一种基于梯度分布的非刚体医学图像配准方法技术

本发明专利技术公开了一种基于梯度分布的非刚体医学图像配准方法，步骤如下：S1，构造归一化互信息相似性测度；S2，构建梯度分布距离；S3，建立非刚体配准模型；S4，对配准模型进行求解。本发明专利技术不仅利用了待配准图像的灰度分布特性，而且考虑了医学图像的梯度分布信息，有效的完成了医学图像的非刚体配准。而且不需要对待配准图像进行特征提取及分割等预处理，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归一化互信息，对灰度差异较大的医学图像也有较好的配准效果，自适应性和鲁棒性较强。

【技术实现步骤摘要】
一种基于梯度分布的非刚体医学图像配准方法
本专利技术涉及非刚体医学图像的配准方法，具体涉及使用待配准图像的梯度分布距离和归一化互信息相似性测度相结合的方法对医学图像进行非刚体配准，属于医学图像处理领域。
技术介绍
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。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。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。然而，人体的组织和器官在成像过程中，由于受到重力或者挤压等原因，不同体位、不同时间采集的相同部位的图像，两幅图像中对应目标往往存在弹性形变。因此，非刚体配准是医学图像配准领域的研究热点，在肿瘤放射治疗，手术计划的制定等方面具有重要的临床意义。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度最大时待配准图像间的空间变换。这类方法包括相似性测度构建、变换模型选取、优化方案设计等步骤。然而，互信息的广泛应用及研究暴露了自身的一些缺点。首先，采用互信息进行非刚体配准时，优化问题是非凸的而且是病态的，因此需要在目标函数中加入约束项，该约束项一方面解决优化的病态问题，另一方面可以平滑非刚体形变。其次，互信息并不具有重叠不变性，也就是说，互信息的值会随着待配准图像视野(FieldOfView，FOV)的变化而发生变化。为此，Studholme等提出了一个归一化的相似度测量(NormalizedMutualInformation，NMI)，称作归一化互信息，该相似度弥补了互信息的不足，有效地提高了医学图像配准的准确性和鲁棒性。然而，基于归一化互信息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，并没有考虑图像中像素与像素间的相关性，即忽视了像素间的空间信息。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测度，该相似度利用待配准图像梯度的模，并融合梯度的方向信息，用于医学图像配准，获得较高的配准精度。然而，文献并未给出该相似度的连续表达，而且也未推导出该相似性测度关于变换参数的解析导数，因此该方法并不适用于非刚体医学图像配准。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。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。DeNigris等人利用基于梯度方向的局部测度进行多模态医学图像配准。他们利用最小不确定的梯度方向来构建相似度，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，未考虑梯度的模。
技术实现思路
针对上述现有技术中描述的不足，本专利技术提供一种结合梯度分布和归一化互信息的非刚体医学图像配准方法，实现对存在非刚体形变医学图像的精确配准。为解决上述技术问题，本专利技术所采用的技术方案如下：一种基于梯度分布的非刚体医学图像配准方法，步骤如下：S1，构建归一化互信息相似性测度。具体步骤为：S1.1，构造归一化互信息相似性测度；式中，H(Y)为离散随机变量Y的边缘熵，H(X)为离散随机变量X的边缘熵，计算公式为：其中，pi是离散随机变量X的概率分布。H(X,Y)为离散随机变量X和离散随机变量Y的联合熵，公式为：其中，p(x,y)是离散随机变量X和离散随机变量Y的联合概率分布。S1.2，估计归一化互信息相似度。式中，R(x)表示参考图像，F(Tμ(x))表示在空间变换Tμ作用下的浮动图像；为利用Parzen窗估计的参考图像的概率分布，公式为：式中，β(0)是0阶B样条；Ω表示待配准图像重叠的区域，V为重叠区域内像素的数目，ΔbR为箱宽，R0表示参考图像灰度的最小值，ri为参考图像R(x)的灰度级。为在空间变换T作用下F(Tμ(x))的概率密度函数，公式为：式中，β(3)为三阶B样条函数。根据多维B样条函数的可分离性，参考图像R(x)和空间变换下浮动图像F(Tμ(x))的联合概率密度函数表示为：式中，Ω表示待配准图像重叠的区域，V为重叠区域内像素的数目，R0表示参考图像灰度的最小值，F0表示浮动图像灰度的最小值；ΔbR和ΔbF为箱宽。S2，构建待配准图像的梯度分布距离。具体步骤为：S2.1，构建梯度分布距离；式中，为浮动图像的梯度，为参考图像的梯度，为浮动图像的梯度分布，表示参考图像R的梯度分布。若考虑参考图像和浮动图像间的空间变换，则梯度分布距离为：式中，d为待配准图像的维度，为在空间变换Tμ作用下浮动图像的梯度；为在空间变换Tμ作用下参考图像的梯度；q为空间变换下浮动图像的梯度分布；p为空间变换下参考图像的梯度分布。S2.2，估计梯度分布距离。具体步骤为：S2.2.1，采用零阶B样条函数来估计参考图像的梯度分布，则空间变换作用后参考图像的梯度的概率密度函数为：其中，表示参考图像梯度灰度的最小值，Ω表示待配准图像的重叠区域，V为重叠区域内像素的数目，d是图像的维度，ri代表参考图像的d维梯度的灰度级，是梯度算子，ΔbR为箱宽。S2.2.2，用三阶B样条函数来估计空间变换作用后浮动图像的梯度分布，则空间变换作用后浮动图像的梯度的概率密度函数为：式中，Ω表示待配准图像的重叠区域，V为重叠区域内像素的数目，d是图像的维度，是梯度算子，ΔbF为箱宽，fj代表变换后浮动图像的d维梯度的灰度级，表示浮动图像梯度灰度的最小值。S2.2.3，将步骤S2.2.1和步骤S2.2.2代入步骤S2.1中，得到梯度分布距离的计算公式：式中，d为待配准图像的维度，为在空间变换Tμ作用下浮动图像的梯度；为在空间变换Tμ作用下参考图像的梯度；q为空间变换下浮动图像的梯度分布；p为空间变换下参考图像的梯度分布。S3，基于自由形态形变建立非刚体配准模型。具体步骤为：S3.1，变换模型的选取。对于三维图像，设Φ是一个大小为nx×ny×nz的网格，[ωi,ωj,ωk]T为网格中沿x、y及z方向上的控制点，网格之间的间隔统一为δ，则点x＝(x,y,z)T处的三维弹性形变用三阶B样条函数的线性组合表示：式中，β(3)(·)为三阶B样条函数，ξijk表示与网格和控制点有关的形变系数向量。S3.2，配准模型的建立。非刚体图像配准看作寻找浮动图像F与参考图像R间弹性形变的过程；设x＝(x,y,z)T为参考图像上的任意像素点，它经过弹性形变后对应于浮动图像中的点x′＝(x′,y′,z′)T，二者之间的关系表述为：x′＝g(x；μ)(14)；由此非刚体图像配准过程表述为如下优化问题：式中，E表示目标函数，其中第一项代表归一化互信息，第二项是待配准图像间的梯度本文档来自技高网...

