CN101926676B - 一种自动识别特征点的医用影像跟踪方法和装置 - Google Patents
一种自动识别特征点的医用影像跟踪方法和装置 Download PDFInfo
- Publication number
- CN101926676B CN101926676B CN2009101481968A CN200910148196A CN101926676B CN 101926676 B CN101926676 B CN 101926676B CN 2009101481968 A CN2009101481968 A CN 2009101481968A CN 200910148196 A CN200910148196 A CN 200910148196A CN 101926676 B CN101926676 B CN 101926676B
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- width
- image
- point
- cloth image
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种自动识别特征点的医用影像跟踪技术,涉及影像配准技术,能够利用影像本身的信息进行肿瘤的实时跟踪,具体包括:特征点的自动识别:计算影像各像素的特征维度并确定特征点;特征点的自动匹配:计算特征点的方向直方图,并进行影像之间特征点的匹配;影像配准和跟踪:对匹配上的特征点对进行分组,得到影像间在各自由度上的偏移矢量。本发明还同时公开了一种医用影像跟踪的装置,包括:梯度矩阵构建模块,特征点的自动识别模块,方向直方图计算模块,特征点的自动匹配模块,特征点排序模块,影像配准和跟踪模块。本发明的影像跟踪的方法和装置可以广泛应用于各种医疗系统。
Description
技术领域
本发明涉及影像配准技术,具体涉及一种自动识别特征点的医用影像跟踪方法和装置。
背景技术
在当今的放射治疗中,呼吸等脏器运动影响了高剂量的适形放疗,如调强适形放疗(intensity modulated radiation therapy,IMRT)等。
一般是把一个三维的肿瘤影像作为静止的目标,对它实施高剂量的适形调强放疗。然而对于胸腹部的肿瘤来说,由于呼吸运动的影响,肿瘤在放疗过程中会偏离射野。目前常规的做法是把整个肿瘤靶区的范围扩大,使它包括肿瘤的全部运动范围,但这也导致了照射本来不该照射的正常组织。因此最理想的解决方案是能够让放射源实时跟踪肿瘤的运动,也就是能够对肿瘤实时定位。
目前最先进的实时肿瘤跟踪方法是往人体植入X射线成像高清晰的金属颗粒或者是可以电磁跟踪的标志点。在放疗过程中通过对这些标志点的实时成像——如X射线成像——来达到实时肿瘤跟踪的目的。标志点植入技术在欧美已经日益广泛地应用于肺癌、肝癌、胰腺癌、乳腺癌和前列腺癌等诸多病症的治疗。该技术虽然能够实时跟踪肿瘤,但是这些标志点必须在放射治疗前约两周通过手术的方式植入人体,而且在放疗之后,标志点将永久地保留在人体中,对患者造成新的创伤,给患者在放疗前后都造成新的痛苦和患病的风险。
发明内容
本发明实施例提供一种无创的实时肿瘤跟踪技术来取代标志点跟踪。它能够充分提取影像自身的信息,直接利用影像本身进行肿瘤的实时跟踪。
为达到上述目的,本发明的技术方案具体是这样实现的:
一种自动识别特征点的医用影像跟踪方法,该方法包括:
对于影像中的每一个像素,计算该像素周围3×3个点的梯度,从而构建该像素的2×9阶梯度矩阵;
计算影像各像素的特征维度并确定特征点;
计算特征点的方向直方图,并进行影像间特征点的匹配;
对匹配上的特征点对进行分组,得到影像间在各自由度上的偏移矢量;
所述计算影像各像素的特征维度并确定特征点的方法为:对于影像中的每一个像素,计算该像素的梯度矩阵与其转置的乘积,得到2×2阶的矩阵,并计算该矩阵的特征值;当两个特征值的绝对值大小均大于等于给定阈值时,将该像素加入特征点列;当两个特征值的绝对值大小至少有一个小于给定阈值时,该像素不被加入特征点列;
所述计算特征点的方向直方图的方法为:对于影像中的每一个特征点,计算该特征点周围8×8个点的梯度和梯度方向,将这8×8个点以特征点为圆心,按照所在象限分为四组,将每一组中的4×4个点的梯度方向分为八组,分别统计这64个点落入4×8个组中的点数,从而构成该特征点的方向直方图;
所述影像间特征点的匹配方法为:对于第一幅影像中的特征点,寻找其在第二幅影像中的匹配点;对于第二幅影像中的特征点,寻找其在第一幅影像中的匹配点;找出两幅影像间相互匹配的特征点对;
