利用改进的NNDR策略的医学图像配准方法与流程

本发明涉及医学图像配准领域，特别涉及一种利用改进的nndr策略的医学图像配准方法。

背景技术：

在医学图像处理领域，随着成像设备技术的迅速发展，图像配准已经逐渐成为了一个重要的研究方向。如今，利用计算机断层(ct)、核磁共振图像(mri)、单光子辐射计算机断层(spect)以及正电子辐射断层(pet)等设备能够捕捉到人体内部形态以及功能的图像。

这些图像在病人的临床诊断以及治疗的过程中提供了有效的信息，对整个医疗过程带来了巨大的帮助。但是由于不同的成像设备都有各自的特性，对同一部位所得到的图像信息就存在很大的差异。比如，ct在多个角度方向上检测x射线通过人体后的衰减量之后，使用数学方法重建身体的断层图像。这样得到的图象可以清晰地显现人体的内脏器官以及骨骼的解剖结构，可是却不能显示器官的功能信息。而pet图像却恰恰相反。pet探测生理性放射核素在机体内分布的断层来显示图象，是对机体的生物化学显像。pet图像显示了机体的功能信息，但是图像并不清晰，不能形象地反映机体的形态结构。

如果手动的将两种类型的图象在空间上重合会产生很大的误差，所以图像配准就有重要的意义。图像配准的目的就是将不同模式的图像通过空间变换映射到同一坐标系中，在医学图像中，可以使相应器官的影像在空间中的位置一致。通过配准后得到的图像就可以同时反映形态和功能的信息，为医疗工作提供更可靠地依据。因为图像配准的显著优点，它在病灶定位、pacs系统、放射治疗计划、指导神经手术以及检查治疗效果许多医疗工作中有着广泛的应用。并且在实际的应用中也取得了不错的效益，为医生决策提供了丰富可靠地信息。

由于对医学多模图像配准后得到的效果十分明显，所以对医学图像配准的研究是很有必要的。在图像配准中，常见的匹配策略有阈值法、最近邻法(nearestneighbor,nn)以及最近邻距离比率法(nearestneighbordistanceratio,nndr)。但是最常用的是最近邻比率法，因为nndr在条件的设置上更全面、合理，而且从最后的匹配准确度上也能证实它的优越性。但是nndr在匹配的时候考虑的特征点范围较小，忽略了其它可能正确匹配的特征点。这样就导致减少了最后正确匹配的特征点的数目，也影响了最后配准的精度和配准图像的效果。

技术实现要素：

为了弥补现有技术的不足，解决现有技术中医学图像配准中考虑特征点范围较小，忽略了其他正确匹配的特征点，而导致减少最后正确匹配的特征点数目，影响配准精度和配准图像效果的问题，本发明提供了一种利用改进的nndr策略的医学图像配准方法。

术语解释

1、nearestneighbordistanceratio(nndr)，这是一种基于欧式距离的相似性度量算法。在图像配准工作中，它用于度量所寻找的特征点之间的相似性。这种算法通过阈值的设定也可以调节最后匹配的特征点的数目。

2、sift，一种经典的特征提取方法。因为具有尺度不变性、旋转不变性以及对噪声、光线的变化都不敏感，获得了良好的效果。

3、ransac，一种通过不断迭代寻找最优参数模型，剔除一组数据中不符合最优模型点的算法。广泛应用在图像配准以及图像拼接上。

本发明的技术方案为：

一种利用改进的nndr策略的医学图像配准方法，包括步骤：

1)输入待配准的两幅多模医学图像，其中一幅为参考图像，另一幅为目标图像；

2)采用sift算法提取待配准图像中的特征点，给每个特征点赋予主方向，得到特征点的位置、尺度以及方向信息，使得特征点具有旋转不变性，生成128维的特征点描述子；

3)目标图像与参考图像特征点匹配

a)设定表示参考图像中的第r个特征点，表示目标图像中的第i个特征点；

b)计算每一个和目标图像中所有特征点的欧式距离，将距离进行排序；

c)计算与最近邻的点以及次近邻的点的欧式距离，满足公式(1)为最近邻匹配m1st；

d)计算与次近邻的点以及第三近邻的点的欧式距离，满足公式(2)为次近邻匹配m2nd；

e)考虑到存在既与最近邻的点匹配又与次近邻的点匹配的情况，确定匹配对mt为：

mt＝(m1st∪m2nd)-(m2nd∩1st)(3)。

作为优选方案，目标图像与参考图像特征点匹配之前还包括生成新的特征点描述子信息。

进一步地，生成新的特征点描述子信息的方法为：

将sift算法中描述子的信息用梯度幅值gm按数值排序，并按照从大到小分为四个级，在0-1范围内设置每个等级的值，第一级设置为1，第二级设置为0.75，第三级设置为0.5，第四级设置为0.25。

