CN100571632C - X线透视人体影像自动融合拼接方法 - Google Patents
X线透视人体影像自动融合拼接方法 Download PDFInfo
- Publication number
- CN100571632C CN100571632C CNB2007100299564A CN200710029956A CN100571632C CN 100571632 C CN100571632 C CN 100571632C CN B2007100299564 A CNB2007100299564 A CN B2007100299564A CN 200710029956 A CN200710029956 A CN 200710029956A CN 100571632 C CN100571632 C CN 100571632C
- Authority
- CN
- China
- Prior art keywords
- image
- splicing
- human body
- anastomosing
- translational movement
- 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.)
- Active
Links
Images
Abstract
本发明涉及医学影像技术领域,尤其涉及X线透视人体影像拼接方法。本发明提供的X线透视人体影像自动融合拼接方法包括以下步骤:(1)输入图像;(2)人体部位智能识别;(3)多尺度由粗到精平移量估计;(4)灰度融合拼接;(5)结束。本发明具有全自动的人体X线图像拼接功能,不需要繁琐的交互,大大提高了医生的工作效率,使他们更专注于专业诊断;本发明基于图像信息的智能分析及处理,完全不依赖于成像硬件系统的限制,使其具有更广泛的适应性;由于采用了针对性的匹配算法,及图像预处理,拼接可靠性高;采用了多尺度,由粗到精的平移量估计算法,使得处理速度大大提高,完全能满足医疗实用的实时性要求。
Description
技术领域
本发明涉及医学影像技术领域,尤其涉及X线透视人体影像拼接方法。
背景技术
对于部分X射线医疗影像的应用,特别是对于矫形骨科,医生常需要得到病人完整的上肢、下肢X线影像,或者完整的脊椎影像,甚至是一个完整的人体影像,而由于X线摄影系统中成像器件尺寸有限,我们只能对有较大尺寸的对象分成几次拍摄成像,后处理中把多个图像拼接成一个完整的无缝连接影像则必不可少。其中有以下技术难点:①由于X线摄型系统成像本质是透视成像,每个像素点理论上是X线透过整个厚度方向上直线轨迹的影像的积分,对于有厚度的人体来说,不同的投影角度意味着不同厚度上的解剖组织在相邻成像的图像中相对位置发生了显著改变,而且投影形变也有着很明显的差异,特别是成像系统的SID较短时更为严重;②在拍摄胸腹部的时候,由于肺部,心脏,肠胃等器官的不自主运动,也造成了相邻图像同解剖组织成像的明显差异;③由于曝光因素,上下相邻图像成像的公共区域灰度有明显的差异;④参与运算的图像数据巨大,特别是在拼接整个人体时,考虑到医疗的实用需求,因此运算量,拼接耗时的问题必须要兼顾。
国内目前的可实用的做法,是人为精确定位几组相邻图像的共同解剖特征,然后使用软件方法拼接在一起,这种方法拼接完全依赖于医生的主观判断,需要非常繁琐的交互选择过程才能完成拼接工作,效率很低,医生容易疲劳出错。在国外目前的技术是:①以色利人提出过一种依赖于外部标尺的自动拼接方法,该方法提取标尺的特征进行拼接,比较可靠,但此方法通常只能用于上下肢体的拼接(此时标志置于拍摄对象旁边),对于脊椎的拼接由于标尺只能放于身体和床台之间,由于透视成像,标尺的影像会与人体影像重叠遮挡,此时标尺的特征不易提取,特征匹配容易出错,结果也不可靠;②AGFA公司配合他们的X线摄像硬件系统,提出了自己的解决方案,他们在每张影像的成像末端放置金属网格,拼接过程中依赖于提取这些网格的特征,使网格配准来拼接图像,该方法的拼接结果比较可靠,也能对付所有类型的拼接,但是也有其不足之处,首先此方法必须配合他们专用的硬件系统,应用比较受限;其次由于影像中的网格对医生的诊断会带来一定的干扰。
发明内容
本发明的目的是提供一种X线透视人体影像自动融合拼接方法,可以解决以下问题:(1)针对不同角度透视成像、人体器官不自主运动带来的相邻图像重叠区域图像差异及运算量大的问题;(2)拼接时相邻图像的灰度差问题。
本发明的目的由以下技术方案实现:
一种X线透视人体影像自动融合拼接方法,其特征在于,包括以下步骤:
(1)输入图像;
(2)人体部位智能识别;
(3)多尺度由粗到精平移量估计;
(4)灰度融合拼接;
