多模医学图像配准方法毕业设计论文.docx
- 文档编号:4296740
- 上传时间:2022-11-29
- 格式:DOCX
- 页数:32
- 大小:414.72KB
多模医学图像配准方法毕业设计论文.docx
《多模医学图像配准方法毕业设计论文.docx》由会员分享,可在线阅读,更多相关《多模医学图像配准方法毕业设计论文.docx(32页珍藏版)》请在冰豆网上搜索。
多模医学图像配准方法毕业设计论文
毕业设计
题 目:
多模医学图像配准方法设计
诚信声明
我声明,所呈交的论文是本人在老师指导下进行的研究工作及取得的研究成果。
据我查证,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得______或其他教育机构的学位或证书而使用过的材料。
我承诺,论文中的所有内容均真实、可信。
论文作者签名:
签名日期:
年月日
授权声明
学校有权保留送论文交的原件,允许论文被查阅和借阅,学校可以公布论文的全部或部分内容,可以影印、缩印或其他复制手段保存论文,学校必须严格按照授权对论文进行处理,不得超越授权对论文进行任意处置。
论文作者签名:
签名日期:
年月日
多模医学图像配准方法设计
摘要
现代医学经常过使用到图像进行辅助诊断,而一种成像设备得到的图像无法完全获取所有的信息,这就需要多幅图像进行配准融合,得到全新的更全面的图像。
本文提出一种基于互信息的方法,对两幅CT和MRI脑部图像进行配准,意在能精确快速得对双模医学图像进行配准。
首先是读取图像的灰度信息,设定一个配准的初始点,得到两幅图像的联合直方图,然后计算两幅图像的互信息值,输出互信息值和配准的参数,对比多次输出的互信息值大小,得到最佳的配准参数。
配准完成后,利用基于小波变换的方法对两幅图像进行融合处理,输出融合后的图像。
实验结果证明,此算法能有效得得到最佳配准参数和融合后的图像,配准精度能达到亚像素级,符合配准的基本要求。
关键词:
医学图像,图像配准,互信息,图像融合
ThedesignofMultimodalitymedicalimageregistrationmethod
Abstract
ModernMedicineoftenbeenusedtoimagetheauxiliarydiagnosis,animageobtainedfromanimageformingapparatusisunabletofullyobtainalltheinformationregistrationfusion,whichrequiresapluralityofimagestoobtainamorecomprehensiveimage.ThispaperpresentsamethodbasedonmutualinformationoftwoCTandMRIbrainimageregistration,intendedtobeabletoaccuratelyandquicklywasthedual-modemedicalimageregistration.
First,readtheimagegray,settheinitialpointofaregistration,thejointhistogramofthetwoimages,andthencalculatedthevalueofthemutualinformationofthetwoimages,theoutputmutualinformationandtheregistrationparameters,contrasttimestheoutputvalueofthemutualinformationsize,getthebestregistrationparameters.Afterthecompletionoftheregistration,theuseofthetwoimagesbasedonwavelettransformmethodfusion,fusionoftheoutputimage.
Experimentalresultsshowthatthisalgorithmcaneffectivelygetthebestregistrationparametersandimagefusion,registrationaccuracycanachievesub-pixellevel,inlinewiththebasicrequirementsofregistration.
