基于加权互信息的多模图像配准算法

合集下载

生物医学工程中的多模态图像配准算法研究

生物医学工程中的多模态图像配准算法研究1. 引言随着生物医学图像数据的迅猛增长，多模态图像配准成为了生物医学工程领域中一个重要的研究方向。

多模态图像配准是指将来自不同模态的图像进行空间上的对准，以便进行进一步的分析和挖掘。

本文将对生物医学工程中的多模态图像配准算法进行深入研究。

2. 多模态图像配准的意义多模态图像配准在生物医学工程领域中具有重要的意义。

首先，不同模态的图像可以提供互补的信息，通过对不同模态的图像进行配准，可以将这些信息融合起来，使得图像的信息更加完整和准确。

其次，多模态图像配准可以有效地进行病灶检测和分类。

通过将来自不同模态的图像进行配准，可以更好地辅助医生进行病灶的定位和诊断。

最后，多模态图像配准可以在手术导航中发挥关键作用。

通过将来自不同模态的图像进行配准，可以更准确地指导手术，提高手术的安全性和成功率。

3. 多模态图像配准的挑战多模态图像配准面临着一些挑战。

首先，不同模态的图像在像素分辨率、图像强度和对比度等方面具有较大的差异。

这些差异给图像配准带来了一定的困难。

其次，多模态图像往往存在变形和缺失等现象，这也增加了图像配准的难度。

此外，多模态图像配准需要在保持图像的准确性的同时尽量减小配准过程中引入的变形和伪影。

4. 多模态图像配准算法4.1 基于特征的配准算法基于特征的配准算法是多模态图像配准中常用的一种方法。

该算法通过提取图像的特征点，并将这些特征点进行匹配，从而实现图像的配准。

常用的特征包括角点、边缘和纹理等。

该算法具有计算效率高、鲁棒性强的优点，但在特征提取和匹配过程中对图像质量和噪声具有一定的依赖性。

4.2 基于互信息的配准算法基于互信息的配准算法是一种广泛应用的多模态图像配准方法。

该算法通过计算不同图像之间的互信息来度量它们的相似性，并利用优化方法将图像进行配准。

该算法具有较好的鲁棒性和准确性，但计算复杂度相对较高。

4.3 基于形变场的配准算法基于形变场的配准算法是一种通过构建形变场来实现图像配准的方法。

基于互信息的医学图像配准中的优化算法的改进

ＩＮ０－３４ＳＳ１０９０４
Ｅ－ｍａｌｅｆＣＣ．ｅ．ｎｉ：ｄｕ＠ＣＣｎｔｃ
Ｃｍｐｔｒｎｗｅｇｎｅｈｏｏｙ电脑知识与技术ｏｕｅｏｌｄｅａｄＴｃｎｌＫｇ
Ｖｏ．，．６Ｊｎ０１．１８Ｎｏ１，ｕｅ２２
摘要：究了基于互信息测度的医学图像配准方法，出了一种优化算法的改进。目的旨在于解决配准的精度和在基于互信息配研提准过程中的效率问题。提出的优化算法是将拟牛顿方法运用于多模医学图像配准中。实验结果说明这种改进的方法能有效提高
配准的精度和效率问题，并得到好的实验效果。
Ｕｎｖｒｔ，ａｇｈｕ５００，ｉａｉｅｉＧｕｎｚｏ１０６Ｃｈｎ）ｓｙ
Ａｂｔａｔｓｒｃ：ＴｈｓｐｐｒｐｅｅｔａｎｖｌＯｐｉｚｄｍｅｈｄｆｒｍｅｉａａｅｒｇｓａｉｎｔｅｐ印ｏｅｉｔｏｖｒｂｅ，ｉｈａｅｔｅｉａｅｒｓｎｓｏｅｔｍｉｅｔｏｏｄｃｌｍｇｅｉｒｔ，ｈｕｓｓｏｓｌｅｐｏｌｍｓｗｈｃｒｈｉｔｏ
１熵与互信息．１
熵是信息论中的一个概念，是系统复杂性和不确定性的测度。香农在１４年提出了熵的概念，以度量通信过程中心信息源９８用
ｗｈｃｅｅｐｒｃｉｎｏｒｇ￣ｉｎｃｎｓｌｅｒｂｅｏｈｇａｕａｏ，ｎｈｅｅｏｄｅｅｔｉｄｖｌｓｅｉｏｆｅｓｏ，ａｖｔｏｌｈｏｐｓｉｏｅｈｐｍｆｕｅｃｃｌｉｎａｄｃｉｏｃ．ｌｔａｖｇｆｓ

自适应指数加权互信息配准医学图像的测度及相应算法

维普资讯
・
１６・３
《物医学工程学进展｝０８年第２生２０９卷第３期
研究论著
自适应指数加权互信息配准医学
图像的测度及相应算法木
陈芳，张建秋，胡波
复旦大学电子工程系（海２０３）上０４３
换，使待配准的两幅图像的对应点达到空问位置和解
不需要对图像进行分割或其他预处理，已经广泛应用
它作为医学和遥感等图像配准 ห้องสมุดไป่ตู้相似性测度，于该基
测度的互信息配准方法，目前公认较好的配准方法是之一【４。但互信息并不是完美的，多文献证明互３］．很
平滑性；而指数的权值则可以通过评估待配准图像的质量和分辨率大小来自适应确定。仿真实验结果在验证分析结果的同时也表明，基于本文ＡＷＭＩＥ测度的配准方案，图像噪声、对分辨率差异等有较高的鲁棒性，且可有效地提高配准的成功率。
【关键词】医学图像配准；互信息；自适应指数加权
【ｅｒｓＭｄａｉａｅｅｓａｏ；ｕａｉｏａｏ；ｄｐｖｐｎｎａｗｉｔＫｙＷｏｄ】ｅｉｇｇｔｔｎＭｔｒｔｎＡａｔｅｘｏｅｔｅｈｄｃｍｒｒｉｌｉｕｎｍｉｌｆｉｅｉｌｇｅ
０引言
信息作为相似性测度存在着鲁棒性问题：这是因为互
剖位置的完全一致。而使其达到完全一致的评判标准就是待配准两幅图像之间的某种相似性测度。这
信息是基于图像灰度统计量，当图像分辨率较低或者存在噪声干扰时，互信息测度曲线存在局部极值点，

基于互信息的医学图像配准中的优化算法

但遗传算法存在着明显的缺点，在经常实验的传统遗传算法的进化即从医学图像配准（ｅｉａｉｇｅｉｒｔｎ与图像融合技术是近年过程中，交叉算子产生新染色体的能力和种群的多样性不断降低，ｍｄｃｌｍａｅｒｇｔｉ）ｓａｏ出现 “ 早收敛 ” 过问题。文献［用一种改进的自适８１采来在医学图像处理领域中的热门研究方向之一。图像配准是图像融合而容易陷入早熟，对很过和进行多模态图像分析的基本问题。近年来，学图像配准技术有了应遗传算法，医学图像进行配准，好的克服了遗传算法 “ 早收医
能够记住搜索过程中遇到的最好结果，当退火结束时，将所得最终解ＩＡ，＝Ａ）日（一Ａ，＝（Ｂ）日（＋Ｂ）Ｈ（Ｂ）日Ｔ在医学图像配准中．虽然两幅图像可能来自不同的成像设备，但与记忆器中的解比较并取较优者作为最后结果。并用该法对Ｃ和
新的进展，大互信息法是目前应用较多的一种方法，配准精度一敛 ” 问题，得了良好的效果最其的取３４模拟退火法简称Ｓ法，受到固体退火过程的启发而提出，Ａ是般高于基于分割的方法，由于该方法不需要对图像做分割、征处理特等预处理，乎可以用于任何不同模式图像的配准．具有较强的鲁的一种全局优化方法，拟退火算法在某一初温下，用具有概率突几并模利ｔｏｉｏｓ伴棒性。但是最大互信息的计算涉及大量的浮点运算，配准过程复杂跳特性的Ｍｅｒｐｌ抽样策略在解空间中进行随机搜索，随温度的其

