基于互信息和梯度信息的多模醫(yī)學圖像配準研究.pdf

1、在多模醫(yī)學圖像配準中，互信息方法以其許多優(yōu)點，得到了廣泛的應用，盡管不同模態(tài)的醫(yī)學圖像灰度會有差異，但成像對象卻是同一器官或組織，因此兩幅圖像完全對齊時，圖像互信息應為最大值。可見，互信息取得最大的位置就是圖像的配準位置。雖然互信息法比基于特征的方法，在魯棒性和配準精度方面表現(xiàn)較好，但互信息本身也有缺點，一是互信息的度量會受待配準圖像間的重疊部分的多少的影響，這一問題可通過歸一化的互信息或熵相關系數(shù)來解決。二是互信息在空間信息表達方面的

2、固有缺陷-忽略了圖像的空間信息，可能無法正確的反映圖像間的關系，從而導致誤配的情況發(fā)生，可通過加入梯度信息來彌補這一不足之處。本文提出了一種新的配準方法，新配準方法把歸一化的互信息和梯度信息結(jié)合起來作為相似性測度，利用遺傳算法和 Powell 算法相結(jié)合混合算法優(yōu)化配準參數(shù)。通過對新配準函數(shù)特性進行分析，新配準函數(shù)的光滑性相對于傳統(tǒng)互信息有一定改善，但仍表現(xiàn)出的局部極值特性，使像 Powell 這類局部搜索算法在優(yōu)化配準參數(shù)時易陷入局部

3、極值點，從而導致配準精度不高，甚至可能配準失敗。為解決這一問題，使得須考慮使用全局策略來尋找最優(yōu)值。針對新相似性測度，利用遺傳算法在低精度條件下進行粗略的全局配準，把獲得的最優(yōu)解做Powell 算法的初始點，利用 Powell 算法在高精度條件下在進行局部搜索，逼近全局最優(yōu)解。混合優(yōu)化算法繼承了遺傳算法和 Powell 算法各自優(yōu)勢，使配準結(jié)果可以以較高的精度收斂于全局最優(yōu)值。由于加入了空間信息，采用了歸一化的互信息，并對新配準函數(shù)使用