一种医学图像配准方法与流程

本发明涉及一种图像配准方法，属于图像处理领域。

背景技术：

在医学图像处理领域，为了综合利用不同图像所提供的信息，需将不同图像进行融合，而融合的重要前提便是医学图像配准。医学图像配准是两幅医学图像间一对一映射的过程，即对于一幅医学图像寻求一种或一系列空间变换，使两幅图像中对应于空间同一位置的点联系起来。

随着医学成像技术的迅速发展，设备成像原理的不同，造成多种模态图像的存在，虽然目前不同的医疗成像设备已经取得很大进展，成像的质量也得到很大提高，但由于它们各自成像原理的不同使得在临床应用中无法相互代替。不同模态的医学图像各具优势与特点，如CT和MRI以较高的空间分辨率提供器官的解剖结构信息，而PET和SPECT以较低的空间分辨率提供新陈代谢功能信息。然而单一模态的医学图像提供的信息是有限的，若能够快速有效地利用多种模态的图像，就可以为医生提供病变组织或器官的多种互补信息，从而为医生诊断病情提供更全面的依据。

在医学图像配准过程中，常用的Powell算法是一种局部优化算法，该算法收敛速度快，但是过度依赖初始点，容易陷入局部极值造成误配准。常用的标准PSO算法自身也容易陷入局部极值，有早期收敛和后期震荡等问题。

基于上述考虑，本文提出一种能够有效利用多种优化算法优点的方法，将差分策略引入到粒子群算法中，并设置一个迭代次数阈值，与传统配准方法相比，配准准确度有所提高，可以有效克服配准过程中陷入局部极值的问题。

技术实现要素：

本发明的目的在于：针对利用标准粒子群算法易陷入局部极值问题，提出一种融合差分算法的粒子群到运用于医学图像配准的方法，从而有效解决标准粒子群算法易陷入极值的问题，配准准确度显著提高，为医疗诊断提供更为精准的图像依据。

为了达到上述目的，本发明的医学图像配准方法在计算机读入原始图像后，进行如下基本步骤：

步骤A.设置参数：粒子群规模N，优化迭代次数T，个体初始最优解和全局初始最优解，最大迭代次数T max，初始的惯性权重ω_I，和最终的惯性权重ω_F，全局最优解的迭代次数t和阈值tg；

步骤B.根据每个粒子的位置矢量计算互信息值，判断全局最优值是否停滞。

步骤C.当迭代中全局最优解停滞次数t小于t_g，引入动态惯性权重

到标准的速度和位置矢量的更新公式：

步骤D.当全局最优解停滞次数大于或等于t_g，采用差分策略，取两个任意不同的粒子与当前最优解加权求得中间体：

u_i(g)＝x_r1(g)+F·(x_r2(g)-x_r2(g))，

并通过与当前比较，判断是否可以取代当前最优解

步骤E.未满足终止条件时，重复步骤B，C和D继续执行下去；

步骤F.如果在搜索空间中找到了最优解或者迭代次数大于T，则停止当前搜索，并根据搜索结变换，输出配准后的图像；

本发明的医学图像配准方法针对标准粒子群算法在寻求全局最优解时易陷入局部极值问题，在基于粒子群和互信息的基础上，采用差分策略，增加粒子的多样性，减少陷入极值的概率，增加医学图像配准的精确度，对医学图像的配准具有重要现实意义和应用价值。

附图说明

图1为本发明一个实施例的流程图。

图2(a)，(b)和(c)分别为图1实施例的脑部MRI参考图像，脑部CT浮动图像和采用本方法的多模态的配准结果图；图2(d)，(e)和(f)分别为图1实施例的脑部CT参考图像，变换后的脑部CT浮动图像和采用本方法的单模态的配准结果图。