基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法技术

本发明专利技术公开了基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法，涉及医学图像处理技术领域，方法主要包括：分别计算参考图像I和浮动图像J基于Zernike矩的局部描述符ZMLD，使用图像I和J的ZMLD之间的绝对误差和SAD作为能量函数的数据项，采用位移矢量场的一阶导数作为平滑项，构造能量函数，利用图割法GC的α扩展优化算法求解离散化后能量函数的最小值，输出能量函数最小值对应的最佳位移矢量场，即配准后的图像。本发明专利技术解决了非刚性图像存在噪声和强度失真时，现有方法无法同时准确提取图像强度和边缘、纹理特征，连续优化计算复杂度相对较高且易陷入局部最小值的问题。实验表明，本发明专利技术方法提高了非刚性多模态医学图像配准的精度和效率。

【技术实现步骤摘要】
基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法
本专利技术涉及医学图像处理
，特别是涉及基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法。
技术介绍
在临床医学中，不同的成像模式可以提供不同的生理信息。单模态医学图像提供的信息往往是有限的。多模态医学图像配准有利于将不同模态图像之间的信息互补，信息互补的图像提供病变组织或器官的多种信息，为医生做出准确的诊断提供有力的理论依据。目前针对多模态医学图像配准中的相似性测度的计算方法主要分为两类。一类是使用信息论度量作为相似性测度，互信息(mutualinformation，MI)是目前广泛使用的信息论度量，它利用图像的灰度信息来计算两幅图像的相似度。但是MI忽略了图像的局部特征和结构信息，导致多模态图像配准精度降低。另一类方法是用局部描述符提取不同模态的结构信息，从而把多模态配准转化为单模态配准，使用简单相似性测度进行配准。Wachinger等提出了两种用于多模态图像配准的结构表示方法。一种方法是在图像中取每个像素的邻域块，计算邻域块的熵(即该点的邻域结构信息)，将不同模态的图像转化为相同模态的熵图，并使用基于熵图像的误差平方和(sumofsquareddifferencesonentropyimages，ESSD)作为相似性测度。该方法计算速度快但是熵图像较模糊。另一种方法使用拉普拉斯特征映射，高阶流形通过构建邻域图进行降维，然后计算拉普拉斯图的L2距离。该方法配准精度高但是计算成本非常大，并且特征降维也损失了图像信息。Heinrich等提出模态独立邻域描述符(modalityindependentneighborhooddescriptor，MIND)用于多模态图像配准，根据相邻图像块之间的相似性计算MIND，对非功能强度关系和图像噪声具有较好的鲁棒性。但MIND不具有旋转不变性，在图像边缘和复杂纹理区域图像特征存在旋转时，MIND会出现配准误差。相比MIND，Zernike矩具有旋转和平移不变性，以及对噪声的鲁棒性。因此，Zernike矩已被广泛应用于图像处理，计算机视觉和模式识别领域。图像配准问题可看成是能量函数的极值求解问题。通过构造能量函数，采用优化方法求解最小值，则最小值对应最优的配准效果。优化方法分为两类：连续优化和离散优化。连续优化常用算法有梯度下降法(GD)，共轭梯度下降法(CG)，拟牛顿方法(QN)等。连续优化算法大部分依赖于目标函数梯度的计算，导数的计算量较大，并且易陷入局部最小值。基于马尔可夫随机场(MRF)的离散优化策略用来克服连续优化的缺点。离散优化本质上是无梯度的，计算复杂度相对较低，并且可通过较大的邻域搜索空间进行优化，有效避免陷入局部最小值。JianSun等使用置信传播法(BP)来解决立体匹配问题。BP是一种高效的算法，但是计算复杂度较高。Wainwright等提出树重加权消息传递法(TRW)用于能量最小化。与BP相比，TRW可用于更多的能量函数，但TRW不能保证其完全收敛。Glocker等使用MRF和线性规划(LP)的优化算法，把图像配准问题看做一个离散的三维标签问题。但是LP算法需要较大空间容量，这将限制LP对复杂变形的图像进行精确的配准。Boykov等提出了一种交互式的图割法(Graphcuts，GC)。GC是一种基于图论的组合优化方法，采用最大流/最小割(max-flow/min-cut)理论来求MRF能量的全局最优解。Kolmogorov和Rother等比较了常用的离散优化算法，并且得出GC法要优于其他优化算法。针对非刚性图像存在噪声和强度失真时，现有方法无法同时准确提取图像混合信息，连续优化计算复杂度相对较高且易陷入局部最小值的问题。
技术实现思路
本专利技术实施例提供了基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法，可以解决现有技术中的问题。本专利技术提供了基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法，该方法包括以下步骤：读取输入的待配准的参考图像I和浮动图像J，两幅图像的分辨率相同；分别计算图像I和J两幅图像基于Zernike矩的局部描述符ZMLD；使用图像I和J的ZMLD之间的绝对误差和SAD作为能量函数的数据项，采用位移矢量场的一阶导数作为平滑项，构造能量函数，并对能量函数进行离散化；利用图割法GC的α扩展优化算法求解离散化后能量函数的最小值；输出能量函数最小值对应的最佳位移矢量场，即配准后的图像。本专利技术实施例中的基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法，解决了非刚性图像存在噪声和强度失真时，现有方法无法同时准确提取图像强度和边缘、纹理特征，连续优化计算复杂度相对较高且易陷入局部最小值的问题。通过多模态医学图像数据集的实验表明，本专利技术方法提高了非刚性多模态医学图像配准的精度和效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为BrainWeb数据库中MR-T1图像，及MR-T1图像的A00、A11和A22图像信息；图2是本专利技术实施例中基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法的流程图；图3为图的简单构造示意图；图4为RIRE数据库中一组脑部MR的T1和T2、PD加权图像，其中(a)为参考T1图像，(b)为浮动T2图像，(c)为浮动PD图像，(d)为ESSD方法(T2-T1)，(e)为MIND方法(T2-T1)，(f)为ZMLD方法(T2-T1)，(g)为ESSD方法(PD-T1)，(h)为MIND方法(PD-T1)，(i)为ZMLD方法(PD-T1)；图5为Atlas数据集中的两组待配准图像,配准结果以及配准后图像差，其中(a)为参考T2图像，(b)为浮动CT图像，(c)为参考SPECT图像，(d)为浮动T2图像，(e)为FFD-LBFGS算法(CT-T2)，(f)为FFD-LBFGS算法(CT-T2)图像差，(g)为本专利技术方法(CT-T2)，(h)为本专利技术方法(CT-T2)图像差，(i)为FFD-LBFGS算法(T2-SPECT)，(j)为FFD-LBFGS算法(T2-SPECT)图像差，(k)为本专利技术方法(T2-SPECT)，(l)为本专利技术方法(T2-SPECT)图像差；图6为使用基于ZMLD的局部描述符计算相似性测度，分别在GC和LP离散优化算法下的配准结果，其中(a)为参考CT图像，(b)为浮动MR1图像，(c)为浮动MR2图像，(d)为GC法(MR1-CT)，(e)为GC法(MR1-CT)图像差，(f)为LP法(MR1-CT)，(g)为LP法(MR1-CT)图像差，(h)为GC法(MR2-CT)，(i)为GC法(MR2-CT)图像差，(j)为LP法(MR2-CT)，(k)为LP法(MR2-CT)图像差。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没本文档来自技高网...

