專利名稱：基于邊緣特征和cs信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種醫(yī)學(xué)圖像配準(zhǔn)方法，尤其涉及一種基于邊緣特征和 CS (Cauchy-Schwarz)信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法。
背景技術(shù)：
醫(yī)學(xué)圖像配準(zhǔn)就是指將來自不同形式的成像設(shè)備(如MRI，CT，PET，SPECT等)的醫(yī)學(xué)圖像，利用計(jì)算機(jī)技術(shù)實(shí)現(xiàn)對(duì)于一幅醫(yī)學(xué)圖像尋求一種或者一系列的空間變換，使它與另一幅醫(yī)學(xué)圖像上的對(duì)應(yīng)點(diǎn)達(dá)到空間上的一致。隨著計(jì)算機(jī)技術(shù)和電子技術(shù)的發(fā)展，MRI、PET、CT等各模態(tài)影像設(shè)備，逐步成為醫(yī)院的常規(guī)診斷設(shè)備，醫(yī)學(xué)圖像已成為臨床診斷與治療不可缺少的最重要的手段。而如何最大限度地利用影像數(shù)據(jù)提供的有用信息，提高醫(yī)生對(duì)疾病診斷的準(zhǔn)確性，對(duì)臨床診斷有重大的意義。醫(yī)學(xué)圖像配準(zhǔn)的主要目的就是對(duì)在臨床上廣泛使用的諸如CT、MRI、PET等多源醫(yī)學(xué)圖像信息進(jìn)行有機(jī)綜合，最大限度地挖掘有用信息，以提高醫(yī)學(xué)成像質(zhì)量、診斷的準(zhǔn)確性和治療精度。另外，隨著醫(yī)學(xué)影像新的設(shè)備不斷涌現(xiàn)，圖像種類日益豐富，基于圖像配準(zhǔn)技術(shù)可大大提高醫(yī)療單位醫(yī)學(xué)圖像資源的共享和有效利用率。此外，醫(yī)學(xué)圖像配準(zhǔn)作為信息技術(shù)的一個(gè)重要領(lǐng)域，是醫(yī)學(xué)圖像可視化的重要支撐技術(shù)之一，還可應(yīng)用于更廣泛的研究和工程領(lǐng)域，例如機(jī)器視覺、模式識(shí)別、生物特征識(shí)別、信息理論和信息安全等眾多領(lǐng)域，具有重要的理論意義和應(yīng)用價(jià)值。根據(jù)醫(yī)學(xué)圖像所提供的信息內(nèi)涵，可將醫(yī)學(xué)圖像分為兩大類解剖結(jié)構(gòu)圖像(CT、 MRI、B超等)和功能圖像(SPECT、PET等)。這兩類圖像各有其優(yōu)缺點(diǎn)功能圖像分辨率較差，但它提供了臟器功能代謝信息是解剖圖像所不能替代的；解剖圖像以較高的分辨率提供了臟器的解剖形態(tài)信息(功能圖像無法提供臟器或病灶的解剖細(xì)節(jié))，但無法反映臟器的功能情況。目前這兩類成像設(shè)備的研究都已經(jīng)取得了很大進(jìn)展，圖像的空間分辨率和圖像質(zhì)量有很大提高，但由于成像原理不同所造成的圖像信息的局限性，使得單獨(dú)使用某一類圖像的效果并不理想，而多種圖像的利用，又必須借助醫(yī)生的空間想象和推測(cè)去綜合判定他們所要的信息，其準(zhǔn)確性受到主觀影響，更主要的是一些信息將可能被忽略。因此， 解決這個(gè)問題的最有效的方法就是以醫(yī)學(xué)圖像配準(zhǔn)技術(shù)為基礎(chǔ)，利用信息融合技術(shù)，將結(jié)構(gòu)和功能圖像結(jié)合起來，利用各自的信息優(yōu)勢(shì)在一副圖像上同時(shí)表達(dá)來自人體的多方面信息，使人體內(nèi)部的結(jié)構(gòu)、功能等多方面的狀況通過影像反映出來，從而更加直觀地提供人體解剖、生理及病理等信息。按照特征空間，圖像配準(zhǔn)一般分為兩種，一種是基于圖像特征的配準(zhǔn)方法；另一種是基于灰度的配準(zhǔn)方法?；趫D像特征的圖像配準(zhǔn)方法，就是通過提取圖像共同的特征， 如點(diǎn)、線段和面等，并建立基于圖像特征的目標(biāo)函數(shù)，最后通過最優(yōu)化搜索技術(shù)得到配準(zhǔn)參數(shù)。該方法依賴于特征點(diǎn)的準(zhǔn)確提取，易受噪聲的影響，使得優(yōu)化過程極易陷入局部極值。 