多模态医学影像配准与融合技术的研究（葛雯）.pptVIP

;主要内容;一、课题背景;二、医学图像配准算法;最大互信息配准方法的基本思想 在多模医学图像配准中，基于两幅图像中的相同目标在空间上对齐时相关性最强，对应像素灰度的互信息达到最大，从而可以根据最大互信息的位置找到最佳配准。 缺点：由于互信息函数不是分布良好的凸函数，从而导致误配准，同时计算量较大，耗时较长。 ;输入图像;仿真实验;CT/MRI图像各配准方法的配准参数及性能比较 ;三、基于小波变换的图像融合算法;（一）基于可分离小波变换的图像融合算法; 对于小波系数，首先使用下式确定医学源图像高频分量的边缘点和非边缘点，保护边缘点对应的小波系数； ;对非边缘点用式(3.5)进行小波系数融合。然后用式(3.6)获得融合图像的小波系数。 ;将融合图像的小波系数和尺度系数进行小波逆变换，即可得到重构后的医学融合图像。 ; ;CT/MRI实验结果的质量评价;低频分量的融合规则 ;高频分量的融合规则 亮度信息 细节信息 ; ;因子 调节图像的亮度 ;通过调整这些因子可以消减模糊边缘，突出细节并调 节图像的亮度对比度。在临床应用中，为了得到强调 不同特征信息的图像，医生既可以根据上面公式计算 它们，也可以根据经验手动设定这些参数。 ;仿真实验 ;CT/MRI实验结果的质量评价;基于区域模糊熵和区域亮度细节占优的融合算法设计 ;仿真实验 ; ;CT/MRI实验结果的质量评价;四、基于PCNN的图像融合算法;具体融合步骤： 1、对每一幅医学图像分别进行两层小波提升分 解，提取图像的近似细节、水平、垂直、对角方 向的小波系数矩阵。 2、对低频和高频子图像分别采用改进的PCNN网 络，PCNN网络大小与相应子图像大小相同，每个 PCNN内的所有神经元均采用8邻域连接方式。 3、将来自医学图像A和B的子图像分别输入相应 的PCNN网络，并按照如下步骤进行融合处理： ;初始化。设 和 分别表示第k对子图像中像素(i,j)的灰度值，将其归一化到0～1范围内，令内部链接输入矩阵、内部行为矩阵和阈值矩阵的初值分别为: ， ，此时，所有神经元都处于熄火状态: ，Nmax为最大迭代次数，点火时刻记录矩阵 ； (2) 根据下式计算 ， ， 和 ；;;(3)累计网络每次迭代运行的输出: (4) 重复步骤(2)和(3)直到，此时网络迭代运行停止； (5) 根据下式选择融合图像的小波系数: ;(6) 为了避免出现某一区域与其相邻的区域分别 来源于不同输入源图像的情况，这里采用一致性 检测校验步骤(5)得到的结果。即如果神经网络 判定某一区域来自于图像CT而它周围的区域来 自图像MRI，则将这个区域用图像MRI中的对应 区域像素替换。 (7) 最后小波提升逆变换，获得最终的融合图 像。;仿真实验 ;;;CT1/MRI1实验结果的质量评价;;基于像素级的医学图像融合可以使融合后的图像 包含更全面、更精确的信息，但是所要处理的图 像数据量大，故融合速度慢，同时对配准精度的 要求非常高。基于特征级的医学图像融合由于对 多模医学图像提取的特征信息进行融合，故可以 大大加快融合速度，且对图像配准的要求没有像 素级严格，但其融合精度比像素级融合差 。 ;将像素级和特征级融合方法有效地结合起来，利 用BP神经网络的优点，提出了基于BP神经网络的 特征级图像融合方法。 具体步骤： 1、 将两幅图像进行图像分割得到一组分割区 域，用Ai和Bi分别表示第i个区域对。 2、???据灰度共生矩阵，从每个区域抽取五个反映 图像纹理的特征。Ai和Bi的特征矢量分别表示为 ( )和( )。 ;3、训练一个用于判断分析Ai和Bi区域纹理特征的 神经网络。神经网络的输入是差异矢量 ( )，网 络的输出如下式： 4、用训练好的神经网络在所有分割区域（第一 步得到的）上进行检测、判断。融合图像的第i个 区域按下式构建： ;5、采用一致性检测来校验步骤(4)得到的结果。 如果神经网络判定某一区域来自于图像1而它周 围的区域来自图像2，则将这个区域用图像2中的 对应区域像素替换。这样，保证在构成合成系数 时，邻域内系数的选择基于相同的规则。 ;仿真实验 ;CT/MRI实验结果的质量评价;总 结;1、在三维甚至是四维空间上进行医学图像配准 的研究。