Keywords:
Medicalimaging,imageregistration,mutualinformation,Imagefusion
摘要Ⅲ
1绪论1
1.1选题的背景、意义1
1.2相关研究的最新成果及国内外研究现状1
1.3基于互信息配准方法的研究进展3
1.4本文结构4
2数字医学图像的基础理论5
2.1图像配准方法的分类5
2.2医学图像配准的基本步骤6
2.3最大互信息法的介绍7
2.4图像配准的评估指标9
2.5图像配准的主要难点10
2.6图像融合的主要方法和要求11
2.6.1图像融合的方法11
2.6.2图像融合的基本要求11
2.6.3图像融合的评测11
3CT/MRI双模医学图像的配准融合12
3.1CT图像和MRI图像的成像原理及特点12
3.1.1CT图像的原理及特点12
3.1.2MRI图像的原理及特点12
3.2配准方法13
3.3融合方法13
3.4图像配准融合的实现13
3.5基于互信息配准算法总结16
3.6基于小波变换的融合方法的总结18
4总结与展望22
4.1总结22
4.2展望22
参考文献24
致谢26
附录26
附录1图像配准M文件26
附录2图像配准子程序26
附录3优化算法代码28
1绪论
1.1选题的背景、意义
近年来,随着计算机科学和信息技术的不断发展,医学成像技术也得到了迅速发展。
诸多新型的成像设备日新月异,如计算机断层成像(CT)、数字减影血管造影(DSA)、单光子发断层成像(SPECT)、磁共振成像(MRI)正电子发射断层成像(PET)等[1]。
CT图像的几何特性和空间分辨率都很强,因此在在对骨骼的成像上是非常清晰的,在为骨骼上进行病灶观测时CT能发挥较大的作用,但CT对含水量高的软组织等部位无法做到精确的成像;MRI图像可清晰反映软组织、器官、血管等含水量高的组织部位,可以精确地对病灶进行定位分析。
每种成像设备所产生的图像都有优势与不足,并没有一种成像方法或检查方法可以运用在人体全部器官的检查和疾病诊断上,也无法用一种成像技术或检查方法完全来取代另一种,应该是取长补短,相得益彰。
为了提高诊断的准确率,医生常常选择同时观察多种模态的图像来进行分析判断。
现在医学影像学中,有一种发展趋势是对多模医学图像配准融合的处理。
医学影像中的融合,就是对医学图像信息的融合,即利用计算机技术,将利用各种成像设备检查所得到的图像信息进行数字化综合处理,对多模图像进行综合利用,而后进行空间配准,进而得到一种全新的信息图像,医生可通过研究这一种全新的多功能图像,进一步更清晰地观察,更准确地判断病症点的位置。
而想要解决多模图像融合的问题,首先要解决的是图像的配准问题,就是确定能够使几幅图像在几何位置上完全对应的参数。
1.2相关研究的最新成果及国内外研究现状
对于图像配准领域的研究学习,国外早在上世纪60年代就开始着手,在上世纪80年代的时候,很多学者也对图像配准感兴趣,从而投入图像配准的研究和探讨中。
单模图像配准融合问题也基本在上个世纪末得到解决,而多模图像的配准和融合则因为具有一定复杂性,至今为止还未得出一个相对完美的方法。
而我国,则是在上个世纪90年代初才在图像配准领域进行研究和实验。
“罗马不是一天建成的”,经过这么多年对多模医学图像配准的研究和科技的发展与进步,许多专家和学者都在前人的基础上,研究出了相对更先进型,更完善的算法。
20世纪70年代和80年代相继出现了CT、MRI等新技术,在医学图像分析时,常需要将应用各种模式所得到的图像信息综合互补起来进行临床判断。
随后,介入放射学的迅速发展,使得一个新的医学领域得到开创。
因为研究时间较长,国外对于图像配准的研究远远超过我国。
1993年,Perta等根据配准基准的性质,将图像配准的方法分为基于外部特征法和基于内部特征法[2]。
1995年,Viola和Collignon等人各自把交互信息的概念带入到图像配准领域中[3][4],为多模态图像配准提出了一种新的思路。
2000年,Luo等采用最大互信息法对CT-MR和MR-PET三维全脑数据进行了配准[5],都能使结果达到亚像素级的级别。
同年,Sharman等提出了一种基于小波变换的刚体图像配准方法[6],这种方法与之前的配准方法不同的是,利用小波变换在两幅或者多幅图像中取得特征点,再对图像进行配准。
这一方法大大地提高了配准的准确性。
2008年,Aiger利用仿射不变量来约束候选样本的数量,从而大大地加快了配准速度[7]。
近几年,人们开始把信号处理技术融合到医学图像配准中,比如说基于小波变换的配准方法。
由于小波变换技术无论在空间还是在频域上都有良好的局部特性,通过使用小波变换技术可以多分辨地描述图像概貌,能对图像进行分级化地配准,所以基于小波变换的配准方法也是这几年来医学图像配准的发展方向之一。
