曹国刚，朱信玉，陈 颖，曹 聪，孔德卿

（上海应用技术大学计算机科学与信息工程学院，上海，201418）

引 言

由于单一模态的医学图像难以提供充足的病灶信息，通常将多模态的医学图像进行融合，从而辅助医生诊断。在进行图像融合前，需要对患者的医学图像进行配准，即在参考图像与浮动图像之间通过寻优算法找到最优的空间变换参数，使两幅图像在误差最小的情况下对齐，其本质是参数优化问题[1-3]。

经典医学图像配准框架主要包括测度函数、优化算法、空间变换、插值4 个方面。其中，相似性测度是图像配准结果的衡量指标，测度函数值用来表示两幅图像的对齐程度[4]。常见的测度函数包括互信息(Mutual informational, MI)、条件方差和(Sum of conditional variance, SCV)[5]、归一化互信息(Normalized MI, NMI)[6]、交叉累计剩余熵(Cross cumulative residual entropy, CCRE)[7-8]、归一化互相关(Normalization cross-correlation, NCC)[9]等。寻优算法在图像配准的过程中对配准精度与速度起到决定性作用。当前优化算法主要分为局部优化算法与全局优化算法两种，常用的局部优化算法包括梯度下降法、Powell 算法、单纯形搜索法，全局优化算法包括遗传算法、差分进化算法[10-11]、粒子群算法[12-13]等。测度函数普遍存在多极值问题，因而仅使用局部搜索算法难以逃离局部最优，虽然全局搜索算法可以跳出局部最优，但此类算法存在计算量大、收敛速度慢等问题。在医学图像配准领域，采用多分辨率策略可以充分结合局部优化算法和全局优化算法的优点，有效地缩短运算时间，同时保证较高的配准精度。如文献[14]将粒子群优……