第6期 陈伟卿，等：基于灰度互信息和梯度相似性的医学图像配准及其加速处理 ·501· 法流程表示为图2所示的结构.首先对数据进行亚 织在不同模态图像中具有不同的灰度值，对应点的 采样，降低图像分辨率，然后进行粗配准获取初始配 梯度矢量将会指向相同或相反的方向；因此，当两个 准参数.根据初始配准参数对浮动图像进行加速的 梯度矢量之间的夹角为0或π时，均认为它们的方 空间变换和三线性插值，该过程通过双线程执行，然 向相似，为此，引入下面的函数计算对应点对的方向 后统计变换后浮动图像与参考图像之间的联合直方 相似性： 图并计算互信息值.再由Powell优化方法对空间变 (&y）= cos(2ax,）+1 换参数进行调整并判断是否达到最优配准，是则终 2 止循环输出参数，否则按照调整后的空间变换参数 该函数的走势如图3所示. 重新进行计算， 对数据进行亚采样 逃行粗配准获收初始配准参数 加速浮动图像空间变换和三线性插值 图3方向标目相似性函数 Fig.3 Function for gradient directions similarity 统计联合直方图及万.信息值计算 将点对的梯度模值的比值作为该点对的模值相 Powellf优化、调整空问变换参数 似性测度： 6w三 min(I gradx l,I gradyl） N 是否满足 m1gFad,igad,,mar1 grad1,lgad1）≠0， 获取新变换参数 配准要求 max(I gradx1,I grady 1)=a 输出结果 3.2梯度相似性与互信息结合的联合配准测度 图2加速配准算法流程 分别计算待配准图像A和B各对应点对的梯度相 Fig.2 Flowchart of accelerating method for registration 似性，则两幅图像的整体梯度相似性S可表示为 3 结合梯度相似性的互信息方法 S(A,B)=，∑w(a)gy, (s)E(AnB) 由于空间梯度信息也是图像配准时的一个重要 结合归一化互信息计算公式(4)，可以得到具有梯 相似特征，而互信息计算并没有考虑这些特征的作 度相似性权重的互信息(gradient similarity mutual 用；因此文献[9-10]在互信息配准算法中引入了梯 information,GSMI)测度，其值为 度、共生矩阵等信息，使得互信息配准的精度和鲁棒 IcsMI =S(A,B)INAL(A,B). 性得到了提高.本文进一步对其进行研究，将两幅图 以GSMI作为配准算法的相似性测度，结合了 像所有对应点的梯度经过组合生成一个梯度相似性 梯度信息和互信息的优点，梯度信息能够有效标识 系数，该系数与互信息相乘作为最终的配准测度. 图像中不同组织之间的边缘特征.对于多模态图像 3.1梯度相似性 配准，尽管不同成像模式会将同一组织成像为不同 图像每个像素点处的梯度包括两方面的信息： 的灰度值，但该器官的边界是确定的，不因成像模式 梯度方向和梯度模值.给定参考图像A中一点x,其 不同而有明显变化，梯度相似性正是对该边界特征 在浮动图像B中的对应点为y,则这组对应点对 的标识.而互信息是一种统计相关性，反映了同一组 (x,y)之间的梯度相似性也包括两方面的内容：方 织在两幅图像中所形成的像素对的重叠情况.因此， 向相似性和模值相似性. 将互信息与梯度信息相结合作为配准测度，将会使 设x点与y点的梯度矢量分别记为gradx和 配准算法更加鲁棒。 grady,则两者之间的夹角可表示为 4实验 gradx·grady =arccos grad gradyl 4.1加速三维配准 其中！·表示模值.由于不同成像技术导致同一组 首先利用第2节所述的加速方法对三维体数据