[0083] 图13描述了处理逻辑1200的示例性一般过程流。在步骤1300,处理器比较类型 1图谱图像的块与类型2图谱图像的块。在步骤1302,处理器计算类型1图谱块和类型2 图谱块之间的相似度指标。比较来自不同图像类型/模态的块或图像的一种技术是使用相 互信息（MI)量度（参见Pluim, "Mutual-information-basedregistrationofmedical images:asurv巧"，IE邸Trans,Med.Imag. , 22 (8) :986-1004, 2003,其全部公开内容通过 引用被合并了。对于两个图像A和B的两个块，MI可W被定义为：
[0084] MI(A，B) =H炬)-H炬|A)
[0085] 其中，H炬）是对块图像B的强度值的概率分布计算出的块图像B的香农滴。H炬IA) 表示条件滴，该条件滴基于条件概率P(bIa)，在假定A中的对应的立体像素具有强度值a的 情况下，块B中的强度值h的几率。然后，在步骤1304,处理器从相似度指标计算权重因子， 如结合步骤416所描述的。然后，在步骤1306,处理器从权重因子和原始类型2图谱图像数 据计算导出的类型2图谱图像（参见步骤418)。然后，由处理逻辑104使用该导出的类型 2图谱图像来代替原始类型2图谱图像（步骤1308)。
[0086] 图14提供了从图谱MR图像-图谱CT图像对生成导出的图谱CT图像的该过程流 的示例。在步骤1400,将图谱MR图像与原始图谱CT图像配准。同样，医生自由地W期望的 方式选择平衡速度和准确度的配准技术。然后，步骤1402如W上关于步骤402所描述的那 样进行。除了选择在点Xi周围的图谱MR图像的块之外，步骤1404类似于步骤404 (在该实 施例中，Xi将用于表示图谱MR图像300中的点）。图15描绘了可W在步骤1404选择的示 例性图谱MR图像块1502。除了选择在点Y/周围的原始图谱CT图像的块之外，步骤1406 类似于步骤406。图16描绘了可W在步骤1406从原始图谱CT图像数据点1600中选择的 示例性图谱CT图像块1602。
[0087] 在步骤1408,执行块比较，W计算相似度分数（步骤1410)。由于该是MR数据和 CT数据之间的比较，使用与用于步骤408和410不同的比较技术。可W使用如上文所描述 的步骤1410的基于MI的比较技术。可W使用的额外的交叉模态比较量度包括如由Roche 等人在"Thecorrelationratioasanewsimilaritymeasureformultimodalimage registration" (Proc.OfMICCAI'98,vol.l496ofLNCS，pp. 1115-1124,1998)所描述的相 关比率，其全部公开内容通过引用合并于此。
[008引然后，步骤1412-1422可WW类似于针对步骤412-422所描述的方式来进行。图 14过程流的最终结果将是用于导出的图谱CT图像302'（Y")的一组导出的图谱CT图像数 据点。
[0089] 图17描绘了用于块比较的技术，其中，经由从每个块导出的特征向量来间接地比 较各块。可W由处理逻辑1704对块1700和1702进行预处理，W分别生成块1700和1702 的特征向量1706。对于块可W计算的特征的示例包括平均值、方差、动量、或随机投影（例 如，使用随机投影将NXN块投影到M维度向量）。然后，在步骤1710,可W基于该些特征的 向量来计算相似度分数。图17的块比较实施例可W是有利的，因为块的特征向量的维度可 W比原始块小得多，该将对计算和存储效率的改进有贡献。
[0090] 图18描绘了如何由处理逻辑1704对25点块1700或1702执行特征提取W生成 特征向量1706或1708。例如；
[0091] ?平均特征可被计算为：
[0092] 平均；
[0093] ?方差特征可被计算为：
[0094] 方差
[0095] ?动量特征可被计算为：
[0096] 阶k的动量化〉=1)
[0097] ?随机投影特征可被计算为：
[009引随机投影；Y=PX:P是随机MXN矩阵，X是具有维度N的原始块，Y是较小维度M的向量（M?N)。由于M?N，因此，比较Y比直接比较X更快。
[0099] 然后，特征向量1706/1708可W使用该些或其他特征Yi的任何组合（例如，Y1是 平均值，Y,是方差，等等）。
[0100] 尽管上文参考其优选实施例描述了本发明，但是可W对其进行各种修改，它们仍 落在本发明的范围内。对本发明的该样的修改将在阅读本文中的教导时可识别。相应地， 本发明的完整范围将只由所附权利要求书及其法定等效内容来定义。
【主权项】
