基于结构随机回归森林估计形态和灰度的婴幼儿脑部核磁共振图像非刚体配准研究

For the reason of the fast infant brain development and mature myelin, there are many large anatomical structure and intensity appearance changes in the longitudinal infant brain magnetic resonance (MR) images, which will cause difficulties for right non-rigid image registration. Most of state-of-the-art image registration methods are designed for young and elderly brain images, and they don’t directly work for the longitudinal infant brain MR images. Therefore, this project uses the structured random regression forest and multi-layer auto-context model to learn deformation and intensity changes, and then applies diffeomorphic non-rigid pairwise registration and groupwise registration with trajectory constraints. The research priorities of this project include: 1. nonlinear modeling between the floating image patch’s features and their displacements toward the template, predicting brain anatomical structure changes; 2. nonlinear modeling between image patch’s features and intensity of the template, predicting intensity changes among infant brain MR images; 3. diffeomorphic non-rigid refinement registration to alleviating prediction error. Applying deformation learning model and intensity learning model, the complex image registration with big deformation and intensity changes is simplified into the image registration in a common space. The correct image registration should be easily realized when the puzzling problems of big anatomical structure changes and big anatomical intensity changes are solved. The research will contribute to predict neurocognitive developmental disorders, and then effectively promote the development of brain studies.

由于婴幼儿脑部快速发育和脑髓鞘成熟，时间纵向上的婴幼儿脑部核磁共振（MR）图像呈现出巨大的形态变化和灰度变化，导致准确的非刚体配准困难。现有脑部图像配准算法主要针对成人图像进行设计，不直接适用于时间纵向上婴幼儿脑部MR图像配准。鉴于此，本项目使用结构随机回归森林和自动上下文多层学习方法，学习形态变化和灰度变化，在此基础上进行微分同胚非刚体成对配准、有生长轨迹约束的成群配准。研究重点包括：（1）建立“图像特征和变形的非线性对应关系模型”，预测大脑的形态变化；（2）建立“图像特征和灰度的非线性对应关系模型”，预测MR图像的灰度变化；（3）微分同胚非刚体精细配准，消除预测误差。通过形态学习和灰度学习，把存在大形变和大灰度变化的图像配准，简化为简单的同空间图像配准，解决了困扰配准的“大形态变化”和“大灰度变化”问题，有助于实现精确配准，进而预测婴幼儿发展性障碍疾病和促进脑科学研究。

我们在医学MR图像配准及其相关任务方面主要做了以下工作。1）使用随机回归森林对婴幼儿脑部MR图像进行灰度学习和形态学习，然后进行精细配准；在此基础上，进一步结合使用AUTO-CONTEXT和多输出技术进一步提高配准的精度。2）使用深度学习进行医学图像配准。用深度学习技术，融合全局区域标签信息和局部区域标签信息进行图像弱监督配准，不但可以提高全局组织区域的配准精度，而且可以提高局部组织区域的配准精度；在基于深度学习的多模态或多对比度图像无监督配准，充分利用多模态或者多对比度图像的互补信息，提高配准性能；使用GAN模型提供的对抗损失函数，替换传统的测度函数，避免传统测度函数对配准的不利影响,在此基础上，改进使用双注意力机制的GAN网络，对脑部MR图像进行无监督弹性配准；使用LRGL-DDS方法进行脑部图像弱监督配准，针对脑部区域的脑组织结构复杂，形状变化丰富，给配准带来了很多困难，使用SSIM测度和双Dice测度，提高了全局和微小结构的配准性能；融合两个深度学习网络，实现医学图像粗配准和精细配准,第一个网络实现医学图像的粗配准，第二个网络实现医学图像精细配准；加权融合不同Patch变形场，得到平滑准确的密集变形场。3）在其他相关任务上的工作：医学图像去噪、偏差场纠正、医学图像分割、医学图像合成等。利用多幅图像在空间位置上的灰度信息，使用最大似然距离测度，建立多分辨率的非参数组织模型来进行偏差场纠正；使用提取全局特征和局部特征的深度学习网络，对脑部MR图像进行去噪研究；使用GAN网络，把小动物的PET图像合成为CT图像，为后续的PET衰减纠正提供帮助；基于snake模型进行脑部CT图像分割；使用深度学习技术进行脑部图像全局分割、肿瘤区域分割。