血管靶向光动力疗法中窄带光血管图像的混合配准算法 下载: 621次
自动量化评估小鼠脊背皮窗血管损伤对于血管靶向光动力疗法(V-PDT)的个性化精准治疗研究具有重要意义。V-PDT治疗过程中,受小鼠呼吸、心跳和不自主运动等因素影响,小鼠脊背皮窗窄带光血管图像会发生不同程度的非刚性形变,从而引起血管损伤量化误差。结合基于特征和灰度配准方法的优点,提出了一种判断式图像混合配准算法。首先基于配准组别图像均方差值(MSD)区分剧烈形变和轻微形变。对于轻微形变,直接采用微分同胚Demons(Log-Demons)算法进行配准;对于剧烈形变,先采用speeded up robust features thin-plate splines(SURF-TPS)算法进行全局配准,随后采用Log-Demons算法进行局部配准。实验结果表明,与SURF-TPS、Log-Demons及SURF-TPS+Log-Demons算法相比,所提算法既有最优的配准精度,又有较高的时间处理效率,而且能有效校正剧烈形变所导致的血管损伤评估误差。
Automatic quantitative assessment of vascular damage in mice's dorsal skin-fold window chamber (DSWC) plays an important role in personalized and precise vascular targeted photodynamic therapy (V-PDT). The narrow-band light blood vessel image of DSWC, however, will produce nonrigid deformations in varying degrees, which is caused by breathing, heartbeat, and involuntary movement of mice during V-PDT, and this leads to quantification errors of vascular damage. A judgment hybrid registration method combining the advantages of feature-based and gray-scale registration methods was proposed. The slight and severe deformations were first distinguished using the mean square difference (MSD) of registration groups. For slight deformation, the differential homeomorphism Demons (Log-Demons) algorithm was directly adopted for image registration. For severe deformation, the speeded up robust features thin-plate splines (SURF-TPS) algorithm was used for global registration, and then the Log-Demons algorithm was used to realize local registration. The experimental results show that the proposed algorithm has better registration accuracy and higher processing efficiency than the SURF-TPS, Log-Demons, and SURF-TPS+Log-Demons algorithm. Furthermore, this algorithm could effectively correct the inaccuracy assessment of vascular injury caused by severe deformation.
1 引言
血管靶向光动力疗法(V-PDT)[1-4]由于毒副作用小、无耐药性及可重复治疗等优点,已被广泛应用于实体肿瘤和微血管增生等疾病的临床治疗。临床研究表明:V-PDT的疗效[5]不仅存在显著个体差异,而且同一患者不同病灶区域的血管响应也不尽相同。为此,自动量化评估小鼠脊背皮窗血管损伤对于V-PDT个性化精准治疗研究具有重要意义[6]。V-PDT治疗动物实验中,受麻醉后寒战[7]与异氟醚副作用的混合影响[8],小鼠脊背皮窗窄带光血管图像会发生不同程度的非刚性形变,从而引起血管损伤量化误差。轻微形变主要由小鼠呼吸产生。剧烈形变产生的原因可能在于:1)异氟醚具有抑制呼吸中枢、降低血压及导致心律失常等副作用。因此,当心率剧烈波动时,窄带光血管图像会产生剧烈形变。2)实验过程中,小鼠骨骼肌快速节律性收缩产热,对低体温的代补偿反应导致窄带光血管图像发生剧烈形变。因此,图像配准是在V-PDT过程中自动量化评估小鼠脊背皮窗血管损伤的前提。
