CN107644434B - 融合梯度信息和广义熵相似度的多模态医学图像配准方法 - Google Patents

融合梯度信息和广义熵相似度的多模态医学图像配准方法 Download PDF

Info

Publication number
CN107644434B
CN107644434B CN201710778551.4A CN201710778551A CN107644434B CN 107644434 B CN107644434 B CN 107644434B CN 201710778551 A CN201710778551 A CN 201710778551A CN 107644434 B CN107644434 B CN 107644434B
Authority
CN
China
Prior art keywords
image
gradient
representing
registered
registration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710778551.4A
Other languages
English (en)
Other versions
CN107644434A (zh
Inventor
李碧草
刘洲峰
王贝
张爱华
黄杰
舒华忠
朱永胜
刘闪亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongyuan University of Technology
Original Assignee
Zhongyuan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongyuan University of Technology filed Critical Zhongyuan University of Technology
Priority to CN201710778551.4A priority Critical patent/CN107644434B/zh
Publication of CN107644434A publication Critical patent/CN107644434A/zh
Application granted granted Critical
Publication of CN107644434B publication Critical patent/CN107644434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明公开了一种融合梯度信息和广义熵相似度的多模态医学图像配准方法，步骤如下：S1，构造广义熵相似性测度；S2，构造待配准图像的梯度测度；S3，构造待配准图像的相似性测度；S4，构造多模态图像的配准模型；S5，对配准模型进行求解。本发明综合考虑了不同模态医学图像的梯度信息和灰度分布特征，有效的完成了多模态医学图像的精确配准。且是基于一种广义的信息熵，构建广义熵相似性测度，具有更广泛的性质。不考虑图像间的灰度差异，而是利用两幅图像灰度值的联合概率分布，计算待配准图像间的信息论相似度，不仅适用于相同模态的医学图像，也适用于灰度差异较大的不同模态医学图像，扩大了本发明的使用范围。