医学图像配准的发展由其研究的对象和方向不同,可大致分为3个阶段。
20世纪80年代初,DSA上的图像配准问题得到了很大程度的发展。
它的原理很简单:
由于不同图像间的灰度信息差异很大,检测其灰度和相关性可以进行配准。
这种方法不仅在当时很广泛适用,在现在的三维图像的配准中,也有不小的作用。
所以现在仍然有很多专家和学者在不停地完善和改进这方法,以使它能更适应三维图像的配准。
20世纪80年代中后期到90年代初,临床医生和研究图像处理的的学者开始尝试着将来自不同成像设备的图像进行配准后再融合,得到更清晰使用的医学图像,发现这一方法能更好地帮助医生诊断。
要实现这个,首先要在多张图上找到多个对应的点,即对图像进行配准处理。
在这期间,基于特征的配准方法的雏形开始发展。
20世纪90年代,计算机硬件技术得到了快速的发展,这也带动着三维图像配准上的研究得的快速发展,此时配准三维图像所采用的主要方法仍然是刚性变换的方法。
而且由于医学要求的不断提高,在二维图像中已无法用简单的刚性变换来实现图像配准。
因此,非刚性变换的配准方法也得到大力的发展。
目前,根据是否需要提取图像上的特征的区别可将图像配准方法主要分为两个主要类别:
基于特征法和基于灰度信息法。
其中基于特征法按照参照的特征不同可分位基于外部特征法和内部特征法。
在使用基于灰度信息的图像配准方法时,完全不需要进行繁琐的预处理工作,只要读取和计算图像本身的灰度信息和相关性就可以大致估量出图像的相似程度。
这种配准方法的主要特点是实现起来比较简单,操作也不复杂,但这种算法的应用范围较小,不能直接用于图像的非线性形变的校正。
1.基于特征法
基于特征的配准方法原理很简单:
先对两幅图像的特征点进行提取,然后将两幅图像中的特征点一一对应起来,最后根据已经对应了的特征点确定空间变换的关系。
图像中有很多可以使用到的信息,所以很多种基于不同信息的配准方法,常用的信息有闭合区域、边缘、特征点等等。
在这些方法中,特征点的数量、位置的选择和特征点匹配的精度都起着重要的作用,它们都将直接影响配准的准确性。
基于特征的配准方法发展较久,也比较灵活,运算量相比下也较小,但从整体上来说其配准精度不是很高。
基于特征法按照参照的特征不同可分位基于外部特征法和内部特征法。
(1)基于外部特征
基于外部特征的配准方法是利用标记点的方法来进行配准。
一般会预先在研究对象上放置若干个能在不同影像模式中显示的标记点,这样就可以用交互式或者自动配准的方式进行配准。
但这种方法在使用时会使病人产生较大的不适感,同时会使医疗操作变得复杂,而且,基于外部特征的方法仅仅适用于刚体的研究对象,而很多情况下刚性形变在临床实验是不够的。
(2)基于内部特征
基于内部特征的方法包括手工交互法、对应点配准法、结构配准法、矩配准法及相关配准法[8]。
基于内部特征的图像配准相对基于外部特征法不会对患者造成任何不适的感觉,所以基于内部特征法相对基于外部特征法得到更多的发展。
这种方法由于算法较为简单,可以在一定程度上做到全自动化配准,但由于各种原因,通过这种方法得到的配准图像,精确度往往不是很高。
2.基于灰度信息法
基于灰度信息法包括基于像素法和基于体素法。
前者一般用于二维图像的配准,后者一般用于三维图像的配准。
基于体素特性的配准方法是获取图像的灰度信息,并以此作为配准的依据,因此无需对图像进行分割和特征提取。
在基于体素法中,互信息法是目前应用较多的一种方法,其配准精度高于一般的配准方法,是目前研究者比较重视和感兴趣的方法。
1.3基于互信息配准方法的研究进展
自从Collignon和Viola等人首次提出互信息配准准则之后,这种方法开始大量地使用在医学图像配准中,进而引发了人们对于互信息法配准效果的改进和完善。
主要包括以下两个方面:
(1)互信息的正规化
在进行医学图像配准的时候,如果点的坐标发生变化,那图几幅像间的重合部分一般也会同时变化。
图像的互信息值与配准图像间的重合部分的多少有关,因此,图像的坐标变化也会对互信息量产生影响。
第一,如果重合的部分减少了,那图像采样的数量也会减少,这也将会使概率分布估计的统计能力降低。
其次,Studholme等人经过研究,表明随着误配准的增加,可能也会产生误差,使互信息量增加。
为了消除或减少由于重合部分变化而使互信息量产生的影响,使互信息量和配准参数之间的关系能更准确地反应,Meas和Studholme等人分别提出了嫡相关系数(EntropyCorrelationCoeficientECC)和归一化互信息(NormalizationMutualInformation,NMI)两种正规化的互信息测度。
