腦部及血管磁振造影影像校準及融合腦部及血管磁振造影影像校準及融合腦部及血管磁振造影影像校準及融合

腦部及血管磁振造影影像校準及融合 腦部及血管磁振造影影像校準及融合 腦部及血管磁振造影影像校準及融合

Image Registration and Fusion of Brain Magnetic Resonance Imaging and Magnetic Resonance Angiography

傅家啟傅家啟 sufficient from single source of the images. Therefore, it is important to fuse the multi-source of medical images, such as Magnetic Resonance Imaging （ MRI ） and Magnetic Resonance Angiography（MRA）. Various types

of images provide certain medical information. In this paper, various types of images are integrated by the techniques such as image registration and image fusion for diagnosis or medical research. In this paper, Scatter Search（SS）and the Genetic Algorithm（GA） are applied to fuse and visualize the brain gliosis and intracranial arterial stenosis. The performance of SS and GA are compared. Experimental results show that SS outperforms GA in registration error. In this paper, techniques for 3D fusion and visualization are developed for the computer-aided diagnosis of the brain gliosis and the intracranial arterial stenosis system for improving clinical diagnosis of medical quality.

Key words ：：：： Magnetic Resonance Image, Gliosis, Stenosis of Vessel, Image Fusion, 3D Visualization

1、、、前言、前言前言前言

大腦膠樣變性（Gliosis）也稱作神經膠變性，是腦部 神經膠質細胞纖維化，類似傷口受傷後之疤痕組織。

許多疾病都會連帶發生膠樣變性之病症，例如糖尿病 及多發性硬化等。在臨床上，腦部膠樣變性之區域可 以使用磁振影像（Magnetic Resonance Imaging, MRI）

作為重要之檢查工具[2]。顱內血管伴隨著年紀老化、

Resonance Angiography, MRA）為現階段診斷腦血管疾 病的主要工具之一[4]。本研究針對大腦膠樣變性及顱 內血管狹窄兩種不同醫療影像，如Figure 1進行三維影 像校準及融合，提供醫師病變區域之診斷、判別、與 三維空間資訊。期望藉由影像處理和影像三維重建技 術開發電腦輔助診斷系統，成像腦部膠樣變性及顱內 血管狹窄，並由專業人士判別是否有其相關性。

Figure 1 腦血管狹窄影像及大腦膠樣變性圖

本研究範圍分為三部分，分別是最佳化演算法模擬搜 尋影像校準幾何轉換參數之績效衡量；再將演算法應 用在模擬及實際影像校準問題，最後為校準後之影像 資訊融合。本研究研究目的為了尋找一有效將磁振影 像（MRI）及磁振造影血管影像（MRA）影像校準、

融合演算法及參數組合，開發一電腦輔助診斷系統，

應用於大腦膠樣變性及顱內血管狹窄是否相關性研 究，並以三維視覺化呈現，提高醫師臨床診斷醫療品 質[3]。病患在掃描 MRI 與 MRA 影像時，由於掃描設 備及病患姿勢上的差異，都會使影像在融合的時候產 生偏差，不能完全的融合在一起，於是就需要校準的 動作。根據上述研究範圍與目的，研究方法分別是最 佳化演算法搜尋模擬影像校準幾何轉換參數之績效衡 量；再將演算法運用在實際影像校準，最後為校準後 之影像資訊融合。

2、、、、研究架構與方法研究架構與方法研究架構與方法研究架構與方法 2.1 研究架構研究架構研究架構研究架構

本研究主要目的為尋找一有效大腦腦膠樣變性及顱內 橫狀血管狹窄磁振影像校準演算法及最佳參數組合，

並重建大腦腦膠樣變性及顱內橫狀血管狹窄磁振影像 三維空間資訊。依照上述文獻所探討，本研究架構分 為三個部份，最佳化演算法搜尋模擬影像校準幾何轉 換參數之績效衡量；再將演算法運用在實際大腦膠樣 變性及顱內橫狀血管狹窄影像校準，最後為校準後之 影像資訊融合；本研究方法架構流程如 Figure 2 所示。