作为优选方案，生成新的特征点描述子信息的方法也可以为：

sift算法中描述子的信息用梯度幅值gm表示，增加一种新的梯度信息表示方式go，go中梯度变化时设置为1，梯度不变时设置为0；

将128维的gm信息和128维的go信息直接相加，变为256维的梯度信息。

作为优选方案，步骤1)中，sift算法通过高斯金字塔建立尺度空间，然后采取高斯差分寻找尺度空间中的极值点；去除不稳定点，得到特征点。

作为优选方案，步骤4)确定匹配对mt后，使用ransac去除错误匹配的特征点。

本发明的有益效果为：

1、本发明提出了基于nndr的改进的匹配方法inndr，可以显著提高正确匹配的特征点数目，从而得到更好的配准效果。实验结果表明，本发明方法相对于原有的方法和其它的准则具有显著的优势。本发明方法不仅可以找到更多数量的匹配对，而且可提高最后所匹配的准确度；

本发明用参考图像测试了本发明方法，并利用定量评价验证了匹配结果。结果显示本发明方法具有较高的精度和有效性。

2、本发明提出的方法可用于多模医学图像的配准工作；在研究医学多模图像时，可以利用此方法分析不同成像设备得到的同一部位的信息，更清楚地知道病人的具体情况，并帮助后面的治疗措施。另外，可以将此算法用于对多模医学图像的融合工作；这样就能够得到更加充分地病人信息，提高治疗的准确性。

3、在此方法中改进了特征点的梯度信息，对于医学图像处理的其它领域也有较大帮助。并且这几种结合两种梯度信息以及改进的策略各有特点，可以依据具体的应用选择某一个或者几个结合策略。

4、使用了ransac，提高了特征点匹配的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为病人a的脑部ct图像；

图2为病人a的脑部mri图像；

图3为第一种评价方法针对图1、图2中图像采用本发明方法和现有的sift方法匹配准确率的评价结果对比图；

图4为第二种评价方法针对图1、图2中图像采用本发明方法和现有的sift方法匹配准确率的评价结果对比图。

具体实施方式

实施例1

一种利用改进的nndr策略的医学图像配准方法，具体步骤包括：

1)输入待配准的两幅多模医学图像，其中一幅作为参考图像，另一幅作为目标图像；

2)提取特征点，建立描述子；

采取sift算法提取待配准图像中的特征点，sift通过高斯金字塔建立尺度空间，然后采取高斯差分寻找尺度空间中的极值点；去除一些不稳定点以后，得到最后的特征点。为了使得特征点具有旋转不变性，给每个特征点赋予主方向。这样就能得到特征点的三个信息：位置、尺度以及方向。这样就能生成128维的关键点描述子。

3)新的描述子信息。

sift算法中对于描述子的信息用梯度幅值(gradientmagnitude,gm)表示，但是存在一定的缺陷。比如对于一个特征点相邻区域的梯度信息是存在差别的，但是最后的结果却是一样的。所以本发明探索一种新的梯度信息表示(gradientoccurrence,go),go就是当梯度变化就将值设置为1，梯度不变就设置为0，而不考虑梯度变化的幅度。go能够避免gm的不足，但是后来又发现go在某些情况下也不是很理想。经过实验表明这两种梯度信息具有互补的关系，所以寻找结合这两种梯度信息以及的新的描述子。

结合这两种梯度信息以及的新的描述子的方法可以为以下四种中的任一种。

①最后的匹配对mt＝mgo∩mgm为go以及gm分别得到的匹配对的交集，这样得到匹配对准确度得到显著提高，但是不足是匹配对比较少；

②对于同一个特征点建立两种描述信息，gm中有较小值的8维在对应的go中把值设置为0。因为对于gm策略，幅度变化很小时影响就很小。

③对gm重新赋值，即把128维的描述子信息按照数值分为4个等级，在(0，1)范围内依次设置每个等级的值。第一级的设置为1，第二级设置为0.75，第三级0.5，第四级0.25。

