基于熵圖估計的醫(yī)學圖像配準中特征點和梯度特征研究.pdf

1、醫(yī)學圖像配準是醫(yī)學圖像融合的基礎，已經(jīng)廣泛應用于醫(yī)學臨床疾病的診斷、治療計劃的制定、手術導航和疾病發(fā)展過程的研究中。繼Collignon和Viola等人提出基于互信息的配準方法后，基于熵的相似性測度在醫(yī)學圖像配準中得到了廣泛應用。各種基于熵的相似性測度的計算都需要對樣本數(shù)據(jù)的熵進行估計。Redmond等證明在邊長函數(shù)滿足連續(xù)以及擬可加的條件下，圖可以用來直接估計熵。Hero進一步提出了使用最小生成樹估計Rényi熵的理論框架。
　

2、　本文在此基礎上，針對目前基于熵圖估計的配準方法中存在的一些局限和不完善之處，研究特征點和梯度特征方法，且取得了較好的效果。本文完成的主要研究工作包括:
　　基于熵圖估計的醫(yī)學圖像配準中特征點研究
　　(1)針對傳統(tǒng)基于熵圖估計的配準方法采用的特征點種類過于單一，不穩(wěn)定，同時沒有充分考慮到醫(yī)學圖像本身特點的問題，提出一種基于互補尺度空間關鍵點的醫(yī)學圖像配準算法。該算法提取兩種具有互補特性的尺度空間關鍵點Harris-Lapl

3、ace和Laplacian of Gaussian，Harris-Laplace適合尋找圖像中的角點，Laplacian of Gaussian適合尋找圖像突出的Blob特征。它們不容易受到噪聲干擾，具有較強的魯棒性。實驗結(jié)果表明:和單一類型的特征點相比，新算法具有魯棒性高、速度快的優(yōu)點;
　　(2)在第(1)部分方法的基礎上，提出一種融合多種特征點灰度信息的醫(yī)學圖像配準算法。首先，提取三種特征點，Harris-Laplace、L

4、aplacian of Gaussian和網(wǎng)格(Grid)點，它充分利用了尺度空間互補特征點信息，同時在低對比度區(qū)域增加Grid點來提高特征點分布的均勻性。然后，使用遺傳算法進行特征點選擇，降低了特征點之間的不相關和冗余對配準魯棒性的影響。實驗結(jié)果表明:在第(1)部分方法的基礎上，新算法具有更強的魯棒性、更高的準確性和更快的速度;
　　基于熵圖估計的醫(yī)學圖像配準中梯度特征研究
　　(3)針對傳統(tǒng)基于熵圖估計的配準方法只考慮像

5、素的灰度特征，忽略像素之間的空間信息，且配準結(jié)果對噪聲和采樣率敏感，導致配準魯棒性下降的問題，提出一種基于梯度信息加權的醫(yī)學圖像配準算法。首先，定義基于兩幅圖像之間邊緣梯度信息的加權函數(shù)。然后，使用加權函數(shù)對聯(lián)合Rényi熵進行修正。實驗結(jié)果表明:新算法的配準函數(shù)更為平滑;
　　(4)由于成像模式不同，同一組織在多模醫(yī)學圖像上會得到不同的灰度值。但是，兩幅圖像本質(zhì)上描述的是相同的解剖結(jié)構(gòu)。利用這種特性，提出一種融合梯度方向信息的多

6、模醫(yī)學圖像配準算法。首先，構(gòu)造對比反轉(zhuǎn)、旋轉(zhuǎn)和平移不變的新特征。然后，將新特征和像素灰度組成高維特征用于基于熵圖估計的多模醫(yī)學圖像配準。實驗結(jié)果表明:新算法結(jié)合了兩種特征的優(yōu)點，在配準魯棒性和準確性方面，獲得了較好的綜合性能;
　　(5)針對醫(yī)學圖像非剛性配準對配準準確性的要求，提出一種融合尺度不變特征變換(Scale Invariant Feature Transform，SIFT)高維特征的醫(yī)學圖像非剛性配準算法。該算法通過使