医学图像配准实现代码（matlab篇）

研究配准进两年的时间，有幸看到一个技术文档，做了一下的总结，如有不妥之处敬请大家谅解，多提出意见
废话不多说，书归正传！
这里主要讲解的是多模态或者说是多序列MRI图像配准。采用的图片是人体膝盖图。配准暂且分为五部
Step1. 下载图片
Step2. 初始配准（粗配准）
Step3. 提高配准精度
Step4. 利用初始条件提高配准精度配准
Step5. 结果满意不满意，你说了算
下面一一详细说明以上几个步骤！
一，下载图片
        这里采用的图片是matlab子带的两张MR膝盖图，“knee1.dcm” 作为参考图像，"knee2.dcm"为浮动图像！

fixed = dicomread('knee1.dcm');      % 读参考图像fixed
moving = dicomread('knee2.dcm'); %  读浮动图像moving

可能接下来大家关注的问题就是这两幅图像到底有什么区别，这种区别又有多大的可视化程度，下面就为推荐两个比较好用的函数用于观测两幅图像的区别。

figure, imshowpair(moving, fixed, 'method');
title('Unregistered');

imshowpair函数就是指以成双成对的形式显示图片，其中一个重要的参数就是‘method’，他又4个选择
（1）‘falsecolor’ 字面意思理解就是伪彩色的意思了，其实就是把两幅图像的差异用色彩来表示，这个是默认的参数。
（2）‘blend’ 这是一种混合透明处理类型，技术文档的翻译是alpha blending，大家自己理解吧。
（3）‘diff’ 这是用灰度信息来表示亮度图像之间的差异，这是对应‘falsecolor’的一种方式。
（4）参数‘monotage’可以理解成‘蒙太奇’，这是一种视频剪辑的艺术手法，其实在这里我们理解成拼接的方法就可以了。
为什么在这里罗里吧嗦的说这么多的显示呢，大家知道"人靠衣装，美靠...."(就不多说了吧)，总之就是一个好的视觉效果能给人以耳目一新的效果。

嗯嗯，这个就是蒙太奇的效果了，


这两个则分别是伪彩色，混合透明处理了，至于大家接受那个就要看自己的爱好了
说到了这里终于结束了这关没有意义的读图环节，请大家原谅我的无耻吧。

二，初始配准（粗配准）
初始配准就是大致的使图像对其，使其差别不要太明显，以方便下一步的精细配准环节。
函数imregconfig这在个环节可是主角，从名字上看就知道他要设置一些参数和方法了，其实他真正的作用是配置优化器和度量准则，

[optmizer, metric] = imregconfig(modality);

参数modality指定fixed image, moving image之间的关系，有两种选择‘monomodal’, 'multimodal'两种，分别质量两幅图像是单一模态还是多模态，根据需要自己选择。
返回的参数optimizer是用于优化度量准则的优化算法，这里有
registration.optimizer.RegularStepGradientDescent 或者 registration.optimizer.OnePlusOneEvolutionary两种可供选择。
输出参数metric则是注明了度量两幅图片相似度的方法，提供了均方误差（registration.metric.MeanSquares）和互信息（registration.metric.MattesMutualInformation）两种供选择。
当然大家也可以根据结构扩充这两个参数。
到这里优化器和度量准别就已将做好了，是不是简单到没朋友。

要上大菜了，配准代码

movingRegisteredDefault = imregister(moving, fixed, 'affine', optimizer, metric);
figure, imshowpair(movingRegisteredDefault, fixed);
title('A: Default registration');

imregister函数根据取得的optimizer,metric参数对2D,3D参考图像做变换（transform）目的是fixed，moving image对其，大家关注到有一个参数‘affine’，他是指该变化是仿射变换，同样该参数还可以选为
‘translation’ （x,y）坐标平移变换，不牵涉到旋转个尺度变换
‘rigid’ 刚性变换（平移和旋转）
‘similarity’ 改变换包括了平移，旋转和尺度变换
‘affine’ 在similarity的基础上加入了shear（图像的剪辑）