【技术保护点】
1.基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法，其特征在于，该方法包括以下步骤：读取输入的待配准的参考图像I和浮动图像J，两幅图像的分辨率相同；分别计算图像I和J两幅图像基于Zernike矩的局部描述符ZMLD；使用图像I和J的ZMLD之间的绝对误差和SAD作为能量函数的数据项，采用位移矢量场的一阶导数作为平滑项，构造能量函数，并对能量函数进行离散化；利用图割法GC的α扩展优化算法求解离散化后能量函数的最小值；输出能量函数最小值对应的最佳位移矢量场，即配准后的图像。

【技术特征摘要】
1.基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法，其特征在于，该方法包括以下步骤：读取输入的待配准的参考图像I和浮动图像J，两幅图像的分辨率相同；分别计算图像I和J两幅图像基于Zernike矩的局部描述符ZMLD；使用图像I和J的ZMLD之间的绝对误差和SAD作为能量函数的数据项，采用位移矢量场的一阶导数作为平滑项，构造能量函数，并对能量函数进行离散化；利用图割法GC的α扩展优化算法求解离散化后能量函数的最小值；输出能量函数最小值对应的最佳位移矢量场，即配准后的图像。2.如权利要求1所述的基于ZMLD与GC离散优化的非刚性多模态医学图像配准方法，其特征在于，分别计算图像I和J两幅图像基于Zernike矩的局部描述符ZMLD具体包括：将图像I和J在搜索邻域R中的图像分别划分为5×5的图像块，图像I...

【专利技术属性】
技术研发人员：王丽芳，王雁丽，史超宇，窦杰亮，张程程，
申请(专利权)人：中北大学，
类型：发明
国别省市：山西,14