所述对于第一幅影像中的特征点,寻找其在第二幅影像中的匹配点的方法为:对于第一幅影像中的每一个特征点,在第二幅影像中以该特征点坐标为中心,在其周围给定的阈值范围内搜索特征点,在搜索到的第二幅影像的特征点中找出其方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的两个特征点p2和p′2,该距离用两幅影像特征点的方向直方图所对应的32个组的差值的平方和再开方进行计算;判断搜索到的第二幅影像的特征点个数是否大于给定阈值,如果是,则将在第二幅影像中方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的特征点p2确定为p1的匹配点,并计算两个特征点间的相似度;
所述相似度的计算方法为:计算第一幅影像中该特征点p1在第二幅影像中所对应的次接近点p′2与p1的方向直方图之间的距离,和p1在第二幅影像中所对应的匹配点p2与p1的方向直方图之间的距离之比;同理可得出对于第二幅影像中的特征点,寻找其在第一幅影像中的匹配点的方法;
所述找出两幅影像间相互匹配的特征点对的方法为:对于第一幅影像中的每一个特征点,如果该特征点p1与其在第二幅影像中的匹配点p2所对应的其在第一幅影像中的匹配点一致,并且p1和p2在两幅影像中的相似度都大于给定阈值,则认为p1和p2匹配成功,并称其为一个特征点对;所述对特征点对进行分组的方法之前,将特征点对按照这两个点相似度的乘积大小进行排序;
所述对特征点对进行分组的方法:按照特征点对的顺序,分别计算每一特征点对与其前面的特征点对的偏移矢量的两个分量的距离;如果两个分量的距离都小于给定阈值,则把该特征点对归入前面那个特征点对所在分组,并对该组计数加一;否则新建分组,并对该组计数加一;如果某一组的计数首先达到设定的阈值,则把该组的偏移矢量确定为两幅影像间的偏移矢量。
另外,还有必要提供一种医用影像跟踪的装置,该装置包括:梯度矩阵构建模块,特征点的自动识别模块,方向直方图计算模块,特征点的自动匹配模块,特征点排序模块,影像配准和跟踪模块;
所述梯度矩阵构建模块,对于影像中的每一个像素,计算该像素周围3×3个点的梯度,从而构建该像素的2×9阶梯度矩阵;
所述特征点的自动识别模块,对于影像中的每一个像素,计算该像素的梯度矩阵与其转置的乘积,得到2×2阶的矩阵,并计算该矩阵的特征值;当两个特征值的绝对值大小均大于等于给定阈值时,将该像素加入特征点列;当两个特征值的绝对值大小至少有一个小于给定阈值时,该像素不被加入特征点列;
所述方向直方图计算模块,对于影像中的每一个特征点,计算该特征点周围8×8个点的梯度和梯度方向;将这8×8个点以特征点为圆心,按照所在象限分为四组,将每一组中的4×4个点的梯度方向分为八组;分别统计这64个点落入4×8个组中的点数,从而构成该特征点的方向直方图;
所述特征点的自动匹配模块,对于第一幅影像中的每一个特征点,在第二幅影像中以该特征点坐标为中心,在其周围给定的阈值范围内搜索特征点;在搜索到的第二幅影像的特征点中找出其方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的两个特征点p2和p′2;该距离用两幅影像特征点的方向直方图所对应的32个组的差值的平方和再开方进行计算;
判断搜索到的第二幅影像的特征点个数是否大于给定阈值;如果是,则将在第二幅影像中方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的特征点p2确定为p1的匹配点,并计算两个特征点间的相似度;
该相似度的计算方法为:计算第一幅影像中该特征点p1在第二幅影像中所对应的次接近点p′2与p1的方向直方图之间的距离,和p1在第二幅影像中所对应的匹配点p2与p1的方向直方图之间的距离之比。
对于第一幅影像中的每一个特征点,如果该特征点p1与其在第二幅影像中的匹配点p2所对应的其在第一幅影像中的匹配点一致,并且p1和p2在两幅影像中的相似度都大于给定阈值,则认为p1和p2匹配成功,并称其为一个特征点对。
所述控制点排序模块,将特征点对按照这两个点相似度的乘积大小进行排序。
所述影像配准和跟踪模块,按照特征点对的顺序,分别计算每一特征点对与其前面的特征点对的偏移矢量的两个分量的距离。如果两个分量的距离都小于给定阈值,则把该特征点对归入前面那个特征点对所在分组,并对该组计数加一;否则新建分组,并对该组计数加一。如果某一组的计数首先达到设定的阈值,则把该组的偏移矢量确定为两幅影像间的偏移矢量。
由上述的技术方案可见,本发明实施例的这种自动识别特征点的影像跟踪的方法和装置,自动地在待配准的两幅影像中搜索特征点并在影像间进行特征点的自动匹配。利用匹配好的特征点对之间坐标的差值来决定肿瘤运动的大小和方向。
