CN102396000A - 有利于运动估计与特征-运动去相关补偿的方法、装置和系统 - Google Patents
有利于运动估计与特征-运动去相关补偿的方法、装置和系统 Download PDFInfo
- Publication number
- CN102396000A CN102396000A CN2010800171293A CN201080017129A CN102396000A CN 102396000 A CN102396000 A CN 102396000A CN 2010800171293 A CN2010800171293 A CN 2010800171293A CN 201080017129 A CN201080017129 A CN 201080017129A CN 102396000 A CN102396000 A CN 102396000A
- Authority
- CN
- China
- Prior art keywords
- image information
- coupling
- filtering
- motion
- parameter
- 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.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 251
- 238000000034 method Methods 0.000 title claims abstract description 218
- 238000001914 filtration Methods 0.000 claims abstract description 223
- 230000008878 coupling Effects 0.000 claims description 239
- 238000010168 coupling process Methods 0.000 claims description 239
- 238000005859 coupling reaction Methods 0.000 claims description 239
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 55
- 230000000295 complement effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 description 71
- 230000006870 function Effects 0.000 description 43
- 206010054949 Metaplasia Diseases 0.000 description 32
- 230000015689 metaplastic ossification Effects 0.000 description 32
- 230000000670 limiting effect Effects 0.000 description 30
- 238000012986 modification Methods 0.000 description 21
- 230000004048 modification Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 14
- 238000002604 ultrasonography Methods 0.000 description 13
- 238000010008 shearing Methods 0.000 description 12
- 238000013519 translation Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000000429 assembly Methods 0.000 description 7
- 230000000712 assembly Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 108010010803 Gelatin Proteins 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 229920000159 gelatin Polymers 0.000 description 3
- 239000008273 gelatin Substances 0.000 description 3
- 235000019322 gelatine Nutrition 0.000 description 3
- 235000011852 gelatine desserts Nutrition 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 244000188472 Ilex paraguariensis Species 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102000011842 Serrate-Jagged Proteins Human genes 0.000 description 1
- 108010036039 Serrate-Jagged Proteins Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Abstract
本发明公开了一种有利于运动估计和特征-运动去相关补偿的方法、装置和系统。所述方法包括:至少部分地基于至少一个初始化的最优运动参数对图像信息执行耦合滤波,以生成耦合滤波的结果;部分地在耦合滤波的结果的基础上,更新所述至少一个初始化的最优运动参数,以创建至少一个更新的最优运动参数;以及至少部分地在确定最优运动参数搜索符合至少一个完成标准的基础上输出所述至少一个更新的最优运动参数。
Description
相关申请的交叉引用
该申请要求于2009年4月17日提交的题为“A COUPLEDFILTERING METHOD FOR TISSUE MOTION ANALYSIS USINGULTRASOUND IMAGES”的美国临时专利申请编号61/212,820的优先权,该美国临时专利申请全部以引用的方式并入本文。
技术领域
本主题公开涉及图像运动分析,更具体地涉及运动估计和超声图像中特征-运动去相关的补偿。
背景技术
基于超声的成像诊断在临床使用中已经取得了广泛的认可。例如,现代超声成像诊断系统和技术通常用来产生患者的内部特征的二维(2-D)或三维(3-D)超声图像。常规超声系统以各种图像模式运行(例如,亮度模式或B超模式、多普勒模式等)来获取超声图像以进行诊断。作为一个进一步的例子,传统的超声诊断系统可以提供一个彩色血流图像(例如在多普勒模式下),其可以反映移动物体的速度,如血流量、心脏的运动等。这种系统是受限制的,因为它们只测量与超声束方向平行的运动。垂直于超声束方向的运动通常无法测量。此外,在许多情况下,期望获得角度独立的测量,这种测量使用叫做超声散斑的独特干涉图案,所述散斑在超声波从底层组织散射体反射并且相互干涉时形成。
精确的组织运动估计在许多超声诊断应用中是有用的。例如,精确的三维组织变形分析、或组织的运动估计,在基于超声的成像诊断中有许多应用。作为一个例子,准确的组织运动估计在弹性成像(例如,用于肿瘤检测)和超声心动图(例如,用于心脏疾病的诊断)等领域中尤其有用。因此,通过散斑追踪的准确的组织变形分析在临床应用中具有巨大潜力。
散斑追踪假定图像中的散斑在组织运动前后保持不变。然而,这种假设仅适用于某些类型的组织运动(如平移)。在实践中,组织变形后散斑的确会变化,从而导致了一个艰难的特征-运动去相关的问题。因此,采用以典型散斑跟踪为基础的估算结果的系统不使用这样的结果来代表底层的真正的组织运动。
为了实现精确的组织运动估计,可以执行特征-运动去相关的补偿来反映底层的真正的组织运动。然而,特征-运动的去相关在以超声图像为基础的组织变形分析中仍然是一个尚未解决的问题。特征-运动去相关的补偿已被证明是一个病态的逆问题。由于准确的组织运动估计在许多诊断应用中是有利的,因此特征-运动的去相关在超声成像临床应用中是实施精确的组织变形分析的挑战。
为了缓减特征-运动的去相关问题,典型的解决方案是在成像期间使用相对高的帧速率(例如,在二维超声成像中每秒200帧),使两个相邻超声图像之间的变形足够小,以防止任何重大的图像变化。然而,在三维超声成像中,如此高的帧速率难以实现。此外,尽管这样高的帧速率在二维超声成像中可以实现,但是脱离成像平面的运动(例如,组织的一部分可能不会像假定的那样永远停留在相同的二维成像平面中)阻碍了二维超声成像在组织变形分析中的广泛应用。此外,特征-运动去相关的问题(如准确的组织变形分析的问题)通过高的帧速率的解决方案仍未得到解决。
传统的图像分析方法对于特征-运动去相关的问题,要么是施加额外的制约条件以限制运动参数的搜索空间,要么是建立模型来解释组织运动所造成的图像的变化。然而,无论是哪种传统的解决方案,都没有充分地解决准确的组织变形分析(例如,特征-运动去相关)的问题。
例如,尽管基于约束的图像分析方法(例如,组织不可压缩模型、变形网格法、有限元方法、具有正规化位移场的多尺度估计等)通过注重最终的结果而解决更大的问题。这类方法只限制解空间,而不是解决特征-运动去相关的问题。
作为一个进一步的例子,对组织运动引起的图像变化进行建模(如二维压扩(companding))可以将组织运动引起二维图像的变化解释为二维缩放加平移。二维复合方法使用多尺度框架来估计缩放和平移的参数。例如,对组织变形后所拍摄的图像进行变形后,二维复合方法能估计组织位移,并可以进一步推导出组织应变分布。然而,尽管复合方法能针对有限范围的组织变形提供图像变化的一个可接受的近似值,但是典型的使用复合方法的系统在组织变形大时不能提供可以接受的结果。
因此,期望提供增强的系统、设备和方法来补偿特征-运动的去相关,以促进超声成像系统中的组织变形分析基于这些问题和其他缺陷进行改进。上述典型超声成像系统的缺陷仅仅是为了提供常规系统的一些问题的概述,而不是详尽无遗。传统的系统中的其他问题以及本文所描述的各种非限制性实施方案的相应益处基于以下的描述而变得更明显。
发明内容
下面提供了规范的一个简化概要,为规范的某些方面提供了一个基本的了解。本概要并非规范的一个广泛概述。它的目的既不确定规范的主要或关键要素,也不划定任何范围,特别是任何规范实施方案的范围,或任何专利权限的范围。其唯一目的是以简化的形式提供规范的一些概念,作为稍后提出的更详细说明的一个前序。
在所公开主题的各种非限制性实施方案中,描述方便进行特征-运动去相关补偿的系统、设备、和方法。例如,在示范实现中,可以对图像信息(例如,感兴趣的运动之前或之后的一对图像相关的信息)执行耦合滤波。示范实施例可以输出与运动相关的(多个)运动参数,此外,其可以允许在超声成像中进行准确的组织运动估计。
因此,本文描述补偿特征-运动去相关的各种实现。在一个方面中,提供用于补偿特征-运动去相关的方法,其部分地基于初始化的(多个)运动参数对图像信息执行耦合滤波以产生耦合滤波的结果。此外,所述方法可以进一步包括,在一个预定义的搜索中部分地基于耦合滤波的结果来更新初始化的(多个)运动参数,以创建更新的(多个)运动参数。在用于补偿特征-运动去相关的示范方法的另一个方面中,更新的(多个)运动参数可部分地在确定了耦合滤波的结果符合一个或更多的验收标准的基础上输出。
在其他的示范实现中,补偿特征-运动去相关的系统可以包括一个计算机化的组件,其对运动之前的图像信息和变形后的运动之后的图像信息进行耦合滤波操作,以创建耦合滤波的结果。在另一个方面中,创建变形后的运动之后的图像信息的变形操作和耦合滤波的操作共享一组(多个)运动参数,这有利于耦合滤波的结果的匹配度量的计算。此外,在所公开系统的其他方面中,计算机化组件可以对变形后的运动之后的图像信息执行点扩散函数滤波,以及对运动之前的图像信息进行修改后的点扩散函数滤波。在所公开系统的另外的其他方面中,计算机化组件可以对变形后的运动之后的图像信息执行高斯加权余弦滤波以及对运动之前的图像信息进行仿射的修改后的高斯加权余弦滤波。
在所公开主题的另外的其他实施方案中,描述一个有利于补偿特征-运动去相关的耦合滤波设备。例如,一个示范的耦合滤波设备可以包括一个图像变形组件,配置为对输入图像信息的第一个子集进行图像变形。在另一个方面中,示范的耦合滤波设备可以进一步包括一个滤波组件,配置为部分地以初始化的(多个)运动参数为基础对输入图像信息的第二个子集进行图像滤波,并配置为对变形后的输入图像信息的第一个子集进行图像滤波,以获得耦合滤波的结果。
这些和其他的实施方案在下面详细描述。
附图说明
以下将参照附图对各种非限制性的实施方案作进一步说明,附图中:
