论文部分内容阅读
在现有医学临床或手术计划中,为了获取不同的功能信息和解剖信息,通常采用多种成像方式。而为了获得多种成像方式的互补信息,就需要将两幅不同成像模式的图像进行配准和融合。对于同一病例的不同时间的同模态图像,通常也需要进行配准和融合,以得到多幅图像之间的变化信息。为了将图像配准,首先要使两幅待配准图像映射到同一空间坐标系,使两幅匹配图像上的人体的同一解剖点在这一空间坐标系中有相同的空间位置。由于人脑可以近似地被视为刚体,所以采用二维刚体变换,通过一个旋转参数和两个平移参数来确定两幅二维图像间的空间位置关系。医学图像配准的一般步骤包括:选取特征空间和搜索空间,选择相似性测度和搜索策略;获取图像变换初值并统一浮动图像和参考图像在同一坐标系中;对浮动图像应用插值技术然后根据相似性测度公式求得相似性度量;应用搜索策略求得最好的图像变换。这些步骤里面,以相似性测度和搜索策略的选择最为重要。我们选择两幅图像的互信息作为相似性测度,对不同的搜索策略进行比较和讨论。目前搜索策略使用比较多的是Powell优化算法,该算法容易陷入局部最优值,在给定的变换初值比较差的情况下,Powell算法得到的配准精度很低。于是考虑引入主轴矩算法作为图像的粗配准算法。主轴矩算法借用经典力学中刚体质量分布的概念,首先计算两幅图像的质心和主轴,再通过平移和旋转使两幅图像的质心和主轴对齐,从而达到配准的目的。引入主轴矩算法后,图像配准结果基本上可以达到亚像素级的精度。但很多时候配准时间仍然过长,为了提高配准效率,提出使用局部搜索算法代替Powell算法进行优化搜索。局部搜索算法由于避免了Powell算法中最为耗时的一维搜索算法,而且避免了许多无谓的重复计算,所以算法的计算时间大大减少。实验表明:基于互信息和主轴矩粗配准的局部搜索配准算法可以达到亚像素级别的精度,而且配准速度有了很大的提高。