相比传统的影像处理技术仅仅利用了影像的灰度信息,该技术的优势在于能够考虑解剖结构的先验知识,充分提取影像本身的信息,包括连续性信息、形状、质地、纹理等。该技术适用于各种放疗设备所配备的实时影像监控装置,例如加速器放疗中所用到的在板成像系统(onboard imaging system,OBI)、电子射野影像装置(electronic portal imaging device,EPID),以及赛博刀(CyberKnife)中所用的X射线立体成像等等。
该技术对患者来说无创,对放射治疗设备来说不需要额外的硬件支持。可以用于肿瘤的实时跟踪定位,并为呼吸门控技术以及四维放疗技术提供实时的运动监控信息。该技术可以广泛应用于各种影像导引的放射治疗系统(image-guided radiation therapy,IGRT)。
附图说明
图1为本发明实施例中自动识别特征点的医用影像跟踪方法的流程示意图。
图2为本发明实施例中特征点的自动识别流程示意图。
图3为本发明实施例中特征点的自动匹配流程示意图。
图4为本发明实施例中方向直方图的计算流程示意图。
图5为本发明实施例中对于第一幅影像中的特征点,寻找其在第二幅影像中的匹配点的流程示意图。
图6为本发明实施例中对于第二幅影像中的特征点,寻找其在第一幅影像中的匹配点的流程示意图。
图7为本发明实施例中找出两幅影像间相互匹配的特征点对的流程示意图。
图8为本发明实施例中影像配准和跟踪的流程示意图。
图9为本发明实施例中医用影像跟踪的装置的组成结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明进一步详细说明。
本发明实施例提供一种自动识别特征点的医用影像跟踪方法,通过特征点的自动识别和匹配,进行影像的配准和跟踪,流程图如图1所示,其中包括:
步骤101:特征点的自动识别,计算影像各像素的特征维度并确定特征点;
步骤102:特征点的自动匹配,计算特征点的方向直方图,并进行影像之间特征点的匹配;
步骤103:影像配准和跟踪,对匹配上的特征点对进行分组,得到影像间在各自由度上的偏移矢量。
下面,首先介绍特征点的自动识别方法,图2示出了特征点的自动识别算法的流程图。
步骤201:构建影像中每一个像素的梯度矩阵。
本发明所提出的方法中最主要的一个特色是能够利用解剖结构的先验知识,充分提取影像本身的信息。设X表示参考影像上像素的坐标,X=(x,y),I是参考影像上的灰度分布,J是目标影像上的灰度分布,则
J(X)=I(X-d)+n(X) (1)
其中d表示待配准的两幅影像上对应点的偏移矢量,n表示噪声的分布。偏移矢量d由最小化两幅影像的残差来得到:
ε=∫W[I(X-d)-J(X)]2dX (2)
W表示成像部位在参考影像上所占的区域。当偏移矢量d很小时,灰度函数可以由它的泰勒级数中的线性项来近似,即:
I(X-d)=I(X)-g·d (3)
ε=∫W[I(X)-g·d-J(X)]2dX=∫W(h-g·d)2dX (4)
其中h=I(X)-J(X)。由此可见,该残差是偏移矢量d的二次函数。为使上式最小,应使上式对d的偏导为0,即:
∫W(h-g·d)gdX=0 (5)
因为(g·d)g=(ggT)d,d在W中可以认为是常数,所以有
(∫WggTdX)d=∫WhgdX (6)
令
G=∫WggTdX (7)
则(6)式记为
Gd=e (8)
设像素的灰度值为Ii,j,i和j分别为该像素沿x和y方向的坐标位置,其周围的这9个像素可以表示为Ii+i′,j+j′,其中i′,j′=0,±1。像素Ii,j的梯度为(Ii+1,j-Ii,j,Ii,j+1-Ii,j),其它像素依此类推。因此,这9个像素的梯度构成了一个2×9阶的矩阵g:
该方法可以取,但不限于3×3个像素。
该方法同样适合于三维体素。
在特征点的自动匹配中,
步骤401:计算影像中的每一个特征点周围8×8个点的梯度和梯度方向。
该计算不一定限定是8×8个点,只要是周围的若干点构成的方阵均可以。
步骤402:构建该特征点的方向直方图。
将这8×8个点以特征点为圆心,按照所在象限分为四组,将每一组中的4×4个点的梯度方向分为八组,例如梯度方向在0°和45°之间的分在第一组,以此类推。分别统计这64个点落入4×8个组中的点数,从而构成该特征点的方向直方图。该计算不一定限定是按照四个象限分成4×4个点一组,也可以分成16组,每组2×2个点,或者类似的分组均可。角度的分组也不一定是将360°分为八组,一组45°。比如分为十二组,一组30°也可以。另外分组的起始值也不一定从0°开始,也可以从-22.5°开始,或者任何值均可。甚至分组不一定是等间隔分组,只要能够无交叉、不遗漏即可。