1. 一种基于第二图像和第三图像将第一类型的第一图像转换为第二类型的导出的图 像的方法，第二图像是第一类型，第三图像是第二类型，第二图像和第三图像彼此配准，第 一图像包括多个数据点，每个第一图像数据点包括第一图像的第一类型数据，第二图像包 括多个数据点，每个第二图像数据点包括第二图像的第一类型数据，第三图像包括多个数 据点，每个第三图像数据点包括第三图像的第二类型数据，所述方法包括： 在第一图像的一个块和第二图像的多个块之间执行多次比较，以生成多个相似度指 标，所述相似度指标表示第一图像数据点和多个第二图像数据点之间的相似度； 基于所述相似度指标计算多个权重因子，计算出的权重因子与多个第三图像数据点相 关联； 计算对应于第一图像数据点的导出的图像数据点，作为与计算出的权重因子相关联的 第三图像数据点的加权组合，所述加权组合是按照计算出的权重因子的；以及 对于多个不同的第一图像数据点，重复比较执行步骤、权重因子计算步骤以及导出的 图像数据点计算步骤，以由此从多个计算出的导出的图像数据点生成所述导出的图像；以 及 其中，方法步骤是由处理器执行的。2. 如权利要求1所述的方法，其中，第一类型是磁共振MR，并且其中，第二类型是计算 层析成像CT。3. 如权利要求2所述的方法，其中，第二图像包括图谱MR图像，并且其中，第三图像包 括图谱CT图像。4. 如权利要求3所述的方法，其中，权重因子计算步骤包括：所述处理器从所述相似度 指标计算所述权重因子，使得计算出的权重因子与第三图像数据点相关联，该第三图像数 据点与从其计算所述权重因子的相似度指标的所述多个第二图像数据点配准。5. 如权利要求4所述的方法，还包括： 所述处理器选择第一图像的块，所选择的第一图像的块与第一图像数据点相关联，并 且包括第一图像数据点的子集； 所述处理器选择第二图像的多个块，每个第二图像的块包括第二图像数据点的不同的 子集；以及 其中，比较执行步骤包括：所述处理器将所选择的第一图像的块与所选择的第二图像 的块进行比较，以生成所述相似度指标。6. 如权利要求5所述的方法，还包括：将第一图像与第二图像配准。7. 如权利要求6所述的方法，其中，选择第二图像的块的步骤包括：所述处理器选择第 二图像的块，以便第二图像的块靠近与和所选择的第一图像的块相关联的第一图像数据点 配准的第二图像数据点，所选择的第二图像的块将要与所选择的第一图像的块进行比较。8. 如权利要求7所述的方法，其中，所选择的第一图像的块包括与所选择的第一图像 的块相关联的第一图像数据点、以及在与所选择的第一图像的块相关联的第一图像数据点 附近的多个额外的第一图像数据点。9. 如权利要求8所述的方法，其中，所选择的第一图像的块的额外的第一图像数据点 是以与所选择的第一图像的块相关联的第一图像数据点为中心的。10. 如权利要求4所述的方法，其中，所述图谱CT图像包括导出的图谱CT图像。11. 如权利要求10所述的方法，还包括第四图像，第四图像是与所述图谱MR图像配准 的图谱CT图像，第四图像包括多个数据点，每个第四图像数据点包括第四图像的CT数据， 所述方法还包括： 所述处理器通过下列操作生成所述导出的图谱CT图像： 在所述图谱MR图像的一个块和第四图像的多个块之间执行多次比较，以生成多个图 谱MR图像与第四图像相似度指标，所述图谱MR图像与第四图像相似度指标表示图谱MR图 像数据点和多个第四图像数据点之间的相似度； 基于所述相似度指标计算多个权重因子，计算出的权重因子与多个第四图像数据点相 关联； 计算对应于所述图谱MR图像数据点的导出的图谱CT图像数据点，作为与计算出的权 重因子相关联的第四图像数据点的加权组合，所述加权组合是按照计算出的权重因子的； 以及 对于多个不同的图谱MR图像数据点，重复图谱MR图像与第四图像比较执行步骤、第四 图像数据点权重因子计算步骤以及导出的图谱CT图像数据点计算步骤，由此从多个计算 出的导出的图谱CT图像数据点生成所述导出的图谱CT图像。12. 如权利要求4所述的方法，其中，比较执行步骤包括： 所述处理器计算第一图像的块的特征向量； 所述处理器计算第二图像的块中的每一个的特征向量； 所述处理器将计算出的第一图像块特征向量与计算出的第二图像块特征向量进行比 较，以生成所述相似度指标。13. 如权利要求4所述的方法，其中，权重因子计算步骤包括： 所述处理器选择所生成的相似度指标的子集；以及 所述处理器从所选择的相似度指标的子集计算所述权重因子。14. 如权利要求13所述的方法，其中，相似度指标子集选择步骤包括： 所述处理器将所生成的相似度指标排序，使得表示较高相似度程度的相似度指标被排 序为高于表示较低相似度程度的相似度指标；以及 所述处理器选择所定义数量的最高排序的相似度指标。15. 如权利要求4所述的方法，其中，所述图谱MR图像包括多个图谱MR图像，其中，所 述图谱CT图像包括多个图谱CT图像，每个图谱MR图像具有与其配准的成