基于熵图估计的医学图像配准中特征点和梯度特征研究

摘要

医学图像配准是医学图像融合的基础，已经广泛应用于医学临床疾病的诊断、治疗计划的制定、手术导航和疾病发展过程的研究中。继Collignon和Viola等人提出基于互信息的配准方法后，基于熵的相似性测度在医学图像配准中得到了广泛应用。各种基于熵的相似性测度的计算都需要对样本数据的熵进行估计。Redmond等证明在边长函数满足连续以及拟可加的条件下，图可以用来直接估计熵。Hero进一步提出了使用最小生成树估计Rényi熵的理论框架。
　　本文在此基础上，针对目前基于熵图估计的配准方法中存在的一些局限和不完善之处，研究特征点和梯度特征方法，且取得了较好的效果。本文完成的主要研究工作包括:
　　基于熵图估计的医学图像配准中特征点研究
　　(1)针对传统基于熵图估计的配准方法采用的特征点种类过于单一，不稳定，同时没有充分考虑到医学图像本身特点的问题，提出一种基于互补尺度空间关键点的医学图像配准算法。该算法提取两种具有互补特性的尺度空间关键点Harris-Laplace和Laplacian of Gaussian，Harris-Laplace适合寻找图像中的角点，Laplacian of Gaussian适合寻找图像突出的Blob特征。它们不容易受到噪声干扰，具有较强的鲁棒性。实验结果表明:和单一类型的特征点相比，新算法具有鲁棒性高、速度快的优点;
　　(2)在第(1)部分方法的基础上，提出一种融合多种特征点灰度信息的医学图像配准算法。首先，提取三种特征点，Harris-Laplace、Laplacian of Gaussian和网格(Grid)点，它充分利用了尺度空间互补特征点信息，同时在低对比度区域增加Grid点来提高特征点分布的均匀性。然后，使用遗传算法进行特征点选择，降低了特征点之间的不相关和冗余对配准鲁棒性的影响。实验结果表明:在第(1)部分方法的基础上，新算法具有更强的鲁棒性、更高的准确性和更快的速度;
　　基于熵图估计的医学图像配准中梯度特征研究
　　(3)针对传统基于熵图估计的配准方法只考虑像素的灰度特征，忽略像素之间的空间信息，且配准结果对噪声和采样率敏感，导致配准鲁棒性下降的问题，提出一种基于梯度信息加权的医学图像配准算法。首先，定义基于两幅图像之间边缘梯度信息的加权函数。然后，使用加权函数对联合Rényi熵进行修正。实验结果表明:新算法的配准函数更为平滑;
　　(4)由于成像模式不同，同一组织在多模医学图像上会得到不同的灰度值。但是，两幅图像本质上描述的是相同的解剖结构。利用这种特性，提出一种融合梯度方向信息的多模医学图像配准算法。首先，构造对比反转、旋转和平移不变的新特征。然后，将新特征和像素灰度组成高维特征用于基于熵图估计的多模医学图像配准。实验结果表明:新算法结合了两种特征的优点，在配准鲁棒性和准确性方面，获得了较好的综合性能;
　　(5)针对医学图像非刚性配准对配准准确性的要求，提出一种融合尺度不变特征变换(Scale Invariant Feature Transform，SIFT)高维特征的医学图像非刚性配准算法。该算法通过使用像素灰度和SIFT特征融入空间信息，同时变换模型组合了刚性和基于三次B样条的自由形变模型，因此较好的描述了待配准图像之间所存在的全局和局部变形。实验结果表明:新算法具有较好的配准准确性，可以有效的减少待配准图像之间的差异。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 医学图像配准的研究现状

1．3 研究目标和研究内容

1．4 论文结构和研究路线

第2章 基于熵图估计的医学图像配准

2．1 基于熵的相似性测度

2．1．1 基于Shannon熵的相似性测度

2．1．2 基于Rényi熵的相似性测度

2．2 非参数熵估计方法

2．2．1 基于Plug-in的熵估计方法

2．2．2 基于Nearest-Neighbor的熵估计方法

2．2．3 基于Sample-Spacings的熵估计方法

2．2．4 基于Entropic Spanning Graphs的熵估计方法

2．3 基于熵图估计的配准方法

2．3．1 基于熵图估计的配准方法的研究现状

2．3．2 基于熵图估计的配准方法的局限性

2．4 本章小结

第3章 基于互补尺度空间关键点的医学图像配准研究

3．1 基于互补尺度空间关键点的医学图像配准

3．1．1 尺度空间关键点的提取

3．1．2 构造匹配的关键点集

3．1．3 构造最小生成树

3．1．4 使用最小生成树估计Rényi熵

3．1．5 插值方法

3．1．6 优化方法

3．2 实验结果与分析

3．2．1 配准鲁棒性

3．2．2 配准时间

3．3 本章小结

第4章 融合多种特征点灰度信息的医学图像配准研究

4．1 融合多种特征点灰度信息的医学图像配准

4．1．1 特征点提取

4．1．2 构建融合多种特征点灰度信息的无向完全图顶点集合

4．2 实验结果与分析

4．2．1 配准鲁棒性和准确性

4．2．2 配准时间

4．2．3 配准函数

4．3 本章小结

第5章 基于梯度信息加权的医学图像配准研究

5．1 基于梯度信息加权的医学图像配准

5．1．1 构造最小生成树并估计联合Rényi熵

5．1．2 问题的提出

5．1．3 梯度信息加权

5．1．4 优化方法

5．2 实验结果与分析

5．2．1 配准函数

5．2．2 配准结果图

5．3 本章小结

第6章 融合梯度方向信息的多模医学图像配准研究

6．1 融合梯度方向信息的多模医学图像配准

6．1．1 构造对比反转和平移旋转不变的梯度方向特征

6．1．2 高维特征提取

6．1．3 构造最小生成树并估计Rényi熵

6．1．4 优化方法

6．2 实验结果与分析

6．2．1 主梯度方向的准确性

6．2．2 配准鲁棒性

6．2．3 配准准确性

6．2．4 配准时间

6．3 本章小结

第7章 融合SIFT高维特征的医学图像非刚性配准研究

7．1 融合SIFT高维特征的医学图像非刚性配准

7．1．1 提取SIFT高维特征

7．1．2 构造k-最邻近图并估计αMI

7．1．3 优化方法

7．2 实验结果与分析

7．2．1 分割后的肺部CT医学图像配准

7．2．2 脑部MRI医学图像配准

7．3 本章小结

第8章 结论

8．1 论文工作总结

8．2 未来工作展望

参考文献

致谢

攻读博士学位期间已发表和待发表的论文

攻读博士学位期间参加的科研项目

作者简介