本发明涉及医疗图像处理领域，尤其是基于非线性最小二乘的图像配准方法，具体地说是一种基于非线性最小二乘的多模态医学图像融合方法以及系统。
背景技术：
目前，随着医学、计算机技术及生物工程技术的发展，医学影像为临床诊断提供了多种模态的医学图像，如CT(计算机x线断层扫描)、MRI(磁共振成像)、SPECT(单光子发射计算机断层成像)、PET(正电子发射计算机断层扫描)、Ⅸ、A(数字减影血管造影技术)、超声图像、电阻抗图像等.不同的医学图像提供了相关脏器的不同信息，比如CT和MRI以较高的空间分辨率提供了脏器的解剖结构信息，而PET尽管空间分辨率较差，但提供了脏器的新陈代谢功能信息.在实际临床应用中，单一模态的图像往往不能提供医生所需要的足够信息，通常需要将不同模态的图像融合在一起，得到更丰富的信息以便了解病变组织或器官的综合信息，从而做出准确的诊断或制订出合适的治疗方案.多模态融合的目的在于充分显示形态成像方法的分辨力高、定位准确这一优势，克服功能成像过程中的空间分辨力和组织对比分辨力低的缺点，使得到的医学图像比原来任何一副图像都能被医生所理解,并能最大限度反映原始图像中的多重信息及其相关联系。
目前多模态医学图像融合方法中主要存在于研究阶段，且存在的一些难点需要突破：1、通用性相对较弱，国外在多模态医学图像融合方面的研究较多，不过大多数也还只是以少数病例为试验对象，并没有真正地普及到临床诊断中去；2、大部分的配准方法只是针对刚体，涉及到软组织变形或位移的图像配准方法较少。
随着医学影像技术的快速发展，出现了不同模态的医学影像。由于成像机理不同和人体组织结构的高度复杂性，图像配准是图像融合首先要解决的问题，也是融合的关键所在。详细的说，如果要对几幅不同的图像作定量分析，首先必须解决这几幅图像的严格对齐问题，即医学图像配准是通过寻找一种空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所有解剖点、或至少是所有具有诊断意义上的点都达到匹配。医学图像配准和医学图像融合有着密切的关系，特别是对多模态图像而言，配准和融合是密不可分的。待融合的图像往往来自于不同的成像设备，它们的成像方位、角度和分辨率等因子都是不同的，所以这些图像中相应组织的位置、大小等都有差异，若事先不对融合图像进行空间上的对准，那么融合后的图像豪无意义。因此，图像配准是图像融合的先决条件，必须先进行配准变换，才能实现准确地融合。
技术实现要素：
本发明的目的是针对不同医学图像之间的数据配准问题，提出一种基于非线性最小二乘的多模态医学图像融合方法以及系统。
本发明的技术方案是：
一种基于非线性最小二乘的多模态医学图像融合方法，它包括以下步骤：
S1、采用多种医疗图像采集设备分别获取同一病灶或感兴趣部位的图像序列组，分别对各图像序列组中的图像序列进行去噪：
S2、采用图像增强方法分别对前述各种医疗图像采集设备获取的图像序列组中的图像序列进行处理；
S3、对前述增强后的各图像序列组进行配准；
S4、对配准后的所有图像序列进行融合获取融合后的成品图像序列组。
本发明的步骤S4之后，还包括S5、采用图像增强方法对融合后的各图像序列进行处理，得到成品图像序列组。
本发明的步骤S2中，图像噪声分为强噪声和弱噪声两种，对强噪声，采用Non Local Mean非局部均值方法去噪；对弱噪声，采用频域分层去噪算法进行处理。
本发明的步骤S3中，配准方法具体为：
S3-1、构造3*3的变换矩阵M1，(前述变换矩阵M1的初始值为任意值，例如：变换矩阵M1的对角初值皆为1)
S3-2、在任一医疗图像采集设备所获取的图像序列组中选择一幅图像A为基准图像，在另一医疗图像采集设备所获取的图像序列组中选择相应的图像B为配准图像，采用公式(1)计算基准图像A和配准图像B的互信息I0；
将变换矩阵M1作为滑动窗口与医学图像B相乘，得到配准后的图像B1，采用公式(1)计算基准图像A和配准图像B1的互信息I1；
其中：n表示互信息的计算编号，初始值为0；a，b分别表示基准图像A和配准图像Bn的灰度；a∈A，b∈Bn；pABn(a,b)表示基准图像A和配准图像Bn的灰度联合概率分布，pA(a)、pBn(b)表示分别表示基准图像A和配准图像Bn的灰度概率分布；
计算互信息初始差值V1＝I1-I0；