多模医学图像配准方法毕业设计

多模医学图像配准方法设计摘要现代医学经常过使用到图像进行辅助诊断，而一种成像设备得到的图像无法完全获取所有的信息，这就需要多幅图像进行配准融合，得到全新的更全面的图像。

本文提出一种基于互信息的方法，对两幅CT和MRI脑部图像进行配准，意在能精确快速得对双模医学图像进行配准。

首先是读取图像的灰度信息，设定一个配准的初始点，得到两幅图像的联合直方图，然后计算两幅图像的互信息值，输出互信息值和配准的参数，对比多次输出的互信息值大小，得到最佳的配准参数。

配准完成后，利用基于小波变换的方法对两幅图像进行融合处理，输出融合后的图像。

实验结果证明，此算法能有效得得到最佳配准参数和融合后的图像，配准精度能达到亚像素级，符合配准的基本要求。

关键词：医学图像，图像配准，互信息，图像融合IThe design of Multimodality medical image registrationmethodAbstractModern Medicine often been used to image the auxiliary diagnosis, an image obtained from an image forming apparatus is unable to fully obtain all the information registration fusion, which requires a plurality of images to obtain a more comprehensive image. This paper presents a method based on mutual information of two CT and MRI brain image registration, intended to be able to accurately and quickly was the dual-mode medical image registration.First, read the image gray, set the initial point of a registration, the joint histogram of the two images, and then calculated the value of the mutual information of the two images, the output mutual information and the registration parameters, contrast times the output value of the mutual information size, get the best registration parameters. After the completion of the registration, the use of the two images based on wavelet transform method fusion, fusion of the output image.Experimental results show that this algorithm can effectively get the best registration parameters and image fusion, registration accuracy can achieve sub-pixel level, in line with the basic requirements of registration.Keywords: Medical imaging, image registration, mutual information，Image fusionII目录摘要 (Ⅲ)Abstract (II)1 绪论 (1)1.1选题的背景、意义 (1)1.2相关研究的最新成果及国内外研究现状 (1)1.3基于互信息配准方法的研究进展 (3)1.4本文结构 (4)2数字医学图像的基础理论 (5)2.1图像配准方法的分类 (5)2.2医学图像配准的基本步骤 (6)2.3最大互信息法的介绍 (7)2.4图像配准的评估指标 (9)2.5图像配准的主要难点 (10)2.6图像融合的主要方法和要求 (11)2.6.1图像融合的方法 (11)2.6.2图像融合的基本要求 (11)2.6.3图像融合的评测 (11)3 CT/MRI双模医学图像的配准融合 (12)3.1CT图像和MRI图像的成像原理及特点 (12)3.1.1 CT图像的原理及特点 (12)3.1.2 MRI图像的原理及特点 (12)3.2 配准方法 (13)3.3融合方法 (13)3.4 图像配准融合的实现 (13)3.5 基于互信息配准算法总结 (16)3.6 基于小波变换的融合方法的总结 (18)4总结与展望 (22)4.1总结 (22)4.2展望 (22)参考文献 (24)致谢 (26)III附录 (26)附录1 图像配准M文件 (26)附录2 图像配准子程序 (26)附录3 优化算法代码 (28)IV多模医学图像配准方法设计1 绪论1.1选题的背景、意义近年来,随着计算机科学和信息技术的不断发展，医学成像技术也得到了迅速发展。

基于互信息的图像配准技术研究毕业论文

基于互信息的图像配准技术研究毕业论文目录第1章绪论 (1)1.1 研究背景 (1)1.1.1 应用价值 (1)1.1.2 研究概况及发展趋势 (1)1.2 本文研究内容 (2)第2章图像配准 (4)2.1 图像配准的基本过程 (4)2.2图像配准方法的分类 (5)2.3 主要的图像配准方法 (7)2.3.1 基于特征的配准方法 (7)2.3.2 基于灰度的配准方法 (7)2.4 本章小结 (8)第3章互信息在配准中的应用 (9)3.1 互信息的概念 (9)3.1.1 熵 (9)3.1.2 互信息 (11)3.2 基于互信息的配准 (11)3.2.1 互信息配准的基本步骤 (11)3.2.2 MATLAB平台中互信息的配准 (12)3.3 本章小结 (13)第4章互信息图像配准的技术 (14)4.1 插值技术 (14)4.1.1 最近邻插值法 (14)4.1.2 三线性插值法 (15)4.1.3 部分体积分布插值法 (16)4.2 出界点处理 (18)4.3 灰度级别对配准的影响 (18)4.4 优化算法 (20)4.4.1 引言 (21)4.4.2 Powell法 (21)4.4.3 遗传算法 (22)4.4.4 遗传-模拟退火混合优化算法 (26)4.4.5 蚁群算法 (28)4.5 本章小结 (31)结论 (33)参考文献 (34)致谢 (36)第1章绪论1.1 研究背景1.1.1 应用价值随着图像信息的需求日益强烈，近二十年来，图像融合的研究蓬勃兴起，成为图像处理的一大热点。

