医学图像配准作为计算机视觉领域和图像处理领域中的一个重要分支,是实现医学图像分析,完成医学图像理解和辅助临床诊断和临床治疗的首要、关键性步骤,在医学领域有着非常广泛的应用。至今,医学图像配准技术已经被国内外众多学者研究了几十年。医学图像配准是指对不同时间、不同模态、不同视场的两幅医学图像或者多幅医学图像寻求一种(或一系列)空间变换,使得它能与另外一幅(或其它多幅)医学图像达到匹配,这种匹配是指人体的同一解剖点或者感兴趣点在两幅(或其它多幅)医学图像上有相同的空间位置。医学图像可以提供人体组织器官或者病灶组织的形状、大小、结构、空间关系等详细信息,是临床医生进行临床诊断和临床治疗的重要依据。一般来说,临床上获取的医学图像往往是来源于不同时间同一医学成像设备,称为单模态医学图像,或者来源于不同时间不同医学成像设备,称为多模态医学图像。单模态医学图像配准的研究主要用于组织的生长监控、减影成像等等。迄今为止,对于普通的医学图像而言,单模态的医学图像配准技术已经相对成熟,可以满足临床的实际需要。但对于受到灰度不均匀性影响的医学图像而言,单模态的医学图像配准依然是个难点。这种灰度不均匀性主要是由临床采集磁共振图像时的噪声和偏场所导致的。另外,在临床实际应用中,单模态的医学图像仅仅只能提供一种图像信息,反映病人某一方面的信息。由于单模态的医学图像所包含的图像信息是单一的、不完整的,而不同的成像技术对于同一解剖结构产生的信息是相互补充、相互说明的。假如能够对不同模态的医学图像信息进行综合利用,就可以弥补由单模态医学图像的不完整信息而引起的误诊和误疗,因此,临床上迫切需要将不同模态的医学图像融合在一起,以便临床医生可以更全面、更丰富地了解人体组织器官和病变组织的情况,从而进行准确的诊断、合理的治疗。医学图像配准是医学图像融合的前提和难点。因此,对该技术的深入研究具有重要的理论意义和临床应用价值。医学图像配准是图像对比、变化分析、目标跟踪和目标识别等的必要步骤,是其它图像处理算法的基础,如医学图像分割、医学图像重建等。医学图像配准技术还广泛应用于真实医学图像与图谱的比较、外科手术导航、肿瘤参数估计、心脏运动估计、创建平均图谱、手术定位及放疗计划设计等多个方面。根据配准基准的特性,医学图像的配准方法可以分为两类,分别是基于图像灰度的配准和基于图像特征的配准。在大多数情况下,医学图像特征点的位置比较复杂,很难进行准确地提取,从而给图像配准的结果带来负面影响。基于图像灰度的方法不需要提取图像的特征,而是利用图像的灰度信息,因而,更容易得到准确的结果。基于最大互信息量的医学图像配准技术是最近几年被广泛使用的一种基于图像像素灰度的方法。互信息量源于信息论,用来衡量两个随机变量之间的相似程度,它不需要选择标志点或是提取图像的特征,也不需要假设图像中像素的灰度值存在某种线性关系,因此,是一种进行多模态医学图像配准的有效方法。但是以互信息作为相似性测度的方法也存在一定的缺点,比如对噪声、图像间的覆盖程度、采样点个数比较敏感,当图像空间分辨率比较低,图像出现部分缺损时容易出现误配。为此很多学者进行了改进：Studholme提出了归一化的互信息量方法,它是指边缘熵与联合熵的比值,边缘熵增大会受到联合熵增大的约束。归一化的互信息量不光考虑了联合熵需要较小,也考虑了重叠区域图像的信息,较好的平衡了二者之间的关系。虽然该方法可以解决互信息量对图像间覆盖程度比较敏感的问题,但不足之处是,它忽略了医学图像的空间信息与方向信息。荷兰学者Pluim提出一种将图像的梯度信息与互信息量相结合的方法。该方法考虑了图像的空间信息,一般情况下,都可以取得较好的配准效果,但由于图像梯度本身就对噪声十分敏感,所以,当医学图像中存在一定量的噪声时,配准的效果并不理想。另外,求解医学图像梯度的过程本身计算量大、很耗时。Russakoff提出了区域互信息量的概念,该方法是在局部范围内计算医学图像之间的互信息量,所以对噪声有一定的抑制作用。因此,本论文提出一种新的相似性测度-相位一致和区域互信息量,将区域互信息量和可以描述医学图像特征的相位一致性相结合,不仅考虑了图像的灰度信息,而且考虑了图像的邻域信息,具体见第三章。以上相似性测度都是假设各像素点之间的关系是独立的,认为医学图像的灰度关系是恒定不变的。但在某些情况下,上述假设往往是不成立的。当医学图像受到噪声、灰度非均匀场和造影剂的影响时,这些传统的相似性测度的鲁棒性差,往往不能产生令人满意的配准结果。早期采用物理的方法,即改变医疗设备的成像参数来抑制灰度不均匀性的产生,但该方法不具有通用性,因而无法在临床上被广泛使用。后期主要是对医学图像进行后处理,与医疗设备无关,因而通用性较强。许多学者提出使用模型来模拟灰度偏移场,但模拟的准确程度受到函数阶数的影响,当函数的阶数较高时,必然导致计算量的增加。