CN100346170C - 基于非均匀有理基样条的非刚体脑图像配准方法 - Google Patents
基于非均匀有理基样条的非刚体脑图像配准方法 Download PDFInfo
- Publication number
- CN100346170C CN100346170C CNB2003101205405A CN200310120540A CN100346170C CN 100346170 C CN100346170 C CN 100346170C CN B2003101205405 A CNB2003101205405 A CN B2003101205405A CN 200310120540 A CN200310120540 A CN 200310120540A CN 100346170 C CN100346170 C CN 100346170C
- Authority
- CN
- China
- Prior art keywords
- image
- nurbs
- rigid body
- present
- control vertex
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000004556 brain Anatomy 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 230000005489 elastic deformation Effects 0.000 claims description 2
- 230000001915 proofreading effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
Images
Abstract
本发明涉及到磁共振图像图像处理技术领域,本发明提出了一种全新的基于NURBS(非均匀有理基样条)的非刚体脑图像配准方法,既可以实现小变形的图像之间配准,对于图像差异比较大的情况也能够快速,准确配准。本发明可以辅助医生诊断,制订手术方案以及手术导航系统的实施,具有较大的医用价值。本发明将FFD(自由变形)与NURBS结合,通过多层优化来寻求图像的非刚体变形参数,我们主要创新点在于:首先,NURBS取代了均匀B样条基函数。增加了灵活性。其次,在计算变换图像的时候,我们利用了图像处理的反向映射技术,提高了配准结果的精确性。最后,将NURBS子分与多层优化结合,实现快速搜索。
Description
技术领域
本发明涉及到医学MRI(磁共振图像)图像处理技术领域,特别是一种基于NURBS(非均匀有理基样条)的非刚体脑图像配准方法。主要用于医疗诊断中脑图像匹配问题,属于智能信息处理技术。
背景技术
配准问题是医学图像处理中研究的一个热点。一般来说,配准可以分为两类:刚体配准和非刚体配准。刚体配准就是寻找六个未知量,即,三个平移和三个旋转。它的特点是具有仿射不变性。即一幅图像上面的两个点映射到另外一幅图像上,其间的距离保持不变;平行线段经过变换后依然保持平行。显然,如果图像之间变换是非刚体的,刚体配准就不能正确地描述图像之间的关系。这时候就需要非刚体配准,这也是当前人们研究的重点。
医学图像非刚体配准研究经过近十年的发展出现了很多方法(J.V.Hajnal,D.L.G.Hill,and D.J.Hawkes,editors.Medical ImageRegistration.CRC Press,2001.),在这些方法中,比较有效的是Rueckert提出的一个基于均匀基样条的自由变形图像配准(D.Rueckert,L.I.Sonoda,D.L.G.Hill,M.O.Leach,and D.J.Hawkes,“NonrigidRegistration Using Free-Form Deformations:Application to BreastMR Images,”IEEE Trans.Med.Imag.,vol.18,no.8,pp.712-721,Aug.1999.)。一般情况下,他们的方法能够取得令人满意的结果。但是,我们发现这种方法在图像之间差异比较大的时候,例如:不同的人之间的配准结果比较差。通过分析,我们认为配准失败的原因是由于他们使用的FFD(自由变形)仅局限于均匀B样条基函数,为了解决这个问题,我们提出了一种更有效的基于NURBS(非均匀有理基样条)的非刚体脑图像配准。
发明内容
本发明的目的在于针对现有配准方法的不足,提出一种基于NURBS的非刚体脑图像配准方法,该方法不但可以实现小变形的图像之间配准,而且对于图像差异比较大的情况也能够快速,准确的配准。本发明可以辅助医生诊断,制订手术方案以及手术导航系统的实施等,同时,减少了病例诊断过程中的人为干预,具有较大的医用价值。为了使结果更加精确,NURBS子分方法被引入其中,即增加了自由度,同时与多层优化的方法结合使用。最后,我们根据对脑图像的观察,在初始化控制顶点时,考虑了脑图像的特点,为配准提供了一个比较好的初始值。
为实现这样的目的,本发明以FFD与NURBS为基础,通过多层优化来寻求图像的非刚体变形参数,取得了比较好的实验结果。我们主要创新点在于:首先,NURBS取代了均匀基样条基函数。因为,NURBS可以采用非均匀的控制点和节点矢量分布。增加了灵活性。其次,在计算变换图像的时候,我们利用了图像处理的反向映射技术,而不是象以前方法采用正向映射。提高了配准结果的精确性。第三,为了使结果更加精确,NURBS子分方法被引入其中,即增加了自由度,同时与多层优化的方法结合使用。最后,我们根据对脑图像的观察,在初始化控制顶点时,考虑了人脑的结构特点,为配准提供了一个比较好的初始值。
本发明所提出的基于NURBS的非刚体脑图像配准方法,包括自由变形、反向映射,NURBS子分和多层优化等步骤:
1)自由变形
脑图像经过刚体配准后,从整体上对齐了图像,这时候就剩下局部的弹性形变,非刚体配准用来校正这些弹性偏移。
如果采用基于均匀B样条的自由变形,那么基函数与控制顶点只能局限于均匀分布。就失去了一些灵活性。为了克服这个问题,本发明采用了基于NURBS的方法。由于NURBS不但具有B样条的所有性质,而且,它还具有基函数与控制顶点的不均匀性。这就使得我们在搜索变形参数时,可以在变形大的地方设置更多的控制顶点,而在已经匹配好的区域设置比较少的控制顶点。即采用NURBS取代均匀B样条基函数后,变形更具灵活性。