在实际应用中，单一模态的图像往往不能提供所需要的足够的信息,通常需将不同模态的图像融合在一起，得到更丰富的信息以便了解综合信息。

然而不同模态的图像会出现成像原理不同、分辨率不同、灰度属性不同等情况，图像间并不存在简单的一一对应关系。

为了能将不同模态图像中的信息融合在一起，就必须首先进行图像配准。

图像配准是图像分析和处理的关键步骤，在遥感图像处理、医学图像处理、计算机视觉和模式识别等领域得到广泛应用。

医学影像处理中的图像配准算法实现技巧

医学影像处理中的图像配准算法实现技巧医学影像处理在现代医学诊断中起着至关重要的作用。

而图像配准作为其中重要的一环，是将不同影像之间进行准确的位置、尺度和方向的对齐，以实现医学影像的比较、融合和分析。

本文将介绍医学影像处理中的图像配准算法实现技巧。

一、图像配准概述图像配准是指将一组图像中的目标物体进行精确定位和对齐。

医学影像处理中的图像配准旨在准确地比较不同时间点或不同影像模态的医学图像，以便更好地追踪疾病的进展和评估治疗效果。

二、图像配准的算法医学影像图像配准的算法可以分为以下几类：1. 特征点匹配算法特征点匹配算法是一种常用的图像配准方法。

该方法通过检测图像中的特征点，并找到这些特征点之间的对应关系，从而实现图像的对齐。

常用的特征点匹配算法包括SIFT、SURF和ORB等。

首先，算法会在图像中提取特征点，并计算每个特征点的描述子。

然后，通过计算特征点描述子之间的相似度，找到最佳匹配。

最后，通过对特征点的位置进行配准，实现图像的对齐。

2. 基于互信息的配准算法互信息是一种常用的图像配准衡量指标，用于评估两幅图像的相似性。

基于互信息的配准算法主要包括归一化互信息（NMI）和互信息标准差（MIS）等。

该方法通过计算图像中的灰度直方图，并结合互信息来衡量两幅图像的相似度。

然后，通过优化配准变换参数，使得互信息最大化，实现图像的配准。

3. 基于变形场的配准算法基于变形场的配准算法利用变形场来描述图像的形变情况，并通过优化变形场来实现图像的对齐。

典型的基于变形场的配准算法有Thin-Plate Spline（TPS）和B-spline等。

该方法首先计算图像的像素点之间的位移，然后通过插值方法生成变形场。

最后，通过优化变形场的参数，实现图像的对齐。

三、图像配准的应用图像配准在医学影像处理中广泛应用于以下领域：1. 临床诊断医学影像图像配准可以提供医生在不同时间点或不同影像模态下进行疾病比较和评估的依据。

例如，在肿瘤的持续监测中，医学影像配准可以实现不同时间点下肿瘤的精确测量和比较。

基于三维互信息的多模医学图像配准

3. 3 三线性插值 ( P a r t i a l V o l u meD i s t r i b u t i o nI n t e r p o l a t i o n , P V ) 将浮动图像的 8 个顶点的灰度值与参考图像中的 p R灰度值组成 8 个灰度序偶 , 每一对灰度序偶对联合直方图贡献权值 ω 。 i
1 0 0 t x 0 t y 1 t z 0 1
ƒ( p ) =i n t ( F
( n) ) ∑ ω· r
i i i
( 16) ( 17)
H ƒ( p ) , r ( p ←H ( ƒ( p ) ,r ( p ) )+ 1 α F R) α F R
T=
0 1 0 0 0 0
( 8)
旋转变化矩阵 R , Ф , Фy , Фz人为绕 x , y , z 轴旋转的角度 , 单位 x 为弧度。 Rx , R , R 分别为绕 x , y, z , 轴的旋转变换矩阵。 y z Rx= 0 s i n ( Фx ) c o s ( Фx ) 0
( 20)
比例变换矩阵 S , S ,S , S 分别为 x, y, z 轴的比例变换系数。 x y z
s x 0
S=
0 0 0
s y 0 0 0 0
s z 0
2. 3 浮动图像到参考图像坐标变换浮动图像坐标到参考图像坐标的仿射几何变换 , 可以通过以下三步完成。。 2. 3. 1 浮动图像坐标 P , ω ·P F 到浮动世界坐标 ω F F =T i ,ω ,F F 2. 3. 2 从浮动世界坐标 ωF映射到参考世界坐标岭 ω ,ω A · R R=
∑ ω(p) =1
i F i
( 18)

基于互信息与边缘梯度相结合的多模医学图像配准方法

基于互信息与边缘梯度相结合的多模医学图像配准方法
齐玲燕;王俊
【期刊名称】《北京生物医学工程》
【年(卷),期】2011(030)004
【摘要】针对传统互信息配准方法未利用图像空间信息的缺点,本文研究了图像边缘信息的梯度相似性.首先采用小波模极大值边缘检测提取出图像边缘,提出将边缘图像的梯度相似性系数与传统的互信息相乘作为图像配准的目标函数.然后通过使用Powell优化算法对目标函数进行寻优,得出配准变换参数.最后在互信息的基础上引入图像边缘梯度信息,突出了全局最优解.实验结果表明,该方法可以得到精确、有效的配准结果.
【总页数】4页(P359-362)
【作者】齐玲燕;王俊
【作者单位】南京邮电大学,图像处理与图像通信江苏省重点实验室,南京,210003;南京邮电大学,图像处理与图像通信江苏省重点实验室,南京,210003
【正文语种】中文
【中图分类】R318.04
【相关文献】
1.边缘互方差与互信息结合的多模医学图像配准 [J], 杨芳;刘君;何南;尹阳
2.基于形态学梯度和互信息的医学图像配准方法 [J], 姚玉翠;杨立才;李金亮
3.基于边缘特征点互信息熵的医学图像配准方法 [J], 魏本征;甘洁;尹义龙
4.基于互信息与梯度相似性相结合的医学图像配准方法 [J], 陈伟卿;欧宗瑛;李冠华;韩军;赵德伟;王卫明
5.基于互信息的多模态医学图像配准方法研究 [J], 沈仑; 寿鹏里
因版权原因，仅展示原文概要，查看原文内容请购买。

多模态融合图像配准算法研究

多模态融合图像配准算法研究在计算机视觉领域，图像配准是一项重要的研究课题。

它涉及到将多个图像或图像中的不同部分对齐，从而实现跨图像的比较或特征提取。

然而，由于图像的多样性和复杂性，图像配准任务并非易事，尤其是对于不同模态的图像。

多模态图像配准是一种将不同模态图像进行对齐的方法。

不同模态图像由于使用不同的成像技术或参数设置，其图像特征和对比度存在明显差异，因此常常存在图像之间的脱对齐问题。

这就导致了传统的单模态图像配准方法在多模态情境下表现不佳。

为了解决这一问题，研究人员提出了多模态融合图像配准算法。

这类算法通过融合多个图像的信息，以提高配准的准确性和鲁棒性。

常用的融合方式包括特征融合和图像融合。

特征融合是将不同模态图像中提取的特征进行融合。

典型的特征包括边缘、角点、纹理等。

这些特征对应着图像中的重要信息，通过融合这些特征，可以消除不同模态图像之间的差异。

常用的特征融合方法包括特征加权和特征组合。

特征加权是通过赋予特征不同的权重，从而提高其在配准过程中的重要性。

权重可以通过学习、优化或者经验确定。

例如，可以通过最小化不同模态图像特征之间的差异来确定权重。

而特征组合则是将不同模态图像的特征进行组合，形成新的特征向量用于配准。

这种方法可以充分利用不同模态图像中的信息。

除了特征融合，图像融合也是一种常用的多模态融合图像配准方法。

图像融合是通过图像级的操作来实现配准。

常用的图像融合方法包括直方图匹配和像素级融合。

直方图匹配是一种通过对图像的直方图进行变换来实现图像配准的方法。

通过将不同模态图像的直方图进行匹配，可以将它们的对比度和灰度分布进行调整，从而实现图像的对齐。

这种方法适用于不同模态图像的灰度区间重叠较大的情况。

与直方图匹配不同，像素级融合是一种通过对图像的像素进行变换来实现图像配准的方法。

该方法将不同模态图像的像素进行映射，从而使它们的像素值相近或一致。

常用的像素级融合方法包括互信息和亮度匹配。

互信息是一种衡量两个随机变量之间关联程度的指标。

基于加权互信息的多模图像配准算法

基于加权互信息的多模图像配准算法张峻豪;孙焱;詹维伟【摘要】In medical image registration based on Mutual Information(MI) method, it exists the problem about the local extrema. Aiming at this problem, this paper proposes a multi-modality image registration algorithm based on Weighted Mutual [nformation(WMI). Through the preprocessing procedure by global filtering and edge extraction, it extrudes the image features, and uses WMI method to realize registration. Experimental result shows that this algorithm can improve the accuracy and the speed in mulit-modality image registration.%基于互信息方法的医学配准容易出现局部极值现象,导致准确率下降.为此,提出一种基于加权互信息的多模图像配准算法.通过全局滤波和边缘提取进行图像预处理,突出图像特征,采用加权互信息方法实现配准.实验结果表明,该算法能够提高多模图像配准的准确率,加快匹配速度.【期刊名称】《计算机工程》【年(卷),期】2012(038)016【总页数】5页(P207-211)【关键词】医学图像配准;局部体积插值;局部极值;加权互信息;预处理【作者】张峻豪;孙焱;詹维伟【作者单位】上海交通大学软件学院,上海200240;上海交通大学软件学院,上海200240;上海交通大学软件学院,上海200240【正文语种】中文【中图分类】TP911.731 概述目前，医学影像技术不仅在硬件技术和成像方法上不断改进，同时对于影像的处理也推陈出新，如在硬件方面，医学影像从体表摄像，经过超声成像和计算机断层成像(Computed Tomography,CT)，发展至当今普遍运用的数字血管减影成像(Digital Subtraction Angiography,DSA)和正电子发射断层成像(Position Single Emission Tomography,PET)等，而处理技术也从对于单幅图像简单的滤波、除噪技术，发展至可对三维体数据进行高速、精确提取、分割的技术。

