基于混合配准策略的多模态医学图像配准方法研究

摘要: 提出了一种由“粗”到“细”的混合配准策略,该配准策略吸取了以往配准方法的优点,且在细配阶段将基于特征的配准方法和基于灰度的配准方法结合在一起,提出了基于轮廓特征点集最大互信息的配准方法,从而在速度和精度上都得到了很大提高。

关键词: 图像配准;数学形态学;力矩主轴法;互信息

1 引言

医学图像配准技术是90年代才发展起来的医学图像处理的一个重要分支,随着医学影像技术的发展,在现代医学临床和研究上发挥着越来越大的作用。目前临床上取得成功应用的是单模态医学图像的配准和融合技术。对于多模态医学图像的配准技术也进行了很多研究,在相关文献中提出了很多种配准的方法。总体上可分为基于图像特征的配准[1—3]和基于图像灰度的配准[4]两大类,基于特征的配准如:基于点的配准、基于线的配准、基于面的配准等;基于图像灰度的配准方法如:最小化联合熵法、最大化互信息法、互信息和图像梯度进行综合的方法等。配准方法虽多,但其速度和精度往往不能兼顾,且算法的鲁棒性不够强,这使得多模态医学图像配准在实际应用中还存在大量的技术难题。为此需要尽可能结合与挖掘现有方法中的优点,同时针对一些难点,开发研究新算法。本文正是吸取了以往配准方法的优点,并在此基础上给出了一种由“粗”到“细”的混合配准策略:先粗略配准两幅图像的轮廓,再将基于图像特征的配准方法和基于灰度的配准方法结合在一起,以两幅图像粗配后的轮廓特征点的最大互信息作为配准的目标函数,进一步对图像做精细配准,从而使得配准时间和精确性都有了明显改善。

2 图像的粗略配准过程

2.1 轮廓特征点的提取

本文首先选取了基于数学形态学的方法来提取出头部实体的主轮廓,假设用f1(f)来表示图像的边界,它可以通过适当的结构元素g对图像f进行腐蚀,而后用f减去腐蚀结果得到。即:

f1(f) = f - (f ⊕ g) (1)

2.2 力矩主轴法

力矩主轴法是引用经典力学物体质量分布的原理,计算图像的零阶和一阶矩得到图像各自的质心和主轴,之后再通过平移和旋转使两幅图像的质心和主轴对齐,从而使两幅图像达到配准的目的。

2.3 将力矩主轴法应用于图像配准

因为头部MRI图像和CT图像均具有很明显的外围轮廓,于是可认为若待配准的两幅图像来源于同一病人同一部位的同一层面,或是不同病人同部位的同一层面,则其外围轮廓的质心和主轴应该是大体一致的。本文在提取出图像的轮廓后,利用力矩主轴的公式计算出图像的质心坐标与主轴,再通过平移和旋转处理,使两幅图像的质心和主轴对齐,即完成了图像的粗略配准。

3 图像的精细配准过程

在对图像粗略配准的基础上,进一步将基于图像特征的方法和基于灰度的方法结合起来,以粗配后两幅图像的轮廓特征点对的互信息为配准的目标函数,完成对图像的精细配准。

3.1 互信息

互信息是信息论中的一个基本概念,通常用于描述两个随机变量间的统计相关性,或者是一个变量包含另一个变量的信息量的多少的度量。互信息可用熵来描述。边缘概率密度函数和联合概率密度函数分别为p(a),p(b),p(a, b),A和B的随机变量A与B的个体熵和联合熵分别定义为:

H(A) = -∑p(n) log p(n) (2)

H(B) = -∑P(6) log P(6) (3)

H(A, B) = -∑P(a, b) log p(a, b) (4)

其中,a ∈ A,b ∈ B,如果H(A|B)表示已知变量B时A的条件熵,那么H(A)与H(A|B)的差值,就代表在变量B中所包含的A的信息,即互信息。因此两个变量间的互信息可以用下式描述:

J(A, B) = H(A) + H(B) - H(A, B)

= H(A) - H(A|B)

= H(B) - H(B|A)

= ∑p(a, b) log(p(a, b) / (p(a)p(b))) (5)

3.2 基于图像特征的方法和灰度方法的结合

假定粗配后两幅图像的轮廓特征点集分别为X = (Xi, i = 1, 2, …, N1)和Y = (Yj, j = 1, 2, …, N2),Xi和Yj表示形状特征点在二维平面中的坐标,点集X和Y的互信息为:

I(X, Y) = ∑∑P(Xi, Yj) log(P(Xi, Yj) / (P(Xi)P(Yj))) (6)

