醫(yī)學(xué)圖像特征點(diǎn)配準(zhǔn)是醫(yī)學(xué)圖像分析和處理的重要研究方向。目前，常用的特征點(diǎn)描述主要包括點(diǎn)集、特征曲線和特征曲面等。點(diǎn)集能夠很好地描述任意維度和形狀，但在點(diǎn)與點(diǎn)之間卻很難建立對應(yīng)關(guān)系；特征曲線和特征曲面通過點(diǎn)集擬合得到，在擬合的過程中使用樣條插值的方法舍棄一些異常點(diǎn)和離群點(diǎn)，從而提高了配準(zhǔn)的穩(wěn)定性�；谔卣鼽c(diǎn)的非剛性配準(zhǔn)算法有很多，目前比較常用的是基于高斯混合模型的點(diǎn)集配準(zhǔn)算法，但由于理想的高斯混合模型沒有考慮到異常點(diǎn)和重尾點(diǎn)的影響，使得配準(zhǔn)精度和魯棒性受到影響。
最近，中國科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所醫(yī)學(xué)影像室研究員戴亞康課題組的周志勇等人提出了一種基于t分布混合模型（Student’s-t mixture model，SMM）的點(diǎn)集非剛性配準(zhǔn)算法。該方法將一個點(diǎn)集作為t分布混合模型的質(zhì)心集合，將另一個點(diǎn)集看作數(shù)據(jù)集合，并建立點(diǎn)集配準(zhǔn)的混合概率模型，使用期望最大化算法計算非剛性配準(zhǔn)參數(shù)的閉合解。這種方法可提供精確、高效的非剛性配準(zhǔn)結(jié)果，且對噪聲和離群點(diǎn)有很好的魯棒性。這項研究為醫(yī)學(xué)圖像特征點(diǎn)非剛性配準(zhǔn)算法研究提供了新思路，相關(guān)結(jié)果已發(fā)表在PLOS ONE, 2014, 9(3): e91381上。
為了定性和定量地評估這種算法，研究人員將基于SMM的算法和目前常用的運(yùn)動一致性算法（Coherent Points Drift, CPD）、基于薄板樣條的匹配算法（Thin Plate Spline-Robust Point Matching, TPS-RPM）和基于L2距離的高斯混合模型配準(zhǔn)算法（TPS-L2）進(jìn)行比較。實(shí)驗結(jié)果表明，SMM算法迭代次數(shù)最少，配準(zhǔn)精度最高。
該項工作得到國家自然科學(xué)基金（61301042, 6120117）、中科院“百人計劃”以及江蘇省自然科學(xué)基金委（BK2012189）的支持。
圖1 四種配準(zhǔn)算法迭代次數(shù)對比結(jié)果
圖2 四種配準(zhǔn)算法針對三維面部點(diǎn)集（392個點(diǎn)）對比結(jié)果。（a）三維面部點(diǎn)集（b）SMM算法處理結(jié)果（c）CPD算法處理結(jié)果（d）TPS-L2算法處理結(jié)果（e）TPS-RPM算法處理結(jié)果。