Description

融合梯度信息和广义熵相似度的多模态医学图像配准方法
技术领域
本发明属于医学图像处理技术领域，具体涉及一种融合梯度信息和广义熵相似度的多模态医学图像配准方法。
背景技术
医学图像配准是医学图像处理领域的一项重要技术，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。微电子、计算机、信息科学等的迅速发展和广泛应用带动了医学成像技术的飞速发展。成像设备的不断发展，使得医生从医学图像中得到的信息量急剧增加。单个成像设备获取的图像信息已经不能满足某些特定应用的需求，以往的图像处理方法不能很好的应对多成像设备组合使用所带来的新问题。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。
医学图像配准的研究工作吸引了众多学者的关注，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。最大化互信息是最常用的信息论配准方法，在配准过程中，用互信息来衡量参考图像与变换的浮动图像之间的相似程度，并通过优化方法得到相似程度最大时待配准图像的空间变换。这类方法包括相似性测度构建、变换模型选取、优化方案设计等，然而基于互信息的配准方法并未考虑两个独立子***间的相互关系[参考文献[1]:Khader M,Hamza A B.Nonrigid image registration using an entropic similarity[J].IEEE Transactions on Information Technology in Biomedicine,2011,15(5):681-690.]。
伪叠加性是非扩展熵的一个重要性质，基于Tsallis熵的配准方法可以弥补这一缺点，从而有效地提高医学图像的配准精度(参考文献[2]:Khader M,Hamza A B.Aninformation-theoretic method for multimodality medical image registration[J].Expert Systems with Applications,2012,39(5):5548-5556.)。除此之外，Arimoto熵也是一种非扩展熵，基于此熵的配准方法用于三维医学图像的非刚体配准，得到精确的配准结果(参考文献[3]:Li B,Yang G,Coatrieux J L,et al.3D nonrigid medical imageregistration using a new information theoretic measure[J].Physics in medicineand biology,2015,60(22):8767.)。
然而，上述基于信息论测度的配准方法仅利用待配准图像中像素点的灰度信息来估计联合概率分布，并没有考虑图像上像素与像素间的相关性，即忽视了图像像素间的空间信息。
图像的梯度描述了像素与相邻像素间的关系，是重要的图像信息，描述了图像的空间信息。Pluim等人结合归一化互信息与梯度信息提出一个新的相似性度量(参考文献[4]:Pluim J P W,Maintz J B A,Viergever M A.Image registration by maximizationof combined mutual information and gradient information[J].IEEE Transactionson Medical Imaging,2000,19(8):809-814.)，该相似度不仅考虑了待配准图像梯度的模，而且融合了梯度的方向信息，并将其用于医学图像配准，获得较高的配准精度。
Melbourne等人采用待配准图像的分数阶梯度信息对胸部磁共振图像进行配准(参考文献[5]:Melbourne A,Cahill N,Tanner C,et al.Using fractional gradientinformation in non-rigid image registration:application to breast MRI[C]//SPIE Medical Imaging.International Society for Optics and Photonics,2012.)。该方法将分数阶高斯核与待配准图像相卷积，确定分数阶图像梯度，并结合分数阶扩散方程进行图像配准，然而在进行配准的过程中，需要设置合适的α参数值。
基于梯度方向的局部测度用于配准多模态医学图像(参考文献[6]:De Nigris D,Collins D L,Arbel T.Multi-modal image registration based on gradientorientations of minimal uncertainty[J].IEEE Transactions on Medical Imaging,2012,31(12):2343-2354.)。利用最小不确定的梯度方向来构建该相似度，并采用一个多层的框架来执行非刚体配准，这里所谓的最小不确定是指图像梯度的模大于用户指定的阈值。术前脑部磁共振图像与术中超声图像的配准实验证实该方法能够得到较低的配准误差，然而该方法仅利用了梯度的方向信息，未考虑图像梯度的模。
发明内容
针对上述现有技术中描述的不足，本发明提供一种融合梯度信息和广义熵相似度的多模态医学图像配准方法。本发明使用梯度信息和信息论测度相结合的方法实现对多模态医学图像进行配准。
为解决上述技术问题，本发明所采用的技术方案如下：
一种融合梯度信息和广义熵相似度的多模态医学图像配准方法，步骤如下：
