多模态医学影像配准与融合技术的研究(葛雯).ppt

多模态医学影像配准与融合技术的研究 导师：高立群 教授 学生：葛 雯 由于医学图像仪器的成像机理的不同，使得不同模 态的医学图像反映人体信息不同，从单一源图像是 无法对病人进行全面诊断。图像配准和融合能将多 模态的图像信息进行互补，融合成一幅新的影像。 目前医学图像融合技术还处于起步阶段，故本文针 对多模态医学图像的融合方法及配准算法方面展开 研究。 医学图像配准的定义：是寻求两幅图像间的几何变换关系，通过这一几何变换，使两幅医学图像上的对应点达到空间上的一致，这种一致是指人体上的同一解剖点在两张匹配图像上具有相同的空间位置。 最大互信息配准方法的基本思想 在多模医学图像配准中，基于两幅图像中的相同目标在空间上对齐时相关性最强，对应像素灰度的互信息达到最大，从而可以根据最大互信息的位置找到最佳配准。 缺点：由于互信息函数不是分布良好的凸函数，从而导致误配准，同时计算量较大，耗时较长。 仿真实验 小波变换具有良好的时频局域化特性及多尺度分析 能力,非常适合于图像处理。基于小波变换的影像 融合算法被广泛应用于图像融合处理中，其性能优 于传统的图像融合方法。 （一）基于可分离小波变换的图像融合算法 具体步骤： 对待融合的医学源图像分别进行小波变换分解； 对于尺度系数，使用下式合并医学源图像对应的尺度系数； 对于小波系数，首先使用下式确定医学源图像高频分量的边缘点和非边缘点，保护边缘点对应的小波系数； 对非边缘点用式(3.5)进行小波系数融合。然后用式(3.6)获得融合图像的小波系数。 将融合图像的小波系数和尺度系数进行小波逆变换，即可得到重构后的医学融合图像。 （二）基于不可分离小波变换的图像融合算法 低频分量的融合规则 高频分量的融合规则 亮度信息 细节信息 基于区域模糊熵和区域亮度细节占优的融合算法设计 (3)累计网络每次迭代运行的输出: (4) 重复步骤(2)和(3)直到，此时网络迭代运行停止； (5) 根据下式选择融合图像的小波系数: (4.2) (4.3) (6) 为了避免出现某一区域与其相邻的区域分别 来源于不同输入源图像的情况，这里采用一致性 检测校验步骤(5)得到的结果。即如果神经网络 判定某一区域来自于图像CT而它周围的区域来 自图像MRI，则将这个区域用图像MRI中的对应 区域像素替换。 (7) 最后小波提升逆变换，获得最终的融合图 像。 仿真实验 (a) CT图像 (b) MRI图像 (c)梯度金字塔融合算法 (d)基于区域融合算法 (e) PCNN (f)所提算法 (a) CT图像 (b) MRI图像 (c)梯度金字塔 (d)基于区域融合 融合算法 算法 (g) 所提算法 (e)模糊集和小波 (f) PCNN 变换融合算法 CT1/MRI1实验结果的质量评价 0.6081 8.6389 31.3324 5.9013 梯度金字塔融合 算法 0.6587 10.2378 34.5672 5.2548 PCNN 0.8452 0.8423 相关系数 18.5678 18.2578 平均梯度 45.1435 44.9489 标准差 2.3487 2.9456 平均交叉熵 所提方法 基于区域融合 算法 0.4862 20.8675 30.1674 9.4576 基于区域融合算法 0.4387 18.9745 29.2645 9.8376 梯度金字塔融合算法 0.6182 25.6354 34.7684 5.1473 PCNN 0.7646 0.6071 相关系数 29.3526 24.9873 平均梯度 39.5867 33.9807 标准差 3.8271 5.5925 平均交叉熵 所提方法 模糊集和小波变换融合算法 CT2/MRI2实验结果的质量评价 基于像素级的医学图像融合可以使融合后的图像 包含更全面、更精确的信息，但是所要处理的图 像数据量大，故融合速度慢，同时对配准精度的 要求非常高。基于