对于轻微形变,基于灰度信息的配准算法主要有最大互信息(MMI)算法[9-10]、图像矩匹配(MM)算法[11-12]和Demons算法[13]等。Demons算法是一种基于灰度信息的全自动图像配准算法,该算法无需对血管图像进行预分割,因而能有效减小分割血管图像所引入的配准误差。但由于Demons算法仅根据灰度信息进行收敛变换,当两幅图像之间形变较大导致图像缺少灰度梯度信息时,其配准精度和速度会显著下降。为了解决这一难题,Wang等[14]把浮动图像的灰度梯度信息作为驱动力,提出了Active Demons算法,同时引入归一化因子α优化算法运行速度,Active Demons的局限性在于仅适用于轻微形变的图像配准。Vercauteren等[15]结合李群思想提出微分同胚Demons(Log-Demons)算法,该算法有效保证了形变场的拓扑结构,能够防止配准过程中图像非正常重叠。由于采用Gaussian滤波器正则化位移场,Log-Demons算法同样也不适用于配准剧烈形变图像。对于剧烈形变图像,通常选用基于特征点的图像配准算法进行配准,包括scale-invariant feature transform(SIFT)算法[16-17]、speeded up robust features(SURF)算法[18-19]、形状上下文(SC)描述符号算法[20-21]和Gaussian mixed model(GMM)算法[22-23]等,其中SURF算法具有运行速度快、特征稳定、旋转尺度变换不变性和无需预处理等优点。Xu等[24]采用基于SURF的仿射变换算法对V-PDT前后的小鼠脊背皮窗血管分割图像进行配准,然而仿射变换更适用于刚性图像配准,且血管图像分割后存在SURF特征点误匹配问题。
本文在Log-Demons算法和SURF算法的基础上,提出了一种判断式图像混合配准算法。首先,利用配准组别图像的均方差值(MSD)区分图像形变类型;随后,针对轻微形变,采用Log-Demons配准窄带光血管图像;针对剧烈形变,先基于SURF提取窄带光血管图像特征点,再采用薄板样条函数变换(TPS)实现图像的全局配准[25-26],TPS将方向和刚体约束引入模型中,具有较高的配准精度;最后,采用Log-Demons对图像进行局部配准。Institute of Cancer Research(ICR)小鼠脊背皮窗V-PDT实验结果表明,所提算法既有较高的图像配准精度,又有较高的时间处理效率。
2 判断式图像混合配准算法
所提判断式图像混合配准算法的具体流程如
图 1. V-PDT中窄带光血管图像配准流程图
Fig. 1. Registration flow chart of narrow-band light blood vessel image in V-PDT
2.1 形变类型判断
为了验证所提算法的有效性,随机选取3只ICR小鼠(T1,T2,T3)为研究对象进行实验,3只ICR小鼠分别注射40,40,30 mg/kg海姆泊芬1 min后,以532 nm波长激光进行360 s V-PDT治疗,其激光功率密度分别为40,20,20 mW/cm2。窄带光血管图像采集时间间隔设置为30 s,每只ICR老鼠共采集13幅550 nm窄带光血管图像,图像尺寸为1500 pixel×1500 pixel。为了有效降低靶向血管断裂、收缩等现象所引入的配准误差,分别以ICR小鼠相邻治疗时刻
式中:M为窄带光血管图像的总像素数量,本实验中
图 2. V-PDT中3只ICR小鼠不同配准组别的MSD折线图
Fig. 2. MSD line graph of different registration groups in V-PDT for three ICR mice
为了自动区分轻微形变和剧烈形变类型,采用最大类间方差法[28]计算MSD阈值g。记轻微形变和剧烈形变配准组别分别为集合A和集合B,A和B的配准组别数量分别为
式中:
记T1、T2、T3分别为3只ICR小鼠(T1,T2,T3)的MSD阈值,有T1=1.70×107、T2=1.8×107、T3=1.47×107,如
图 3. ICR小鼠T3轻微和剧烈形变的伪彩色融合图和差值图比较。(a1)(a2)第8配准组别伪彩色融合图和差值图;(b1)(b2)第9配准组别伪彩色融合图和差值图
Fig. 3. Comparison of pseudo-color fusion images and difference images of slight and severe deformation for ICR mouse T3. (a1)(a2) Pseudo-color fusion image and difference image of 8th registration group; (b1)(b2) pseudo-color fusion image and difference image of 9th registration group
对于轻微形变,参考图像和浮动图像之间的图像形变较少,因此第8配准组别的伪彩色信息较少,且参考图像和浮动图像之间的差异值较小,如伪彩色融合图[
2.2 SURF-TPS全局配准
针对剧烈形变图像,所提判断式图像混合配准算法先基于SURF提取窄带光血管图像特征点,核心在于将窄带光血管图像转换为与图像像素点相对应的Hessian矩阵特征值,构造高斯金字塔图像,从而定位特征点。主要步骤包括:1)基于Hessian矩阵计算特征值;2)构建尺度空间;3)使用3D极大值抑制法定位特征点;4)基于Harr小波响应分配特征点主方向;5)沿主方向构建特征点描述子;6)使用欧氏距离最近邻法匹配特征点。为了加快SURF的计算速度,Bay等[18]采用盒型滤波器替代高斯滤波器,并引出积分图像概念计算Hessian矩阵近似值图像。
