基于邊緣特征點互信息熵的醫(yī)學圖像配準方法*

魏本征　甘　潔　尹義龍

(1.山東中醫(yī)藥大學理工學院，濟南，250355；2.山東中醫(yī)藥大學計算醫(yī)學實驗室，濟南，250355；3.山東中醫(yī)藥大學第二附屬醫(yī)院放射科，濟南，250001；4.山東大學計算機科學與技術學院，濟南，250100)

引　　言

醫(yī)學圖像配準是醫(yī)學圖像處理領域中的一項重要技術，在醫(yī)學基礎研究和臨床診斷治療中起著越來越重要的作用。醫(yī)學圖像配準是使包含成像數(shù)據(jù)集中的信息最大化的一個重要步驟，其任務是對不同獲取時間、不同成像設備及不同獲取角度的數(shù)據(jù)進行空間上的匹配，通過匹配可以得到多源醫(yī)學圖像信息的空間對應關系。因此，醫(yī)學圖像配準算法的主要任務就是確定一個映射，使圖像集在空間上關聯(lián)，從而使這些圖像能夠在一個統(tǒng)一的坐標系上表示出來。

醫(yī)學圖像配準技術的基本框架主要包括特征空間、搜索空間、相似性測度和搜索策略4個方面。其中，作為圖像配準依據(jù)的圖像信息集合稱之為特征空間，其主要是指從兩幅待配準圖像(參考圖像和浮動圖像)中提取具有區(qū)別力的圖像信息特征，這對配準算法的運行速度和魯棒性等性能具有重要影響。配準用圖像特征通常應具有較高的普適性和穩(wěn)定性，較小的特征匹配計算量，以及特征提取簡單、快捷等特性。當前圖像配準方法一般分為兩種，一種是基于圖像特征的配準方法，其特征空間主要包括點、邊緣、曲線、曲面、形狀或是特征描述子，如輪廓矩、Zernike矩、小波描述符及方向鏈碼等。該類方法主要是利用如點、線段和面等圖像形狀共同特征構建配準目標函數(shù)，配準速度快，但特征提取困難且不穩(wěn)定，誤配準率較高。另一種是基于灰度的配準方法[1-2]，圖像的灰度值特征是其最主要的特征空間。此類配準方法主要是對圖像的灰度進行操作，算法思想簡單，且無需預處理，然而該配準過程計算量過大，易受到圖像噪聲和形狀變換的影響。在基于灰度的各種配準測度中，互信息熵配準方法具有魯棒性好、精度高等優(yōu)點，但其計算量大，而且當圖像受低采樣、噪聲、變形等因素影響時，該配準方法易出現(xiàn)誤匹配、魯棒性差等問題[3]。

在諸多改進圖像配準算法的研究中，將幾何特征與像素相似性方法相結合，實現(xiàn)兩者優(yōu)勢互補，從而設計出更加穩(wěn)定、性能更好的相似性配準測度，是一種有效和可行的研究思路。Rangarajan等人[4]提出了一種利用互信息匹配形狀特征點進行配準的策略。Pluim等人[1]通過提取圖像的梯度信息，并將其視為空間信息加入互信息中，獲得了較高的匹配精度?；鹪彽热薣5]提出一種基于輪廓特征點最大互信息的多源醫(yī)學圖像配準方法。盧振泰等人[6]則采用先整體后局部的剛性配準策略，提出一種基于等效子午面與互信息量的三維醫(yī)學圖像快速配準算法。趙海峰等人[7]提出一種基于特征點Rényi互信息的醫(yī)學圖像配準算法，該算法適于單模和多模醫(yī)學圖像配準，圖像配準速度較快，魯棒性較強。

借鑒上述研究方法，為進一步提高互信息熵類醫(yī)學圖像配準方法的效率和精度，基于醫(yī)學圖像局部特征信息，本文提出了一種基于邊緣特征點互信息熵的醫(yī)學圖像配準方法(Feature point based mutual information method，F(xiàn)PMI)。

