论文部分内容阅读
医学图像配准是医学图像处理领域中的一项重要技术,对临床诊断和治疗起着越来越重要的作用。现代医学经常需要将几幅图像结合起来进行分析,以便获取更多的临床信息来提高诊断的有效性和准确性。医学图像配准就是通过寻找某种空间变换,使两幅图像的对应点达到空间位置及解剖结构上的完全一致,配准结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点都达到匹配。医学超声成像因其独具的实时性、可重复性好、灵敏度高、使用方便等优势而被广泛应用,它在人体内部组织器官的定量分析、实时监控和治疗规划等方面都具有极大的潜力。只是超声成像过程易产生斑点噪声,使图像可解释性和判读性变差,增加了图像分析处理的难度,如何改进现有的分析处理方法,在减小斑点噪声影响的前提下提高图像配准的速度和精度,具有较强的现实意义及研究价值。本文首先简单介绍了图像配准技术的相关背景知识,分析比较了当前所存在配准算法的优点和缺点,然后着重研究基于特征向量的图像配准方法。结合研究课题,本文主要完成了以下工作:(1)实现基于特征向量的图像配准方法(HAMMER)的流程和框架,并将其应用于不同器官不同模态的医学图像如脑部的MR图像、DTI图像和骨盆的CT图像中来验证方法的有效性;(2)鉴于超声图像中斑点噪声的影响,本文基于斑点噪声的分布模型和信息论的基本知识在超声图像中提取出非常显著的参数特征,与LoG算子、Canny算子等经典算法提取的特征相比,具有很强的特征响应,且对噪声更加稳定;(3)分析现有基于特征向量的超声图像配准算法(Modified HAMMER)的不足,将基于斑点噪声分布模型提取出的参数特征和灰度值、梯度幅值以及LoG算子作为候选特征,以配准后得到的两幅图像的互信息值作为评判配准效果好坏的准则,采用不同的特征组合方式,通过实验来配准医学超声图像。根据特征的有效性、重要程度和组合方式的不同来设计实验,最终通过大量的实验数据得出以下结论,代表像素点基本信息的灰度值、定位图像中弱边缘特征的LoG算子以及基于斑点噪声分布模型提取出的受噪声影响较小的参数特征这一组合在配准超声图像时得到了最好的结果,既减少了重要特征点的数目又节省了配准所需时间,并提高了配准精度。这种新的超声图像配准方法稳健、灵活,鲁棒性好,期望能将其应用于3D超声和超声CT等新的医学影像技术。另外,研究不同模态图像的性质,利用某种优化策略或基于医生的临床建议选择合适的特征,可以将本文方法的思路扩展用于超声图像和CT图像、MRI图像等之间进行的多模态医学图像配准,这样就可以很方便地实时监测手术中解剖部位的变化,且不会给病人带来额外的损伤和痛苦。