基于最大互信息法的医学图像配准技术研究

论文摘要

医学图像是在不同的时间和(或)不同的空间和(或)不同的成像技术下获得的。各种图像反映的是同一病人各种属性的信息,有关于解剖结构的信息,也有关于生理特征的信息,这些信息本来是统一的,而现在被分散到多种图像上去了。为了给医学诊断和治疗计划提供更加准确全面的图像依据,需要将多种图像进行配准,也就是说,使多种图像中的对应点达到空间位置和解剖位置的完全一致,形成一幅新的二维图像,其中的每一个像素点含有各方面属性的信息。本文首先将Canny边缘检测算子和数学形态学的方法相结合,提取头部实体的外轮廓,利用矩和主轴法对外轮廓图像进行粗配准。其次,研究了基于Shannon熵的归一化互信息和基于Renyi熵的归一化互信息的特点,根据某些参数下的Renyi熵可以消除局部极值,而Shannon熵对于局部极值具有很强吸引域的特点,提出了将基于Renyi熵的归一化互信息和基于Shannon熵的归一化互信息混合起来作为相似性测度的图像配准算法,该算法先用自适应遗传算法寻找基于Renyi熵的归一化互信息的极值,然后用此极值作为单纯形优化算法的初值,用单纯形优化算法寻找基于Shannon熵的归一化互信息的全局最优解。最后,本文对以下三种配准方法进行了比较研究:1)以基于Shannon熵的归一化互信息为相似性测度,以遗传算法为优化算法的配准算法;2)以基于Shannon熵的归一化互信息为相似性测度,先用矩和主轴法粗配准,再以遗传算法为优化算法精配准的配准算法;3)本文提出的以基于混合熵的归一化互信息为相似性测度,先用矩和主轴法粗配准,再以自适应遗传算法和单纯形算法为优化算法精配准的配准算法。实验结果说明,本文的算法比其它两种算法更精确,而且在时间指标上也有所提高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景及研究意义
• 1.2 医学图像配准技术的发展历史
• 1.3 医学图像配准存在的问题
• 1.4 本文内容安排
• 第二章 医学图像配准综述
• 2.1 医学图像配准的概念
• 2.2 医学图像配准方法的分类
• 2.3 主要配准方法
• 2.4 医学图像配准涉及到的主要技术
• 2.4.1 特征空间的提取
• 2.4.2 几何变换
• 2.4.3 相似性测度
• 2.4.4 优化算法
• 2.5 插值算法
• 2.5.1 最近邻域法
• 2.5.2 线性插值法
• 2.5.3 PV 插值算法
• 2.5.4 双三次插值算法
• 2.5.5 几种插值算法的比较
• 2.6 本章小结
• 第三章 基于矩和主轴法的粗配准
• 3.1 边缘检测
• 3.1.1 边缘的概念
• 3.1.2 经典边缘检测算子
• 3.2 数学形态学
• 3.2.1 集合论中的基本概念
• 3.2.2 数学形态学基本运算
• 3.3 矩和主轴法（MPAM）
• 3.4 粗配准实验
• 3.5 本章小结
• 第四章 互信息配准模型
• 4.1 互信息配准模型的基本概念
• 4.2 互信息配准模型
• 4.2.1 基于Shannon 熵的互信息
• 4.2.2 基于Renyi 熵的互信息
• 4.2.3 归一化互信息
• 4.2.4 两种归一化互信息的比较
• 4.3 本章小结
• 第五章 优化算法
• 5.1 遗传算法（GA）
• 5.1.1 遗传算法的基本概念
• 5.1.2 遗传算法的基本步骤
• 5.1.3 基于二进制编码的遗传算法
• 5.1.4 基于浮点数编码的遗传算法
• 5.1.5 遗传算法的优缺点
• 5.1.6 基于浮点数编码的自适应遗传算法（AGA）
• 5.2 单纯形优化算法（SM）
• 5.2.1 单纯形法
• 5.2.2 初始值对单纯形算法的影响
• 5.3 本章小结
• 第六章 基于主轴法和混合互信息的图像配准
• 6.1 算法步骤
• 6.2 实验部分
• 6.3 本章小结
• 第七章 总结与展望
• 7.1 总结
• 7.2 展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文