• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      面向臨床腫瘤診療決策的多模態(tài)醫(yī)學影像融合

      2013-03-10 08:12:34齊守良東北大學中荷生物醫(yī)學與信息工程學院沈陽089
      中國生物醫(yī)學工程學報 2013年3期
      關(guān)鍵詞:醫(yī)學影像模態(tài)醫(yī)學

      齊守良 岳 勇 辛 軍 康 雁*(東北大學中荷生物醫(yī)學與信息工程學院,沈陽 089)

      2(中國醫(yī)科大學附屬盛京醫(yī)院放射科,沈陽110004)

      引言

      惡性腫瘤是危害人類健康的嚴重疾病。目前,全世界患有惡性腫瘤的病人約1 400萬,我國每年癌癥發(fā)病人數(shù)約180 萬至200 萬,死亡140 萬至150萬,每死亡5 人中即有1 人死于癌癥。據(jù)WHO 預測,2030 年癌癥致死人數(shù)將達到1 310 萬[1]。癌癥已經(jīng)成為新世紀人類健康的巨大威脅和全球最大的公共衛(wèi)生問題。

      早期診斷和準確療效評估,可以顯著降低腫瘤致死率。在1990 ~2008 年期間,美國的癌癥死亡率男性降低了22.9%,女性降低了15.3%[2]。其中,乳腺癌、結(jié)腸癌和前列腺癌致死率降低的主要原因就是早期診斷和有效治療[3-5]。

      腫瘤生物機理復雜,種類繁多,使得“四定”(定位、定性、定量和定期)診斷時仍十分困難。腫瘤是一個多因素、多基因參與、多階段的復雜漸進過程。多因素不僅包括外因,還有遺傳因素、免疫狀態(tài)等宿主因素[6]。腫瘤種類繁多,僅肝部就存在良性肝臟腫瘤、原發(fā)性肝臟惡性腫瘤和轉(zhuǎn)移性肝癌。其中,良性肝臟病變又包括血管瘤、局灶性結(jié)節(jié)性增生(FNH)、肝腺瘤等;原發(fā)性肝臟惡性腫瘤可源自肝細胞、肝管上皮細胞、內(nèi)皮細胞以及結(jié)締組織[7]。一些腫瘤(如FNH 和肝腺瘤)在放射學檢查上表現(xiàn)類似,常常難以分辨。然而,由于推薦治療方式迥然不同,正確鑒別非常重要。

      新抗癌藥物的不斷涌現(xiàn),使得以前的治療評估標準(response evaluation criteria in solid tumor,RECIST)面臨挑戰(zhàn)。RECIST 依靠腫瘤形態(tài)尺寸變化進行評估,而新藥物(如抗血管生長因子)不主動破壞腫瘤細胞,不殺死細胞,而是抑制腫瘤生長,因而無法準確地早期評估療效,也就無法有效治療。

      1 現(xiàn)代生物醫(yī)學影像技術(shù)特點分析

      現(xiàn)代生物醫(yī)學影像技術(shù)具有實時、在體和無創(chuàng)(或微創(chuàng))等優(yōu)點,能夠在時間和空間上多尺度地研究生理和病理過程,并以非常直觀的方式(seeing is believing)展現(xiàn)出來[8]。其中,時間尺度從毫秒級的蛋白質(zhì)結(jié)合到數(shù)年的癌癥,空間尺度從分子到細胞、組織和器官[9],從而,現(xiàn)代生物醫(yī)學影像技術(shù)被廣泛應(yīng)用于腫瘤管理的各個階段,包括預防、篩查、活檢導引、分級、預后、治療方案規(guī)劃、手術(shù)導引、治療反映、復發(fā)和緩解等[10]。

      目前,臨床上存在多種模態(tài)的影像技術(shù),主要包括計算機斷層成像(computer tomography,CT)、磁共振成像(magnetic resonance imaging,MRI)、超聲成像(ultrasonography,US)和正電子發(fā)射型斷層成像(positron emission tomography,PET)等。

      不同模態(tài)醫(yī)學影像為腫瘤管理提供大量有價值的定量化信息。這些信息可以分成兩類。

      1.1 形態(tài)和結(jié)構(gòu)信息

      1)腫瘤幾何形態(tài),如體積大小、表面光滑度(曲率)、腫瘤區(qū)域的紋理特征等,主要醫(yī)學影像模態(tài)有CT、MRI 和US[11-12]。