基于互信息的多模医学图像配准系统设计与实现

配准结果显示模块
显示配准结果，包括配准参数、配准前后图像对比等，以便用户评估和确认。
04
系统实现的关键技术
医学图像预处理技术
图像去噪
采用滤波器去除图像中的噪声，提高图像质量。
图像分割
将感兴趣区域与背景分离，便于后续配准。
图像标准化
将不同模态的图像进行归一化处理，使其具有相同的灰度级别和对比度。
基于互信息的图像配准方法概述
1 2 3
基于互信息的图像配准方法
基于互信息的图像配准方法是一种利用图像间的空间信息相似性来进行图像配准的方法。
互信息的定义
互信息是用来度量两个随机变量之间相关性的一个非负值，在图像配准中用来度量两幅图像之间的空间信息相似性。
互信息在图像配准中的应用
在图像配准中，互信息被用作相似性测度，计算两幅待配准图像之间的信息熵，通过最大化信息熵来估计变换模型参数。
02
基于互信息的图像配准方法
图像配准基本原理
图像配准定义
图像配准是通过对两幅或者多幅图像进行空间变换，使它们在空间上的对应点达到一致的过程。
图像配准的必要性
对于多模医学图像，由于不同模态的成像原理和信息内容不同，配准后能够融合各模态的优点，提供更丰富的诊断信息。
图像配准的一般流程
一般包括特征提取、变换模型估计、图像变换和融合等步骤。
系统总体架构设计
01
02
03
系统架构
基于互信息的多模医学图像配准系统采用C/S架构，包括客户端和服务器端。
客户端功能
提供用户界面，接收用户输入，处理本地图像数据，并显示配准结果。
服务器端功能
提供服务支持，存储和管理图像数据，接收客户端请求，计算配准参数，并将结果返回给客户端。

基于互信息的多模态医学图像配准研究

准
研
究
摘
要：由于基于互信息的图像配准方法具有自动化程度高、准精度高等优点，文利用这一优点，配本根据图像配准的基
本步骤设计出一个基于互信息的多模态医学图像配准算法。首先是采用三线性插值方法对图像进行插值处理，然后利用Ｐｗｌ优化算法，ｏｅｌ根据互信息值来判断Ｐｗｅ算法所获得的参数是否是最优参数解。最后仿真实验证明了该算法的有效性。ｏｌｌ关键词：图像配准；互信息；多模态；ｏｌ算法Ｐｗｅｌ中图分类号：Ｐ９Ｔ３１文献标识码：Ａ文章编号：６１７２（００８Ｏ１－３１７－９．１）．Ｏ５０４２
ｍｅｏ．ｈｔｄ
ＫｙｒｓＩａｅＲｅｉｔａｉｎＭｕｌｎｏｍａｉｎＭｕｔｍｏａ；ｏｌＡｌｏｉｅｗｏｄ：ｍｇｇｓｔ；ｒｏｍａｆｒｔ；ｌ — ｄｌＰｗｅｌｇｒＩｏｉｈｔ
０引言
１图像配准数学模型
Ａｂｔｃ：ｉｃｇｇｓａｉｎｂｓｄｏｍａｆｒｔｎｈｓｔｅａｖｎａｅｆｉｈａｔｍａｉｎａｄｈｇｒｃｓｏ，ｃｏｄｓｒｔＳｎｅｉａｍａｅｒｉｒｔａｅｎｍｕｌｎｏｍａｉａｄａｔｇｓｈｇｕｏｔｎｉｈｐｅｉｉｎａｃｒ－ｅｔｏｉｏｈｏｏｉｇｔｅｅａｖｎａｅ，ｕｐｓｏｄｓｇｌｉｍｏａｄｃｌｍａｅｒｇｓａｉｎａｇｒｈｂｓｄｏｍａｉｆｒｔｎＦｒｔｎｔｓｄａｔｇｓｗｅｐｒｏｅｔｅｉｎａｍｕｔ－ｄｌｏｈｍｅｉａｇｅｉｔｔｌｏｔｍａｅｎｍｕｌｎｏｍａｉ．ｉｓｉｒｏｉｏｂｌｅｒｎｅｐｌｔｎｍｅｏｓｄａｇｔｒｏａｉｎａｄａｃｒｉｇｔｅｍｕｌｉｆｒａｉｎｖｌｅｔｅＰｗｅｌａｇｒｈａｉｎａｔｒｏａｉｔｄｉｕｅｓｉｉｉｏｈｓｍａｅｉｅｐｌｔ，ｎｏｎｃｏｄｏｔｍａｎｏｎｈｍｔａｕ，ｏｌｌｏｉｏｈｔｍｃｎｄｔｒｉｅｗｈｔｅｅｏｔｉｅａａｔｒｉｈｐｉｌｐｒｍｅｅｏｕｉｎＴｅｓｍｕａｉｎｒｓｌｈｗｅｅｅｔｅｅｓｏｉｅｅｎｅｒｔｂｎｄｐｒｍｅｅｓｓｔｅｏｔｍｈｈａｍａａａｔｒｓｌｔ．ｈｉｌｔｅｕｔｓｏｔｆｃｉｎｓｆｔｓｏｏｓｈｖｈ

方向相关与互信息加权组合多模图像配准方法

关键词：多模图像配准；互信息；区域优选；方向相关中图分类号：ＴＰ３９１．４文献标志码：Ａ文章编号：１ｏ０７ — ２２７６（２０１３）０３ — ０８３６ — ０６
ＴａｎＤｏｎｇｊｉｅ，ＺｈａｎｇＡｎ
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉａｎ７１００７２，Ｃｈｉｎａ）
Ｍｕｌｔｉ－ｍｏｄｅｌｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｂａｓｅｄｏｎｗｅｉｇｈｔｅｄｏｒｉｅｎｔａｔｉｏｎ
ｃｏｒｒｅｌａｔｉｏｎａｎｄｍｕｔｕａｌｉｎｆｏｒｍａｔｉｏｎ
ｏｉｅｒｎｔａｔｉｏｎｍａｐ．Ｆｉｎａｌｌｙ，ｂｙｉｎｔｅｇｒａｔｉｎｇｈｅｔｃｏｒｅｌａｉｏｔｎｏｆｅｄｇｅｏｉｅｒｎｔａｔｉｏｎｍａｐａｎｄＭＩｏｆｏｐｔｉｍａｌｒｅｇｉｏｎｓ
Ａｂｓｔｒａｃｔ：Ａｎｉｍｐｒｏｖｅｄｍｕｌｔｉ — ｍｏｄｅｌｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｍｅｔｈｏｄｗａｓｐｒｏｐｏｓｅｄｆｏｒｖｉｓｉｂｌｅａｎｄｉｎｆｒａｒｅｄｉｍａｇｅ