这里V表示控制顶点,W是权重,B表示B样条基函数,p,q,r是控制顶点在三个方向的数目。这样位于控制网格中的图像上每个点都可以由这个变形公式表示。如上所述,按照NURBS有关性质,我们可以根据实际图像的情况来设置控制顶点和节点矢量。
2)反向映射
以前的配准方法在计算变换图像时,多采用正向映射。但是我们知道,采用正向映射,源图像的一个象素可能会对应目标图像的几个象素,而目标图像上面的象素并不一定在源图像上找到对应点。也就是说,在目标图像中可能会产生空洞。以前的方法通常是采用线性插值来插补这些空洞。但是当图像变换比较剧烈或者控制顶点的间距过大时,插值出来的图像会产生不连续。本发明则使用反向映射来避免这个问题。首先,FFD施加在变换图像中每个体素上,得到该体素在源图像中的位置,然后采用B样条插值在源图像中得到该体素的灰度值。因为采用了反向映射和B样条插值相结合的方法,所以在结果图像中避免了图像的不连续性,进而提高了结果的准确性。
3)NURBS子分与多层优化结合
控制顶点的间距比较大的时候,也就是说,描述变形的自由度不够,有必要加入一些新的控制顶点来提供更多的变形参数。而在计算机辅助几何设计,各种参数曲线,曲面都可以通过子分的办法来达到精确描述变形的目的。同样,NURBS曲线可以通过在控制顶点中间插入新的顶点来增加变形能力。在1D情况下,P为原来的控制顶点,P′为新的控制顶点,Pi对应于新控制顶点P′2i。
本发明这种子分方法扩展到3D实体之中。得到八个子分表示。这样每做一次子分,控制顶点数目增加近八倍。
同时,我们对图像进行采样。首先,在最低的分辨率图像上面,对应于给定的控制顶点,进行优化计算,计算完一层之后,增加图像分辨率,同时对控制顶点进行子分,一直到达到满意的效果。也就是说,我们采用了图像与控制顶点多层优化结合的方法。不但避免了优化陷入局部极小值,而且取得更好的结果。
本发明利用了FFD与NURBS相结合的办法来寻求图像变化参数,可以快速,准确对脑图像进行配准。本发明具有临床医用价值,可用于医学图像的病变检测,病人之间病灶的比较,正常人的发育比较以及手术恢复状况的检查。同时,也可以用于手术导航系统中的定位问题等。
附图说明
图1是本发明的基于NURBS的非刚体脑图像配准算法原理图。
图2是本发明的实验结果图。
具体实施方式
为更好地理解本发明的技术方案,以下结合附图及具体的实施例作进一步描述。
本发明基于NURBS的非刚体脑图像配准方法原理如图1所示。图中,给定源图像S和目标图像T,我们的目标是找到变形参数,使得图像S可以通过这个连续变换变到图像T。首先,根据图像大小等具体情况,设置初始的控制顶点。然后对图像S进行基于NURBS的自由变形,在这个过程中间,我们对图像进行采样,具体采用层数与NURBS子分的次数相对应。从最低层逐次到最高层,在每一层上,采用反向映射来计算变换图像,再计算变换图像与目标图像之间的互信息,在该层计算结束时,判断是否达到最佳,如果没有达到,就进行NURBS子分,增加图像分辨率,在下一层上继续计算,直至达到最佳结果。
为了验证我们的算法性能,我们在真实的人脑图像上面进行实验。图像为T1加权项,大小256×256×64,层厚3mm,层内大小为1×1mm,灰度不均匀场为20%,我们取的初始控制顶点为9×9×7。共进行了3层优化。我们选取了7个不同的人进行实验,将其中:一个人作为目标图像,其余六个分别作为源图像。图2给出了其中的两幅图像,a为源图像,b为目标图像,c为经过刚体配准后图像,d为图像b与c之间的差图像,e为用我们的方法得到的结果,f为图像b与e之间的差图像,g为采用均匀B样条方法得到的图像,h为b与g之间的差图像。从图中可以看出我们的方法在准确性上面有很大的提高,误配准大量减少。
为了量化结果,我们比较了结果图像,表1列出了它们之间的相关系数(CC)。一共6组值,并且将它们与使用均匀FFD的方法进行比较。从表中可以看出我们的方法对每个病人都有提高。
表1相关系数(CC)
Patient | 1# | 2# | 3# | 4# | 5# | 6# |
均匀FFD | 0.94876 | 0.88579 | 0.93165 | 0.94952 | 0.88436 | 0.94749 |
NURBS | 0.94941 | 0.90742 | 0.93218 | 0.95014 | 0.90821 | 0.94809 |
从试验结果可以看出,与均匀B样条配准方法比较,我们的方法对于不同人的配准是有效的,同时也提高了结果的精度。
Claims (4)
1、一种基于NURBS的非刚体脑图像配准方法,包括步骤如下:
1)自由变形:脑图像经过刚体配准后,从整体上对齐了图像,这时候就剩下局部的弹性形变,非刚体配准用来校正这些弹性偏移;
2)反向映射:FFD施加在变换图像中每个体素上,得到该体素在源图像中的位置,然后采用B样条插值在源图像中得到该体素的灰度值,反向映射和B样条插值相结合的方法,保证了结果图像的连续性;
3)NURBS子分与多层优化结合:曲面通过子分达到精确描述变形,NURBS曲线在控制顶点中间插入新的点。
2、根据权利要求1的基于NURBS的非刚体脑图像配准方法,其特征在于,在自由变形步骤中,采用基于NURBS自由变形的方法,NURBS具有B样条的所有性质,还具有基函数与控制顶点的不均匀性,搜索变形参数时,可以在变形大的地方设置更多的控制顶点,在已经匹配好或者变形少的区域设置少的控制顶点。
3、根据权利要求1的基于NURBS的非刚体脑图像配准方法,其特征在于,在NURBS子分与多层优化结合中,子分方法扩展到3D实体之中,同时,对图像进行采样,在最低的分辨率图像上面,对应于给定的控制顶点,进行优化计算,计算完一层之后,增加图像分辨率,同时对控制顶点进行子分。