图1说明了超声系统的一个非限制性的示范实施方案的功能框图,所公开主题的实现可对其应用;
图2描述了一个根据所公开主题的各方面有利于特征-运动去相关补偿的控制组件的示例实施方案的功能框图;
图3描绘了一个根据所公开主题的其他方面有利于特征-运动去相关补偿的示范耦合滤波组件或设备的功能框图;
图4描绘了一个对如本文所述的特征-运动去相关补偿的示范的非限制性方法进行说明的流程图;
图5是描绘了根据所公开主题的特征-运动去相关补偿的进一步的非限制性方法的流程图;
图6描绘了本文所述的特征-运动去相关补偿的方法的进一步的方面;
图7描绘了根据所公开主题的各个方面的特征-运动去相关补偿的进一步的非限制性方法;
图8描绘了根据本文所述的特征-运动去相关补偿的其他非限制性方法;
图9列出了非限制性的示范的三维超声图像模拟参数;
图10描绘了通过检测平均相关系数,三维超声图像体对之间的相似性的示范的比较结果,其中描绘了模拟的超声图像体的一个切面,并出于显示的目的,射频信号被转换为B超信号;
图11-图16描绘了六个不同情况下的组织变形中,关于三组变形的示范平均相关系数,其中较高的相关系数表明较好的相似性和较小的图像变化,各图分别描绘了轴向变形(例如,主要是沿轴向方向的变形)、横向变形(例如,主要是沿横向方向的变形)、轴向旋转(例如,旋转轴与超声束方向一致)、侧向旋转(例如,旋转轴垂直于超声束方向)、沿横向-外侧平面的剪切(例如,弹性轴与超声束方向一致)、以及沿轴向-横向平面的剪切(例如,弹性轴垂直于超声束方向);
图17描绘了一个幻影图像的弹性成像研究的示范比较结果,并出于显示的目的,射频信号被转换为用于说明目的的B超信号(取对数之后);
图18是一个代表示范的非限制性网络环境的框图,本文所描述的各种实施方案都可以在该网络环境中实现;以及
图19是一个代表示范的非限制性计算系统或操作环境的框图,本文所描述的各种实施方案的一个或多个方面都可以在其中实现。
具体实施方式
概述
虽然提供了一个简短的概述,但是本文中描述或描绘的所公开主题的某些方面只用于说明的目的而不作为限制。因此,由所公开设备、系统和方法建议的所公开实施方案的变型将由本文所公开主题的范围所包含。例如,在超声和组织成像的背景下描述所公开主题的设备、系统和方法的各种实现方案。然而,如下面进一步所述,在不脱离本文所描述的主题的情况下,这些示范的各种实现可应用于其他成像领域。
如本文中所使用的,“图像信息”背景下的“信息”一词是指具有可以由一个或多个图像表示的一个或多个特征(例如,物理、化学、电子、机械、视觉、或其他特征)的可观察现象的物理测量的表示或以其他方式相关的、关联的、描述性的一条或多条数据。如本文中所进一步描述的,术语“运动前”和“运动后”可以指在一个特定运动发生的时间点之前和之后。请注意,如以下进一步描述,虽然术语使用关于运动的术语“前”和“后”的使用可以指这样一种情况:其中相对于非”运动后”的背景的其他的参照系下,在“运动前”的背景下没有绝对运动,但所公开主题的各种实现并非仅限于此。换句话说,相对于另一个参照系(例如,非运动后的参照系),术语“运动前”和“运动后”可以指任何感兴趣的运动(例如,平移、旋转、剪切、缩放等等、以及它们的任意组合,不考虑参考点、轴、或参照系)“前”和“后”的时间点。
如背景技术中所述,特征-运动去相关的补偿对准确的组织运动估计是有益的。所公开主题提供了补偿特征-运动去相关的系统、设备和方法。
例如,非限制性的特征-运动去相关补偿的示范实现使用耦合滤波来解决特征-运动去相关问题。作为一个例子,对组织变形所引起的图像变化进行明确建模之后,组织变形前的图像和变形的组织变形后的图像可以由一对滤波器分别滤波。根据各种非限制性实施方案,两个滤波后的图像彼此相同。由于各种耦合滤波的实现方案保留了对象的变形参数(例如,组织变形的参数、(多个)运动参数等等),因此基于特征的跟踪可以估计底层的组织变形的参数。
在本文所描述的各种实现中,可以采用线性卷积模型与组织的运动模型,形成耦合滤波方法的基础。例如,一个完整的、或大致完成的由局部仿射组织运动引起的图像变化的补偿可以通过应用耦合滤波实现。有利的是,所公开主题的各种实现都可以提供鲁棒的基于超声图像的组织变形分析。因此,不同的实施方案可以对由组织变形(例如,特征-运动去相关)所引起的超声图像变化进行补偿,方法是分别对组织变形前拍摄的超声图像和其对应的组织变形后拍摄的超声图像应用两个不同的滤波器。
根据一个方面,实现方案可以采用两个耦合在一起的滤波器,其中一个滤波器是另一个的变形版本。根据进一步的方面,实现方案可在运用各自的滤波器之前,对组织变形后拍摄的超声图像进行图像变形,以补偿特征-运动去相关。由于图像变形参数(例如,组织变形的参数、(多个)运动参数等等)是嵌入到示范实施方案中的变形和滤波环节中的,因此为变形和滤波搜索最优参数使准确的组织变形分析变得可行。此外,因为耦合滤波保留了在超声图像修改期间的组织运动参数,因此其在组织变形分析期间允许搜索两个修改后的超声图像之间的等同关系。因此,所公开主题的各种实现都可以提供鲁棒的基于例如超声图像的组织变形分析。
相对应地,图1说明了一个示范的非限制性超声系统100的实现的功能框图100,所公开主题的实现可应用于此。根据各种实现,本文所描述的组件可以被配置为由标准的软件编程技术来执行适当的方法或其部分,并且在计算机处理器上执行所配置的组件(例如,计算机化的组件)、或其部分。为此,示范超声系统100可包括一个输入组件102,其允许用户或其他系统组件输入设置或配置信息,例如,对一个感兴趣区域,调整系统参数、影响初始化(多个)运动参数的信息、一个或更多的验收标准、约束等。
示范超声系统100可进一步包括一个控制组件104。控制组件104可配置为以感兴趣区域(ROI)的设置信息为基础控制超声波信号的传送/接收(Tx/Rx)。此外,对于下文关于例如图2-图7所述的各个方面,控制组件104可以控制超声波信号的发送/接收,从而可以进行超声射频信号的发送/接收。此外,控制组件104可配置为控制超声系统100的其他操作,进一步说明如下。
如图1所示,超声系统100可进一步包括一个发送/接收组件106。发送/接收组件106可以向/从目标对象发送/接收超声射频信号。在其他方面中,发送/接收组件106可以包括用于产生超声波信号和接收信号的探头(未显示)。此外,发送/接收组件106可以进一步包括一个波束形成器(未显示),以进行发送/接收的聚焦。超声系统100可进一步包括一个存储组件108,例如,存储从发送/接收组件106输出的信号。
在另一个方面中,超声系统100可以包括一个信号处理组件110。信号处理组件110可配置为,除其他外,处理信号以提供反映目标对象的二维或三维超声图像的二维或三维图像数据。信号处理组件110可以进一步配置为基于用于图像优化(例如,增益调整等)的信号执行信号处理。
在其他方面中,超声系统100可以进一步包括一个图像处理组件112,其可部分地基于从信号处理组件110输出的信号形成二维或三维图像。此外,超声系统100可包括用于显示二维或三维图像的显示组件114。
因此,除了本文所述的其他可能的组件或子组件之外,根据所公开主题的各个方面的示范超声系统100可以包括一个或多个输入组件102、控制组件104、发送/接收组件106、存储组件108、信号处理组件110、图像处理组件112、以及显示组件114。
正如本文所述,超声系统100、如下面关于图2-图3所述的耦合滤波组件或设备202、或其组件或子组件可以方便通过如输入组件102、控制组件104、存储组件108、信号处理组件110、图像处理组件112等等实现本文描述的方法的部分性能。此外,正如下文关于图18-图19所述的那样,方法、系统、组件、设备、及其部分的各方面可以由通用计算机执行软件实现,该软件配置为执行本文所述的功能,尽管实施方案并非仅限于此。
因此,本文所述的超声系统100可以包括一个计算机化的组件(例如,输入组件102、控制组件104、信号处理组件110、图像处理组件112等、或其部分),该组件可以对运动前的图像信息和变形后的运动后的图像信息执行耦合滤波操作,以创建耦合滤波的结果。作为一个例子,如下面进一步的详细说明,创建变形后的运动后的图像信息的变形操作和耦合滤波操作共享一组(多个)运动参数,其有利于针对耦合滤波结果的匹配度量的计算。此外,根据进一步的方面,系统100的计算机化组件可以被配置为以点扩散函数滤波的形式对变形后的运动后的图像信息进行耦合滤波操作,和以修改后的点扩散函数滤波的形式对运动前的图像信息进行耦合滤波操作,其中变形操作为仿射变形操作。根据另一方面,系统100的计算机化组件可以被配置为以高斯加权余弦函数滤波的形式对变形后的运动后的图像信息进行耦合滤波操作,和以仿射修改后的高斯加权余弦函数滤波的形式对运动前的图像信息进行耦合滤波操作,其中变形操作为仿射变形操作。
图2描述了一个根据所公开主题的各方面的有利于特征-运动去相关的补偿的控制组件104的说明性实现的功能框图。例如,在示范实施方案中,如下面例如关于图3的进一步说明,控制组件104可以包括耦合滤波组件202,其有利于特征-运动去相关的补偿。作为一个例子,图3描绘了一个耦合滤波组件或设备202的示范功能框图,根据所公开主题的进一步的各方面,该组件或设备有利于特征-运动去相关的补偿。
在各种非限制性实现中,耦合滤波组件或设备202可以包括一个图像变形组件302,其可以配置为对输入图像信息的第一子集(例如,运动后的图像信息)进行图像变形。耦合滤波组件或设备202可以进一步包括一个滤波组件304,其可以配置为以初始化(多个)运动参数为基础对输入图像信息的第二子集(例如,运动前的图像信息)进行滤波,以及对变形后的输入图像信息的第一子集进行滤波,以获取耦合滤波的结果。例如,根据一个方面,图像变形组件302可配置为对输入图像信息的第一子集进行仿射变形。在另一个方面中,滤波组件304可以进一步配置为使用原来的点扩散函数对仿射变形后的输入图像信息的第一子集进行滤波,以及使用修改后的点扩散函数对输入图像信息的第二子集进行滤波。在另一个方面中,滤波组件304可以进一步配置为使用高斯加权余弦滤波器对仿射变形后的输入图像信息的第一子集进行滤波,以及使用仿射修改后的高斯加权余弦滤波器对输入图像信息的第二子集进行滤波。
在进一步的非限制性实现中,耦合滤波设备202可以进一步包括一个管理组件306,其可配置为在耦合滤波的结果的基础上为(多个)运动参数(例如,(多个)最优运动参数、作为更新候选的(多个)运动参数等)生成一个更新。例如,管理组件306可配置来确定耦合滤波结果是否符合一个或更多的验收标准。如下面进一步的说明,管理组件306可以使用一个或更多的验收标准,以确定耦合滤波结果之间匹配的度量(例如,匹配度量)是否达到最大的性能水平(例如,特征-运动去相关的最优补偿)。
在其他一些示范实施方案中,管理组件306可以配置为,如果最优运动参数的搜索符合一个或多个完成标准,则输出更新(例如,更新的(多个)最优运动参数),和如果最优运动参数的搜索不符合一个或多个完成标准,则调整运动参数(例如,作为候选的(多个)运动参数),如下面关于图4-图8的进一步说明。在这种方式下,管理组件306可以实现重复地耦合滤波,以搜索最优的(多个)运动参数。
在又一非限制性实现方案中,耦合滤波组件或设备202可以包括一个输入/输出组件308,其可以配置为实现例如接收输入的图像信息(例如,运动前的图像信息、运动后的图像信息等)、输出最优(如全局或局部最优)或其他(多个)运动参数、接收初始化(多个)运动参数、接收与一个或多个验收标准相关的用户的或自动的输入、接收一个约束(例如,组织不可压缩性约束、搜索空间的限制等)、或接收或传送与如本文所述的耦合滤波或特征-运动去相关的补偿相关的其他输入或输出。
鉴于上述系统、组件和设备,可以依照所公开主题实现的方法在参照图4-图8的流程图下将得到更好的理解。尽管为了简单说明的目的,所述方法被示出和描述为一系列的块,但是应该理解的是,这些图示或相应的描述不受其块顺序的限制,如有些块可能以不同顺序发生和/或与本文所描述的其他块同时发生。任何非连续的、或分支的通过流程图所示的流向应被理解为表明其他各种分支、流径、以及各块的顺序,均可以被实现以达到相同或类似的结果。此外,之后描述的方法中,并非所有所示的块都需要实现。
散斑形成和组织动态概述
根据线性卷积模型,与超声图像相关的射频(RF)信号可以描述为一个点扩散函数(PSF)和一个分辨单元内的一组散射体(例如,反射超声波的感兴趣区域内的特征或对象)之间的卷积。例如,在换能器(例如,发送/接收组件106)的远场中,一个点扩散函数可以被描述为高斯形状的余弦函数,如公式1所示:
其中X可以表示三维图像坐标,Γ可以表示一个含有高斯方差相关元素的3×3的对角矩阵,各元素分别为这里U0=(0,0,uz)T可以表示超声换能器(例如,发送/接收组件106)的空间频率。根据一个方面,换能器(例如,发送/接收组件106)的超声束的方向可以与Z轴对齐。
此外,一个组织散射体可以建模为一个三维Dirac函数,例如,根据公式2
