[發明專利]一種基于互信息與圖像分割的三維多模態醫學圖像自動配準方法

在審

• 申請號: 201710659496.7
• 申請日: 2017-08-04
• 公開（公告）號: CN107610162A
• 公開（公告）日: 2018-01-19
• 發明（設計）人: 朱珂權;林淳;孟輝;王志元
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T7/33
• 分類號: G06T7/33;G06T5/50;G06T5/40;G06T5/30;G06T3/40;G06K9/62
• 代理公司: 杭州斯可睿專利事務所有限公司33241
• 代理人: 王利強

技術領域

本發明涉及計算機圖像處理和醫學圖像融合領域，涉及一種基于互信息與圖像分割的三維多模態醫學圖像自動配準方法。

背景技術

多模態醫學圖像配準是醫學圖像融合的關鍵技術，只有將不同模態的醫學圖像進行準確的配準，圖像信息的融合才有意義。

圖像配準的相似性指數用于評價參考影像與變換后的待配準影像之間的重合程度，當兩幅影像完全配準時，相似性指數應該達到最大值。由于相似性指數是配準變換參數的函數，因此尋找最佳的配準參數等價于一個函數優化的問題。相似性指數的優劣決定了自動配準模型的魯棒性和精度。

現有技術中，圖像配準算法可分為兩種：基于特征要素的配準和基于灰度信息的配準。前者直接從原始影像中計算相似性，并尋找最優配準變換；后者先從影像中提取特征要素，然后根據這些特征要素的相似性來估計最優變換。

基于特征要素的影像配準中，常用的要素有點要素、線要素和面要素。特征要素可以通過Harris拐點提取算法、Canny邊緣提取算法、圖像分割和相位一致模型等方法獲得。

基于灰度信息的配準方法，直接使用原始影像的灰度信息來計算變換后兩幅圖像之間的相似程度。這種相似程度可以通過各種相似性指數來描述，如交叉相關性指數、相位相關性指數以及互信息等。現有的技術中一般認為互信息作為一種基于灰度信息的相似性指數，可以判斷兩個非線性相關隨機變量的相關程度，故認為其可以很好地描述醫學影像的相似性。

然而，在醫學圖像配準的應用中發現，最佳配準變換參數對應的互信息為局部極大值，而非全局最大值。因此，在使用優化算法尋找最佳參數的過程中，需要認為地確定搜索范圍，這種搜索范圍的限制降低了互信息配準模型的自動化程度。

發明內容

為了克服已有三維多模態醫學圖像配準方法的精度較低、魯棒性較低、性能較差的不足，本發明提供了一種高精度、高魯棒性、高性能的基于互信息與圖像分割的三維多模態醫學圖像自動配準方法。

本發明解決其技術問題所采用的技術方案是：

一種基于互信息與圖像分割的三維多模態醫學圖像自動配準方法，包括如下步驟：

步驟S1，采用門限法和數學形態學方法進行預處理；

步驟S2，采用k-means方法進行分割；

步驟S3，采用優化算法通過迭代得到基于互信息的最優配準參數；

步驟S4，將原始的參考圖像和浮動圖像相疊加；

步驟S5，計算經過圖像分割預處理的參考圖像A的灰度直方圖，并把具有相同灰度值的像素劃分為一組；

步驟S6，初始化配準參數，設定六個參數初始值為零；

步驟S7，利用配準參數對浮動圖像B進行線性插值產生變化后的浮動圖像，對于在迭代過程中映射到參考圖像之外的浮動圖像上的像素點賦零值。

進一步，所述步驟S1中，所述門限法處理過程為：先設置最小灰度T，然后根據上述灰度值T進行直方圖處理。設f(x,y)是一幅圖像的灰度直方圖，將所有f(x,y)＞T的點視為對象點，否則視為背景點。對參考圖像使用門限法進行預處理，可以去除噪聲和無關組織。

再進一步，步驟S1中，所述數學形態學方法處理過程為：先對圖像進行腐蝕運算，再進行膨脹運算，最后進行填充操作。

優選的，所述填充操作的過程為：

先將所有非邊界背景的點標記為0，再將P點設置為1，然后使用以下方法將整個區域用1填充：

此處X₀＝p，B是對稱結構元素。如果X_k＝X_k-1，則算法在迭代的第k步結束。

更進一步，步驟S2中，所述的k-means是一種常用的聚類算法，其目標函數為：

其中X為灰度圖像，U為X的一個硬c劃分(分割以后得到c個區域)，v為由聚類中心組成的向量。

所述步驟S3中，所述優化算法采用連續空間蟻群智能算法，連續空間蟻群智能算法能夠在較短時間內搜索到空間綜合互信息指數的全局最優值和準確找到最佳的配準變換。

所述最優配準參數過程為：對于參考圖像A，其與浮動圖像B的最優化配準參數為：

α^*＝maxI(A,B)

所述步驟S4中，所述將原始的參考圖像和浮動圖像相疊加，是指在考慮一定的剛體變換下，經過采樣和插值，給定了兩組圖像之間相似性測度，通過在該變換空間下尋求最佳變換T，使得相似性測度最大，從而達到配準的目的。