基于遗传算法的互信息医学图像配准
1 图像配准的概念 论文联盟 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 Brown等人提出，配准方法是山特征空间、搜索空间、搜索算法和相似性测度四个不同方面的组合。特征空间是指对待配准的图像的特征信息的提取:搜索空间是进行变换的方式及变换的范围:搜索算法决定下一步变换的具体方法以及得到最优的变换参数:相似性测度是用来度量图像间相似性的一种标准。按照这种组合，得出一般配准的基本步骤如下: 论文网 (1)分割图像特征的提取:用于配准的图像一般都包含一定的特征量来反映其相似性，因此我们可以选择合适的特征量来确定图像的几何变换(如待配准图像的边界，图像上的对应解剖特征点，图像的外标记点等)，根据具体情况，选择合适的特征量以提高几何变换的准确性。 (2)根据特征对，确定几何变换:几何变换就是将一幅图像中的坐标点变换到另一幅图像的坐标系中，经过特征提取后，配准问题就转换为求解两幅图像中对应点的变换问题。根据图像中口标的变形形式不同，变换也有线性变换和非线性变换两种形式。线性变换又包括刚体变换((rigid body transformation)，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、POWELL算法等,我们这里主要采用遗传算法。 论文网 (4)变换:根据特征量确定变换参数后，将它应用于整个配准图像中，实现图像中各点位置的配准。 3 基于遗传算法的互信息图像配准 遗传算法是模拟生物在自然环境中遗传和进化过程而形成的一种自适应全局优化概率搜索算法。设计一个遗传算法的关键步骤包括染色体编码方法、个体适应度评价、遗传算子、运行参数为实现遗传算法的几个关键方面。 在刚体图像配准中，配准的参数有缩放因子、旋转角度、水平位移及垂直位移。图像的配准过程就是在这个四维参数空间搜索使得两幅图像对齐的最优参数。我们这里采用遗传算法进行四维参数空间的寻优，并以两幅图像重叠部分的互信息作为遗传算法的适应度函数。其主要内容包括： （1）编码。染色体个体采用二进制编码，编码的长度为32位。其中从低位到高位的四个8位字段分别表示缩放因子、旋转角度、水平位移及垂直位移。 （2）群体。本算法的群体由20～30个染色体组成。 （3）适应度函数。在遗传算法中使用适应度这个概念来度量群体中各个个体在优化计算中能达到或接近于或有助于找到最优解的优良程度。度量个体适应度的函数称为适应度函数。在本算法中个体是两幅图配准参数的编码，故采用图像配准的相似性测度作为个体的适应度函数，具体采用两幅图像重叠区域的互信息，其互信息的适应度函数为： 论文代写 其中f,r为参加配准的两幅图像的像素灰度值， p(f,r)为第一幅图像中像素为f 与第二幅图像中像素为r的联合概率，p(f)、p(r)分为其边缘概率。互信息值越大说明两图像配准程度越高。 （4）复制。复制是在群体选择生命力强的个体产生新的群体的过程。这是实现群体中个体的优胜劣汰的选择操作：根据每个个体的适应度值大小选择，适应度较高的个体被遗传到下一群体中的概率较大；适应度较低的个体被遗传到下一代群体中的概率较小。这样就可以使得群体中个体的适应度值不断接近最优解。通常使用的选择策略有轮盘赌和最优保存策略。在用轮盘赌法进行个体选择时有可能产生随机误差，导致当前种群中适应度最高的个体没被选中，使其在下一代中得不到繁衍。为了避免这种现象，这里采样最优保存策略，把每一代种群中适应度最高的m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：