[发明专利]一种基于多图谱标签融合的医学图像配准算法

摘要

一种基于多图谱标签融合的医学图像配准算法，涉及医学图像配准技术领域。本发明通过建立具有清晰辨识度的灰度图的图谱图像库，根据目标图像标签与图像库中图谱标签的相似性选出最佳图谱标签，将最佳图谱标签融合为一幅图像作为配准模板，并采用Demons配准算法对目标图像和配准模板进行精配准，为医生提供更直观、准确的诊断信息。同时本发明结合图像标签的灰度信息和梯度信息，通过多权重分配策略选择最佳图谱标签，有效的提高了选择的最佳标签与目标图像标签的相似性。

主权项

1.一种基于多图谱标签融合的医学图像配准方法，其特征在于，所述方法的具体实现过程为：步骤一、建立图谱图像库：所述图像库中包含N个图谱图像，每个图谱图像Ai(i＝1,2…N)中包含一幅二维灰度图和M个该灰度图的图谱标签Aij(j＝1,2…M)，所述标签为，在人工手动分割出的区域中划分的3×3像素大小的图像块；步骤二、图像库中图谱图像与目标图像进行刚性配准，所述刚性配准具体过程为：2-1)对目标图像进行平滑滤波处理，去除噪声的影响，滤波后的目标图像记为I；2-2)目标图像I分别与图像库中每个图谱图像Ai，包含灰度图和该灰度图的所有图谱标签Aij，进行刚性配准；2-3)保存配准后的形变后的图谱图像Ai′及相应的形变后的图谱标签Aij′；步骤三、以3×3像素大小的图像块将目标图像I划分为m个标签Ik(k＝1,2…m)，以标签Ik中心像素点为圆心，以r为半径搜索邻域内的形变后的图谱标签Aij′，将所有的有部分像素点在该邻域内的形变后的图谱标签Aij′分为一组Bk(k＝1,2…m)，Bk为标签Ik的待选图谱标签组；步骤四、最佳图谱标签选取：结合图像的灰度信息和梯度信息，通过多权重分配策略计算标签Ik与待选图谱标签组Bk中每个标签Aij′的相似性，选出与标签Ik最相似的图谱标签Aij′，所述最佳图谱标签选取的具体过程为：4-1)分别计算标签Ik和待选图谱标签组Bk中每个图谱标签Aij′的像素灰度值的相似性： s s = 2 μ x μ y μ x 2 + μ y 2 × 2 σ x σ y σ x 2 + σ y 2 - - - ( 1 ) ]]>式中μx,σx为标签Ik的平均像素灰度值和像素灰度值的标准差，μy,σy为图谱标签Aij′的平均像素灰度值和像素灰度值的标准差；4-2)设定阈值γ，初步筛选图谱标签Aij′并记为标签组Bk1，筛选规则为ss≥γ；4-3)计算标签梯度向量以标签Ik中心像素点为准，计算该像素点周围8个像素点相对于该像素点的灰度值梯度，假设标签Ik中9个像素点的灰度值分别为x1,x2…x9且x5为中心像素点灰度值，则灰度值梯度计算公式如下：Δf1＝x1-x5,Δf2＝x2-x5,…Δf9＝x9-x5 (2)将所求的8个灰度值梯度排列为一个列向量F＝[Δf1,Δf2…Δf4,Δf6…Δf9]T作为该标签的梯度向量；4-4)分配梯度方向权重分别计算标签Ik和标签组Bk1中每个图谱标签Aij′的梯度向量假设标签的梯度向量比较标签Ik和标签Aij′中对应像素点的灰度值梯度方向： d m = a m b m a m 2 + b m 2 , ( m = 1 , 2 ... 8 ) - - - ( 3 ) ]]>如果dm≥0，则表示两个标签中像素点m处的梯度方向一致，为该像素点分配梯度方向权重β1，如果dm＜0，则表示两个标签中像素点m处的梯度方向相反，为该像素点分配梯度方向权重β2，并将每个像素点得到的梯度方向权重排列为一个向量βk： β k = D 1 0 ... 0 0 D 2 ... 0 . . . . . . . . . 0 0 ... D 8 - - - ( 4 ) ]]>Dm∈{β1,β2} (m＝1,2…8) (5)4-5)结合图像的灰度信息和梯度信息，通过多权重分配策略计算标签相似性，其计算过程如下：首先将标签中的9个像素点的灰度值x1,x2…x9排列为一个列向量G＝[x1,x2…x9]T作为该标签的灰度值向量，并将标签Ik和标签组Bk1中每个图谱标签Aij′的灰度值向量记为计算标签Ik和标签Aij′的灰度值向量差和梯度向量差： G d i f f = G I k - G A i j ′ - - - ( 6 ) ]]> F d i f f = ( F I k - F A i j ′ ) T β k - - - ( 7 ) ]]>对向量差Gdiff和Fdiff分别分配灰度值权重α和梯度权重β，计算标签Ik和标签Aij′的相似性：ε＝||αGdiff||2+||βFdiff||2 (8)将公式(6)和公式(7)带入公式(8)中得 ϵ = | | α ( G I k - G A i j ′ ) | | 2 + | | β ( F I k - F A i j ′ ) T β k | | 2 - - - ( 9 ) ]]>ε值越小代表标签Ik和标签Aij′越相似；4-6)选取最佳标签ε值越小代表标签Ik和标签Aij′越相似，选择使ε值最小的图谱标签Aij′为目标标签Ik的最佳图谱标签；步骤五、将所有步骤四中选出的图谱标签Aij′融合为一幅图像作为配准模板A；步骤六、采用Demons配准算法对目标图像I和步骤五中得到的配准模板A进行精配准，所述Demons配准算法为： u = ( A - I ) ▿ I | ▿ I | 2 + ( A - I ) 2 - - - ( 10 ) ]]>式中▽I为目标图像的灰度梯度，u为配准模板A向目标图像I变形的位移场。