Figure 2 架構流程圖

2.2 影像校準影像校準影像校準 影像校準

影像校準即為找到一適當之校準系統，能有效的將兩 組不同之影像對位，在縮小兩組資料之間距離的條件 下，尋找適當的對應關係，計算出一組最小誤差（Root Mean Square Error）的幾何轉換矩陣（Transformation Matrix），經過逐次反覆計算以得到最佳的結果，便可 得知旋轉值與平移值，而這兩組資料模型可以藉著計 算出來的幾何轉換對齊在一起，達到校準的目的。

2.2.1轉換參數轉換參數轉換參數轉換參數（（（Transformation Parameters）（ ））） 轉換參數依據其校準方式而有所不同。剛體轉換僅包 含旋轉（Rotation）與平移（Translation），而仿射轉換 則較剛體轉換增加一縮放（Scaling）動作。本研究三 維體積影像之剛體轉換，因此所欲最佳化之參數有分 別對 X 軸、Y 軸、Z 軸的平移量 Tx、Ty、Tz及旋轉量 Rx、Ry、Rz等六個幾何轉換參數。各參數簡單示意如 Figure 3：

Figure 3 參數示意圖

2.2.2校準相似度量測準則校準相似度量測準則校準相似度量測準則校準相似度量測準則（（（（Similarity Metric）））） 校準相似度量測準則即為本研究中最佳化參數選擇演 算法所使用之目標函數，透過此目標函式最小化，進 而得到一組轉換矩陣使得欲校準影像（Data Shape）與 被校準影像（Model Shape）之誤差最小。依據 Besl 與 McKay 於 1992 年所提出的 ICP（Iterative Closest Point）演算法的概念，建立本研究之目標函式。在 ICP 演算法中，首先定義校準的兩組資料分別為欲校準模 型 Data Shape 及被校準模型 Model Shape，其中 Data Shape 必須為點集合的形式，而 Model Shape 則可以是 各種幾何結構的形式。本研究中將顱內橫狀血管切面

MRA 所擷取出之頭殼點集合作為 Data Shape，而大腦 膠樣變性 MRI 之頭殼點集合則為 Model Shape。設定 完兩組校準資料之後，則要尋找出兩者彼此之對應關 係，也就是距離最短之對應點。對於 Data Shape D 中 的每一點 p 而言，對應到 Model Shape M 中距離最近 之對應點 q 滿足(1)式：

d(p,q) = d(p,M)=min d(p,qi) （1）

其中 d(p,M)為點 p 到 Model Shape M 之距離，定義為

「在 Model Shape 中距離點 p 最近之點 q，以點 p 與點 q 之歐基理德距離(Euclidean distance)表示。因此，將 Data Shape 中欲移動至 Model Shape 之點集合資料定義 為{pi}，Model Shape 中之點集合為{qi}，最後將{qi}中 對 應 於 {pi} 之 最 近 點 群 定 義 為 {pi’} ， 如 式 (2) ：

∑

∑ + = +

= i i^{' 2}

2 i

i T) Nearest(p) (Rp T) (p) (Rp

T)

F(R, － － (2) R、T 分別為幾何轉換之旋轉矩陣及平移矩陣，當兩組

點集合校準越正確時，目標函式(3.2)將越小，此為 ICP(Iterative Closest Point)演算法之概念[1]。因此本研 究期望找到一組轉換參數，使得目標函是最小化，即 找到一組最佳平移矩陣 T 及旋轉矩陣 R，使得校準誤 差最小。

2.2.3 最佳化參數搜尋演算法最佳化參數搜尋演算法最佳化參數搜尋演算法最佳化參數搜尋演算法

本研究分散搜尋法與基因演算法為影像校準幾何轉換 參數之最佳化搜尋，透過最佳化搜尋演算法，在盡量 縮小資料模型之間距離的條件下，經過逐次反覆計算 尋找出一組最小誤差之幾何轉換參數組合。

2.3 最佳化演算法搜尋校準幾何轉換參數最佳化演算法搜尋校準幾何轉換參數最佳化演算法搜尋校準幾何轉換參數最佳化演算法搜尋校準幾何轉換參數

本研究提出以分散搜尋法與基因演算法為影像校準幾 何轉換參數之最佳化搜尋法則。並利用績效衡量評估 兩演算法之優劣。Figure 4 為最佳化演算法搜尋校準幾 何轉換參數流程圖：

