[发明专利]融合梯度信息和广义熵相似度的多模态医学图像配准方法

说明书

本发明公开了一种融合梯度信息和广义熵相似度的多模态医学图像配准方法，步骤如下：S1，构造广义熵相似性测度；S2，构造待配准图像的梯度测度；S3，构造待配准图像的相似性测度；S4，构造多模态图像的配准模型；S5，对配准模型进行求解。本发明综合考虑了不同模态医学图像的梯度信息和灰度分布特征，有效的完成了多模态医学图像的精确配准。且是基于一种广义的信息熵，构建广义熵相似性测度，具有更广泛的性质。不考虑图像间的灰度差异，而是利用两幅图像灰度值的联合概率分布，计算待配准图像间的信息论相似度，不仅适用于相同模态的医学图像，也适用于灰度差异较大的不同模态医学图像，扩大了本发明的使用范围。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种融合梯度信息和广义熵相似度的多模态医学图像配准方法。

背景技术

医学图像配准是医学图像处理领域的一项重要技术，在医学信息融合、肿瘤生长监测、图像引导手术治疗及放疗计划制定等方面发挥着重要的作用。微电子、计算机、信息科学等的迅速发展和广泛应用带动了医学成像技术的飞速发展。成像设备的不断发展，使得医生从医学图像中得到的信息量急剧增加。单个成像设备获取的图像信息已经不能满足某些特定应用的需求，以往的图像处理方法不能很好的应对多成像设备组合使用所带来的新问题。医学图像配准可以将各种互补的信息融合在一起，为医生诊断病情提供更多可靠的信息。

医学图像配准的研究工作吸引了众多学者的关注，基于信息论的配准技术由于不依赖于图像的灰度值差异，而且也不需要特征提取和分割等预处理，因此在多模态医学图像配准中受到广泛关注。最大化互信息是最常用的信息论配准方法，在配准过程中，用互信息来衡量参考图像与变换的浮动图像之间的相似程度，并通过优化方法得到相似程度最大时待配准图像的空间变换。这类方法包括相似性测度构建、变换模型选取、优化方案设计等，然而基于互信息的配准方法并未考虑两个独立子系统间的相互关系[参考文献[1]:Khader M,Hamza A B.Nonrigid image registration using an entropic similarity[J].IEEE Transactions on Information Technology in Biomedicine,2011,15(5):681-690.]。

伪叠加性是非扩展熵的一个重要性质，基于Tsallis熵的配准方法可以弥补这一缺点，从而有效地提高医学图像的配准精度(参考文献[2]:Khader M,Hamza A B.Aninformation-theoretic method for multimodality medical image registration[J].Expert Systems with Applications,2012,39(5):5548-5556.)。除此之外，Arimoto熵也是一种非扩展熵，基于此熵的配准方法用于三维医学图像的非刚体配准，得到精确的配准结果(参考文献[3]:Li B,Yang G,Coatrieux J L,et al.3D nonrigid medical imageregistration using a new information theoretic measure[J].Physics in medicineand biology,2015,60(22):8767.)。

然而，上述基于信息论测度的配准方法仅利用待配准图像中像素点的灰度信息来估计联合概率分布，并没有考虑图像上像素与像素间的相关性，即忽视了图像像素间的空间信息。