[发明专利]一种基于互信息与图像分割的三维多模态医学图像自动配准方法

说明书

技术领域

本发明涉及计算机图像处理和医学图像融合领域，涉及一种基于互信息与图像分割的三维多模态医学图像自动配准方法。

背景技术

多模态医学图像配准是医学图像融合的关键技术，只有将不同模态的医学图像进行准确的配准，图像信息的融合才有意义。

图像配准的相似性指数用于评价参考影像与变换后的待配准影像之间的重合程度，当两幅影像完全配准时，相似性指数应该达到最大值。由于相似性指数是配准变换参数的函数，因此寻找最佳的配准参数等价于一个函数优化的问题。相似性指数的优劣决定了自动配准模型的鲁棒性和精度。

现有技术中，图像配准算法可分为两种：基于特征要素的配准和基于灰度信息的配准。前者直接从原始影像中计算相似性，并寻找最优配准变换；后者先从影像中提取特征要素，然后根据这些特征要素的相似性来估计最优变换。

基于特征要素的影像配准中，常用的要素有点要素、线要素和面要素。特征要素可以通过Harris拐点提取算法、Canny边缘提取算法、图像分割和相位一致模型等方法获得。

基于灰度信息的配准方法，直接使用原始影像的灰度信息来计算变换后两幅图像之间的相似程度。这种相似程度可以通过各种相似性指数来描述，如交叉相关性指数、相位相关性指数以及互信息等。现有的技术中一般认为互信息作为一种基于灰度信息的相似性指数，可以判断两个非线性相关随机变量的相关程度，故认为其可以很好地描述医学影像的相似性。

然而，在医学图像配准的应用中发现，最佳配准变换参数对应的互信息为局部极大值，而非全局最大值。因此，在使用优化算法寻找最佳参数的过程中，需要认为地确定搜索范围，这种搜索范围的限制降低了互信息配准模型的自动化程度。

发明内容

为了克服已有三维多模态医学图像配准方法的精度较低、鲁棒性较低、性能较差的不足，本发明提供了一种高精度、高鲁棒性、高性能的基于互信息与图像分割的三维多模态医学图像自动配准方法。

本发明解决其技术问题所采用的技术方案是：

一种基于互信息与图像分割的三维多模态医学图像自动配准方法，包括如下步骤：

步骤S1，采用门限法和数学形态学方法进行预处理；

步骤S2，采用k-means方法进行分割；

步骤S3，采用优化算法通过迭代得到基于互信息的最优配准参数；

步骤S4，将原始的参考图像和浮动图像相叠加；

步骤S5，计算经过图像分割预处理的参考图像A的灰度直方图，并把具有相同灰度值的像素划分为一组；

步骤S6，初始化配准参数，设定六个参数初始值为零；

步骤S7，利用配准参数对浮动图像B进行线性插值产生变化后的浮动图像，对于在迭代过程中映射到参考图像之外的浮动图像上的像素点赋零值。

进一步，所述步骤S1中，所述门限法处理过程为：先设置最小灰度T，然后根据上述灰度值T进行直方图处理。设f(x,y)是一幅图像的灰度直方图，将所有f(x,y)＞T的点视为对象点，否则视为背景点。对参考图像使用门限法进行预处理，可以去除噪声和无关组织。

再进一步，步骤S1中，所述数学形态学方法处理过程为：先对图像进行腐蚀运算，再进行膨胀运算，最后进行填充操作。

优选的，所述填充操作的过程为：

先将所有非边界背景的点标记为0，再将P点设置为1，然后使用以下方法将整个区域用1填充：

此处X₀＝p，B是对称结构元素。如果X_k＝X_k-1，则算法在迭代的第k步结束。

更进一步，步骤S2中，所述的k-means是一种常用的聚类算法，其目标函数为：

其中X为灰度图像，U为X的一个硬c划分(分割以后得到c个区域)，v为由聚类中心组成的向量。

所述步骤S3中，所述优化算法采用连续空间蚁群智能算法，连续空间蚁群智能算法能够在较短时间内搜索到空间综合互信息指数的全局最优值和准确找到最佳的配准变换。

所述最优配准参数过程为：对于参考图像A，其与浮动图像B的最优化配准参数为：

α^*＝maxI(A,B)

所述步骤S4中，所述将原始的参考图像和浮动图像相叠加，是指在考虑一定的刚体变换下，经过采样和插值，给定了两组图像之间相似性测度，通过在该变换空间下寻求最佳变换T，使得相似性测度最大，从而达到配准的目的。