1　邊緣特征點互信息熵配準方法

為達到提高醫(yī)學圖像配準質量和配準速度，降低圖像噪聲對圖像配準影響的目的，基于圖像輪廓、邊緣特征點和互信息熵等圖像局部信息，所提出的FPMI算法主要包括：計算圖像熵及互信息量，提取待配準圖像邊緣，構建邊緣特征點互信息能量函數(shù)，以及選取配準優(yōu)化策略等。

1.1　計算圖像熵及互信息量

熵表達的是一個系統(tǒng)的復雜性或者是不確定性。對于一幅圖像I來說，它含有信息量的多少可以用熵表示為

H(I)=-∑pxlog2px

(1)

式中px表示醫(yī)學圖像中圖像灰度強度值為I(x)的像素點在所在圖像中的出現(xiàn)頻率，即相關統(tǒng)計概率。

圖像互信息量是指兩幅圖像中的共有信息量，當兩幅圖像實現(xiàn)了正確匹配的時候，它們相關的互信息量最大。所以，在選擇醫(yī)學圖像配準用的相似性測度函數(shù)時，可以選取用兩幅圖像的互信息熵作為它們圖像配準的依據(jù)[8]。

在表示兩幅醫(yī)學圖像X和Y的互信息熵MI(X,Y)時，可選用聯(lián)合信息熵的形式,即

MI(X,Y)=H(X)+H(Y)-H(X,Y)

(2)

由Dobrushin公式[9]可推導得互信息熵的計算公式為

(3)

式中邊緣概率分布計算公式pX(x)和pY(y)描述了兩幅待配準圖像X和Y的邊緣概率分布情況。另外，待配準圖像X和Y的聯(lián)合概率分布是pXY(x,y)，直接計算比較困難，可借助于兩幅圖像的聯(lián)合直方圖h(x,y)進行計算。h(x,y)表示兩幅圖像重疊部分圖像的灰度值為(x,y)的像素對總數(shù)，其中x，y分別表示兩圖中灰度等級，(x,y)表示兩圖中同一個位置的像素值，如果浮動圖像溢出邊界，則兩幅圖像中不重合的部分不參加計算，或是用圖像背景灰度填充因浮動圖像幾何變換而出現(xiàn)的空白區(qū)域。設兩幅圖像的重疊部分像素點為(i,j) (i= 0,1,2,…，M-1;j= 0,1,2,…，N-1)，其聯(lián)合直方圖可以表示為[10]

(4)

pY(y)可以近似為兩幅圖像重疊部分像素對的數(shù)量(圖像X中第x灰度級和圖像Y中第y灰度級構成的像素對)與總的像素對數(shù)(所有的灰度的像素對數(shù))之比。利用聯(lián)合直方圖，兩幅圖像的聯(lián)合概率分布為

(5)

邊緣概率分布pX(x)和pY(y)也可以通過聯(lián)合概率密度求得

(6)

(7)

通過上述公式的推導和計算，不難發(fā)現(xiàn)對于互信息熵的計算，可以轉化成為對兩幅圖像的聯(lián)合概率分布和邊緣概率分布的計算。

假設兩幅待配準圖像X(i,j)和Y(i,j)的灰度級數(shù)都是256，尺寸大小為M×N，其中(i,j)是兩幅圖像重疊部分像素點的坐標，兩幅圖像中未重疊的部分與計算無關。則計算兩幅圖像互信息熵MI(X,Y)的算法如下。

算法1圖像互信息熵的計算算法

(1) 確定參考圖像、浮動圖像的坐標；初始化聯(lián)合直方圖hXY(x,y)數(shù)據(jù)，并令hXY(x,y)=0；

(2) 對于兩幅圖像的重疊區(qū)域上的每一點對(i,j)，(i= 0, 1,2,…,M-1;j= 0,1,2,…，N-1),計算hXY(X(i,j),Y(i,j))=hXY(A(i,j),B(i,j))+1；