S3-3、采用最小二乘法在梯度下降的方向使用高斯牛顿法进行迭代，得到新的3*3变换矩阵M2，将变换矩阵M2作为滑动窗口与医学图像B1相乘，得到配准后的图像B2，计算基准图像A和配准图像B2的互信息I2，计算互信息I2和互信息I1的差值V1，重复步骤S3-3，依此类推，直到互信息的差值Vn小于设定的阈值，迭代结束；
S3-4、将最终的配准图像Bn作为与基准图像A的匹配图像。
本发明的步骤S3-3中，设定的阈值为接近0的小数。(例如：10-1-10-100)
本发明的步骤S4具体为，在待融合的医疗图像采集设备所获取的图像序列中，重复步骤S3分别选取与基准图像A能够匹配的图像，在各序列图像配准的基础上，利用小波分析方法完成图像的融合，
一种基于非线性最小二乘的多模态医学图像融合系统，它包括：
S1、去噪单元，采用多种医疗图像采集设备分别获取同一病灶或感兴趣部位的图像序列组，分别对各图像序列组中的图像序列进行去噪：
S2、增强单元，采用图像增强方法分别对前述各种医疗图像采集设备获取的图像序列组中的图像序列进行处理；
S3、配准单元，对前述增强后的各图像序列组进行配准；
S4、融合单元，对配准后的所有图像序列进行融合获取融合后的成品图像序列组。
本发明的有益效果：
本发明采用基于互信息的配准方法，人工干预少，只依赖于图像本身的信息，不需要任何假设或先验医学知识，也不需要对图像进行特征点提取、组织分类等预处理，是一种自动而有效的配准算法；配准的精度高，可以达到亚象素级；可靠性高，对图像中的几何失真不敏感；不依赖于任何成像设备，可应用于多模态医学图像配准。
具体实施方式
下面结合实施例对本发明作进一步的说明。
一种基于非线性最小二乘的多模态医学图像融合系统，它包括：
S1、去噪单元，采用多种医疗图像采集设备分别获取同一病灶或感兴趣部位的图像序列组，分别对各图像序列组中的图像序列进行去噪：
S2、增强单元，采用图像增强方法分别对前述各种医疗图像采集设备获取的图像序列组中的图像序列进行处理；
S3、配准单元，对前述增强后的各图像序列组进行配准；
S4、融合单元，对配准后的所有图像序列进行融合获取融合后的成品图像序列组。
具体实施时：它包括以下步骤：
S1、采用多种医疗图像采集设备分别获取同一病灶或感兴趣部位的图像序列组，分别对各图像序列组中的图像序列进行去噪：
S2、采用图像增强方法分别对前述各种医疗图像采集设备获取的图像序列组中的图像序列进行处理；其中：图像噪声分为强噪声和弱噪声两种，对强噪声，采用Non Local Mean非局部均值方法去噪；对弱噪声，采用频域分层去噪算法进行处理。
S3、对前述增强后的各图像序列组进行配准，具体为：
S3-1、构造3*3的变换矩阵M1，前述变换矩阵M1的对角初值皆为1为例；
S3-2、在任一医疗图像采集设备所获取的图像序列组中选择一幅图像A为基准图像，在另一医疗图像采集设备所获取的图像序列组中选择对应的一幅图像B为配准图像，采用公式(1)计算基准图像A和配准图像B的互信息I0；
将变换矩阵M1作为滑动窗口与医学图像B相乘，得到配准后的图像B1，采用公式(1)计算基准图像A和配准图像B1的互信息I1；
其中：n表示互信息的计算编号，初始值为0；a，b分别表示基准图像A和配准图像Bn的灰度；a∈A，b∈Bn；pABn(a,b)表示基准图像A和配准图像Bn的灰度联合概率分布，pA(a)、pBn(b)表示分别表示基准图像A和配准图像Bn的灰度概率分布；
计算互信息初始差值V1＝I1-I0；
S3-3、采用最小二乘法在梯度下降的方向使用高斯牛顿法进行迭代，得到新的3*3变换矩阵M2，将变换矩阵M2作为滑动窗口与医学图像B1相乘，得到配准后的图像B2，计算基准图像A和配准图像B2的互信息I2，计算互信息I2和互信息I1的差值V1，重复步骤S3-3，依此类推，直到互信息的差值Vn小于设定的阈值(设定的阈值以10-4为例)，迭代结束；
S3-4、将最终的配准图像Bn作为与基准图像A的匹配图像。
S4、对配准后的所有图像序列进行融合获取融合后的成品图像序列组；在待融合的医疗图像采集设备所获取的图像序列中，重复步骤S3分别选取与基准图像A能够匹配的图像，在各序列图像配准的基础上，利用小波分析方法完成图像的融合。
S5、采用图像增强方法对融合后的各图像序列进行处理，得到成品图像序列组。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。