FLIRT（FMRIB 的线性图像配准工具）是用于线性（仿射）模态内和模态间脑图像配准的全自动稳健且准确的工具。
什么是配准
在这两张图片上，很容易看出它们没有对齐，左边相对右边倾斜，虽然我们人类视觉系统还是能把对应的解剖关系连系在一起，但是我们使用计算机分析时确不能够
因此，我们希望相同的解剖结构对齐，用坐标表示的话，希望他们在相同的坐标上。如下图
对齐这些解剖结构的过程就叫做配准（register）
因此，配准的目的也是使相同的解剖结构在同一个位置，便于分析。可以将CT和MRI配准，看同一结构在两个模态上的变化，更易于疾病的诊断。同理PET-MRI等也可以进行配准。不同的MRI序列之间也可以配准。同一个MRI序列，前后做的两次图像也可以配准。等等。
注意，如果是配准脑部，最好先去头骨等组织。因为我们只希望配准脑组织，并不关心鼻子，眼睛是否配准，而他们会干扰配准的速度和准确性。可使用 fsl-bet去头骨
配准需要了解4个基本的概念：
- image space(图像空间)，
- spatial transformation (空间变换)，
- cost functions(代价函数)，
- interpolation(插值)
接下来会简单了解4个概念，如果想直接上手，可以跳到后面
image space
图像空间包含3种：标准空间，结构空间，功能空间
每个空间又可以有不同的分辨率，比如标准空间模板MNI152,就有1mm,2mm,0.5mm的分辨率。
常用的标准空间（MNI152）模板在/usr/local/fsl/data/standard下，方便使用。
提供了各种分辨率，各种需求的模板。我们可以将自己的数据配准到标准空间上，作为预处理的一部分。
图像从一个空间到另一个空间的转换就叫空间变换。
空间变换
当我们进行配准时，必须要选择配准的空间变换方式，不同的方式，对大脑的形状和大小改变不一样。常用的有：
- 刚体变换（Rigid-Body Transformations）: 6个自由度（3转动，3平动）
- 仿射变换（Affine Transformations）: 12个自由度（3转动，3平动，3缩放， 3偏斜/剪切。
- 非线性变换（Non-Linear Transformations）:多于12个自由度
这里的3是指有3个方向（x, y, z）
cost functions
cost functions，即代价函数用于评判配准的好坏。
- correlation ratio(相关比)：默认，常用于MRI模态之间
- mutual information(互信息)：常用于不同影像模态之间，如CT和MRI
- least squares(最小二乘法)：用于相同模态
- normalized correlation(标准化相关)：用于相同模态，改变亮度，对比度
- normalized mutual information(标准化互信息)：用于不同模态插值
fsl flirt 中的插值方法
- trilinear(三线性插值)：默认，快速
- nearest neighbour(最近邻插值)：用于离散化标签影像
- spline(样条法):较慢，会产生范围外的值
- sinc函数法
这4个概念会在配准的时候遇到，建议初步了解一下。
接下来我们开始配准
1.数据预处理
对图像进行一些初始处理有助于使 FSL 中的工作更加可靠和准确。
- DICOM 数据转换为 NII 数据，可以使用工具：mricron/dicom2nii、freesurfer/mri_convert
- 检查转换的数据是否良好，且不存在伪影。
- 使用
fslreorient2std使图像的方向是一个标准方向
- 对于结构数据，裁剪掉颈部和脑组织下面，可使用工具：robustfov（自动菜）或 fslroi（手动定位裁）
- 大脑结构数据配准前，最后去颅骨(【添加链接】)
- 采集数据注意事项：对于 T1w 结构，在 T1w 序列中有一些脂肪饱和度非常有帮助，以避免在分割和配准时将骨髓/脑膜误认为脑组织
这里我们学习使用FSL-Flirt配准，您可以使用图形界面，也可以使用命令行（MacOS 或 Ubuntu Linux 上的终端应用程序）。本操作指南假定您已安装 FSL。
【安装教程】
2.同一个患者不同序列之间的配准
现在讨论一个场景：我们有两个不同的图像，它们来自同一个患者，其中一个是t1加权图像，一个是t2加权图像，因此我们需要考虑如何设置配准参数
我们要使这两个序列的图像对齐，有两种方法。一个是把T2w配到T1w上（T1w作为参考图像，T2w作为输入图像）；另一种就是反过来，T1w配到T2w.
