体检报告里的 CT 和 MRI 常常让家属看花眼：CT 把骨头照成亮白色，MRI 把软组织照得层次分明。同一个人的脑袋，两张照片却像隔着毛玻璃拍的合影——角度偏、位置歪，甚至脑组织还会在呼吸中变形。多模态配准要做的，就是把这两张底片精准叠回同一张脸：先平移旋转让轮廓重合（刚性），再把整体缩放剪切抹平设备差异（仿射），最后用一张柔性小网格托着局部组织归位（B-spline）。这样医生看一张融合图，等于同时拥有了骨的清晰与软组织的细节。

岗位关联

医学影像 AI 从业者每天要处理 CT/MRI/PET 的跨模态分析，不会配准就无法完成病灶勾画、放疗计划和融合诊断，这是医学影像 AI 的“地基技能”。

目录
  1. 可视化演示
  2. 1. 概念与价值
  3. 2. 刚性配准
  4. 3. 仿射配准
  5. 4. B样条形变
  6. 5. 相似度优化
  7. 6. 实战流程
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

1. 概念与价值

想象你是婚礼摄影师，先在三脚架上固定相机拍下舞台，再把相机取下来换镜头拍第二张。两张照片拍的是同一个舞台，可换镜头、挪位置之后，人物位置全变了。多模态配准就是让第二张“移动底片”经历一场几何搬家，精准落在第一张“固定底片”的位置上。CT 和 MRI 正是这样一对底片：CT 强调骨头和密度，MRI 强调软组织和对比度，两者缺一不可。

医学上，这种搬家被形式化为变换 \(T\)。固定图 \(I_F\) 保持不动，移动图 \(I_M\) 经过 \(T\) 变换并重采样后，得到一张和固定图坐标系对齐的新图。多模态配准通常分成三个台阶：刚性配准只做平移旋转，仿射配准再做整体缩放剪切，可变形 B-spline 配准则用柔性网格处理局部组织滑移。

不论哪个台阶，最终目标都是同一个：找到一组几何变换，让两张图的结构尽可能重叠，同时不让形变过度离谱。

如果用修图类比：\(\hat T\) 就是那张让两张脸重合，又没有把五官拉坏的最终“变形记录”。理解了这个总目标，后面三种配准只是在回答“这张变形记录到底能有多复杂”。

T^=arg⁡min⁡T(−S(IF,  T(IM))+λR(T))\hat{T} = \arg\min_{T} \left( - S\bigl(I_F,\; T(I_M)\bigr) + \lambda \mathcal{R}(T) \right)
这个公式像修图时会同时看“两张脸贴得是否自然”和“脸部是否被拉得变形”。\(S\) 是相似度评分，\(\mathcal{R}\) 是平滑惩罚。
  1. 固定图 \(I_F\)被当作坐标基准的影像，相当于三脚架上那张底片。
    IFI_F
  2. 移动图 \(I_M\)要被搬动的那张影像，相当于换镜头后拍的底片。
    IMI_M
  3. 变换 \(T\)描述如何把移动图搬到固定图，可以包含旋转、平移、缩放或局部扭曲。
    T(IM)T(I_M)
  4. 相似度 \(S\)计算变换后的移动图与固定图有多像，多模态任务常用互信息。
    S(IF,  T(IM))S\bigl(I_F,\; T(I_M)\bigr)
  5. 正则项 \(\mathcal{R}\)惩罚过于夸张的形变，防止图像被揉成一团。
    λR(T)\lambda \mathcal{R}(T)
  6. 最优变换 \(\hat{T}\)让“不相似程度 + 形变代价”最小的那个变换，就是配准结果。
    T^\hat{T}

2. 刚性配准

玩过透明胶片涂鸦吗？把一张人脸图盖到另一张上面，最自然的动作就是转一转、挪一挪。刚性配准只允许这两种动作：旋转和平移。它不改变器官的大小，不改变形状，更不会让脑组织像面团一样被搓揉。

