[发明专利]一种基于层次邻域谱特征的微分同胚非刚性配准算法

说明书

本发明属于图像处理技术领域，具体公开了一种基于层次邻域谱特征的微分同胚非刚性配准算法。由于层次邻域谱特征具有旋转不变性、亮度线性变化不变性和抗噪声能力强的优点，首先提取参考图像和浮动图像的层次邻域谱特征；其次，利用层次邻域谱匹配算法将这种新的谱特征融合到微分同胚Demons配准框架的能量函数中，从而提高微分同胚Demons算法捕获复杂形变的能力，并保证微分同胚变换和配准精度；最后，在整个配准过程中采用基于小波分解的多分辨率策略，进一步提高配准精确性和效率。本发明不仅能有效地生成光滑和可逆的形变场，而且比经典配准算法具有更好的性能。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于层次邻域谱特征的微分同胚非刚性配准算法。

背景技术

医学图像配准是指对浮动图像进行合理的空间变换，使其与参考图像上相应的解剖点或至少诊断点达到相同空间关系的过程。根据空间变换的不同，医学图像配准一般分为刚性配准和非刚性配准两类。刚性配准只描述仅限于全局旋转和平移的运动，而非刚性配准通常包含非常复杂的局部和全局弹性形变。实际上，在图像采集过程中，同一个或不同患者往往会受到肺部运动、膀胱充盈等因素影响，导致复杂的非刚性形变。非刚性配准在自适应放疗、图像引导手术、疾病诊断、病变跟踪和治疗效果评价等医学临床应用中起着重要的作用。同时，非刚性配准仍然是医学图像分析中最具挑战性的课题之一。

目前，医学图像非刚性配准有很多经典模型，如基于B样条的自由形变(FFD)模型、有限元模型(FEM)、粘性流体模型、Demons模型等。Demons配准是一种非常经典和流行的基于光流场理论的非刚性配准算法，由于其完整的数学理论，在医学图像非刚性配准中得到了广泛地应用。然而，Demons算法存在以下三个缺点：(1)由于只利用参考图像的梯度信息来驱动形变，算法的收敛速度比较慢；(2)当参考图像无纹理区域的梯度接近于零时，很容易得到错误的配准结果；(3)Demons算法很难估计复杂形变。为了加快Demons算法的收敛性，将浮动图像的梯度信息引入到扩散方程中，同时利用均匀化系数来调整驱动力的强度，提出了Active Demons算法。然而，Active Demons算法只通过均匀化系数来调整驱动力的强度，无法实现大形变和小形变之间的平衡。为了平衡大形变和小形变，在Active Demons中引入了一个新的称为平衡系数的参数来调节大形变和小形变之间的驱动力，提出了改进的Active Demons算法。为了保持形变场的拓扑结构，避免物理上的不合理形变，将配准过程看作是能量函数的优化过程，提出了基于李群理论的微分同胚Demons非刚性配准算法。尽管微分同胚Demons是一个很好的基于图像灰度的配准框架，但它也不能捕获复杂的大尺度形变。为了解决这一问题，同时提高配准精度，许多研究者针对微分同胚Demons算法提出了很多改进算法，大致分为两种策略：

(1)使用新的相似性测度。基于微分同胚Demons，通过使用新的相似性测度，提出了很多改进算法。例如：互相关测度被集成到对称的微分同胚Demons配准框架中，改进了医学图像非刚性配准性能。局部相关系数LCC被引入到Log-Demons配准中，提出了LCC-Demons非刚性配准算法。

(2)引入新特征到驱动力中。这些特征主要包括：灰度梯度场的相似性、几何约束特征、鲁棒性特征描述子SIFT、SURF和ASIFT、基于SAE的无监督深度特征、模态独立邻域描述子和谱特征等。例如，将谱特征引入到Demons配准算法的驱动力中，提出了SpectralDemons非刚性配准算法。Spectral Demons是一种新的捕获大形变的配准框架，与传统的Demons算法相比，在配准精度和对大形变的鲁棒性方面都有明显提高。然而，SpectralDemons得到的最终变换只适用于拓扑结构相似的图像配准，不适用于肿瘤切除前后的图像配准，不利于术后康复的监测和评价。此外，高维矩阵的谱分解导致Spectral Demons非常耗时，限制了其在许多临床应用中的实用性。