      2)腫瘤血管形態(tài),如分叉和直徑等,據(jù)此判定狹窄和腫瘤良惡性,主要醫(yī)學影像模態(tài)包括CT 血管 造 影 成 像(CTA)[13]、MR 血 管 造 影 成 像(MRA)[14]和超聲造影成像(USA)。

      1.2 代謝和功能信息

      1)葡萄糖代謝,常使用18F-FDG PET[15],定量化參數(shù)是標準攝取值(standard uptake value,SUV)。

      2)血流灌注,注入照影劑后對選定層面連續(xù)多次掃描,獲得每一像素的時間密度曲線(time-density curve,TDC),以此為輸入利用不同數(shù)學模型計算血流量(blood flow,BF)、血容量(blood volume,BV)、平均通過時間(mean transit time,MTT)和毛細血管通透性(Permeability surface,PS)等參數(shù),常使用動態(tài)對比增強(dynamic contrast enhanced,DCE)CT、DCE-MRI 和DCE-PET[16]。

      3)水分子擴散,MRI 擴散加權(quán)成像(diffusion weighted imaging,DWI)方法,即DWI-MRI,可以測量病灶的表觀擴散系數(shù)(apparent diffusion coefficient,ADC)、相對擴散異性(relative anisotropy,RA)和各向擴散異性(fractional anisotropy,F(xiàn)A)[17-20]等,從而獲得水分子的擴散信息。

      4)彈性模量,成像方法包括MR 彈性成像(magnetic resonance elastography,MRE)[21-23]和超聲彈性成像(ultrasonic elastography,UE)[24]。

      上述信息均在一定程度上反映了Hanahan 和Weinberg[25]提出的腫瘤8 大標志,即復制失控、促血管生長、逃脫凋亡、自身有足夠的生長信號、對生長控制劑不敏感、改變能量代謝模式和逃避免疫破壞。

      遺憾的是,任何單一模態(tài)的成像方式也都存在自身的優(yōu)點和缺陷。(1)CT 反映的是人體不同位置X 射線質(zhì)量衰減系數(shù),對密度差異較大的組織效果較好,空間和時間分辨率高(可達0.33 mm 各向同性和75 ms),掃描速度快(完成全胸掃描僅需0.6 s)[26];缺點在于有電離輻射,并且軟組織對比差,良惡性腫瘤的特異性較差。(2)MRI 反映的是不同體素的磁學特性(如磁化強度、T2 和T1 時間、共振頻率等),其優(yōu)點在于無電離輻射、軟組織對比高、可實現(xiàn)多參數(shù)的結(jié)構(gòu)和功能成像;缺點是比CT 速度略慢、有時難以定量化。(3)US 利用聲阻抗不同在界面上形成反射,具有成本低、無電離輻射、軟組織對比高和血流速度測量準確方便等優(yōu)勢;缺點是對操作者技術(shù)水平依賴性強、可重復性差、空間分辨率低和對骨骼、腦部和肺部無法成像等。(4)PET采用正電子核素標記化合物作為示蹤劑,通過病灶對示蹤劑的攝取了解病灶功能代謝狀態(tài),它是一種功能分子成像,敏感度和特異性高;缺點在于空間分辨率差和成本高。

      2 多模態(tài)醫(yī)學影像融合

      值得注意的是,即使擁有如此多模態(tài)的醫(yī)學影像技術(shù),如此大量的結(jié)構(gòu)和功能信息,臨床醫(yī)生在實現(xiàn)腫瘤的“四定”診斷和療效評估時仍十分困難。最根本的原因在于,所獲取的信息都是孤立和分離的,而腫瘤是一種多因素的發(fā)展型疾病,單一時間點、單一模態(tài)的醫(yī)學影像檢查,無法揭示其本質(zhì)、發(fā)生和發(fā)展過程。以肝部疾病為例(如圖1),存在正常、肝部囊腫、血管瘤和肝細胞癌等多種狀態(tài)需要鑒別,可利用CT、MRI、超聲成像和PET 等多種模態(tài)的醫(yī)學成像技術(shù),從而獲得病灶形態(tài)學參數(shù)、血管形態(tài)學參數(shù)、灌注參數(shù)、代謝參數(shù)、表觀擴散系數(shù)、楊氏模量等參數(shù)。但是,這些信息參數(shù)之間是孤立和分離的,此時的診斷和療效評估只能是基于先驗知識的主觀推測。不同模態(tài)醫(yī)學圖像信息融合,可以實現(xiàn)信息互補和交叉驗證,因而成為揭示腫瘤機理、實現(xiàn)早期準確診斷和有效治療的必然選擇[9-10,27]。

