馬昂昂 廖琪梅 趙 菲② 盧虹冰
近年來,計算機輔助外科(CAS)技術(shù)廣泛應用于神經(jīng)外科、整形外科和耳鼻喉科手術(shù)。在這些手術(shù)領(lǐng)域,導航技術(shù)可以有效提高手術(shù)精確度,確保患者手術(shù)安全[1-2]。目前,也有研究小組在胸腹部手術(shù)中引入導航技術(shù)[3]。然而,由于受到呼吸、心跳、患者移動和手術(shù)操作的影響,在這類手術(shù)中,術(shù)前圖像無法精確反映術(shù)中解剖結(jié)構(gòu)的變化。雖然通過對術(shù)前模型及其性質(zhì)的快速數(shù)學計算可以在一定程度上反映術(shù)中的形變,但這類工具還未能有效地應用于臨床[4]。因此,必須獲得術(shù)中影像數(shù)據(jù)以反映器官形變。
超聲成像具有實時、無創(chuàng)的優(yōu)點,因而廣泛應用于臨床診斷中[5]。但由于超聲圖像的分辨率和掃描區(qū)域因斑點噪聲影響而受到局限,若能將術(shù)前器官組織高分辨率、高對比度的三維MRI圖像和術(shù)中超聲圖像進行融合,可能是實現(xiàn)術(shù)中形變器官跟蹤和軟組織形變檢測的有效方法[6]。雖然三維超聲成像已成功應用于術(shù)中的實時導航,但目前相關(guān)研究主要集中在形變器官的跟蹤和可視化方面,基于多模態(tài)影像的軟組織形變檢測和校正的研究相對開展較少[3]。
除了術(shù)中成像,另一個實現(xiàn)形變校正的關(guān)鍵問題是如何從多模態(tài)圖像中檢測到形變的器官,并對其產(chǎn)生的形變進行有效校正[7]。其中,作為一種高分辨率、基于體素的非剛性形態(tài)學配準方法,HAMMER算法利用從圖像中派生出的屬性向量,基于層次形變機制,實現(xiàn)了不同個體腦MRI圖像的準確融合,具有很強的解剖結(jié)構(gòu)檢測和配準能力[8]。
本研究中,為了探索融合術(shù)前三維MRI圖像和術(shù)中二維超聲圖像,進行腹部軟組織器官形變檢測和校正的可行性,通過利用微型電磁導航系統(tǒng),結(jié)合改進的HAMMER算法,實現(xiàn)了一種形變檢測和校正的新方法。該方法通過將MRI圖像和超聲圖像進行配準和融合,對腹部軟組織器官的形變進行檢測和校正。為了定量評價所提出的方法,建立了超聲圖像計算機仿真模塊,通過對腹部MRI圖像進行剛性和非剛性形變,并利用形變后的MRI圖像產(chǎn)生模擬的超聲圖像。在此基礎(chǔ)上,結(jié)合電磁導航定位數(shù)據(jù)和改進的HAMMER算法,對形變的超聲圖像和原始MRI圖像進行配準,同時采用平均位移和互信息對形變檢測和校正的結(jié)果進行定量評價[9]。
在課題的前期研究中,建立軟組織形變實時跟蹤系統(tǒng)的框架和方法[10]。在這套系統(tǒng)中,通過將高分辨率的術(shù)前CT和(或)MRI圖像、實時超聲圖像與電磁定位系統(tǒng)有機結(jié)合,初步實現(xiàn)了基于超聲的軟組織形變實時跟蹤。基于該框架,可以對感興趣區(qū)域軟組織的三維結(jié)構(gòu)和形變進行有效跟蹤,從而提高腹部介入治療、微創(chuàng)手術(shù)以及開放手術(shù)的精度。
在上述跟蹤系統(tǒng)中,主要通過將二維超聲探頭與微型電磁定位系統(tǒng)結(jié)合,對探頭及二維超聲成像的位置進行定位,并注冊到患者所在物理空間,實現(xiàn)術(shù)中成像的獲取和定位。然而,由于術(shù)中人體的形變多樣,獲取數(shù)據(jù)的條件及環(huán)境因素復雜,如果直接利用術(shù)中數(shù)據(jù),將會因缺乏真實的標準而很難對提出的方法進行有效評價[11]。為此,開發(fā)了超聲圖像計算機仿真模塊,其目的是基于形變后的MRI圖像而產(chǎn)生模擬的超聲圖像。
為了提高仿真圖像的真實性,在超聲圖像計算機仿真過程中,需要建立兩個重要的模型:超聲采樣模型和噪聲模型[12]。其中,超聲采樣模型通過對超聲束的發(fā)射以及回波采集過程的分析來模擬真實超聲圖像的獲取過程。斑點噪聲模型則是通過對圖像施加符合一定統(tǒng)計規(guī)律的隨機噪聲來生成最終的超聲圖像。超聲圖像計算機仿真的流程如圖1所示。
圖1 超聲圖像計算機仿真的流程
圖2 超聲圖像采樣過程
1.2.1 基于目標圖像的超聲采樣
從目標圖像(本實驗中為MRI圖像)中生成超聲圖像,其過程可通過計算發(fā)射超聲波束與目標圖像的交點,并進一步估計不同深度的超聲回波值來模擬得到。整個采樣算法的參數(shù)共有7個:①超聲束數(shù)目n;②沿每條超聲束方向上的采樣點數(shù)目m;③掃描角度Θ;④圖像寬度ω;⑤扇區(qū)原點高度y0;⑥軸向距離dmin;⑦軸向距離dmax。通過合理設(shè)置這些參數(shù),可以模擬出具有真實感的超聲圖像。上述參數(shù)的定義和采樣過程如圖2所示。
從圖2可以得出目標圖像的笛卡爾坐標系(x,y)和超聲采樣點的極坐標系(ρ,θ)間的關(guān)系公式1:
1.2.2 插值
采樣完成后需要對新圖像中的空白點進行插值??紤]到超聲圖像的反射特性,本研究采用sin c函數(shù)作為卷積核[13],如公式2所示,每個空白點的值由臨近像素的卷積獲得,臨近像素對采樣點的貢獻由它們距采樣點的距離x決定:
1.2.3 加噪