在医学影像中，刚体变换能描述扫描床移动、患者头部摆放角度不同带来的整体位姿差。二维刚性配准需要优化 3 个参数：旋转角 \(\theta\) 和位移 \((t_x, t_y)\)。三维空间则增加绕三个轴的旋转，共 6 个自由度。之所以称“刚体”，是因为骨性结构本身不易变形，头、骨盆这类结构尤其适合先做刚性配准。

刚性变换的数学写法很直观：先旋转，再平移。

刚性配准之后，骨骼边缘和大血管常常已经大致对齐。但对腹部或呼吸运动明显的部位，这还只是“先把大方向摆正”。它相当于修图的第一步：让人脸朝向一致，还没开始处理胖瘦和表情。

[x′y′]=[cos⁡θ−sin⁡θsin⁡θcos⁡θ][xy]+[txty]\begin{bmatrix} x' \\ y' \end{bmatrix}=\begin{bmatrix}\cos\theta & -\sin\theta \\\sin\theta & \cos\theta\end{bmatrix}\begin{bmatrix} x \\ y \end{bmatrix}+\begin{bmatrix} t_x \\ t_y \end{bmatrix}
就像把两张透明照片先对齐角度，再轻轻推到同一位置；中间不会把纸张拉长或压扁。
  1. 像素坐标把图像里一个点的位置写成向量 \((x, y)^T\)。
    p=[xy]\mathbf{p} = \begin{bmatrix} x \\ y \end{bmatrix}
  2. 旋转矩阵用角度 \(\theta\) 把整张图绕原点转动。\(\cos\theta\) 和 \(\sin\theta\) 是旋转的“三角函数账本”。
    R(θ)=[cos⁡θ−sin⁡θsin⁡θcos⁡θ]R(\theta) = \begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix}
  3. 平移向量把旋转后的图再整体移动一段距离，像在桌面上滑照片。
    t=[txty]\mathbf{t} = \begin{bmatrix} t_x \\ t_y \end{bmatrix}
  4. 完整变换先做矩阵乘法完成旋转，再加平移向量，得到新坐标。
    p′=R(θ) p+t\mathbf{p}' = R(\theta)\,\mathbf{p} + \mathbf{t}

3. 仿射配准

如果两张底片不仅角度偏了，还被不同打印机整体拉长或压扁，光靠旋转平移就失灵了。仿射配准允许你按住整张照片做“全身塑形”：宽度缩放、高度拉伸、斜向剪切，但全图的直线仍然是直线，平行线也仍然是平行线。它像是给照片换一个统一的画幅比例。

这个“整体统一”是仿射和可变形配准的关键区别。仿射变换可以用一个矩阵同时表达旋转、平移、缩放、剪切。在齐次坐标下，二维有 6 个参数，三维有 12 个参数。它适合处理体素间距不一致、扫描床倾斜、不同机型重建产生的整体几何差异。

仿射配准很像是给照片做“全身塑身衣”，整体比例可以被调整，但衣服是连体的，不会单独照顾左脸或右脸。临床上通常把刚性配准作为第一轮，再用仿射配准修正设备间的整体几何差异。

[x′y′1]=[a11a12txa21a22ty001][xy1]\begin{bmatrix} x' \\ y' \\ 1 \end{bmatrix}=\begin{bmatrix}a_{11} & a_{12} & t_x \\a_{21} & a_{22} & t_y \\0 & 0 & 1\end{bmatrix}\begin{bmatrix} x \\ y \\ 1 \end{bmatrix}
仿射变换像用裁纸刀统一裁边：整张图片一起拉伸，但直线不会变弯，平行线也不会交叉。
  1. 齐次坐标给二维坐标补一个常数 1，让平移也能写进矩阵。
    [xy1]\begin{bmatrix} x \\ y \\ 1 \end{bmatrix}
  2. 变换矩阵矩阵里的 \(a_{11}, a_{12}, a_{21}, a_{22}\) 负责旋转、缩放、剪切，\((t_x, t_y)\) 负责平移。
    A=[a11a12txa21a22ty001]A = \begin{bmatrix} a_{11} & a_{12} & t_x \\ a_{21} & a_{22} & t_y \\ 0 & 0 & 1 \end{bmatrix}
  3. 矩阵乘法用矩阵乘以齐次坐标，一次完成所有线性变换。
    [x′y′1]=A[xy1]\begin{bmatrix} x' \\ y' \\ 1 \end{bmatrix} = A \begin{bmatrix} x \\ y \\ 1 \end{bmatrix}
  4. 展开结果新坐标 \(x'\) 是旧坐标的线性组合，所以直线和平行关系都被保留。
    x′=a11x+a12y+tx,y′=a21x+a22y+tyx' = a_{11}x + a_{12}y + t_x,\quad y' = a_{21}x + a_{22}y + t_y

