基于熵圖估計(jì)的醫(yī)學(xué)圖像配準(zhǔn)中特征點(diǎn)和梯度特征研究.pdf

1、醫(yī)學(xué)圖像配準(zhǔn)是醫(yī)學(xué)圖像融合的基礎(chǔ)，已經(jīng)廣泛應(yīng)用于醫(yī)學(xué)臨床疾病的診斷、治療計(jì)劃的制定、手術(shù)導(dǎo)航和疾病發(fā)展過(guò)程的研究中。繼Collignon和Viola等人提出基于互信息的配準(zhǔn)方法后，基于熵的相似性測(cè)度在醫(yī)學(xué)圖像配準(zhǔn)中得到了廣泛應(yīng)用。各種基于熵的相似性測(cè)度的計(jì)算都需要對(duì)樣本數(shù)據(jù)的熵進(jìn)行估計(jì)。Redmond等證明在邊長(zhǎng)函數(shù)滿(mǎn)足連續(xù)以及擬可加的條件下，圖可以用來(lái)直接估計(jì)熵。Hero進(jìn)一步提出了使用最小生成樹(shù)估計(jì)Rényi熵的理論框架。
　

2、　本文在此基礎(chǔ)上，針對(duì)目前基于熵圖估計(jì)的配準(zhǔn)方法中存在的一些局限和不完善之處，研究特征點(diǎn)和梯度特征方法，且取得了較好的效果。本文完成的主要研究工作包括:
　　基于熵圖估計(jì)的醫(yī)學(xué)圖像配準(zhǔn)中特征點(diǎn)研究
　　(1)針對(duì)傳統(tǒng)基于熵圖估計(jì)的配準(zhǔn)方法采用的特征點(diǎn)種類(lèi)過(guò)于單一，不穩(wěn)定，同時(shí)沒(méi)有充分考慮到醫(yī)學(xué)圖像本身特點(diǎn)的問(wèn)題，提出一種基于互補(bǔ)尺度空間關(guān)鍵點(diǎn)的醫(yī)學(xué)圖像配準(zhǔn)算法。該算法提取兩種具有互補(bǔ)特性的尺度空間關(guān)鍵點(diǎn)Harris-Lapl

3、ace和Laplacian of Gaussian，Harris-Laplace適合尋找圖像中的角點(diǎn)，Laplacian of Gaussian適合尋找圖像突出的Blob特征。它們不容易受到噪聲干擾，具有較強(qiáng)的魯棒性。實(shí)驗(yàn)結(jié)果表明:和單一類(lèi)型的特征點(diǎn)相比，新算法具有魯棒性高、速度快的優(yōu)點(diǎn);
　　(2)在第(1)部分方法的基礎(chǔ)上，提出一種融合多種特征點(diǎn)灰度信息的醫(yī)學(xué)圖像配準(zhǔn)算法。首先，提取三種特征點(diǎn)，Harris-Laplace、L

4、aplacian of Gaussian和網(wǎng)格(Grid)點(diǎn)，它充分利用了尺度空間互補(bǔ)特征點(diǎn)信息，同時(shí)在低對(duì)比度區(qū)域增加Grid點(diǎn)來(lái)提高特征點(diǎn)分布的均勻性。然后，使用遺傳算法進(jìn)行特征點(diǎn)選擇，降低了特征點(diǎn)之間的不相關(guān)和冗余對(duì)配準(zhǔn)魯棒性的影響。實(shí)驗(yàn)結(jié)果表明:在第(1)部分方法的基礎(chǔ)上，新算法具有更強(qiáng)的魯棒性、更高的準(zhǔn)確性和更快的速度;
　　基于熵圖估計(jì)的醫(yī)學(xué)圖像配準(zhǔn)中梯度特征研究
　　(3)針對(duì)傳統(tǒng)基于熵圖估計(jì)的配準(zhǔn)方法只考慮像

5、素的灰度特征，忽略像素之間的空間信息，且配準(zhǔn)結(jié)果對(duì)噪聲和采樣率敏感，導(dǎo)致配準(zhǔn)魯棒性下降的問(wèn)題，提出一種基于梯度信息加權(quán)的醫(yī)學(xué)圖像配準(zhǔn)算法。首先，定義基于兩幅圖像之間邊緣梯度信息的加權(quán)函數(shù)。然后，使用加權(quán)函數(shù)對(duì)聯(lián)合Rényi熵進(jìn)行修正。實(shí)驗(yàn)結(jié)果表明:新算法的配準(zhǔn)函數(shù)更為平滑;
　　(4)由于成像模式不同，同一組織在多模醫(yī)學(xué)圖像上會(huì)得到不同的灰度值。但是，兩幅圖像本質(zhì)上描述的是相同的解剖結(jié)構(gòu)。利用這種特性，提出一種融合梯度方向信息的多

6、模醫(yī)學(xué)圖像配準(zhǔn)算法。首先，構(gòu)造對(duì)比反轉(zhuǎn)、旋轉(zhuǎn)和平移不變的新特征。然后，將新特征和像素灰度組成高維特征用于基于熵圖估計(jì)的多模醫(yī)學(xué)圖像配準(zhǔn)。實(shí)驗(yàn)結(jié)果表明:新算法結(jié)合了兩種特征的優(yōu)點(diǎn)，在配準(zhǔn)魯棒性和準(zhǔn)確性方面，獲得了較好的綜合性能;
　　(5)針對(duì)醫(yī)學(xué)圖像非剛性配準(zhǔn)對(duì)配準(zhǔn)準(zhǔn)確性的要求，提出一種融合尺度不變特征變換(Scale Invariant Feature Transform，SIFT)高維特征的醫(yī)學(xué)圖像非剛性配準(zhǔn)算法。該算法通過(guò)使