(5) 利用式(3)，可求得兩幅圖像的互信息熵。

1.2　圖像邊緣特征提取

為得到一個更加準確的醫(yī)學圖像輪廓，有必要消除圖像噪聲的干擾，從而得到盡可能完整的圖像邊緣輪廓。相比傳統(tǒng)的邊緣檢測方法，Matherom和Serra根據(jù)幾何代數(shù)及拓撲論提出的數(shù)學形態(tài)學具有更好的抑制噪聲效果[11]。形態(tài)學梯度算子可表示為

Grad(f)=(f⊕g)-(f?g)

(8)

式中：f(x,y)為原始圖像，g(x,y)為結構元素，⊕表示膨脹運算，?表示腐蝕運算。顯而易見，形態(tài)學梯度算子能加劇輸入圖像的灰度級階躍變。

為使得提取的醫(yī)學圖像邊緣曲線更平滑，同時保證邊緣特征的完整性和細節(jié)豐富性，借鑒廣義形態(tài)濾波器原理，設計邊緣檢測算子[12]和形態(tài)學梯度濾波算子[13]，如式(9,10)所示。

IGrad(f)=(f°g)⊕g-(f·g)?g

(9)

FGrad(f)=c1IGrad1(f)+c2IGrad2(f)

(10)

式中：c1和c2的權系數(shù)大小采用最小均方自適應方法確定；IGrad1()和IGrad2()為分別與3×3的十字形和交叉形結構元素相對應的邊緣檢測算子。

1.3　邊緣特征點互信息能量函數(shù)

由于待配準的醫(yī)學圖像幾乎都基于共同解剖結構信息，因此在盡量不減少配準圖像特征信息的前提下，為減少互信息熵的計算量，提高配準效率，基于互信息的配準策略可采用相同特征點集的互信息熵來取代整幅醫(yī)學圖像的互信息熵作為配準目標函數(shù)[5]。

假設從兩幅待配準醫(yī)學圖像中分別提取出的形狀特征點的集合為X={Xi,i=1,2,…,N1}和Y={Yi,i=1,2,…,N2},其中Xi和Yi是點在二維平面中的坐標位置。則基于變換參數(shù)T，X和Y的距離測度可表示為

(11)

式中:N=min{N1,N2}，參照K-means 聚類算法[14]，選取參數(shù)q=3.5。根據(jù)互信息的定義，可得點集的互信息熵

(12)

式中：Pij為兩幅圖像邊緣特征點Xi和Yj的聯(lián)合概率，即同時從X中選取Xi和從Y中選取Yj的聯(lián)合概率，Pij=P{I=i,i∈(1,2,…,N1),J=j,j∈(1,2,…,N2)}。由式(12)可知，當兩幅圖像配準時，對應匹配點的空間位置一致，如果有N個Xi和Yj是對應匹配點，N的取值應為最大，此時圖像間的相關性最大，互信息量也取得最大值。因此實際計算時，可采用如下經驗計算公式[4]為

Pij(T)=exp(-αDij(T)-λ)

(13)

式中：α和λ是兩個拉格朗日常數(shù)，作為輔助參數(shù)分別用于約束點匹配相似測度和概率總值。特征點互信息能量函數(shù)可表示為

(14)

(15)

上述能量函數(shù)設計過程中，K-means聚類算法被用于提取醫(yī)學圖像特征點集，基于邊緣點特征點集X和Y，選取聚類中心K=200，即選取200個點。之后，需找到一個最優(yōu)的配準參數(shù)，使得EMI最小。

