[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

说明书

技术领域

本发明涉及一种基于互信息和梯度信息结合的医学图像配准方法，尤其涉及一种基于加权归一化互信息和梯度信息结合的医学图像配准方法，属于医学图像处理领域。

背景技术

随着医学、计算机技术及生物工程技术的发展,医学影像学为临床诊断提供了多种模态的医学图像（CT、MRI、PET），在实际临床应用中,通常需要将不同模态的图像融合在一起,得到更丰富的信息以便了解病变组织或器官的综合信息，从而做出准确的诊断或制订出合适的治疗方案。而图像配准是图像融合的重要前提,图像配准始于20世纪90年代，是指对其中一幅图像（浮动图像）进行空间变化，使其与另一幅图像（参考图像）的对应点位置一致，从而使两者融合后能够准确地表达相应组织结构。因此，高效、高质量的配准处理是现代医疗图像处理系统的一个重要组成部分。

近年来，基于互信息(mutual information,MI)的配准方法由于不需要待配准图像的其他有关先验知识，无需人工干预，而且适合多模态医学图像配准，因此得到了广泛重视。然而，互信息的计算受到重叠区域大小的影响，从而导致错误的配准，Studholme等提出了正则化互信息(normalized mutual information NMI)作为两幅图像之间互信息的度量，降低了传统互信息计算中对重叠区大小的敏感程度。然后这种基于最大归一化互信息仅利用了对应点对的信息，仍然没有挖掘和应用图像中像素之间的内在联系，因而配准精度不高。Pluim等在统计图像灰度的基础上，引入图像的空间特征信息，将归一化互信息和梯度信息有机结合构建一种新互信息测度函数(GNMI)来配准图像，实验表明该方法不仅利用了图像的灰度信息，而且还引入了图像的空间信息，很大程度上抑制了局部极值的影响，比采用标准互信息、归一化互信息的配准结果更准确，鲁棒性更好，显示了将图像之间互信息与图像内部空间信息结合的重要性。本发明在此基础上进一步从互信息和梯度两方面分别做出改进，提出一种将互信息和梯度相似性相结合的新配准方法。

发明内容

技术问题：本发明针对基于互信息的医学图配准方法的精度不高的问题，提出一种将加权互信息和梯度信息相结合的相似性测度，该方法在基于互信息的基础上有效的结合了图像的空间信息，增强了配准的鲁棒性，并且提高了配准的精度。

技术方案：本发明的一种基于互信息和梯度信息结合的医学图像配准方法，包括如下步骤：

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，这种采集方式实时性好，效率高，是主要的一种医学图像来源；

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

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；

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：本发明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。

本发明方法的步骤5)中，按照下列步骤计算出本发明提出的相似性测度GWNMI(gradient and weighted normalized mutual information)：

（1）计算加权互信息相似性测度：