医学图像处理,作为图像处理和相关医学研究的交叉学科,近几十年来得到了长足的发展。随着科技水平的进步,出现了越来越多的研究方向。其中,医学图像配准,尤其是分组配准技术,是当前研究的热点之一。图像配准技术,是在不失真的前提下,将一幅图像所含内容映射到指定空间中去。而分组配准技术,则要求能同时处理若干幅图像。对医学图像而言,上述应用有广泛的前景:既可以跟踪个人病情的演变情况,也可以帮助理解疾病的发展机制,甚至可以比较不同群体甚至不同种族在身体结构上的形态差异。本文回顾了医学图像配准技术的演进和其中关键的技术点,并着重介绍了基于熵等信息论基础建立的图像配准模型。在此基础上,本文阐明了利用栈熵(stack entropy)作为目标函数,对图像进行分组配准的机制和优缺点。为了使对大量数据进行分组配准成为可能,本文对通过适当预处理的图像进行聚簇,建立起包含所有图像的金字塔结构,继而合成出能代表所有输入图像的模板,将原始图像和模板相互联系起来。通过这种化繁为简的策略,层次化分组配准方法可以将一个大规模分组配准问题转换为一系列小规模分组配准问题,从而达到降低运算复杂度的目的。在本文所述的实验和应用中,采用层次化分组配准方法取得了较已有方法更好的性能,包括:对大数据量的适应性;更快的处理速度;更准确的分组配准结果;对图像形态差异更精细的刻画。这些实验证明,层次化分组配准方法是一种针对医学图像的高效分组配准策略。