基于遗传算法的互信息医学图像配准.docVIP

　　基于遗传算法的互信息医学图像配准 基于遗传算法的互信息医学图像配准 　1 图像配准的概念 　　 .L. 　　医学图像配准是医学图像处理的一项基本任务，它可以把来自不同模态或不同时间的多幅图像进行配准，然后为图像的进 　　一步后处理提供保证。如在医学图像融合中，是要把相对应的组织结构融合在一起，而待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，必须先进行配准变换，才能实现准确地融合。 　　医学图像配准就是寻求两幅图像问的几何变换关系，通过这一几何变换，使其中一幅医学图像(浮动图像A)与另外一幅医学图像(参考图像B)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。配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配(matching) 。 　　 　　2 图像配准的基本流程 　　 　　Broation)，仿射变化(affine transformation)，投影变化(projective transformation)。 　　(3)寻优:浮动图像经过空间变换后，通过定义一种相似性测度函数来度量它与参考图像的相似程度，并且通过不断地改变变换参数，使得相似性测度函数达到最优，即最终把问题转化为多参数多峰值离散最优化问题。在优化过程中，口前常用到的相似性测度有均方根距离、相关性、归一化互相关、梯度互相关、梯度差、模式灰度、图像差嫡、互信息、归一化互信息等。常用的优化算法有穷尽搜索法、最速梯度下降法、单纯形法、共扼梯度法、模拟褪火法、遗传算法、PO个体直接复制到下一代，对剩下的N-m个个体采用轮盘赌法进行选择。直接保存最优个体可以保证最优个体在下一代中出现，改善局部搜索能力，提高收敛速度。 　　（5）交叉。在生物的自然进化过程中，两个同源染色体通过交配而重组，形成新的染色体，从而产生出新的个体或物种。遗传算法中交配就是按较大的概率从群体中选择两个个体，交换两个个体的某个或某些位，从而形成新的个体。交叉运算产生子代，子代继承了父代的基本特征，在遗传算法中起着关键作用，是产生新个体的主要方法。本算法采用的交叉策略是对除开最优保存的那些个体的剩余个体，以概率pc（实验中采用0.8）进行交叉运算，子代个体child1为父代个体parent1与parent2的加权和： 　child1 = parent1 + rand * Ratio * (parent2 - parent1) 　　Parent的选择可用竞争法。 　　（6）变异。在生物的遗传和自然进化过程中，具细胞分裂复制环节有可能会因为某些偶然因素的影响而产生一些复制差错，这样会导致生物的某些基因发生某种变异，从刚产个出新的染色体，表现出新的生物性状。遗传算法模中的变异是以较小的概率对个体编码上的某个或某些位值进行改变，这样会扩大遗传算法的搜索空间。本算法采用的变异策略是对选择后的个体按照概率为0.2进行变异，如child = parent + a，其中a是Gaussian分布的随机数，u=0，s初始为1，后随着迭代次数增加按线性递减。 　　（7）子代迁移。每隔20代就用父代中适应度函数值最小的20%的个体代替子代中适应度函数值最大的20%的个体。 　　（8）停止条件。可以以超过运行时间或迭代代数；上一代与下一代的适应度函数的差值连续几代不变；达到适应度精度等方法进行算法停止。本文实验采用最大迭代代数限制。 　　 　　4 脑部MRI二维配准实验 　　 　　为了证实上述算法的在医学图像应用中的可行性，我们对二维的脑部MRI图像进行该算法的配准实验。 　　4.1 实验目的 　　在坚硬的颅骨保护之下大脑内部的组织基本不会发生变形，忽略脑干受心动和呼吸周期的影响，可近似为刚体配准。 　　配准图像如图1所示，图1（a）是浮动图像A，图1（b）是参考图像B，它是由浮动图像经过旋转、平移及水平、垂直移动得到的。实验的目的是通过两幅图像重叠区域的互信息函数的优化演算，得到最优的缩放因子、旋转角度、水平位移及垂直位移的参数，实验中的优化算法采用遗传算法。 　　图1 　　4.2 实验方法 　　实验的主要过程就是通过遗传算法的演化计算寻找刚体变换四个参数的最优值。 　　定义遗传算法的个体为[缩放因子 旋转角度 水平平移 竖直平移]，采用二进制编码。定义遗传算法适应度函数为两幅图像的互信息，当互信息最大时，图A与图B就完成了配准。遗传算法的遗传策略为3中的1）－8），其过程如图2所示。 　　4.3 实验结果 　　已知标准从图像A到图像B的[缩放因子 旋转角度 水平平移 竖直平移]的四个标准变换参