步骤501:对于第一幅影像中的每一个特征点,在第二幅影像中以该特征点坐标为中心,在其周围给定的阈值范围内搜索特征点。
这里搜索的范围可以以第一幅影像中的该特征点的坐标为圆心,以给定的阈值为半径的圆形区域内进行搜索;也可以以第一幅影像中的该特征点的坐标为中心,以给定的阈值为边长的正方形区域内进行搜索;或者是以其它可定义形状的区域进行搜索。
步骤502:在搜索到的第二幅影像的特征点中找出其方向直方图与第一幅影像中该特征点的方向直方图距离最短的两个特征点。
方向直方图的距离是用两幅影像特征点的方向直方图所对应的32个组的差值的平方和再开方进行计算的,还可以按照其它标准来定义方向直方图的距离。
步骤503:判断搜索到的第二幅影像的特征点个数是否大于给定阈值。如果是,则将在第二幅影像中方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的特征点p2确定为p1的匹配点,并计算两个特征点间的相似度。
这里匹配点的表示方法,可以是该匹配点的偏移矢量,也可以是该匹配点的对应编号,或者是其它标记。
上述对步骤501、502、503的具体实施方式同样适用于步骤601、602、603。
步骤702:判断两匹配点在两幅影像中的相似度是否都大于给定阈值。如果是,则认为这两个特征点匹配成功,否则继续处理第一幅影像的下一个特征点。
相似度的判断是指给定一个阈值,判断两幅影像的对应匹配点的相似度是否均大于该阈值。但对于具体的应用场合,不一定对两幅影像设定同样的阈值,可以根据两幅影像的不同特点设定不同的阈值,比如MRI和CT之间影像的配准和跟踪等多模态影像之间的配准问题。甚至可以只根据一幅影像的相似度大小来决定是否选为特征点对,以及以两幅影像对应匹配点相似度的乘积超过某一阈值作为判断的标准均可。另外,相似度的判断还可以以相似度取值的倒数作为标准,因为它代表特征点与其在另一幅影像上的匹配点的方向直方图之间的相对距离。
在相似度的判断之后还可以增加这两个匹配点的梯度矩阵特征值的接近度的判断。梯度矩阵及其特征值的计算详见步骤201。
这里接近度的判断也要设定一个阈值,即
其中a1和a2分别是两个匹配点梯度矩阵特征值的对应分量,T1为一个大于1的阈值。该判断不一定仅针对梯度矩阵特征值的某一分量,也可以是针对同一匹配点的两特征值的比值,还可以是直接针对两匹配点梯度的对应分量的长度等等。该判断并不是必须的,主要适合刚性配准和跟踪等问题。
步骤802:按照特征点对的顺序,分别计算每一特征点对与其前面的特征点对的偏移矢量的两个分量的距离。
该计算并不是必须的,对于特征明显的影像,可以不要这一步,直接按照偏移矢量的值进行分组。
步骤804:判断该组的计数是否首先达到设定的阈值。如果是,则把该组的偏移矢量确定为两幅影像间的偏移矢量。
该方法不仅可以用于平移的偏移矢量的计算,还可以推广到旋转这一自由度的偏移量计算。另外,该方法同样可以推广到三维的平移和旋转的六个自由度的偏移量计算。
本发明实施例提供的一种医用影像跟踪装置,组成结构如图9所示,该装置包括:梯度矩阵构建模块901,特征点的自动识别模块902,方向直方图计算模块903,特征点的自动匹配模块904,特征点排序模块905,影像配准和跟踪模块906。
所述梯度矩阵构建模块901,对于影像中的每一个像素,计算该像素周围3×3个点(包括自身)的梯度,从而构建该像素的2×9阶梯度矩阵;
所述特征点的自动识别模块902,对于影像中的每一个像素,计算该像素的梯度矩阵与其转置的乘积,得到2×2阶的矩阵,并计算该矩阵的特征值。当两个特征值的绝对值大小均大于等于给定阈值时,将该像素加入特征点列;当两个特征值的绝对值大小至少有一个小于给定阈值时,该像素不被加入特征点列。
所述方向直方图计算模块903,对于影像中的每一个特征点,计算该特征点周围8×8个点的梯度和梯度方向。将这8×8个点以特征点为圆心,按照所在象限分为四组,将每一组中的4×4个点的梯度方向分为八组,例如梯度方向在0°和45°之间的分在第一组,以此类推。分别统计这64个点落入4×8个组中的点数,从而构成该特征点的方向直方图。
所述特征点的自动匹配模块904,对于第一幅影像中的每一个特征点,在第二幅影像中以该特征点坐标为中心,在其周围给定的阈值范围内搜索特征点。在搜索到的第二幅影像的特征点中找出其方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的两个特征点p2和p′2。该距离用两幅影像特征点的方向直方图所对应的32个组的差值的平方和再开方进行计算。
