基于繼承PSO算法的動態(tài)腦磁共振圖像配準

阮定良，楊 凡，高乙文，謝 薇，張 波

（1.重慶金美通信有限責任公司，重慶400030；2.中國移動重慶分公司，重慶400044）

基于繼承PSO算法的動態(tài)腦磁共振圖像配準

阮定良1，楊 凡1，高乙文2，謝 薇1，張 波1

（1.重慶金美通信有限責任公司，重慶400030；2.中國移動重慶分公司，重慶400044）

提出了一種用于動態(tài)圖像配準的混合角點繼承PSO算法。該方法采用混合角點檢測算子來提取角點，并將繼承最優(yōu)種群的思想引入到PSO優(yōu)化算法中，即對當前圖像配準得到的最優(yōu)種群進行動態(tài)繼承與變化后，再用于指導后續(xù)圖像的配準。實驗表明：所提出的算法不僅克服了傳統(tǒng)的隨機重啟方式的腦磁共振圖像配準算法中隨機設定參數(shù)導致配準速度慢的問題，而且提高了圖像的配準精度和穩(wěn)定性。

腦核磁共振圖像；角點檢測；粒子群優(yōu)化算法；配準

1 引 言

在如今的醫(yī)學診斷中，通常需要同時參照兩幅或更多的醫(yī)學圖像，從中提取需要的信息來進行比較分析從而掌握病情。然而，成像位置以及成像時間的不同，使得醫(yī)學圖像在形狀和位置上存在差異，從而影響診斷結果，于是利用多幅圖像進行動態(tài)圖像配準就成為了較為有效的解決方案。

2 算法研究

傳統(tǒng)的基于隨機重啟方式的動態(tài)配準，在每一幅待配準圖像經(jīng)過角點提取、角點匹配點對的篩選之后，都會先隨機初始化PSO（粒子群優(yōu)化算法）的初始種群即初始化種群中粒子的位置x（0）和速度v（0）。

其中c1、c2為學習因子，通常c1＝c2＝2；r1，r2為介于［0，1］間的隨機數(shù)；pbest為個粒子歷史最好位置；gbest為群體歷史最好位置；w為慣性權重［1-2］。經(jīng)過迭代后，搜索變換參數(shù)使得參考圖像中的角點與待配準圖像上的對應角點經(jīng)過變換后的歐氏距離之和最小。該方法通常能取得較高的配準精度，但速度相對較慢，同時配準穩(wěn)定性較差［3，6-7］。

為了優(yōu)化PSO的初始種群中粒子的位置和速度，改進的算法用“混合角點檢測”優(yōu)選Harris、SUSAN的混合角點集，保證了較高的配置精度［4-5］。

為了克服傳統(tǒng)算法配準速度慢、穩(wěn)定性差的缺點，提出“繼承PSO動態(tài)配準”的思想，即將上一幅圖像變換參數(shù)搜索的最后一代種群作為下一幅圖像變換參數(shù)搜索的初始種群。提出的基于混合角點繼承PSO算法的動態(tài)配準算法流程如圖1所示。

圖1 基于混合角點繼承PSO算法的動態(tài)配準算法流程圖

3 實驗與分析

以圖2（a）為參考圖像，在規(guī)定范圍內隨機做20組空間變換得到20幅待配準圖像中的5幅圖像。

設置最大迭代次數(shù)為200，種群規(guī)模為80，空間搜索范圍tx，ty，X，Y，θ∈［-10，10］，慣性權重為w1＝0.9、w2＝0.4，學習因子c1＝c2＝2。

分別用兩種方法對參考圖像做配準，每幅圖像重復實驗5次。兩種方法的配準結果見圖2（b）、（c）。表1中，基于混合角點的隨機重啟方式PSO方法稱為“傳統(tǒng)算法”；提出的基于混合角點繼承PSO算法稱為“改進算法”；MI、NMI分別表示最大互信息和歸一化互信息；T代表配準時間；mean、std表示平均值和標準方差?；凇皞鹘y(tǒng)算法”得到的1次縱向平移量與真實值最接近；基于“改進算法”得到5次橫向平移量與真實值最接近；4次縱向平移量與真實值最接近；5次旋轉量θ′與真實值最接近；5次互信息平均值和歸一化互信息平均值最大。

