基于遺傳算法的互信息醫(yī)學圖像配準

《基于遺傳算法的互信息醫(yī)學圖像配準》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術(shù)論文-天天文庫。

1、基于遺傳算法的互信息醫(yī)學圖像配準基于遺傳算法的互信息醫(yī)學圖像配準　1圖像配準的概念　　.L.　　醫(yī)學圖像配準是醫(yī)學圖像處理的一項基本任務，它可以把來自不同模態(tài)或不同時間的多幅圖像進行配準，然后為圖像的進　　一步后處理提供保證。如在醫(yī)學圖像融合中，是要把相對應的組織結(jié)構(gòu)融合在一起，而待融合的圖像往往來自于不同的成像設備，它們的成像方位、角度和分辨率等因子都是不同的，所以這些圖像中相應組織的位置、大小等都有差異，必須先進行配準變換，才能實現(xiàn)準確地融合?！　♂t(yī)學圖像配準就是尋求兩幅圖像問的幾何變換關系，通過這一幾何變換，使其中一幅醫(yī)學圖像(浮動圖像A)與另外一幅醫(yī)學圖像(參考圖

2、像B)上的對應點達到空間上的一致。這種一致是指人體上的同一解剖點在兩張匹配圖像上具有相同的空間位置。配準的結(jié)果應使兩幅圖像上所有的解剖點，或至少是所有具有診斷意義的點及手術(shù)感興趣的點都達到匹配(matching)?！　　　?圖像配準的基本流程　　　　Broation)，仿射變化(affinetransformation)，投影變化(projectivetransformation)?！　?3)尋優(yōu):浮動圖像經(jīng)過空間變換后，通過定義一種相似性測度函數(shù)來度量它與參考圖像的相似程度，并且通過不斷地改變變換參數(shù)，使得相似性測度函數(shù)達到最優(yōu)，即最終把問題轉(zhuǎn)化為多參數(shù)多峰值離散最優(yōu)化

3、問題。在優(yōu)化過程中，口前常用到的相似性測度有均方根距離、相關性、歸一化互相關、梯度互相關、梯度差、模式灰度、圖像差嫡、互信息、歸一化互信息等。常用的優(yōu)化算法有窮盡搜索法、最速梯度下降法、單純形法、共扼梯度法、模擬褪火法、遺傳算法、PO個體直接復制到下一代，對剩下的N-m個個體采用輪盤賭法進行選擇。直接保存最優(yōu)個體可以保證最優(yōu)個體在下一代中出現(xiàn)，改善局部搜索能力，提高收斂速度?！　。?）交叉。在生物的自然進化過程中，兩個同源染色體通過交配而重組，形成新的染色體，從而產(chǎn)生出新的個體或物種。遺傳算法中交配就是按較大的概率從群體中選擇兩個個體，交換兩個個體的某個或某些位，從而形成

4、新的個體。交叉運算產(chǎn)生子代，子代繼承了父代的基本特征，在遺傳算法中起著關鍵作用，是產(chǎn)生新個體的主要方法。本算法采用的交叉策略是對除開最優(yōu)保存的那些個體的剩余個體，以概率pc（實驗中采用0.8）進行交叉運算，子代個體child1為父代個體parent1與parent2的加權(quán)和：　child1=parent1+rand*Ratio*(parent2-parent1)　　Parent的選擇可用競爭法?！　。?）變異。在生物的遺傳和自然進化過程中，具細胞分裂復制環(huán)節(jié)有可能會因為某些偶然因素的影響而產(chǎn)生一些復制差錯，這樣會導致生物的某些基因發(fā)生某種變異，從剛產(chǎn)個出新的染色體，表現(xiàn)出

5、新的生物性狀。遺傳算法模中的變異是以較小的概率對個體編碼上的某個或某些位值進行改變，這樣會擴大遺傳算法的搜索空間。本算法采用的變異策略是對選擇后的個體按照概率為0.2進行變異，如child=parent+a，其中a是Gaussian分布的隨機數(shù)，u=0，s初始為1，后隨著迭代次數(shù)增加按線性遞減?！　。?）子代遷移。每隔20代就用父代中適應度函數(shù)值最小的20%的個體代替子代中適應度函數(shù)值最大的20%的個體?！　。?）停止條件?？梢砸猿^運行時間或迭代代數(shù)；上一代與下一代的適應度函數(shù)的差值連續(xù)幾代不變；達到適應度精度等方法進行算法停止。本文實驗采用最大迭代代數(shù)限制?！　　　?

6、腦部MRI二維配準實驗　　　　為了證實上述算法的在醫(yī)學圖像應用中的可行性，我們對二維的腦部MRI圖像進行該算法的配準實驗?！　?.1實驗目的　　在堅硬的顱骨保護之下大腦內(nèi)部的組織基本不會發(fā)生變形，忽略腦干受心動和呼吸周期的影響，可近似為剛體配準。　　配準圖像如圖1所示，圖1（a）是浮動圖像A，圖1（b）是參考圖像B，它是由浮動圖像經(jīng)過旋轉(zhuǎn)、平移及水平、垂直移動得到的。實驗的目的是通過兩幅圖像重疊區(qū)域的互信息函數(shù)的優(yōu)化演算，得到最優(yōu)的縮放因子、旋轉(zhuǎn)角度、水平位移及垂直位移的參數(shù)，實驗中的優(yōu)化算法采用遺傳算法?！　D1　　4.2實驗方法　　實驗的主要過程就是通過遺傳算法的演化

7、計算尋找剛體變換四個參數(shù)的最優(yōu)值?！　《x遺傳算法的個體為[縮放因子旋轉(zhuǎn)角度水平平移豎直平移]，采用二進制編碼。定義遺傳算法適應度函數(shù)為兩幅圖像的互信息，當互信息最大時，圖A與圖B就完成了配準。遺傳算法的遺傳策略為3中的1）－8），其過程如圖2所示?！　?.3實驗結(jié)果　　已知標準從圖像A到圖像B的[縮放因子旋轉(zhuǎn)角度水平平移豎直平移]的四個標準變換參數(shù)為[0.7425.85-10]?！　〗?jīng)過1.2的遺傳算法經(jīng)過不同次迭代尋優(yōu)的結(jié)果如表1所示。　　圖2　　表1　　由于采用的剛體變換的基本次序不同，所得的[縮放因子旋轉(zhuǎn)角度水平平移豎