基于关键点的超声图像与磁共振图像多分辨率离散优化配准方法

脑肿瘤手术规划及术中，术前磁共振（MR）图像与术中超声（US）图像的配准甚为关键。考虑到两种模态图像具有不同密度范围及分辨率，且超声图像存在较多的斑点噪声干扰，采用一种基于局部邻域信息的自相似性上下文（SSC）描述子定义图像之间的相似性测度。将超声图像作为参考，使用三维微分运算提取其中角点作为关键点，并采用密集位移采样离散优化算法实施配准。整个配准过程分为仿射配准和弹性配准两个阶段，在仿射配准阶段，对图像进行多分辨率分解，在弹性配准阶段，采取最小卷积和均值场推理策略对关键点的位移向量进行正则化处理。对22名患者的术前MR和术中US图像进行配准实验，仿射配准后的误差为（1.57±0.30）mm，每对图像配准平均耗时1.36 s；弹性配准后的误差为（1.40±0.28）mm，平均用时1.53 s。实验结果证明本文采用的方法具有良好的配准精度和速度。     

多模态图像配准在HIFU定位系统中的应用

在交互式图像导航HIFU(高强度聚焦超声)治疗系统中,需要对病灶目标进行非常精确的实时成像和定位.而现有的超声成像技术很难单独完成这个任务.本文提出了一种用手术前MRI三维图像与手术中的超声图像进行配准的方法,对手术前MR图像和手术中超声图像两种模态下都可见的血管进行配准.配准算法采用遗传算法和共轭梯度法结合的优化策略来最小化目标函数,并设计了两个实验对配准方法进行评价,从实验结果看这种方法从配准精度和收敛速度上都要优于另外的两种经典算法.     

灰度级别对基于互信息医学图像配准方法的影响

医学图像配准在医学图像处理领域中已经被广泛使用。基于互信息配准的方法具有自动化程度高、配准精度高等优点。基于互信息的配准方法实质上是一种进行灰度统计和计算的方法 ,因此同一图像采用不同的灰度表示必然会影响配准结果。在分析灰度级别的压缩对于图像质量的影响和基于互信息配准方法的影响的基础上 ,进行了一系列的多模态医学图像配准试验 ,从配准精度和计算时间两个方面比较了不同的灰度级别对图像配准的影响。在详细分析和比较不同级别图像配准结果的基础上 ,给出了基于互信息配准时所采用的合理灰度级别的建议。     

一种基于感兴趣点旋转不变性特征的图像配准新方法

目的:图像配准是图像处理领域重要的研究方向,是图像融合、图像重建和图像分析等研究的基础。在图像配准的主要方法中,基于图像特征的配准方法和基于图像灰度的配准方法各有优缺点,通过结合这两种方法的优点,我们提出了一种基于感兴趣点的旋转不变性特征图像配准的新方法。方法:首先利用Harris角点检测技术,提取模板图像和目标图像的感兴趣点。然后把感兴趣点的旋转不变形特征和灰度值组成图像的特征描述向量,并提出新的代价函数。最后采用分级优化的策略优化代价函数,在配准初期,采用显著的特征点进行配准,以保证配准的速度与鲁棒性,随后通过逐步增加特征点的数量,则保证了配准的精度。结果:为显示本文方法的优越性,实验利用本文方法和基于互信息的B样条方法分别对标准测试图像进行配准,实验结果表明,本文方法较基于互信息的B样条方法在配准精度上有明显提高。结论:本文方法在保持配准鲁棒性的前提下,获得了较高的配准精度。     

基于互信息的人脑图像配准研究

近来利用互信息进行多模医学图像配准已成为医学图像处理领域的热点,人脑多模医学图像配准对研究神经组织的结构功能关系和引导神经外科手术有着重要的指导意义,本文描述了一种基于互信息的人脑图像配准方法,我们将这种方法应用于图像的几何对准并给出了初步的评估结果,同时,我们还就归一化互信息、多分辨率策略,多种插值和优化算法对配准速度和精度的影响作了讨论,由于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,互信息法是一种稳健性强、可广泛应用于基于体素的多模医学图像的配准方法。     