后来,学者们提出利用局部相相似性测度对灰度不均匀的医学图像进行配准,其核心思想是：在小邻域的窗口内计算相似性测度时,可将图像视为是灰度均匀的。虽然此类方法对灰度不均匀的医学图像可以产生较好的配准结果,但小窗口的计算,将会增大计算量。也有学者利用马尔可夫随机场的方法进行配准,这种方法会过分依赖局部灰度的关系,且对初始参数的要求较高。Khader和Hamza提出一种以信息论为基础的Jensen-Tsallis(JT)熵进行医学图像配准,该算法采用三次B样条建模形变场,利用拟牛顿法来优化配准过程,最后用解析的方法求取JT测度的导数。但是该算法对优化方法要求过高,且计算复杂度较高。Myronenko提出了基于残差复杂性的相似性测度,通过解析的方法求取灰度校正场,与前述方法的不同之处在于,该测度的表达式中不含有灰度偏移场,从而自适应的约束了灰度偏移场,在一定程度上避免了灰度非均匀性对配准结果的影响,但该方法的不足之处是对参数非常敏感。本论文的另一个工作就是对残差复杂性方法进行改进。本论文主要做了以下两个方面的工作,具体如下：1、基于相位一致和区域互信息量的医学图像配准如前所述,区域互信息量考虑了像素点与其邻域像素点的灰度关系,是一种更平滑、更准确的相似性测度,由于是在局部范围内计算医学图像之间的互信息量,因而,具有良好的抗噪性,可以有效地避免局部极值的产生。相位一致描述了医学图像的结构信息,是一种比较新的图像特征,可以用来度量图像中各个位置上各个频率成分的相位的相似程度。相位一致认为在对图像进行傅里叶变化后,相位最大的点为图像中特征最明显的点。由于相位一致不是基于图像亮度梯度的,所以它对图像亮度和对比度变化具有不变性。传统的边缘检测算子,如Marr算子、Sobel算子、Canny算子,其本质都是基于图像像素梯度的变化程度,因而,检测的结果严重依赖于图像亮度和对比度的变化程度。当光照条件不理想、图像受噪声污染、图像的亮度变化不剧烈的时候,检测的效果通常不理想。基于相位一致性的特征检测可以很好地解决这个问题,即便医学图像的对比度比较弱,它也可以检测到边缘的存在,也就是说,相位一致性方法能够检测到图像中实际边缘的存在,而不会受到明暗对比度的影响。这就从另外一个方面证明了相位信息是可以从底层来描述图像的纹理结构,与噪声污染的大小、光照条件的好坏、或者图像亮度分布的均匀程度等无关。因此,本文提出一种新的相似性测度-相位一致和区域互信息量,并在此基础上构造了一种新的多模态医学图像配准算法-基于相位一致和区域互信息量的配准算法。新测度不仅使用了图像的灰度信息,而且采用可以描述图像结构的特征-相位一致。首先,充分考虑医学图像中各个像素的邻域信息,引入区域互信息量代替传统的互信息量；其次,分别获取待配准的两幅图像在不同方向上的相位一致性图像；最后,将相位一致性图像和原始图像引入到区域互信息量中计算新测度,从而进行配准。该方法结合了医学图像的邻域信息和结构信息。实验结果表明该算法具有精度高、鲁棒性强等特点,特别适合于医学图像配准。2、基于指数加权残差复杂性的医学图像配准众所周知,磁共振成像对软组织成像清晰,具有较高的分辨率,可以避免探查诊断的手术,大大提高了医生的诊断效率。磁共振成像具有多方位任意切层的能力,属于一种无创性的检测方法。它不使用对人体有害的X射线和容易引起人体过敏反应的造影剂,已成为人们进行组织器官的病理和解剖研究的重要手段,从而被广泛的应用于各类疾病的检测与诊断中。但由于磁共振成像设备的限制,临床采集的磁共振图像通常含有由噪声、偏移场导致的灰度不均匀和运动伪影等不良因素。灰度不均匀性是指医学图像中同一组织或结构的灰度缓慢变化。通常情况下,主要是由于不均匀的扫描磁场而引起的。这种灰度不均性将会给医学图像配准带来严重挑战。另外,注入造影剂前和注入造影剂后的两幅医学图像也可以认为存在着灰度不均匀性。本文提出一种新的基于图像灰度的相似性测度-指数加权的残差复杂性。传统的基于灰度的相似性测度并没有考虑医学图像中各个像素之间的依赖关系,所以容易受噪声、灰度偏移场和造影剂的影响,从而造成误配。残差复杂性在一定程度上可以克服这一难点,但该相似性测度对初始参数值非常敏感,参数设置不正确往往达不到好的配准效果。本文提出的新相似性测度-指数加权的残差复杂性,利用参考图像的局部方差以指数函数的形式构造加权函数,在图像残差比较大的地方给予小的权重约束,在图像残差比较小的地方给予大的约束,计算约束后残差图像的残差复杂性作为的新的相似性测度。新测度充分考虑了医学图像中各个像素之间的关系,将待配准的两幅图像的空间信息引入到配准过程中,使得配准结果更平滑、鲁棒性更好,不容易陷入局部极值。我们分别使用模拟数据和真实数据对新测度进行验证,实验表明本文提出的新测度-指数加权的残差复杂性更平滑,对噪声、灰度偏移场、造影剂和初始参数具有更高的鲁棒性。