基于加权互信息的医学图像配准方法

基于加权互信息的医学图像配准方法
刘青芳;焦冬莉
【期刊名称】《测试技术学报》
【年(卷),期】2014(028)002
【摘要】互信息作为多模医学图像配准的测度函数被广泛应用,但是当配准图像不理想时,互信息配准方法可能会失效.为了提高配准的精度及稳定性,提出了一种改进加权互信息的医学图像配准方法.首先,由图像直方图辅助的方法选取一定的感兴趣区域;其次,分别计算感兴趣区域的互信息和整体图像的互信息;最后,由两个不同的互信息加权组合构造出两个新的测度函数并作为图像配准的依据.对3个测度函数的特性、配准误差和配准时间进行实验比对,结果表明改进的方法具有较高的精度和较好的鲁棒性.
【总页数】6页(P137-142)
【作者】刘青芳;焦冬莉
【作者单位】太原工业学院电子工程系,山西太原030008;太原工业学院电子工程系,山西太原030008
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于混合互信息和改进粒子群优化算法的医学图像配准方法 [J], 史益新;邱天爽;韩军;金声
2.基于边缘特征点互信息熵的医学图像配准方法 [J], 魏本征;甘洁;尹义龙
3.基于3D-PCNN和互信息的3D-3D医学图像配准方法 [J], 王观英;许新征;丁世飞
4.基于空间加权互信息的非刚性医学图像配准 [J], 王腾飞;杨艳
5.基于互信息的多模态医学图像配准方法研究 [J], 沈仑; 寿鹏里
因版权原因，仅展示原文概要，查看原文内容请购买。

基于最大互信息的多模医学图象配准

基于最大互信息的多模医学图象配准
罗述谦;李响
【期刊名称】《中国图象图形学报》
【年(卷),期】2000(005)007
【摘要】介绍了一种基于最大互信息原理的图象配准技术.并就实施最大互信息配准法的一些重要技术问题进行了研究,其中包括不增加新数据点的格点采样子集、不产生分数灰度值的PV插值技术和出界点策略等.该方法在搜索策略上采用了无需计算梯度的Powell 算法.由于计算互信息的关键技术与有效的搜索策略的结合,使得该方法能快速、准确地实现多模医学图象的配准.用该方法对7个病人的41套CT-MR和35套MR-PET 3D全脑数据进行了配准,结果经美国Vanderbilt大学评估,全部达到亚象素级配准精度.该方法可以临床应用.
【总页数】8页(P551-558)
【作者】罗述谦;李响
【作者单位】首都医科大学生物医学工程系,北京,100054;首都医科大学生物医学工程系,北京,100054
【正文语种】中文
【中图分类】R445-39
【相关文献】
1.基于最大互信息的人脑多模图像快速配准算法 [J], 付宜利;于晓龙;王跃华
2.基于轮廓特征点最大互信息的多模态医学图像配准 [J], 火元莲;齐永锋;宋海声
3.基于Harris角点和最大互信息的多模医学图像配准 [J], 吕煊;段会川
4.基于人工免疫及最大互信息的胸部多模图像配准 [J], 李彬;欧陕兴;田联房;毛宗源
5.基于互信息的多模态医学图像配准方法研究 [J], 沈仑; 寿鹏里
因版权原因，仅展示原文概要，查看原文内容请购买。

基于互信息的医学图像配准算法

研究不足与展望
01
仅适用于灰度图像
目前的算法仅适用于灰度图像的配准，对于彩色图像的配准仍存在一
定的挑战。未来的研究可以尝试将该算法扩展到彩色图像的配准中。
02 03
对大形变的适应性有待提高
虽然该算法在大多数情况下表现出色，但对于大形变的医学图像配准效果仍需进一步改进。未来可以尝试引入更先进的形变模型或优化算法，提高对大形变的适应性。
研究内容与方法
研究内容
本文旨在研究和实现一种基于互信息的医学图像配准算法，通过优化计算方法和提高鲁棒性来提高配准精度和效率。
研究方法
本文采用理论分析和实验验证相结合的方法，首先对基于互信息的医学图像配准算法进行理论分析，然后提出改进方案，最后通过实验验证改进方案的有效性和可行性。
02
医学图像配准基础
图像预处理
进行图像的预处理，如去噪、归一化等，以提高配准的准确性。
特征提取阶段
特征提取
利用互信息等方法提取图像中的特征，包括灰度、纹理等。
特征筛选
筛选出对配准有贡献的特征，去除冗余和无效的特征。
配准阶段
01
02
03
初始变换
根据预处理和特征提取的结果，计算初始的变换矩阵。
迭代优化
通过迭代的方式，不断优化变换矩阵，直到达到最优的配准效果。
数据压缩
对输入的医学图像数据进行压缩，可以减少数据的存储空间和传输时间，提高算法的效率
。
算法收敛速度优化
动态调整步长
在迭代过程中动态调整步长，可以加快算法的收敛速度，提高算法的稳定性。
01
并行迭代
通过并行迭代技术，可以将算法的迭代过程分配到多个计算节点上，实现更高效的并行计算。