随后,选取SURF所提取的参考图像和浮动图像特征点,利用TPS拟合或插值图像变形场,将参考图像的特征点映射到浮动图像的特征点以完成图像配准。TPS最先由Bookstein[25]用于医学图像配准,理论上只要提取的特征点足够多,TPS能够允许任何形变,且能够克服多项式变换中可能存在的振荡现象,提高图像配准精度,且TPS算法简便、计算效率高。TPS的不足在于:实际应用中,由于SURF所提取的特征点仍存在一定误差,TPS会出现误配准的情况。因此,所提判断式图像混合配准算法通过Log-Demons实现进一步的局部配准。
2.3 Log-Demons局部配准
针对轻微形变图像或者经由SURF-TPS全局配准后的剧烈形变图像,所提判断式图像混合配准算法采用Log-Demons对窄带光血管图像进行局部配准。针对传统Demons算法的局部配准结构重叠问题,Vercauteren等[15]提出Log-Demons算法,其核心思想是在李群中优化目标能量函数,将欧氏空间计算转为李群中速度场计算,其目标能量函数的表达式为
式中:
3 实验结果与分析
3.1 定量评估配准精度
为了验证所提判断式图像混合配准算法的有效性,采用Log-Demons的最优化准则MSD和SURF的最优化准则距离系数(DC)作为图像配准精度的评估标准[29]。距离系数的表达式为
式中:
随后,采用SURF-TPS、Log-Demons、SURF-TPS+Log-Demons及所提判断式图像混合配准算法分别对每只ICR小鼠的13幅550 nm窄带光血管图像进行图像配准处理,依次计算未配准图像以及4种算法配准图像的MSD、DC值,如
图 4. V-PDT治疗过程中3只ICR小鼠不同配准组别配准后MSD、DC值折线图与12组配准组别配准时间柱状图。(a1)(b1)(c1)MSD折线图;(a2)(b2)(c2)DC折线图;(a3)(b3)(c3)各算法配准时间柱状图
Fig. 4. MSD, DC line graphs after registration of different registration groups and registration time histograms of 12 registration groups for three ICR mice during V-PDT treatment. (a1) (b1) (c1) MSD line chart; (a2) (b2) (c2) DC line chart; (a3) (b3) (c3) histogram of registration time for each algorithm
从
对于ICR小鼠T1第4、第6和第7剧烈形变的配准组别,采用SURF-TPS算法进行配准时,其MSD值较配准前平均减少约28.23%、36.46%和36.29%,其DC较配准前值平均减少约43.17%、66.95%和58.48%;采用Log-Demons算法进行配准时,其MSD值较配准前平均减少约64.22%、50.92%和50.07%,其DC值较配准前平均减少约61.11%、71.74%和70.70%;采用SURF-TPS+Log-Demons算法进行配准时,其MSD值较配准前平均减少约64.77%、67.48%和65.00%,其DC值较配准前平均减少约63.95%、77.09%和73.53%;采用所提算法进行配准时,其MSD值较配准前平均减少约64.77%、67.48%和65.00%,其DC值较配准前平均减少约63.95%、77.09%和73.53%。
对于ICR小鼠T2第7、第8和第9剧烈形变的配准组别,采用SURF-TPS算法进行配准时,其MSD值较配准前平均减少约25.78%、31.55%和15.43%,其DC较配准前值平均减少约43.16%、75.44%和52.89%;采用Log-Demons算法进行配准时,其MSD值较配准前平均减少约63.13%、39.17%和51.26%,其DC值较配准前平均减少约59.22%、59.58%和63.38%;采用SURF-TPS+Log-Demons算法进行配准时,其MSD值较配准前平均减少约65.53%、57.61%和52.05%,其DC值较配准前平均减少约63.87%、85.70%和67.79%;采用所提算法进行配准时,其MSD值较配准前平均减少约65.53%、57.61%和52.05%,其DC值较配准前平均减少约63.87%、85.70%和67.79%。
对于ICR小鼠T3第9和第10剧烈形变的配准组别,采用SURF-TPS算法进行配准时,其MSD值较配准前平均减少约31.53%和44.87%,其DC较配准前值平均减少约62.52%和48.11%;采用Log-Demons算法进行配准时,其MSD值较配准前平均减少约66.62%和70.21%,其DC值较配准前平均减少约85.2%和66.44%;采用SURF-TPS+Log-Demons算法进行配准时,其MSD值较配准前平均减少约76.77%和73.78%,其DC值较配准前平均减少约86.97%和70.67%;采用所提算法进行配准时,其MSD值较配准前平均减少约76.77%和73.78%,其DC值较配准前平均减少约86.97%和70.67%。
因此,所提判断式图像混合配准算法能够对混合轻微形变和剧烈形变两种类型的V-PDT窄带光血管图像实现最优的图像配准,轻微形变下其配准精度与Log-Demons一致,剧烈形变下其配准精度与SURF-TPS+Log-Demons算法一致。且从
此外,由于V-PDT过程中大部分图像形变属于轻微形变,对每个图像都采用SURF-TPS+Log-Demons算法,将极大地增加图像配准的运算时间。从
为了直观比较4种算法的配准精度差异,分别选取ICR小鼠T3第7配准组别和第9配准组别计算未配准图像和4种算法配准图像的差值,结果如