1.4　配準優(yōu)化策略

在具體應用過程中，因為參考圖像或浮動圖像的灰度特征信息以及圖像含有噪聲的干擾，互信息測度函數(shù)在配準過程中存在大量局部極值點。文獻[10]已經對配準過程中局部極值的產生原因和可能采取的克服辦法進行了專門的研究，對此本文不再進行討論。在多維空間，因為大量極值點的存在使得參數(shù)優(yōu)化成為一個難題。從計算的角度看，在確定了圖像配準目標函數(shù)和特征點集之后，圖像配準就變?yōu)榱艘粋€配準參數(shù)尋優(yōu)的過程。相應算法即是基于某種搜索策略和圖像變換方法，在搜索空間中找最優(yōu)解，求解目標函數(shù)EMI最小值的過程。最優(yōu)解的求解過程就是求參考圖像和浮動圖像之間變換模型參數(shù)的過程[15]。一般來說，相似性測度的計算比較復雜，并且會產生大量數(shù)據(jù)，所以常采用最優(yōu)化求解法來減少運算量，加快配準速度。在實際求解過程中，幾乎每一種配準過程都需要最優(yōu)化算法，用來搜索使目標函數(shù)取得最小值(或使用相似性測度取得最大值)的最優(yōu)變換。對一個特定的配準算法，配準過程可表示為

(16)

式中：T為配準變換，XR為參考圖像，XF為浮動圖像，f為需要找到最小值的目標函數(shù)。

圖像配準參數(shù)的優(yōu)化主要有兩個要求：全局尋優(yōu)和快的優(yōu)化速度。目前常用的優(yōu)化方法主要有：梯度下降法、Powell算法和下降單純形法，以及模擬退火算法、遺傳算法和粒子群優(yōu)化算法等。其中前3種算法的優(yōu)點是收斂速度快、計算量小，缺點是易收斂到局部最優(yōu)；后3種算法的優(yōu)點是全局尋優(yōu)能力強，缺點是收斂速度慢、計算量大[16]。

本文選用梯度下降法作為配準測度函數(shù)的優(yōu)化策略，其優(yōu)化算法求解過程和執(zhí)行步驟如下。

基于梯度的最優(yōu)化方法通常用來確定搜索方向，在該方向目標函數(shù)的值局部遞減。設x為n維向量x=[x1,x2,…,xn]T，目標函數(shù)f(x)的梯度向量能夠表示為

(17)

其二階偏導數(shù)能夠用一個Hessian矩陣表示

(18)

函數(shù)f(x)以xk的泰勒展開近似表示為

f(xk+x)≈f(xk)+(

(19)

算法2基于梯度的最優(yōu)化算法

(1) 初始化。設置迭代器k=0，并初始化向量x，計算f(xk)。

(2) 驗證收斂標準。如果滿足了收斂標準，則停止最優(yōu)化過程，得到解xk。

(3) 計算搜索方向。計算搜索方向向量Pk。

(4) 計算步長lk。確定滿足f(xk+lkPk)

(5) 更新變量。令xk+1=xk+lkPk，計算f(xk+1)，令k=k+1，返回步驟(2)。

搜索方向Pk的計算和步長lk的尋找是基于梯度優(yōu)化算法的兩個主要問題，用不同的方法計算搜索方向就產生了各種不同的基于梯度的方法。

2　圖像配準過程

Rangarajan算法[4]在定義了基于最大互信息熵后，又以其為基礎，通過引入輔助變量作代數(shù)變換定義了一個能量函數(shù)EMI。兩幅圖像配準時分別作為參考圖像和浮動圖像。通過對配準圖像的空間變換，使得兩幅圖像的像素點盡可能對應匹配，此時兩幅圖像的互信息達到最大值，且EMI取得最小值。在計算過程中，一般選取邊緣輪廓清晰、圖像特征提取穩(wěn)定的圖像作為參考圖像，另一幅作為浮動圖像。