Tsao讨论了各种插值方法对基于互信息的多模图像配准的影响[9]。
Chihoub等人对最大互信息法、基于表面特征的方法以及主轴法配准进行了研究[10],认为当图像中人体特征信息比较稀疏时,基于特征的方法配准精度比最大互信息法要高。
而在这几种方法中,归一化互信息法是最为广泛被研究和使用的。
(2)空间信息的结合
互信息法有一个很大的缺陷,即在使用互信息法的时候,是完全忽略了图像的空间信息。
一些专家通过结合相邻像素点灰度值的相关性对互信息进行改进,进而提高了配准的鲁棒性和精确性。
Studholme等人在互信息准则中结合了增加的信息空间,用来为标记信息提供特定的空间。
Studholme等人注意到在一些困难的应用中,只基于灰度的配准方法不能够提供很明显的最优值。
这是因为有些区域在一种模式中没有空间联系,而在另一种模式中又有联系,而只基于灰度的配准方法无法区分这种模式。
在两幅图像被分割或周围有严重噪声的时候,这种情况会更加明显。
图像中梯度较大的地方通常是互信息量最大的部位。
Pluim等人通过把互信息和梯度相结合的办法,增加了互信息法的鲁棒性。
Maes和vandemeulen对最大互信息法配准中的优化方法与多分辨率策略进行了研究[11]。
由于这种方法抛弃了大量灰度的信息以及边缘信息,会导致明显的极度极值。
当在不同区域有相同的灰度值的像素时,这些像素就能被区分。
Rueckert等人通过对模拟灰度和真实灰度的不均匀大脑图像的非刚性配准试验,定义了二次互信息。
实验结果表明二次互信息优于一次互信息。
但二次互信息每次只能考虑到一个相邻的像素点,这会导致空间信息被忽略丢失。
Juewu等人将互信息和灰度差之和结合起来作为配准的测度来提高配准的鲁棒性和精度。
上述所提到的配准方法,尽管都在互信息方面做出了一定的改进,而且也取得了一定效果,但由于各自的局限性大多方法没有被广泛采用。
1.4本文结构
1、介绍了本文的研究背景和意义,以及图像配准的国内外发展状况。
2、介绍了和本课题有关的医学图像配准理论和配准技术的现状,医学图像配准的基本原理。
并着重介绍了基于互信息的配准方法理论。
初步介绍了医学图像配准的评估指标以及配准的难点。
3、提出了一种基于互信息的灰度图像配准算法,介绍算法的基本原理和具体实现步骤,并用matlab进行仿真实验,得到配准后的图像以及各项配准参数。
4、由配准结果得出结论,总结所做的工作,并对以后的研究做出展望。
2数字医学图像的基础理论
2.1图像配准方法的分类
目前,根据是否需要提取图像特征的区别可将图像配准方法分为两个主要类别:
基于特征法和基于灰度信息法。
其中基于特征法按照参照的特征不同可分位基于外部特征法和内部特征法。
而在使用基于灰度信息的图像配准法时,一般不需要对初始的图像进行繁琐的预处理,而是利用图像本身的灰度值和相关性来估测图像的相似程度。
主要特点是实现起来简单方便,但应用范围较小,不能直接用于非线性形变图像的配准。
2.1.1基于特征法
基于特征的配准方法则是先要手动或自动地提取两幅图像的特征点,然后将两幅图像中的特征点一一对应起来,最后根据所对应的特征点来确定空间变换关系。
由于图像中有很多种可以利用的特征,因而产生了多种基于特征的方法,常用的特征包括边缘信息、特征点等等。
在这类方法中,特征点数量、位置的选择及特征点匹配的精度起着重要的作用,都将直接影响配准的准确性。
基于特征的配准方法发展时间长,用起来也比较灵活,运算量相对较小,但从和其他方法比起来整体上来说其配准精度不高。
基于特征法按照参照的特征不同可分位基于外部特征法和内部特征法。
(1)基于外部特征
基于外部特征的配准方法是指在研究对象上设置一些标记点,使得这些标记点能在不同的影像模式中显示,然后再用自动或者交互式的方式利用标记来将配准图像。
这种方法在使用时会使病人产生较大的不适感,同时会使医疗操作变得复杂,而且,基于外部特征所能研究的对象都是刚体的对象,而很多情况下刚性形变在临床实验是远远不够的。
(2)基于内部特征
基于内部特征的方法包括手工交互法、对应点配准法、结构配准法、矩配准法及相关配准法[12]。
基于内部特征的图像配准相对基于外部特征法不会对患者造成任何不适的感觉,所以基于内部特征法相对基于外部特征法得到更多的发展。
这种方法由于算法较为简单,可以在一定程度上做到全自动化配准,但由于各种原因,通过这种方法得到的配准图像,精确度往往不是很高。
2.1.2基于灰度信息法
基于灰度信息法包括基于像素法和基于体素法。
前者一般用于二维图像的配准,后者一般用于三维图像的配准。
基于体素特性的配准方法是指把图像内部的灰度信息值作为配准依据,无需对图像进行分割和特征提取。