      圖1 孤立和分離的多模態(tài)醫(yī)學影像信息(以肝部疾病為例)Fig. 1 Isolated and separated medical multimodalities image information (as an example by liver diseases)

      多模態(tài)醫(yī)學圖像融合屬于信息融合的范疇[28-29]。在腫瘤診療過程中,是將兩種或幾種圖像信息檢測、結(jié)合、相關(guān)、估計和組合,以達到對腫瘤狀態(tài)(位置、良惡性、類別、分期和治療反應(yīng))的定量化精確評估,從而指導臨床決策。

      圖像融合的前提是它們已經(jīng)在空間上相互對齊,即配準(Registration)或匹配完畢。所以,配準技術(shù)是圖像融合過程中的一項關(guān)鍵步驟[30-31]。融合是方法和手段,最終目的是應(yīng)用到臨床,指導和幫助腫瘤診療過程中的決策。下面,針對配準、多模態(tài)醫(yī)學圖像融合方法及其在腫瘤診療中的應(yīng)用,分別綜述國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)。

      2.1 圖像配準

      本質(zhì)上,醫(yī)學圖像配準屬于一種病態(tài)的非線性(多參數(shù)、多峰值)最優(yōu)化問題,即在各種變換空間中尋找一種特定的最優(yōu)變換,使得一幅或多幅圖像變換后與另一幅達到某種意義上的最佳匹配[32]。病態(tài)是指有些配準過程中重合區(qū)域小,這一點無法改變;非線性是指器官形變和運動一般都是非線性的。

      配準的基本過程包括:特征空間、幾何變換、相似度測量和最優(yōu)化。提取圖像特征信息構(gòu)成特征空間,然后根據(jù)特征空間確定一種空間變換,使一幅圖像經(jīng)過該變化后能夠達到所定義的相似度。在確定變化的過程中,需要采取一定的搜索策略,即優(yōu)化措施,以使得相似性測度更快、更好地達到最優(yōu)值。其中,特征空間可以是特征點、特征曲線或曲面、整幅圖像的所有像素(如互信息方法[33]);幾何變換有剛性變化、仿射變化、投影變化和非線性變化;相似性測度有距離測度、相似度和概率測度3 種;優(yōu)化算法包括Powell 法、下山單純形法、梯度下降法、遺傳算法、模擬退火法、幾何Hash 法、半窮盡搜索法等[34]。

      剛性配準表達較為簡單,但僅適用于如腦部等一些變形小的區(qū)域配準[35]。而非線性(或彈性)配準更適用大變形的情況,如胸部等[36]。Holden[37]綜述了非剛性配準方法,將它們分成3 類:(1)基于物理模型(利用連續(xù)性機理微分方程描述)的,包括線彈性、粘性流體和光流方法;(2)基于基函數(shù)擴展的,包括徑向基函數(shù)、B-樣條曲線、小波方法;(3)基于變換限制的,包括可逆一致性、拓撲保存和微分元胞變換方法。

      目前,非剛性配準仍然是國內(nèi)外研究的熱點。國內(nèi),李雄飛等[38]全面綜述了2010 年前的配準研究。最近,張少敏等[39]提出了融合梯度信息的最小生成樹醫(yī)學圖像配準算法,王安娜等改進了光流算法[40],李文龍等實現(xiàn)了自由變形3D 非剛性配準[41],文獻[42-43]將有限元和多目標交叉變異粒子群算法用于非線性配準。國際上,空間編碼互信息、熵相似性、雙樹復小波變換也已用于非線性配準[44-46]。

      目前研究中存在的主要問題:(1)配準準確性(或精度)不夠;(2)局部最優(yōu)化問題使得配準失敗;(3)魯棒性不強(普適性差);(4)速度慢。其背后的原因在于初始位置差,這主要是由兩點導致的:(1)對大致位置沒有先驗知識;(2)重合區(qū)域小。非線性配準面臨的主要困難:(1)選擇合適的形變模型;(2)非線性配準算法的驗證;(3)計算成本高。