結合兩幅圖像邊緣特征點互信息熵的計算方法，采用梯度下降法作為圖像配準優(yōu)化算法。算法流程如下。

算法3FPMI圖像配準算法

(1) 用形態(tài)學梯度濾波算法獲取兩幅圖像輪廓，并采用K-means聚類算法提取圖像邊緣特征點,得到形狀特征點集X和Y，X為參考圖像點集,Y為浮動圖像點集；

(2) 初始化，Ρij=(N1N2)-1,α=αmin，λ=λ0，κ=κmin，T=0；

(3) 確定算法的搜索空間，ΔT=(Δx,Δy,Δθ)，Δα，Δκ；

(4) 初始化由ΔT，Δα和Δκ構成梯度優(yōu)化算法的5維向量x;

(5) 計算待配準圖像的梯度損失函數(shù)值(兩幅圖像的EMI)；

(6) 根據(jù)式(15,19)更新x；

(7) 迭代結束條件通常為全局最優(yōu)解小于最小允許誤差,或達到一個預設最大代數(shù)Gmax，如未達到該結束條件則返回步驟(5)；

(8) 達到迭代結束條件，配準完成。

3　實驗結果與分析

本文將FPMI算法與基于最大互信息熵等算法在配準精度、運行時間等算法性能方面進行比較。用Matlab 7.0在PC機上(P4 2.8 GHz CPU,1 GB內存)分別對多源醫(yī)學圖像進行配準實驗。利用直方圖估計概率密度分布時采用64位灰度級。配準成功率設定為配準成功的次數(shù)與實驗總數(shù)的比值，且每套數(shù)據(jù)獨立進行100次實驗。利用形態(tài)學梯度濾波算法提取邊緣時采用的結構元素為{0 1 0; 1 1 1;0 1 0}T和{1 0 1;0 -1 0; 1 0 1}T。優(yōu)化算法均采用梯度下降法，最大迭代步數(shù)200次，算法初始化的搜索空間為：x方向的搜索范圍x∈[-20, 20]，y方向的搜索空間y∈[-20, 20]，旋轉的搜索空間角度θ∈[-15°,15°]。

3.1　模擬配準測試實驗

3.1.1人工合成圖像配準實驗

為檢驗配準算法的正確性，本文采用人工合成圖像及其變換圖像作為配準實驗的參考和浮動圖像，對所提FPMI算法做正確性驗證配準實驗。待配準圖像如圖1所示,圖1(a)為參考圖像，圖1(b)為浮動圖像，兩幅圖像中白色矩形區(qū)域有一定的旋轉角度和平移量偏差。其變換參數(shù)(Δx,Δy,Δθ)為(40,20,20°)。

實際計算過程中，配準成功的標準設定為：如果計算出的變換參數(shù)(Δx,Δy,Δθ)和平移量與真實值相差1個像素，且旋轉角度偏差值在1°范圍內，即認為配準成功。100次算法驗證實驗，成功率為100%。配準結果如表1所示，F(xiàn)PMI算法平移配準精度在0.2像素以內，旋轉角度精度在0.1°以內。實驗結果表明了FPMI算法的正確性。

圖1　人造合成配準測試實驗圖像Fig.1　Synthetic images for registration test

指標Δx/像素Δy/像素Δθ/(°)設定變換值402020FPMI配準值39．8220．1519．88配準誤差均值0．180．150．12配準參數(shù)標準差0．070．060．06

3.1.2CT-MRI配準實驗

為檢驗FPMI算法的有效性，本文對CT-MRI圖像進行模擬配準對比實驗，結果如圖2所示，圖2(a)為CT圖像，作為參考圖像，圖2(b)為MRI圖像，作為浮動圖像。每幅圖像的大小為512像素×512像素，圖像取自BIS醫(yī)學圖像庫 (http://nova.nlm.nih.gov/Mayo)。在實驗中，圖像配準分別采用最大互信息熵算法(MI算法)、具有代表性的特征互信息量配準算法(Rangarajan算法[4])以及本文的FPMI算法。各算法均獨立運行100次，實驗結果如圖2(c,d)及表2，3所示。其中，圖2(c)為FPMI算法求解的MRI變換后圖像，圖2(d)為配準后的融合圖像；表2是算法模擬配準變換參數(shù)(Δx,Δy,Δθ)的均值統(tǒng)計表；表3是3種算法的配準指標統(tǒng)計表，包括4個指標：平均互信息量、互信息量標準差δ、單次平均計算時間和配準成功率。

