### 计算两个医学 nii 格式图像的归一化互信息（NMI）并考虑图像尺寸对齐 在医学图像配准中，归一化互信息（Normalized Mutual Information, NMI）是一种常用的相似性度量方法。以下代码展示了如何使用 Python 计算两个 nii 格式的医学图像之间的 NMI，并处理图像尺寸不匹配的问题。 #### 1. 图像尺寸对齐 当两幅图像的尺寸不一致时，需要先将它们重采样到相同的分辨率或裁剪到相同的大小。以下是实现图像尺寸对齐的代码： ```python import numpy as np import nibabel as nib from scipy.ndimage import zoom def resample_image(image_data, target_shape): """ 将图像数据重采样为目标形状。 :param image_data: 原始图像数据 (numpy array) :param target_shape: 目标形状 (tuple) :return: 重采样后的图像数据 (numpy array) """ zoom_factors = [t / s for t, s in zip(target_shape, image_data.shape)] resampled_image = zoom(image_data, zoom_factors, order=1, mode='nearest') return resampled_image # 加载nii格式图像 image1_nii = nib.load("image1.nii") image2_nii = nib.load("image2.nii") image1_data = image1_nii.get_fdata() image2_data = image2_nii.get_fdata() # 确保图像尺寸一致 if image1_data.shape != image2_data.shape: target_shape = image1_data.shape # 以第一张图像为基准 image2_data = resample_image(image2_data, target_shape) ``` #### 2. 归一化互信息计算 以下代码实现了归一化互信息的计算。该算法通过直方图估计联合概率分布和边缘概率分布。 ```python def calculate_mutual_information(image1, image2, bins=64): """ 计算两幅图像的归一化互信息。 :param image1: 第一幅图像数据 (numpy array) :param image2: 第二幅图像数据 (numpy array) :param bins: 直方图的bins数量 :return: 归一化互信息值 (float) """ # 展平图像数据 image1_flat = image1.flatten() image2_flat = image2.flatten() # 创建联合直方图 hist_2d, _, _ = np.histogram2d(image1_flat, image2_flat, bins=bins) # 计算联合概率分布 pxy = hist_2d / float(np.sum(hist_2d)) px = np.sum(pxy, axis=1) # 边缘分布 p(x) py = np.sum(pxy, axis=0) # 边缘分布 p(y) # 计算熵 entropy_x = -np.sum(px * np.log2(px + 1e-10)) # 防止log(0) entropy_y = -np.sum(py * np.log2(py + 1e-10)) # 计算联合熵 joint_entropy = -np.sum(pxy * np.log2(pxy + 1e-10)) # 计算互信息 mutual_information = entropy_x + entropy_y - joint_entropy # 归一化互信息 normalized_mutual_information = 2 * mutual_information / (entropy_x + entropy_y) return normalized_mutual_information # 计算NMI nmi_value = calculate_mutual_information(image1_data, image2_data, bins=64) print(f"归一化互信息值: {nmi_value}") ``` #### 3. 注意事项 - 在计算 NMI 之前，确保两幅图像的像素值范围一致。例如，CT 图像通常以 Hounsfield 单位（HU）表示，而 MRI 图像可能具有不同的灰度范围[^3]。 - 如果图像的体素间距不同，可以通过调整 `affine` 矩阵进行重采样[^1]。 - 使用直方图时，`bins` 的选择会影响结果的准确性。通常可以选择 32、64 或 128 作为默认值。 ---