基于互信息的多模医学图像配准

收稿日期:2008207210.作者简介:沈慧娟(19692　),女,福建莆田人,嘉兴学院机电工程学院实验师.基于互信息的多模医学图像配准沈慧娟a ,曾宪智b(a.嘉兴学院机电工程学院; b.嘉兴学院医学院,浙江嘉兴314001)摘　要:以互信息配准原理为基础,讨论了互信息配准算法应用于图像的几何对准并给出了初步的评估结果.通过CT/MR 、PET/MR 配准后的结果与现有的标准进行比较,说明互信息法不需要对图像进行预处理,可以实现多模医学图像配准,并达到亚像素级的配准精度,以满足临床应用的要求.该算法可靠性高,对图像几何失真、灰度不均匀性及数据的缺失等不敏感,并适当调整初始化参数,可以避免明显的误配准.关键词:医学图像;图像配准;互信息　中图分类号:R445Medical Im age R egistration B ased on Mutu al I nform ationSH EN Hui -juan a ,ZEN G Xian -zhi(a.School of Mechanical &Electrical Engineering ;b.Medical School ,Jiaxing University ,Jiaxing ,Zhejiang 314001)Abstract :Based on the principle of registration of mutual information ,this paper discusses that the mutual information algorithm can be used in the geometric alignment of image registration and gives a preliminary result of assessment.By comparison of the results after image registration of CT/MR ,PET/MR and available stand 2ard ,it demonstrates that multimodal medical image registration and sub -pixel registration accuracy can be a 2chieved using the mutual information without any preprocessing steps ,which makes this method very well suited for clinical applications.The method is highly reliable and not sensitive to geometrical distortion ,intensity inho 2mogeneity and data missing ,and it can avoid obvious errors by adjusting initial parameters properly.K ey w ords :medical image ;image registration ;mutual information文献标识码:A.　文章编号:100826781(2009)0320074204利用互信息法进行多模医学图像配准已成为医学图像处理领域的热点.多模医学图像融合的关键是图像配准.图像配准的方法主要有特征点法、曲线法、表面法和矩主轴法等.最大互信息配准法由于不需要对不同成像模式下的图像灰度间的关系作任何假设,也不需要对图像进行分割或任何预处理,近年来受到了越来越多学者的关注,并且在医学图像配准领域得到了普遍重视和广泛应用,并被许多医学图像处理软件包作为标准的配准算法.[1]1　互信息配准原理多模图像是来源于不同成像设备的图像.对于同一个体,不同成像模式制成的图像其灰度并不相似,有时还可能很大.但对同一组织而言,对应像素点之间的灰度在统计学上并非独立,而是相关的.这是互信息配准的基础.[2]图像A 、B 之间存在某一空间映射关系(是空间变换参数).对于A 中灰度为a 的像素p 和其在B 中灰度为b 的对应像素P ,a 和b 在统计学上的相关性可用互信息来衡量:I (A ,B )=∑a,b p (a ,b )log 2p (a ,b )p (a )・p (b )(1)・47・嘉兴学院学报J ournal of J i a x i n g Uni versit y 第21卷第3期2009年5月Vol.21No.32009.5　上式中的p (a ,b ),p (a ),p (b )分别为(a ,b )的联合分布和边缘分布,可由两幅图像重叠部分的联合灰度直方图和边缘灰度直方图简单归一化得到.因而I (A ,B )的计算从本质上说依赖于T a .以互信息作为两幅图像相似性测度进行配准基于如下原理:当两幅基于共同解剖结构的图像达到最佳配准时(T a 3),它们对应的图像特征的互信息应为最大.α3=arg max αI (A ,B )(2) 图1是头部CT 和MR 的基于图像灰度值的2D 直方图,其中(a )为未配准的图像直方图,(b )为已配准图像后的直方图.由图可见,配准后,C T 颅骨中的高亮度值对应于MR 中的较低亮度值,它们的2D 联合直方图出现一个尖峰;当图像未配准时,直方图显得很分散.对两种情况计算互信息发现,未配准的情况下,互信息值要小得多.虽然互信息与图像的灰度有关,但有一点必须明确,即互信息并不对两幅图像之间的灰度关系作任何假设,也不对成像模式作任何限制.同时,互信息不直接依赖图像的灰度值来测量不同图像的相关性,而是把图像本身和二者的重叠部分放在一起加以考虑.这样就使它对图像灰度的变化不过分敏感,并对图像之间不同部位的正负相关性能同时处理. (a )I (CT ,MR )=0143(b )I (CT ,MR )=0187图1　头部CT 和MR 重叠部分的联合灰度2D 直方图互信息I (A ,B )作为两幅图像配准的相似性测度,必须满足一个条件,即它不应随互信息配准函数(|α-α3|)的微小变化而出现较大的波动,即互信息函数必须是一个随空间变换参数α不同而变化相对平缓的函数,否则很容易在配准过程中出现局部极值.[3]2　互信息配准算法由于互信息法不需要对不同成像模式下的图像灰度间的关系作任何假设,也不需要对图像进行分割或任何预处理,因此,该法是一种全自动的算法.211　采样和变换对两幅待配准的图像,定义一个立体坐标系:X 轴为沿行扫描方向,Y 轴为沿列扫描方向,Z 轴则沿从颅顶到颅底的方向.以一幅图像为浮动图F ,另一幅为参考图R ,两幅图像上的像素灰度值归一化为256个灰度级(0～255).坐标原点定义在图像的灰度重心:[4]C x =∑xx ・g (x ,y ,z )∑x g (x ,y ,z );C y =∑y y ・g (x ,y ,z )∑y g (x ,y ,z );C z =∑z z ・g (x ,y ,z )∑zg (x ,y ,z ) 其中g (x ,y ,z )为像素点(x ,y ,z )的灰度值.这样做相当于两幅图像的重心对齐,为后续的优化步骤打下了基础.下一步工作主要就是计算旋转矩阵,同时对平移向量微调,得到最优空间变换T α.对于浮动图像,可以把采样子集限定为整幅图像的大小.但这样会带来两个问题.首先,对大多数断层医学扫描图像来说,3D 数据集所包含的数据点数目极其庞大.考虑一幅512×512×100的C T 图像,采样点数目为21621×108,如此大的数据会极大地增加计算机的时间消耗和空间代价,就目前计算机的计算速度和存储容量来说,这将使3D 体积图像的配准无法实时实现,从而限制了其在临床中的使用.其次,当对象和背景面积差别不大时,过多背景像素的引入容易使互信息配准函数出现尖峰,导致局部极值.因此,将所有目标像素限定在一个矩形框内再采样,就能在很大程度上缓解上述问题.采样有两种方法:一种是随机采样法,另一种是按一定的间隔等间距采样.对浮动图确定采样范围和采样因子,按等距离采样法进行采样.为进一步减少计算量并避免过多背景像素的引入,将人脑图像XY 平面上的采样范围限制在人脑图像灰度重心(C x ,C y ,C z )附近的一定区域内,在区域确定・57・沈慧娟,曾宪智:基于互信息的多模医学图像配准过程中确保所有的目标相素都被包含在内.[5]头颅部的空间变换是刚体变换.因此,考虑3个旋转参数θx 、θy 、θz 和3个平移参数t x 、t y 、t z 就足够了.从浮动图的空间坐标P F 到参考图的空间坐标P R 的刚体变换用下式描述:V R ・(P R -C R )=R x (θx )・R y (θy )・R (θz )・V F ・(P F -C F )+t (t x ,t y ,t z )(3)其中V F 和V R 为3×3的对角阵,分别代表图像F 和R 的像素大小;C F 和C R 分别是两幅图像的中心,R =R x ・R y ・R z 是3×3的旋转矩阵,t 是平移向量.212　插值浮动图的像素点u 经过空间变换后,参考图的对应点u ′的坐标一般来说不是整数.必须通过插值方法计算该点的灰度值.根据采样定理,连续函数采样后在付立叶频域中的频谱是无限多个原频谱的重复.当满足Nyquist 准则时,频谱不会发生混叠.如采样频率大于原信号最高频率的两倍时,就可以从采样后的数据原封不动地恢复出原始数据.因此,理想插值相当于采样函数在付立叶域中与矩形函数相乘,在时域中与sinc 函数相卷积.由于sinc 函数趋于无限,实际应用中不能实现,因此理想插值不可能达到.作为替换,采用不同的有限函数作为卷积(滤波)函数来近似sinc 函数,产生了不同的插值方法.在基于互信息的多模医学图像配准方法中,三线性PV (t rilinear partial volume distribution )插值方法(简称PV 插值方法)和线性插值方法是使用最多的方法.[6]与线性插值算法不同,PV 插值算法不是通过插值点的邻近点来确定该点的灰度值,而是按照周围8个像素与该点的空间距离来分配权重,使邻近点贡献于联合灰度分布统计:H (f ,r )=∑k ∑7m =0wk ,m ・δ(f -f k ,r -r k ,m )(4) 其中f k 为图像F 中体素k 的灰度值,r k ,m 为图像R 中体素k 的8个相邻体素的灰度值.利用原始图像的灰度值参与互信息的计算能取得最满意的结果.PV 插值法不产生新的灰度值,因此,在互信息的计算上将更加准确.同时,随着空间变化参数α的变化,联合直方图的变化比较平缓,互信息不会发生突变,这在一定程度上能避免局部极值.213　多参数最优化算法3D 图像配准在本质上是一个多参数优化问题,所以优化方法的选择十分重要.快速有效的优化算法可以大大节省运行时间,为实时图像处理提供可能性.在头部成像过程中,如果扫描设备和几何失真经过仔细地矫正,并慎重选取成像参数,则不同扫描操作使病人头部在成像过程中的变化(如剪切变换)可以被忽略.这时人脑可近似为刚体,通过6个空间变换参数(3个旋转参数和3个平移参数)即可确定两幅图像的空间位置关系,一经确定了刚体变换的形式,配准过程就转化为寻找6个空间变换参数的优化过程了.图2　立方体图计算过程中需要用到目标函数的导数方法和直接利用目标函数值的方法.在实际计算过程中采用Powell 多参数优化算法和Brent 一维搜索算法迭代地估计配准参数,并将收敛准则分别定为10-5和10-3.[7]开始优化时,将6个参数的初始值设为零,初始搜索方向设置为共轭的单位向量.由于各个搜索方向图像分辨率存在差别,优化参数的搜索顺序对优化过程和配准鲁棒性十分重要.考虑到成像过程中,病人在XY 平面的平移和旋转比其他方向的平移和旋转更明显,令优化过程的搜索顺序为(t x ,t y ,θx ,θy ,t z ).经验证,这种搜索顺序效率最高,精度最高.3　结果和初步评估图2是两个立方体,分别代表应用金标准和最大互信息算法得到的经过配准变换的浮动图.点1～8和点1′～8′分别表示两个图像的8・67・嘉兴学院学报第21卷第3期个对应顶点.经配准后得到8个点q i ,MI 和金标准的8个点q i ,ref 按下面方法对配准算法的准确性进行评估:△=18∑8i =1|q i ,ref -q i ,MI |(5)△k =18∑8i =1|q i ,ref ,k -q i ,MI ,k |,　k =x ,y ,z(6) 其中,△表示8个相应顶点的平均几何距离,△k (k =x ,y ,z )表示沿坐标轴的平均绝对误差.根据式(5)和(6)将配准结果和金标准进行比较:表1　CT 2MR 配准结果项目CT/PD CT/T1CT/T2CT/PDr CT/T1r CT/T2r△215590117040219311311359118745317094△x 016013018631018931018847012016019115△y 015991018725019682111030016547117599△z 212946110743214568217062117112216957表2　PET 2MR 配准结果项目PET/PD PET/T1PET/T2PET/PDr PET/T1r PET/T2r △319214411128319082411995412730319912△x 111752019002111115115232019105019991△y 117516118050118532118117119251119621△z 219607219337218921217908311114219358 在表1和表2中,浮动图像分别为C T 和PET ,参考图像为MR.在C T/MR 配准中以MR 图像中的像素对角距作为一个像素大小:11252+11252+4102≈41373(mm )在MR/PET 配准中以PET 图像中的像素对角距作为一个像素的大小:21592+21592+8102≈81799(mm )如果△小于参考图中单个像素大小,则可认为配准达到了亚像素精度.从表1、表2的结果看出,配准结果达到了亚像素精度的要求.参考△k ,发现△x 、△y 相对△z 而言较小,表明X2Y 平面上的配准精度要高于Z 方向,这可能与Z 方向上的低分辨率有关.在临床上并不存在所谓的“金标准”,实践证明,临床专家对配准结果评估的介入是十分必要的.事实上,对多模医学图像配准结果进行目测检验的确是一种可行的方法.在PET 2MR 图像配准中,有经验的专家通常可以识别XY 方向上2mm 以内的平移,Z 轴方向3mm 以内的平移或绕任意轴4°以上的旋转.最大互信息法应用于C T 、MR 、PET 配准的结果能达到很好的精度,生成的新的融合图像有利于临床医生进一步的综合诊断.4　结论互信息是统计两个随机变量相关性的测度.以互信息作为两幅图像相似性测度进行配准基于如下原理:当两幅基于共同解剖结构的图像达到最佳配准时,它们对应的图像特征的互信息应为最大.从结果可以看到,基于互信息的配准方法基本上达到了亚像素分辨率,可以达到临床应用的要求.参考文献:[1]PA YN E B A.Surface mapping brain function on 3D models [J ].IEEE Computer Graphics and Applications ,1990,13(1):20226.[2]常迥.信息理论基础[M ].北京:清华大学出版社,1993:13222.[3]WON G J C.Evaluation of t he limit s of visual detection of image misregistration in a brain fluorine 218fluorodeoxyglucose PET 2MRI study [J ].Eur.J.Nuclear Medicine ,1997,24:6422650.[4]康哓东.现代医学影像技术[M ].天津:天津科技翻译出版公司,2000:4042406.[5]陈宝林.最优化理论与算法[M ].北京:清华大学出版社,1989:3342431.[6]章毓晋.图像处理和分析[M ].北京:清华大学出版社,1998:3262420.[7]VIOL A P ,WELL S I ,WILL IAM M.Alignment by maximization of mutual information.In :Proc.Int ’1Conf.on comput 2er Vision [M ].Cambridge ,MA ,1995,16223.(责任编辑　方土)・77・沈慧娟,曾宪智:基于互信息的多模医学图像配准。