      2.2 圖像融合方法

      圖像融合一般可分成3 個層次:像素級、特征級和決策級圖像融合[30-31,47-48]。

      2.2.1 像素級圖像融合

      像素級圖像融合是在基礎(chǔ)數(shù)據(jù)層次上的融合,準確性高。它可分為基于空間域和變換域的圖像融合,后者是研究熱點[47-49]??臻g域方法包括加權(quán)融合和主成分分析、假彩色圖像融合(如圖2 所示的PET-CT 和PET-MRI 圖像融合)、基于調(diào)制的圖像融合、基于統(tǒng)計的圖像融合和基于神經(jīng)網(wǎng)絡(luò)的圖像融合。變換域主要是基于多尺度分解的圖像融合算法,包括傳統(tǒng)的金字塔變換的圖像融合和基于離散小波變換(discrete wavelet transform,DWT)的圖像融合[50]。文獻[51]全面綜述了2006 年前的融合研究工作。國內(nèi)也有一些基于小波變換的融合和硬件加速的研究工作[52-55]。

      2.2.2 特征級融合

      特征級融合是對預處理和特征提取后的信息(如邊緣、形狀、紋理和區(qū)域)進行綜合和處理。這一層次的研究工作較少,僅有文獻[56-57]。特征級融合實際上是使得信息降維,幫助醫(yī)生將不同感興趣區(qū)域提取出來,在同一圖像上顯示。

      2.2.3 決策級圖像融合

      決策級融合是最高層次的信息融合。主要基于認知模型的方法,需要大型數(shù)據(jù)庫和專家決策系統(tǒng)進行分析、推理、識別和判決。目前,僅限于少量研究[58-59]。

      可見,目前幾乎所有融合都是像素級的。但是,這種方法需要考慮待融合醫(yī)學圖像的本質(zhì),否則融合結(jié)果在信息上有意義,但在醫(yī)學上無意義。它起到的作用僅限于便于醫(yī)生觀察,提供定性而非定量的診斷。如果配準不正確或存在大變形時,往往制造混亂。所以,臨床醫(yī)生更加需要特征級和決策級融合,從而降低信息維度和復雜度,獲取更多先驗知識,拓展診斷能力。這里,特征級參數(shù)既包括提取的結(jié)構(gòu)特征(如腫瘤體積、表面積和生長速率等),又包括功能特性(如灌注、ADC、彈性模量和SUV 等),并且它們都是定量化的。這些參數(shù)組成一個特征向量,發(fā)現(xiàn)特征向量的分類函數(shù)即可形成治療過程中的決策模型。

      圖2 像素級圖像融合結(jié)果[49]。(a)PET/CT 融合;(b)PET/MRI 融合Fig. 2 Image fusion results at the pixel level[49]. (a)PET/CT fusion;(b)PET/MRI fusion

      2.3 臨床腫瘤診療應(yīng)用

      目前,多模態(tài)醫(yī)學影像融合在臨床腫瘤診療過程中最典型的應(yīng)用是PET/CT 融合。PET/CT 最初由Pittsburgh 大 學 于1998 引 入[60],緊 接 著 由GE、CTI、Siemens 和Phillips 等公司推出商用機[61]。至2007 年,共有1 700 多臺PET/CT 在全世界運行,2006 年美國的PET/CT 或PET 掃描人數(shù)高達150萬人[62]。Czernin 等總結(jié)了包括1 960 名病人的30項研究,結(jié)果表明PET/CT 的平均診斷準確率比單獨使用PET 和CT 提高了約10%[63]。通過整合功能和結(jié)構(gòu)信息,PET/CT 在腫瘤診斷、分級、化療方案規(guī)劃和治療反映監(jiān)測等方面正發(fā)揮重大作用[62]。

      2011 年6 月美國FDA 批準了第一臺PET/MRI系統(tǒng)(Siemens)。并且,已經(jīng)被證實在某些方面準確度高于PET/CT[64]。PET/CT 和PET/MRI 一體機的出現(xiàn)和迅猛發(fā)展,充分說明多模態(tài)圖像融合在臨床上有強烈的需求。

      在檢測腫瘤治療反映時,需要MRI-DWI 和MRI-T2 的融合、ADC 和灌注的融合[24-25]。圖像導引手術(shù)(IGS)也需要圖像的配準和融合[65-66]。

