一種基于互信息和梯度信息結(jié)合的醫(yī)學(xué)圖像配準方法
【專利摘要】本發(fā)明提供了一種基于互信息和梯度信息結(jié)合的醫(yī)學(xué)圖像配準方法。其主要包括：對互信息相似度進行加權(quán)以及將梯度模的差值加入梯度相似度中。將待配準浮動圖像進行空間變換，然后計算參考圖像和變換后的浮動圖像的相似性測度，即本發(fā)明提出的一種加權(quán)互信息和梯度信息結(jié)合的相似性測度函數(shù)。然后通過不斷的優(yōu)化搜索和空間變換，使得所求的本發(fā)明提出的相似性測度達到最大，則配準成功。在配準過程中使用本發(fā)明提出的相似性測度函數(shù)，可以有效地解決醫(yī)學(xué)圖像配準算法的精度低、魯棒性不強的問題。
【專利說明】一種基于互信息和梯度信息結(jié)合的醫(yī)學(xué)圖像配準方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于互信息和梯度信息結(jié)合的醫(yī)學(xué)圖像配準方法，尤其涉及一種基于加權(quán)歸一化互信息和梯度信息結(jié)合的醫(yī)學(xué)圖像配準方法，屬于醫(yī)學(xué)圖像處理領(lǐng)域。
【背景技術(shù)】
[0002]隨著醫(yī)學(xué)、計算機技術(shù)及生物工程技術(shù)的發(fā)展，醫(yī)學(xué)影像學(xué)為臨床診斷提供了多種模態(tài)的醫(yī)學(xué)圖像(CT、MR1、PET)，在實際臨床應(yīng)用中，通常需要將不同模態(tài)的圖像融合在一起，得到更豐富的信息以便了解病變組織或器官的綜合信息，從而做出準確的診斷或制訂出合適的治療方案。而圖像配準是圖像融合的重要前提，圖像配準始于20世紀90年代，是指對其中一幅圖像(浮動圖像)進行空間變化，使其與另一幅圖像(參考圖像)的對應(yīng)點位置一致，從而使兩者融合后能夠準確地表達相應(yīng)組織結(jié)構(gòu)。因此，高效、高質(zhì)量的配準處理是現(xiàn)代醫(yī)療圖像處理系統(tǒng)的一個重要組成部分。
[0003]近年來,基于互信息(mutual information, Ml)的配準方法由于不需要待配準圖像的其他有關(guān)先驗知識，無需人工干預(yù)，而且適合多模態(tài)醫(yī)學(xué)圖像配準，因此得到了廣泛重視。然而，互信息的計算受到重疊區(qū)域大小的影響，從而導(dǎo)致錯誤的配準，Studholme等提出了正則化互信息(normalized mutual information匪I)作為兩幅圖像之間互信息的度量，降低了傳統(tǒng)互信息計算中對重疊區(qū)大小的敏感程度。然后這種基于最大歸一化互信息僅利用了對應(yīng)點對的信息，仍然沒有挖掘和應(yīng)用圖像中像素之間的內(nèi)在聯(lián)系，因而配準精度不高。Pluim等在統(tǒng)計圖像灰度的基礎(chǔ)上，引入圖像的空間特征信息，將歸一化互信息和梯度信息有機結(jié)合構(gòu)建一種新互信息測度函數(shù)(GNMI)來配準圖像，實驗表明該方法不僅利用了圖像的灰度信息，而且還引入了圖像的空間信息，很大程度上抑制了局部極值的影響，比采用標準互信息、歸一化互信息的配準結(jié)果更準確，魯棒性更好，顯示了將圖像之間互信息與圖像內(nèi)部空間信息結(jié)合的重要性。本發(fā)明在此基礎(chǔ)上進一步從互信息和梯度兩方面分別做出改進，提出一種將互信息和梯度相似性相結(jié)合的新配準方法。

【發(fā)明內(nèi)容】