基于互信息和混合优化算法的多模医学图像配准

ＭｕｔｍｏａｉｙＭｅｉａｍａｅＲｅｉｔａｉｎＢｓｄｏｌｉｄｌｄｃｌＩｇｇｓｒｔａｅｎｔｏＭｕｕｌＩｆｒｔｎａｄＨｙｒｄＯｐｉｉａｉｎＡｌｏｉｍｔａｎｏｍａｉｎｂｉｔｚｔｇｒｔｏｍｏｈ
一
需要提取图像的解剖特征，因此它是一种精度高、稳健性强的方法… 在医学图像配准领域得到了普遍１，
关注和广泛目前使用得最多的优化算法主要是单纯形法和Ｐｗｌ，ｏｅ法此外还ｌ有模拟退火算法和遗传算法＿这些优化算法各有２．２＿优点，但也都存在不足之处．ｏｅ法和单纯形法都Ｐｗｌｌ不需要计算导数，Ｐｗｌ法在配准过程中很容易但ｏｅｌ
Ｖｏ．３．１３Ｎｏ．１
Ｆｂｅ．２００６
文章编号：００２７（０６０ —ｌ７０１０ —４２２０）１０１—４
基于互信息和混合优化算法的多模医学图像配准
张汗灵，杨帆
４０８）１０２
（湖南大学计算机与通信学院，湖南长沙
成像模式的图像数据融合起来，用各自图像信息利的特点，在一幅图像上表达来自人体多方面的信息．基于体素相似性的配准方法由于直接使用图像像素
＊收稿日期：０５一Ｏ２０３一Ｏ９
维普资讯
第３３卷第１期
２００６年２月
湖南大学学报（自然科学版）
Ｊｕｎｌｆｕａｉｒｉ（ａｕａＳｉｃｓｏｒａｏｎｎＵｎｖｓｙＮｔｒｌｃｎｅ）Ｈｅｔｅ

