1、醫(yī)學圖像配準是信息處理、計算機圖像技術和現(xiàn)代醫(yī)學等多學科交叉的研究課題，已經(jīng)在臨床診斷、治療、術前規(guī)劃等方面取得了廣泛的應用。然而，實際應用表明，醫(yī)學圖像配準在配準精度、速度、自動化以及魯棒性各方面仍面臨諸多困難和挑戰(zhàn)。為此，本文全面總結(jié)了醫(yī)學圖像配準的理論、方法，重點研究了圖像配準過程的各關鍵技術及其存在的問題，或加以改進或提出新的方法，取得了良好的效果。主要內(nèi)容包括：
　　 (1)針對腦部圖像配準中自動提取標記點的方法如基于

2、區(qū)域相似性或基于距離圖的方法所存在的缺點，提出一種基于形狀匹配的自動選取標記點的方法。該方法首先使用種子填充法、邊界跟蹤法或區(qū)域分隔法在浮動圖像和參考圖像上分別提取腦殼、腦脊液和提取腦白質(zhì)的邊界曲線；然后使用形狀上下文在兩圖像的腦殼和腦脊液邊界曲線上選取在形狀上具有一一對應關系的點作為標記點。鑒于腦白質(zhì)邊界曲線的形狀復雜性，又對形狀上下文算法進一步改進，使用小波變換模極值點代替均勻采樣點，得到的標記點更具幾何意義?；贐-樣條插值的配準

3、實驗證明，本方法選取的標記點反映了圖像的幾何特征，在圖像上的分布合理、數(shù)目合適，能準確地反映兩幅圖像之間不規(guī)則的局部差異。
　　 (2)針對基于光流場模型的配準方法不能用于多模態(tài)圖像之間的配準這一缺點，提出了一種使用精確直方圖規(guī)定化進行模態(tài)變換的方法，同時對基于光流場模型的配準方法進行改進，使得當待配準的兩圖像差異較大時也能取得滿意的配準效果。首先運用上述基于形狀匹配的方法自動選取能反映圖像結(jié)構的標記點，然后使用標記點為光流場構

4、造一種附加的外力，以獲得更理想的配準參數(shù)。
　　 (3)針對非參數(shù)圖像配準，提出了將分層策略與特征約束相結(jié)合的方法來同時提高配準精度和配準速度。在目標函數(shù)中融入由圖像的局部結(jié)構信息構造的特征約束，提高了配準精度；在多層策略下運用特征約束，粗層上的優(yōu)化結(jié)果作為細層的初始值，可以防止參數(shù)搜索陷入局部極值；同時，在細層上采用傳統(tǒng)的優(yōu)化方法而不必強求使用費時的智能優(yōu)化算法就可以搜索到準確的配準參數(shù)，提高了配準速度。
　　 (4)

5、針對以互信息為相似性測度的多模態(tài)醫(yī)學圖像非剛性配準中傳統(tǒng)優(yōu)化方法易于陷入局部極值的缺點，研究了粒子群算法在圖像配準的應用。粒子群智能優(yōu)化方法作為搜索策略，降低了對圖像預處理的要求，進一步提高了基于互信息的非剛性配準的魯棒性。為了克服粒子群算法受初始值選取等因素的影響易陷于局部最優(yōu)的缺點，使用LBFGS(Limited-memory Broyden-Fletcher-Goldfarb-Shanno)優(yōu)化得到的結(jié)果構造初始粒子群，并采用多目