基于互信息的医学图像配准算法中，传统的部分体积插值法（PV）使互信息函数在像素整数倍位移处产生局部极值，使优化算法陷于局部最优解，从而导致错误配准。提出用Blackman-Harris窗sinc函数作为核函数，对传统PV插值法进行改进，同时将参与插值的邻域点从4个增加到16个，有效消除了局部极值，得到了光滑的互信息函数曲线。具体配准实验证明，该方法可行，且有更高的鲁棒性。陈伟卿,华顺刚,欧宗:互信息医学图像配准中PV插值算法的改进2010,46(20)115同的是,本方法将有16个邻域点参与插值计算。记点q为参考表1MRI-T1&MR1-T2两种配准准则的配准结果图像R上与浮动图像F点的对应点,n(m=1,2,…,10为点q配准方法配准结果710,a,外角度误差(°)平移误差m时间s选代次数的邻域点,每个qn点对应权重onPVMI0.0031,0.0039,0.00390.00310.005563.696BHPV-MI0.0052,0.0095,0.00870.00520.012982.404Om f(dn). f(d(10)其中,dmx、dn分别为点qm与点q在xy方向上的距离,BHPV插两种方法都能得到亚像素精度的配准。PVMI的精度稍高,但迭代次数多。因为计算一次BHPⅤ插值比计算一次PV值法通过下式计算更新联合直方图时间长,所以 BHPV-M配准时间略多h(F(p),R(n)+=0n,m=1,2,…,16(11)42鲁棒性分析当点落在网格点,如q。上时,q43、q12、q13、914、91、q1对应图8为一幅人小为256×256的CT图像,浮动图像和参考权值为零,参与联合直方图统计的邻域点数目最少,为9个,q图像都取该图即此实验的具正配准参数应为T=0,0,0。实落在非网格点时参与点数目最多,有16点,最多与最少数目的验变换初始值仍取=[-8,5,-71,分别采用PVM和 BHPV-MI比例为169138:而传统PⅤ插值法最多与最少数目之比为4进行配准,得到的结果如表2所示。可见实验中PVM陷入局1=4这个比例越小说明直方图的概率分布越分散,互信息部极值中,配准失败,而 BHPV-M仍能得到亚像素精度的全局曲线越不易出现局部极值最优解。将图2所示MRI-T1图像在x方向进行平移,用BHPV法计算联合直方图,与原图像计算互信息(简称 BHPV-MI),所得的曲线如图6所示。与图3所示PVMI曲线进行比较,可见本文的方法曲线更平滑,有效消除了局部极值。1.40图8CT图像表2同一幅CT图像的两种配准准则配准结果1.20配准方法配准结果T[O,tx,0y]角度误差(°)平移误差 pixel时间/s迭代次数1.10PV-MI0.0034,0.0009,2.36070.0004507107.816BHPV-MI-0.0039,0.0087,0.00870.00390.0122132.551.00x方向平移/ pixel5结论图6BHPV插值法所得互信息( BHPV-MI)曲线采用 Blackman- Harris窗sinc函数作为PⅤ插值的核函数,4实验与分析同时将联合直方图更新涉及到的邻域范闱扩展到16点,有效为了验证本文插值方法的可行性和鲁棒性,进行了具体改善了传统PⅤ插值互信息方法中的局部极值问题。具体的的配准实验。优化算法为 Powell算法。配准实验表明,本文方法较传统PVMI有更高的鲁棒性。41可行性分析图7为一组MR图像,来自加拿大蒙特利尔McG学参考文献:[1 Collignon A, Maes F, Delaere D, et al. Automated multimodalit的 McConnel模拟脑数据库。图像大小是181×217,像素大小image registration based on information theroy [c]//Proceedings是1mmx1mm。设刚性变换参数7=,t,l],其中x、分别of Information Processing in Medical Imaging. Dordrecht: Kluw-为浮动图像沿x、y方向的平移(单位为mm),O为绕坐标原点的er Academe publishers 19952] Pluim J P W, Maintz J B A, Viergever M A Interpolation arte旋转角(单位为度)。因为数据库图像是模拟生成的,所以图7facts in mutual information-based image registration[J]. Comput中两幅图像严格对准,其真正配准参数为T=[0,0,0实验变er Vision and Image Understanding, 2000, 77: 211-232换初始值取。=[-8,5,-7,表1为分别以PVM和 BHPV-MI[3] Chen H-M, Varshney P K. Mutual information-based CT-MR作为相似性测度所得的配准结果。实验平移误差通过△x2+Ay2brain image registration using generalized partial volume jointhistogram estimation[.IEEE Transactions on Medical Imaging计算,其中∧x、4分别为x、y方向上的平移误差。2003,22(9):111119[4] Lu X S, Zhang S, Su Il, et al. Mutual information-based multimodeimage registration using a novel joint histogram estimation[J]Computerized Medical Imaging and Graphics, 2008, 32: 202-209[5 Maes F, Collignon A, Vandermeulen D, et al. Multimodality imageregistration by maximization of mutual information[].IEEETransactions on Medical Imaging, 1997, 16(2): 187-198[6] Lchmann T M, Gonncr C, Spitzer K Survcy: interpolation mcth(a)浮动图像(MRI-T1)(b)参考图像(MRl-T2)ods in medical image processing[J]. IEEE Transactions on Medi图7配准图像cal imaging,1999,18(11):1049-1075