Tn(X;Xn)=anδ(X-Xn) (公式2)
这里Xn表示散射体的位置,an表示反射系数(0<an<1)。因此,在不同的实施方案中,射频信号可表示为,作为一个例子,如公式3所示:
其中N可以表示分辨单元中散射体的数量,而“*”表示卷积运算。
在所公开主题的示范的非限制性实现方案中,可以假设组织的运动是局部仿射的。因此,仿射运动后组织散射体的新的位置xn可以被描述为如公式4所示:
xn=MXn+T (公式4)
其中M可以表示一个3×3矩阵以描述散射图案的旋转、剪切、和缩放,T可以表示一个3×1的矢量以描述三维平移。
因此,在示范实施方案中,位移(dn)可以计算为xn和Xn之间的差,例如,根据公式5:
dn=xn-Xn=(M-I)Xn+T (公式5)
其中I可以代表一个3×3单位矩阵。
示范性的耦合滤波方法
所公开主题的各种实施方案提供如参考图4-图8所述的补偿特征-运动去相关和/或耦合滤波的方法。如下所述,因为相同或实质上相同,运动参数可以被嵌入在变形和滤波中,准确的组织运动分析可根据所公开主题通过例如在变形和滤波期间搜索最优的(多个)运动参数来有利地执行。如下所述,本文所述的各种实施方案可用于分析二维图像对和三维图像对(如二维和三维超声图像对)。此外,所述的耦合滤波可以应用到二维和三维图像序列的分析(如二维和三维超声图像序列分析),因为耦合滤波可以反复应用在这种序列中的两个相邻的帧。
例如,图4描绘了一个说明本文所述的示范的非限制性的用于特征-运动去相关补偿的方法400的流程图。例如,方法400可以包括在步骤402以初始化的(多个)运动参数为基础对图像信息执行耦合滤波(如下面关于图5-图8所述)以产生耦合滤波的结果。例如,图像信息可以包括输入的图像信息,例如包括运动前的图像信息和运动后的图像信息。此外,在步骤402,耦合滤波可以包括对图像信息的一个子集(例如,运动后的图像信息)进行图像变形。例如,在步骤402,方法400可以包括对运动后的图像信息进行仿射变形。
因此,在步骤402,方法400可以包括使用原来的点扩散函数对变形后的运动后的图像信息进行滤波,以及使用修改后的点扩散函数(例如,按一个特定的运动模型修改的点扩散函数)对运动前的图像信息进行滤波,如下面关于图5-图8进一步的说明。在方法400的进一步的非限制性的各方面中,在步骤402,耦合滤波可以包括使用高斯加权余弦滤波器对仿射变形后的运动后的图像信息进行滤波,以及使用仿射修改后的高斯加权余弦滤波器对运动前的图像信息进行滤波。
根据不同的实施方案,方法400可以进一步包括基于耦合滤波的结果更新初始化的(多个)最优运动参数。例如,在步骤404,(多个)初始化的最优运动参数可在计算耦合滤波结果之间的匹配度量(如关于图5-图8所述)的基础上进行更新。例如,在步骤404,示范方法400可以包括用作匹配度量的各种计算(如耦合滤波结果之间的相关系数、距离平方和、绝对距离和等等)。举例来说,如下文关于图5-图8所述的那样,在步骤404,方法400可以包括确定耦合滤波结果是否表明当前的运动参数(例如,方法400中当前使用的M或T)是可接受的候选运动参数,以更新方法400之前使用的最优运动参数。如果确定当前的运动参数是可以接受的更新候选,那么可以更新方法400之前使用的一个或多个运动的参数(或者一个或多个初始化的运动参数)。如果确定当前的运动参数不是可接受的更新候选,那么可以保留方法400之前使用的一个或多个运动参数(例如,方法400之前使用的M和T、初始化的M和T等)。
在步骤406,方法400可以进一步包括在确定最优运动参数搜索满足一个或多个完成标准的基础上输出更新的(多个)最优运动参数。例如,方法400可包括确定最优运动参数搜索是否满足一个或多个完成标准。例如,如下面关于图5-图8的描述,一个或多个完成标准可以是基于上文所述的匹配度量的、一个预定义搜索的完成、或其他标准,其有利于判断是否已解决(例如,补偿)了特征-运动的去相关。因此,一个或多个完成标准可方便判断特征-运动的去相关是否得到了最优解决(例如,最佳或最优的补偿)、或特征-运动的去相关是否已减小到某一较轻的程度,这是基于例如权衡补偿的质量、速度和系统设计师的其他方面的考虑进行的。
图5是描绘了根据所公开主题的用于补偿特征-运动去相关的进一步的非限制性方法500的流程图。例如,在步骤502,方法500可以包括以初始化的(多个)运动参数为基础对图像信息执行如下文关于图6-图8所述的耦合滤波以产生耦合滤波的结果。作为另一个例子,图像信息可以包括输入的图像信息,例如可以包括运动前的图像信息和运动后的图像信息。此外,在步骤502,耦合滤波可以包括对图像信息的一个子集(例如,运动后的图像信息)进行图像变形。例如,在步骤502,方法500可以包括对运动后的图像信息进行仿射变形。
相对应地,在步骤502,方法500可以包括使用原来的点扩散函数对变形后的运动后的图像信息进行滤波,以及使用修改后的点扩散函数(例如,按一个特定的运动模型等修改的点扩散函数)对运动前的图像信息进行滤波,如下面关于图6-图8的进一步说明。在方法500的其他非限制性方面中,在步骤502,耦合滤波可以包括使用高斯加权余弦滤波器对仿射变形后的运动后的图像信息进行滤波,以及使用仿射修改后的高斯加权余弦滤波器对运动前的图像信息进行滤波。
根据不同的实施方案,方法500可以进一步包括基于耦合滤波的结果更新初始化的(多个)最优运动参数。例如,在步骤504,初始化的(多个)最优运动参数可在计算耦合滤波结果之间的匹配度量(如关于图6-图8所述)的基础上进行更新。例如,在步骤504,示范方法500可以包括用作匹配度量的各种计算(如耦合滤波结果之间的相关系数、距离平方和、绝对距离和等等)。作为一个例子,如下文关于图6-图8所述,在步骤504,方法500可以包括确定耦合滤波结果是否表明当前的运动参数(例如,方法500中当前使用的M或T)是可接受的候选运动参数,以更新方法500之前使用的最优运动参数。举例来说,如果确定当前的运动参数是可以接受的更新候选,那么可以更新方法500之前使用的一个或多个运动参数(或者一个或多个初始化的运动参数)。另一方面,如果确定当前的运动参数不是可接受的更新候选,那么可以保留方法500之前使用的一个或多个运动参数(例如,方法500之前使用的M和T、初始化的M和T等)。
据进一步的非限制性实现方案,在步骤506,方法500可包括确定最优运动参数搜索是否符合一个或更多的完成标准。如果确定最优运动参数的搜索不符合一个或更多的完成标准,方法500可包括在步骤510调整(多个)运动参数(例如,初始化的(多个)运动参数、更新后的(多个)运动参数、之前调整过的(多个)运动参数),如下面关于图6-图8所述。如下面关于图6-图8的进一步说明,一个或更多的完成标准是可以基于一个如本文所述的匹配度量的、一个预定义搜索的完成、或其他标准,其方便判断特征-运动去相关是否已得到解决(例如,在特征-运动分析中得到补偿)。相对应地,一个或更多的完成标准可方便判断特征-运动去相关是否得到了最优解决(例如,最佳或最优的补偿)、或特征-运动去相关是否已减小到某一较轻的程度,这是基于例如权衡补偿的质量、速度和系统设计师的其他方面的考虑进行的。
如下面关于图6-图8的进一步说明,在步骤506,确定耦合滤波的结果是否符合一个或更多的验收标准,方法500可进一步包括确定是否已充分完成搜索(例如,根据一个预定义的搜索计划)。例如,确定搜索(例如,根据预定义的搜索计划)是否已充分实现可以包括执行穷举搜索(例如,针对一个或更多的验收标准,对所有可能的运动参数集进行测试)、或在某一较小的程度上执行搜索(例如,针对一个或更多的验收标准,对所有可能的运动参数集的一个子集进行测试),这是以例如权衡补偿质量、速度、和系统设计师的其他考虑为基础进行的。因此,根据不同的实施方案,所公开主题可以产生运动参数的全局最优解集(例如,通过穷举搜索等)、或局部最优解集(例如,通过限制搜索等),这取决于例如不同的搜索计划、或对搜索(多个)最优运动参数所施加的除其他因素外的进一步的限制。此外,方法500可进一步包括在步骤508在确定耦合滤波的结果满足一个或更多的完成标准的基础上输出更新的(多个)最优运动参数。
如上所述,方法的各方面可以由系统、组件、设备等、或其中的部分实现,如以上关于图1-图3所述。例如,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可以方便地通过例如输入组件102、控制组件104、存储组件108、信号处理组件110、图像处理组件112等来实现方法的部分性能。此外,正如下文关于图17-图18所述,方法、系统、组件、设备、和其部分的各方面可以由计算机执行软件来实现,所述软件配置来实现如本文所述的功能。
根据如上所述的组织运动模型,可以确定组织运动后的散射体(例如,在运动后的图像信息中)和组织运动前其对应部分(例如,在运动前的图像信息中)之间的关系,例如根据公式6。
这里|M|表示矩阵M的行列式。注意,正如上文所述,虽然关于运动的术语“之前”和“之后”的使用可以指在相对于另一个参照系的“运动前”的背景下没有绝对运动的情况,但是所公开主题的各种实现并非仅限于此。例如,在一个感兴趣的散射体的连续运动中,本文所述的不同的实施方案旨在涵盖术语“运动前”是指“运动后”的时间点之前的时间点的范围,即使散射体在整个相关时间段相对于另一个参照系(例如,一个固定的参考系,不同于散射体运动前和运动后的参照系)连续运动。换句话说,相对于另一个参照系,术语“运动前”和“运动后”可以是指任何感兴趣的运动(例如,平移、旋转、滚动、偏航、颠簸、剪切、缩放等等、以及它们的任意组合,不考虑基准点、轴、或参照系)“之前”和“之后”的时间点。
另外,上述公式6的关系可以例如根据公式7表示。
其可用于推导公式8中的分析关系。
正如上面描述的,可以在压扩方法中进行图像变形来解决特征-运动的去相关,这里的图像变形是一般仿射变形的一个简化版本,因为M简化成一个对角矩阵(如下面的公式10)。一般来说,根据不同的实施方案,I(X;xn)可以在图像变形后被定义为I(MX+T;xn)。
根据下面的推导过程,例如,可以看到在公式8中,复合方法不可以完全补偿组织变形引起的图像的变化(即,I(MX+T;xn)≠I(X;Xn))。
(套用公式7)
可以理解的是,根据公式8,通过I(MX+T;xn)与原来的点扩散函数H(X)之间的卷积可以产生以下的关系,例如根据公式9:
注意,在公式9中,散射体的参数(例如,反射系数、位置等)没有明确依赖、但的确包括了运动参数(如M,表示一个描述散射体图案的旋转、剪切、和缩放的3×3矩阵,以及T,表示一个描述三维平移的3×1的向量)。因此,可以采用公式9所描述的关系来进行运动参数估计,以补偿特征-运动的去相关。应该理解的是,本文所述的各种实现可用于分析二维图像对和三维图像对(如二维和三维超声图像对),只要滤波结果满足公式9的关系即可。此外,所述的耦合滤波可以应用到二维和三维图像序列的分析(如二维和三维超声图像序列分析),因为耦合滤波可以反复地应用到一个序列中的两个相邻的帧。
因此,如上文所述,所公开主题的各种实施方案提供了补偿特征-运动去相关和/或耦合滤波的方法。例如,图6描绘了方法600的进一步方面,以补偿本文所述相应的特征-运动去相关。例如,方法600可以包括分别在步骤602和步骤604接收对象的运动前和运动后的图像信息。例如,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如输入组件102、控制组件104、存储组件108、信号处理组件110、图像处理组件112等方便在步骤602和步骤604接收对象的运动前的和运动后的图像信息。
如上所述,相对于另一个参照系,术语“运动前”和“运动后”可以是指对象的任何感兴趣的运动(例如,平移、旋转、剪切、缩放等、及其任意组合,不考虑参考点、轴、或参照系)“之前”和“之后”的时间点。例如,在步骤602,例如在超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件中可以接收与第一图像相关的信息(例如,运动前的图像信息I1(X;Xn)等)。类似地,在步骤604,可以接收与第二图像相关的信息(例如,运动后的图像信息I2(X;xn)等)。
在步骤606,方法600可以进一步包括初始化(多个)运动参数(例如,M,表示一个描述散射体图案的旋转、剪切和缩放的3×3矩阵,以及T,表示一个描述三维平移等的3×1的向量),以用于本文所述的耦合滤波中。例如,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可以方便地通过例如输入组件102、控制组件104、存储组件108、信号处理组件110、图像处理组件112等初始化(多个)运动参数。
