Registration Method for CT-MR Image Based on Mutual Information

Medical image registration is important in many medical applications. Registration method based on maximization of mutual information of voxel intensities is one of the most popular methods for 3-D multi-modality medical image registration. Generally, the optimization process is easily trapped in local maximum, resulting in wrong registration results. In order to find the correct optimum, a new multi-resolution approach for brain image registration based on normalized mutual information is proposed. In this method, to eliminate the effect of local optima, multi-scale wavelet transformation is adopted to extract the image edge features. Then the feature images are registered, and the result at this level is taken as the initial estimate for the registration of the original images. Three-dimensional volumes are used to test the algorithm. Experimental results show that the registration strategy proposed is a robust and efficient method which can reach sub-voxel accuracy and improve the optimization speed.

Robust Image Registration Based on Mutual Information Measure

A new implementation of the image registration algorithm based on the mutual information is presented for the case of medical images. The registration is achieved if the maximum of the mutual information is attained. In this maximization process optimal values of five parameters of an affine transformation are searched.

基于自由变形法的多模态医学图像的配准与融合

本研究提出了一种自动识别颈部PET-CT图像特征点的算法,它应用自由变形(FFD)方法以CT图像的特征点为参考使PET图像产生变形,再结合最大互信息法对颈部PET与CT图像进行非刚体配准,最后用改进的小波图像融合法把两者进行融合得出视觉效果比较理想的融合图像。经实际计算得出的变形PET图像与对应CT图像的互信息量大于原始PET图像,并且最后用改进的小波图像融合法得出的融合图像的信息量比一般小波融合大,由此证明本研究所用方法是有效的。

基于互信息的分层遥感图像配准方法

该文提出了一种基于互信息相似性判据的分层遥感图像配准方法,通过小波变换构造图像金字塔,从金字塔的最顶层开始搜索,根据互信息最大的原则确定图像间的变换参数,并作为下一层搜索的粗略位置,然后逐层细化,实现由粗到细的搜索过程。将此算法应用于遥感图像,得到了有效、精确的配准结果。从而证明了该文算法的可行性和有效性。

基于小波变换和互信息的医学图像配准

为提高医学图像配准效果,提出了一种基于小波变换和互信息的配准方法。该方法首先通过小波变换将图像分层,并用小波分解的近似分量从最顶层开始搜索,同时以添加边界约束条件的下降单纯形法为搜索策略,而以搜索结果作为下一层搜索的粗略位置;然后逐层细化,以实现由粗到细的搜索过程;同时,针对不同的分解层采用不同的配准方法,即下层引入结合空间信息的区域互信息(RMI)为相似性测度,而上层采用PV插值法,以避免陷入局部极值。最后将此法应用于加噪MR图像单模配准、PET图像单模配准和MR-PET图像多模配准的。实验结果表明,该方法可以得到精确、有效的配准结果。与传统方法相比,该方法不仅配准精度高、抗噪性能好,而且计算效率高。

基于互信息的红外与可见光图像快速配准

针对灰度和图像特征存在较大差异的可见光和红外图像配准,给出了一种基于归一化互信息与小波变换相结合的快速图像配准算法。实验表明,该算法加快了配准过程,较利用原图像配准速度提高了约一个数量级,且配准结果具有较高的准确性和稳定性。可见该算法适用于多光谱图像配准。

基于边缘和互信息的红外与可见光图像配准

采用一种结合边缘特征和互信息的图像配准方法,对红外与可见光图像进行配准。首先,用小波变换提取图像边缘,然后计算两幅边缘图像在不同条件(平移、旋转)下的归一化互信息,取归一化互信息最大时对应的配准参数为所需配准参数,再确定刚性仿射变换模型的参数,最后经过缩放、平移和旋转得到最终配准图像。

基于小波变换和混合遗传算法的医学图像配准

为了解决灰度图像配准中由于目标函数容易陷入局部极值而造成的误匹配问题,使参数随图像的NMI计算和多分辨率级数进行自适应调整,采用基于小波变换多分辨率策略,形成多尺度匹配模型,并将粒子群算法(PSO)作为添加算子,提出了以图像归一化互信息(NMI)作为相似性测度的混合遗传算法,对CT与MRI图像进行了配准。实验结果表明,该方法能够解决遗传算法早熟收敛问题,有效地克服信息函数的局部极值,实现图像的自动配准,具有匹配精确、鲁棒性好及效率高等优点。

基于霍特林变换的三维医学图像快速配准算法

提出了一种新的基于霍特林变换的三维医学图像快速配准算法,这是将数据压缩技术用于图像配准的一种创新性尝试。传统的基于灰度的方法需要考虑整个三维数据的灰度信息,计算复杂度大,无法满足临床需要。论文将Otus算法与互信息量技术相结合提出了一种新的图像分割算法,用于提取待配准物体,从而得到物体的向量表示;然后通过霍特林变换的平移和旋转性质完成配准。实验结果表明此方法能准确,快速地处理图像刚性配准问题,特别适用于三维医学图像的配准。