判断搜索到的第二幅影像的特征点个数是否大于给定阈值。如果是,则将在第二幅影像中方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的特征点p2确定为p1的匹配点,并计算两个特征点间的相似度。
该相似度的计算方法为:计算第一幅影像中该特征点p1在第二幅影像中所对应的次接近点p′2与p1的方向直方图之间的距离,和p1在第二幅影像中所对应的匹配点p2与p1的方向直方图之间的距离之比。
同理可得出对于第二幅影像中的特征点,寻找其在第一幅影像中的匹配点的方法。
对于第一幅影像中的每一个特征点,如果该特征点p1与其在第二幅影像中的匹配点p2所对应的其在第一幅影像中的匹配点一致,并且p1和p2在两幅影像中的相似度都大于给定阈值,则认为p1和p2匹配成功,并称其为一个特征点对。
所述控制点排序模块905,将特征点对按照这两个点相似度的乘积大小进行排序。
所述影像配准和跟踪模块906,按照特征点对的顺序,分别计算每一特征点对与其前面的特征点对的偏移矢量的两个分量的距离。如果两个分量的距离都小于给定阈值,则把该特征点对归入前面那个特征点对所在分组,并对该组计数加一;否则新建分组,并对该组计数加一。如果某一组的计数首先达到设定的阈值,则把该组的偏移矢量确定为两幅影像间的偏移矢量。
因此,容易理解,以上所述仅为本发明的较佳实施例,并非用于限定本发明的精神和保护范围,任何熟悉本领域的技术人员所做出的等同变化或替换,都应视为涵盖在本发明的保护范围之内。
Claims (2)
1.一种自动识别特征点的医用影像跟踪方法,该方法包括:
对于影像中的每一个像素,计算该像素周围3×3个点的梯度,从而构建该像素的2×9阶梯度矩阵;
计算影像各像素的特征维度并确定特征点;
计算特征点的方向直方图,并进行影像间特征点的匹配;
对匹配上的特征点对进行分组,得到影像间在各自由度上的偏移矢量;
所述计算影像各像素的特征维度并确定特征点的方法为:
对于影像中的每一个像素,计算该像素的梯度矩阵与其转置的乘积,得到2×2阶的矩阵,并计算该矩阵的特征值;当两个特征值的绝对值大小均大于等于给定阈值时,将该像素加入特征点列;当两个特征值的绝对值大小至少有一个小于给定阈值时,该像素不被加入特征点列;
所述计算特征点的方向直方图的方法为:
对于影像中的每一个特征点,计算该特征点周围8×8个点的梯度和梯度方向,将这8×8个点以特征点为圆心,按照所在象限分为四组,将每一组中的4×4个点的梯度方向分为八组,分别统计这64个点落入4×8个组中的点数,从而构成该特征点的方向直方图;
所述影像间特征点的匹配方法为:
对于第一幅影像中的特征点,寻找其在第二幅影像中的匹配点;对于第二幅影像中的特征点,寻找其在第一幅影像中的匹配点;找出两幅影像间相互匹配的特征点对;
所述对于第一幅影像中的特征点,寻找其在第二幅影像中的匹配点的方法为:
对于第一幅影像中的每一个特征点,在第二幅影像中以该特征点坐标为中心,在其周围给定的阈值范围内搜索特征点,在搜索到的第二幅影像的特征点中找出其方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的两个特征点p2和p′2,该距离用两幅影像特征点的方向直方图所对应的32个组的差值的平方和再开方进行计算;判断搜索到的第二幅影像的特征点个数是否大于给定阈值,如果是,则将在第二幅影像中方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的特征点p2确定为p1的匹配点,并计算两个特征点间的相似度;
所述相似度的计算方法为:
计算第一幅影像中该特征点p1在第二幅影像中所对应的次接近点p′2与p1的方向直方图之间的距离,和p1在第二幅影像中所对应的匹配点p2与p1的方向直方图之间的距离之比;同理可得出对于第二幅影像中的特征点,寻找其在第一幅影像中的匹配点的方法;
所述找出两幅影像间相互匹配的特征点对的方法为:
对于第一幅影像中的每一个特征点,如果该特征点p1与其在第二幅影像中的匹配点p2所对应的其在第一幅影像中的匹配点一致,并且p1和p2在两幅影像中的相似度都大于给定阈值,则认为p1和p2匹配成功,并称其为一个特征点对;所述对特征点对进行分组的方法之前,将特征点对按照这两个点相似度的乘积大小进行排序;
所述对特征点对进行分组的方法:
按照特征点对的顺序,分别计算每一特征点对与其前面的特征点对的偏移矢量的两个分量的距离;如果两个分量的距离都小于给定阈值,则把该特征点对归入前面那个特征点对所在分组,并对该组计数加一;否则新建分组,并对该组计数加一;如果某一组的计数首先达到设定的阈值,则把该组的偏移矢量确定为两幅影像间的偏移矢量。
