一、介绍
医学图像配准是现代医学图像处理技术应用的一个重要方面,它是指对不同时间、不同视场、不同成像模式的两幅或多幅图像进行空间几何变换,以使在几何上能够匹配对应起来[1]。图像配准的主要目的是消除待配准图像和参考图像之间几何上的不一致,包括平移、旋转等形变。它是图像分析和处理的关键步骤,是图像对比、数据融合、变化分析和目标识别的必要前提。我们用F和M表示待配准的两幅图像,其中为F固定图像(Fixed Image),M为浮动图像(Moving Image)。配准过程就是要找到一个空间变换,使固定图像与变形后的浮动图像达到空间上的一致性,即选择合适的相似性测度使得它们的相似性达到最大[2]。
传统的配准方法是一个迭代优化的过程，首先定义一个相似性测度S（例如，L2范数）和一个固定图像与浮动图像之间的空间变换T，通过对参数化转换或非参数化转换进行不断迭代优化，使得配准后的移动图像与固定图像相似性最高。而如今，基于机器学习的方法在医学图像分析的研究中是比较火热的技术，在器官分割、病灶检测与分类任务中取得了相当好的效果。基于机器学习的医学图像配准方法相较于传统的配准方法，具有很大的优势与潜力，因此有越来越多的研究人员在研究该方法，近几年来有不少相关的工作发表[3,4,5]。
本文调查传统的医学图像配准方法，以及部分近年来的基于机器学习的医学图像配准的文章，首先介绍了医学图像配准的基本流程，分别阐述；然后针对不同问题、从不同角度进行分析，比如输入输出、配准方式、评价指标、机器学习与传统方法比较、时间成本比较等；
二、配准基本流程
图像配准的步骤可以总结为以下5个部分：
1.选择基于特征或灰度值的配准方法；
2.选择合适变形函数对浮动图像变形；
3.选择一种相似性测度建立目标函数；