S1，构造广义熵相似性测度。
S1.1，定义Arimoto熵Aα；
Figure BDA0001396415410000041
其中，X为离散随机变量；α为控制Arimoto熵非扩展性的参数；M为离散随机变量X的元素个数；i为离散随机变量X的概率分布P的元素序号；pi为概率分布P的第i个元素。
依据洛必达法则求得当α→1时Arimoto熵的极限等于香农熵，因此香农熵可以看作是Arimoto熵的特例。
S1.2，构造Jensen-ArimotoDivergence(詹森Arimoto散度，JAD)。
Figure BDA0001396415410000051
式中，Aα(·)表示Arimoto熵，ωi表示加权因子，且ωi≥0，∑ωi＝1；由于当α趋向于1时Arimoto熵的极限是香农熵，因此当α→1时JAD的极限为詹森香农散度。
S1.3，构建广义熵相似性测度。
Figure BDA0001396415410000052
其中，R(x)为参考图像；F为浮动图像；F(Tμ(x))为变换后的浮动图像；T表示空间变换；x是参考图像R的像素点；Tμ(x)表示变换后的对应坐标点，fj表示转换后的浮动图像的灰度级，ri表示参考图像R(x)的灰度级；p(fj|ri)表示已知参考图像的前提下变换的浮动图像的条件概率分布；p(ri)表示参考图像的概率分布；p(fj)表示在空间变换T作用下浮动图像的概率分布；p(ri,fj)表示T变换下浮动图像和参考图像的联合概率分布。
S2，构造待配准图像的梯度测度。
S2.1，获得待配准图像梯度的方向。
S2.1.1，计算参考图像R的梯度
Figure BDA0001396415410000065
Figure BDA0001396415410000061
其中，
Figure BDA0001396415410000066
表示参考图像水平方向的梯度；
Figure BDA0001396415410000067
表示参考图像垂直方向的梯度；
Figure BDA0001396415410000068
表示卷积；Gx′(σ)表示尺度为σ的高斯核在x方向的一阶导数；Gy′(σ)表示尺度为σ的高斯核在y方向的一阶导数。
S2.1.2，计算空间变换T作用下浮动图像F(Tμ(x))的梯度
Figure BDA0001396415410000069
Figure BDA0001396415410000062
其中，T表示空间变换；Tμ(x)表示变换后的对应坐标点；μ为空间变换参数；
Figure BDA00013964154100000610
表示变换浮动图像水平方向的梯度；
Figure BDA00013964154100000611
表示变换浮动图像垂直方向的梯度。
S2.1.3，计算参考图像的梯度
Figure BDA00013964154100000612
与T变换下浮动图像的梯度
Figure BDA00013964154100000613
之间的夹角；
Figure BDA0001396415410000063
其中，
Figure BDA00013964154100000614
表示梯度
Figure BDA00013964154100000615
的模；
Figure BDA00013964154100000616
表示梯度
Figure BDA00013964154100000617
的模。
S2.1.4，计算待配准图像梯度的方向。
Figure BDA0001396415410000064
S2.2，获得待配准图像梯度的模。
S2.2.1，计算参考图像梯度
Figure BDA0001396415410000077
的模；
Figure BDA0001396415410000071
S2.2.2，计算T变换下浮动图像的梯度
Figure BDA0001396415410000078
的模。
Figure BDA0001396415410000072
S2.2.3，获得待配准图像梯度的模。
Figure BDA0001396415410000073
其中，σ表示高斯核的尺度，μ为空间变换参数。
S2.3，计算待配准图像的梯度测度；
Figure BDA0001396415410000074
式中，
Figure BDA0001396415410000075
表示梯度的方向，
Figure BDA0001396415410000076
表示梯度的模，ω可以看作梯度模的权值，在参考图像R(x)和变换浮动图像F(Tμ(x))重叠部分的像素点求加权和。
S3，构造待配准图像的相似性测度。
S(R(x),F(Tμ(x)))＝G(R(x),F(Tμ(x)))JAα(F(Tμ(x)),R(x)) (12)；
式中，G(R(x),F(Tμ(x)))是在空间变换Tμ作用下的浮动图像与参考图像的梯度测度，表示待配准图像间的梯度信息；JAα(F(Tμ(x)),R(x))表示在空间变换Tμ作用下的浮动图像与参考图像的广义熵相似性测度。
S4，构造多模态图像的配准模型；
Figure BDA0001396415410000081
将待配准图像的相似性测度代入公式13中，得到最终的配准函数；
Figure BDA0001396415410000082
S5，采用方向加速法对配准模型进行求解得到最优空间变换参数；
S5.1，初始化，给定初始点、最大迭代次数、允许误差和n个线性无关的方向；
S5.2，基本搜索，依次沿n个方向分别进行一维搜索。
S5.3，加速搜索，选择加速方向，判断是否满足允许误差，若满足误差条件则迭代终止，输出最优解；否则跳转S5.4继续搜索。
S5.4，调整搜索方向，构成新的搜索方向，返回S5.2，直至迭代终止，输出最优空间变换参数。