方法600可以进一步包括对在步骤604接收到的运动后的图像信息(例如,I2(X;xn))进行变形608,以创建变形后的运动后的图像信息(例如,I2(MX+T;xn))。例如,如下面关于图7所述的那样,一个特定的运动模型可用于对在步骤604接收到的运动后的图像信息进行变形608。例如,如下面的进一步说明,方法600的各种实现可以使用局部组织仿射运动模型对在步骤604接收到的运动后的图像信息(例如,I2(X;xn))进行变形608,以创建变形后的运动后的图像信息(例如,I2(MX+T;xn))。作为一个进一步的例子,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便地对在步骤604接收到的运动后的图像信息进行变形608。
在方法600的进一步的非限制性方面中,在步骤610,一个滤波器(例如,一个特定的带通滤波器等)可用于对在步骤602接收到的运动前的图像信息(例如,I1(X;Xn))进行滤波。作为一个非限制性的例子,在步骤602接收到的运动前的图像信息可以在步骤610被滤波,方法为在步骤610,通过在步骤602接收到的运动前的图像信息(例如,I1(X;Xn))与一个修改后的点扩散函数(例如,H(MX))的卷积来获取在步骤602接收到的运动前的图像信息的滤波后的结果(例如,I1(X;Xn)*H(MX))。作为一个进一步的例子,根据所公开主题,在步骤610,一个仿射修改后的高斯加权余弦滤波器可以用于对在步骤602接收到的运动前的图像信息(例如,I1(X;Xn))进行滤波,以获取在步骤602接收到的运动前的图像信息的滤波后的结果。在另一个例子中,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便地对在步骤602接收到的运动前的图像信息进行滤波。
类似地,在步骤612,示范方法600可以包括对变形后的运动后的图像信息(例如,I2(MX+T;xn))进行滤波。作为一个例子,变形后的运动后的图像信息(在步骤604接收到的)可在步骤612被滤波,方法为通过变形后的运动后的图像信息(例如,I2(MX+T;xn))与原来的点扩散函数(例如,H(X))的卷积来获取变形后的运动后的图像信息的滤波后的结果(例如,I2(MX+T;xn)*H(X))。在进一步的非限制性例子中,根据所公开主题,在步骤612,一个高斯加权余弦滤波器可以用来对变形后的运动后的图像信息(例如,I2(MX+T;xn))进行滤波,以获取变形后的运动后的图像信息的滤波后的结果。如上所述,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便地对变形后的运动后的图像信息进行滤波。
请注意,根据所公开主题的各种非限制性方面,在步骤610中的高斯加权余弦滤波器的仿射修改和在步骤608中使用的仿射运动模型有利地共享同一组、或基本上同一组(多个)仿射运动参数。进一步注意,如本文所述,根据各种非限制性实现方案,可以采用在步骤610和步骤612的滤波来生成耦合滤波的结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))。
本文为了说明的目的描述或说明了所公开主题的某些方面,就其本身而论,所公开主题不应该仅限于此。例如,尽管将步骤610中的高斯加权余弦滤波器的仿射修改和步骤608中使用的仿射运动模型作为说明性示例而描述,但是所公开主题并不仅限于此。但是,对于本领域技术人员来说显然的是,可以通过阅读所公开主题来使用其他的修改、滤波器和运动模型,例如,关于步骤608的变形以及步骤610和步骤612的滤波。因此,由所公开设备、系统和方法所暗示的所公开实现方案的变型将被本文所公开主题的范围包含。
方法600可进一步包括在步骤614更新(多个)最优运动参数(例如,一个最优的M,其表示描述散射体图案的旋转、剪切、和缩放的3×3矩阵,和/或最优的T,其表示一个描述三维平移等的3×1的向量)。例如,在步骤614,各种非限制性实施方案可以使用耦合滤波的结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))的关系来搜索最优的(多个)运动参数。作为一个进一步的例子,对于耦合滤波结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))满足公式9、或最接近满足公式9的一组M和T的组合,一个特定的组合可以存在,其可以使得特征-运动去相关得到最优补偿。因此,一个特定组合M和T可以使耦合滤波结果之间最为匹配。在其他非限制性例子中,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制元件104、信号处理组件110、图像处理组件112等方便地更新(多个)最优运动参数。
因此,在各种非限制性实现中,方法600可进一步包括在步骤614部分地基于耦合滤波的结果来更新(多个)最优运动参数。作为另一个例子,更新(多个)最优运动参数可包括在步骤614部分地基于耦合滤波结果之间的最接近匹配来更新(多个)最优运动参数。请注意,如以下关于图7-图8的进一步描述,最接近的匹配可以产生一个运动参数的全局最优解集(例如,通过穷举搜索等)、或局部最优解集(例如,通过限制搜索等),这取决于例如除其他因素外的不同的搜索计划或者施加在(多个)最优运动参数搜索上的进一步的约束。
正如下文关于图7-图8所述的那样,在步骤614,方法600可以包括确定耦合滤波结果是否表明当前的运动参数(即,方法600中当前使用的M或T)是可接受的候选运动参数,以更新方法600之前使用的最优运动参数。例如,如果确定当前的运动参数是可以接受的更新候选,那么可以更新方法600之前使用的一个或多个运动参数(或者一个或多个初始化的运动参数)。作为另一个例子,如果确定当前的运动参数不是可接受的更新候选,那么可以保留方法600之前使用的一个或多个运动参数(例如,方法600之前使用的M和T、初始化的M和T等)。
此外,方法600可以进一步包括在步骤616确定最优运动参数搜索是否满足一个或多个完成标准。例如,如下面关于图7-图8的进一步说明,在产生耦合滤波结果之间的最接近匹配的(多个)最优运动参数(例如,全局最优或局部最优)的搜索中,可以使用一种测量或度量(例如,匹配度量)以衡量耦合滤波结果多么接近地匹配。该(多个)最优运动参数使耦合滤波的结果获得最接近的匹配(例如,一个全局最优解集或局部最优解集)。例如,在本文描述的示范的非限制性实现方案中,可以确定一个耦合滤波结果之间的相关系数形式的匹配度量。
作为一个进一步的例子,匹配度量可以在步骤616与一个或多个完成标准进行比较,以方便确定最优运动参数搜索是否完成(例如,匹配度量是否超过预定的阈值,否则表明最优运动参数的搜索不符合一个或多个完成标准,匹配度量是否表明耦合滤波结果产生了以前的耦合滤波结果中的最优结果,匹配度量是否表明应如下所述进一步调整一个或多个运动参数,等等)。此外,这种判断可用于确定是否继续最优运动参数的搜索,如下面在步骤620所描述。在其他非限制性例子中,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件通过例如控制组件104、信号处理组件110、图像处理组件112等可以方便地在步骤616确定耦合滤波的结果是否满足一个或多个验收标准。
本领域技术人员应该理解的是,通过阅读所公开主题,可以在不脱离所公开主题的范围的前提下使用与相关系数不同的匹配度量。举例来说,进一步的非限制性实现可以采用其他匹配度量(例如,距离的平方和(SSD)或绝对距离的和(SAD)等)。
作为一个进一步的例子,为了确定最优运动参数搜索是否满足一个或多个完成标准,方法600可进一步包括在步骤616确定是否已充分完成搜索(例如,根据一个预定义的搜索计划)。例如,一个示范的预定义的搜索可以包括列举可能的运动参数集(例如,在多尺度框架下或以其他方式)、在设置额外的限制(例如,组织不可压缩性的约束等)下列举可能的运动参数集,在适当的启发式的引导下(例如,梯度法、贪婪法等)确定运动参数的候选集,以便在步骤614针对一个或更多的验收标准对耦合滤波结果进行测试。
作为另一个例子,确定搜索(例如,根据预定义的搜索计划)是否已充分实现可以包括执行穷举的搜索(例如,针对一个或更多的验收标准,对所有可能的运动参数集进行测试)、或在某一较小的程度上执行搜索(例如,针对一个或更多的验收标准,对所有可能的运动参数集的一个子集进行测试),这是以例如权衡补偿质量、速度、和系统设计师的其他考虑为基础进行的。因此,根据不同的实施方案,所公开主题可以产生运动参数的全局最优解集(例如,通过穷举搜索等)、或局部最优解集(例如,通过限制搜索等),这取决于例如除其他因素外的不同的搜索计划或施加在(多个)最优运动参数的搜索上的进一步的限制。
如果在步骤616确定最优运动参数搜索满足一个或更多的完成标准(即,搜索计划充分实现),则在进一步的非限制性实现中,方法600可以包括在步骤618输出(多个)最优运动参数。举例来说,在例如(多个)初始化运动参数、物体的图像信息中的特征-运动去相关、以及由一个或多个验收标准确定的性能水平的基础上,在步骤618输出的(多个)最优运动参数可以是(多个)全局最优运动参数、(多个)局部最优运动参数、在步骤606的初始化的(多个)最优运动参数、更新后的(多个)最优运动参数(例如,部分地基于通过例如输入组件102、设备制造商应用的硬编码或软件等应用的一个或多个搜索约束条件、一个或更多的验收标准等)等。在非限制性的示范实现中,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可以方便地通过例如控制组件104、信号处理组件110、图像处理组件112等在步骤618输出(多个)最优运动参数。
如果在步骤616确定最优运动参数的搜索不符合一个或更多的完成标准(即,搜索计划中目前列举的可能的运动参数集尚未被充分补偿特征-运动去相关),在进一步的非限制性实现中,方法600可以进一步包括在步骤620调整(多个)运动参数。例如,由于种种原因,在耦合滤波600的第一轮,初始化的(多个)运动参数可能不及全局最优运动参数集、局部最优运动参数集,或不能实现特征-运动去相关的充分补偿等。因此,所公开主题的各种实现方案可以为方法600提供在步骤620调整后的(多个)运动参数。相对应地,方法600的附加迭代可以使用调整后的(多个)运动参数来完善特征-运动去相关的补偿。在不同的实施方案中,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可通过例如控制组件104、信号处理组件110、图像处理通过组件112等在步骤620方便地调整(多个)运动参数。
图7描绘了根据所公开主题的各方面的进一步的非限制性的用于解决特征-运动去相关的方法。例如,方法700可包括分别在步骤702和步骤704接收组织相关的运动前和运动后的超声波图像信息。作为一个例子,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可以通过例如输入组件102、控制组件104、存储组件108、信号处理组件110、图像处理组件112等在步骤702和步骤704方便地接收运动前和运动后的图像信息。例如,在步骤702,例如可以在超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件中接收与第一图像相关的信息(例如,运动前的图像信息I1(X;Xn)等)。类似地,在步骤704,可以接收第二图像相关的信息(例如,运动后的图像信息I2(X;xn)等)。
在步骤706,方法700可以进一步包括初始化用于上述耦合滤波的(多个)运动参数(例如,一个最优的M和T,或其基于例如类似系统、目标对象等的先验知识的合理估计)。作为一个例子,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如输入组件102、控制组件104、存储组件108、信号处理组件110、图像处理组件112等方便地初始化(多个)运动参数。
方法700可进一步包括对在步骤704接收到的运动后的图像信息(例如,I2(X;xn))进行变形708,以获取一个变形后的图像(例如,I2(MX+T;xn))。例如,如上文关于图6所述,一个特定的运动模型可用于对在步骤704接收到的运动后的图像信息进行变形708。例如,像描述的那样,方法700的各种实现可以使用局部仿射运动模型对在步骤704接收到的运动后的图像信息(例如,I2(X;xn))进行变形708,以创建变形后的运动后的图像信息(例如,I2(MX+T;xn))。在各种实现中,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便地对在步骤704接收到的运动后的图像信息进行变形708。
