image 放到 fixed image 的空间网格中 |

当前最关键的是：

  • 估计空间变换

  • 重采样到 fixed image 空间

  • 检查同编号切片是否对应同一部位

4.3 特征检测与特征匹配

在通用图像配准中，特征可以是角点、边缘、线段或控制点。

但在当前医学 CT 任务中，不重点依赖人工特征点。原因是：

  1. 医学图像中稳定明显的角点不一定多；

  2. 不同期相 CT 中血管和病灶强化不同，局部特征可能不稳定；

  3. 当前目标是批量处理，不适合人工点选特征。

因此，当前更适合使用基于图像整体灰度和统计关系的自动配准方法。

特征匹配在当前任务中可以理解为：

判断两个期相中相同身体位置的结构是否对齐，例如肺、肝脏、肾脏、骨骼等是否对应。

4.4 相似性度量方法

配准过程中需要判断 fixed image 和 moving image 是否对齐，这就需要相似性度量。

对于灰度分布接近的图像，可以使用：

  • MSE

  • NCC

但对于多期相增强 CT，不同期相的灰度表现不同，例如动脉期血管更亮、门静脉期肝实质强化更明显，因此更适合使用：

  • Mutual Information，互信息

互信息不要求两个图像灰度值完全相同，而是衡量两幅图像之间的统计相关性，因此更适合多期相 CT 配准。

4.5 图像重采样和变换

当 transform 估计完成后，需要将 moving image 重采样到 fixed image 的空间网格中。

重采样后的图像应该和 fixed image 具有一致的：

  • spacing

  • origin

  • direction

  • size

但需要注意：

重采样成功不等于图像内容一定配准成功。

所以除了检查 header 是否一致，还需要通过 overlay 或 checkerboard 检查图像内容是否真正对齐。

4.6 共同覆盖区域裁剪

如果两个期相扫描范围不同，例如：

  • fixed image 有 140 张，从锁骨扫到腹部

  • moving image 有 90 张，从肺部扫到腹部

那么 moving image 重采样到 fixed image 后，可能会出现一部分空白区域。

这种情况下，需要在配准和重采样后，裁剪两个期相的共同有效区域。

正确流程是：

  1. 先将 moving image 配准并重采样到 fixed image 空间

  2. 再寻找共同覆盖区域

  3. 对所有通道使用同一个裁剪框

  4. 输出给 nnU-Net

不能让每个期相单独裁剪，否则会破坏不同通道之间的空间对应关系。

4.7 当前任务推荐流程

当前任务中，比较合理的流程是：

  1. 读取同一病例下的多个 DICOM 序列

  2. 按 SeriesInstanceUID 区分不同序列

  3. 排除 localizer、scout、切片数过少或不同部位的序列

  4. 选择一个序列作为 fixed image

  5. 其他序列作为 moving image

  6. 使用刚性配准或必要时仿射配准

  7. 使用互信息作为多期相 CT 的相似性指标

  8. 将 moving image 重采样到 fixed image 空间

  9. 裁剪共同覆盖区域

  10. 检查同编号切片是否对应同一部位

  11. 保存为 nnU-Net 多通道 NIfTI 格式

4.8 小结

图像配准过程可以概括为：

fixed image 提供空间标准，moving image 通过 transform 对齐到 fixed image；metric 判断是否对齐，optimizer 寻找最佳参数，interpolator 完成重采样过程。

对于当前多期相 CT 任务，重点是：

  • 优先使用刚性配准

  • 必要时使用仿射配准

  • 相似性指标优先使用互信息

  • 重采样后仍需检查图像内容是否对齐

  • 如果扫描范围不同，需要裁剪共同覆盖区域

  • 最终目标是让不同期相同编号切片对应同一身体位置，并适配 nnU-Net 多通道输入

5.总结

虽然扯了这么多，不过实际上只是提出了方案也没有落到实处，后面会再详细去学习具体的方法。。。。

参考文献

[1] CSDN 博客. 图像配准相关学习笔记/教程[EB/OL].
https://blog.csdn.net/qq_31347869/article/details/119394395
访问日期：2026-05-25.

[2] Zitová B, Flusser J. Image registration methods: a survey[J]. Image and Vision Computing, 2003, 21(11): 977-1000.

[3] SimpleITK Documentation. Image Registration Method[EB/OL].
https://simpleitk.readthedocs.io/en/master/link_ImageRegistrationMethod1_docs.html
访问日期：2026-05-25.

[4] SimpleITK Documentation. ImageRegistrationMethod Class Reference[EB/OL].
https://simpleitk.org/doxygen/latest/html/classitk_1_1simple_1_1ImageRegistrationMethod.html
访问日期：2026-05-25.

[5] Isensee F, Jaeger P F, Kohl S A A, Petersen J, Maier-Hein K H. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation[J]. Nature Methods, 2021, 18: 203-211.