在已有的适合应用的图像配准算法中,以基于特征点(面)或基于相关系数的配准算法居多,特征点(面)算法原理简单但需要人工介入,且配准精度受限于特征点(面)的提取分割模式,而相关系数配准算法由于计算前先假设了两图像灰度间存在着线性关系,不适合多模态图像配准.该论文提出了基于最大互信息测度的多模态图像配准方法.该论文的互信息配准测度认为两幅基于共同的解剖结构的图像达到最佳配准时它们重叠部分对应的像素的灰度互信息值为最大.基于最大互信息的方法不需要对多模态图像灰度间关系作一些其他的先验假设,也不需要对图像进行分割和预处理.该论文是将图像像素灰度视为随机变量,使用联合(和边缘)概率分布理论和信息熵理论来求解两图像的互信息.另外,由于重叠部分的联合(和边缘)灰度直方图不需要计算互信息的导数,故用来计算两图像像素的联合概率分布,这使得配准算法简单且易于实现.该文在搜索最大互信息时引入了爬山法和遗传算法两种参数优化方法.爬山法适合于局部快速收敛,能够很快找到局部最优解,但容易限于局部陷阱跳不到下一个更优解;而遗传算法在全局搜索上有良好的性能,能很快的逼近全局最优解.所以该论文结合二者的优点给出了以互信息作为适应值的混合遗传算法.为了加快算法的运行速度,论文特别使用采样因子策略和多分辨率策.综合实验结果,我们认为该论文所研究的基于混合遗传算法的最大互信息配准模式是一种可以达到亚像素级精度的、稳健的和完全自动的多模态图像配准模式.该模式在提高计算速度的基础上可以使用到临床上.