(5)结束。
所述人体部位智能识别的具体实施方式为,对于相邻图像重叠区部位提取一条横向的图像带,进行图像分析,结合人体解剖学知识(人体的骨骼空间位置),及不同组织对X射线的吸收率的差异而导致的灰度差异,智能判断出拼接的部位(脊椎、髋部、双下肢、单长肢),根据不同的部位选取不同的算法来处理。
多尺度由粗到精平移量估计中,根据不同的部位判断,对特征区和搜索区进行有区别的提取。
多尺度由粗到精平移量估计中,首先对灰度图像进行了梯度运算,匹配特征域为梯度域,匹配准则为最大相关系数测度准则。
多尺度由粗到精平移量估计中,对提取出来的特征区及搜索区根据不同的部位应用了不同处理参数的数学形态学Tophat处理,增强其细节,并进行了自动的窗宽窗位对比度增强处理。
灰度融合拼接的方法为:首先,对相邻图像的重叠区域的灰度差异进行标定,扩展图像的像素深度,并将此差异补偿作用于整幅图像;然后,采用加权融合拼接为一幅整图;之后,对拼接后的整体进行灰度拉伸,恢复到图像原始的像素深度;最后,通过整幅图的灰度直方图特性,重新计算其用于显示的图像窗宽窗位。
本发明的优点:
①全自动的人体X线图像拼接功能,不需要繁琐的交互;
②基于图像信息的智能分析及处理,完全不依赖于成像硬件系统的限制,使其具有更广泛的适应性;
③由于采用了针对性的匹配算法,及图像预处理,拼接可靠性高;
④采用了多尺度,由粗到精的平移量估计算法,使得处理速度大大提高,完全能满足医疗实用的实时性要求。
附图说明
图1为本发明的流程图;
图2为本发明中多尺度,由粗到精的平移量估计算法的流程图;
图3为本发明在临床应用中的效果图,左列为待拼接的图像,右列为自动拼接结果。
具体实施方式
请参阅图1,本发明提供的X线透视人体影像自动融合拼接方法包括以下步骤:
(1)输入图像;
(2)人体部位智能识别;
(3)多尺度由粗到精平移量估计;
(4)灰度融合拼接;
(5)结束。
下面对“人体部位智能识别”、“多尺度由粗到精平移量估计”及“灰度融合拼接”的具体实施方式进行详细描述:
①人体部位智能识别
对于相邻图像重叠区部位提取一条横向的图像带,进行图像分析,结合人体解剖学知识(人体的骨骼空间位置),及不同组织对X射线的吸收率的差异而导致的灰度差异,智能判断出拼接的部位(脊椎、髋部、双下肢、单长肢),根据不同的部位选取不同的算法来处理,这样较好地解决了因不同透视角度而造成的不同厚度的空间位置差异,大大地提高了拼接的可靠性。比如,如果人体智能识别算法识别出拼接部位为脊椎,则在特征选择时仅选择局部脊椎进行拼接,由于脊椎在人体的相同的深度位置,因此相邻图像的脊椎重叠部分受不同透视角度影响最小,这样就让因不同透视角度带来的不利影响最小化了;反之,如果错误地选择了局部肋骨作为拼接特征,则由于肋骨和脊椎在不同的深度位置,则拼接结果会带来脊椎拼接的较大误差,而此时用重叠区的全局图像去拼接,则因为不同透视图像差异,拼接结果不可靠。
②多尺度、由粗到精的平移量估计算法
由于用于拼接的图像常常是采用最大探测器尺寸来进行拍摄,图像空间分辨率较大,多张图像则形成了巨大的数据量,如果对每幅图像在原始尺度(最小尺度)下进行全局特征搜索匹配,则运算量相当巨大,非常耗时,无法满足医疗实用。由此,本案发明人提出了多尺度,由粗到精的算法方案。结合参阅图2,所述多尺度由粗到精平移量估计的算法包括:a.首先根据图像大小自适应多尺度分解为N级;b.在N尺度下,初始化特征区和搜索区,进行图像平移量估计,并获取在该尺度下的图像平移量;c.根据N尺度下获取的平移量,在N-1尺度下初始化特征区和搜索区,进行图像平移量估计,并获取在该尺度下的图像平移量;d.重复执行步骤c,直至在第1尺度下获取图像的平移量。
本实施例提供的多尺度、由粗到精的平移量估计算法中,根据不同的部位判断,对特征区和搜索区进行有区别的提取,为了解决由于曝光条件不同带来的灰度差异的影响,首先对灰度图像进行梯度运算,匹配特征域为梯度域,匹配准则为最大相关系数测度准则;为了进一步提高匹配的精度和可靠性,对提取出来的特征区及搜索区根据不同的部位应用了不同处理参数的数学形态学Tophat处理,增强其细节,并进行了自动的窗宽窗位对比度增强处理。
③灰度融合拼接
在确定了相邻图像的精确平移量后,需要通过算法将它们无缝拼接为一幅整图,由于曝光量不同所带来的图像灰度差异,采用普通灰度融合算法,会导致拼接后的重叠区域有明显的带状灰度异常区域。为此我们提出了自己的解决办法,首先对相邻图像的重叠区域的灰度差异进行了标定,扩展图像的像素深度,并将此差异补偿作用于整幅图像,然后采用加权融合拼接为一幅整图,然后对拼接后的整体进行灰度拉伸,恢复到图像原始的像素深度,最后通过整幅图的灰度直方图特性,重新计算其用于显示的图像窗宽窗位。
