基于多层P样条和稀疏编码的非刚性医学图像配准方法

针对传统相似性测度易受灰度偏移场的影响而造成误配,以及单层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,首先把待配准的两幅图像划分图像块,然后使用K-SVD算法训练图像块得到分析字典并寻找稀疏系数,采用多层P样条自由变换模型来模拟非刚性几何形变,结合梯度下降法优化目标函数。实验结果表明,与单层P样条几何变换和sparse-induced、rank-induced相似性测度相比,所提方法能够准确地选择网格密度,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。

基于P样条和局部互信息的非刚性医学图像配准

针对互信息仅考虑两幅图像相应像素的灰度信息以及B样条变换模型存在形变场奇异点的问题,提出一种基于P样条和局部互信息的非刚性医学图像配准方法。该方法以局部互信息为相似性测度,采用P样条变换模型模拟待配准图像的几何形变,使用三次插值算法对图像像素进行赋值,结合对大规模参数优化效率高的LBFGS算法优化配准参数。较传统的B样条变换模型和互信息,提出的方法除计算时间外,其他三项指标更优,均方误差下降了89.25%,归一化互信息提高了11.04%,相关系数提高了5.64%。实验结果表明,该方法有效地提高了配准的精度。

基于多通道稀疏编码的非刚性多模态医学图像配准

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,每个模态在一个单独的通道下运行;首先对待配准的两幅图像分别进行合成和正则化,然后划分通道和图像块,使用K奇异值分解(K-SVD)算法训练每个通道中的图像块得到分析字典和稀疏系数,并对每个通道进行加权求和,采用多层P样条自由变换模型来模拟非刚性几何形变,结合梯度下降法优化目标函数。实验结果表明,与局部互信息、多通道局部方差和残差复杂性(MCLVRC)、多通道稀疏诱导的相似性测度(MCSISM)、多通道Rank Induced相似性测度(MCRISM)多模态相似性测度相比,均方根误差分别下降了30.86%、22.24%、26.84%和16.49%。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。