4. B样条形变

如果病人呼吸了一秒，肝脏可能滑出去几个厘米；肠道蠕动更会让周围组织整体“挪窝”。全局拉伸救不了局部。可变形 B-spline 配准就像在照片上铺一层细密网格，用手指在每个网格交点轻轻推一下，每个点只影响周围一小块，推出来的过渡却是光滑的。雕塑家用指腹按出酒窝，B-spline 网格就在医学影像上按出每个器官的“小表情”。

这种方法的正式名字叫自由形变模型（FFD）。我们首先在移动图上铺一张控制点网格，每个控制点携带一个位移向量；图像上任意一个像素的位移，由其附近 \(4 \times 4\) 个控制点的三次 B-spline 基函数加权求和得到。因为基函数只在局部有影响，一个控制点不能把整张图拽飞。

B-spline 的自由度让它能处理呼吸运动、脑漂移等局部形变，但自由度越高越容易“用力过猛”。因此实际使用时会加入平滑惩罚，防止控制点把组织按出皱褶，甚至发生物理上不可能的区域折叠。它是最精细的一步，也最需要“温柔约束”。

T(x,y)=(x,  y)+∑l=03∑m=03Bl(u) Bm(v)  di+l, j+mT(x,y) = \bigl(x,\; y\bigr) + \sum_{l=0}^{3}\sum_{m=0}^{3} B_l(u)\, B_m(v)\; \mathbf{d}_{i+l,\, j+m}
这句公式像在说：某个像素要去哪里，由周围 16 个网格点“民主投票”，距离越近声音越大，B-spline 保证投票结果平滑过渡。
  1. 原始位置像素原来的坐标 \((x, y)\) 是形变的起点。
    (x,y)\bigl(x, y\bigr)
  2. 控制点网格每个网格节点有一个位移向量 \(\mathbf{d}\)，表示它想把这局部区域往哪推。
    di,j=(dx,  dy)\mathbf{d}_{i,j} = \bigl(d_x,\; d_y\bigr)
  3. 局部参数 \(u, v\)像素在控制网格中的相对位置，决定它落在哪些控制点的势力范围内。
    u=xnx−i,v=yny−ju = \frac{x}{n_x} - i,\quad v = \frac{y}{n_y} - j
  4. B-spline 基函数三次 B-spline 是四个局部花瓶形状的函数，越接近中心权重越大。
    B0(t)=(1−t)36,B1(t)=3t3−6t2+46,B2(t)=−3t3+3t2+3t+16,B3(t)=t36B_0(t)=\frac{(1-t)^3}{6},\quad B_1(t)=\frac{3t^3-6t^2+4}{6},\quad B_2(t)=\frac{-3t^3+3t^2+3t+1}{6},\quad B_3(t)=\frac{t^3}{6}
  5. 加权求和把周围控制点位移乘以各自权重并相加，得到该像素的位移。
    ∑l=03∑m=03Bl(u) Bm(v)  di+l, j+m\sum_{l=0}^{3}\sum_{m=0}^{3} B_l(u)\, B_m(v)\; \mathbf{d}_{i+l,\, j+m}

