基于3D-PCNN和互信息的3D-3D医学图像配准方法

摘要

基于特征的配准方法配准精度低,基于互信息的配准方法虽然配准精度高但计算量大且易陷入局部极值。针对此问题,提出一种基于脉冲耦合神经网络(PCNN)和互信息的由粗到细的3D-3D医学图像配准方法。首先,将2D-PCNN模型扩展成能直接处理三维图像的3D-PCNN模型。然后,采用Eckhorn简化输入部分方式对扩展的3D-PCNN模型进行简化,并用线性衰减阈值代替指数衰减阈值,降低了PCNN网络计算复杂度。为了自适应确定参数值,从待处理的三维图像的二维切片图像中随机选择一幅切片图利用二维参数优化方法求出2D-PCNN参数值,并将此参数值作为3D-PCNN的参数值。最后,后利用PCNN网络点火集群的平移、旋转、尺度缩放、扭曲等不变特性将各次迭代点火集群的几何重心作为特征点,实现图像粗配准,获得初始配准参数,将此粗配准参数结果作为基于互信息配准搜索算法的初始参数值,使得搜索始终围绕全局最优值附近进行,进一步微调细化参数,得到最终较高精度的配准结果。