基于互信息的医学图像配准中互信息的计算

基于互信息的配准方法是医学图像配准领域的重要方法.互信息是图像配准中常用的相似性度量,具有鲁棒、精度高等优点,但基于互信息的配准计算量大,制约了它的实际应用.我们采用基于多分辨率和混合优化策略的配准方法,在图像的不同灰度等级数下进行配准,分析了互信息的计算量与灰度等级数的关系,并用人头部的MRI图像和CT图像做了二维的单模模拟实验和多模实际配准实验,结果显示在灰度等级数为32和64时,与灰度等级数为256时相比,配准精度没有明显改变,而计算量下降显著.     

基于互信息医学刚性图像配准方法的研究

目的:基于互信息的配准方法是医学图像配准领域的重要方法,具有鲁棒性,精度高等优点。本文探究医学刚性图像配准的有效算法和关键技术。方法:基于互信息配准方法,利用Powell多参数算法和改进的PV插值算法,得到两幅图像之间的最大互信息和最佳配准参数。结果:二维磨牙CT图像配准实验表明,配准速度快,精度提高,验证了插值方法的有效性。结论:方法和算法可提高配准速度,能有效抑制互信息目标函数的局部极值。     

基于形态学梯度和互信息的医学图像配准方法

基于互信息的图像配准方法,已被广泛用于医学图像的配准.但是该方法计算量较大且无法处理图像空间信息,导致运行时间较长且易陷入局部极值.为解决此问题,本研究提出了一种基于形态学梯度和互信息相结合的医学图像配准新方法,该方法充分利用图像的灰度信息和空间几何形状,可节省运行时间且有效改善传统互信息方法中的局部极值问题.实验结果表明,该方法的配准精度和运行速度明显优于传统方法.     

一种基于样本抽样性质的图像配准方法

基于互信息的医学图像配准是当前常用的方法,但互信息的计算量大,对此可采用欠采样技术来减少计算量,但欠采样会降低配准的精度。本文中,我们基于样本抽样均值分布定理,提出了利用多次采样的改进方法,它兼具较高的精度和较快的配准速度。文中的数值计算结果证明了这一点。     

基于血管匹配的三维超声与CT图像的配准方法

提出一种基于血管匹配的三维超声与CT图像配准的新方法.首先,基于水平集方法自动分割出CT图像中的血管；其次,由于超声图像中的声影与血管均属于低回声区域,我们结合声影形成的物理原理及图像纹理特性,自动检测出声影区域,以提高配准的鲁棒性；最后,采用进化算法,将CT图像中分割出的血管与超声图像中低回声区域进行匹配.在肝脏体模和临床脾脏数据上进行了实验验证,自动配准的成功率在95％以上,平均目标配准误差在2 mm以内,实验结果验证了本方法的可行性.     

基于Contourlet变换的CT和锥形束CT图像配准算法

目的提出一种基于Contourlet变换,用于放射治疗定位的CT与锥形束CT（cone beam CT,CBCT）图像配准的方法。方法利用Contourlet变换多尺度多方向的分辨特性,将待配准图像进行Contourlet变换分解,分解后的高频方向子带合成梯度图像,采用归一化互信息作为相似性测度,把梯度图像与低频方向子带以加权函数结合,进行临床医学图像的刚性配准,有效弥补了互信息配准中缺少空间信息的不足。结果通过已知空间变换参数图像的配准结果验证了算法的准确性。配准后lO幅图像变换参数的误差极小,且均方根误差接近于0。结论该图像配准算法精确度高,并具有很好的鲁棒性,有助于提高图像引导放射治疗（image guid edradiation therapy,IGRT）中解剖组织结构和靶区的定位精度。     