5. 相似度优化

用眼睛检查上百张切片太低效，配准需要自动评分器。CT 和 MRI 的灰度不是线性对应，同一块软组织可能在 CT 上暗、在 MRI 上亮，甚至灰度完全反转。直接比较像素值会误判。互信息不关心亮度绝对值，只看两幅图的灰度是否“总是结伴出现”。它像在问：这两张底片的明暗密码是否来自同一套暗语？

互信息把两幅图当成两个随机变量，统计它们灰度值的联合分布；如果两图边缘和结构对齐，联合分布会呈现明显的“聚集”，互信息就大。

得到相似度评分后，配准任务就变成一个优化问题：不断调整刚性、仿射或 B-spline 参数，让负互信息变小。常用优化器包括梯度下降、拟牛顿法 L-BFGS 等。整个过程像爬山：目标是爬到“两张图最同步”的山顶，而多分辨率策略是防止爬到半山腰的小土坡上就停下。

MI(IF,IM)=∑a,bpFM(a,b)  log⁡pFM(a,b)pF(a) pM(b)MI(I_F, I_M) = \sum_{a,b} p_{FM}(a,b)\; \log \frac{p_{FM}(a,b)}{p_F(a)\, p_M(b)}
互信息越高，说明两幅图的灰度密码越“同步”；哪怕 CT 把骨头拍亮、MRI 把骨头拍黑，只要对应关系的玩法稳定，互信息依然能认出它们属于同一个人。
  1. 联合概率\(p_{FM}(a,b)\) 表示固定图灰度取 \(a\)、移动图灰度取 \(b\) 的像素比例。
    pFM(a,b)=灰度为 (a,b) 的像素数总像素数p_{FM}(a,b) = \frac{\text{灰度为 }(a,b)\text{ 的像素数}}{\text{总像素数}}
  2. 边缘概率单独统计固定图灰度 \(a\) 和移动图灰度 \(b\) 的比例。
    pF(a),pM(b)p_F(a),\quad p_M(b)
  3. 独立性比较如果两个灰度完全独立，联合概率会等于边缘概率的乘积；两者差得越远，说明关联越强。
    pFM(a,b)pF(a) pM(b)\frac{p_{FM}(a,b)}{p_F(a)\, p_M(b)}
  4. 取对数求和对所有灰度组合求和，把“关联强度”压缩成一个标量分数。
    ∑a,bpFM(a,b)  log⁡pFM(a,b)pF(a) pM(b)\sum_{a,b} p_{FM}(a,b)\; \log \frac{p_{FM}(a,b)}{p_F(a)\, p_M(b)}

6. 实战流程

真实验配准是一场有组织的修片会：先除噪、统一像素间距，再粗对齐，然后上多分辨率金字塔由粗到细寻优，最后请医生或金标准检查。每一步都像整理底片：不能直接上手精修，否则会把噪声也当成特征去对齐。

预处理阶段要做的事包括：去除噪声和伪影、重采样到统一体素间距、用掩膜排除无关背景，以及针对 MRI 做偏置场校正。初始对齐阶段常用质心对齐或基于空间位置的粗略匹配，目的是让优化器从较近的起点出发。接着是多分辨率策略：先在低分辨率图像上搜索大尺度参数，再逐层提高分辨率细化。这样可以绕过大量局部极值，像先看全景图定方向，再放大细节修眉角。

验证评估是最后也是最重要的一步。常用的评估手段包括：医生目测融合图、在解剖标志点上计算配准误差（TRE）、用分割结果计算 Dice 系数，以及观察形变场是否出现折叠。无论算法分数多好，最终都要回到解剖结构是否合理。

如果把配准流程写成口诀，就是“粗对齐、精细调、查折叠、问医生”。这四步缺一不可。刚性、仿射、B-spline 都只是工具箱里的不同工具，真正决定成果质量的，是对整个流程的工程把控。

