三维医学图像刚体配准

论文摘要

随着医学影像技术的快速发展,出现了多种类型的医学影像设备。由于各种影像设备各有所长,因此综合使用,即图像信息的融合就成为迫切的需求。自二十世纪八十年代起,作为医学图像信息整合的关键技术,医学图像配准成为了主要的研究热点。三维立体化成为影像设备发展的一种大的趋势。本文以三维医学图像的刚体配准为主要研究对象,采用先“粗配准”,再“细配准”的混合配准方法对三维医学图像进行刚体配准:首先采用基于主成分分析（Principal Component Analysis, PCA）的配准算法计算三维图像之间的近似变换,对图像进行粗配准;然后再利用采用Harris算法所提取的三维角点特征运用改进的最邻近点迭代法（Interative Closest Point,ICP）对参考图像和浮动图像的角点点云进行配准,寻找最优变换参数;最后对浮动图像实施空间变换,使其与参考图像达到主要解剖结构在空间上的一致。在配准过程中,本文采用速度和效果兼顾的双线性插值插值算法。对于最邻近点迭代法,本文采用了kd-Tree对其进行了改进,大大提高了运算速度。为了验证本文所研究方法的有效性,我们采用各种类型的二维图像和三维图像进行了实验。二维实验部分对存在旋转、尺度变化和不同噪声的图像进行了配准实验,并采用多种方法进行评估;三维试验分别对点云数据、模拟数据体和实际数据进行配准和结果评估。大量试验结果证明本文的方法具有配准精度高、鲁棒性好等优点,是一种稳定可靠的自动配准方法。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 什么是图像配准
• 1.3 医学图像配准的应用
• 1.4 本文的主要研究内容
• 2 医学图像配准方法综述
• 2.1 医学图像配准的分类
• 2.2 图像配准关键技术
• 2.3 本章小结
• 3 基于PCA 的医学图像粗配准
• 3.1 PCA 简介
• 3.2 基于PCA 的配准算法
• 3.3 试验结果与分析
• 3.4 本章小结
• 4 基于Harris 算子的三维角点提取算法
• 4.1 角点提取方法综述
• 4.2 基于Harris 的三维角点提取
• 4.3 本章小结
• 5 基于ICP 的配准算法及快速方法
• 5.1 ICP 算法的理论基础
• 5.2 ICP 算法的实现
• 5.3 ICP 算法的加速
• 5.4 实验结果与分析
• 5.5 本章小结
• 6 全文总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献