6.2图像配准
不同的医学图像提供了相关脏器的不同信息，例如CT和MRI以较高的空间分辨率提供了脏器的解剖结构信息。而PET和SPECT尽管空间分辨率差，但可提供脏器的代谢功能信息。显然，多种医学成像设备的结合可以提供更为全面的信息，将这些信息有机地结合起来，毫无疑问，将推动现代医学临床诊断的进步。医学图像的配准和融合（Medical Image Registration and Image Fusion）是指不同的成像设备获得的不同模式图像之间的空间位置配准和结合。图像融合利用各种成像方式的特点，经过一定的图像变换和图像配准等处理，为不同的影像提供互补信息，增加图像信息量，可对临床诊断和治疗定位、观察提供有效的辅助手段。医学图像融合技术的研究是近年来医学图像处理研究的热点之一，其内容包括：核医学图像与其他核医学图像的配准和融合（PET/PET、PET/SPECT）；核医学图像与其他成像方式图像的配准和融合（PET/MRI、PET/CT）；核医学图像与标准解剖图谱之间的配准和融合；不同时间序列功能图像的配准和融合等。
医学图像融合的关键是图像的空间位置配准，配准过程包括图像的空间变换和定位。在二维图像融合中，首要在两组图像的一系列层面中确定出对应的层面，然后对图像进行二维空间变换，将第一个图像映射到第二个图像。在三维图像融合中，同样要进行图像定位和空间变换处理。
6.2.1医学图像配准中的图像空间变换
图像的空间变换包括平移、转动、转换、定标、反射等处理，对图像的空间坐标、刻度等参数进行变换，使图像之间配准。常用的图像空间变换有三种算法：
1.刚性变换（Rigid Transformation）
通过平移、转动和镜像反射等操作，用于几何结构没有空间变形的图像变换，共有六个参数描述刚性变换，其中，三个为空间平移、三个为空间旋转参数。刚性变换一般用于同一病人同一模态/或不同模态脑部图像的配准。
2.仿射变换（Affine Transformation）
其包括刚性变换和剪切，特征是图像上任意两条平行直线在变换中保持平行，适合于外部定位标记的脑部图像的配准。
3.多项式变换（Polynomial or Curved Transformation）
用于消除由于不同采集参数引起的空间变形、伸长和结构的变化，这个技术常被称为Warping，适用于病人图像与标准图谱的配准以及在扫描时容易产生变形部位的图像的配准。
6.2.2医学图像配准中的图像空间定位
图像融合的定位方法大致可分为两种：（1）使用外部定位装置或定位标志（Extrinsic Matching）；（2）使用人体或器官固有的标志或特征（Intrinsic Matching）。
1.外部定位标记法
外部标记的一种为立体框架（Stereotactic frame），在神经外科手术上，这种刚性的框架被固定在病人头部用于外科手术。在影像获取之前，在框架上安装或线标记，为不同的影像提供参考系统，可以实现图像的高精度配准，曾经一度作为配准精度的金标准，但是，随着利用人体或器官固有的标志或特征实现图像配准精度的提高，上述标准方法已不再普遍使用。
外部定位标记的另一种为皮肤标记（Skin Markers），该方法使用带有显像标记（如放射源、增强剂等）的装置，用尼龙胶带固定在病人头部。在进行功能成像（PET，SPECT）时的显像标记为放射源，在进行结构成像（CT，MRI）时的显像标记为增强剂。在图像的每个横断层面上有不同的标记点，利用这些标记点可以实现同一病人不同模态脑部图像的配准。
采用外部定位标记的图像配准，定位相对准确，但要求采集过程中定位装置必须保持固定。另外，由于外部定位标记法操作要求精密度高，病人不宜接受等原因，现在的图像配准研究已经很少使用，图像定位多采用人体或器官固有的标志或特征进行。
2.人体或器官固有的标志或特征
体位标志包括解剖特征、表面轮廓、空间特征和坐标系等。Woods等采用最小化PET对应MRI voxel或pixel值之间标准差的算法，实现脑PET和MRI图像的配准。另一种算法是通过计算两组图像的最大相关进行匹配，它常用于同类方式的配准，对在一台PET或MRI上不同时间采集的两组图像之间的每个voxel作最大相关分析，实现时间序列脑功能图像的配准。表面轮廓配准方法用于三维图像的配准，它通过互相配准的两个三维图像对应解剖结构表面之间距离均方根的最小化来实现。Pelizzari CA等利用表面匹配技术对PET和MRI/CT进行了三维图像配准。
使用人体或器官固有的标志或特征法进行图像之间的定位不需外加定位装置，但要求两幅图像要有相似的结构或共同的体位特征，否则难以配准。采用人体或器官固有的标志或特征法进行图像融合一般都由计算机自动完成，包括图像定位和空间转换，是医学图像融合研究的发展方向。
6.3图像标准化（Normalize）
这个步骤不同个体的大脑等图像变化到标准的大脑上，这个步骤是在进行大脑研究时所特有的。通过标准化后我们就能对不同个体的大脑进行比较。本书所处理的图像均是首先进行了标准化操作的。
我们一般采用的标准脑的图像来自于英国的MNI（Montreal Neurological Institute）。为了让标准脑具有广泛的代表性，MNI通过大量的MRI扫描图像来定义了一个标准脑。
另外一种被广泛应用的标准化方法是将不同个体的大脑图像统一到Talairach坐标系统下，因为这一坐标系统是被医务人员所广泛认同的一个标准坐标系，这样就使不同个体图像中的某一位置有了一个统一的坐标值，为我们进行交流和对比提供了很大的方便。
6.4图像信息的提取
在进行了一系列的图像预处理过程后我们就可以开始图像信息的提取工作，这也是我们进行图像处理的真正目的所在，是最重要的一个步骤，也是本书研究的重点。医学图像的信息提取主要包括以下几个方面：
1.图像的分割
在进行医学诊断时我们往往需要对图像中代表不同组织的区域区分开来，以便于我们分析，不同的组织具有不同灰度特征和不同纹理特征，可以依据这些特征对图像进行分割，分割结果的准确性对医生进一步的诊断分析具有重要的作用。
在一些肿瘤大小和位置的确认工作中往往需要将肿瘤的边界划出来，在过去主要是靠手工的勾画，这种方法受主观因素的影响很大，不同人由于在勾画时的状态不同，各人经验也相差甚大，因此勾画出的边界会有不同，就是同一个人在不同时间勾画出的结果也会有很大的区别。采用计算机进行这种边界的勾画比手工进行勾画具有更大客观性，对于后期肿瘤的治疗有很大的指导作用。包括现在正在兴起的计算机手术导航，都会用到这种技术。
在医学图像分割的应用中关于老年痴呆病的大脑萎缩区域的分割还是一件比较难的工作，因为一般这种病人萎缩区域并不是很明显，要想将其提取出来和正常人进行比较当然是一件难事。
还有一种分割方式就是对具有特定结构的器官进行分割提取，如对大脑海马结构的提取，这一类分割往往要用到相应的医学领域的知识。