基于灰度的配準(zhǔn)方法主要是對(duì)圖像的灰度進(jìn)行操作，缺點(diǎn)是計(jì)算量過大。為了尋找圖像間更加穩(wěn)定的相似性測(cè)度來改善各種圖像配準(zhǔn)方法的穩(wěn)定性，以克服圖像配準(zhǔn)存在的魯棒性問題，將幾何特征和像素相似性的方法相結(jié)合，實(shí)現(xiàn)兩者優(yōu)勢(shì)互補(bǔ)，是一種有效和可行的思路。有的研究者利用互信息匹配形狀特征點(diǎn)進(jìn)行配準(zhǔn)，有的結(jié)合區(qū)域邊緣信息進(jìn)行配準(zhǔn)，有的利用互信息與曲線、曲面等方法相結(jié)合實(shí)現(xiàn)圖像匹配，另外還有將圖像的梯度信息作為空間信息加入到互信息中的方法，在一定的范圍內(nèi)也可以實(shí)現(xiàn)圖像配準(zhǔn)。但是，醫(yī)學(xué)圖像因受成像設(shè)備、噪聲干擾等因素影響，與普通圖像比較，本質(zhì)上具有模糊性和不均勻的特點(diǎn)，且易受到人體解剖組織結(jié)構(gòu)和形狀不確定性知識(shí)的影響，普遍視覺效果較差。從配準(zhǔn)算法自身的角度看，有其配準(zhǔn)環(huán)節(jié)算法設(shè)計(jì)的問題。當(dāng)前多模醫(yī)學(xué)圖像配準(zhǔn)方法所存在的主要問題是圖像數(shù)據(jù)分割一直沒有針對(duì)圖像配準(zhǔn)機(jī)制行之有效的方法，圖像局部特征不變性缺乏，圖像分割效果偏離生理視覺注意特點(diǎn)，且所構(gòu)造的醫(yī)學(xué)圖像配準(zhǔn)測(cè)度往往計(jì)算量過大、速度慢、魯棒性差，難以滿足圖像配準(zhǔn)的要求。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)所存在的不足，提供一種基于邊緣特征和CS信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法，該方法在計(jì)算標(biāo)準(zhǔn)差、信息量以及平均計(jì)算時(shí)間等方面性能更優(yōu)，魯棒性更好。本發(fā)明的基于邊緣特征和CS信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法，包括以下步驟步驟A、對(duì)源圖像和目標(biāo)圖像分別進(jìn)行邊緣特征提取，得到目標(biāo)圖像和源圖像的邊緣特征點(diǎn)集合X、Y;步驟B、以源圖像和目標(biāo)圖像的邊緣特征點(diǎn)集合X、Y之間的距離測(cè)度Dcs (X，Y)作為目標(biāo)函數(shù)，把求解距離測(cè)度D。s (X，Y)最大值作為實(shí)現(xiàn)配準(zhǔn)目標(biāo)，對(duì)配準(zhǔn)參數(shù)進(jìn)行尋優(yōu)，得到最終的配準(zhǔn)參數(shù)，從而完成圖像配準(zhǔn)；其中，所述距離測(cè)度Dcs (X，Y)如下所示dCS(足υ)=Σρ^Σ(my -[ΣPl(m)]2，式中，Pi和Pj分別為X、Y的邊緣概率分布，Pij是X、Y的聯(lián)合概率分布，i = 1,21 N1, j = 1，2L N2, N1和N2分別為待配準(zhǔn)圖像的邊緣特征點(diǎn)集合X、Y中的邊緣特征點(diǎn)個(gè)數(shù)。進(jìn)一步地，所述邊緣特征提取具體按照以下方法首先選取兩個(gè)十字形和交叉形的結(jié)構(gòu)元素，并令其關(guān)于原點(diǎn)對(duì)稱且互補(bǔ)，采用兩者形態(tài)梯度的加權(quán)組合形式構(gòu)造如下形式的梯度濾波算子FGrad (f) = C1IGradl (f) +c2IGrad2 (f)式中C1和C2為權(quán)系數(shù)，IGradl和IGrad2為與兩個(gè)結(jié)構(gòu)元素相對(duì)應(yīng)的改進(jìn)形態(tài)學(xué)梯度；所述改進(jìn)形態(tài)學(xué)梯度按照下式得到IGradif) = (/ 0幻十 g - (/ ·幻 Θ《式中f(x，y)為原圖像的圖像灰度分布函數(shù)，g(x，y)為結(jié)構(gòu)元素，Θ表示膨脹運(yùn)算， Θ表示腐蝕運(yùn)算；然后利用上述梯度濾波算子提取圖像的邊緣特征，得到圖像的邊緣特征點(diǎn)集合。