论文部分内容阅读
医学影像己成为现代医学中的一个重要的组成部分。医学影像的研究包括两个独立的部分:医学成像系统及医学图像处理。前者强调对图像形成的过程研究,后者主要对已经获得的图像进行加工、处理,使图像更加清晰;使某些特征量更突出,还可对多种类型的图像进行融合。随着医学影像技术的快速发展,出现了多种模态的医学影像。在临床上,使用多种成像技术并适当地将其加以融合,可为临床诊断和手术治疗提供更加全面准确的信息。而图像配准是融合技术中需要先期解决的问题,也是融合的关键部分。配准的结果使两幅图像的对应特征点在空间上达到一致。本论文着重研究图像的配准。首先介绍了多模医学图像配准的概念和配准过程,对目前主要的配准方法及其分类进行了归纳,在对现有的配准算法及相关技术进行了分析整理的基础上,按是否提取图像特征为依据将配准方法分为基于图像特征的配准和基于体素的配准。详细讨论了互信息的相关知识以及插值方法对互信息配准的影响。比较了最近邻插值法、双线性插值法和PV(Partial Volume)插值法这三种插值方法,实验结果表明PV插值法对于互信息函数曲线的光滑性和配准的精确性都具有最好的效果。互信息配准算法认为具有共同解剖结构的两幅图像达到最佳配准时,它们的重叠部分所对应像素灰度的互信息量达到最大值。与传统的图像配准方法相比,互信息配准方法的优势在于:无需对多模图像像素灰度之间的关系作任何假设,无需对图像分割和预处理,完全自动而无需人工交互。针对基于最大互信息的图像配准的不足,研究了基于角点的多模态医学图像配准。从重复率和信息量这两个方面考虑,本文采用了Harris角点算子。对于角点的匹配,提出采用互信息作为相似性度量方法。医学图像配准中采用的优化算法很少涉及到全局优化算法,主要以局部优化算法居多,但这些局部优化算法容易陷入局部极值,从而导致图像的误配准。本论文采用的优化算法是具有良好全局搜索能力的遗传算法。但是,遗传算法由于其存在容易早熟、收敛速度慢的不足,在医学图像配准的应用中有一定的缺陷。本论文通过在编码、遗传操作算子等方面对标准遗传算法进行改进,提高了算法的性能。针对头部MRI和PET图像的特点,提出了一种图像配准策略:以两幅图像Harris角点特征的最大互信息作为配准的代价函数,用PV作为插值方法,以遗传算法作为全局优化算法。实验结果表明:该方法具有配准精度高、速度快、鲁棒性强等特点,是一种有效的全自动配准方法。