基于互信息快速算法的多模医学图像配准

信息计算降低了配准效率，同时对两幅图像重叠区域比较敏感．采用归一化互信息为测度，降低互信息计算中灰度
级的快速算法，通过多模ａ／ＩＴＭＲ配准实验证明，可以在确保配准精度的同时缩短时间提高配准效率．
关键词：互信息；度级；灰多模
第３Ｏ卷
第１期
兰
州
交
通
大
学
学
报
Ｖｏ１３．ＯＮ】
２１年２０１月
ＪｕｎｌｆＬｎｈｕＪｏｏｇＵｎｖｒｉｏｒａｏａｚｏｉｔｎｉｅｓｔａｙ
Ｆｂ２１ｅ．０１
文章编号：０１４７（０１０－０３０１０ —３３２１）１３—４０
信息［两种正规化的互信息测度．ｌｍ等人通过给３］Ｐｕｉ互信息乘以一个梯度项将空间信息结合在配准准则中，ｕ和Ｔｉｎ等人将互信息应用于一种边缘测Ｂｔｚｈａｒ度，罗述谦教授提出了基于形状互信息的配准算法．基于互信息的配准算法实质上是优化算法对互信息的寻优求解过程，中包含了频繁计算互信息其
所表达的是一个系统的复杂性或者是不确定性．在
多模图像配准中，同成像模式的图像在灰度级差不别上并不相似，但对同一解剖结构，对应像素点问灰度统计并非独立，而是相关的［，虑图像Ｆ（ｉｅ４考］Ｆｘｄ
基于互信息快速算法的多模医学图像配准
孙滕，刘云伍，田源

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第３８卷第１期６
ｖ０ｌ３ ‘８
・
计
算
机
工
程
２１０２年８月
Ａｕｇｓ２２ｕｔ０１
ＮＯ１．６
ＣｏｕｔｒＥｎｎｅｉｍｐｅｇｉｅｒｎｇ
图形图像处理・
文章编号：０ｏ－４８０２６＿２ —ｏ文献标识码：Ａ１０＿３２（１）－ｏ０５２１＿７
过全局滤波和边缘提取进行图像预处理，突出图像特征，用加权互信息方法实现配准。实验结果表明，采该算法能够提高多模图像配准的
准确率，加快匹配速度。
关健词：医学图像配准；局部体积插值；局部极值；加权互信息；预处理
Ｍｕｔ－ｏｌｔｍａｅＲｅｉｔａｉｎＡｌｏｉｈｍｌｉｍｄａｉｙＩｇｇｓｒｔｏｇｒｔ
ＢａｅｎｅｇｅｕｔｌＩ０ｍａｉｎｓｄ０ＷｉｈｔｄＭｕａｎｆｒｔｏ
ＺＨＡＮＧｕｎ－Ｊｈａｏ，ＳＵＮＹａｎ，ＺＨＡＮｅ－ｅＷｉｗｉ
（ｃｏｌｆｏｔｒ，ｈｎｈｉｉｏｏｇＵｉｅｓｙＳａｇａ２０４，ｈｎ）ＳｈｏｆｏＳｗａｅＳａｇａＪａｔｎｎｖｒｉ，ｈｎｈｉ０２０Ｃｉａｔ
［ｓｒｃ］ＩｄｃｌｍａｅｒｇｓａｉｎｂｓｄｏｕｕｌｎｏｍａｉｕＭ１ｍｅｈｄｉｅｉｓｔｅｐｏｌａｏｔｅｌｃｌｘｒｍａＡｉｎｔｈｓＡｂｔａｔｎｍｅｉａｉｇｉｒｔａｅｎＭｔａＩｆｒｔ（）ｔｏ，ｔｘｓｒｂｅｂｕａｔｅｔｏｏｔｈｍｈｔｏｅｅ．ｍｉｇａｉｔ
电子发射断层成像（ｏｉｏｉｇｅＥｓｉｎＴｍｏｒｐｙＰｓｉｎＳｎｌｍｉｏｏｇａｈ，ｔｓ
超声图像具备图像的实时性，同时具有无害、设备便
携、成本低廉、安全系数高等特点，在临床领域被广泛关
注。Ｃ而Ｔ图像由于其根据人体各种组织和器官对于ｘ射
中圈分类号ｔＴ９１３Ｐ１７．
基于加权互信息的多模图像配准算法
张竣豪，孙焱，詹维伟
（上海交通大学软件学院，上海２０４）０２０
摘
要：基于互信息方法的医学配准容易出现局部极值现象，导致准确率下降。为此，提出一种基于加权互信息的多模图像配准算法。通
ｐｅｒｃｓｉｇｐｏｃｄｒｌｂｌｆｌｒｎｎｄｅｅｒｃｉｎｔｅｔｕｅｈｍａｅｆａｕｒｓｎＳＳＷＭＩｍｅｏｏｒａｉｅｒｇｉｔａｉｎ．ｒｐｏｅｓｎｒｅｕｅｂｙｇｏａｔｉｇａｄｅｇｘｔｔ，ｉｘｒｄｓｔｅｉｇｅｔｅ，ａｄＵｅｉｅａｏｔｄｔｅｌｚｅｓｒｔｏｈＥｘｅｉｎａｅｕｔｓｏｈｔｈｓａｇｒｔｍａｒｖｃｕａｙａｄｔｅｓｅｄｉｌ — ｏａｉｇｅｉｔａｉｎｐｒｍｅｔｌｓｌｈｗｓｔａｉｌｏｉｒｔｈｃｎｉｍｐｏｅｔａｃｒｃｎｐｅｎｍｕｉｍｄｌｔｉｈｅｈｔｙｍａｅｒｇｓｔｏ．ｒ
ＤＯＩ１．９９ｊｓｎ１０．４８２１．６０４：０３６／ｉ．０３２．０２１．５．ｓ０
ｌ概述
目前，医学断改进，同时对于影像的处理也推陈出新，如在硬件方面，医学影像从体表摄像，经过超声成像和计算机断层成像（ｏｕｅｏｇａｈ，Ｔ，发展至当今普遍运用的数字ＣｍｐｔＴｍｏｒｙＣ）ｄｐ血管减影成像（ｉｉｌｕｔｃｏｎｉｒｈ，Ｓ）正ＤｇｔｂａｔｎＡｇｇａｙＤＡ和ａＳｒｉｏｐ
ｐｏｌｍ，ｔｉｐｐｒｐｏｏｅａｍｕｔｍｏａｉｍａｅｒｇｓａｉｎｌｏｉｍａｅｎＷｅｇｔｄＭｕｕｌｎｏｍａｉｎＷＭ１．Ｔｒｕｈｔｅｒｂｅｈｓａｅｒｐｓｓｌ— ｄｌｙｉｇｅｉｒｔａｇｒｈｂｓｄｏｉｈｅｔａｉｔｔｏｔＩｆｒｔ（ｏ）ｈｏｇｈ
［ｅｏｄ｜ｍｅｉｌａｅｅｉａｏ；ｃｌｏｍｔｐｌｉ；ｃｌｘｅａＷｅｈｅｔａＩｆｍａｏ（Ｋｙｒｓｗｄａｉｇｇｓｔｎｌａｖｌｅｎｒａｏｌａｅｔｍ；ｉｔＭｕｕｌｎｏｔｎＷＭＩｐｅｒｃｓｎｃｍｒｔｉｏｕｉｅｏｔｎｏｒｒｇｄｒｉ）ｒｏｅｉ；ｐｓｇ
线吸收不等的特性，对人体各个器官进行成像，其成像分
辨率大大提高。但ＣＴ成像设备不适合在手术过程中进行操作，更适合进行手术前的诊断。因此，超声图像与ＣＴ图像的配准便能够结合２种不同模态图像的特点，同时表现出２不同图像的特征，医生能够更加充分地了解到种使病变部分的细节情况，从而更直观地做出临床诊断。