在方法700的非限制性的又一方面中,在步骤710,一个滤波器(例如,一个特定的带通滤波器等)可用于对在步骤702接收到的运动前的图像信息(例如,I1(X;Xn))进行滤波。在一个例子中,在步骤702接收到的运动前的图像信息可以在步骤710被滤波,方法是通过在步骤702接收到的运动前的图像信息(例如,I1(X;Xn))和一个修改后的点扩散函数(例如,H(MX))的卷积来获取在步骤702接收到的运动前的图像信息的一个滤波后的结果(例如,I1(X;Xn)*H(MX))。另一个例子是,根据所公开主题,在步骤710,一个仿射修改后的高斯加权余弦滤波器可以用来对在步骤702接收到的运动前的图像信息(例如,I1(X;Xn))进行滤波,以获取一个在步骤702接收到的运动前的图像信息的滤波结果。在另一个例子中,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便对在步骤702接收到的运动前的图像信息进行滤波。
以类似的方式,在步骤712,示范方法700可以包括对变形后的运动后的图像信息(例如,I2(MX+T;xn))进行滤波。作为一个例子,变形后的运动后的图像信息(在步骤704接收到的)可以在步骤712被滤波,方法是通过变形后的运动后的图像信息(例如,I2(MX+T;xn))和一个原来的点扩散函数(例如,H(X))的卷积来获取一个变形后的运动后的图像信息的滤波结果(例如,I2(MX+T;xn)*H(X))。在进一步的非限制性的例子中,根据所公开主题,在步骤712,一个高斯加权余弦滤波器可用于对变形后的运动后的图像信息(例如,I2(MX+T;xn))进行滤波,以获取变形后的运动后的图像信息的滤波结果。如上所述,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便地对变形后的运动后图像信息进行滤波。
请注意,根据所公开主题的不同的非限制性的各方面,步骤710中的高斯加权余弦滤波器的仿射修改和步骤708中使用的仿射运动模型有利地共享同一组、或基本上同一组仿射运动参数。此外,请注意,根据各种非限制性的实现方案,可以如本文所述采用在步骤710和步骤712的滤波来生成耦合滤波的结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))。
如前所述,本文为了说明的目的描述或说明了所公开主题的某些方面,就其本身而论,所公开主题不应该仅限于此。例如,尽管将步骤710中的高斯加权余弦滤波器的仿射修改和步骤708中使用的仿射运动模型作为说明性示例而描述,但是所公开主题并不仅限于此。因此,对于本领域技术人员来说显然的是,可以通过阅读所公开主题来使用其他的修改、滤波器和运动模型,例如,关于步骤708的变形以及步骤710和步骤712的滤波。因此,由所公开设备、系统和方法所暗示的所公开实现方案的变型将被本文所公开主题的范围包含。
例如,尽管本文中结合说明性实现方案描述了仿射变形,但是所公开主题并非仅限于此。因此,本领域技术人员通过阅读所公开主题可以认识到,图像变形和滤波器的其他可能的修改可以与本文所描述的实现方案一起使用。因此,所公开实施方案的修改(包括仿射变形的可选方案)将被这些实施方案主题的范围所包含,其中这些滤波器的修改与使用的特定的运动模型共享相同、或大致相似的(多个)运动参数的集。
方法700可进一步包括在步骤714更新(多个)最优运动参数。例如,在步骤714,各种非限制性的实施方案可以使用耦合滤波的结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))的关系来搜索(多个)最优运动参数,如上面参考图6所描述的那样。
作为一个进一步的例子,对于耦合滤波结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))满足公式9、或最接近满足公式9的一组M和T的组合,一个特定组合的运动参数可以存在,其可以使得特征-运动去相关得到最优补偿。因此,该(多个)运动参数的特定组合可以使耦合滤波结果之间最为匹配。在其他非限制性例子中,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制元件104、信号处理组件110、图像处理组件112等方便地更新(多个)最优运动参数。
因此,在各种非限制性的实现中,方法700可进一步包括在步骤714部分地基于耦合滤波的结果更新(多个)最优运动参数。在一个说明性例子中,更新(多个)最优运动参数可包括在步骤714部分地基于耦合滤波结果之间的最接近的匹配更新(多个)最优运动参数。请注意,正如关于图6和图8的进一步说明,最接近的匹配可以产生全局最优的运动参数解集(例如,通过穷举搜索等)或局部最优的运动参数解集(例如,通过限制搜索等),这取决于例如除其他因素外的不同的搜索计划或施加到(多个)最优运动参数的搜索上的进一步限制。
在不同的实施方案中,在步骤714,方法700可以包括确定耦合滤波结果是否表明当前的运动参数(即,方法700中当前使用的M或T)是可接受的候选运动参数,以更新方法700之前使用的最优运动参数,如下面关于图8所述。例如,如果确定当前的运动参数是可以接受的更新候选,那么可以更新方法700之前使用的一个或多个最优的运动参数(或者一个或多个初始化的运动参数)。如下面进一步的描述,如果确定当前的运动参数不是可接受的更新候选,那么可以保留方法700之前使用的一个或多个最优的运动参数(例如,方法700之前使用的M和T、初始化的M和T等)。
此外,在所公开主题的各种实现方案中,可以对(多个)最优运动参数的搜索施加额外的约束(例如,使用组织的不可压缩性约束,限制运动参数搜索空间,施加一个搜索偏好以获取一个局部最优,使用一个或更多的完成标准以便确定最接近的匹配,一个时间阈值或计算阈值,如时间限制或处理周期数限制等)。因此,应该理解的是,在所公开主题的各种实现方案中的约束的使用可以影响采用特征-运动去相关补偿的耦合滤波系统的计算复杂性、速度、时间、成本、和性能之间的期望权衡。例如,如下面在图11-图16中的描述,在面对10%的组织变形时使用平均相关系数约为0.95的完成标准可以比传统的解决方案提供更好的特征-运动去相关的补偿,同时潜在地节省了处理周期或提供更快的结果。
此外,方法700可以进一步包括在步骤716确定最优运动参数搜索是否满足一个或多个完成标准。例如,如下面关于图8、图11和图17的进一步说明,在使耦合滤波结果之间获得最接近匹配(例如,全局最优或局部最优)的(多个)最优运动参数的搜索中,可以使用一种度量(例如,匹配度量)以衡量耦合滤波结果匹配是多么接近。例如,在本文描述的示范的非限制性的实现方案中,可以确定一个耦合滤波结果之间的相关系数形式的匹配度量。
作为一个进一步的例子,可以在步骤716将匹配度量与一个或多个完成标准相比较,以方便确定最优运动参数的搜索是否完成(即,匹配度量是否超过预定的阈值,否则表明最优运动参数的搜索不符合一个或多个完成标准,匹配度量是否表明耦合滤波结果产生了以前的耦合滤波结果中的最优结果,匹配度量是否表明应如下所述地进一步调整一个或多个运动参数,等)。如上所述,这个确定转而可以被用于确定是否继续(多个)最优运动参数的搜索,如下面在步骤720所述。在其他非限制性的例子中,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制元件104、信号处理组件110、图像处理组件112等在步骤716方便地确定最优运动参数搜索是否满足一个或多个完成标准。本领域技术人员应该理解的是,通过阅读所公开主题,可以在不脱离所公开主题的范围的前提下使用与相关系数不同的匹配度量。举例来说,进一步的非限制性的实现可以采用其他匹配度量,例如,SSD、SAD等。
此外,为了确定最优运动参数搜索是否满足一个或多个完成标准,方法700可以进一步包括在步骤716确定是否已充分完成搜索(例如,根据一个预定义的搜索计划)。作为一个例子,示范的预定义的搜索可以包括列举可能的运动参数集(例如,在多尺度框架下或以其他方式)、在额外的限制(例如,一个组织的不可压缩性约束等)下列举可能的运动参数集、在适当的启发式的引导(例如,梯度法、贪婪法等)下确定运动参数的候选集,以在步骤714针对一个或更多的验收标准对耦合滤波结果进行测试。
作为另一个例子,确定是否已充分完成搜索(例如,根据一个预定义的搜索计划),可以包括执行穷举搜索(例如,针对一个或多个验收标准,对所有可能的运动参数集进行测试)、或在某一较小的程度上执行搜索(例如,针对一个或更多的验收标准,对所有可能的运动参数集的一个子集进行测试),这是以权衡例如补偿的质量、速度、和系统设计师的其他考虑为基础的。因此,根据不同的实施方案,所公开主题可以产生运动参数的全局最优解集(例如,通过穷举搜索等)、或局部最优解集(例如,通过限制搜索等),这取决于例如除其他因素外的不同的搜索计划或施加在(多个)最优运动参数的搜索上的进一步的限制。
如果在步骤716确定最优运动参数搜索满足一个或更多的完成标准(即,搜索计划充分实现),在进一步的非限制性实现中,方法700可以包括在步骤718输出(多个)最优运动参数。举例来说,基于例如初始化的(多个)运动参数、组织中的特征-运动去相关、由一个或多个验收标准确定的性能水平,在步骤718输出的最优运动参数可以是(多个)全局最优运动参数、(多个)局部最优运动参数、在步骤706初始化的(多个)最优运动参数、更新的(多个)最优运动参数(例如,部分地基于通过例如输入组件102、设备制造商应用的硬编码或软件等应用的搜索约束条件、一个或更多的验收标准等)等。在非限制性的示范实现中,超声系统100、耦合滤波元件或设备202、或者其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等在步骤718方便地输出(多个)最优运动参数。
如果在步骤716确定最优运动参数搜索不符合一个或更多的完成标准(即,目前在搜索计划中列举的可能的运动参数集尚未被充分补偿特征-运动的去相关),则在进一步的非限制性实现中,方法700可进一步包括在步骤720调整(多个)运动参数。作为一个例子,由于种种原因,在耦合滤波700的第一轮,初始化的(多个)运动参数可能不及全局最优运动参数集、局部最优运动参数集等,或未能实现特征-运动去相关的充分补偿。因此,所公开主题的各种实现方案可以为方法700在步骤720调整后的(多个)运动参数。因此,方法700的附加迭代可以使用调整后的(多个)运动参数来完善特征-运动去相关的补偿。在不同的实施方案中,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可通过例如控制组件104、信号处理组件110、图像处理通过组件112等在步骤720方便地调整(多个)运动参数。
图8描述了根据本文所述的进一步方面的其他非限制性的用于补偿特征-运动去相关的方法800。例如,方法800可包括分别在步骤802和步骤804接收组织相关的运动前和运动后的超声图像信息。作为一个例子,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如输入组件102、控制组件104、存储组件108、信号处理组件110、图像处理组件112等在步骤802和步骤804方便地接收到运动前和运动后的图像信息。例如,在步骤802,可以在例如超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件中接收与第一图像相关的信息(例如,运动前的图像信息I1(X;Xn)等)。类似地,在步骤804,可以接收第二图像相关的信息(例如,运动后的图像信息I2(X;xn)等)。
在步骤806,方法800可以进一步包括初始化(多个)运动参数(例如,基于例如类似系统、目标对象等的先验知识的一个最优的M和T、或其合理的估计),以用于如上描述的耦合滤波中。作为一个例子,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如输入组件102、控制组件104、存储组件108、信号处理组件110、图像处理组件112等方便地初始化(多个)运动参数。
方法800可进一步包括对在步骤804接收到的运动后的图像信息(例如,I2(X;xn))进行变形808,以获取一个变形后的图像(例如,I2(MX+T;xn))。例如,如上文关于图6所述的那样,一个特定的运动模型可用于对在步骤804接收到的运动后的图像信息进行变形808。例如,像描述的那样,方法800的各种实现可以使用局部仿射运动模型对在步骤804接收到的运动后的图像信息(例如,I2(X;xn))进行变形808,以创建变形后的运动后的图像信息(例如,I2(MX+T;xn))。在各种实现中,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便地对在步骤804接收到的运动后的图像信息进行变形808。
