基于多层次特征向量和SVM的医学图像配准方法研究与实现

• 作 者: 潘博
• 机 构: 东北大学
• 出 处: 东北大学
• 发表日期: 2008年期
• 关键词: 非刚性配准 特征提取 多层次配准 Gabor小波 能量函数 支持向量机 医学图像配准

科学技术的高速发展、高科技医疗影像设备的不断涌现为医疗现代化提供了越来越多的帮助。在X射线断层扫描(Computerized Tomography，CT)，磁共振(Magnetic Resonance Imaging，MRI)等人体解剖结构成像技术日趋完善的同时，功能性磁共振(Functional Magnetic Resonance Imaging，fMRI)、正电子发射断层扫描(Positron Emission Tomography，PET)以及单光子发射断层扫描(Single Photon Emission CT，SPECT)等功能性、代谢性成像技术正逐渐地被人类广泛地采用。多模多源信息的综合应用对医学图像处理提出了巨大的挑战，其中复杂医学图像间高效、精确的配准技术成为近年来研究的热点。　　
配准是对一幅医学图像寻求一种或一系列空间变换，使它与另一幅医学图像上的对应点达到空间一致，或最为相似。论文分析了医学图像配准过程，医学图像配准技术的发展和现状，研究了当前主要的医学图像配准算法。　　
系统分析了具有比例不变性的显著区域特征的提取、显著区域尺度的选择以及显著性与局部复杂性的关系，将小波变换引入特征向量，在多分辨率多尺度上提取特征向量。在图像的每个体素上定义特征向量，可在各个尺度上反映该点附近的解剖结构信息。　　
改进了能量函数，提出了基于多层次特征向量匹配和支持向量机(Support Vector Machine，SVM)的非刚性图像配准方法。使配准算法能够自适应地寻找最优的搜索区域，得到最优的特征向量。　　
在深入研究了支持向量机算法、变换模型估计的基础上，建立了基于最小二乘支持向量机(LS-SVM)的参数寻优模型，运用最小二乘支持向量机对特征向量样本集进行训练，最终得到最优特征向量，进一步增强了算法的鲁棒性，并详细讨论了核函数的寻优。　　
在ITK和FLTK环境下，设计开发了图像配准平台，在该平台上，可实现本文的配准算法、其它的刚性及非刚性配准算法，实现了医学图像的单模及多模态自动配准。在同一平台下可进行算法间的配准效果比较。　　
将本文算法与几种刚性配准算法、基于仿射变换和互信息测度的非刚性配准算法进行比较，验证了本文算法的配准精确性和效率。