互信息法是目前应用最多的一种方法,其配准精度高于一般的配准方法,是目前研究者比较重视和感兴趣的方法[13]。
2.2医学图像配准的基本步骤
如图2-1所示:
1.获得特征图像:
不同角度,不同位置,反映某些方面的特征。
2.图像的配准:
通过空间变换(移动和旋转),使两幅或多幅图像相对齐。
3.图像的融合:
融合两幅图像,得到全新的图像。
图2-1图像配准融合的基本步骤
主要内容:
选取医学图像中两个及两个以上的模态数据图像,分别取名为基准图像与浮动图像;以平面图像的旋转、平移作为主要配准参数,建立两待配准图像的相似性测度,在此基础上,求取对应的配准参数,进行实现配准与融合。
基于灰度的配准方法是目前研究得最多的方法。
通过直接利用图像的灰度参数进行配准,因为避免了特征提取带来的误差,所以具有精度高,鲁棒性强、不需要预处理而能实现自动配准的特点,在这几年得到了广泛的应用。
图像的平移:
如图2-2所示,设基准图像上的点(
),图像水平平移量为
,垂直平移量为
,则平移后图像上的点(
)坐标变为(
),见公式2-1。
(2-1)
式中:
---------平移前的水平坐标;
-------平移前的垂直坐标;
---------平移后的水平坐标;
---------平移后的垂直坐标;
----------图像水平平移量;
---------图像垂直平移量。
图像的旋转:
以原点为基准点,在点(
,
)进行旋转。
旋转之后的对应基准点的点的坐标为(
),两者的位置和角度坐标关系如图2-3所示。
其中,r是点到原点固定距离,角α是点的原始角度与水平线的夹角,θ是旋转角,见公式2-2。
(2-2)
式中:
---------旋转前的水平坐标;
--------旋转前的垂直坐标;
---------旋转后的水平坐标;
--------旋转后的垂直坐标;
---------点的原始角度与水平线的夹角;
θ-----------旋转角。
2.3最大互信息法的介绍
最大互信息的配准方法由于是利用图像的灰度特征,在两幅图像重叠区域内根据像素灰度值直接计算相似性测度函数,不需要对不同成像模式下的图像灰度间的关系作任何假设,也不需要对图像进行分割或任何预处理,因此它是一种精度高、鲁棒性高的方法,进而最大互信息法也在医学图像配准领域得到了普遍关注和广泛应用。
如图2-4是基于互信息的配准方法的流程。
医学图像配准技术从基于特征的配准方法发展到基于互信息的配准方法具有突破性的意义[14]。
与基于特征的配准方法相比,基于互信息的配准方法的突出优点为鲁棒性好、配准精度高、人工干预少,所以受到越来越多研究人员的肯定。
图2-4基于互信息的配准方法的流程
对在不同时间或不同环境下得到的两幅图像A和B进行配准,就是要定义一个相似性测度,并寻找一个特定的空间变换关系,使得经过该空间变换后,两幅图像间的相似度达到最大(或最小),即实现图像A上的点与图像B上的点一一对应,而且这两点所对应的,都是同一个解剖位置[15]。
基于互信息的配准方法是基于图像中的灰度值来进行配准的,基于互信息的图像配准方法引入了一些信息论中的概念,运用基于互信息法可使配准的精度达到亚像素级的标准。
基于互信息的配准方法只依赖于图像本身的信息,不需要对图像进行特征点提取、组织分类等预处理,使得其效率很高,是一种自动且有效的配准算法。
当两幅图像的空间位置达到一致的时候,就可以进行图像配准。
此时因为几幅图像之间的相关性达到了最大值,灰度联合概率密度分布%最集中,图像之间的联合信息量最小,即联合熵值最小,互信息量将达到最大值,从而可以根据最大互信息的位置找到最佳配准参数。
基于互信息的图像配准也有其缺点,它运算量比较大,对噪声敏感,对待配准图像间的联合概率分布函数要求很严格。
在对图像进行配准的过程中,还必须要有的是优化算法。
Powell优化法是在基于互信息的配准算法中使用最频繁的。
Powell法的优势很明显:
它不需要计算导数,在每一维中使用Brent算法迭代搜索,搜索速度比较快,特别是它的局部搜索能力,在精度上远高于其他的优化算法;但由于互信息函数存在很多局部极值,而且Powell法存在着依赖初始点位置的问题,即在配准过程中将会很容易收敛于局部极值中,而它的优化结果在很大程度上也是依赖于选择的初始点所在的位置,这也就使得当Powell法在使用时,往往会收敛到局部极值,进而得到不正确的配准参数[16]。
LuoShuqian等利用最大互信息法对CT-MR和MR-PET三维全脑数据进行配准[17],结果全部达到了亚像素级配准精度。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 医学 图像 方法 毕业设计 论文