【技术保护点】
一种基于梯度分布的非刚体医学图像配准方法，其特征在于，步骤如下：S1，构建归一化互信息相似性测度；S2，构建待配准图像的梯度分布距离；

【技术特征摘要】
1.一种基于梯度分布的非刚体医学图像配准方法，其特征在于，步骤如下：S1，构建归一化互信息相似性测度；S2，构建待配准图像的梯度分布距离；式中，d为待配准图像的维度，为在空间变换Tμ作用下浮动图像的梯度；为在空间变换Tμ作用下参考图像的梯度；q为空间变换下浮动图像的梯度分布；p为空间变换下参考图像的梯度分布；S3，基于自由形态形变建立非刚体配准模型；式中，E表示目标函数，其中第一项代表归一化互信息，第二项是待配准图像间的梯度分布距离，λ为权重因子，用来平衡目标函数中两项间的权重；S4，采用L-BFGS优化算法对建立的非刚体配准模型进行求解，得到非刚体形变参数，实现医学图像的精确配准。2.根据权利要求1所述的基于梯度分布的非刚体医学图像配准方法，其特征在于，在步骤S1中，具体步骤为：S1.1，构造归一化互信息相似性测度；式中，H(Y)为离散随机变量Y的边缘熵，H(X)为离散随机变量X的边缘熵，计算公式为：其中，pi是离散随机变量X的概率分布；H(X,Y)为离散随机变量X和离散随机变量Y的联合熵，公式为：其中，p(x,y)是离散随机变量X和离散随机变量Y的联合概率分布；S1.2，估计归一化互信息相似度；式中，R(x)表示参考图像，F(Tμ(x))表示在空间变换Tμ作用下的浮动图像；为利用Parzen窗估计的参考图像的概率分布，公式为：式中，β(0)是0阶B样条；Ω表示待配准图像重叠的区域，V为重叠区域内像素的数目，ΔbR为箱宽，R0表示参考图像灰度的最小值，ri为参考图像R(x)的灰度级；为在空间变换T作用下F(Tμ(x))的概率密度函数，公式为：式中，β(3)为三阶B样条函数；根据多维B样条函数的可分离性，参考图像R(x)和空间变换下浮动图像F(Tμ(x))的联合概率密度函数表示为：式中，Ω表示待配准图像重叠的区域，V为重叠区域内像素的数目，R0表示参考图像灰度的最小值，F0表示浮动图像灰度的最小值；ΔbR和ΔbF为箱宽。3.根据权利要求1所述的基于梯度分布的非刚体医学图像配准方法，其特征在于，在步骤S2中，具体步骤为：S2.1，构建梯度分布距离；式中，为浮动图像的梯度，为参考图像的梯度，为浮动图像的梯度分布，表示参考图像R的梯度分布；若考虑参考图像和浮动图像间的空间变换，则梯度分布距离为：式中，d为待配准图像的维度，为在空间变换Tμ作用下浮动图像的梯度；为在空间变换Tμ作用下参考图像的梯度；q为空间变换下浮动图像的梯度分布；p为空间变换下参考图像的梯度分布；S2.2，估计梯度分布距离；具体步骤为：S2.2.1，采用零阶B样条函数来估计参考图像的梯度分布，则空间变换作用后参考图像的梯度的概率密度函数为：

【专利技术属性】
技术研发人员：李碧草，王贝，刘洲峰，舒华忠，李春雷，徐庆伟，
申请(专利权)人：中原工学院，
类型：发明
国别省市：河南,41