圖2 兩種算法配準的圖像對比

由以上統(tǒng)計可知，本算法有如下優(yōu)點：

（1）配準精度高基于“改進算法”的5幅腦磁共振圖像動態(tài)配準中均獲得互信息平均值和歸一化互信息平均值最大值，同時該算法的搜索參數(shù)與真實最接近的次數(shù)最多，于是“改進算法”得到的搜索參數(shù)與變換真實值最接近，所以配準精度最高。

（2）配準速度快 由于“改進算法”在每一幅圖像（除去第一幅圖像）配準時都繼承了前一幅圖像的優(yōu)秀種群，從而縮短了其搜索最優(yōu)參數(shù)的時間，所以配準速度也優(yōu)于傳統(tǒng)算法。

（3）配準的穩(wěn)定性好對待不同的待配準圖像，“改進算法”獲得的互信息值和歸一化互信息值始終最高，說明“改進算法”配準精度很穩(wěn)定。

表1 兩種配準方式下動態(tài)圖像配準效果的對比

4 結束語

“改進算法”是對混合角點繼承PSO動態(tài)腦核磁共振圖像配準的深入研究。首先通過Harris、SUSAN混合角點檢測算法篩選混合角點集合，并通過粗匹配和精匹配獲得參考圖像和待配準圖像間的角點匹配關系，最后將繼承最優(yōu)種群的思想引入到PSO優(yōu)化算法中搜索最優(yōu)變換參數(shù)，得到最終的配準圖像。通過對比試驗得出：提出的新算法較傳統(tǒng)算法具有配準精度高、配準速度快、配準穩(wěn)定性好的特點。

［1］陳寶林.最優(yōu)化理論與算法［M］.北京：清華大學出版社，1989.

［2］李勇明，高乙文，盧柳伊，等.混合角點檢測算法用于腦磁共振圖像配準［J］.中國醫(yī)學影像技術，2012（2）：47-50.

［3］Harris C，Stephens M.A combined corner and edge detector［J］.Proceedings of the 4th Alvey Vision Conference，1988：147-151.

［4］Smith SM，Brady JM.SUSAN-a new approach to low level image processing［J］.Intemational Journal of Computer Vision，1997，23（1）：45-78.

［5］梁楓，王平.基于角點特征的高精度圖像配準算法［J］.重慶理工大學學報，2010，24（2）：87-94.

［6］劉貴喜，劉冬梅，劉鳳鵬，周亞平.一種穩(wěn)健的特征點配準算法［J］.光學學報，2008，28（3）：454-461.

［7］高乙文.基于混合角點檢測的腦磁共振圖像配準［D］.重慶：重慶大學，2012.

Dynam ic Brain Magnetic Resonance Image Registration Based on Adopted PSO Algorithm

RUAN Ding-liang1，YANG Fan1，GAO Yi-wen2，XIEWei1，ZHANG Bo1
（1.Chongqing Jinmei Communication Co.，Ltd.，Chongqing 400030，China；2.China Mobile Communication Corporation Chongqing Branch，Chongqing 400044，China）

An algorithm，based on hybrid corner adopted PSO algorithm，is proposed in this paper to achieve dynamic image registration.Itextracts cornerswith amixed corner detection factor and introduces the idea of inheriting the best population to PSO algorithm，i.e.inheriting and changing the best population from current image registered，and then uses it to guide subsequent image registering.The experimental results show that the new method overcomes the disadvantage of long computing time when registering many images continuously caused by the parameter generated randomly by the traditional manner and improves the registration accuracy and stability.

Brain magnetic resonance image；Corner detection；PSO；Registration

10.3969／j.issn.1002-2279.2014.01.019

TP391.41

：A

：1002-2279（2014）01-0070-03

阮定良（1971-），男，重慶人，碩士，高級工程師，主研方向：數(shù)字信號處理，智能計算。

2013-06-19