其中,P代表特征点Xi和Yj的联合概率,即同时从X中选取Xi和Yj从Y中选取Yj的概率。我们所要做的工作就是找到一个最优的配准参数a*,使得:

a* = arg max I(X) (7)

采用轮廓特征点的互信息作为配准目标函数,具备如下的一些优点:首先,互信息反映的是两个系统间的统计相关性,或者说,代表了系统X中包含的系统Y的信息。在医学图像配准问题中,由于待配准的两幅图像基于共同的解剖信息,因此当两幅图像达到空间位置完全一致时,其中一幅图像表达的关于另一幅图像的信息,也就是对应轮廓特征点的位置互信息应为最大;其次,对于轮廓特征点集X(或Y)中特征点的数目多少以及排列先后次序,没有严格要求。即X和Y中点的数目可以不相等,并且点的编号次序是随机的;再者,具备一定的抗噪声能力。

3.3 求解最佳的变换参数

医学图像的配准过程本质上是一个多参数最优化问题,即寻找使互信息达到最大时的几个空间变换参数值。因此,配准问题实质是配准函数优化问题。必须通过最优化算法求出配准目标函数的极值,从而得到最优配准变换参数。

本文由于已完成了图像的粗略配准,为进一步减少配准时间,此处采用无需求导的Powell算法来搜索精细配准过程中的最佳变换参数。

4 配准算法流程及配准实验结果

4.1 配准算法流程

在这里插入图片描述

4.2 实验结果

为了检验该方法的正确性,我们先以两幅CT图像为例,一幅以另一幅为参考,有一定的旋转角度和平移量偏差。实验数据结果如表1所示。

在这里插入图片描述

5 结束语

本文将典型的两种配准方法——基于特征的配准方法和基于灰度的配准方法结合起来,吸取了各自的长处,并在此基础上提出了一种由“粗”到“细”的混合配准策略,从而在配准速度和精度上都得到了很大提高。但本文的算法也主要针对的是刚性、轮廓清晰的医学图像,有许多方面还需要改进和发展。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/470728.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

贪心算法入门(二)

相关文章 贪心算法入门(一)-CSDN博客 1.什么是贪心算法? 贪心算法是一种解决问题的策略,它将复杂的问题分解为若干个步骤,并在每一步都选择当前最优的解决方案,最终希望能得到全局最优解。这种策略的核心…

Autosar CP 基于CAN的时间同步规范导读

Autosar CP 基于CAN的时间同步规范主要用途 实现精确时间同步 提供了一种在CAN总线上准确分发时间信息的机制,确保连接到CAN网络的各个电子控制单元(ECU)能够共享精确的公共时间基准,对于需要精确时间协调的汽车系统功能&#xff…

前端常用布局模板39套,纯CSS实现布局

前端常用布局模板39套,纯CSS实现布局 说明 写博客、官网、管理后台都可以参考以下布局模板,实现模板布局的方式包含:flex、CSS、HTML5、Layout。 不需要下载积分,没有特殊库引用,不用安装任何插件,打开资源…

jmeter常用配置元件介绍总结之后置处理器

系列文章目录 安装jmeter jmeter常用配置元件介绍总结之后置处理器 8.后置处理器8.1.CSS/JQuery提取器8.2.JSON JMESPath Extractor8.3.JSON提取器8.4.正则表达式提取器8.5.边界提取器8.5.Debug PostProcessor8.6.XPath2 Extractor8.7.XPath提取器8.8.结果状态处理器 8.后置处理…

边缘计算在智能交通系统中的应用

💓 博客主页:瑕疵的CSDN主页 📝 Gitee主页:瑕疵的gitee主页 ⏩ 文章专栏:《热点资讯》 边缘计算在智能交通系统中的应用 边缘计算在智能交通系统中的应用 边缘计算在智能交通系统中的应用 引言 边缘计算概述 定义与原…

Vue 项目打包后环境变量丢失问题(清除缓存),区分.env和.env.*文件

Vue 项目打包后环境变量丢失问题(清除缓存),区分.env和.env.*文件 问题背景 今天在导报项目的时候遇到一个问题问题:在开发环境中一切正常,但在打包后的生产环境中,某些环境变量(如 VUE_APP_B…

十三、注解配置SpringMVC

文章目录 1. 创建初始化类,代替web.xml2. 创建SpringConfig配置类,代替spring的配置文件3. 创建WebConfig配置类,代替SpringMVC的配置文件4. 测试功能 1. 创建初始化类,代替web.xml 2. 创建SpringConfig配置类,代替spr…

