[发明专利]一种多模态三维图像的配准及融合显示方法

权利要求书

1.一种多模态三维图像的配准及融合显示方法，其特征在于，包括以下步骤：

步骤1：获取患者的CT三维图像和MRI三维图像，获取所述CT三维图像和MRI三维图像的边缘特征图像；

步骤2：取所述CT三维图像和所述MRI三维图像中精度较高的图像为基准图像,精度较低的图像为待配准图像；对由所述基准图像和待配准图像生成的边缘特征图像进行下采样，得到基准点云和待配准点云；

步骤3：将所述基准点云构造为高斯混合模型；

步骤4：计算获取使待配准点云在高斯混合模型中的概率密度函数取得最大值时的配准参数，获得所述待配准图像和基准图像间配准参数；以及

步骤5：获取所述待配准图像的配准图像，将所述基准图像和所述配准图像通过小波变换方法融合并显示，

所述步骤4包括以下步骤：

步骤41：统计所述基准点云和所述待配准点云经变换T后每个点的邻域内其他点相对于该点的距离和方向，并使用直方图表示作为该点处的局部特征向量；计算所述基准点云和所述待配准点云经变换T后任意两点的特征向量距离，获取对应点并计算对应点的先验概率；

步骤42：计算所述待配准点云的概率密度函数，包括以下步骤：

计算所述待配准点云中点y_m的概率密度函数，计算公式为：

其中θ为需要求解的配准参数，γ为所述待配准点云所有点中为噪声点的频率，P_γ为噪声点对概率密度函数的贡献，σ²为正态分布的方差，π_mn为点y_m和点x_n间的先验概率，T为所述基准点云到所述待配准点云的变换，p(y_m|θ)为每个点y_m的概率密度函数；

所述待配准点云的概率密度函数为所述待配准点云中每个点y_m概率密度函数的乘积；

步骤43：根据所述先验知识计算隐变量z_m的后验概率，计算公式如下：

其中π_mn为点y_m和点x_n间的先验概率，P(y_m|θ)为点y_m的概率密度函数，P(y_m|z_m＝n，θ)为点x_n附近正态分布对点y_m的概率密度函数的贡献，p_mn为隐变量z_m的后验概率；

步骤44：计算概率密度函数似然函数，概率密度函数似然函数的计算公式如下：

其中，p_mn＝P(z_m＝n|y_m，θ)为隐变量z_m的后验概率，π_mn为点y_m和点x_n间的先验概率，p(y_m|θ)为概率密度函数，H(θ)为待优化的概率密度函数似然函数；

步骤45：将所述似然函数对其参数变换T、噪声点频率γ以及正态分布方差σ²分别求偏导并令偏导等于0，求得似然函数最大时的配准参数；

步骤46：重复步骤41至步骤45直至步骤44得到的似然函数收敛，此时的变换参数T为所述待配准图像至所述基准图像的变换。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中获取边缘特征图像的步骤为：

步骤11:分别对所述CT三维图像和所述MRI三维图像进行高斯滤波；

步骤12:在xyz三个方向上分别计算每个体素位置的图像梯度；

步骤13:对每个体素进行非极大值抑制,从而获得边缘体素；优选在周围3*3*3体素邻域内进行非极大值抑制；

步骤14:根据每个体素是否属于所述边缘特征为所述CT三维图像和所述MRI三维图像生成边缘特征图像。

3.根据权利要求2所述的方法，其特征在于，在所述步骤13中还包括使用双阈值检测方法获得边缘体素。