AI 应用场景

放疗计划中的 CT-MRI 融合

阶段：图像预处理与配准阶段

解决的问题：放疗医生要在 CT 上做剂量计算，但脑胶质瘤边界在 MRI 上才清晰。两张图不配准，医生只能凭经验在 CT 上猜肿瘤边缘，容易造成过度照射或漏照。通过先刚性、再仿射、最后 B-spline 的多模态配准，可以把 MRI 上的肿瘤靶区精确迁移到 CT 坐标。

具体案例：某放疗科接入自动化配准流程后，医生在 MRI 上勾画出肿瘤和危及器官，系统用 B-spline 形变场把它们映射到 CT，CT 再负责剂量计算。原本需要半小时的人工目测对齐，缩短到几分钟。

脑图谱引导的手术导航

阶段：空间标准化与图谱配准阶段

解决的问题：手术导航系统需要把患者个体脑影像映射到标准脑图谱，才能定位功能区。单靠刚性配准无法消除个体脑沟回的局部差异，可变形 B-spline 配准可以把患者脑回“温柔地”拉向图谱空间。

具体案例：神经外科做深部电极植入前，用 T1-MRI 与标准脑图谱做 B-spline 配准，自动标记运动区和语言区。配准质量和平滑正则同时监控，避免形变场折叠导致功能区定位错误。

腹部多模态随访对比

阶段：多模态图像融合与随访比对阶段

解决的问题：肝脏在呼吸中会移动，CT 增强扫描与 MRI 序列很难保证同一呼吸相位。直接看两图会错位，必须使用可变形配准做局部校正，同时用正则项限制器官被不合理压缩。

具体案例：一个肝癌患者做了 CT 和 MRI 随访，系统先用刚性配准整体对齐，再用 B-spline 形变场把两期影像融合。医生在融合图上同时看钙化灶和软组织病灶，随访判断更稳定。

Python 演示

python67 行
import numpy as npfrom scipy import ndimage  def cubic_bspline(t):    t = np.abs(np.asarray(t, dtype=float))    return np.where(t < 1,                    2.0 / 3.0 - 0.5 * t * t * (2.0 - t),                    np.where(t < 2,                             (2.0 - t) ** 3 / 6.0,                             0.0))  def make_image(size=96):    y, x = np.mgrid[0:size, 0:size]    tissue = ((x - size * 0.55) / 30.0) ** 2 + ((y - size * 0.45) / 22.0) ** 2 <= 1.0    tissue = ndimage.binary_fill_holes(tissue)    fixed = ndimage.gaussian_filter(tissue.astype(float), 3.0)    tumor = np.exp(-(((x - size * 0.65) / 6.0) ** 2 + ((y - size * 0.40) / 5.0) ** 2))    fixed = np.clip(fixed + 0.8 * tumor, 0.0, 1.0)    moving = ndimage.rotate(fixed, angle=12, reshape=False, order=1)    return fixed, moving  def make_control_grid(size, density=12):    nc = size // density    c = np.linspace(0, size - 1, nc)    px = np.zeros((nc, nc))    py = np.zeros((nc, nc))    for i in range(nc):        for j in range(nc):            px[i, j] = np.sin(c[i] * 0.3) * 1.5            py[i, j] = np.cos(c[j] * 0.25) * 1.5    return c, px, py  def apply_ffd(moving, c, px, py):    size = moving.shape[0]    spacing = c[1] - c[0]    y, x = np.mgrid[0:size, 0:size].astype(float)    vx = np.zeros_like(x)    vy = np.zeros_like(y)    for i, xi in enumerate(c):        wx = cubic_bspline((x - xi) / spacing)        for j, yj in enumerate(c):            w = wx * cubic_bspline((y - yj) / spacing)            vx += w * px[i, j]            vy += w * py[i, j]    coords = np.array([y + vy, x + vx])    warped = ndimage.map_coordinates(moving, coords, order=1, mode='nearest')    return warped, vx, vy  def main():    size = 96    fixed, moving = make_image(size)    c, px, py = make_control_grid(size, density=12)    warped, vx, vy = apply_ffd(moving, c, px, py)    print("固定图尺寸:", fixed.shape)    print("控制点网格:", len(c), "x", len(c))    print("最大位移: %.2f 像素" % np.max(np.hypot(vx, vy)))    print("原始图均值: %.4f" % moving.mean())    print("形变后均值: %.4f" % warped.mean())  if __name__ == "__main__":    main()
目的：演示 B-spline 控制点如何定义稠密形变场，以及如何用 map_coordinates 对图像做重采样。
  1. def cubic_bspline(t):定义三次 B-spline 基函数，距离控制点越远权重越小。
  2. wx = cubic_bspline((x - xi) / spacing)计算水平方向权重，把二维问题拆成两个一维问题。
  3. w = wx * cubic_bspline((y - yj) / spacing)水平权重乘垂直权重，得到二维控制点影响力。
  4. vx += w * px[i, j]把所有控制点位移加权叠加，形成完整的水平位移场。
  5. coords = np.array([y + vy, x + vx])用原始坐标加位移场，构造采样坐标。
  6. ndimage.map_coordinates(moving, coords, order=1, mode='nearest')按采样坐标从移动图取像素，完成重采样。