(干货)Jenkins使用kubernetes插件连接k8s的认证方式

#Kubernetes插件简介 Kubernetes 插件的目的是能够使用 Kubernetes 配合,实现动态配置 Jenkins 代理(使用 Kubernetes 调度机制来优化负载),在执行 Jenkins Job 构建时,Jenkins Master 会在 kubernetes 中创建一个 Sla…

俏美韵从心出发,与女性一道为健康生活贡献力量

近期发布的《2025 全球食品与饮料》报告中显示,“回归本源”为2025年食品饮料赛道的趋势之一,消费者对于产品成分要求越来越严格,尤其是女性消费者,对成分是否自然,营养含量等方面越来越看重,俏美韵品牌从产…

区块链技术在慈善捐赠中的应用

💓 博客主页:瑕疵的CSDN主页 📝 Gitee主页:瑕疵的gitee主页 ⏩ 文章专栏:《热点资讯》 区块链技术在慈善捐赠中的应用 区块链技术在慈善捐赠中的应用 区块链技术在慈善捐赠中的应用 引言 区块链技术概述 定义与原理 发…

mongoDB的安装及使用

mongodb的安装参考: Centos系统中mongodb的安装详解_centos安装mongodb-CSDN博客 不要下载最新的版本,新的版本中mongo命令无法使用,也就是安装后不能通过mongo命令登录,我这里使用5.0.30版本; mongodb客户端demo: …

DNS面临的4大类共计11小类安全风险及防御措施

DNS在设计之初,并未考虑网络安全限制,导致了许多问题。DNS安全扩展(DNSSEC)协议的开发旨在解决DNS的安全漏洞,但其部署并不广泛,DNS仍面临各种攻击。接下来我们一起看下DNS都存在哪些安全攻击及缓解措施,旨在对DNS安全…

MySql结合element-plus pagination的分页查询

实现效果如下: 重点:使用mysql查询的limit和offset 原生SQL写法: select c.id as deptid,c.name as department,position,a.name staffname,2024-11 as shijian ,CASE WHEN b.shijian IS NULL THEN no ELSE yes END AS submit from fa_wecom…

ubuntu20.04安装FLIR灰点相机BFS-PGE-16S2C-CS的ROS驱动

一、Spinnaker 安装 1.1Spinnaker 下载 下载地址为: https://www.teledynevisionsolutions.com/support/support-center/software-firmware-downloads/iis/spinnaker-sdk-download/spinnaker-sdk–download-files/?pnSpinnakerSDK&vnSpinnakerSDK 在上述地址中…

什么是数字图像?

点赞 关注 收藏 学会了 什么是数字图像? 本文可在公众号「德育处主任」免费阅读 弄懂数字图像的概念对学习计算机视觉很有帮助。 那么,什么是数字图像? 字面意思,数字图像就是有数字组成图像。通常由像素(Pixel&…

2024年11月13日

1.创业法律指南 留置权和其他三个权 定金和订金 一般保证和连带保证 1.案例 物权编之担保法律制度案例一 冯系养鸡专业户,为改建鸡会和引进良种需资金20万元。冯向陈借款10万元,以自己的一套价值10万元的音响设备抵押,双方立有抵押字据&a…

Android OpenGL ES详解——立方体贴图

目录 一、概念 二、如何使用 1、创建立方体贴图 2、生成纹理 3、设置纹理环绕和过滤方式 4、激活和绑定立方体贴图 三、应用举例——天空盒 1、概念 2、加载天空盒 3、显示天空盒 4、优化 四、应用举例——环境映射:反射 五、应用举例——环境映射:折射 六、应用…

2024版本IDEA创建Sprintboot项目下载依赖缓慢

目录 步骤一:在IDEA中搜索Maven(双击shift) 步骤二:找到Maven下的settings.xml文件修改镜像 ​编辑 ​编辑​编辑 步骤三:用VScode打开settings.xml文件修改镜像 ​编辑 步骤一:在IDEA中搜索Maven(双击shift) 步骤二&#xff…

Android Framework AMS(16)进程管理

该系列文章总纲链接:专题总纲目录 Android Framework 总纲 本章关键点总结 & 说明: 说明:本章节主要解读AMS 进程方面的知识。关注思维导图中左上侧部分即可。 我们本章节主要是对Android进程管理相关知识有一个基本的了解。先来了解下L…

python购物计算 2024年6月青少年电子学会等级考试 中小学生python编程等级考试一级真题答案解析

目录 python购物计算 一、题目要求 1、编程实现 2、输入输出 二、算法分析 三、程序代码 四、程序说明 五、运行结果 六、考点分析 七、 推荐资料 1、蓝桥杯比赛 2、考级资料 3、其它资料 python购物计算 2024年6月 python编程等级考试一级编程题 一、题目要求 …