本发明的优点体现在:
①全自动的人体X线图像拼接功能,不需要繁琐的交互;
②基于图像信息的智能分析及处理,完全不依赖于成像硬件系统的限制,使其具有更广泛的适应性;
③由于采用了针对性的匹配算法,及图像预处理,拼接可靠性高;
④采用了多尺度,由粗到精的平移量估计算法,使得处理速度大大提高,完全能满足医疗实用的实时性要求。
本发明在应用时,X线医疗影像人体自动融合拼接方法经过C++编程语言在计算机上实现,封装成一个DLL模块(动态链接库,Dynamic Link Library)。这个模块主要集成在DROC(数字摄影操作台)或医疗影像工作站上。DROC或医疗影像工作站的软件调用拼接模块的接口,输入图像数据就可以得到自动融合拼接图像结果,图3为本发明在临床应用中的效果图,左列为待拼接的图像,右列为自动拼接结果。
Claims (4)
1.一种X线透视人体影像自动融合拼接方法,其特征在于,包括以下步骤:
(1)输入图像;
(2)人体部位智能识别;具体实施方式为:对于相邻图像重叠区部位提取一条横向的图像带,进行图像分析,结合人体的骨骼空间位置及不同组织对X射线的吸收率的差异而导致的灰度差异,智能判断出拼接的部位,根据不同的部位选取不同的算法来处理;
(3)多尺度由粗到精平移量估计;具体的算法包括:a.首先根据图像大小自适应多尺度分解为N级;b.在N尺度下,初始化特征区和搜索区,进行图像平移量估计,并获取在该尺度下的图像平移量;c.根据N尺度下获取的平移量,在N-1尺度下初始化特征区和搜索区,进行图像平移量估计,并获取在该尺度下的图像平移量;d.重复执行步骤c,直至在第1尺度下获取图像的平移量;
(4)灰度融合拼接;具体方法为:首先,对相邻图像的重叠区域的灰度差异进行标定,扩展图像的像素深度,并将此差异补偿作用于整幅图像;然后,采用加权融合拼接为一幅整图;之后,对拼接后的整体进行灰度拉伸,恢复到图像原始的像素深度;最后,通过整幅图的灰度直方图特性,重新计算其用于显示的图像窗宽窗位;
(5)结束。
2.如权利要求1所述的X线透视人体影像自动融合拼接方法,其特征在于,多尺度由粗到精平移量估计中,根据不同的部位判断,对特征区和搜索区进行有区别的提取。
3.如权利要求1所述的X线透视人体影像自动融合拼接方法,其特征在于,多尺度由粗到精平移量估计中,首先对灰度图像进行了梯度运算,匹配特征域为梯度域,匹配准则为最大相关系数测度准则。
4.如权利要求1所述的X线透视人体影像自动融合拼接方法,其特征在于,多尺度由粗到精平移量估计中,对提取出来的特征区及搜索区根据不同的部位应用了不同处理参数的数学形态学Tophat处理,增强其细节,并进行了自动的窗宽窗位对比度增强处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100299564A CN100571632C (zh) | 2007-08-24 | 2007-08-24 | X线透视人体影像自动融合拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100299564A CN100571632C (zh) | 2007-08-24 | 2007-08-24 | X线透视人体影像自动融合拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101112315A CN101112315A (zh) | 2008-01-30 |
CN100571632C true CN100571632C (zh) | 2009-12-23 |
Family
ID=39020952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2007100299564A Active CN100571632C (zh) | 2007-08-24 | 2007-08-24 | X线透视人体影像自动融合拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100571632C (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200057086A (ko) * | 2017-10-16 | 2020-05-25 | 수저우 마이크로뷰 메디칼 테크놀로지스 컴퍼니 리미티드 | 이미지 정합 방법 및 이미지 스티칭 방법과 장치 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593350B (zh) * | 2008-05-30 | 2013-01-09 | 日电(中国)有限公司 | 深度自适应视频拼接的方法、装置和系统 |