4、根据权利要求1或3的基于NURBS的非刚体脑图像配准方法,其特征在于,采用图像与控制顶点多层优化结合的方法,避免了优化陷入局部极小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2003101205405A CN100346170C (zh) | 2003-12-12 | 2003-12-12 | 基于非均匀有理基样条的非刚体脑图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2003101205405A CN100346170C (zh) | 2003-12-12 | 2003-12-12 | 基于非均匀有理基样条的非刚体脑图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1627095A CN1627095A (zh) | 2005-06-15 |
CN100346170C true CN100346170C (zh) | 2007-10-31 |
Family
ID=34761536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2003101205405A Expired - Fee Related CN100346170C (zh) | 2003-12-12 | 2003-12-12 | 基于非均匀有理基样条的非刚体脑图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100346170C (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101666865B (zh) * | 2009-09-09 | 2012-12-19 | 西北工业大学 | 一种局部快速行进模式的弥散张量核磁共振图像配准方法 |
CN102959584B (zh) * | 2011-12-21 | 2015-03-25 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
CN103854276B (zh) * | 2012-12-04 | 2018-02-09 | 东芝医疗系统株式会社 | 图像配准及分割装置和方法,以及医学图像设备 |
CN105488804B (zh) * | 2015-12-14 | 2018-06-12 | 上海交通大学 | 脑部asl、spect和mri图像配准融合联合分析的方法及系统 |
CN112102384B (zh) * | 2020-10-14 | 2024-03-15 | 山东大学 | 一种非刚性医学影像配准方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5377320A (en) * | 1992-09-30 | 1994-12-27 | Sun Microsystems, Inc. | Method and apparatus for the rendering of trimmed nurb surfaces |
US5452407A (en) * | 1992-06-10 | 1995-09-19 | Amei Technologies Inc. | Method for representing a patient's treatment site as data for use with a CAD or CAM device |
US5800353A (en) * | 1996-02-12 | 1998-09-01 | Mclaurin, Jr.; Robert L. | Automatic image registration of magnetic resonance imaging scans for localization, 3-dimensional treatment planning, and radiation treatment of abnormal lesions |
JP2000300538A (ja) * | 1999-04-23 | 2000-10-31 | Ge Yokogawa Medical Systems Ltd | 画像表示方法、画像表示装置およびmri装置 |
US6486667B1 (en) * | 2000-03-31 | 2002-11-26 | Koninklijke Philips Electronics N.V. | Combination of fluid-attenuated inversion-recovery complex images acquired using magnetic resonance imaging |
JP2003024300A (ja) * | 2001-07-17 | 2003-01-28 | Communication Research Laboratory | Mra画像における脳血管抽出プログラム及び装置 |
CN1435155A (zh) * | 2002-01-28 | 2003-08-13 | 西门子公司 | 通过自动匹配测量场的磁共振成像方法 |
-
2003
- 2003-12-12 CN CNB2003101205405A patent/CN100346170C/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5452407A (en) * | 1992-06-10 | 1995-09-19 | Amei Technologies Inc. | Method for representing a patient's treatment site as data for use with a CAD or CAM device |
US5377320A (en) * | 1992-09-30 | 1994-12-27 | Sun Microsystems, Inc. | Method and apparatus for the rendering of trimmed nurb surfaces |
US5800353A (en) * | 1996-02-12 | 1998-09-01 | Mclaurin, Jr.; Robert L. | Automatic image registration of magnetic resonance imaging scans for localization, 3-dimensional treatment planning, and radiation treatment of abnormal lesions |
