基于灰度共生矩阵的扩散张量成像中图像配准性能评估方法

扩散张量成像（Diffusion Tensor Imaging, DTI）是一种通过测量大脑中水分子扩散方向和程度的磁共振成像技术。它在获取扩散张量图像的过程中，由于被试头部运动以及由于梯度磁场变化引起的涡流效应，可能会导致图像移位和变形。因此，为了减少图像空间关系的影响，在使用扩散加权成像（Diffusion Weighted Imaging, DWI）和b0图像之前，需要进行图像配准。 医学图像配准是多模态医学图像处理的关键技术，因为它直接影响多模态信号信息融合的结果。在DTI中，张量计算依赖于不同梯度方向的DWI配准，因此，配准性能的评估是评估信息融合结果的一个非常重要的步骤。传统的主观评估方法因人而异，而某些客观评估方法又与不同的配准算法或软件相关。为解决这一问题，本文提出了一种基于灰度共生矩阵的扩散张量成像中图像配准性能的自动评估方法。该方法采用的评估标准包括通过分数各向异性（Fractional Anisotropy, FA）图像的灰度共生矩阵计算的熵、对比度和相关性。在我们的测试实验中使用了刚性和仿射方法得到的两个配准结果以及未配准的数据。5名受试者的实验结果表明，所提出的评估方法不仅能自动整合全脑信息，而且能准确反映不同配准方法的性能。 灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）是纹理分析中常用的一种方法，通过计算图像中不同灰度值之间的空间关系来描述图像纹理。GLCM可以用来计算图像的多种特征，如熵、对比度、相关性等，这些特征能够定量描述图像的纹理特征。在本文提出的自动评估方法中，熵、对比度和相关性是用于衡量配准质量的关键指标，它们代表了图像的信息量、像素值变化的程度和像素值之间的线性依赖程度。 刚性配准（Rigid Registration）是一种配准方法，它包括旋转和/或平移变换，但不包括伸缩变换，常用于处理只有位置差异而没有形态差异的图像配准问题。仿射配准（Affine Registration）则是一种更一般的配准方法，包括了旋转、平移、缩放和剪切变换，用于处理存在更复杂变形的图像。这两种方法在医学图像配准中广泛使用，本文通过测试实验比较了这两种方法以及未配准数据的性能。 在实验中，作者对5名受试者的数据进行了配准处理，并利用新提出的自动评估方法对配准结果进行了性能评估。评估结果表明，该方法能够准确地反映不同配准方法的有效性，并且能够自动整合全脑信息，为医学图像配准的性能评估提供了一种更加客观、准确的评价手段。该研究的完成对提高DTI图像处理的质量以及后续的信息融合工作具有重要意义。