從實驗結果可以看出，對模擬CT、MRI圖像進行配準時，F(xiàn)PMI的平均配準偏差較小，配準參數(shù)(Δx,Δy,Δθ)的精度高于另外兩種方法；FPMI算法的平均配準互信息量略高于MI算法的平均互信息量，這在一定程度上保證了算法配準的準確度。MI算法成功率略低，為98%；Rangarajan算法和FPMI兩種算法成功率均可以達到100%，但FPMI算法運算速度快，其運算速度約為Rangarajan算法的1.5倍，MI算法的2.4倍。因此，F(xiàn)PMI算法的綜合性能優(yōu)于另外兩種算法。

圖2　腦部MRI-CT圖像模擬配準示意圖Fig.2　Simulation registration of brain MRI and CT image

算　法Δx/像素Δy/像素Δθ/(°)MI算法11．2729．288．14FPMI算法11．2029．178．31Rangarajan算法11．1429．158．47

表3　CT-MRI模擬配準各算法指標統(tǒng)計表

3.2　測度函數(shù)曲線銳度測試實驗

為對FPMI配準測度函數(shù)進行性能測試，本文選取MRI腦圖像進行實驗。實驗所用的兩幅MRI腦圖像取自BrainWeb(http://www.bic.mni.mcgill.ca/brainweb/.)，分別是大小為181×217×181的T1加權和PD加權的腦部MRI圖像，其體素大小為1.0 mm3。圖3為測試實驗圖像及邊緣特征點集示意圖。如圖3(a)所示，將MRI-T1圖像沿水平方向上平移一定像素后與MRI-PD圖像(圖3(c))之間計算測度值，觀察峰值的變化，像素平移的范圍是[-10,10]，負號表示向左平移，正號表示向右平移；同樣將MRI-T1圖像繞中心旋轉一定的角度后與MRI-PD圖像計算測度值，再觀察峰值的變化，角度旋轉的范圍是[-100°,100°]，負號表示順時針旋轉，正號表示逆時針旋轉。圖3(b,d)分別為圖3(a,c)的圖像邊緣特征點集示意圖。

本文選用的配準測度函數(shù)是互信息量和FPMI的邊緣特征點互信息量，結果如圖4所示。圖4(a,b)分別表示兩測度函數(shù)值隨圖像在水平方向平移像素和角度旋轉時的變化曲線，其中，橫軸分別表示水平方向像素的平移量和旋轉角度，縱軸均表示測度函數(shù)值。從圖4可得，兩圖像在水平平移為0像素及旋轉角度為0°時測量函數(shù)均有最大值，F(xiàn)PMI的配準方法中測度函數(shù)的曲線峰值比MI更加尖銳，更有利于最優(yōu)變換參數(shù)的選取。

圖3　測試實驗圖像及邊緣特征點集示意圖Fig.3　Test images and the edge feature point set

圖4　配準測度函數(shù)變化示意圖Fig.4　The comparison chart of registration measure function

3.3　多模醫(yī)學圖像配準實驗

為了檢驗FPMI新算法在多模圖像配準上的配準精度，本文選取兩組同一病人的腦部圖像進行配準實驗，如圖5所示。每幅圖像的大小均為256×256，并且選取MRI圖像(圖5(a，c))作為參考圖像，CT(圖5(b))和SPECT(圖5(d))分別作為浮動圖像，將本文算法與MI算法和Rangarajan算法進行了對比，3種算法獨立測試50次。表4給出了MRI-CT和MRI-SPECT 的兩組圖像的配準結果。

