基于群体智能算法的医学图像配准

论文摘要

医学图像配准是医学图像处理领域中的一项重要技术,对临床诊断和治疗起着越来越重要的作用。尽管医学图像刚性配准研究已经开展多年,但是目前的主要方法仍然存在不足,需进一步改进,才能使其更好地应用于临床。目前提出的图像配准算法大多可分为基于灰度的配准方法和基于特征的配准方法,两类方法各有利弊。作者融合了上述两类方法,以基于特征的多模医学图像配准为核心,借鉴了互信息的思想,并通过实验取得了良好的效果。文中按配准过程的三步骤,分别对特征提取、相似性测度和配准优化算法等方面进行了讨论。归纳起来,全文的主要研究工作和创新之处在于:（1）分析了传统的边缘检测算子及数学形态学方法提取图像边缘。传统方法对清晰图像的边缘检测效果很好,但对噪声相对敏感。多尺度小波系数由于其相关性在去噪中得到应用,本文提出利用小波多尺度积来最大限度的抑制噪声,新的方法可以有效去除原图像的噪声,得到准确的图像边缘及特征点。（2）对配准中的传统局部优化算法和智能全局优化算法进行了研究。为提高全局算法的局部搜索能力,提出了量子粒子群算法（QPSO）和Powell算法混合的配准算法（PQPSO）,并通过CT-MR图像配准实验比较了GA、PSO、QPSO及PQPSO的算法性能,实验结果表明PQPSO混合优化算法具有更好的寻优特性。（3）在相似性测度方面,提出了一种改进型的基于特征点互信息的图像配准方法,该方法用小波多尺度积提取的轮廓特征点,将图像的特征信息与互信息结合起来,它只需针对提取出来的特征点进行计算,计算量大大减少。图像边缘（线）与特征点相比,包含了更多的图像信息,用于配准可提高了配准的鲁棒性,本文借鉴了互信息的思想,提出了一种以图像边界距离场互信息作为相似度函数的图像配准方法,以参考边界的距离场和浮动二值边界为两个离散概率分布,将其互信息作为相似度函数进行配准。实验结果表明,该算法对图像内容完全一致和内容不完全对应的图像均可得到良好的配准结果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 医学图像配准的概念
• 1.3 医学图像配准的主要方法
• 1.3.1 基于像素或体素的配准方法
• 1.3.2 基于特征的配准方法
• 1.4 基于特征的医学图像配准过程
• 1.4.1 图像相似性特征提取
• 1.4.2 图像配准建模
• 1.4.3 最优化图像配准
• 1.5 本文主要工作及文章结构
• 第二章 图像特征提取
• 2.1 几种常用的边缘检测算子
• 2.1.1 Roberts 算子
• 2.1.2 Sobel 算子
• 2.1.3 Prewitt 算子
• 2.1.4 Gauss-Laplace 算子
• 2.1.5 Canny 算子
• 2.1.6 边缘检测算子实验结果比较
• 2.2 数学形态学
• 2.2.1 腐蚀与膨胀
• 2.2.2 开启与闭合
• 2.2.3 数学形态学方法提取图像边缘
• 2.3 基于小波变换多尺度分析的图像边缘及特征点提取方法
• 2.3.1 小波及小波变换
• 2.3.2 连续小波变换
• 2.3.3 离散小波变换和二进小波
• 2.3.4 多分辨率分析
• 2.3.5 离散小波变换的设计
• 2.3.6 Mallat 快速算法
• 2.3.7 图像小波变换的分解
• 2.3.8 基于小波多尺度积的图像边缘及特征点提取
• 2.3.9 实验结果
• 2.4 本章小结
• 第三章 配准优化算法
• 3.1 Powell 算法
• 3.2 Brent 算法
• 3.3 GA 算法
• 3.4 PSO 算法
• 3.4.1 惯性权重（inertia weight）的引入
• 3.4.2 收缩因子（constriction factor）的引入
• 3.4.3 粒子群优化算法与遗传算法比较
• 3.5 QPSO 算法
• 3.6 Powell 与 QPSO 混合算法（PQPSO）
• 3.7 算法性能比较
• 3.7.1 算法流程
• 3.7.2 轮廓跟踪算法
• 3.7.3 外围轮廓特征点的提取
• 3.7.4 代价函数
• 3.7.5 二维刚体变换
• 3.7.6 图像插值方法
• 3.7.7 实验结果分析
• 3.8 本章小结
• 第四章 相似性测度
• 4.1 基于特征的配准
• 4.2 基于互信息的配准
• 4.2.1 互信息法的理论基础
• 4.2.2 归一化的互信息量
• 4.2.3 互信息配准的优点及不足
• 4.3 基于小波多尺度积特征点互信息的医学图像配准
• 4.3.1 轮廓特征点互信息
• 4.3.2 基于小波多尺度积特征点互信息的配准方法
• 4.3.3 算法流程
• 4.3.4 实验结果分析
• 4.4 基于边界距离场互信息的医学图像配准
• 4.4.1 距离变换
• 4.4.2 基于边界距离场互信息的配准方法
• 4.4.3 算法流程
• 4.4.4 实验结果分析
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文