      在腫瘤放療方面,據(jù)國際原子能機構(gòu)報告,先進的III 級3D 適形放療,即精度最高的強度調(diào)制放療或立體放療,應(yīng)采用包含CT/MRI 或PET 配準的圖像系統(tǒng)[67]。當CT/MRI 圖像配準后,即可將MRI軟組織對比優(yōu)勢與CT 幾何安全性和電子密度信息結(jié)合起來[68]。

      3 結(jié)語與展望

      綜上所述,不同模態(tài)醫(yī)學圖像信息融合,可以實現(xiàn)信息互補和交叉驗證,是揭示腫瘤機理、實現(xiàn)早期準確診斷和有效治療的必然選擇。對此領(lǐng)域的研究不僅具有重大科學意義,也具有非常重要的臨床應(yīng)用價值。

      另外,就國內(nèi)外研究的現(xiàn)狀分析可知,對于腫瘤診療過程中多模態(tài)醫(yī)學影像融合的研究剛剛開始。存在以下幾個方面的重要問題亟待回答:(1)各種模態(tài)醫(yī)學影像信息之間的關(guān)系是怎樣的?是相互獨立和互補的,還是相互關(guān)聯(lián)的?如果存在關(guān)聯(lián),那么關(guān)聯(lián)規(guī)則是什么?為什么?(2)在腫瘤診斷和治療反映評估過程中,哪兩種或幾種圖像信息的融合,能提供最高的診斷精確度和特異性?即腫瘤狀態(tài)的分類函數(shù)是什么?(3)可否將上述信息融合,建立一個疾病診斷模型,為臨床決策提供支持和指導?綜合利用信息融合[69]、知識發(fā)現(xiàn)[70]和臨床決策[71]的理論和方法,是一種回答上述問題的可行思路。

      因此,面向臨床診療中的決策支持,綜合利用影像科學、醫(yī)學、信息融合和知識發(fā)現(xiàn)的理論與方法,研究多模態(tài)醫(yī)學影像中結(jié)構(gòu)和功能信息之間的融合問題具有重要意義。從多模態(tài)醫(yī)學影像中提取病灶的結(jié)構(gòu)和功能信息,構(gòu)建特征參數(shù)數(shù)據(jù)庫。在此基礎(chǔ)上利用相關(guān)性分析,挖掘不同信息間的關(guān)聯(lián)規(guī)則,通過分類方法得出疾病的分類模型。最后,將上述過程中發(fā)現(xiàn)的知識融合,建立面向臨床決策的疾病診斷模型。經(jīng)驗證后內(nèi)嵌到一個多模態(tài)醫(yī)學影像融合平臺中,用于前期臨床。以期綜合利用融合信息,全面揭示腫瘤的發(fā)生和發(fā)展過程,幫助實現(xiàn)腫瘤的早期診斷和有效治療。

      [1] Ferlay J,Shin HR,Bray F,et al. Globocan 2008:Cancer incidence and mortality worldwide[EB/OL]. http://globocan.iarc.fr/ 2011 -12 -14/2013 -04 -10.

      [2] Siegel R,Naishadham D,Jemal A. Cancer statistics 2012[J].CA:A Cancer Journal for Clinicians,2012,62(1):10 -29.

      [3] Berry DA,Cronin KA,Plevritis SK,et al. Effect of screening and adjuvant therapy on mortality from breast cancer [J],The New England Journal of Medicine,2005,353(17):1784 -1792.

      [4] Edwards BK,Ward E,Kohler BA,et al. Annual report to the nation on the status of cancer,1975 -2006,featuring colorectal cancer trends and impact of interventions (risk factors,screening,and treatment)to reduce future rates[J]. Cancer,2010,116(3):544 -573.

      [5] Etzioni R,Tsodikov A,Mariotto A,et al. Quantifying the role of PSA screening in the US prostate cancer mortality decline[J].Cancer Causes Control,2008,19(2):175 -181.

      [6] 湯釗猷,現(xiàn)代腫瘤學[M]. (第3 版). 上海:復旦大學出版社,2011:1 -11.

      [7] 趙平,蔡堅強,主譯,肝膽腫瘤[M]. 北京:中國醫(yī)藥科技出版社,2010:1 -75.

      [8] Willyard C. Imaging:seeing is believing [J]. Nature,2011,480(7377):52 -53.