基于PSO和互信息的小波医学图像配准及融合

针对医学图像配准问题,首先给出图像互信息的定义及详细的计算方法,并将其与粒子群优化算法相结合,作为粒子群优化算法的适应度计算函数,实现基于粒子群优化和互信息的多模医学图像配准。并将基于提升格式的二代小波应用于参考图像和配准后的浮动图像,实现二者的多尺度图像融合,从而构建基于粒子群优化和互信息的小波医学图像配准及融合系统。实验表明该系统可以快速、精确且不需要人工干预地实现两幅图像的配准和融合。

医学图像配准常用方法与分类

图像配准是当前医学图像领域的研究热点,具有重要的临床诊断和治疗价值。简述了图像配准的基本原理,对当前常用的医学图像配准方法进行了分类,详细分析了基于互信息、傅里叶变换和小波变换三种医学图像配准的算法实现、优缺点及典型应用。

基于互信息和小波分解的混合优化医学图像配准

提出一种新的基于互信息和小波分析的混合优化配准算法,在最低分辨率下用模拟退火算法进行全局优化,在高分辨率下采用Powell算法进行优化.结果显示:该方法用于医学图像配准,并与已有的传统方法进行分析比较,具有良好的全局优化性能和时间性能.

基于FFT与互信息准则的分层遥感图像配准

提出了一种基于傅立叶变换和互信息准则的分层遥感图像自动配准方法。通过小波变换构造图像金字塔;在小波分解的最顶层,采用基于傅立叶变换的方法确定图像间的变换参数,并作为下一层搜索的粗略位置;然后根据互信息最大的原则逐层细化,直到最底层。试验结果表明:采用所提的方法,克服了基于互信息准则的分层配准方法耗时长的缺点,且利用分层细化的搜索策略增加了基于傅立叶变换的误差修正过程,提高了配准精度。

寻优方法在医学图像配准中性能比较研究

医学图像配准是以相似性测度为目标函数,通过多参数优化方法寻找最佳变换参数的过程.本文以MI为相似性测度,通过分别使用Powell算法和PSO法等方法寻优得到最佳变换参数,并对它们的性能进行了比较.实验结果表明,Powell法适合于单、多模态配准;虽然PSO法能成功配准,但是寻优效率有待提高,有必要在精度和时间效率之间进行适当折中.

改进的基于小波变换的图像配准方法

针对如何提高图像配准的精度和速度的问题,利用基于Fourier-Mellin变换求解水平参量的准确性和基于互信息方法求解旋转及尺度变换参量准确性的优点,提出一种基于Fourier-Mellin和互信息的图像配准金字塔方法。对多幅遥感图像的实例仿真结果表明,该方法能在提高配准精度的同时减少配准时间。

多模态医学图像配准和融合算法研究

由于成像机理不同和人体组织结构的高度复杂性,单模态的医学图像不能提供医生所需要的足够信息,因此对于多模态医学图像的配准和融合有着十分重要的意义。基于此以互信息作为相似性测度,改进单纯形法为最优化算法对CT和MRI图像进行配准。采用了小波变换对图像进行融合。高频部分,取两幅图像小波系数矩阵对应元素的最大绝对值构造小波系数矩阵;低频部分,采用了基于领域像素相关和基于区域方差相结合的融合策略。结果表明,融合图像清晰,细节丰富,相对位置准确,反映了原始图像中更为全面的、互为补充的多重信息。

改进的区域互信息和小波变换的图像配准

为提高图像配准的速度和精度,对基于区域互信息配准算法进行了改进,运用了两层小波分解策略的配准方法,小波分解得到的最顶层图像采用粒子群优化全局寻优算法,利用搜索的结果作为下一层Powell寻优方法的起点,另外,对待配准图像应用形态学方法去除噪音。针对不同分解层的特点,采用不同的测度方法,得到的顶层图像采用改进后的区域互信息为相似性测度,而底层采用归一化互信息测度和相位一致性的相结合的方法,不仅提高了速度,还克服了图像间明暗对比的影响。实验结果表明,提出的配准算法对图像噪声有较高的鲁棒性,可达到亚像素精度,在配准速度上也有了很大的提高。

基于小波变换的图像配准

图像配准是信息融合处理中的重要环节。本文分析了图像配准的数学模型,并对小波变换进行了研究。基于小波理论,提出了一种高精度的图像配准方法。该方法利用小波变换将图像分成若干层次,按照互信息最大的原则对小波分解各层的近似分量求取其配准参数,最后通过迭代实现图像配准。实验结果表明,该方法配准精度高、可靠性好,较之传统的方法有明显的优越性。

基于互信息和小波变换的图像配准的研究

该文提出了一种基于互信息和小波变换的图像配准算法,利用小波分解图像的近似分量和层层迭代算法进行配准,采用互信息作为图像相似性度量的准则,通过Matlab实验证明了该算法的有效性。

基于小波分解和互信息测度的图像配准方法

提出了一种利用小波分解和互信息测度的图像配准方法。利用小波分解的近似分量来进行配准可以大大提处理速度。讨论了原图像与其小波分解图像之间的坐标变换问题,证明了该方法的可行性;然后利用图像的互信息测对图像进行配准。与传统方法相比,该方法配准精度高、可靠性好、不需要进行图像分割和特征提取,并能够大大减少算量。