④将128维的gm信息和128维的go信息直接相加，变成256维的梯度信息。

实验结果表明这四种策略都比sift原本的gm最后的准确率高，都能得到较好的结果。

4)采用改进的nndr匹配算法获得目标图像与参考图像特征点匹配；

在图像配准领域，对于关键点的相似性度量主要依据欧氏距离。常见的有三种方法，一种是设置一个阈值，只要关键点的欧式距离小于阈值就看作匹配。用表示参考图像中的第r个特征点，表示目标图像中的第i个特征点。第一种匹配策略就可以表示为：

但是这样会存在很多的匹配对，而且很多都是错误匹配的。所以后来就产生了最近邻匹配。

最近邻距离匹配策略，就是对于每一个都计算它与目标图像中的所有特征点的欧式距离，然后选择欧式距离最近的特征点作为与匹配的点。这样却忽略了其它的特征点，只是简单地用距离度量，最后的到的效果也不是很好。在sift算法中采用了nndr策略，它考虑了其它的特征点对匹配的影响。nndr对于每一个计算它和目标图像中所有特征点的欧式距离以后，将距离进行排序。然后计算与最近邻的点以及的欧式距离，如果距离的比值小于或者等于阈值就将最近邻的点看作是匹配的。

nndr匹配策略相对于另外两种得到的效果更好，所以现在是图像配准领域最广泛的。但是发现nndr将可能正确匹配的特征点的范围定位在欧式距离最近的点。虽然它也考虑了欧氏距离次近邻的点对匹配的影响，但是却忽略了在次近邻中存在正确匹配的可能性。通过实验验证了在次近邻中也存在不少正确匹配的特征点，所以通过改进算法得到更多的匹配对是本发明的目的。得到最后的匹配对mt包含与在欧式距离最近邻匹配m1st还有次近邻匹配m2nd。

mt＝m1st∪m2nd

在寻找次近邻特征点中正确匹配时，衡量了几种方法，最后采取在最近邻匹配时的思想。考虑了在目标图像中与第三近邻的点对次近邻特征点匹配的影响。设置的条件为：

这样就能找到欧式距离与次近邻的特征点，但是还需要确立与唯一匹配的特征点。因为存在既与最近邻正确匹配又和次近邻正确匹配的情况，这时选取匹配的特征点对为最近邻匹配的特征点。所以最后确定的匹配对为：

mt＝(m1st∪m2nd)-(m2nd∩1st)

实验结果表明，最后的正确匹配对数可以有明显地提高。而且还存在与目标图像中最近邻错误匹配但是与次近邻正确匹配的情况，所以改进的匹配策略是有很大意义的。

第一种准确率评价方法：将nndr以及inndr匹配的准确率分别表示为:

nndr匹配的准确率：

其中nt,1st表示两幅图像中最近邻正确的匹配对数量，no,1st表示两幅图像最近邻总的匹配对数量。

inndr匹配的准确率：

其中nt,2nd表示两幅图像中次近邻正确的匹配对数量，no,2nd表示两幅图像次近邻总的匹配对数量。

虽然有时候但是所有accu2≥accu1，这就能证明改进以后的匹配策略优于原来的策略。并且可以注意到，新的正确匹配对数量都是大于原本的正确匹配对数量。

(5)ransac

得到匹配对以后，由于考虑了第二近邻的特征点，所以增加了匹配对。但第二近邻的特征点准确率大多数并没有第一近邻高，这就导致有的时候最后的准确率提升并不是很明显。所以使用ransac去除一些错误匹配的点，同时提升准确率。使用ransac以后，inndr得到的正确匹配对数目依然比nndr多，并且匹配的准确率也明显提高。

(6)评价标准

除了上述提到的最后的准确率还引入了一个recallvs1-precision评价策略(第二种准确率评价方法)。

其中correspondences就是两幅图像中空间上对应的正确匹配的特征点数目，precision则和accuracy类似。最后由两个参数组成的表能够更加形象地表示不同方法的优劣。

图1、图2分别为同一病人的脑部ct图像以及脑部mri图像；

采用现有的sift算法得到的正确匹配的特征点为249对，总的匹配对位484；

采用本发明改进nndr(inndr)以后得到的正确匹配的特征点为290对，总的匹配对位349。

图3、图4分别为采用图1、图2的图像对现有sift算法以及本发明方法评价的结果。

由图3可知，针对于不同的阀值(threshold)，设定范围为[0.6,0.99]，本发明方法(inndr)得到的结果的准确率普遍高于现有的sift算法(nndr)。本发明改进后的匹配策略可有效提高匹配的准确度。

由图4可知，采用第二种评价方法recallvs1-precision，本发明方法(inndr)取得的效果明显优于现有的sift算法(nndr)。