2.一种自动识别特征点的医用影像跟踪装置,其特征在于,该装置包括:梯度矩阵构建模块,特征点的自动识别模块,方向直方图计算模块,特征点的自动匹配模块,特征点排序模块,影像配准和跟踪模块;
所述梯度矩阵构建模块,对于影像中的每一个像素,计算该像素周围3×3个点的梯度,从而构建该像素的2×9阶梯度矩阵;
所述特征点的自动识别模块,对于影像中的每一个像素,计算该像素的梯度矩阵与其转置的乘积,得到2×2阶的矩阵,并计算该矩阵的特征值;当两个特征值的绝对值大小均大于等于给定阈值时,将该像素加入特征点列;当两个特征值的绝对值大小至少有一个小于给定阈值时,该像素不被加入特征点列;
所述方向直方图计算模块,对于影像中的每一个特征点,计算该特征点周围8×8个点的梯度和梯度方向;将这8×8个点以特征点为圆心,按照所在象限分为四组,将每一组中的4×4个点的梯度方向分为八组;分别统计这64个点落入4×8个组中的点数,从而构成该特征点的方向直方图;
所述特征点的自动匹配模块,对于第一幅影像中的每一个特征点,在第二幅影像中以该特征点坐标为中心,在其周围给定的阈值范围内搜索特征点;在搜索到的第二幅影像的特征点中找出其方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的两个特征点p2和p′2;该距离用两幅影像特征点的方向直方图所对应的32个组的差值的平方和再开方进行计算;
判断搜索到的第二幅影像的特征点个数是否大于给定阈值;如果是,则将在第二幅影像中方向直方图与第一幅影像中该特征点p1的方向直方图距离最短的特征点p2确定为p1的匹配点,并计算两个特征点间的相似度;
该相似度的计算方法为:计算第一幅影像中该特征点p1在第二幅影像中所对应的次接近点p′2与p1的方向直方图之间的距离,和p1在第二幅影像中所对应的匹配点p2与p1的方向直方图之间的距离之比;
同理可得出对于第二幅影像中的特征点,寻找其在第一幅影像中的匹配点的方法;
对于第一幅影像中的每一个特征点,如果该特征点p1与其在第二幅影像中的匹配点p2所对应的其在第一幅影像中的匹配点一致,并且p1和p2在两幅影像中的相似度都大于给定阈值,则认为p1和p2匹配成功,并称其为一个特征点对;
所述控制点排序模块,将特征点对按照这两个点相似度的乘积大小进行排序;
所述影像配准和跟踪模块,按照特征点对的顺序,分别计算每一特征点对与其前面的特征点对的偏移矢量的两个分量的距离;如果两个分量的距离都小于给定阈值,则把该特征点对归入前面那个特征点对所在分组,并对该组计数加一;否则新建分组,并对该组计数加一;如果某一组的计数首先达到设定的阈值,则把该组的偏移矢量确定为两幅影像间的偏移矢量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101481968A CN101926676B (zh) | 2009-06-25 | 2009-06-25 | 一种自动识别特征点的医用影像跟踪方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101481968A CN101926676B (zh) | 2009-06-25 | 2009-06-25 | 一种自动识别特征点的医用影像跟踪方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101926676A CN101926676A (zh) | 2010-12-29 |
CN101926676B true CN101926676B (zh) | 2012-07-25 |
Family
ID=43366298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101481968A Expired - Fee Related CN101926676B (zh) | 2009-06-25 | 2009-06-25 | 一种自动识别特征点的医用影像跟踪方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101926676B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106725564B (zh) * | 2015-11-25 | 2021-08-13 | 东芝医疗系统株式会社 | 图像处理装置及图像处理方法 |
