Medical Image Registration by Combining Gradient Vector Flow and Conditional Entropy Measure

In this paper, we propose a medical image registration technique combining the gradient vector flow and modified conditional entropy. The registration is conducted by the use of a measure based on the entropy of conditional probabilities. To achieve the registration, we first define a modified conditional entropy (MCE) computed from the joint histograms for the area intensities of two given images. In order to combine the spatial information into a traditional registration measure, we use the gradient vector flow field. Then the MCE is computed from the gradient vector flow intensity (GVFI) combining the gradient information and their intensity values of original images. To evaluate the performance of the proposed registration method, we conduct experiments with our method as well as existing method based on the mutual information (MI) criteria. We evaluate the precision of MI- and MCE-based measurements by comparing the registration obtained from MR images and transformed CT images. The experimental results show that the proposed method is faster and more accurate than other optimization methods.

기울기 벡터장과 조건부 엔트로피 결합에 의한 의료영상 정합

본 논문에서는 기울기 벡터장과 조건부 엔트로피를 결합한 의료영상 정합 방법을 제안한다. 정합 방법은 조건부 확률의 엔트로피에 기반한 측도를 수행한다. 먼저 공간적 정보를 얻기 위해 윤곽선 정보의 방향을 제공하는 기울기 정보인 기울기 벡터장을 계산한다. 다음으로 주어진 두 영상에서 픽셀의 밝기정보와 에지정보를 결합하여 조인트 히스토그램을 계산하여 조건부 엔트로피를 구하고, 이것을 두 영상의 정합측도로 사용한다. 제안된 방법의 성능평가를 위해 자기공명 영상과 변환된 컴퓨터단층촬영 영상에 기존 방법인 상호정보기반의 측도, 조건부 엔트로피만을 사용한 측도와 비교 실험을 수행한다. 실험결과로부터 제안한 방법이 기존의 최적화 방법들 보다 더 빠르고 정확한 정합임을 알 수 있다.