[发明专利]基于量子进化计算和B样条变换的医学图像配准方法

说明书

技术领域

本发明属于图像处理技术领域，涉及医学图像配准，具体的说是一种新的基于量子进化计算和B样条变换的图像配准方法，可用于医学图像融合。

背景技术

医学图像按照其获取原则和途径的不同，可以分为X射线图像，US图像，CT图像，MRI图像，PET图像，fMRI图像，SPECT图像等等。其中，根据其表示信息的不同又主要分为解剖结构图像和功能图像，这种图像分别包含了器官的详细解剖结构和器官的新陈代谢功能。这两方面的信息对于医学诊断、疾病监测和治疗指导等方面同样重要。于是，将同一患者不同时刻的医学图像或不同患者相同器官的医学图像以及患者的与正常的医学图像里的不同信息融合在一起显得尤为重要。而图像配准作为图像融合的基础直接影响着融合效果。如何将两幅不同成像方式、不同患者或者同一患者在不同时刻的医学图像进行空间位置上的匹配，即配准，成为该领域亟待解决的问题之一。

医学图像配准算法的发展主要分为三个阶段，基于外部特征的配准方法，以刚性变换为主的基于内部特征的配准方法和以非线性变换为主的配准方法。F.Maes等将归一化互信息作为图像配准的相似性测度，见F.Maes,A.Collignon,D.Vandermeulen,etal.Multimoda-lityimageregistrationbymaximizationofmutualinformation.IEEETransonMedicalImaging,vol.16,no.2,1997,187:198；归一化互信息的引入使得图像配准目标函数更加复杂，更加依赖于有效的优化方法。YangChen等在YangChen,ZhengQin,MingyueSong.Acontinuousmedicalimageregistrationapproachbasedonimagesegmentationandgeneticalgorithm.ICIE-CS,2009,1:4中将遗传算法用于医学图像配准中，但遗传算法编码长度较长，导致在空间上消耗相对较多，且仍然会收敛到局部极值，使算法到达全局最优值之前提前结束，影响配准效果。HongkuiXu等在HongkuiXu,MingyanJiang,MingqiangYang.AnImageRegistrationmethodcombiningfeatureconstraintwithmultilevelStrategy中利用图像形状特征实现图像配准，但需要通过复杂的步骤提取图像的形状特征，且由于非刚性组织结构的复杂性，有些分界面不是很明显，不易正确提取形状特征。

发明内容

本发明的目的在于针对已有配准方法的不足，提出一种新的基于量子进化计算和B样条变换的医学图像配准方法，以提高配准效果和简化配准过程。

为实现上述目的，本发明包含如下步骤：

(1)读入两幅待配准图像，将其中一幅固定不变的图像作为参考图像I_R，另一幅进行变换的图像作为浮动图像I_F，并按间距L＝40个像素，对浮动图像均匀采样，得到由m个元素组成的均匀网格；

(2)随机产生一组由量子比特位构成的个体，作为量子进化计算的初始迭代点，称为种群；

(3)将种群中每个个体转化为候选解，再与均匀网格叠加，得到每个个体对应的控制网格；

(4)按照每个个体对应的控制网格对浮动图像做三次B样条函数变换，得到变换后的浮动图像；

(5)计算变换后的浮动图像与参考图像之间的归一化互信息值NMI，找出本次迭代中最大的归一化互信息值及其对应的个体，并存储为本代最优解p_best；

(6)依据本代最优解，利用量子旋转门算子对本代种群中所有个体进行量子旋转门更新，使图像配准参数朝相似性更大的方向移动；

(7)利用量子重组算子对任意选择的本代种群中两个不同个体p_a和p_b进行量子重组操作，增加种群个体多样性，避免图像配准参数陷入局部极值；

(8)更新迭代次数g，如迭代次数达到最大值或变换后的浮动图像与参考图像之间的归一化互信息值不再增加，则结束配准，即本代最优解对应的控制网格为配准参数，按此参数对浮动图像做三次B样条函数变换，得到配准后的图像，否则，返回步骤(3)进行下一次迭代。

本发明与现有的技术相比具有以下优点：

1.本发明使用图像灰度信息作为配准特征，省去了基于图像特征的配准方法复杂的提取图像特征步骤，避免了因为提取图像特征算法对配准结果产生的影响，使配准过程更为简洁；