本发明利用待配准图像的梯度和灰度信息来解决多模态医学图像的配准问题，综合运用图像的梯度信息、广义熵相似性测度，衡量参考图像和浮动图像间的相似度；利用图像的空间变换，结合梯度信息和广义熵相似性测度，构建多模态医学图像配准模型；利用方向加速发对配准模型进行求解，寻找待配准图像的空间变换关系，实现医学图像的精确配准。
本发明的优点在于：
(1)本发明综合考虑了不同模态医学图像的梯度信息和灰度分布特征，有效的完成了多模态医学图像的精确配准。
(2)本发明基于一种广义的信息熵，构建广义熵相似性测度，具有更广泛的性质。
(3)本发明不考虑图像间的灰度差异，而是利用两幅图像灰度值的联合概率分布，计算待配准图像间的信息论相似度，不仅适用于相同模态的医学图像，也适用于灰度差异较大的不同模态医学图像，扩大了本发明的使用范围。
(4)本发明不需要对待配准的医学图像进行特征提取及分割等预处理，自适应性和鲁棒性较强。
附图说明
图1为参考图像，其中图1a为计算机断层扫描(CT)图像，图1b为正电子发射计算机断层扫描(PET)图像。
图2为浮动图像，其中，图2a为MR T1图像，图2b为MR T2图像，图2c为MR PD图像。
图3为本发明的多模态医学图像配准流程图。
图4为CT和三种MR图像配准前的结果图，其中，图4a为CT和MR T1图像配准前的结果图，图4b为CT和MR T2图像配准前的结果图，图4c为CT和MR T3图像配准前的结果图。
图5为CT和三种MR图像配准后的结果图，其中，图5a为CT和MR T1图像配准后的结果图，图5b为CT和MR T2图像配准后的结果图，图5c为CT和MR T3图像配准后的结果图。
图6为PET和三种MR图像配准前的结果图，其中，图6a为PET和MR T1图像配准前的结果图，图6b为PET和MR T2图像配准前的结果图，图6c为PET和MR T3图像配准前的结果图。
图7为PET和三种MR图像配准后的结果图，其中，图7a为PET和MR T1图像配准后的结果图，图7b为PET和MR T2图像配准后的结果图，图7c为PET和MR T3图像配准后的结果图。
具体实施方式
如图3所示，一种融合梯度信息和广义熵相似度的多模态医学图像配准方法，步骤如下：
S1，构造广义熵相似性测度。
S1.1，定义Arimoto熵Aα；
Figure BDA0001396415410000101
其中，X为离散随机变量；α为控制Arimoto熵非扩展性的参数；M为离散随机变量X的元素个数；i为离散随机变量X的概率分布P的元素序号；pi为概率分布P的第i个元素。
依据洛必达法则求得当α→1时Arimoto熵的极限等于香农熵，因此香农熵可以看作是Arimoto熵的特例。
S1.2，构造Jensen-Arimoto散度(JAD)。
Figure BDA0001396415410000111
式中，Aα(·)表示Arimoto熵，ωi表示加权因子，且ωi≥0，∑ωi＝1；由于当α趋向于1时Arimoto熵的极限是香农熵，因此当α→1时JAD的极限为詹森香农散度。
S1.3，构建广义熵相似性测度。
Figure BDA0001396415410000112
其中，R(x)为参考图像；F为浮动图像；F(Tμ(x))为变换后的浮动图像；T表示空间变换；x是参考图像R的像素点；Tμ(x)表示变换后的对应坐标点，fj表示转换后的浮动图像的灰度级，ri表示参考图像R(x)的灰度级；p(fj|ri)表示已知参考图像的前提下变换的浮动图像的条件概率分布；p(ri)表示参考图像的概率分布；p(fj)表示在空间变换T作用下浮动图像的概率分布；p(ri,fj)表示空间变换T下浮动图像与参考图像的联合概率分布。
S2，构造待配准图像的梯度测度。
S2.1，获得待配准图像梯度的方向。
S2.1.1，计算参考图像R的梯度
Figure BDA0001396415410000124
Figure BDA0001396415410000121
其中，
Figure BDA0001396415410000125
表示参考图像水平方向的梯度；
Figure BDA0001396415410000126
表示参考图像垂直方向的梯度；
Figure BDA00013964154100001212
表示卷积；Gx′(σ)表示尺度为σ的高斯核在x方向的一阶导数；Gy′(σ)表示尺度为σ的高斯核在y方向的一阶导数。
S2.1.2，计算空间变换T作用下浮动图像F(Tμ(x))的梯度
Figure BDA0001396415410000127
Figure BDA0001396415410000122
其中，T表示空间变换；Tμ(x)表示变换后的对应坐标点；μ为空间变换参数；
Figure BDA0001396415410000128
表示变换浮动图像水平方向的梯度；
Figure BDA0001396415410000129
表示变换浮动图像垂直方向的梯度。
S2.1.3，计算参考图像的梯度
Figure BDA00013964154100001210
与变换浮动图像的梯度
Figure BDA00013964154100001211
之间的夹角；
Figure BDA0001396415410000123
其中，
Figure BDA0001396415410000138
表示梯度
Figure BDA0001396415410000139
的模；
Figure BDA00013964154100001310
表示梯度
Figure BDA00013964154100001311
的模。
S2.1.4，计算待配准图像梯度的方向。
Figure BDA0001396415410000131
S2.2，获得待配准图像梯度的模。