一般原则是，把分辨率好的，对比度好的作为参考图像。
这个情况下，来自同一次检查的不同序列，可以视为一个刚体（rigid body), 因为病人只能够旋转和平移头部，这是几何上的唯一区别。
因此，我们可以选择刚体变换，6个自由度；代价函数可以选择 相关比或者互信息， 二者都适用于不同模态之间的转换。
-
使用图像界面配准如下：
先打开fsl > 点击B按钮，出现CD区，在C中输入 reference image(我的T2w对比度好些，用它做参考图像)， DOF（自由度）选择刚体变换，6个自由度。设置输入输出图像地址。D区中的高级选项可以设置代价函数和插值方式，这里我用默认的就行。 -
使用命令行
flirt [options] -in <inputvol> -ref <refvol> -out <outputvol>
flirt [options] -in <inputvol> -ref <refvol> -omat <outputmatrix>
flirt [options] -in <inputvol> -ref <refvol> -applyxfm -init <matrix> -out <outputvol>
这里提供了三种方式，终端输入 flirt 可以查看使用说明
我们首先使用第一种
flirt -in T1W_brain.nii.gz -ref T2W_brain.nii.gz -out register1.nii.gz -dof 6 -cost corratio
红色是配准后的T1w，和T2w还是没有对的很齐
我们这种从图像直接配准到参考空间，只需要一步配准，因此可以叫 single_stage registration(单阶段配准)。
对此，还有多阶段配准。
功能成像或扩散成像，然后我们也有一个特定的t1加权结构扫描主题，我们还需要将东西放入标准空间，因此我们现在有三个不同的空间，我们将进行多阶段配准，既可以在我们想要的任何空间组合之间移动，也可以让我们更好地配准
如图，我们先把epi功能像配到同一个病人的T1w上，只需要用自由度为6，线性配准进行，再把T1W配到标准空间。这时由于是不同个体，解剖差异较大，使用自由度12，非线性配准（FNIRT）
为什么这么做？参考视频里的解释。(gzh)
3.把图像配到标准空间
我在使用多个数据集进行训练网络时，每个数据集都有不同的分辨率，大小。而我希望所有数据集都有相同的分辨率，并且可以指定它的分辨率应该怎么做？
比如brain MRI 数据集，有Brats（240x240x155）, IXI(256x256xz,z=28-136), 这两个数据集要用在同一个网络训练，肯定要统一分辨率和大小。
最好的方法就是把他们配到同一个标准空间（如 MNI152）
配准方法同上面代码一样，只是把参考图像改为MNI152对应的分辨率（PS：官方只提供了3种分辨率，0.5mm, 1mm and 2mm）.假设想要5mm的分辨率，那就把标准空间重采样到5mm（使用resample）, 再配准。
flirt -in brats.nii.gz -ref MNI152_1mm_brain.nii.gz -out register.nii.gz -dof 12 -cost corratio
注意：MNI152_1mm_brain.nii.gz需要给对这个图像的地址（一般在/usr/local/fsl/data/standard），可以把他从原始库中拷贝到当前文件夹
这里还需要注意一点，我们把图像配准了，但是它的ground truth(标签)还是原来的分辨率，做分割的话，那就不对了。因此，ground truth也要配准。
而ground truth像图像那样配，多半是有问题的。因为它严格来说不是MRI图像。
推荐以下做法：
flirt -in brats.nii.gz -ref MNI152_T1_1mm_brain.nii.gz -out brats_register.nii.gz -omat affine.mat
flirt -in brats_seg.nii.gz -ref MNI152_T1_1mm_brain.nii.gz -out seg_register.nii.gz -applyxfm -init affine.mat
大概意思就是获取图像配准的affine.mat矩阵，将它用于ground truth的配准。因为图像的配准就是根据这个仿射矩阵来的。有了仿射矩阵，就知道怎么变换了（不专业的理解，我也仅是用过，研究不深入）
配准是一个非常专业的领域，今天也只是讲了些可能跟我们平常使用MRI图像训练可能用到的配准需求。对于专业领域，还需要学习更多。
文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~
我是Tina, 我们下篇博客见~
白天工作晚上写文，呕心沥血
觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连
文章出处登录后可见！
