《基于遗传算法的互信息医学图像配准》由会员分享，可在线阅读，更多相关《基于遗传算法的互信息医学图像配准（8页珍藏版）》请在金锄头文库上搜索。
1、从本学科出发，应着重选对国民经济具有一定实用价值和理论意义的课题。课题具有先进性，便于研究生提出新见解，特别是博士生必须有创新性的成果基于遗传算法的互信息医学图像配准1 图像配准的概念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，
2、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) 。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
3、骤如下:(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 transforma
4、tion)，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。(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
5、中，实现图像中各点位置的配准。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：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
6、放因子、旋转角度、水平位移及垂直位移。群体。本算法的群体由2030个染色体组成。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：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。复制。复制是在群体选择生命力强的个体
7、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
8、。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进行交叉运算，子代个体child1为父代个体parent1与parent2的加权和：child1 = parent1 + rand * Ratio * (parent- parent1)Parent的选择可用竞争法。变异。在生物的遗传和
9、自然进化过程中，具细胞分裂复制环节有可能会因为某些偶然因素的影响而产生一些复制差错，这样会导致生物的某些基因发生某种变异，从刚产个出新的染色体，表现出新的生物性状。遗传算法模中的变异是以较小的概率对个体编码上的某个或某些位值进行改变，这样会扩大遗传算法的搜索空间。本算法采用的变异策略是对选择后的个体按照概率为进行变异，如child = parent + a，其中a是Gaussian分布的随机数，u=0，s初始为1，后随着迭代次数增加按线性递减。子代迁移。每隔20代就用父代中适应度函数值最小的20%的个体代替子代中适应度函数值最大的20%的个体。停止条件。可以以超过运行时间或迭代代数；上一代与下
10、一代的适应度函数的差值连续几代不变；达到适应度精度等方法进行算法停止。本文实验采用最大迭代代数限制。脑部MRI二维配准实验为了证实上述算法的在医学图像应用中的可行性，我们对二维的脑部MRI图像进行该算法的配准实验。 实验目的在坚硬的颅骨保护之下大脑内部的组织基本不会发生变形，忽略脑干受心动和呼吸周期的影响，可近似为刚体配准。配准图像如图1所示，图1是浮动图像A，图1是参考图像B，它是由浮动图像经过旋转、平移及水平、垂直移动得到的。实验的目的是通过两幅图像重叠区域的互信息函数的优化演算，得到最优的缩放因子、旋转角度、水平位移及垂直位移的参数，实验中的优化算法采用遗传算法。图14.实验方法实验的主
11、要过程就是通过遗传算法的演化计算寻找刚体变换四个参数的最优值。定义遗传算法的个体为缩放因子 旋转角度 水平平移 竖直平移，采用二进制编码。定义遗传算法适应度函数为两幅图像的互信息，当互信息最大时，图A与图B就完成了配准。遗传算法的遗传策略为3中的1）8），其过程如图2所示。4.实验结果已知标准从图像A到图像B的缩放因子 旋转角度 水平平移 竖直平移的四个标准变换参数为-10。经过的遗传算法经过不同次迭代寻优的结果如表1所示。图表1由于采用的刚体变换的基本次序不同，所得的缩放因子 旋转角度 水平平移 竖直平移参数中缩放因子、水平平移及竖直平移的值与标准变换参数不相同，而旋转因子不因顺序的不同而不同，所以经过150次迭代后非常接近标准的旋转角度了。为了更好的说明配准的效果，我们采用两图像重叠的边缘来显示配准的效果，如图3所示。图图3中(a),(b),图分别为遗传算法迭代3次，80次及150次的结果，其中亮边缘为浮动图像A的边缘，而暗边缘为参考图像B的边缘，可以看出的两种边缘有大部分未重叠，仅少数未重叠，基本完全重叠。这说明基于遗传算法的互信息配准算法在脑部MRI 二维配准实验中取得了很好的配准效果。 课题份量和难易程度要恰当，博士生能在二年内作出结果，硕士生能在一年内作出结果，特别是对实验条件等要有恰当的估计。
