·502. 智能系统学报 第3卷 进行加速配准，实验数据是分辨率为256×256×224 1.50 的人类头部CT扫描数据.首先将该体数据按照某 一参数(0,0，0，，‘，)进行空间变换，然后用本 1.45 文的配准方法配准原数据与空间变换后的数据，将 1.40 所得配准参数与原空间变换参数相减，则得到了配 准结果的误差，记为|ar-rI.其中：r为配准结 1.35 果，α，为原空间变换参数.经过多次不同变换参数 的反复实验后，表1给出了平均配准误差，其中旋转 1.30 15-10-50 51015 参数的单位为度，平移参数的单位为体素个数.配准 角度（°） 算法采用了双核并行计算，采样因子为4，而且优化 图5以NMⅡ为测度的配准函数曲线（采样加旋转） 方法采用粗配准和精配准相结合的搜索策略，经过 Fig5 Registration function curve of NMI (sample and rotation) 一系列的加速方法，本文配准算法的平均时间为 8.1s,而在无任何加速的情况下，配准时间约为 0.8 3min.可以看出本文加速配准方法在获得较好配准 结果的同时，也加快了配准速度. 0.7 表1平均配准误差 Table 1 Mean error of registration 0.6 0./()0,/(）0./(）t. t: 0.5 0.510.640.810.34 0.450.36 4.2梯度相似与互信息相结合 0.4 -15-10 -50 510i5 对MR-T1图像和MR-PD图像进行2D配准实 角度°) 验，实验数据来自Brainweb,如图4所示.其中： 图6以GSMI为测度的配准函数曲线（采样加旋转） 图4(a)所示为MR-T1图像，图4(b)为对应的MR- Fig.6 Registration function curve of GSMI (sample and rotation) PD图像，此时两幅图像是完全配准的.将MR-T1图 像作为参考图像，即空间位置不变，首先对MR-PD 表2分别以NMI和GSMI为测度的配准结果对比 图像进行某一参数的变换（旋转5°，x、y方向各平移 Table 2 Registration results comparison of NMI GSMI 10个像素)，然后将其与MR-T1图像进行配准。 精确值 NMI GSMI 旋转/（°） 4.4101 4.9883 X方向 10 9.9983 9.9988 Y方向 10 8.9634 9.0834 分别以NMI和GSMI作为配准算法的相似性测 度，与MR-T1图像进行配准，两者的配准结果如表2 所示.其中精确值是指MR-PD图像的空间变换参 数，可以看出两者的配准结果都非常接近于精确值； (a)参考图像MR-T1 (b)对MR-PD图像 但以GSMI为相似性测度的配准方法要更加精确一 些，这是因为其中包含了梯度信息的作用. 图4配准图像 Fig.4 Registration images 5结束语 首先分别采用NMI和GSMI测度绘制两者的配 基于归一化互信息的配准方法适应多模态医学 准函数曲线，以旋转角度为参数的配准函数曲线如 图像之间的自动配准，具有无需先验知识、配准精度 图5~6所示，从图中可以看出，在亚采样情况下，以 高等优点；但是其主要瓶颈在于配准速度较慢.本文 NMI为测度的曲线出现许多锯齿，这对配准算法的 针对3D图像配准的3项主要计算处理，研究了相 收敛会产生不利影响，而以GSI测度的曲线则比 应的加速策略，在保证配准精度的同时提高了配准 较光滑，更加适合配准算法的需求。 效率.并且，针对常规互信息计算中只考虑灰度相关 信息的缺点，本文将灰度变化梯度相似性与互信息