優(yōu)選地，因本發(fā)明只對(duì)二維平面醫(yī)學(xué)圖像作配準(zhǔn)，所以只需求X軸方向的偏移量 Δχ、Y軸方向的偏移量Ay和繞圖像中心的旋轉(zhuǎn)角度Δ θ三個(gè)參數(shù)。所述對(duì)圖像配準(zhǔn)參數(shù)進(jìn)行尋優(yōu)采用Powell方法，具體如下步驟Bi、給定允許誤差ε >0，選取初始點(diǎn)\(0，0，0)和一組線性無關(guān)的搜索方向向量 e(i)(i = 1，2，3)，其中 e(1) = (1,0,0), e(2) = (0，1，0)，e(3) = (0，0，1)，即令 e(i)分別為沿坐標(biāo)軸的方向；設(shè)置迭代計(jì)數(shù)器K = 1。步驟B2、從)(。出發(fā)沿方向e(i)(i = 1,2,3)依次進(jìn)行一維搜索，得到Xw=X(H^XiXdi) i = l，2，3f(X⑴)=min f (Χα_1}+λ jX e(i)) i = 1,2,3在完成了這3次一維搜索后，得到X(3)；步驟B3、檢驗(yàn)是否已滿足終止準(zhǔn)則若f(X(i))-f(X(0)) I彡ε或者迭代次數(shù)K大于等于Μ，則停止迭代，退出；其中，ε為預(yù)先設(shè)定的閾值e_4，M是預(yù)設(shè)的最大迭代次數(shù)30; 步驟B4、按照下式計(jì)算最速下降方向上的函數(shù)的變化量
權(quán)利要求
1.一種基于邊緣特征和CS信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，包括以下步驟步驟A、對(duì)源圖像和目標(biāo)圖像分別進(jìn)行邊緣特征提取，得到目標(biāo)圖像和源圖像的邊緣特征點(diǎn)集合X、Y;步驟B、以源圖像和目標(biāo)圖像的邊緣特征點(diǎn)集合X、Y之間的距離測(cè)度Dcs (X，Y)作為目標(biāo)函數(shù)，把求解距離測(cè)度D。S(X，Y)最大值作為實(shí)現(xiàn)配準(zhǔn)目標(biāo)，對(duì)配準(zhǔn)參數(shù)進(jìn)行尋優(yōu)，得到最終的配準(zhǔn)參數(shù)，從而完成圖像配準(zhǔn)；其中，所述距離測(cè)度Dcs (X，Y)如下式所示 Dcs(XJ) = TjPlTj(PlPj)2，Uj UiUi式中，Pi* Pj分別為X、Y的邊緣概率分布，Pij是X、Y的聯(lián)合概率分布，i = 1,2L N1, j = 1，2L N2, N1和N2分別為待配準(zhǔn)圖像的邊緣特征點(diǎn)集合X、Y中的邊緣特征點(diǎn)個(gè)數(shù)。
2.如權(quán)利要求1所述基于邊緣特征和CS信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，所述邊緣特征提取具體按照以下方法首先選取兩個(gè)十字形和交叉形的結(jié)構(gòu)元素，并令其關(guān)于原點(diǎn)對(duì)稱且互補(bǔ)，采用兩者形態(tài)梯度的加權(quán)組合形式構(gòu)造如下形式的梯度濾波算子 FGrad (f) = C1IGradl (f) +c2IGrad2 (f)式中C1和C2為權(quán)系數(shù)，IGradl和IGrad2為與兩個(gè)結(jié)構(gòu)元素相對(duì)應(yīng)的改進(jìn)形態(tài)學(xué)梯度； 所述改進(jìn)形態(tài)學(xué)梯度按照下式得到 IGradif) = (fog) g-(f· g)Qg式中f (X，y)為原圖像的圖像灰度分布函數(shù)，g(x, y)為結(jié)構(gòu)元素，Θ表示膨脹運(yùn)算，Θ 表示腐蝕運(yùn)算；然后利用上述梯度濾波算子提取圖像的邊緣特征，得到圖像的邊緣特征點(diǎn)集合。