      [9] Ehman RL,Hendee WR,Welch MJ. Blueprint for imaging in biomedical research[J],Radiology,2007,244(1):12 -27.

      [10] Fass L. Imaging and cancer:a review[J]. Molecular Oncology,2008,2(2):115 -152.

      [11] Asselin MC,O’Connor JPB,Boellaard R,et al. Quantifying heterogeneity in human tumors using MRI and PET [J].European Journal of Cancer,2012,48(4):447 -455.

      [12] Waldman AD,Jackson A,Price SJ,et al. Quantitative imaging biomarkers in neuro-oncology [J]. Nature Review Clinical Oncology,2009,6(8):445 -454.

      [13] Pannu HK,Jacobs JE,Lai S,et al. Coronary CT angiography with 64 MDCT:assessment of vessel visibility [J]. AJR American Journal of Roentgenology,2006,187(1):119 -126.

      [14] Lee MW,Lee JM,Lee JY,et al. Preoperative evaluation of the hepatic vascular anatomy in living liver donors:comparison of CT angiography and MR angiography [J]. Journal of Magnetic Resonance Imaging,2006,24(5):1081 -1087.

      [15] Hoh CK. Clinical use of FDG PET[J.]Nuclear Medicine and Biology,2007,34(7):737 -742.

      [16] Marcus CD,Marcus VL,Cucu C,et al. Imaging techniques to evaluate the response to treatment in oncology:current standards and perspectives[J]. Critical Reviews in Oncology/Hematology,2009,72(3):217 -238.

      [17] Bihan DL,Mangin JF,Poupon C,et al. Diffusion tensor imaging:concepts and applications [J]. Journal of Magnetic Resonance Imaging,2001,13(4):534 -546.

      [18] Koh DM,Collins DJ. Diffusion - weighted MRI in the body:applications and challenges in oncology[J]. America Journal of Radiology,2007,188(6):1622 -1635.

      [19] Patterson DM,Padhani AR,Collins D. Technology insight:water diffusion MRI-a potential new biomarker of response of cancer therapy[J]. Nature Clinical Practice Oncology,2008,5(4):220 -233.

      [20] Chandarana H,Taouli B. Diffusion and perfusion imaging of the liver[J]. European Journal of Radiology,2010,76(3):348 -358.

      [21] Mariappan YK,Glaser KJ,Ehman RL. Magnetic resonance elastography:a review [J]. Clinical anatomy,2010,23(5):497 -511.

      [22] Ieva AD, Grizzi F, Rognone E. Magnetic resonance elastography:a general overview of its current and future applications in brain imaging[J]. Neurosurgery Review,2010,33(2):137 -145.

      [23] Hines CDG,Bley TA,Lindstrom MJ. Repeatability of magnetic resonance elastography for quantification of hepatic stiffness[J].Journal of Magnetic Resonance Imaging,2010,31(3):725 -731.

      [24] Li YY,Wang XM,Zhang YX,et al. Ultrasonic elastography in clinical quantitative assessment of fatty liver[J]. World Journal of Gastroenterolgy,2010,16(37):4733 -4737.

      [25] Hanahan D,Weinberg RA. Hallmarks of cancer:the next generation[J]. Cell,2011,144(3):646 -674.

      [26] www.siemens.com/healthcare

      [27] 陳武凡,秦安,姜少峰,等. 醫(yī)學圖像分析的現(xiàn)狀與展望[J].中國生物醫(yī)學工程學報,2008,27(2):175 -181.

      [28] 何友,信息融合理論及應(yīng)用[M]. 北京:電子工業(yè)出版社,2010:1 -19.

      [29] 韓崇昭,朱洪艷,段戰(zhàn)勝,等. 多源信息融合[M]. 北京:清華大學出版社,2010:1 -14.

      [30] 田捷,包尚聯(lián),周明全. 醫(yī)學影像處理與分析[M]. 北京:電子工業(yè)出版社,2003:96 -114.

      [31] 康曉東. 醫(yī)學影像圖像處理[M]. 北京:人民衛(wèi)生出版社,2009:169 -195.

      [32] Pluim JPW,Maintz JBA,Viergever MA. Mutual-informationbased registration of medical images:a survey [J]. IEEE Transaction on Medical Imaging,2003,22(8):986 -1004.