S2.2.1，计算参考图像的梯度
Figure BDA00013964154100001312
的模；
Figure BDA0001396415410000132
S2.2.2，计算T变换下浮动图像的梯度
Figure BDA00013964154100001313
的模。
Figure BDA0001396415410000133
S2.2.3，获得待配准图像梯度的模。
Figure BDA0001396415410000134
其中，σ表示高斯核的尺度，μ为空间变换参数。
S2.3，计算待配准图像的梯度测度；
Figure BDA0001396415410000135
式中，
Figure BDA0001396415410000136
表示梯度的方向，
Figure BDA0001396415410000137
表示梯度的模，ω看作是梯度模的权值，在参考图像R(x)和变换浮动图像F(Tμ(x))重叠部分的像素点求加权和。
S3，构造待配准图像的相似性测度。
S(R(x),F(Tμ(x)))＝G(R(x),F(Tμ(x)))JAα(F(Tμ(x)),R(x)) (12)；
式中，G(R(x),F(Tμ(x)))是在空间变换Tμ作用下的浮动图像与参考图像的梯度测度，表示待配准图像间的梯度信息；JAα(F(Tμ(x)),R(x))表示在空间变换Tμ作用下的浮动图像与参考图像的广义熵相似性测度；
S4，构造多模态图像的配准模型；
Figure BDA0001396415410000141
将待配准图像的相似性测度代入公式13中，得到最终的配准函数；
Figure BDA0001396415410000142
S5，采用方向加速法对配准模型进行求解得到最优空间变换参数；
S5.1，初始化，给定初始点、最大迭代次数、允许误差和n个线性无关的方向；
S5.2，基本搜索，依次沿n个方向分别进行一维搜索；
S5.3，加速搜索，选择加速方向，判断是否满足允许误差，若满足误差条件则迭代终止，输出最优解；否则跳转S5.4继续搜索；
S5.4，调整搜索方向，构成新的搜索方向，返回S5.2，直至迭代终止，输出最优空间变换参数。
下面将结合附图和对比例对本发明的思路作进一步的详细说明。
本发明给出的一种基于梯度信息和广义熵相似度的多模态医学图像配准方法，首先研究Arimoto熵的性质，构建广义熵相似性测度，估计两幅图像的联合概率分布，衡量它们之间的相似度；其次计算参考图像和浮动图像的梯度，获取图像梯度的模和方向信息；然后利用图像的空间变换，结合梯度信息和广义熵相似度建立医学图像的配准模型；最后通过优化算法对模型进行求解，寻找待配准图像间的最佳变换关系，实现医学图像的精确配准。配准算法的流程如图3所示，具体为：
一：广义熵相似性测度的构建
步骤1.广义熵的定义
假设一个离散随机变量X，其概率分布为P＝(p1,p2,…,pM)，则X的Arimoto熵定义为：
Figure BDA0001396415410000151
依据洛必达法则求得当α→1时Arimoto熵的极限就等于香农熵，因此香农熵可以看作是Arimoto熵的特例。
步骤2.定义Jensen-Arimoto散度
假定X(x1,x2,…,xM)是一个随机变量，其概率分布为P＝(p1,p2,…,pM)，则概率分布P的Jensen-Arimoto散度(JAD)的定义为：
Figure BDA0001396415410000152
式中Aα(·)代表Arimoto熵，ωi表示加权因子，而且ωi≥0，∑ωi＝1。由于当α趋向于1时Arimoto熵的极限是香农熵，因此当α→1时JAD的极限为詹森香农散度。
步骤3.构建广义熵相似性测度
对于参考图像R和浮动图像F及空间变换T，x是参考图像的像素点，Tμ(x)对应变换后的坐标点，让f＝(f1,f2,…,fM)和r＝(r1,r2,…,rM)分别表示F(Tμ(x))和R(x)的灰度级。
在式(2)中，令pi＝pi(F(Tμ(x))|R(x))，i＝1,2,…,M，表示已知参考图像前提下变换的浮动图像的条件概率分布，为了简便将其重新写为pi＝p(F＝fj|R＝ri)＝p(fj|ri)，然后再用参考图像的概率分布作为加权因子，即ωi＝p(R(x))＝p(R＝ri)＝p(ri)，将pi和ωi代入JAD的定义，
Figure BDA0001396415410000161
式中JAD用于衡量参考图像R(x)和浮动图像F(Tμ(x))间的相似性测度。
二：待配准图像梯度信息的计算
具体包括以下几个步骤：
步骤1.计算待配准图像的水平方向和垂直方向梯度
给定参考图像R、浮动图像F及空间变换T，x是参考图像的任意坐标点，Tμ(x)对应变换后的点，μ为空间变换参数，则参考图像R的梯度为
Figure BDA0001396415410000171
计算变换的浮动图像F(Tμ(x))的梯度，
Figure BDA0001396415410000172
式(4)和(5)中下标h和v分别表示水平和垂直方向，
Figure BDA0001396415410000176
为卷积操作，G'(σ)代表尺度为σ的高斯核的一阶导数。
步骤2.估计梯度的方向信息
由式(4)和(5)计算梯度向量间的夹角，
Figure BDA0001396415410000173
式中
Figure BDA0001396415410000175
表示在尺度σ下，点x处的梯度向量，|·|为梯度的模。
对于多模态图像来说，不同的成像技术导致相同的组织或器官具有不同的灰度值，因此，两幅图像的灰度向量可能指向不同的方向。然而，不同模态医学图像所描述的解剖结构是一致的，于是待配准图像对应点的梯度方向是相同的或者相反的，梯度向量间的夹角应该很小(等于0)或趋向于π。
