医学图像特征点配准是医学图像分析和处理的重要研究方向。目前，常用的特征点描述主要包括点集、特征曲线和特征曲面等。点集能够很好的描述任意维度和形状，但在点与点之间却很难建立对应关系；特征曲线和特征曲面通过点集拟合得到，在拟合的过程中使用样条插值的方法舍弃一些异常点和离群点，从而提高了配准的稳定性。基于特征点的非刚性配准算法有很多，目前比较常用的是基于高斯混合模型的点集配准算法，但由于理想的高斯混合模型没有考虑到异常点和重尾点的影响，使得配准精度和鲁棒性受到影响。
最近，苏州医工所医学影像室戴亚康研究员课题组的周志勇等人提出了一种基于t分布混合模型（Student’s-t mixture model，SMM）的点集非刚性配准算法。该方法将一个点集作为t分布混合模型的质心集合，将另一个点集看作数据集合，并建立点集配准的混合概率模型，使用期望最大化算法计算非刚性配准参数的闭合解。这种方法可提供精确、高效的非刚性配准结果，且对噪声和离群点有很好的鲁棒性。这项研究为医学图像特征点非刚性配准算法研究提供了新思路，相关结果已发表在PLOS ONE, 2014, 9(3): e91381 (SCI, IF=3.730)上。
为了定性和定量地评估这种算法，研究人员将基于SMM的算法和目前常用的运动一致性算法（Coherent Points Drift, CPD）、基于薄板样条的匹配算法（Thin Plate Spline-Robust Point Matching, TPS-RPM）和基于L2距离的高斯混合模型配准算法（TPS-L2）进行比较。实验结果表明，SMM算法迭代次数最少，配准精度最高。
该项工作得到国家自然科学基金（61301042, 6120117），以及江苏省自然科学基金委（BK2012189）的支持。
图1 四种配准算法迭代次数对比结果。
图2 四种配准算法针对三维面部点集（392个点）对比结果。（a）三维面部点集（b）SMM算法处理结果（c）CPD算法处理结果（d）TPS-L2算法处理结果（e）TPS-RPM算法处理结果
附件下载：