图 5. ICR小鼠T3不同算法配准后第7和第9配准组别差值图:(a1)(b1)未配准;(a2)(b2)SURF-TPS;(a3)(b3)Log-Demons;(a4)(b4)SRUF-TPS+Log-Demons;(a5)(b5)所提算法
Fig. 5. Difference images for 7th and 9th registration groups after registration using different algorithms for ICR mouse T3.(a1)(b1) Unregistered; (a2)(b2) SURF-TPS; (a3)(b3) Log-Demons; (a4)(b4) SURF-TPS+Log-Demons; (a5)(b5) proposed algorithm
3.2 定量评估血管损伤
为了验证所提算法对于血管损伤量化的实际意义,采用血管面积收缩率(VACR)作为血管损伤的定量评估标准,表达式为
式中:
随后,分别根据ICR小鼠T1、T2和T3中第6、第8和第9配准组别的伪彩色融合图选取剧烈形变区域,如
图 6. ICR小鼠T1、T2和T3中第6、第8和第9配准组别伪彩色融合图与配准前后红色方框区域中血管面积收缩率随时间变化曲线。(a1)(b1)(c1)ICR小鼠T1、T2和T3中第6、第8和第9配准组别伪彩色融合图;(a2)(b2)(c2)配准前后红色方框区域中血管面积收缩率随时间变化曲线
Fig. 6. Pseudo-color fusion images of 6th, 8th and 9th registration group for ICR mice T1, T2 and T3 respectively, and Time-dependent changes of vascular area contraction rate in the red box area before and after registration. (a1)(b1)(c1) Pseudo-color fusion images of 6th, 8th and 9th registration groups for ICR mice T1,T2 and T3; (a2)(b2)(c2) time-dependent changes of vascular area contraction rate in the red box area before and after registration
4 结论
针对V-PDT窄带光血管图像由于小鼠呼吸、麻醉后寒战与异氟醚副作用等因素所造成的复杂形变问题,基于Log-Demons和SURF算法,提出了一种判断式混合配准算法。ICR小鼠脊背皮窗V-PDT实验结果表明,所提算法通过判断图像形变类型,能够在轻微形变条件下,避免SURF-TPS算法所引入的额外配准误差,确保Log-Demons算法的配准精度。此外,针对剧烈形变条件,通过引入SURF-TPS算法,克服了Log-Demons算法无法处理剧烈形变图像的难题。并且所提算法不仅能达到较高的配准精度,还能够拥有较高的时间处理效率。最后,通过比较所提算法配准前后剧烈形变区域血管损伤的量化结果可知,所提判断式图像混合配准算法能有效校正剧烈形变所导致的血管损伤评估误差,对后续自动评估血管损伤,辅助医生制定个性精准化治疗方案具有重要的临床应用价值。
[2] 陈德福, 王颖, 顾瑛. 血管靶向光动力疗法治疗鲜红斑痣的剂量监测技术研究进展[J]. 中国激光医学杂志, 2016, 25(2): 82-96.
Chen D F, Wang Y, Gu Y. Progress in dosimetric monitoring techniques involved in vascular targeted photodynamic therapy for port wine stains[J]. Chinese Journal of Laser Medicine & Surgery, 2016, 25(2): 82-96.
[3] 梁富强, 沈毅, 顾瑛, 等. 光动力治疗光源的研究新进展[J]. 激光生物学报, 2019, 28(2): 97-108.
[4] 李文博, 沈毅, 李步洪. 光学成像技术在光动力剂量监测中的应用进展[J]. 中国激光, 2020, 47(2): 0207006.
[17] 李昌华, 史浩, 李智杰. 基于卷积神经网络结合改进Harris-SIFT的点云配准方法[J]. 激光与光电子学进展, 2020, 57(20): 201102.
[19] 赵潇洒, 陈西江, 班亚, 等. 融合改进SURF和Cell加速的幂函数加权图像拼接方法[J]. 激光与光电子学进展, 2020, 57(24): 241018.
Article Outline
陈瑞杰, 牛延辉, 陈天龙, 邱海霞, 顾瑛, 沈毅, 李步洪. 血管靶向光动力疗法中窄带光血管图像的混合配准算法[J]. 激光与光电子学进展, 2022, 59(6): 0617020. Ruijie Chen, Yanhui Niu, Tianlong Chen, Haixia Qiu, Ying Gu, Yi Shen, Buhong Li. Hybrid Registration Method of Narrow-Band Blood Vessel Image for Vascular Targeted Photodynamic Therapy[J]. Laser & Optoelectronics Progress, 2022, 59(6): 0617020.