论文摘要
医学图像配准是现代医学图像处理技术的一个重要方面,为医生充分利用多种模态的医学图像信息,提高医学诊断和治疗的准确性打下了基础。它不仅可以用于诊断治疗,还可以用于病理变化的跟踪和治疗效果的评价等多方面。目前,已经提出的医学图像配准方法主要可以分为两类:基于特征的配准和基于灰度统计的配准。基于特征的配准方法简单且易于实现,但配准精度易受到特征提取的分割步骤的影响。基于互信息的配准模型是基于灰度统计的图像配准模型,基于该模型的配准由于无需预处理、准确性高、稳健性好等特点,是当前医学图像配准方法的发展趋势。本论文首先介绍了医学图像配准技术的背景、发展现状和应用。然后详细分析了医学图像配准的概念原理及具体实现步骤,介绍了配准实现中常用的几何变换、插值方法、相似性测度和优化算法,并深入探讨了这四大因素的选择对配准结果的影响,同时还对配准方法的分类及相关评估进行了论述。其次,本文深入研究了基于互信息的医学图像配准方法,先对互信息的背景和基础概念做了介绍,进而分析了互信息法的配准原理,并对互信息法存在的困难和研究重点进行了讨论。医学图像配准中采用的优化算法主要以局部优化算法居多,但这些优化算法容易陷入局部极值,从而导致图像的误配准。本论文采用的优化算法是具有良好全局搜索能力的遗传算法和粒子群算法。但是,遗传算法由于其存在容易早熟、收敛速度慢的不足,在医学图像配准的应用中有一定的缺陷。本论文通过在编码、遗传操作算子等方面对遗传算法进行改进,提高了算法的性能,并将之和粒子群算法结合,设计了一种最大互信息和混合优化算法相结合的医学图像配准算法,提高了配准的速度。最后,在以上述技术的基础上,以人脑的医学图像作为仿真数据,利用Matlab7.0工具对基于互信息的医学图像配准的改进优化算法进行仿真,实现了互信息法的医学图像配准,验证了该算法的精确性和鲁棒性,同时将结果进行比较分析,总结出基于互信息的该算法的优越性和欠缺之处。