基于机器学习的脑功能时间序列图像高精度配准算法

康伟民， 李 峰

(1.长春医学高等专科学校 临床医学院, 吉林 长春 130031； 2.吉林大学 计算机科学与技术学院, 吉林 长春 130012)

0 引言

脑功能磁共振成像能够对人脑进行多次非侵入性观察测量，可以准确揭示人脑生理与病理活动的全过程[1]，因此这种先进的技术已经在多种医学学科中得到广泛应用.

在脑功能磁共振成像实验中，为了获得具有统计意义的数据，就必须要对同一受试体进行多次实验，每次实验会产生有10～20个实验序列.但是由于实验历时较长，尽管已经对受试者头部进行固定，但在实验过程中会无可避免的产生物理头部运动和生理头部运动，尽管这些头部动作微小，但是会对血液动力学信号捕捉造成困难，所以在脑功能磁共振成像实验中，仅数十微米的头动都会造成脑功能序列图像的时间差异性[2].

随着医学图像处理技术的发展，采用图像信息处理技术进行脑功能时间序列图像分析，能够提高脑功能病理分析诊断能力，因此脑功能时间序列图像高精度配准的研究受到人们的极大关注.

高菡璐等[3]进行哈尔滨市极端天气对脑出血死亡的时间序列分析，提出有效的气候变化减缓和适应措施，降低居民脑出血死亡率；陈鑫等[4]对苏州市大气PM2.5浓度与心脑血管疾病死亡的时间序列分析，该研究表明，PM2.5浓度的升高可能引起人群心脑血管疾病死亡风险的增加；杨飒等[5]结合压缩感知的稀疏投影理论，提出了基于多项式确定性矩阵的尺度不变特征变换医学图像配准算法，并通过实验验证了该方法的有效性；……