Fast Mutual Information Registration Method of 3-D Medical Image

INTRODUCTION　　Multimodal registration,which brings images from different modality into spa-tial correspondence,is of importance in many clinical applications.Over the years,research of multimodal registration has produced a lotof differentmethods.Surveysof medical image registration with a classification have been made〔1,2〕.The registra-tion methods can be classified as frame- based,point- landmark- based,surface- basedand voxel- based.Voxel- based methods achieve registration by iden…     

Non-rigid image registration using a median-filtered coarse-to-fine displacement field and a symmetric correlation ratio

Conventional approaches to image registration are generally limited to image-wide rigid transformations. However, the body and its internal organs are non-rigid structures that change shape due to changes in the body's posture during image acquisition, and due to normal, pathological and treatment-related variations. Inter-subject matching also constitutes a non-rigid registration problem. In this paper, we present a fully automated non-rigid image registration method that maximizes a local voxel-based similarity metric. Overlapping image blocks are defined on a 3D grid. The transformation vector field representing image deformation is found by translating each block so as to maximize the local similarity measure. The resulting sparsely sampled vector field is median filtered and interpolated by a Gaussian function to ensure a locally smooth transformation. A hierarchical strategy is adopted to progressively establish local registration associated with image structures at diminishing scale. Simulation studies were carried out to evaluate the proposed algorithm and to determine the robustness of various voxel-based cost functions. Mutual information, normalized mutual information, correlation ratio (CR) and a new symmetric version of CR were evaluated and compared. A T1-weighted magnetic resonance (MR) image was used to test intra-modality registration. Proton density and T2-weighted MR images of the same subject were used to evaluate inter-modality registration. The proposed algorithm was tested on the 2D MR images distorted by known deformations and 3D images simulating inter-subject distortions. We studied the robustness of cost functions with respect to image sampling. Results indicate that the symmetric CR gives comparable registration to mutual information in intra- and inter-modality tasks at full sampling and is superior to mutual information in registering sparsely sampled images.     

A novel magnetic resonance-positive emission image registration based on morphology

Structures were obtained from images with morphological characteristics to register with voxel-based method. We applied simple morphological operations to obtain human brain cortex and chose normalized mutual information as similarity measure for the geometric alignment of PET and MR images. Evaluation used nine patients, and the results showed that sub-voxel accuracy was achieved and the registration process was significantly more rapid. Thus this new automated multi-modality registration method is more robust and has high accuracy.     

基于调幅-调频与熵图多模态医学图像的配准

背景：基于传统互信息量的多模态医学图像配准方法配准时需要利用二维直方图或者Parzen窗函数的方法估计概率密度分布,进而计算互信息量,这种方式计算速度慢,而且只考虑了图像的灰度信息,容易出现误配。 目的：针对目前主流的配准方法鲁棒性差、耗时的缺点,提出了一种新的基于调幅-调频(AM-FM)特征互信息量的快速配准方法。 方法：该方法考虑了图像的空间和结构信息;首先通过AM-FM模型对图像进行分解,得到图像的AM-FM特征,与图像的灰度特征一起组成高维特征;然后利用熵图和最小生成树加快AM-FM特征互信息量的计算,从而实现了医学图像的快速配准。 结果与结论：对20组磁共振T1-T2加权图像、CT/正电子发射计算机断层成像图像进行了实验,结果表明该方法在图像空间分辨率较低,有噪声影响等情况下均可以达到较好的结果,且配准精度优于国际上的主流方法,具有计算速度快,精度高,鲁棒性强的特点,适于临床应用。     

基于互信息的多分辨率三维脑图像配准方法

在3D多模医学图像的配准方法中，最大互信息法精度高，鲁棒性强，使用范围广，本文将归一化互信息作为相似性测度，采用不同的采样范围和采样子集，使用Powell多参数优化法和Brent一维搜索算法对3DCT，MR和PET脑图像进行了刚体配准，为了加快配准速度，使用了多分辨的金字塔方法，对PET图像采用基于坐标的阈值选取方法对图像进行分割预算法，消除了大部分放射状背景伪影，美国万德贝尔大学对结果进行的评估证明配准精度可达亚体元级。     