CN101806756B (zh) * | 2010-03-19 | 2012-03-28 | 广东正业科技股份有限公司 | 一种用x射线检测pcb的方法 |
CN102184560B (zh) * | 2011-03-25 | 2013-01-30 | 南昌航空大学 | 一种基于模板的ccd-dr图像拼接方法 |
CN103164685B (zh) * | 2011-12-09 | 2016-04-27 | 株式会社理光 | 车灯检测方法和车灯检测设备 |
JP6158018B2 (ja) * | 2012-09-28 | 2017-07-05 | 東芝メディカルシステムズ株式会社 | 核医学診断装置、および画像処理方法 |
CN103919525B (zh) * | 2013-01-14 | 2016-12-28 | 荣晶生物科技股份有限公司 | 拼接图像的方法及摄像系统 |
CN104637055B (zh) * | 2015-01-30 | 2018-09-28 | 天津科技大学 | 一种基于小尺度特征点的高精度图像匹配方法 |
CN106483548B (zh) * | 2015-08-28 | 2019-07-26 | 北京纳米维景科技有限公司 | 一种光子计数探测器阵列及其成像方法 |
CN105205784B (zh) * | 2015-09-15 | 2018-10-09 | 上海联影医疗科技有限公司 | 标尺识别方法及影像拼接方法 |
CN107833231B (zh) * | 2017-11-22 | 2020-12-04 | 上海联影医疗科技股份有限公司 | 医学图像显示方法、装置和计算机存储介质 |
CN111493931A (zh) * | 2019-08-01 | 2020-08-07 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法及设备、计算机可读存储介质 |
US11564651B2 (en) * | 2020-01-14 | 2023-01-31 | GE Precision Healthcare LLC | Method and systems for anatomy/view classification in x-ray imaging |
CN111815514A (zh) * | 2020-06-17 | 2020-10-23 | 东软医疗系统股份有限公司 | 影像获取方法、装置、可读存储介质及影像采集设备 |
CN113822820A (zh) * | 2021-10-22 | 2021-12-21 | 上海电气(集团)总公司智惠医疗装备分公司 | 一种图像校正方法、装置及电子设备 |
CN117252762A (zh) * | 2023-09-18 | 2023-12-19 | 上海涛影医疗科技有限公司 | 全自动人体全长x光影像融合拼接方法及装置 |
-
2007
- 2007-08-24 CN CNB2007100299564A patent/CN100571632C/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200057086A (ko) * | 2017-10-16 | 2020-05-25 | 수저우 마이크로뷰 메디칼 테크놀로지스 컴퍼니 리미티드 | 이미지 정합 방법 및 이미지 스티칭 방법과 장치 |
KR102376800B1 (ko) | 2017-10-16 | 2022-03-21 | 수저우 마이크로뷰 메디칼 테크놀로지스 컴퍼니 리미티드 | 이미지 정합 방법 및 이미지 스티칭 방법과 장치 |
Also Published As
Publication number | Publication date |
---|---|
CN101112315A (zh) | 2008-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100571632C (zh) | X线透视人体影像自动融合拼接方法 | |
US8620050B2 (en) | System and method for 2-D/3-D registration between 3-D volume and 2-D angiography | |