[0004]技術(shù)問題:本發(fā)明針對基于互信息的醫(yī)學(xué)圖配準方法的精度不高的問題，提出一種將加權(quán)互信息和梯度信息相結(jié)合的相似性測度，該方法在基于互信息的基礎(chǔ)上有效的結(jié)合了圖像的空間信息，增強了配準的魯棒性，并且提高了配準的精度。
[0005]技術(shù)方案:本發(fā)明的一種基于互信息和梯度信息結(jié)合的醫(yī)學(xué)圖像配準方法，包括如下步驟:
[0006]I)圖像采集:直接從CT、MRI或超聲成像儀等的DICOM接口獲得數(shù)字圖像，這種采集方式實時性好，效率高，是主要的一種醫(yī)學(xué)圖像來源；
[0007]2)對采集到待配準圖像進行預(yù)處理:如去噪、增強等，得進過預(yù)處理的浮動圖像A和參考圖像B ；
[0008]3)將浮動圖像進行空間變換，變換參數(shù):[Λχ，Δy, Δ θ ]，其中Λχ表示在χ軸上平移的像素、Ay表示在y軸上的平移像素、Λ Θ表示旋轉(zhuǎn)的角度，從而得到浮動圖像；
[0009]4)對步驟3)得到的變換后的浮動圖像進行PV插值；
[0010]5)計算參考圖像和變換后的浮動圖像的相似性測度函數(shù):本發(fā)明采用加權(quán)互信息與改進后的梯度信息結(jié)合作為相似性測度；
[0011]6)判斷相似性測度是否達到最優(yōu):采用優(yōu)化搜索算法進行判斷是否達到最優(yōu)，如果已經(jīng)達到最優(yōu)，則表示配準成功，進入步驟7)，否則繼續(xù)搜索，尋找最佳的變換參數(shù)，使相似性測度盡快達到最優(yōu)；
[0012]7)浮動圖像配準成功后輸出。
[0013]本發(fā)明方法的步驟5)中，按照下列步驟計算出本發(fā)明提出的相似性測度GffNMI(gradient and weighted normalized mutual information):
[0014](I)計算加權(quán)互信息相似性測度:
【權(quán)利要求】
1.一種基于互信息和梯度信息結(jié)合的醫(yī)學(xué)圖像配準方法，其特征在于包含以下步驟: 1)圖像采集:直接從CT、MRI或超聲成像儀等的DICOM接口獲得數(shù)字圖像； 2)對采集到待配準圖像進行預(yù)處理:如去噪、增強等，得進過預(yù)處理的參考圖像A和浮動圖像； 3)將浮動圖像進行空間變換，變換參數(shù):[Λχ，ΔY,Δ θ]，其中Λχ表示在X軸上平移的像素、Ay表示在y軸上的平移像素、Λ Θ表示旋轉(zhuǎn)的角度，從而得到浮動圖像B ; 4)對步驟3)得到的變換后的浮動圖像進行PV插值； 5)計算參考圖像和變換后的浮動圖像的相似性測度函數(shù):采用加權(quán)互信息與改進后的梯度信息結(jié)合作為相似性測度； 6)判斷相似性測度是否達到最優(yōu):采用優(yōu)化搜索算法進行判斷是否達到最優(yōu)，如果已經(jīng)達到最優(yōu)，則表示配準成功，進入步驟7)，否則繼續(xù)搜索，尋找最佳的變換參數(shù)，使相似性測度盡快達到最優(yōu)； 7)浮動圖像配準成功后輸出。
2.根據(jù)權(quán)利要求1所述的一種基于互信息和梯度信息結(jié)合的醫(yī)學(xué)圖像配準方法，其特征在于步驟5)中，所述的加權(quán)互信息與改進后的梯度信息結(jié)合作為相似性測度，即為，加權(quán)歸一化互信息和改進的梯度信息相結(jié)合的相似性測度GWNMI:
【文檔編號】A61B5/055GK103886586SQ201410055534
【公開日】2014年6月25日 申請日期:2014年2月18日 優(yōu)先權(quán)日:2014年2月18日
【發(fā)明者】張登銀, 談麗萍, 王雪梅, 程春玲 申請人:南京郵電大學(xué)