Phần nghiên cứu này đã trình bày một quá trình tiến bộ của các hình thức hợp nhất qua nhiều giai đoạn từ thô sơ nhất cho đến những hình thức phức tạp cao. Những kỹ thuật hợp nhất được phát minh gần đây, có khác với những kỹ thuật ban đầu nhưng cũng giống nhau ở một số phương diện. Trước tiên, chúng hoạt động trên nguồn ảnh không cấu trúc. Điều này có ý nghĩa quan trọng đến khả năng ứng dụng. Mặc dù giá thành cho vấn đề chăm sóc sức khoẻ
tiếp tục leo thang, nhưng điều quan trọng là tất cả những thông tin y khoa đều được tận dụng triệt để.
Những kỹ thuật hợp nhất không cấu trúc có thể ứng dụng cho tất cả khối ảnh, không chỉ giúp tận dụng những lớp cắt thừa mà còn giúp giảm bớt thời gian và sức lực để cấu trúc một nguồn ảnh. Sự tự động hóa cũng đóng một vai trò quan trọng trong sự phát triển của hình thức hợp nhất. Những thực nghiệm đã chỉ rõ, những kỹ thuật tự động đang gia tăng khả năng để đạt được độ chính xác có thể chấp nhận được cho hầu hết mọi ứng dụng. Điều đó làm động lực để hướng tới phát triển những mô hình tự động hoàn toàn. Những mô hình hiện đại đã loại bỏ tiến trình hợp nhất tương tác và tiếp tục hướng tới hoàn toàn tự động.
Những kỹ thuật hợp nhất đã được khảo sát vẫn còn hạn chế ở khâu áp dụng phép biến đổi thô và affine. Minh chứng tốt nhất là giả thuyết về độ cứng của đầu trong trường hợp ghép ảnh với ảnh nội vật thể. Mặc dù khâu tính toán có phức tạp hơn nhưng những hình thức hợp nhất sử dụng phép biến đổi không tuyến tính lại có thể được áp dụng cho nhiều mục đích rộng hơn. Hầu hết, nếu không muốn nói là tất cả các kỹ thuật hợp nhất gần đây đang được phát triển dựa trên những phép biến đổi không tuyến tính.
Từ kết quả thực nghiệm và những tiêu chuẩn đã được đề cập thì những hình thức hợp nhất cường độ voxel đã chứng tỏ được vị thế cao nhất về độ linh hoạt và độ chính xác. Hai phương pháp được kiểm nghiệm : phép đo độ tương đồng voxel và cực đại thông tin tương hỗ. Cả hai đều chứng tỏ được độ chính xác cao và hình thức hợp nhất hoàn toàn tự động. Bằng cách sử dụng những đại lượng tương quan giữa các thành phần cường độ thay vì dùng những điểm hay cấu trúc đặc biệt trong ảnh, đã giúp loại bỏ hoàn toàn nhiều tình huống phức tạp thường xảy ra trong việc biểu diễn những đặc điểm này.
Tuy nhiên, ta cần xem xét bài khảo sát về các yếu tố cơ bản dưới đây. Phép đo tương đồng voxel thực hiện bởi Woods được xây dựng dựa trên nền tảng của phép hợp nhất trong mô hình nội tại : theo đó, có sự tồn tại của một mối tương quan về hình dạng giữa các lớp cắt trong cùng một mô hình. Đặc tính cơ bản này được mở rộng sang hình thức hợp nhất của các mô hình khác. Để điều này xảy ra, các giả thuyết ban đầu phải được mở rộng để bao hàm
được những khác biệt trong các mô hình. Và chắc chắn rằng việc mở rộng giả thuyết sẽ làm giảm tính năng của phép đo tương đồng. Khi hợp nhất hai mô hình bằng phép đo tương đồng voxels, phải thực hiện một số thủ thuật tiền xử lý trên các khối ảnh để loại bỏ những thông tin có thể vi phạm đến các giả thuyết. Ví dụ, một tổ chức có trong một mô hình nhưng lại không xuất hiện trong mô hình khác thì nó cần phải được loại bỏ trước khi hợp nhất. Một ví dụ khác đáng chú ý là việc loại bỏ lớp da trên bề mặt từ các ảnh MR trước khi kết hợp chúng với các ảnh PET.
Những thông tin tương hổ là thành tựu tổng quát hơn hết sử dụng tất cả thông tin ảnh mà không cần tiền xử lý. Nó chỉ dựa vào mối quan hệ giữa hai giá trị ngẫu nhiên mà không cần đến bất cứ giả thuyết nào. Bằng cách sử dụng mối tương quan duy nhất giữa các hàm phân bố xác suất giúp cho hình thức này tránh được những phức tạp liên quan đến mối liên hệ giữa các mô hình đặc trưng. Theo đó, phép đo thông tin tương hỗ đã chứng tỏ được tính linh hoạt cao hơn phép đo tường đồng voxels trong hợp nhất hình ảnh đa mô hình.
CHƯƠNG 4 : THIẾT KẾ PHẦN MỀM TRÊN NỀN MATLAB 7.0 4.1 CƠ SỞ LÝ THUYẾT