[发明专利]一种基于生物地理优化的多模态医学图像配准方法

说明书

本发明提出了一种基于生物地理优化的多模态医学图像配准方法。将同一病人部位的CT图像和MR图像输入到医学图像配准系统中进行预处理得到预处理后病人部位的CT图像和MR图像；根据预处理后病人部位的CT图像计算信息熵，根据预处理后病人部位的MR图像计算信息熵，计算预处理后病人的CT图像与MR图像的联合信息熵，进一步计算标准化互信息；将预处理后病人部位的CT图像与MR图像的标准化互信息作为适应度值，根据适应度值通过优化方法多次迭代更新变化矩阵，当达到最大迭代次数或者适应度值大于适应度阈值则结束迭代得到最优变化矩阵，将MR图像应用最优变换矩阵实现与CT图像的配准。本发明配准精度高，稳定性强。

技术领域

本申请属于医学图像配准技术领域，涉及一种基于生物地理优化的多模态医学图像配准方法。

背景技术

医学影像设备在近年来得到了飞速发展,并广泛应用于临床诊断和治疗。由于设备的成像原理不同,存在着多种模态图像,主要分为解剖图像和功能图像两大类,这两类图像为医生诊断提供了不同的信息。单模态的医学图像不能提供医生所需要的足够信息，因此对于多模态医学图像的配准和融合有着十分重要的意义。多模态医学图像配准是近年来医学图像处理领域中的重要研究问题,通过寻找某种适当的变换模型,使两幅图像达到空间位置上的定位和配准,进而进行图像融合。医学图像配准在临床诊断、治疗、质量保证和疗效评价等方面具有重要的应用价值。

医学图像配准问题主要的过程有：变换，寻找变换模型，相似度评价。其中寻找最优的变换模型是配准问题的关键。目前的研究重点主要集中在寻找最优的变换模型，这是一个优化问题。一般来说，医学图像配准方法可以分为两大类：基于图像特征和基于图像灰度。基于图像特征的配准方法的缺点在于其结果依赖于特征提取算法的可靠性和稳定性。然而，基于图像灰度的配准方法只需要利用图像的像素值信息，可靠性高。因此，基于图像灰度的配准方法是当前研究的重点。

发明内容

本申请针对上述多模态医学图像配准中的优化问题，提出了一种基于生物地理优化的多模态医学图像配准方法，包括以下步骤：

步骤1：获取病人部位的CT图像、病人部位的MR图像，将病人部位的CT图像分别进行预处理得到预处理后病人部位的CT图像，将病人部位的MR图像输入到医学图像配准系统中进行预处理得到预处理后病人部位的MR图像；

步骤2：根据预处理后病人部位的CT图像计算预处理后病人部位的CT图像的信息熵，根据预处理后病人部位的MR图像计算预处理后病人部位的MR图像的信息熵，计算预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵，进一步计算预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息；

步骤3：将预处理后病人部位的CT图像与预处理后病人部位的MR图像的标准化互信息作为适应度值，根据适应度值通过多次迭代更新变化矩阵，当达到最大迭代次数或者适应度值大于适应度阈值则得到最优变化矩阵。

作为优选，步骤1所述将病人部位的CT图像进行预处理，具体为：

将病人部位的CT图像用降采样的方法进行预处理得到dataCT，dataCT进一步通过归一化处理得到预处理后病人部位的CT图像即PX_CT，PX_CT像素值归一化的取值范围是[1,MAX]，MAX为最大像素值；

步骤1所述将病人部位的MR图像进行预处理，具体为：

将病人部位的MR图像用降采样的方法进行预处理得到dataMR，dataMR进一步通过归一化处理得到预处理后病人部位的MR图像即PX_MR，PX_MR像素值归一化的取值范围是[1,MAX]，MAX为最大像素值；

步骤1所述预处理后病人部位的CT图像表示为PX_CT，具体定义为：

PX_CT(i,j,k)

i∈[1,M],j∈[1,N],k∈[1,K]