3.如權(quán)利要求1所述基于邊緣特征和CS信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，所述對(duì)圖像配準(zhǔn)參數(shù)進(jìn)行尋優(yōu)采用Powell方法，具體如下步驟Bi、給定允許誤差ε >0，選取初始點(diǎn))((|(0，0，0)和一組線性無關(guān)的搜索方向向 fie(i)(i = 1，2，3)，其中 e(1) = (1,0,0), e(2) = (0，1，0)，e(3) = (0，0，1)，即令 e(i)分別為沿坐標(biāo)軸的方向；設(shè)置迭代計(jì)數(shù)器K = 1 ；步驟B2、從\出發(fā)沿方向e(i)(i = 1,2,3)依次進(jìn)行一維搜索，得到 Xw=X(H^XiXeu) i = 1,2,3 f (Χω) = Hiinf(Xa^1)+λ jXe"') i = 1,2,3 在完成了這3次一維搜索后，得到Χω ；步驟Β3、檢驗(yàn)是否已滿足終止準(zhǔn)則若|f(X⑴)-f(X(cl)) I ( ε或者迭代次數(shù)大于等于 Μ，則停止迭代，退出；其中，ε為預(yù)先設(shè)定的閾值e_4，M是預(yù)設(shè)的最大迭代次數(shù)30;步驟Β4、 按照下式計(jì)算最速下降方向上的函數(shù)的變化量 AZ = ItiaxIZ(Xw)-Z(Xw)I\<i<Nwv y并記最速下降方向?yàn)閑max ；步驟 B5、引進(jìn) e = X⑶-X(。)，Pes = 2X⑶_Χ(。)，計(jì)算 f(e) = f(X⑶_Χ(。))，f(Pcs)= f(2X(3)-X(。))，gf(e)彡 f (χω)或 f(Pcs)〈^ ^且〗^ 。))-〗^ ))+^。)“^ ))-f(x(n)))-Af]2^ (f(X(Q))-f(e))2Af則將Χω賦值給X(Q)作為新的起點(diǎn)，沿上面的一組舊方向向量e(i)(i = 1,2,3)重復(fù)步驟B2至B5 ；若上述條件均不滿足，則沿方向e = X(3)-Xftl)，以 X 作為起始點(diǎn)進(jìn)行搜索得到目標(biāo)函數(shù)在此方向上的極小值點(diǎn)Pmin ；將原來的下降方向最大的^ax去掉，而保留其它的2個(gè)方向，再加上方向e，仍得到3個(gè)方向e(1)，e(2), e(3)，把此時(shí)的Pmin賦給X(。)作為新起點(diǎn)，重復(fù)步驟B2至B5。
4.如權(quán)利要求1所述基于邊緣特征和CS信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，所述距離測(cè)度D。S(X，Y)中的聯(lián)合概率分布根據(jù)下式計(jì)算
5.如權(quán)利要求4所述基于邊緣特征和CS信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法，其特征在于，所述距離測(cè)度D。S(X，Y)中的邊緣概率分布分別根據(jù)以下公式計(jì)算得到
全文摘要
本發(fā)明公開一種基于邊緣特征和CS信息的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)方法。本發(fā)明基于廣義形態(tài)濾波器原理，對(duì)形態(tài)學(xué)梯度算子進(jìn)行改進(jìn)，采用新的梯度濾波算子來進(jìn)行圖像邊緣檢測(cè)，從而提高圖像邊緣檢測(cè)的運(yùn)算速度和抗噪性能，快速實(shí)現(xiàn)圖像邊緣的粗檢測(cè)，并確定圖像邊緣點(diǎn)的坐標(biāo)和方向，為后繼圖像配準(zhǔn)奠定基礎(chǔ)；根據(jù)CS不等式，構(gòu)造新的CS幾何信息測(cè)度，本測(cè)度方法在數(shù)學(xué)計(jì)算過程中不涉及除法和對(duì)數(shù)運(yùn)算，可有效降低圖像配準(zhǔn)的計(jì)算復(fù)雜度，提高計(jì)算效率；另外，本發(fā)明采用Powell方法進(jìn)行配準(zhǔn)參數(shù)的尋優(yōu)，不必對(duì)目標(biāo)函數(shù)求導(dǎo)，具有二次收斂性，收斂速度快，且便于編程實(shí)現(xiàn)。相比現(xiàn)有技術(shù)，本發(fā)明在計(jì)算標(biāo)準(zhǔn)差、信息量以及平均計(jì)算時(shí)間等方面性能更優(yōu)，魯棒性更好。
文檔編號(hào)G06T7/00GK102446358SQ201210013700
公開日2012年5月9日 申請(qǐng)日期2012年1月17日 優(yōu)先權(quán)日2012年1月17日
發(fā)明者季雷, 趙志敏, 魏本征 申請(qǐng)人:南京航空航天大學(xué)