因此，用一个加权函数来估计方向信息，
Figure BDA0001396415410000174
当夹角等于0或π时，上式取得最大值1；当夹角等于0.5π时，上式的值为0。
步骤3.获取梯度的模信息
针对多模态医学图像配准，我们只对两幅图像中包含较强梯度信息的部分感兴趣，计算
Figure BDA0001396415410000185
和
Figure BDA0001396415410000186
的模，
Figure BDA0001396415410000181
Figure BDA0001396415410000182
为获得待配准图像中较强的梯度信息，只需最大化
Figure BDA0001396415410000187
和
Figure BDA0001396415410000188
模的最小值，于是估计梯度的模信息，
Figure BDA0001396415410000183
式中σ表示高斯核的尺度，μ为空间变换参数。
步骤4.梯度模信息和方向信息的融合
为了在配准过程中充分利用图像的梯度信息，将梯度的方向和模相结合，
Figure BDA0001396415410000184
式中ω和M分别表示梯度的方向和模信息，ω作为梯度模的权值，在R(x)和F(Tμ(x))重叠部分的像素点求加权和。当两幅图像完全对齐时，式(11)取得最大值。
三：多模态图像配准模型的建立
具体包括以下几个步骤：
步骤1.相似性测度的构造
本发明结合广义熵相似度和待配准图像的梯度信息，构造最终的相似性测度，
S(R(x),F(Tμ(x)))＝G(R(x),F(Tμ(x)))JAα(F(Tμ(x)),R(x)) (12)；
式中G和JAα分别表示在空间变换Tμ作用下的浮动图像与参考图像的梯度测度和广义熵相似性测度。
步骤2.配准框架的建立
给定参考图像R、浮动图像F及空间变换T，x是参考图像的任意坐标点，Tμ(x)对应变换后的点，μ为空间变换参数，则R和F的配准可以看成如下优化问题：
Figure BDA0001396415410000191
式中S表示相似性测度，μ是当R(x)和F(Tμ(x))完全配准，该相似度取得最大值时的最优空间变换参数。
将相似性测度S代入公式(13)中，则得到
Figure BDA0001396415410000192
图像配准的目的就是要求上述优化问题的解，通过获得的最优变换参数实现参考图像与浮动图像的精确配准。
四：配准模型的求解
由于式(14)所示的配准函数是由梯度测度和广义熵相似性测度两项组成，而且很难求出配准函数的导数。因此本发明采用Powell算法对配准函数进行优化，Powell算法又称方向加速法，是利用共轭方向可以加快收敛速度的一种搜索方法。该算法不需要计算配准函数的导数，是一种有效的直接搜索法。该优化算法在搜索空间内重复迭代，对于每一维执行一维搜索，直到算法收敛。
对于三维医学图像配准来说，若选择刚体变换作为空间变换模型，则搜索空间的维数是6，包含三个平移量和三个旋转角度。
优化算法的具体步骤如下：
第一步，需要设定初始点x(0)，n个线性无关的方向d0，d1，…，dn-1，及允许的误差ε，令k＝0；
第二步，令y0＝x1，然后依次沿n个方向分别进行一维搜索，对j＝1,2,...,n，记f(y(j-1)+λ(j-1)d(j-1))＝min f(y(j-1)+λd(j-1)),y(j)＝y(j-1)+λ(j-1)d(j-1)；
第三步，取加速方向d(n)＝y(n)-y(0)；若||d(n)||<ε，迭代终止，得到y(n)为图像配准的近似最优解；否则，点y(n)出发沿d(n)进行一维搜索，求出λ(n)，使得f(y(n)+λ(n)，d(n))＝min f(y(n)+λd(n))，记x(k+1)＝y(n)+λ(n)d(n)，转第四步；
第四步，在原来n个方向d(0)，d(1)，...，d(n-1)中，除去d0增添d(n)，构成新的搜索方向，返回第二步。
下面采用临床上常见的医学图像进行实验，包括CT图像、PET图像、三种类型的MR图像等。图像的大小分别为，CT：512×512，MR：256×256，PET：128×128。
选用CT和PET作为参考图像，如图1a和图1b所示；选择三种类型的MR作为浮动图像，如图2a-图2c所示。
采用基于梯度信息和广义熵相似度的方法对图1和图2所示的图像进行配准。实验中，广义熵相似度中的参数α取值为1.5，估计联合概率分布的直方图箱子数取值为64，Powell优化算法中允许的精度ε取值为0.01，最大迭代次数设为100。CT和MR T1、MR T2及MRPD图像配准前的棋盘格如图4a-图4c所示，采用本发明配准后的棋盘格如图5a-图5c所示。同样地，PET图像和三种类型的MR图像配准前的结果如图6a-图6c所示，配准后的结果如图7a-图7c所示。从图4-图7可以看出，本发明在对不同模态医学图像进行配准时能够获得精确的配准结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种融合梯度信息和广义熵相似度的多模态医学图像配准方法，其特征在于，步骤如下：
S1，构造广义熵相似性测度；
在步骤S1中，具体步骤为：S1.1，定义Arimoto熵Aα；
Figure FDA0002613029730000011
其中，X为离散随机变量；α为控制Arimoto熵非扩展性的参数；M为离散随机变量X的元素个数；i为离散随机变量X的概率分布P的元素序号；pi为概率分布P的第i个元素；
S1.2，构造Jensen-Arimoto(詹森Arimoto)散度；
Figure FDA0002613029730000012
式中，Aα(·)表示Arimoto熵，ωi表示加权因子，且ωi≥0，∑ωi＝1；