该图片就是粗配准的结果了，大家可以在右上角看到明显的不重合现象。

三，提高配准精度
粗配准的结果一般情况下达不到实际应用的要求，为此很有必要进一步提高精度，如果有对精度要求不高的朋友看到这里就可以结束了。

disp('optimizer');
disp('metric');

这两条指令可以看到默认生成的优化器和度量函数参数，当然这里提高精度的途径就是通过修改这两个参数了！

在这里我们通过修改两个参数，观察对配准效果的改进：
（1）改变优化器的步长已达到对更加精细的变换。

optimizer.InitialRadius = optimizer.InitialRadius/3.5;
movingRegisteredAdjustedInitialRadius = imregister(moving, fixed, 'affine', optimizer, metric);
figure, imshowpair(movingRegisteredAdjustedInitialRadius, fixed);
title('Adjusted InitialRadius');

把原步长缩小为原来的3.5倍，结果如下

貌似效果还是有点的啊，大家在看右上角的阴影好像不见了
（2）在（1）基础上改变最大迭代次数

optimizer.MaximumIterations = 300;
movingRegisteredAdjustedInitialRadius300 = imregister(moving, fixed, 'affine', optimizer, metric);
figure, imshowpair(movingRegisteredAdjustedInitialRadius300, fixed);
title('B: Adjusted InitialRadius, MaximumIterations = 300, Adjusted InitialRadius.');

效果如下：正上的阴影好像也减小了


四，改变初始条件提高精度
这里的思想就像我们在做雕塑一样，假如我们要用石头雕一个人，首先我们可以大刀阔斧的把头部留出来，然后把脖子留的比头部更细，简单的说就是美女留出S轮廓，或者o型的（哈哈，对号入座就可以了），下一步精雕细琢的时候就会轻松很多，这里的初始条件就是先用简单的变换做出一个初始配准图像，然后以初始配准的结果作为输入做精细配准。
大致做法如下：

tformSimilarity = imregtform(moving,fixed,'similarity',optimizer,metric);

用similarity的变换方式做初始配准，或者你还可以用rigid，transform的方式都可以

tformSimilarity = imregtform(moving,fixed,'similarity',optimizer,metric);

在这里imregtform把变化矩阵输出；
然后用imref2d限制变换后的图像与参考图像有相同的坐标分布

Rfixed = imref2d(size(fixed));

imwarp函数执行几何变换，当然依据则是tformSimilarity的变换矩阵了。

movingRegisteredRigid = imwarp(moving,tformSimilarity,'OutputView',Rfixed);
figure, imshowpair(movingRegisteredRigid, fixed);
title('C: Registration based on similarity transformation model.');

得到的tformsimilarity.T就是传说中的变换矩阵了
tformSimilarity.T=    1.0331   -0.1110         0
                                    0.1110    1.0331         0
                                   -51.1491    6.9891    1.0000
下面就是精配准的部分了：

movingRegisteredAffineWithIC = imregister(moving,fixed,'affine',optimizer,metric,...
    'InitialTransformation',tformSimilarity);
figure, imshowpair(movingRegisteredAffineWithIC,fixed);
title('D: Registration from affine model based on similarity initial condition.');

初始配准结果：
进一步精细配准：

五，到这里就是你说了算了Deciding When Enough is Enough

figure
imshowpair(movingRegisteredDefault, fixed)
title('A - Default settings.');

figure
imshowpair(movingRegisteredAdjustedInitialRadius, fixed)
title('B - Adjusted InitialRadius, 100 Iterations.');

figure
imshowpair(movingRegisteredAdjustedInitialRadius300, fixed)
title('C - Adjusted InitialRadius, 300 Iterations.');

figure
imshowpair(movingRegisteredAffineWithIC, fixed)
title('D - Registration from affine model based on similarity initial condition.');

选择一个合适的，理想的你想要的结果，去飞去装逼吧。

更多0