在方法800的非限制性的又一方面中,在步骤810,一个滤波器(例如,一个特定的带通滤波器等)可用于对在步骤802接收到的运动前的图像信息(例如,I1(X;Xn))进行滤波。在一个例子中,在步骤802接收到的运动前的图像信息可以在步骤810被滤波,方法是通过在步骤802接收到的运动前的图像信息(例如,I1(X;Xn))和一个修改后的点扩散函数(例如,H(MX))的卷积来获取一个在步骤802接收到的运动前的图像信息的滤波后的结果(例如,I1(X;Xn)*H(MX))。另一个例子是,根据所公开主题,在步骤810,一个仿射修改后的高斯加权余弦滤波器可以用来对在步骤802接收到的运动前的图像信息(例如,I1(X;Xn))进行滤波,以获取一个在步骤802接收到的运动前的图像信息的滤波结果。在另一个例子中,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便地对在步骤802接收到的运动前的图像信息进行滤波。
以类似的方式,在步骤812,示范方法800可以包括对变形后的运动后的图像信息(例如,I2(MX+T;xn))进行滤波。作为一个例子,变形后的运动后的图像信息(在步骤804接收到的)可以在步骤812被滤波,方法是通过变形后的运动后的图像信息(例如,I2(MX+T;xn))和一个原来的点扩散函数(例如,H(X))的卷积来获取一个变形后的运动后的图像信息的滤波结果(例如,I2(MX+T;xn)*H(X))。在进一步的非限制性的例子中,根据所公开主题,在步骤812,一个高斯加权余弦滤波器可用于对变形后的运动后的图像信息(例如,I2(MX+T;xn))进行滤波,以获取变形后的运动后的图像信息的滤波结果。如上所述,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等方便地对变形后的运动后的图像信息进行滤波。
请注意,根据所公开主题的不同的非限制性的各方面,步骤810中的高斯加权余弦滤波器的仿射修改和步骤808中使用的仿射运动模型有利地共享同一组、或基本上同一组的仿射运动参数。此外,请注意,根据各种非限制性的实现方案,可以如本文所述采用步骤810和步骤812的滤波来生成耦合滤波的结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))。
如前所述,本文为了说明的目的描述或说明了所公开主题的某些方面,就其本身而论,所公开主题不应该仅限于此。例如,尽管将步骤810中的高斯加权余弦滤波器的仿射修改和步骤808中使用的仿射运动模型作为说明性示例而描述,但是所公开主题并不仅限于此。因此,对于本领域技术人员来说显然的是,可以通过阅读所公开主题来使用其他的修改、滤波器和运动模型,例如,关于步骤808的变形以及步骤810和步骤812的滤波。因此,由所公开设备、系统和方法所暗示的所公开实现方案的变型将被本文所公开主题的范围包含。
例如,尽管本文中结合说明性实现方案描述了仿射变形,但是所公开主题并非仅限于此。因此,本领域技术人员通过阅读所公开主题可以认识到,图像变形和滤波器的其他可能的修改可以与本文所描述的实现方案一起使用。因此,所公开实施方案的修改(包括仿射变形的可选方案)将被这些实施方案主题的范围所包含,其中这些滤波器的修改与使用的特定的运动模型共享相同、或大致相似的(多个)运动参数的集。
此外,在步骤814,方法800可以包括确定耦合滤波结果是否表明当前的运动参数(即,方法800中当前使用的M或T)是可接受的候选运动参数(如,可以接受的M或T的更新候选),以便在步骤816更新在方法800之前使用的最优运动参数。例如,如本文的进一步说明,方法800可包括计算耦合滤波结果之间的匹配度量,并与使用方法800上一轮中的最优运动参数的匹配度量(例如,方法800上一轮中使用的M和T、初始化的最优的M和T等)相比较,以确定一个或多个当前的运动参数是否是可以接受的候选运动参数。如进一步的说明,计算匹配度量可以包括计算耦合滤波结果之间的相关系数、距离的平方和、或绝对距离的和。
如果在步骤814确定当前的运动参数(即,方法800中当前使用的M或T)是可以接受的更新候选,那么可以在步骤816更新方法800之前使用的一个或多个最优的运动参数(例如,方法800之前使用的M和T、初始化的最优的M和T等),如下所述。如果在步骤814确定当前的运动参数(即,方法800中当前使用的M或T)不是可接受的更新候选,那么可以保留方法800之前使用的一个或多个最优的运动参数(例如,方法800之前使用的M和T、初始化的最优的M和T等)。例如,如果方法800当前的匹配度量超过之前的匹配度量,则表明当前的运动参数是可以接受的更新候选。
在非限制性的进一步实现中,方法800可包括在步骤816更新(多个)最优运动参数。例如,在步骤816,各种非限制性的实施方案可以使用耦合滤波结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))的关系来进行(多个)最优运动参数的搜索,如上面参考图7的描述。作为一个进一步的例子,对于耦合滤波结果(例如,I1(X;Xn)*H(MX)和I2(MX+T;xn)*H(X))满足公式9、或最接近满足公式9的一组M和T的组合,一个特定组合的运动参数可以存在,其可以使得特征-运动去相关的补偿达到期望的水平(例如,最优补偿、基于设计约束小于最优补偿等)。因此,该(多个)运动参数的特定组合可以使耦合滤波结果之间最为匹配。在其他非限制性例子中,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制元件104、信号处理组件110、图像处理组件112等方便地更新(多个)最优运动参数。
因此,在各种非限制性的实现中,方法800可进一步包括部分地基于耦合滤波的结果在步骤816更新(多个)最优运动参数。例如,更新(多个)最优运动参数可包括在步骤816部分地基于耦合滤波结果之间的最接近的匹配更新(多个)最优运动参数。请注意,正如关于图6和图8的进一步说明,最接近的匹配可以产生全局最优的运动参数解集(例如,通过穷举搜索等)或局部最优的运动参数解集(例如,通过限制搜索等),这取决于例如除其他因素外的不同的搜索计划或施加在(多个)最优运动参数的搜索上的进一步限制。
如上所述,所公开主题的各种实现方案可以对(多个)最优运动参数的搜索施加额外的约束(例如,使用组织的不可压缩性约束,限制运动参数搜索空间,施加一个搜索偏好以获取一个局部最优,使用一个或更多的完成标准以便确定最接近的匹配,一个时间阈值或计算阈值,如时间限制或处理周期数限制等)。因此,应该理解的是,所公开主题的各种实现方案的约束的使用可以影响采用特征-运动去相关补偿的耦合滤波系统的计算复杂性、速度、时间、成本、和性能之间的期望的权衡。
此外,方法800可以进一步包括在步骤818确定最优运动参数搜索是否满足一个或多个完成标准。例如,如下面关于图7、图11和图17的进一步说明,在使耦合滤波结果之间获得最接近匹配(例如,全局最优或局部最优)的(多个)最优运动参数的搜索中,可以使用一种度量(例如,匹配度量)以衡量耦合滤波结果匹配是多么接近。例如,在本文描述的示范的非限制性的实现方案中,可以确定一个耦合滤波结果之间的相关系数形式的匹配度量。
作为一个进一步的例子,可以在步骤818将匹配度量与一个或多个完成标准相比较,以方便确定最优运动参数的搜索是否完成(例如,匹配度量是否超过预定的阈值,否则表明最优运动参数的搜索不符合一个或多个完成标准,匹配度量是否表明耦合滤波结果产生了之前的耦合滤波结果中的最优结果,匹配度量是否表明应如下所述地进一步调整一个或多个运动参数等)。如上所述,这个确定转而可以被用于确定是否继续(多个)最优运动参数的搜索,如下面在步骤822所述。在其他非限制性的例子中,超声系统100、耦合滤波组件或设备202、或其中的一个组件或子组件可以通过例如控制元件104、信号处理组件110、图像处理组件112等在步骤818方便地确定最优运动参数搜索是否满足一个或多个完成标准。本领域技术人员应该理解的是,通过阅读所公开主题,可以在不脱离所公开主题的范围的前提下使用与相关系数不同的匹配度量。举例来说,进一步的非限制性的实现可以采用其他匹配度量,例如,SSD、SAD等。
此外,为确定最优运动参数搜索是否满足一个或多个完成标准,方法800可以进一步包括在步骤818确定是否已充分完成搜索(例如,根据一个预定义的搜索计划)。作为一个例子,示范预定义的搜索可以包括列举可能的运动参数集(例如,在多尺度框架下或以其他方式)、在额外的限制(例如,一个组织的不可压缩性约束等)下列举可能的运动参数集、在适当的启发式的引导(例如,梯度法、贪婪法等)下确定运动参数的候选集,以在步骤814针对一个或更多的验收标准对耦合滤波结果进行测试。
作为另一个例子,确定是否已充分完成搜索(例如,根据一个预定义的搜索计划)可以包括执行穷举搜索(例如,针对一个或多个验收标准,对所有可能的运动参数集进行测试)、或在某一较小的程度上执行搜索(例如,针对一个或更多的验收标准,对所有可能的运动参数集的一个子集进行测试),这是以例如权衡补偿的质量、速度、和系统设计师的其他考虑为基础的。因此,根据不同的实施方案,所公开主题可以产生运动参数的全局最优解集(例如,通过穷举搜索等)、或局部最优解集(例如,通过限制搜索等),这取决于例如除其他因素外的不同的搜索计划或施加在(多个)最优运动参数的搜索上的进一步的限制。
如果在步骤818确定最优运动参数搜索满足一个或更多的完成标准(即,搜索计划充分实现),在进一步的非限制性实现中,方法800可以包括在步骤820输出(多个)最优运动参数。举例来说,基于例如(多个)初始化运动参数、组织中的特征-运动去相关、由一个或多个验收标准确定的性能水平,在步骤820输出的最优运动参数可以是(多个)全局最优运动参数、局部最优运动参数、在步骤806初始化的(多个)最优运动参数、更新的(多个)最优运动参数(例如,部分地基于通过例如输入组件102、设备制造商实现的硬编码或其他应用软件等所实现的搜索约束、一个或更多的验收标准等)等。在非限制性的示范实现中,超声系统100、耦合滤波元件或设备202、或者其中的一个组件或子组件可以通过例如控制组件104、信号处理组件110、图像处理组件112等在步骤820方便地输出(多个)最优运动参数。
如果在步骤818确定最优运动参数搜索不符合一个或更多的完成标准(即,目前在搜索计划中列举的可能的运动参数集尚未被充分补偿特征-运动的去相关),则在进一步的非限制性实现中,方法800可进一步包括在步骤822调整(多个)运动参数。作为一个例子,由于种种原因,在耦合滤波800的第一轮,初始化的(多个)运动参数可能不及全局最优的运动参数集、局部最优的运动参数集等,或未能实现特征-运动去相关的充分补偿。因此,所公开主题的各种实现方案可以为方法800提供在步骤822调整后的(多个)运动参数。因此,方法800的附加迭代可以使用调整后的(多个)运动参数来完善特征-运动去相关的补偿。在不同的实施方案中,超声系统100、耦合滤波组件或设备202、或者其中的一个组件或子组件可通过例如控制组件104、信号处理组件110、图像处理通过组件112等在步骤822方便地调整(多个)运动参数。
示范性的耦合滤波结果
这里使用仿真数据和幻像数据对所公开主题的示范实现方案进行了探究,证明了其独特的非限制的各方面、优势、和/或特征。此外,示范性的实现方案与传统的复合方法(或更一般地,一个仅变形的方法)相比较而得到展示。根据一个方面,一个线性卷积模型可以用来模拟一个三维图像体。图9列出了非限制性的示范的三维超声图像模拟参数。
例如,可以模拟10,000个散射体,其位置在感兴趣的空间内服从均匀分布,其相关的反射系数服从0和1之间的高斯分布。作为一个进一步的例子,在感兴趣的空间内,可以使用1000个分辨单元和161×161×161个体素。
图10描绘了通过检查平均相关系数的三维超声图像体对之间的相似性研究的示范的比较结果,其中描绘了一个模拟的超声图像体900的一个切片,并且为了显示的目的,射频信号被转换成B超信号。
例如,根据一个方面,在构建第一图像体(例如,运动前的)后,可使用公式4来模拟散射体的变形,以及使用线性卷积模型来重新构造散射体变形后的图像体(例如,运动后的)。可以理解的是,存在仿射运动的许多子分类。
例如,图11-图16描绘了三种设置下的关于组织变形1104(例如,旋转的角度、施加的应变等)的示范的平均相关系数1102,其中对于组织变形的六种不同的情况,较高的相关系数表示更好的相似性和较小的图像变化(例如,更好的特征-运动去相关补偿),其中分别描绘了轴向变形1100(例如,主要是沿轴线方向的变形(AD))、侧向变形1200(例如,主要沿横向方向的变形(LD))、轴向旋转1300(例如,旋转轴与超声束方向一致(AR))、侧向旋转1400(例如,旋转轴垂直于超声束方向(LR))、沿横向-外侧平面的剪切1500(如弹性轴对齐超声束方向(AS))、以及沿轴向横向平面的剪切1600(例如,弹性轴垂直于超声束方向(LS))。
因此,虽然以比较为目的,示范性的实现方案可以被描述为模拟不同情况下的组织变形,但是所公开主题的各种实现方案并非仅限于此。因此,仅为了展示而非限制的目的,描述散射体图案的旋转、剪切和缩放的六种不同的矩阵M可以表示为一个简化的矩阵,例如,在公式10-15中所示。
ε分别表示轴向变形、横向变形、横向-外侧剪切和轴向横向剪切中施加的应变,θ分别表示轴向旋转和横向旋转中的旋转角度。