S1.3，构建广义熵相似性测度；
Figure FDA0002613029730000013
其中，R(x)为参考图像；F为浮动图像；F(Tμ(x))为变换后的浮动图像；T表示空间变换；x是参考图像R的像素点；Tμ(x)表示变换后的对应坐标点，fj表示转换后的浮动图像的灰度级，ri表示参考图像R(x)的灰度级；p(fj|ri)表示已知参考图像的前提下变换的浮动图像的条件概率分布；p(ri)表示参考图像的概率分布；p(fj)表示在空间变换T作用下浮动图像的概率分布；p(ri,fj)表示T变换下浮动图像和参考图像的联合概率分布；
S2，构造待配准图像的梯度测度；
S3，构造待配准图像的相似性测度；
S(R(x),F(Tμ(x)))＝G(R(x),F(Tμ(x)))JAα(F(Tμ(x)),R(x)) (12)；
式中，G(R(x),F(Tμ(x)))表示在空间变换Tμ作用下的浮动图像与参考图像的梯度测度，表述待配准图像的梯度信息；JAα(F(Tμ(x)),R(x))表示在空间变换Tμ作用下的浮动图像与参考图像的广义熵相似性测度；
S4，构造多模态图像的配准模型；
Figure FDA0002613029730000021
S5，采用方向加速法对配准模型进行求解得到最优空间变换参数；
在步骤S2中，具体步骤为：S2.1，获得待配准图像梯度的方向；
S2.2，获得待配准图像梯度的模；
S2.3，计算待配准图像的梯度测度；
Figure FDA0002613029730000022
式中，
Figure FDA0002613029730000023
表示梯度的方向，
Figure FDA0002613029730000024
是梯度的模，ω为梯度模的权值，在参考图像R(x)和变换浮动图像F(Tμ(x))重叠部分的像素点求加权和；
在步骤S2.1中，具体步骤为：S2.1.1，计算参考图像R的梯度
Figure FDA0002613029730000025
Figure FDA0002613029730000026
其中，
Figure FDA0002613029730000027
表示参考图像水平方向的梯度；
Figure FDA0002613029730000028
表示参考图像垂直方向的梯度；
Figure FDA0002613029730000029
表示卷积；G′x(σ)表示尺度为σ的高斯核在x方向的一阶导数；G′y(σ)表示尺度为σ的高斯核在y方向的一阶导数；
S2.1.2，计算变换浮动图像F(Tμ(x))的梯度
Figure FDA00026130297300000210
Figure FDA00026130297300000211
其中，T表示空间变换；Tμ(x)表示变换后的对应坐标点；μ为空间变换参数；
Figure FDA00026130297300000212
表示变换浮动图像水平方向的梯度；
Figure FDA00026130297300000213
表示变换浮动图像垂直方向的梯度；
S2.1.3，计算参考图像的梯度
Figure FDA00026130297300000214
与变换浮动图像的梯度
Figure FDA00026130297300000215
之间的夹角；
Figure FDA0002613029730000031
其中，
Figure FDA0002613029730000032
表示梯度
Figure FDA0002613029730000033
的模；
Figure FDA0002613029730000034
表示梯度
Figure FDA0002613029730000035
的模；
S2.1.4，计算待配准图像梯度的方向；
Figure FDA0002613029730000036
在步骤S2.2中，具体步骤为：S2.2.1，计算参考图像的梯度
Figure FDA0002613029730000037
的模；
Figure FDA0002613029730000038
S2.2.2，计算T变换下浮动图像的梯度
Figure FDA0002613029730000039
的模；
Figure FDA00026130297300000310
S2.2.3，获得待配准图像梯度的模；
Figure FDA00026130297300000311
其中，σ表示高斯核的尺度，μ为空间变换参数。
2.根据权利要求1所述的融合梯度信息和广义熵相似度的多模态医学图像配准方法，其特征在于，在步骤S5中，具体步骤为：S5.1，初始化，给定初始点、最大迭代次数、允许误差和n个线性无关的方向；
S5.2，基本搜索，依次沿n个方向分别进行一维搜索；
S5.3，加速搜索，选择加速方向，判断是否满足允许误差，若满足误差条件则迭代终止，输出最优解；否则跳转S5.4继续搜索；
S5.4，调整搜索方向，构成新的搜索方向，返回S5.2，直至迭代终止，输出最优空间变换参数。
CN201710778551.4A 2017-09-01 2017-09-01 融合梯度信息和广义熵相似度的多模态医学图像配准方法 Active CN107644434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710778551.4A CN107644434B (zh) 2017-09-01 2017-09-01 融合梯度信息和广义熵相似度的多模态医学图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710778551.4A CN107644434B (zh) 2017-09-01 2017-09-01 融合梯度信息和广义熵相似度的多模态医学图像配准方法