      [33] Zitova B,F(xiàn)lusser J. Image registration methods:a survey[J].Image and Vision Computing,2003,21(11):997 -1000.

      [34] Slomak PJ,Baum RP. Multimodality image registration with software:state-of-the-art [J]. European Journal of Nuclear Medicine Imaging,2009,36(S1):44 -55.

      [35] Mattes D,Haynor DR,Vesselle H,et al. PET-CT image registration in the chest using free-form deformations[J]. IEEE Transaction on Medical Imaging,2003,22(1):120 -128.

      [36] Holden M. A review of geometric transformations for nonrigid body registration [J]. IEEE Transaction on Medical Imaging,2008,27(1):111 -127.

      [37] Rueckert D,Aljabar P. Nonrigid registration of medical images:theory,methods,and applications[J]. IEEE Signal Processing Magazine,2010,27(4):113 -119.

      [38] 李雄飛,張存利,李鴻鵬. 醫(yī)學圖像配準技術(shù)進展[J]. 計算機科學,2010,37(7):27 -33.

      [39] 張少敏,支力佳,趙大哲. 融合梯度信息的最小生成樹醫(yī)學圖像配準[J]. 東北大學學報(自然科學版),2010,31(10):1393 -1396.

      [40] 王安娜,薛嗣麟,俞躍. 基于改進光流場模型的醫(yī)學圖像配準方法[J].中國圖象圖形學報,2010,15(2):328 -333.

      [41] 李文龍,程流泉,李軍. 基于自由形變的3D 非線性醫(yī)學圖像配準[J]. 中國醫(yī)學影像技術(shù),2011,27(12):2536 -2540.

      [42] 黨建武,孫滕,王陽萍. 互信息驅(qū)動的有限元醫(yī)學圖像配準方法[J]. 計算機應(yīng)用,2011,31(3):733 -736.

      [43] 許鴻奎,江銘炎,楊明強. 基于多目標交叉變異粒子群算法的多模醫(yī)學圖像非剛性配準[J]. 中國生物醫(yī)學工程學報,2011,30(2):232 -239.

      [44] Zhang XH,Arridge S,Hawkes DJ,et al. A nonrigid registration framework using spatially encoded mutual information and freeform deformations[J]. IEEE Transaction on Medical Imaging,2011,30(10):1819 -1828.

      [45] Khader M,Hamza AB. Nonrigid Image registration using an entropic similarity [J]. IEEE Transaction on Information Technology in Biomedicine,2011,15(5):681 -690.

      [46] Chen HZ,Kingsbury N. Efficient registration of nonrigid 3-D bodies[J]. IEEE Transaction on Image Processing,2012,21(1):262 -272.

      [47] 敬忠良,肖剛,李振華. 圖像融合-理論與應(yīng)用[M]. 北京:高等教育出版社,2007:47 -96.

      [48] 那彥,焦李成,基于多分辨率分析理論的圖像融合方法[M].西安:西安電子科技大學出版社,2007:83 -93.

      [49] Pan XG,Wang MY,Liu JR,et al. An automatic registration approach for whole body PET images and head MR images[C]// Chuo KC.,eds. The 5th International Conference on Bioinformatics and Biomedical Engineering,New York:Curran Associates,2011:1 -4.

      [50] Pajares G,Cruz JM. A wavelet-based image fusion tutorial[J].Pattern Recognition,2004,37:1855 -1872.

      [51] Goshtasby AA,Nikolov S. Image fusion:advances in the state of the art[J]. Information Fusion,2007,8:114 -118.

      [52] 陳爽,姜威. 基于DT-2DWT 的醫(yī)學圖像融合算法[J]. 山東大學學報(工學版),2008,38(1):33 -35.

      [53] 胡俊峰,唐鶴云,錢建生. 基于小波變換醫(yī)學圖像融合算法的對比分析[J]. 中國生物醫(yī)學工程學報,2011,30(2):196 -205.

      [54] 王安娜,吳潔,張新華. 一種基于正交小波包分解和2v-SVM的醫(yī)學圖像融合新方法[J]. 小型微型計算機系統(tǒng),2007,28(12):2268 -2271.

      [55] 徐顯,楊杰. 基于圖形處理器硬件加速的高精度醫(yī)學圖像融合算法[J]. 上海交通大學學報,2010,44(2):248 -251.

      [56] Piella G. A general framework for multiresolution image fusion:from pixels to regions [J]. Information Fusion,2003,4(4):259 -280.