作为进一步的非限制性的说明性的例子,超声束方向可以与z轴对齐,而组织的不可压缩性约束|M|=1可以在仿真实验中使用。
再次参考图11-图16,ε可以从-10%至10%以1%为步长逐渐改变,而θ可以从-10度至10度以1度为步长逐渐改变,以模拟不同类型的组织仿射运动1104(例如,旋转角度、施加的应变等)。因此,在每一个步长,可以在不同的仿真设置下(例如,无预处理的方法1106,仅变形的方法1108,和使用本文所述的特定的非限制性的耦合滤波的实现方案1110)比较两个图像体的相似性。注意根据图11-图16,仅变形的方法1108中的相似性是I(X;Xn)(例如,运动前的)和I(MX+T;xn)(例如,变形后的运动后的)之间的。在本文所述的特定的非限制性的耦合滤波1110的实现方案中,可以测量(例如,通过一个匹配度量)两个滤波后的图像的相似性,而不是原始图像的相似性(如在图7-图8等中那样)。请进一步注意,以仅变形的方法1108和本文所述的特定的非限制性的耦合滤波1110的实现方案之间的比较为目的,一个预先定义的M和T可用于变形和滤波中。
据进一步的非限制性的各方面,在相似性比较中(例如,在确定耦合滤波结果是否满足一个或多个验收标准中等),一个在第一图像体(例如,运动前的)中含有17×17×17个体素的立方体窗口可以用作数据源,以与第二图像体(例如,运动后的)中与之相应的窗口(例如,使用一个预定义的M和T等)进行比较。在第一图像体的中央部分,浏览过7×7×7=343个窗口后,可计算这343个窗口的平均相关系数,在图11-图16中关于组织变形1104(例如,旋转角度、施加的应变等)画出它们的关系1000。请注意,在进一步的非限制性的各方面中,可优先选择在图像中心的窗口,以避免相关的边界问题。
从图10-图16可以看出,对于没有任何预先处理1106的图像体的比较,两幅图像之间的相关性下降非常迅速(即,较差的特征-运动去相关补偿)。请注意,在说明性的实施方案中,“锯齿形”的结构是由射频信号的相位周期性引起的。在仅变形的方法1108中,相关系数以较慢的速度降低(即,与没有预处理的方法1106相比,特征-运动去相关的补偿得到一些改善)。然而,显着的特征-运动去相关仍然存在于仅变形的方法1108中。相比之下,在本文所述的特定的非限制性的耦合滤波的实施方案1110中的特征-运动去相关的补偿中,平均相关系数1102仍然非常接近1.0的理想值(即,特征-运动去相关的补偿得到增强),甚至当变形达到10%或旋转角度达到10度时仍是这样。
图17描绘了明胶幻影图像1702(例如,运动前)的弹性成像研究的示范比较结果1700,并出于显示和说明的目的,射频信号被转换为B超信号(取对数后)。例如,在图17中,图像1702从外到内具有三个有不同的刚度值的区域(例如,一个明胶幻影,一个硬的圆形区域1704,和一个薄薄的、充满液体的通道1706)。向下压缩明胶幻影后,可以获取另一幅图像(例如,1708、1710、1712和1714)(例如,运动后的),以用于使用运动前的图像信息和相应的运动后的图像信息推导出应变分布。仅为了说明而非限制的目的,既使用了复合方法(例如,1708和1710)也使用了本文所述的独特的非限制性的特征-运动去相关的耦合滤波补偿的实现方案(例如,1712和1714)研究了一个2%的压缩(例如,1708和1712)和一个5%的压缩(例如,1710和1714)的情况。
从图17中可以看出,在2%压缩的情况下,无论是复合方法(例如,1708)还是特定的非限制性的耦合滤波补偿的实现方案(例如,1712)都提供了合理的应变估计结果。如关于图10所述的仿真结果显示了类似的结果,其中在2%压缩时使用仅变形的方法1108,两个图像之间的平均相关系数1102非常接近1.0。进一步注意到,独特的非限制性的耦合滤波补偿的实现方案(例如,1712)可以比复合方法更好地对软通道1706进行特征化。因此,根据各方面,独特的非限制性的耦合滤波补偿的实现方案可有利地在具有不同特征-运动(例如,由不同的刚度值所导致)的邻近区域提供提升了的特征-运动去相关补偿的对比度。
在更难的5%压缩的情况下,独特的非限制性的耦合滤波补偿的实现方案(例如,1714)可以明显地胜过复合方法(例如,1710),具有不同的刚度值的不同区域之间的强烈反差为此提供了证据。
示范性的网络化和分布式环境
本领域普通技术人员可以理解,本文所述的各种实现方案可以结合任何一台计算机或其他客户端或服务器设备实现,所述计算机或其他客户端或服务器设备可以作为计算机网络的一部分、或处在分布式计算环境中,并且可连接到任何类型的数据存储。在这方面,本文所述的各种实现方案可以在拥有任意数量的内存或存储单元、以及跨越任何数量的存储单元的任意数量的应用程序和进程的任何计算机系统或环境中实现。这包括,但不仅限于,网络环境或分布式计算环境中分布的拥有远程或本地存储的服务器计算机和客户端计算机的环境。
分布式计算通过计算设备和系统之间的沟通交流提供计算机资源和服务的共享。这些资源和服务包括交换信息、缓存和硬盘存储对象(如文件)。这些资源和服务还包括共享跨多个处理单元的处理能力,用以进行负载平衡、扩展资源,专业化处理、和相关的功能。分布式计算充分利用了网络连接的优势,使客户利用他们的集体力量来造福于整个企业。在这方面,各种设备可能拥有可能利用如所公开主题的各种实现方案的补偿特征-运动去相关和/或耦合滤波的功能的应用程序、对象或者资源。
图18提供了一个示范的网络化或分布式计算环境的示意图。分布式计算环境包括计算对象1810、1812等和计算对象或设备1820、1822、1824、1826、1828等,其中可能包括程序、方法、数据存储、可编程逻辑等,如应用程序1830、1832、1834、1836、1838所代表的。应该理解的是,对象1810、1812等和计算对象或设备1820、1822、1824、1826、1828等可能包括不同的设备,如掌上电脑(PDA)、音频/视频设备、移动电话、MP3播放器、个人电脑、笔记本电脑等。
每个对象1810、1812等与计算对象或设备1820、1822、1824、1826、1828等可以与一个或多个其他对象1810、1812等和计算对象或设备1820、1822、1824、1826、1828等通过直接或间接的方式通过通信网络1840进行通信。即使被示出为图18中的单个元素,网络1840可能包括为图18的系统提供服务的其他计算对象和计算设备,和/或可能代表多个相互连接的网络,这在这里没有显示。每个对象1810、1812等或1820、1822、1824、1826、1828等还可以包含应用程序,如应用1830、1832、1834、1836、1838,这些应用可能使用一个应用程序界面(API)、或其他对象、软件、固件和/或硬件,适用于实现根据所公开主题的各种实施方案提供的补偿特征-运动去相关的功能和/或耦合滤波的功能,或与其进行通信。
有各种不同的系统、组件、和支持分布式计算环境的网络配置。例如,计算系统可以通过有线或无线系统、通过分布广泛的网络或本地网络连接在一起。目前,许多网络耦合到互联网上,这提供了广泛分布式计算的基础设施,并且包括了许多不同的网络,尽管任何网络基础设施都可用于如各种实施方案中所述的补偿特征-运动去相关和/或耦合滤波功能所附带的示范性的通信。
因此,网络拓扑结构和网络基础设施的主机(如客户端/服务器)、点对点网络、或混合结构都是可以利用的。“客户端”是一类或一组成员,该成员使用另一个不相关的类或组的成员的服务。一个客户端可以是一个进程,例如,大致是一组指示或任务,其请求另一程序或进程所提供的服务。客户端进程不必“知道”关于其他程序或服务本身的任何工作细节而利用所请求的服务。
在一个客户端/服务器体系结构中,尤其是网络化系统,客户端通常是访问由另一台计算机(例如,一台服务器)提供的共享网络资源的计算机。在图18的说明中,作为一个非限制性的例子,计算机1820、1822、1824、1826、1828等可以被认为是客户端,计算机1810、1812等可以被认为是服务器,服务器1810、1812等提供数据服务,如从客户端计算机1820、1822、1824、1826、1828等接收数据,存储数据,处理数据,传输数据到客户端计算机1820、1822、1824、1826、1828等,虽然任何计算机都可以被认为是一个客户端、服务器、或其二者,这视情况而定。这些计算设备中的任何一个都可能在处理数据、形成元数据、同步数据或请求可能涉及如本文针对一个或多个实现方案描述的特征-运动去相关补偿和/或耦合滤波的服务或任务。
一个服务器通常是一个可访问远程或本地网络(如因特网或无线网络基础设施)的远程计算机系统。客户端进程可能在第一台计算机系统中起作用,而服务器进程可能会在第二台计算机系统中起作用,二者通过通信介质互相沟通,从而提供了分布式功能,并允许多个客户端充分利用服务器的信息收集的能力。根据用于执行特征-运动去相关补偿和/或耦合滤波的技术使用的任何软件对象可被独立提供,或分布在多个计算设备或对象上。
在通信网络/总线1840是互联网的网络环境下,例如,服务器1810、1812等可以是客户1820、1822、1824、1826、1828等通过任何一些已知的协议(如超文本传输协议(HTTP))与其进行通信的万维网(Web)服务器。服务器1810、1812等也可作为客户端1820、1822、1824、1826、1828等,如可能是分布式计算环境的特点。
示范性的计算设备
如前所述,有利的是,本文所描述的技术可以应用到有利于执行特征-运动去相关补偿和/或耦合滤波的任何设备。因此,应该理解的是,手持式、便携式和各种其他计算设备和计算对象都可以考虑来与各种实施方案结合使用,例如,只要设备可能希望对数据进行同步。因此,如下图19所描述的通用远程计算机只不过是计算设备的一个例子。此外,特征-运动去相关补偿和/或耦合滤波的功能可以包括下面的通用计算机的一个或多个方面,如通过显示器1950显示或输出被建模的外观。
虽然没有要求,实现方案可以部分地通过一个操作系统实现以便设备或对象的服务开发人员使用,和/或被包括在操作来执行本文所述的各种实现方案的一个或多个方面的功能的应用软件中。软件可在由一个或多个计算机(如客户端工作站、服务器或其它设备)执行的计算机可执行指令(如程序模块)的通用背景下描述。本领域技术人员将会明白,计算机系统有多种配置、及可用于数据通信的协议,因此,不应仅限于特别的配置或协议。
因此,图19说明了一个合适的计算系统环境1900的一个例子,其中可以实现本文所述的实施方案的一个或多个方面,尽管如上面明确所述,计算系统环境1900只是一个合适的计算环境的一个例子而不是暗示任何使用范围或功能的限制。计算环境1900也不应该被解释为对在示范性操作环境1900中所说明的任何一个组件或组合的组件有任何依赖或要求。
参照图19,一个示范性的执行一个或更多的实现方案的远程设备包括一台计算机1910形式的一个通用计算设备。计算机1910的组件可能包括,但不仅限于,一个处理单元1920、一个系统内存1930、和一个系统总线1922,它们与各种系统组件(包括系统内存到处理单元1920)耦合。
计算机1910通常包括各种计算机可读介质,并且可以是计算机1910可以访问的任何可用的介质。系统内存1930可以包括易失性和/或非易失性内存形式的计算机存储介质,如只读存储器(ROM)和/或随机存取存储器(RAM)。只作为示例,而非限制,内存1930也可能包括操作系统、应用程序、其他程序模块、和程序数据。
用户可以通过输入设备1940对计算机1910输入命令和信息。一个监视器或其他类型的显示设备也通过一个接口(例如输出接口1950)连接到系统总线1922。除了监视器之外,计算机还可以包括其他外设输出设备,如扬声器和打印机,其可能是通过输出接口1950连接的。
计算机1910可能使用连接到一个或多个其他远程计算机(如远程计算机1970)的逻辑连接在网络化或分布式的环境中运行。远程计算机1970可能是个人电脑、服务器、路由器、网络个人电脑、点对点设备或其它常见的网络节点、或任何其他远程介耗或传输设备,并可能包括任何或所有以上关于计算机1910描述的元件。图19所示的逻辑连接包括一个网络1972,如局域网(LAN)或广域网(WAN),但也可能包括其他网络/总线。在家庭、办公室、企业范围内的计算机网络、内联网和互联网中,这样的网络环境是很常见的。
如上所述,尽管示范的实施方案已与各种计算设备和网络架构相结合得到描述,但是其基本概念可应用于有利于执行特征-运动去相关补偿和/或耦合滤波的任何网络系统和任何计算设备或系统。
此外,还有多种方法来实现相同或相似的功能,例如,能够使应用程序和服务使用特征-运动去相关补偿功能和/或耦合滤波功能的适当的应用程序界面、工具包、驱动程序代码、操作系统、控件,独立的或可下载的软件对象等。因此,本文所述的实现方案拟从一个应用程序界面(或其他软件对象)的角度、以及从实现本文所述的特征-运动去相关补偿和/或耦合滤波的一个或多个方面的软件或硬件对象的角度来考虑。因此,本文所述的各种实现方案可全是在硬件方面、部分在硬件方面和部分在软件方面、以及全是在软件方面。