Figure 4 最佳化演算法搜尋校準幾何轉換參數流程圖

2.4 模擬影像校準及其績效衡量研究方法模擬影像校準及其績效衡量研究方法模擬影像校準及其績效衡量研究方法 模擬影像校準及其績效衡量研究方法

本 研 究 運 用 BrainWeb 所 提 供 的 Simulation Brain Database 進行演算法校準績效比較。模擬影像校準及 績效衡量流程共分為三大部分，分別為前處理、最佳 化參數搜尋及演算法績效衡量；模擬影像校準及績效 衡量流程圖如 Figure 5 所示[8]。

Figure 5 模擬影像校準及績效衡量流程圖 2.4.1 影像前處理影像前處理影像前處理 影像前處理

本研究之模擬影像由 BrainWeb 提供的 simulations data 自訂參數取得模擬影像，此組腦部模擬影像由上而下 共有 181 個切面（Slice），研究選擇影像之第 81 至 120 切面，執行本研究之模擬影像校準實驗分析，如 Figure 6 所示[8]。

Figure 6 模擬影像

模擬影像經過前一章的處理後，得到兩組的腦殼資 訊，我們分別設定成Data Shape與Model Shape，之後 將頭殼資訊手動出各種平移及旋轉組合，產生另一組 不同座標系之影像，作為欲校準影像（Model Shape）。

在本研究為了提高找到整體最佳值的機會，我們設定 不同的初始旋轉矩陣，改變Data Shape一開始的位置，

與Model Shape做多次校準，並且比較不同初始值的結 果；模擬影像校準實驗中以三種不同平移值與旋轉角 度組合，產生三組Data Shape與 Model Shape。Table 1 為幾何轉換參數組合及Figure 7為不同模擬成像組合 如下

Table 1 幾何轉換參數組合 旋轉值

平移值 Tx Ty Tz Rx Ry Rz

實驗組合 1 5 5 5 5° 5° 5°

實驗組合 2 10 10 10 10° 10° 10°

實驗組合 3 20 20 20 20° 20° 20°

模擬成像 實 驗

組 合 一

Rx Ry Rz Tx Ty Tz

5 5 5 5 5 5

實 驗 組 合 二

Rx Ry Rz Tx Ty Tz

10 10 10 10 10 10

實 驗 組 合 三

Rx Ry Rz Tx Ty Tz

20 20 20 20 20 20

Figure 7 模擬成像圖

2.4.2 績效衡量績效衡量績效衡量績效衡量

本研究根據分散搜尋法及基因演算法分別搜尋幾何轉 換參數組合，再計算各組影像點對點誤差值，依誤差 值最小判別精準度。

精準度：在校準精準度的計算上，本研究利用分散搜 尋法及基因演算法最後收斂之轉換矩陣，對欲校準影 像（Data Shape）進行幾何轉換，計算欲校準影像與被 校準影像（Model Shape）之平均點誤差。

2.5 實際影像校準及融合實際影像校準及融合實際影像校準及融合實際影像校準及融合

本研究將大腦膠樣變性之 MRI 影像共 20 張定義為 Model Shape，另外將血管狹窄之 MRA 影像共 112 張 定義為 Data Shape。將 MRA 影像前處理後取其 20 張 影像之頭殼資訊為定位點，並定義為實際影像校準實 驗之欲校準影像 Data Shape。定義完兩組校準實驗之 影像後，以分散搜尋法進行實際影樣校準實驗。實驗 流程如下 Figure 8 所示：

Figure 8 實際影像流程圖

2.5.1 影像前處理影像前處理影像前處理 影像前處理

影像前處理利用 ACLS 演算法有效解決邊界輪廓具有 碎裂（Break）與合併（Merge）問題，擷取出影像中 顱內組織之部份。接下來利用影像直方圖給予一切斷 值將影像中殘留之腦脊液及非頭殼部分去除，擷取出 影像之頭殼資訊，如下圖所示：

Figure 9 去除顱內組織後影像及直方圖切斷示意圖

2.5.2 影像校準影像校準影像校準 影像校準

透過上述影像前處理，取大腦膠樣變性之 MRI 影像共 20 張定義為 Data Shape 與顱內橫狀切面之 MRA 影像 共 112 張定義為 Model Shape，以分散搜尋法進行校

透過上述影像前處理，取大腦膠樣變性之 MRI 影像共 20 張定義為 Data Shape 與顱內橫狀切面之 MRA 影像 共 112 張定義為 Model Shape，以分散搜尋法進行校