Publications (2)

Publication Number Publication Date
CN107644434A CN107644434A (zh) 2018-01-30
CN107644434B true CN107644434B (zh) 2020-09-25

Family

ID=61110431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710778551.4A Active CN107644434B (zh) 2017-09-01 2017-09-01 融合梯度信息和广义熵相似度的多模态医学图像配准方法

Country Status (1)

Country Link
CN (1) CN107644434B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053431A (zh) * 2018-02-24 2018-05-18 中原工学院 一种基于梯度分布的非刚体医学图像配准方法
CN111754554B (zh) * 2020-06-28 2023-09-15 上海应用技术大学 颅脑多模态医学图像配准方法
CN113920414B (zh) * 2021-12-14 2022-07-15 北京柏惠维康科技有限公司 图像间相似度的确定方法、图像融合方法及装置
CN115049568B (zh) * 2022-06-06 2024-03-22 北京工业大学 一种基于超声信息熵图像与零差K分布α参数图像融合的定征生物组织的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593351A (zh) * 2008-05-28 2009-12-02 中国科学院自动化研究所 基于距离变换和刚性变换参数估计的眼底图像配准方法
CN102446358A (zh) * 2012-01-17 2012-05-09 南京航空航天大学 基于边缘特征和cs信息的多模态医学图像配准方法
CN102622759A (zh) * 2012-03-19 2012-08-01 苏州迪凯尔医疗科技有限公司 一种结合灰度与几何信息的医学图像配准方法
CN103886586A (zh) * 2014-02-18 2014-06-25 南京邮电大学 一种基于互信息和梯度信息结合的医学图像配准方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593351A (zh) * 2008-05-28 2009-12-02 中国科学院自动化研究所 基于距离变换和刚性变换参数估计的眼底图像配准方法
CN102446358A (zh) * 2012-01-17 2012-05-09 南京航空航天大学 基于边缘特征和cs信息的多模态医学图像配准方法
CN102622759A (zh) * 2012-03-19 2012-08-01 苏州迪凯尔医疗科技有限公司 一种结合灰度与几何信息的医学图像配准方法
CN103886586A (zh) * 2014-02-18 2014-06-25 南京邮电大学 一种基于互信息和梯度信息结合的医学图像配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A New Divergence Measure Based on Arimoto Entropy for Medical Image Registration;Bicao Li等;《2014 22nd International Conference on Pattern Recognition》;20140828;第3197-3202页 *

Also Published As

Publication number Publication date
CN107644434A (zh) 2018-01-30

Similar Documents

Publication Publication Date Title
Ferrante et al. Slice-to-volume medical image registration: A survey
CN107644434B (zh) 融合梯度信息和广义熵相似度的多模态医学图像配准方法
US8165361B2 (en) System and method for image based multiple-modality cardiac image alignment
CN108416802B (zh) 一种基于深度学习的多模医学图像非刚性配准方法及***
Holden A review of geometric transformations for nonrigid body registration
Frangi et al. Automatic construction of multiple-object three-dimensional statistical shape models: Application to cardiac modeling
Nag Image registration techniques: a survey
US7715654B2 (en) System and method for fast multimodal registration by least squares
Wang et al. A review of deformation models in medical image registration
Khader et al. An information-theoretic method for multimodality medical image registration
JP2009520558A (ja) ポイント・ベースの適応的弾性画像登録
Chowdhury et al. Concurrent segmentation of the prostate on MRI and CT via linked statistical shape models for radiotherapy planning
Vásquez Osorio et al. Accurate CT/MR vessel‐guided nonrigid registration of largely deformed livers
Queirós et al. Fast left ventricle tracking using localized anatomical affine optical flow
Daly et al. Multimodal medical image registration based on a hybrid optimization strategy
Queirós et al. Fast left ventricle tracking in CMR images using localized anatomical affine optical flow
Morais et al. Dense motion field estimation from myocardial boundary displacements
Lötjönen et al. Four-chamber 3-D statistical shape model from cardiac short-axis and long-axis MR images
June et al. Fast and accurate rigid registration of 3D CT images by combining feature and intensity
Boukellouz et al. Evaluation of several similarity measures for deformable image registration using T1-weighted MR images of the brain
Rao et al. Non-rigid registration of multi-modality medical image using combined gradient information and mutual information
Chen et al. Multi-resolution statistical shape models for multi-organ shape modelling
Du et al. HNSF Log‐Demons: Diffeomorphic demons registration using hierarchical neighbourhood spectral features
Zhang et al. Model-based nonrigid image registration using scale-invariant features
Menon et al. Applicability of non-rigid medical image registration using moving least squares

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 451191 No. 1 Huaihe Road, Shuang Hu Economic and Technological Development Zone, Xinzheng, Zhengzhou, Henan

Applicant after: Zhongyuan University of Technology

Address before: 451191 No. 1 Huaihe Road, Shuanghu Town Economic and Technological Development Zone, Zhengzhou City, Henan Province

Applicant before: Zhongyuan University of Technology

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Bicao

Inventor after: Liu Zhoufeng

Inventor after: Wang Bei

Inventor after: Zhang Aihua

Inventor after: Huang Jie

Inventor after: Shu Huazhong

Inventor after: Zhu Yongsheng

Inventor after: Liu Shanliang

Inventor before: Li Bicao

Inventor before: Liu Zhoufeng

Inventor before: Wang Bei

Inventor before: Zhang Aihua

Inventor before: Huang Jie

Inventor before: Shu Huazhong

GR01 Patent grant
GR01 Patent grant