CN111161332A (zh) * | 2019-12-30 | 2020-05-15 | 上海研境医疗科技有限公司 | 同源病理影像配准预处理方法、装置、设备及存储介质 |
EP3895621A1 (en) | 2020-04-13 | 2021-10-20 | Delta Electronics, Inc. | Method for gating in tomographic imaging system |
US11694374B2 (en) | 2020-04-13 | 2023-07-04 | Delta Electronics, Inc. | Method for gating in tomographic imaging system |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7343031B2 (en) * | 2003-09-30 | 2008-03-11 | Esaote S.P.A. | Method of tracking position and velocity of objects' borders in two or three dimensional digital images, particularly in echographic images |
-
2009
- 2009-06-25 CN CN2009101481968A patent/CN101926676B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7343031B2 (en) * | 2003-09-30 | 2008-03-11 | Esaote S.P.A. | Method of tracking position and velocity of objects' borders in two or three dimensional digital images, particularly in echographic images |
Non-Patent Citations (2)
Title |
---|
JP特开2004-252714A 2004.09.09 |
张仕刚等.一种新的医学图像处理中的网格简化算法.《中国医学影像技术》.2004,第20卷(第5期),第786-788页. * |
Also Published As
Publication number | Publication date |
---|---|
CN101926676A (zh) | 2010-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | MRI-based treatment planning for liver stereotactic body radiotherapy: validation of a deep learning-based synthetic CT generation method | |
CN107567343B (zh) | 用于自适应放射治疗的三维定位和追踪 | |
CN107530552B (zh) | 用于自适应放射治疗的运动靶的三维定位 | |
Martínez et al. | Segmentation of pelvic structures for planning CT using a geometrical shape model tuned by a multi-scale edge detector | |
CN102049106B (zh) | 分次放射治疗间放疗系统的精确影像定位系统及方法 | |
CN101926676B (zh) | 一种自动识别特征点的医用影像跟踪方法和装置 | |
Qiu et al. | Automatic x‐ray image contrast enhancement based on parameter auto‐optimization | |
Lei et al. | Medlsam: Localize and segment anything model for 3d medical images | |
Hrinivich et al. | Automatic tandem and ring reconstruction using MRI for cervical cancer brachytherapy | |
US8755489B2 (en) | Teletherapy location and dose distribution control system and method | |
