基于互信息的医学图像配准与拼接方法研究

论文摘要

随着医学成像技术的迅速发展,出现了不同的医学成像设备,如计算机断层成像（CT）、磁共振成像（MRI）、数字减影血管造影（DSA）、单光子发射断层成像（SPECT）、正电子发射断层成像（PET）等。不同的成像技术能从人体获取不同方面的信息,然而,由于成像原理的差异,每种成像设备并不能提供人体各个方面的信息。为了使多次成像或多种模式成像的信息可以得到综合利用,减少由于信息不完整等因素引起的临床诊断和治疗误差；研究人员开始寻找一项能够在一幅图像上同时表达来自人体不同信息的技术,如功能图像和解剖图像；而达到这一目的最基本的要求是使不同模式图像中的同一解剖结构达到空间位置上的一致,从而产生了医学图像配准技术。医学图像配准是对一幅医学图像寻求一种空间变换,使它与另一幅医学图像上的对应点达到空间位置上的一致。配准过程本质上是一个多参数最优化问题,是图像融合的前提；在诊断医学、手术规划、模拟仿真以及放疗计划等方面都有重要应用。因此,对医学图像配准的研究,具有重要的学术意义和临床应用价值。由Collignon和Maes、Viola和Wells几乎同时提出的互信息配准法不需要对被处理图像进行任何预处理,不需要对配准图像间的灰度关系进行限制；并且,互信息法几乎可以用于任何不同模态图像的配准,已广泛应用到多模态医学图像的配准中。图像配准方法包括特征空间、空间变换、空间搜索、相似度测量四个方面。互信息配准方法是将待配准图像的全部灰度信息作为特征空间,用互信息作为相似度来测量两幅图像的相关性。在刚性配准过程中,计算两幅图像的互信息时,容易引入新的灰度值；为了避免这种问题的出现,一般采用部分体积插值统计两幅图像的联合直方图。但在该方法计算中,当图像平移整数点时,联合直方图统计会出现误差,使目标函数出现局部极值,从而造成误配准。针对这一问题,本文将高斯函数引入到直方图统计中,选取适当的邻域,用高斯函数计算邻域内各点像素对联合直方图的贡献。利用高斯函数的平滑性,避免了在互信息计算过程中统计图像联合直方图时出现误差。使用Powell优化方法,寻找最佳的优化参数,实现图像的最佳配准。采用CT-PET数据进行实验,证明该方法平滑了目标函数,有效地消除了局部极值,提高了多模态图像配准的精确性,并且,对噪音图像配准也产生很好的效果。该方法适用于多模态医学图像配准,克服了传统互信息计算时的不足,提高了配准的正确率和精确度。目前提出的许多医学图像配准算法只是针对刚性变换,弹性配准虽然已经提出了一些方法,但同刚性配准算法相比还不成熟,不能满足临床实时需求；由于研究对象具有多样性和复杂性,尽管已提出了许多弹性配准算法,可并没有一种配准方法能在各个方面都达到临床需求。也就是说已提出的方法都有一定的局限性,如缺少实时性和有效的全自动性,这些不足在一定程度上制约着医学图像弹性配准算法在实际临床中的应用。因此医学图像弹性配准有着广泛的临床应用,也是医学图像处理领域的研究热点。文章实现的非刚性配准算法,是基于B-样条的FFD变换模型,用互信息作为相似度测量,满足了配准计算速度和精度的要求。本文选用三次B-样条曲线做变换模型,具有良好的局部控制特性,每个控制点变换时,只影响周围4×4的邻域;控制面网格的疏密可以用来控制形变程度,当控制面网格较密时,变形模型趋向于描述局部形变；控制面网格较疏时,变形模型趋向于对全局进行形变；控制点的移动只影响其周围网格邻域内的邻近点,在计算互信息时,无需计算两幅图像整体的互信息来判断该控制点是否移动到形变的准确位置,只需计算两幅图像对应控制点周围邻域的互信息,从而达到减少计算量的目的。图像拼接是在医学领域有着广泛的应用。随着医疗技术的发展,临床医学对x线影像有一些新的需求,在脊柱和长骨等的骨科诊断和手术治疗中,获取完整解剖结构影像、解剖径线测量和角度测量。对于术前诊断、术中监控和术后评价都具有十分重要的意义。因此,由图像拼接获取的全景图像具有重要的临床应用价值。医学图像拼接分搜索重叠区域、图像配准、灰度映射、图像融合等几部分。文章中实验数据为医学图像采用基于区域的灰度相关方法进行重叠区域搜索,用灰度映射对图像灰度调整及融合。基于区域的拼接方法,一般直接利用待拼接图像和参考图像中像素的灰度相关性,确定相邻两幅图像的重叠区域,然后构造模板进行匹配,从而得到完整图像。图像拼接中相邻帧间灰度差较大时,找到重叠区域,直接进行图像简单的叠加会出现皮带现象,导致全景图像不连续。针对这一问题提出了灰度映射的方法,统计两幅图像重叠区域的联合直方图,计算出新的灰度映射值；将一幅图像映射到另一幅图像,从而减少灰度差,完成图像的色差调整。采用多组CR数据进行实验,该方法对数据进行色差调整,实现了图像的无缝拼接。实验证明,该方法用互信息作为相似度,提高了匹配的精确性,对医学图像拼接有一定的使用价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究目的及意义
• 1.2 文章结构
• 参考文献
• 第二章 配准基本知识
• 2.1 配准的定义
• 2.2 图像配准的分类
• 2.3 配准流程图
• 参考文献
• 第三章 基于互信息配准的基本理论知识
• 3.1 熵的概念
• 3.2 灰度直方图
• 3.3 互信息的知识
• 3.4 基于互信息配准的讨论
• 3.4.1 基于最大互信息配准方法的优点
• 3.4.2 基于最大互信息配准方法的缺陷
• 3.5 本章小结
• 参考文献
• 第四章 刚性配准
• 4.1 灰度直方图统计
• 4.1.1 双线性插值
• 4.1.2 PV插值方法
• 4.2 引入高斯函数的直方图统计
• 4.2.1 高斯函数介绍
• 4.2.2 直方图统计
• 4.3 优化方法
• 4.4 实验结果与分析
• 4.4.1 实验结果
• 4.4.2 两种方法结果对比
• 4.5 本章总结
• 参考文献
• 第五章 基于B-样条的非刚性配准
• 5.1 B-样条理论知识
• 5.1.1 B样条基函数
• 5.1.2 B-样条曲线
• 5.2 基于B-样条的FFD模型
• 5.3 算法实现
• 5.3.1 算法的主要思路
• 5.3.2 优化方法
• 5.4 实验结果
• 5.5 结论
• 参考文献
• 第六章 医学图像拼接的初步研究
• 6.1 引言
• 6.2 研究现状
• 6.3 基于灰度映射的图像拼接
• 6.3.1 图像的坐标变换
• 6.3.2 图像预处理
• 6.3.3 重叠区域搜索
• 6.3.4 灰度映射
• 6.3.5 图像融合
• 6.4 图像拼接算法流程
• 6.5 实验结果与分析
• 6.6 结论
• 参考文献
• 第七章 总结和展望
• 7.1 工作总结
• 7.2 工作展望
• 作者在攻读硕士学位期间发表的论文
• 致谢
• 统计合格证明