超聲圖像主要受乘性噪聲影響,在乘性噪聲中,斑點噪聲被認為是超聲圖像退化的主要原因[14]。本研究中采用下面的模型公式3反映噪聲對超聲圖像的影響:
其中,I(x,y)為原始未污染的圖像,在本文中即為經(jīng)過采樣和插值后所得到的圖像。I^(x,y)為噪聲污染后的圖像。ηm為斑點噪聲,服從瑞利分布(見公式4):
Ding[15]提出的HAMMER算法是一種綜合考慮圖像灰度和幾何結(jié)構(gòu)特征的彈性配準算法。相較于其他配準算法,HAMMER的創(chuàng)新主要體現(xiàn)在兩個方面:
(1)HAMMER算法在每個體素點上定義一個屬性向量,以反映底層解剖結(jié)構(gòu)的幾何特性。在形變過程中,屬性向量通過外形的相似性建立了解剖結(jié)構(gòu)的一致性。每個屬性向量a(x)由三部分組成:①邊界類型;②灰度強度;③幾何不變矩(GMIs)。
(2)HAMMER算法的層次形變機制。部分解剖結(jié)構(gòu)有特定的形狀特征,這些形狀特征在初始化形變階段被稱為"錨點",剩下的部分緩慢影響形變從而避免錯誤的目標。此外,在形變子空間時,形變機制形變圖像相關(guān)的大部分不是單個體素,然后在整個子空間中估計屬性向量的相似性,使得形變更加真實可信。有關(guān)于HAMMER算法更多的細節(jié)描述可以參見文獻[4][8]。
考慮到軟組織形變的非剛性以及多模圖像強度分布的不同,在軟組織的形變跟蹤中,基于邊緣特性的彈性配準方法應該更加適用[16]。有鑒于此,本研究選擇HAMMER算法,用于軟組織器官的形變檢測和校正。
原HAMMER算法主要用于腦MRI單模態(tài)圖像的配準,為了使HAMMER算法更適合MRI和腹部超聲圖像的配準,對算法做了相應的優(yōu)化和改進。特別是每個體素的屬性向量不再局限于GMIs,而是由一系列選定的屬性組成,這些屬性可從鄰近像素計算得到。本實驗中增加了像素強度、梯度幅值以及梯度幅值的方差作為屬性向量。
本實驗的MRI圖像源自第四軍醫(yī)大學附屬西京醫(yī)院放射科,采用3.0 T MR(MAGNETOM Trio, Siemens AG, Erlangen, Germany)掃描獲得。掃描參數(shù)設(shè)置為:TR=250 ms,TE=2.3 ms,圖像像素尺寸為256×256, 視野為220 mm, 層厚為1.00 mm。
為了模擬腹部不同形變的效果,對腹部肝臟MRI圖像進行了如下3種幾何變換,即旋轉(zhuǎn)變換(逆時針旋轉(zhuǎn)15o),仿射變換(變換矩陣)和投影變換(變換矩陣),其結(jié)果如圖3所示:
圖3 原始和形變的MRI圖像
基于形變的MRI圖像,通過超聲圖像計算機仿真,得到相應的模擬超聲圖像,如圖4所示:
圖4 模擬超聲圖像
為了實現(xiàn)對軟組織形變的檢測與校正,使用優(yōu)化的HAMMER算法,分別對形變后的MRI圖像和原始MRI圖像以及模擬的形變超聲圖像和原始MRI圖像進行配準,其結(jié)果如圖5所示。
圖5 配準結(jié)果
需要注意的是,HAMMER算法中需要確定一些參數(shù),但其中最基本的參數(shù)就是整體搜索大小(δ)和當前迭代順序(i),其他參數(shù)則可進行相應估計。本實驗中,依據(jù)經(jīng)驗,δ設(shè)置為9,i設(shè)置為25。圖5示為經(jīng)過相應校正后的MRI圖像和超聲圖像。
(a1)-(a2)對旋轉(zhuǎn)變換進行校正后的MRI和超聲圖像,(b1)-(b2)對仿射變換進行校正后的MRI和超聲圖像,(c1)-(c2)對投影變換進行校正后的MRI和超聲圖像為了定量評價形變檢測和校正的效果,使用文獻[17]中關(guān)于平均位移的計算方法分別計算不同變換條件下,校正前及校正后圖像的平均位移,以定量評價形變校正的效果。其結(jié)果可以看出,經(jīng)過配準和校正后,雖然對MRI單模圖像的校正效果整體優(yōu)于對MRI和US多模圖像的校正,但是在3種變換下,校正后超聲圖像的平均位移均<4個像素,圖像形變得到很好的補償(見表1)。
表1 形變圖像和校正后圖像的整體平均位移
由于系統(tǒng)的檢測和校正過程涉及兩種成像模態(tài),為了進一步評價圖像整體的校正效果,計算了原始MRI圖像和校正后MRI圖像、超聲圖像的互信息值(見表2)。
表2 原始圖像和校正后圖像的互信息值
目前,在手術(shù)中軟組織形變的檢測和校正已經(jīng)成為軟組織導航技術(shù)的熱點和難點問題。在研究中,提出一種新的軟組織形變檢測和校正方法,以改善跟蹤和校正的效果。提出的新方法將術(shù)前MRI高分辨率圖像和術(shù)中實時超聲圖像通過微型電磁定位系統(tǒng)有機結(jié)合,并利用改進的HAMMER算法對形變器官軟組織進行檢測和校正?;谄骄灰坪突バ畔⒌亩吭u價結(jié)果表明,所提出的新方法具有可行性。
在后續(xù)工作中,進一步擬將提出的新方法擴展至三維圖像,并利用臨床實時超聲掃描數(shù)據(jù)和定位信息,對提出新方法的臨床可行性進行驗證。此外,提出的新方法還將與導航系統(tǒng)硬件相結(jié)合,將進一步開發(fā)軟組織導航系統(tǒng)。
[1]Xing L,Thorndyke B,Schreibmann E,et al. Overview of image-guided radiation therapy[J]. Med Dosim,2006,31(2):91-112.