Xie et al. | Tissue feature-based intra-fractional motion tracking for stereoscopic x-ray image guided radiotherapy | |
Kim et al. | Prostate localization on daily cone-beam computed tomography images: accuracy assessment of similarity metrics | |
Mao et al. | Multiple 3D marker localization and tracking system in image-guided radiotherapy | |
Chrystall et al. | Deep learning enables MV-based real-time image guided radiation therapy for prostate cancer patients | |
Madan et al. | A framework for automatic creation of gold-standard rigid 3D–2D registration datasets | |
Kim et al. | Comparison of similarity measures for rigid-body CT/Dual X-ray image registrations | |
CN201719372U (zh) | 一种自动识别特征点的医用影像跟踪装置 | |
US20070100224A1 (en) | Preplanning of guided medical procedures | |
Ichiji et al. | A key-point based real-time tracking of lung tumor in x-ray image sequence by using difference of Gaussians filtering and optical flow | |
Amarsee et al. | Automatic detection and tracking of marker seeds implanted in prostate cancer patients using a deep learning algorithm | |
Pettersson et al. | Automatic patient positioning and gating window settings in respiratory‐gated stereotactic body radiation therapy for pancreatic cancer using fluoroscopic imaging | |
Ottosson et al. | Deformable image registration for geometrical evaluation of DIBH radiotherapy treatment of lung cancer patients | |
Chelikani et al. | A gradient feature weighted minimax algorithm for registration of multiple portal images to 3DCT volumes in prostate radiotherapy | |
Cho et al. | Impact of high dose volumetric CT on PTV margin reduction in VMAT prostate radiotherapy | |
Yoon et al. | Accuracy of an automatic patient-positioning system based on the correlation of two edge images in radiotherapy |
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 | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120725 Termination date: 20130625 |