基于信息论测度的医学图像配准技术研究

摘要

医学图像配准技术是医学图像处理的基础，在医学信息融合、肿瘤生长监测、图像引导手术治疗及放疗计划制定等方面发挥着重要的作用。医学图像配准可以将各种互补的信息融合在一起，为医生诊断病情提供更多可靠的信息。因此，对医学图像配准技术的研究具有十分重要的理论意义和实用价值。
　　医学图像配准的研究工作在过去的许多年吸引了众多学者的关注，其中基于信息论的配准技术由于不依赖于图像的灰度值差异，而且也不需要特征提取和分割等预处理，因此在多模态医学图像配准中受到广泛关注，是目前研究较多、应用较广泛的配准方法。本文对基于信息论的医学图像配准中的相关问题进行了系统的分析，并对前人的研究工作进行了改进和完善。本文的主要研究工作和贡献可以概括为以下几个方面:
　　(1)研究基于Jensen-Arimoto散度的医学图像配准
　　由于香农熵没有考虑到两个独立随机变量之间的相关性，而Arimoto熵的非延展性使其考虑了二者之间的相关，由此，本文提出了一种基于Arimoto熵的相似度测量，并将其应用于医学图像配准。该方法选择刚体变换和基于B样条的自由形态形变作为空间变换模型，另外针对非刚体配准中变换的不光滑问题，引入自由形态形变的弯曲能量函数作为平滑项，并联合相似度和平滑项构造出配准算法的目标函数。同时利用基于B样条的Parzen窗来估计待配准图像的联合概率密度，得到目标函数的解析导数，采用L-BFGS优化算法求得目标函数的最优解。仿真和临床数据的刚体及非刚体配准实验表明基于詹森Arimoto散度(Jensen-Arimoto divergence，JAD)的方法能够获得精确的配准结果。
　　(2)研究基于连续图像表示的直方图估计方法及其在医学图像配准中的应用
　　为了解决箱子数和核函数对传统的直方图估计和Parzen窗方法的影响，本文利用基于连续图像表示的方法来估计待配准图像的联合直方图，从而计算联合概率分布，然后将获得的联合概率分布用于计算JAD相似度，并用该相似度作为配准标准执行医学图像配准。该算法利用连续图像表示推导出二维和三维图像的联合直方图，而且为了提高基于连续图像表示的直方图估计方法的执行效率，并降低图像配准过程中的网格效应，我们结合图像的随机抽样理论，提出快速连续的直方图估计方法。二维和三维刚体实验结果表明与没有结合随机抽样的连续直方图估计方法相比，该方法加速了配准过程并保持了配准精度;而且与简单的直方图估计和Parzen窗算法相比，基于快速连续直方图估计的配准方法也能够获得较高的配准精度。
　　(3)提出基于梯度分布距离的医学图像配准
　　针对经典的基于信息论相似度的配准方法没有考虑像素间空间信息的问题，本文提出一种基于梯度分布距离的医学图像配准方法，该方法利用待配准图像的梯度信息，估计出参考图像与浮动图像梯度的概率分布，并采用KL(Kullback-Leibler)散度计算二者梯度分布之间的距离，将该梯度分布距离作为目标函数的一个惩罚项，迫使浮动图像的梯度分布接近参考图像的梯度分布。此外根据JAD的性质定义一个归一化形式的测度，并将其作为相异性度量，然后再联合平滑项及梯度分布距离项构建最终的目标函数。为了得到目标函数的解析导数，在该方法中，仍然采用Parzen窗来估计概率分布，从而计算待配准图像的梯度分布距离。临床数据的非刚体配准实验表明基于梯度分布距离的方法可以得到精确的配准结果。
　　(4)提出基于结构图像表示的多模态医学图像配准
　　由于Demons算法在处理多模态医学图像配准问题时的效果并不佳，因此本文提出了一种基于结构图像表示的微分同胚Demons配准算法。该方法运用Arimoto熵计算参考图像和浮动图像的熵图像，并用这些熵图像来表示待配准图像的结构信息，然后采用微分同胚Demons算法对得到的两幅熵图像进行配准，并依据光流方程获得图像间位移场的更新，最后通过迭代获得最终的位移场。所提出的方法利用图像的结构信息将待配准图像的两种不同模态转化为第三种模态，由此，多模态医学图像间的配准就转化为单模态问题。实验结果展示:基于Arimoto熵的算法比微分同胚Demons算法和基于香农熵的Demons算法具有更高的配准精度。

目录

声明

摘要

第一章 绪论

1．1 引言

1．1．1 什么是图像配准

1．1．2 图像配准的应用

1．2 医学图像配准的研究背景与意义

1．2．1 医学图像的模态

1．2．2 研究背景与意义

1．3 医学图像配准的国内外研究现状

1．3．1 医学图像配准算法的组成

1．3．2 医学图像配准方法的分类

1．3．3 基于灰度的医学图像配准方法

1．3．4 医学图像配准结果的评估

1．4 本文的创新点及贡献

1．5 本文的结构与内容安排

第二章 信息论在医学图像配准中的应用

2．1 信息论基础

2．1．1 香农熵

2．1．2 联合熵和条件熵

2．1．3 互信息

2．2 互信息在医学图像配准中的应用

2．2．1 图像互信息

2．2．2 概率密度估计

2．2．3 基于互信息的医学图像配准

2．3 几种其他的信息论相似性度量

2．4 本章小结

第三章 基于Jensen-Arimoto散度的医学图像配准

3．1 引言

3．2 Arimoto熵

3．3 Jensen-Arimoto散度

3．4 与现有信息论测度的联系

3．5 基于Jensen-Arimoto散度的医学图像配准算法

3．5．1 配准框架

3．5．2 变换模型

3．5．3 目标函数

3．5．4 优化方案

3．6 算法比较和实验结果分析

3．6．1 测试数据

3．6．2 非延展性的说明

3．6．3 仿真数据配准实验

3．6．4 临床数据配准实验

3．6．5 实验结果分析

3．7 本章小结

第四章 基于连续图像表示的直方图估计方法及其应用

4．1 引言

4．2 基于连续图像表示的直方图估计

4．2．1 部分体积估计

4．2．2 二维图像的联合直方图

4．2．3 三维图像的联合直方图

4．3 随机抽样理论

4．3．1 低差异序列

4．3．2 计算成本

4．4 快速连续的直方图估计

4．4．1 二维图像的FCHE

4．4．2 三维图像的FCHE

4．5 基于快速连续直方图估计的医学图像配准

4．5．1 空间变换模型

4．5．2 目标函数

4．5．3 优化方案

4．6 算法比较与实验结果

4．6．1 二维图像配准实验

4．6．2 三维图像配准实验

4．7 本章小结

第五章 基于像素邻域信息的医学图像配准

5．1 引言

5．2 梯度分布距离

5．3 基于梯度分布距离的医学图像配准技术

5．3．1 非刚体图像配准框架

5．3．2 选择形变模型

5．3．3 构建目标函数

5．3．4 设计优化方案

5．3．5 实验结果及分析

5．4 基于结构图像表示的多模态医学图像配准

5．4．1 结构图像表示

5．4．2 微分同胚的Demons配准算法

5．4．3 实验结果与分析

5．5 本章小结

第六章 总结与展望

6．1 本文工作总结

6．2 未来工作展望

致谢

参考文献

附录

个人简历

攻读博士学位期间发表的学术论文