Baiker et al. | Atlas-based whole-body segmentation of mice from low-contrast Micro-CT data | |
CN104254874B (zh) | 用于辅助2d‑3d图像配准的方法及系统 | |
CN106056537A (zh) | 一种医学图像拼接方法及装置 | |
EP3261545B1 (en) | Robust calcification tracking in fluoroscopic imaging | |
CN110599447B (zh) | 一种肝癌病灶数据的处理方法、系统和存储介质 | |
CN105641814A (zh) | 用于处理医学图像的装置、方法和程序以及放射治疗装置 | |
CN106296613A (zh) | 一种基于dr机器的双能量减影方法 | |
CN103514591A (zh) | 基于orb配准的dr图像拼接方法及系统 | |
CN103729834B (zh) | 一种x射线影像的自适应拼接方法及其拼接系统 | |
JP4274400B2 (ja) | 画像の位置合わせ方法および装置 | |
Zimmer et al. | A multi-task approach using positional information for ultrasound placenta segmentation | |
Miao et al. | A hybrid method for 2-D/3-D registration between 3-D volumes and 2-D angiography for trans-catheter aortic valve implantation (TAVI) | |
Miao et al. | System and method for 3-D/3-D registration between non-contrast-enhanced CBCT and contrast-enhanced CT for abdominal aortic aneurysm stenting | |
Liao et al. | Automatic and efficient contrast-based 2-D/3-D fusion for trans-catheter aortic valve implantation (TAVI) | |
US10535149B2 (en) | Imaging device for registration of different imaging modalities | |
Zhou et al. | N-net: 3d fully convolution network-based vertebrae segmentation from ct spinal images | |
CN105469365A (zh) | 一种抑制数字化x线胸片图像中骨骼阴影的方法及系统 | |
Miao et al. | Toward smart utilization of two X-ray images for 2-D/3-D registration applied to abdominal aortic aneurysm interventions | |
Gatta et al. | Non-rigid multi-modal registration of coronary arteries using SIFTflow | |
WO2020031071A1 (en) | Internal organ localization of a subject for providing assistance during surgery | |
Moukalled | Segmentation of laryngeal high-speed videoendoscopy in temporal domain using paired active contours | |
Miao et al. | Toward smart utilization of two X-ray images for 2-D/3-D registration applied to abdominal aortic aneurysm interventions | |
Pilgram et al. | Proximal femur segmentation in conventional pelvic x ray |
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 |