基于深度学习的2D/3D医学图像配准研究

2D/3D配准在临床诊断和手术导航规划中有着广泛的应用,可解决医学图像领域中不同维度图像存在信息缺失的问题,能辅助医生在术中精准定位患者的病灶。常规的2D/3D配准方法主要依赖于图像的灰度进行配准,但非常耗时,不利于临床实时性的需求,并且配准过程中容易陷入局部最优值。提出用深度学习的方法来解决2D/3D医学图像配准问题。采用一个基于深度学习的卷积神经网络,通过网络对数字影像重建技术(DRR)进行训练并自动学习图像特征,预测X光图像所对应的参数,从而实现配准。以人体骨盆的模型骨为实验对象,根据骨盆的CT数据生成36000张DRR图像作为训练集,同时通过C臂采集模型骨的50张X光图像作为验证。结果显示,深度学习算法在相关系数、归一化互信息、欧式距离3个精度评价指标上的测试值分别为0.82±0.07、0.32±0.03、61.56±10.91,而常规2D/3D算法对应的测试值分别为0.79±0.07、0.29±0.03、37.92±7.24,说明深度学习算法的配准精度优于常规2D/3D算法的配准精度,且不存在陷入局部最优值的问题。同时,深度学习的配准时间约为0.03s,远低于常规2D/3D配准的时间,可满足临床对于实时配准的需求,未来将进一步开展临床数据的2D/3D配准研究。     

引入高斯函数的互信息法多模态图像配准

目的：最大互信息作为相似度测量在医学图像配准中已被广泛应用。在计算图像互信息时,为了避免引入新的灰度值一般采用部分体积插值统计两幅图像的联合直方图。但用该方法计算中,当图像平移整数点时,统计联合直方图会出现缺陷,使目标函数出现局部极值,从而造成误配准。方法：将高斯函数引入到直方图统计中,选取适当的邻域,用高斯函数计算邻域内各点像素对联合直方图的贡献。利用高斯函数的平滑性,避免了在互信息计算过程中统计图像联合直方图时出现误差。使用Powell优化方法,寻找最佳的优化参数,实现图像的最佳配准。结果：采用CT-PET数据进行实验,该方法平滑了目标函数,有效地消除了局部极值,提高了多模态图像配准的精确性,并且,对噪音图像配准也产生很好的效果。结论：该方法适用于多模态医学图像配准,克服了传统互信息计算时的不足,提高了配准的正确率和精确度。     

Image Registration Based on Improved Mutual Information with Hybrid Optimizer

An improved image registration method is proposed based on mutual infor- mation with hybrid optimizer. Firstly, mutual information measure is combined with morphological gradient information. The essence of the gradient information is that locations a large gradient magnitude should be aligned, but also the orientation of the gradients at those locations should be similar. Secondly, a hybrid optimizer combined PSO with Powell algorithm is proposed to restrain local maxima of mutual information function and improve the registration accuracy to sub-pixel level. Lastly, muhlresolution data structure based on Mallat decomposition can not only improve the behavior of registration function, but also improve the speed of the algorithm. Experimental results demonstrate that the new method can yield good registration result, superior to traditional optimizer with respect to smoothness and attraction basin as well as convergence speed.     

利用数学形态学工具配准人脑MR-PET图像

数学形态学是以形态为基础对图像进行分析的数学工具。我们利用简单的形态学操作从PET和MR图像中提取对应的解剖结构--皮质层，以归一化互信息为相似性测度，进行医学PET/MR图像的几何对准。评估结果证明，该方法的配准精度达到亚像素精度，并能极大地节省运行时间，是一种稳健性强、精度高、全自动的多模医学图像配准新方法。