在MRI-CT的配準過程中，F(xiàn)PMI算法和Rangarajan算法均出現(xiàn)一次誤配，成功率達到了98%，而MI的成功率是94%；在運算效率方面，F(xiàn)PMI的運算效率約是MI算法的3.5倍，是Rangarajan算法的1.8倍。

圖5　多模醫(yī)學配準圖像Fig.5　Multi-modal medical image registration

在MRI-SPECT的配準實驗中，3種算法均出現(xiàn)了不同程度的誤配準現(xiàn)象，F(xiàn)PMI算法成功率達到了90%，而MI算法只取得了72%的成功率。這是由于SPECT圖像灰度分布較為模糊，且其形狀輪廓與MRI圖像差別較大，因此導致了分別基于灰度、輪廓及邊緣特征點的3種配準算法的準確率出現(xiàn)下降。在運算效率方面，F(xiàn)PMI的運算時間達到了1 027 s，其效率約為MI的2.3倍，Rangarajan算法的1.9倍。與CT-MRI配準實驗相比，在組織結構更為復雜的醫(yī)學圖像配準中MI和Rangarajan算法的運算效率降低幅度更大，誤配率更高。

因此，對比實驗結果可知，相對于另外兩種算法，F(xiàn)PMI算法在配準精度和運算效率上具有較為明顯的優(yōu)勢。且將其應用于邊緣輪廓更為清晰的醫(yī)學圖像配準時，其算法的性能優(yōu)勢會發(fā)揮得更好。

從上述實驗可以看出，與MI算法及Rangarajan算法相比較，F(xiàn)PMI算法在配準精度和運算效率上都有一定優(yōu)勢。實驗結果還表明， FPMI算法中采用MGZ算法提取圖像輪廓特征較為穩(wěn)定和準確， 所以此方法對于圖像輪廓相對清晰的醫(yī)學圖像是一種較理想的配準方法，但該方法對數(shù)據(jù)的缺失及圖像輪廓的形狀變異較為敏感。此外，相對于同類算法，在配準過程中本算法無需執(zhí)行粗配準和精配準兩個過程，因此算法的配準過程簡單、實用性更強。

表4　兩組多模醫(yī)學圖像配準結果統(tǒng)計表

4　結束語

基于互信息熵配準測度函數(shù)，本文設計了一種基于多特征信息融合的邊緣特征點互信息配準測度，并利用梯度下降法優(yōu)化配準過程。所提出的FPMI算法能反映醫(yī)學圖像的空間形狀特征，可大幅減少互信息的計算量，大大縮短配準時間，并可有效克服局部極值問題。此外，本文還研究用梯度下降法進行醫(yī)學圖像配準的參數(shù)尋優(yōu)，以進一步提高配準的效率和準確度。研究結果表明，該方法能夠準確、快速地處理剛性配準問題，在多源醫(yī)學圖像的配準中具有一定的先進性，是一種穩(wěn)健的自動配準方法，可用于臨床研究，具有較高的實用價值。但是，本文算法并不能適用于所有各類醫(yī)學圖像，因此下一步工作將針對不同醫(yī)學圖像的配準需求研究更具有針對性的配準測度算法。

參考文獻:

[1]Pluim J P W,Antoine M J B,Viergever M A. Image registration by maximization of combined mutual information and gradient information[J]. IEEE Transactions on Medical Imaging, 2002,19(8): 809-814.

[2]陳慶芳, 吳小俊. 基于分塊互信息和量子粒子群算法的圖像配準[J]. 數(shù)據(jù)采集與處理, 2011, 26(4):473-477.

Chen Qingfang, Wu Xiaojun. Image registration based on block mutual information and quantum-behaved particle swarm optimization[J]. Journal of Data Acquisition & Processing, 2011, 26(4)：474-477.