常见误区

误区只要把图像旋转几度就能完成刚性配准，好像手动在图像软件里转图片一样简单。

正解刚性配准包含旋转和平移，二维有 3 个参数，三维有 6 个参数。它看起来简单，但优化目标仍然需要相似度度量、插值重采样和多分辨率搜索。更重要的是，它假设器官不改变形状，遇到腹部呼吸运动时并不适用。

为何常见：因为 CT 和 MRI 都来自同一个患者，很多初学者觉得两图基本已经对齐，忽略了坐标变换和优化过程。

误区仿射变换能缩放和剪切，所以应该能解决肝、肺等器官的局部移动问题。

正解仿射变换是全局线性变换，整张图共享同一套缩放和剪切参数。它可以让全脑整体拉长，却不能只把某个脑回单独往前推。局部器官滑移必须交给可变形 B-spline 配准。

为何常见：因为“缩放”听起来就包含局部变大变小，但仿射的缩放是对整个坐标系生效的。

误区控制点网格越密，形变能力越强，配准结果自然越准。

正解控制点过多会让形变场拥有太多自由度，优化器很容易把噪声也当成结构去对齐，导致组织折叠、器官被不合理挤压。实际中必须配合平滑正则项，并在控制点密度和形变合理性之间取平衡，就像修图时不能用太多手指把脸按成面团。

为何常见：人们直觉上认为参数越多越灵活，却忽略了过度拟合和形变退化问题。

误区算法报出一个很高的互信息值，就说明两张图已经被完美对齐。

正解互信息最大并不总是对应解剖正确的位置。如果两幅图中背景噪声很大、或者重叠区域包含无关结构，优化器可能通过放大背景匹配来获得高分。实践中要加前景掩膜、使用归一化互信息，并配合多分辨率策略。

为何常见：因为互信息被写成公式后看起来像一个客观分数，人们容易把分数当成绝对真理。

误区把 CT 和 MRI 叠成一张彩色融合图，肉眼看着没明显错位，就可以直接进临床流程。

正解融合图是二维配色渲染，细小错位可能被人眼平滑效应掩盖。还需要用解剖标志点计算配准误差、用分割结果算 Dice、检查形变场是否折叠，才能判断结果可信。医学影像 AI 的坑，绝大多数藏在“看起来挺好”的验证盲区里。

