[发明专利]一种基于互信息和梯度信息结合的医学图像配准方法

权利要求书

1.一种基于互信息和梯度信息结合的医学图像配准方法，其特征在于包含以下步骤：

1)图像采集：直接从CT、MRI或超声成像仪等的DICOM接口获得数字图像；

2)对采集到待配准图像进行预处理：如去噪、增强等，得进过预处理的参考图像A和浮动图像；

3)将浮动图像进行空间变换，变换参数：[Δx,Δy,Δθ]，其中Δx表示在x轴上平移的像素、Δy表示在y轴上的平移像素、Δθ表示旋转的角度，从而得到浮动图像B；

4)对步骤3)得到的变换后的浮动图像进行PV插值；

5)计算参考图像和变换后的浮动图像的相似性测度函数：采用加权互信息与改进后的梯度信息结合作为相似性测度；

6)判断相似性测度是否达到最优：采用优化搜索算法进行判断是否达到最优，如果已经达到最优，则表示配准成功，进入步骤7)，否则继续搜索，寻找最佳的变换参数，使相似性测度尽快达到最优；

7)浮动图像配准成功后输出。

2.根据权利要求1所述的一种基于互信息和梯度信息结合的医学图像配准方法，其特征在于步骤5)中，所述的加权互信息与改进后的梯度信息结合作为相似性测度，即为，加权归一化互信息和改进的梯度信息相结合的相似性测度GWNMI：

GWNMI(A,B)=Iu(A,B)TΔ(A,B)^=Iu(A,B)min(H(A),H(B))×Σ(x,y)∈(A∩B)w(x,y)gΔ(x,y)]]>

其范围为：GWNMI(A,B)∈(0,1]；

为参考图像A和变换后的浮动图像B的加权的归一化互信息：

I^u(A,B)=Iu(A,B)min(H(A),H(B))=Σak=0KΣbj=0Ju(ak,bj)p(ak,bj)logp(ak,bj)p(ak)p(bj)min(H(A),H(B))]]>

其中p(a_k,b_j)_{k＝0～K,j＝0～J}为图像A、B的联合灰度概率分布，表示两幅图像同一位置的灰度对(a_k,b_j)的概率，H(A)表示图像A的熵，H(B)表示图像B的熵；u(a_k,b_j)为加权因子，其大小为：u(a_k,b_j)＝e^-D，其中a_k、b_j为分别表示图像A、B的灰度值；(a_k,b_j)表示图像A、B同一空间位置上的灰度，称为灰度对；D为距离，D＞＝1；

T_Δ(A,B)为计算参考图像A和变换后的浮动图像B的梯度相似性测度：

TΔ(A,B)=Σ(x,y)∈(A∩B)w(x,y)gΔ(x,y)]]>

其中w(x,y)表示梯度方向的相似性测度，其大小为(x,y)表示图像A、B在点(x,y)处梯度的夹角，g_Δ(x,y)表示本发明提出的梯度模相似性测度，它是将梯度模之差融合到传统的梯度模相似性测度中g(x,y)，g_Δ(x,y)的公式为：

gΔ(x,y)=g(x,y)max(|▿A|,|▿B|)-min(|▿A|,|▿B|)max(|▿A|,|▿B|)≠min(|▿A|,|▿B|)1max(|▿A|,|▿B|)=min(|▿A|,|▿B|)]]>

其中，g(x,y)大小为：

g(x,y)=min(|▿A(x,y)|,|▿B(x,y)|)max(|▿A(x,y)|,|▿B(x,y)|)max(|▿A(x,y)|,|▿B(x,y)|)1max(|▿A(x,y)|,|▿B(x,y)|).]]>