论文部分内容阅读
医学图像配准是计算机视觉和医学图像处理领域的重要组成部分,可帮助医生更有力的判断和治疗疾病,同时对医学图像重建和融合也有着重要的意义。但医学图像配准过程复杂,多数配准图像间存在无规则形变,且医学图像相对自然图像对比度低,含有噪声,灰度偏移场等,目前还存在着很多问题。因此,迫切需要探索新的鲁棒性较好,适用范围较广的配准算法。本文以Brainweb、哈佛大学医学院等标准库中的非刚性脑部医学图像为研究对象,根据图像所属成像设备分为单模态和多模态两类并进行研究,主要工作如下:(1)针对传统相似性测度易受灰度偏移场的影响而造成误配,单层P样条变换模型中通常无法准确选择初始化网格密度的问题,提出了多层P样条和稀疏编码的非刚性医学图像配准方法。该方法将稀疏编码作为相似性测度,多层P样条作为几何变换模型来模拟非刚性几何形变。所提方法能够准确选择网格密度并有效克服灰度偏移场对配准的影响,降低了均方根误差,提高了配准的精度和鲁棒性。(2)针对稀疏编码相似性测度在非刚性医学图像配准中对灰度偏移场具有较好的鲁棒性,但只适用于单模态医学图像配准的问题,提出了基于多通道稀疏编码的非刚性多模态医学图像配准方法。该方法将多模态配准问题视为一个多通道配准问题来解决,划分通道后的每个模态在一个单独的通道下运行,之后对每个通道进行加权求和。所提方法能够有效克服多模态医学图像配准中灰度偏移场对配准的影响,提高配准的精度和鲁棒性。(3)在所提两种配准方法的基础上,运用Matlab设计开发了整个非刚性医学图像配准系统,实现了单模态、多模态的非刚性医学图像配准和多模态医学图像融合的功能。