为何常见：视觉反馈是最直接的证据，但人的视觉系统对缓慢错位和局部扭曲并不敏感。

面试题

Q1. 刚性配准允许图像发生哪些变化？

单选题 · easy

  • A.平移和旋转← 正确答案
  • B.缩放和剪切
  • C.局部弯曲形变
  • D.灰度强度翻转

答案：A。刚性配准只允许平移和旋转，不改变对象形状和大小。缩放、剪切属于仿射变换，局部弯曲属于可变形配准，灰度翻转不是几何变换。

Q2. 仿射变换的特点是什么？

单选题 · easy

  • A.只能平移旋转
  • B.平行线仍保持平行← 正确答案
  • C.局部器官自由变形
  • D.完全不能缩放

答案：B。仿射变换可以旋转、平移、缩放、剪切，但整张图共用同一套线性参数，所以直线仍是直线，平行线仍然平行。它是全局变换，不能局部自由变形。

Q3. CT 与 MRI 多模态配准，最合适的相似性度量是？

单选题 · easy

  • A.灰度均方误差
  • B.像素绝对差和
  • C.归一化互信息← 正确答案
  • D.图像峰值信噪比

答案：C。多模态影像灰度关系不是线性的，均方误差和绝对差会误判。互信息度量灰度统计依赖，对非线性亮度关系更稳健，是多模态配准的主流选择。

Q4. 可变形 B-spline 配准中，形变由什么控制？

单选题 · mid

  • A.全局旋转矩阵
  • B.控制点网格位移← 正确答案
  • C.像素灰度直方图
  • D.图像采集时间

答案：B。B-spline FFD 在图像上铺控制点网格，每个控制点带一个位移向量，像素位移由周围控制点加权插值得到。全局旋转矩阵描述的是刚性或仿射变换。

Q5. 刚性配准在三维空间中的自由度是多少？

单选题 · mid

  • A.3 个
  • B.6 个← 正确答案
  • C.9 个
  • D.12 个

答案：B。三维刚体变换包括绕三个轴的旋转和平移，共 6 个自由度。12 个自由度是三维仿射变换的参数数量。

Q6. 二维刚性配准需要优化的参数包括哪些？

多选题 · mid

  • A.水平方向位移← 正确答案
  • B.垂直方向位移← 正确答案
  • C.旋转角度← 正确答案
  • D.局部形变场

答案：ABC。二维刚性配准参数是水平位移、垂直位移和旋转角。局部形变场属于可变形配准，不在刚性变换范围内。

Q7. 多模态配准流程中的常见预处理步骤有哪些？

多选题 · mid

  • A.噪声抑制与图像去伪影← 正确答案
  • B.体素间距重采样← 正确答案
  • C.磁场偏置场校正← 正确答案
  • D.删除所有软组织信息

答案：ABC。预处理要保留解剖信息，而不是删除软组织。去噪、统一体素间距、偏置场校正都能让后续配准更稳定，删除软组织会导致信息丢失。

Q8. 在 B-spline FFD 中加入平滑正则项的主要目的？

单选题 · hard

  • A.减少控制点数量
  • B.防止形变场局部折叠← 正确答案
  • C.提高图像采集信噪比
  • D.让互信息自动变大

答案：B。B-spline 控制点太多时，形变场可能过度扭曲，甚至出现折叠。平滑正则项会惩罚突然的局部压缩或拉伸，让组织变化更接近物理可能，但它不直接改变互信息大小。

Q9. 关于 B-spline 可变形配准，下列说法正确的有？

多选题 · hard

  • A.形变场由控制点网格插值得到← 正确答案
  • B.控制点只影响邻近区域← 正确答案
  • C.控制点越多一定越准确
  • D.不需要任何平滑约束

答案：AB。B-spline 形变场确实由控制点网格插值得到，且基函数有局部支持性，因此控制点只影响附近局部区域。控制点并非越多越好，且需要平滑约束防止形变场折叠。

Q10. 为什么互信息适合多模态配准？

单选题 · extreme

  • A.它直接比较像素亮度差
  • B.它对灰度单调非线性不敏感← 正确答案
  • C.它要求两幅图分辨率相同
  • D.它只统计图像边缘信息

答案：B。互信息衡量两幅图灰度之间的统计依赖关系，不依赖亮度绝对值。即使 CT 和 MRI 对同一组织的灰度表现差异很大，只要灰度对应关系是稳定且有规律的，互信息依然能提供有效梯度。