      [57] Lewis JJ,Callaghan RJO,Nikolov SG.,et al. Pixel-and regionbased image fusion with complex wavelets [J]. Information Fusion,2007,8(2):119 -130.

      [58] Shapiro LG,Haralick RM. Organization of relational models for scene analysis [J]. IEEE Transaction on Pattern Analysis Machine Intelligence,1982,4(6):595 -602.

      [59] Williams ML,Wilson RC,Hancock ER. Deterministic search for relational graph matching [J]. Pattern Recognition,1999,32(7):1255 -1516.

      [60] Beyer T,Townsend DW,Brun T,et al. A combined PET/CT scanner for clinical oncology[J]. Journal of Nuclear Medicine,2001,41(8):1369 -1379.

      [61] Townsend DW,Carney JPJ,Yap JT,et al. PET/CT today and tomorrow[J]. Journal of Nuclear Medicine,2004,45(S1):4-14.

      [62] Weber WA,Crosu AL,Czernin J. Technology insight:advances in molecular imaging and an appraisal of PET/CT scanning[J].Nature Clinical Practice Oncology,2007,5(3):220 -233.

      [63] Czernin J,Auerbach MA,Schelbert HR. Improvement in cancer staging with PET/CT:literature-based evidence as of September 2006[J]. Journal of Nuclear Medicine,2007,48(S1):78 -88.

      [64] Antoch G,Bockisch A. Combined PET/MRI:a new dimension in whole-body oncology imaging?[J]. European Journal of Nuclear Medicine Molecular Imaging,2009,36(S1):113 -120.

      [65] Raabe A. Laser surface scanning for patient registration in intracranial image-guided surgery[J]. Neurosurgery,2002,54(4):797 -803.

      [66] Audette MA,Siddiqi K,F(xiàn)errie FP,et al. An integrated rangesensing, segmentation and registration framework for the characterization of intra-surgical brain deformation in imageguided surgery [J]. Computer Vision Image Understanding,2003,89(2 -3):226 -251.

      [67] Huq S, Mayles P, Besa C, et al. Transition from 2-D radiotherapy to 3-D conformal and intensity-modulated radiotherapy,IAEA-TECDOC-1588,International Atomic Energy Agency,2008.

      [68] Brunt JN. Computer Tomography- Magnetic Resonance Image registration in radiotherapy treatment planning [J]. Clinical Oncology,2010,22(8):688 -697.

      [69] Demongeot J,Wendling JB,Mattes J,et al. Multiscale modeling and imaging:the challenges of biocomplexity [J]. Proceedings of the IEEE,2003,91(10):1723 -1737.

      [70] 史忠植. 知識發(fā)現(xiàn)[M]. 北京:清華大學出版社,2011. 1 -19.

      [71] 曹建文. 臨床決策分析-哈佛版[M]. 上海:復旦大學出版社,2005:1 -10.

      猜你喜歡
      醫(yī)學影像模態(tài)醫(yī)學
      醫(yī)學影像技術(shù)在醫(yī)學影像診斷中的合理運用
      《當代醫(yī)學影像誤診學》出版
      《當代醫(yī)學影像誤診學》正式出版
      醫(yī)學的進步
      預防新型冠狀病毒, 你必須知道的事
      祝您健康(2020年4期)2020-05-20 15:04:20
      醫(yī)學
      新校長(2016年5期)2016-02-26 09:29:01
      國內(nèi)多模態(tài)教學研究回顧與展望
      基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
      醫(yī)學、生命科學類
      由單個模態(tài)構(gòu)造對稱簡支梁的抗彎剛度
      計算物理(2014年2期)2014-03-11 17:01:39
      桐乡市| 祁东县| 和平县| 平南县| 安塞县| 义马市| 绥阳县| 乐业县| 沙坪坝区| 富宁县| 杭锦旗| 当雄县| 仪征市| 洛宁县| 永丰县| 大庆市| 长治市| 庆云县| 炎陵县| 汾阳市| 灵丘县| 大埔区| 荣成市| 普兰县| 涟水县| 岳西县| 桐庐县| 阜城县| 祥云县| 内丘县| 吉木萨尔县| 攀枝花市| 黎川县| 裕民县| 肇州县| 新密市| 黎平县| 越西县| 客服| 石家庄市| 长宁区|