JP2000300538A (ja) * | 1999-04-23 | 2000-10-31 | Ge Yokogawa Medical Systems Ltd | 画像表示方法、画像表示装置およびmri装置 |
US6486667B1 (en) * | 2000-03-31 | 2002-11-26 | Koninklijke Philips Electronics N.V. | Combination of fluid-attenuated inversion-recovery complex images acquired using magnetic resonance imaging |
JP2003024300A (ja) * | 2001-07-17 | 2003-01-28 | Communication Research Laboratory | Mra画像における脳血管抽出プログラム及び装置 |
CN1435155A (zh) * | 2002-01-28 | 2003-08-13 | 西门子公司 | 通过自动匹配测量场的磁共振成像方法 |
Non-Patent Citations (2)
Title |
---|
NonrigidRegistrationUsingFree-FormDeformations:Applicationto BreastMRImages D.Rueckert,L.I.Sonoda,C.Hayes,D.L.G.Hill,M.O.Leach,D.J.Hawkes,Medical Imaging,IEEE Transactions on,Vol.18 No.8 1999 * |
基于切片图像的血管三维重建方法 韩西安,杨海涛,邱铭铭,赵东杰,装备指挥技术学院学报,第13卷第3期 2002 * |
Also Published As
Publication number | Publication date |
---|---|
CN1627095A (zh) | 2005-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166133B (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
CN109389587B (zh) | 一种医学图像分析系统、装置及存储介质 | |
CN113570627B (zh) | 深度学习分割网络的训练方法及医学图像分割方法 | |
Lui et al. | Shape-based diffeomorphic registration on hippocampal surfaces using beltrami holomorphic flow | |
CN113506308B (zh) | 一种医学图像中基于深度学习的椎骨定位与脊柱分割方法 | |
CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
Dai et al. | Locating anatomical landmarks on 2D lateral cephalograms through adversarial encoder-decoder networks | |
CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
CN114187338B (zh) | 一种基于估算2d位移场的器官形变配准方法 | |
CN110223331B (zh) | 一种大脑mr医学图像配准方法 | |
CN100346170C (zh) | 基于非均匀有理基样条的非刚体脑图像配准方法 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
CN116650115A (zh) | 一种基于uwb标记点的骨科手术导航注册方法 | |
CN116309754A (zh) | 一种基于局部-全局信息协作的大脑医学图像配准方法及系统 | |
CN110517300A (zh) | 基于局部结构算子的弹性图像配准算法 | |
CN112598669B (zh) | 一种基于数字人技术的肺叶分割方法 | |
CN115937581A (zh) | 一种多站点fMRI数据的分类识别方法 | |
CN111798500B (zh) | 一种基于层次邻域谱特征的微分同胚非刚性配准算法 | |
CN114419309A (zh) | 一种基于大脑T1-w磁共振影像的高维特征自动提取方法 | |
CN114463339A (zh) | 一种基于自注意力的医疗影像分割方法 | |
Fu et al. | Sparse deformation prediction using Markove Decision Processes (MDP) for Non-rigid registration of MR image | |
Lian et al. | Morphological appearance manifolds for group-wise morphometric analysis | |
Feng et al. | A multi-resolution statistical deformable model (MISTO) for soft-tissue organ reconstruction | |
Huang et al. | Multi-modal medical image registration based on gradient of mutual information and morphological Haar wavelet | |
Marias et al. | Image analysis for assessing molecular activity changes in time-dependent geometries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20071031 Termination date: 20171212 |