[3]何彥杰, 周焰, 劉超,等. 結合PCM和MIE的多模態(tài)圖像配準方法[J]. 空軍預警學院學報, 2010, 24(5):372-375.

He Yanjie, Zhou Yan, Liu Chao, et al．Method of multimode image registration based on PCM and MIE[J]. Journal of Air Force Radar Academy, 2010, 24(5)：372-375.

[4]Rangarajan A,Chui H,Duncan J S.Rigid point feature registation using mutual information[J].Med Image Anal,1999,3(4):425-440.

[5]火元蓮，齊永鋒，宋海聲.基于輪廓特征點最大互信息的多源醫(yī)學圖像配準[J]. 激光與紅外, 2008,38(1):96-98.

Huo Yuanlian，Qi Yongfeng，Song Haisheng．Multi-modality medical image registration based on mutual information of feature points[J]. Laser & Infrared, 2008, 38(1)：96-98.

[6]盧振泰，馮衍秋，馮前進，等. 基于等效子午面與互信息量的醫(yī)學圖像配準[J].計算機學報, 2009,32(8):1611-1617.

Lu Zhentai, Feng Yanqiu, Feng Qianjin, et al. Medical image registration using equivalent meridian plane and mutual information[J]. Journal of Computer, 2009, 32(8)：1611-1617.

[7]趙海峰，陸明，卜令斌，等. 基于特征點Rényi互信息的醫(yī)學圖像配準[J].計算機學報, 2015,38(6):1212-1220.

Zhao Haifeng, Lu Ming, Bu Lingbin, et al. Medical image registration based on feature points and Rényi mutual information[J]. Chinese Journal of Computers, 2015, 38(6)：1212-1221.

[8]Penney G P, Weese J, Little J A, et al. A comparison of similarity measures for use in 2D-3D medical image registration[J]. IEEE Trans Med Imag, 1999, 17(4):586-595.

[9]Wells W M,Viola P, Atsumi H, et al. Multi-modal volume registration by maximization of mutual information[J].Med Image Anal,1996,1(1)：35-51.

[10] Maes F, Collignon A, Vandermeulen D, et al. Multimodality image registration by maximization of mutual information[J]. IEEE Trans Med Imag, 1997, 16(2): 187-198.

[11] Serra J. Image analysis and mathematical morphology[M]. New York, NY, USA: Academic Press, 1982:1-610.

[12] 魏本征,趙志敏,宋一中.基于IPSO和綜合信息的醫(yī)學圖像配準新方法[J].光電子·激光,2009, 20(9) : 1271-1274.

Wei Benzheng, Zhao Zhimin, Song Yizhong. A novel algorithm for multimodality medical image registration based on IPSO algorithm and hybrid information[J]. Journal of Optoelectronics Laser , 2009, 20(9): 1271-1274 .

[13] 魏本征，趙志敏，華晉.基于形態(tài)學梯度和Zernike矩的亞像素邊緣檢測方法[J].儀器儀表學報，2010，31(4):838-844.

Wei Benzheng, Zhao Zhimin, Hua Jin. Sub-pixel edge detection method based on improved morphological gradient and Zernike moment[J]. Chinese Journal of Scientific Instrument, 2010, 31(4): 838 - 844 .

[14] Hamerly G, Elkan C. Alternatives to the k-means algorithm that find better clusterings[C]∥Proc of the ACM Conference on Information and Knowledge Management, CIKM-2002．[S.l.]:CIKM, 2002:600-607.

[15] 王偉.醫(yī)學圖像非剛性配準算法研究[D].大連：大連理工大學，2012.

Wang Wei. Research on non-rigid registration algorithm of medical images[D]. Dalian： Dalian University of Technology, 2012.

[16] 龔曉彥.基于互信息的醫(yī)學圖像配準算法研究[D].秦皇島：燕山大學，2010.

Gong Xiaoyan. Research on medical image registration based on mutual information[D]. Qihuangdao: Yanshan University, 2010.