[2]Pluim JP, Fitzpatrick JM. Image registration[J]. IEEE Trans Med Imaging,2003,22(11):1341-1343.
[3]Wein W,Brunke S,Khamene A,et al.Automatic CT-ultrasound registration for diagnostic imaging and image-guided intervention[J].Med Image Anal,2008,12(5):577-585.
[4]Shevchenko N, Schwaiger J, Markert M, et al. Evaluation of a resectable ultrasound liver phantom for testing of surgical navigation systems[J].Conf Proc IEEE Eng Med Biol Soc,2011,2011:916-919.
[5]Siddiq A, El Sayed T.Ultrasonic-assisted manufacturing processes: variational model and numerical simulations[J]. Ultrasonics,2011,52(4):521-529.
[6]Coenegrachts K. Magnetic resonance imaging of the liver: New imaging strategies for evaluating focal liver lesions[J].World J Radiol,2009,1(1):72-85.
[7]Xu HX,Lu MD,Liu LN,et al.Magnetic n a v i g a t i o n i n u l t r a s o u n d-g u i d e d interventional radiology procedures[J].Clin Radiol,2011,67(5):447-454.
[8]Ding GS,Christos D,HAMMER:hierarchical attribute matching mechanism for elastic registration[J].IEEE Transactions on Medical Imaging,2001,21:1421-1439.
[9]羅建文,范宇,白凈.基于位移量的軟組織應變測量快速算法[J].聲學學報(中文版),2002,27(1):18-22.
[10]馬寶秋.基于實時超聲影像的軟組織形變跟蹤技術(shù)[D].西安:第四軍醫(yī)大學,2010.
[11]Mazza E, Barbarino GG. 3D mechanical modeling of facial soft tissue for surgery simulation[J].Facial Plast Surg Clin North Am,2011,19(4):623-637.
[12]張偉志,剛鐵,王軍.超聲波檢測計算機模擬和仿真的研究及應用現(xiàn)狀[J].應用聲學,2003,22(3):39-44.
[13]Huang QH,Zheng YP, Lu MH, et al. Development of a portable 3D ultrasound imaging system for musculoskeletal tissues[J]. Ultrasonics,2005,43(3):153-163.
[14]Hiremath PS, Prema TA, Sharan B. Speckle Reducing Contour let Transform for Medical Ultrasound Images[J].International Journal of Computer and Information Engineering,2010,4(4):284-291.
[15]Ding GS. Image registration by hierarchical matching of local spatial intensity histograms[C].Medical Image Computing and Computer Assisted Intervention,France, 2004:582-590.
[16]Taylor ZA, Comas O, Cheng M, et al. Modelling anisotropic viscoelasticity for real-time soft tissue simulation[J]. Med Image Comput Comput Assist Interv,2008,11(1):703-710.
[17]Robert H, Zdenko B, Martin H. Methodology for determination of modal parameters by digital image correlation[C].Modelling of mechanical and mechatronic systems 2011,Slovak Republic,2011:193-201.