⛄一、简介
1 引言
医生在对病人疾病进行诊断和治疗时, 经常需要采用X线, CT, MRI, PET, SPECT等多种成像模式对病人进行成像, 以提供病人解剖形态方面和功能代谢方面的互补信息。但不同模式下的图像会出现分辨率不同、灰度属性不同、病灶的位置不同等情况, 为了能将不同模式的图像中的信息融合在一起, 就必须首先进行图像的配准。多模医学图像配准就是将一幅图像中的像素空间位置进行变换, 以使其与另一幅图像的像素在空间位置上对齐, 从而将多种成像模式的图像数据融合起来, 利用各自图像信息的特点, 在一幅图像上表达来自人体多方面的信息。
基于最大互信息的配准方法由于直接使用图像像素灰度信息的统计特性即互信息作为配准的依据, 不需要提取图像的解剖特征, 因此它是一种精度高、稳健性强的方法, 在医学图像配准领域得到了普遍关注和广泛应用。在基于互信息的医学图像配准中目前使用得最多的优化算法是Powell法。Powell法不需要计算导数, 在每一维中使用Brent算法迭代搜索, 搜索速度比较快, 局部寻优能力极强, 在局部搜索中精度要高于其它的优化算法;但由于互信息函数存在很多局部极值, 并且Powell法存在初始点依赖问题, 即在配准过程中很容易落入局部最优中, 最终的优化结果很大程度上依赖于初始点所在的位置, 这就使得Powell法的优化过程常常收敛到局部极值而得到错误的配准参数, 给互信息函数优化带来很多不便。