本文中使用“示范”这个词是指作为一个例子、案例、或展示。为了免生疑问,本文所公开主题不会受这样的例子所限制。此外,本文描述的任何方面或设计作为“示范”不一定要被诠释为与其他方面或设计相比为首选的或具有优势的,也不是为了排除本领域普通技术人员已知的等效示范结构和技术。此外,术语“含有”、“具有”、“包含”、以及其他类似的词语被使用,只是为了详细说明或声明权力,为免生疑问,这些术语类似于术语“包括”而作为一个开放过渡词被包含,但不排除任何额外的或其他元素。
如前所述,本文所述的各种技术可能与硬件或软件、或根据需要与两者的组合相结合实现。本文中所使用的,术语“组件”、“系统”等是指一个计算机相关的实体,是硬件、硬件和软件的组合、软件、或执行中的软件。例如,一个组件可以是,但不仅限于是,一个运行在处理器上的进程、一个处理器、一个对象、一个可执行文件、一个执行的线程、一个程序、和/或一台计算机。举例来说,计算机和计算机上运行的应用程序都可以是一个组件。一个或多个组件可以驻留在进程内和/或执行的线程内,并且一个组件可能位于一台计算机上和/或分布在两个或多个计算机之间。
上述系统已关于几个组件之间的交互描述。可以理解的是,这样的系统和组件可以包括这些组件或指定的子组件、一些指定的组件或子组件、和/或附加组件、以及根据上述的各种的排列和组合。子组件也可以作为通讯上与其他组件耦合的组件而非包含在父组件(分层结构中)的组件被实现。此外,应该注意,一个或多个组件可能会被合并成一个单一的提供聚合功能的组件,或被分成几个独立的子组件,而任何一个或多个中间层(如管理层)可被提供来通讯上耦合这样的子组件,以提供集成的功能。本文所述的任何组件也可能与本文没有明确描述的但是本领域技术人员通常已知的一个或多个其他组件进行交互。除了本文所描述的各种实现方案,应该理解的是,其他类似的实现方案可被使用,或者可以在不脱离所描述的范围的情况下对所描述的(多个)实现方案进行修改和补充,以执行相对应的实现方案的相同或等效的功能。
例如,尽管已结合超声图像的射频信号方式描述了所公开主题的各种实现方案,但是与标准超声波机交互的终端用户使用B超信号的方式。在传统的超声波机中,射频信号在成像仪器内被转换为B超信号。但是,应该考虑到,所公开主题的各方面的应用可以被常规超声波机改进或纳入,例如,通过添加模块、添加控件、硬件和/或软件升级。可替换地或可选地,应该考虑到,所公开主题的某些方面可以适用于B超信号方式。
作为一个进一步的例子,已在线性卷积模型的背景下描述了所公开主题的说明性实现方案,线性卷积模型在换能器的远场中提供足够近似的超声成像过程。不过,应该考虑到,在不脱离本文所述的所公开主题的范围的情况下,其他非线性卷积模型也可以根据各方面而应用。
作为另一个例子,所公开主题的示范实现已在二维和三维超声图像的背景下得到描述。在一个方面,三维仿真数据和二维弹性成像数据已被证实。为免生疑问,所公开主题的各种实现方案包括二维和三维超声成像(例如,三维超声心动图图像等)。此外,尽管说明性的实施方案已经在超声图像分析中的特征-运动去相关补偿的背景下得到描述,但是应该考虑到,所公开主题的各个方面可以在其他领域的二维和三维图像分析(例如,卫星成像、目标图像的分析和瞄准、雷达、声纳、可以从特征-运动去相关补偿受益的任何其他的图像分析学科等)中找到应用。
在进一步的例子中,所公开主题的各种实现方案已结合以解释语言编码的并且使用测试数据的仿真实验得到描述。由于速度是临床应用的关键,需要考虑现有算法的改进,这可以包括,但不限于,使用本机代码的编码算法、手动优化代码中的瓶颈、加快参数更新程序等。
还在进一步的例子中,多处理芯片或多个设备可以共享本文所述的一个或多个功能的性能,而同样地,存储可跨多个设备而有效。因此,该发明不应该局限于任何单一的实现方案,而是应该根据所附权利要求在范围和思想上得到诠释。
Claims (32)
1.一种有利于特征-运动去相关的补偿的方法,包括:
至少部分地基于至少一个初始化的最优运动参数对图像信息执行耦合滤波,以生成耦合滤波的结果;
部分地在耦合滤波的结果的基础上,更新所述至少一个初始化的最优运动参数,以创建至少一个更新的最优运动参数;以及
至少部分地在确定最优运动参数搜索符合至少一个完成标准的基础上输出所述至少一个更新的最优运动参数。
2.权利要求1的方法,还包括:
初始化至少一个最优运动参数,以创建所述至少一个初始化的最优运动参数。
3.权利要求1的方法,执行耦合滤波包括对图像信息的一个子集进行图像变形。
4.权利要求1的方法,还包括:
接收输入的图像信息作为图像信息。
5.权利要求4的方法,接收输入的图像信息包括至少接收运动前的图像信息和运动后的图像信息。
6.权利要求5的方法,执行耦合滤波包括对运动后的图像信息进行图像变形,来创建变形后的运动后的图像信息。
7.权利要求6的方法,图像变形包括对运动后的图像信息进行仿射变形,来创建仿射变形后的运动后的图像信息。
8.权利要求6的方法,执行耦合滤波包括用原来的点扩散函数(PSF)对变形后的运动后的图像信息进行滤波,和用修改后的点扩散函数对运动前的图像信息进行滤波。
9.权利要求8的方法,用原来的点扩散函数对变形后的运动后的图像信息进行滤波包括用一个高斯加权余弦函数对变形后的运动后的图像信息进行滤波。
10.权利要求8的方法,用修改后的点扩散函数对运动前的图像信息进行滤波包括用仿射变形后的点扩散函数对运动前的图像信息进行滤波。
11.权利要求8的方法,用修改后的点扩散函数对运动前的图像信息进行滤波包括用仿射变形后的高斯加权余弦函数对运动前的图像信息进行滤波。
12.权利要求8的方法,执行耦合滤波包括用修改后的点扩散函数对运动前的图像信息进行滤波,其中修改后的点扩散函数拥有与变形操作共用的运动参数集,该变形操作用以创建变形后的运动后的图像信息。
13.权利要求1的方法,确定搜索符合至少一个完成标准包括下列至少一个:在多尺度框架下列举可能的运动参数集、在多尺度框架之外列举可能的运动参数集、在至少一个额外的约束下列举可能的运动参数集、在组织的不可压缩性约束下列举可能的运动参数集、或列举部分地基于至少一个启发式搜索确定的运动参数的候选集。
14.权利要求1的方法,还包括:
确定搜索不符合至少一个完成标准。
15.权利要求14的方法,还包括:
在确定耦合滤波的结果不符合至少一个验收标准的基础上,调整至少一个更新的最优运动参数以创建至少一个调整后的运动参数。
16.权利要求15的方法,还包括:
重复用至少一个调整后的运动参数对图像信息进行耦合滤波。
17.权利要求1的方法,还包括:
确定耦合滤波的结果满足至少一个验收标准。
18.权利要求17的方法,更新包括部分地以确定耦合滤波的结果满足至少一个验收标准为基础,用至少一个调整后的运动参数对至少一个初始化的最优运动参数进行更新。
19.权利要求1的方法,更新包括部分地在计算耦合滤波结果之间的匹配度量的基础上对至少一个初始化的最优运动参数进行更新,以创建至少一个更新的最优运动参数。
20.权利要求19的方法,计算匹配度量包括计算耦合滤波结果之间的相关系数、距离平方和、或绝对距离的和中的至少一个。
21.一种有利于特征-运动去相关补偿的耦合滤波装置,包括:
一个图像变形组件,配置为对输入图像信息的第一子集进行图像变形,以产生一个变形后的输入图像信息的第一子集;以及
一个滤波组件,配置为至少部分地根据至少一个初始化的最优运动参数对输入图像信息的第二子集进行滤波,并配置为对变形后的输入图像信息的第一子集进行滤波,以获得耦合滤波的结果。
22.权利要求21的耦合滤波装置,图像变形组件进一步配置为对输入图像信息的第一子集进行仿射变形,以产生仿射变形后的输入图像信息的第一子集,以及滤波组件进一步配置为用原来的点扩散函数(PSF)对仿射变形后的输入图像信息的第一子集进行滤波,并用仿射修改后的点扩散函数对输入图像信息的第二子集进行滤波。
23.权利要求21的耦合滤波装置,还包括:
一个管理组件,配置为部分地根据耦合滤波的结果,为至少一个初始化的最优运动参数生成一个更新。
24.权利要求23的耦合滤波装置,管理组件进一步配置为确定耦合滤波的结果是否满足至少一个验收标准。
25.权利要求24的耦合滤波装置,管理组件进一步配置为,当耦合滤波的结果符合至少一个验收标准时,更新至少一个初始化的最优运动参数,并当耦合滤波的结果不符合至少一个验收标准时,保留至少一个初始化的最优运动参数。
26.一种用于补偿特征-运动去相关的超声系统,包括:
一个计算机化的组件,其对运动前的图像信息和变形后的运动后的图像信息执行耦合滤波操作,以创建耦合滤波的结果,其中创建变形后的运动后的图像信息的图像变形操作和耦合滤波操作共享一组运动参数,以方便计算耦合滤波结果之间的匹配度量。
27.权利要求26的超声系统,变形操作是一个仿射变形,而耦合滤波操作包括用高斯加权余弦函数对变形后的运动后的图像信息进行滤波,和用仿射修改后的高斯加权余弦函数对运动前的图像信息进行滤波。
28.权利要求26的超声系统,还包括:
一个管理组件,其部分地以耦合滤波的结果为基础,为所述一组运动参数中的至少一个运动参数产生一个更新。
29.权利要求26的超声系统,管理组件进一步配置为执行一个预定义的搜索,以更新所述一组运动参数。
30.权利要求29的超声系统,管理组件进一步配置为针对所述一组运动参数中的至少一个运动参数,确定耦合滤波的结果是否产生了至少一个可接受的更新候选。
31.权利要求30的超声系统,管理组件进一步配置为从至少一个可接受的更新候选中,对所述一组运动参数中的至少一个运动参数生成至少一个更新。
32.权利要求31的超声系统,管理组件进一步配置为,如果预定义的搜索完成,则对所述一组运动参数中的至少一个运动参数输出至少一个更新,以及如果预定义的搜索计划没有完成,则调整所述一组运动参数中的至少一个运动参数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US21282009P | 2009-04-17 | 2009-04-17 | |
US61/212,820 | 2009-04-17 | ||
PCT/CN2010/000479 WO2010118629A1 (en) | 2009-04-17 | 2010-04-12 | Method, device and system for facilitating motion estimation and compensation of feature-motion decorrelation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102396000A true CN102396000A (zh) | 2012-03-28 |
CN102396000B CN102396000B (zh) | 2013-08-21 |
Family
ID=42982129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010800171293A Active CN102396000B (zh) | 2009-04-17 | 2010-04-12 | 有利于运动估计与特征-运动去相关补偿的方法、装置和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9286691B2 (zh) |
CN (1) | CN102396000B (zh) |
WO (1) | WO2010118629A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408303A (zh) * | 2015-03-12 | 2017-11-28 | 高通股份有限公司 | 用于对象跟踪的系统和方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188668A1 (en) * | 2009-09-23 | 2011-08-04 | Mark Donaldson | Media delivery system |
CN103338707B (zh) * | 2011-01-26 | 2015-09-30 | 株式会社日立医疗器械 | 超声波诊断装置以及图像处理方法 |
TWI446897B (zh) * | 2011-08-19 | 2014-08-01 | Ind Tech Res Inst | 超音波影像對齊裝置及其方法 |
US9712818B2 (en) * | 2013-01-11 | 2017-07-18 | Sony Corporation | Method for stabilizing a first sequence of digital image frames and image stabilization unit |
EP2775448A1 (en) * | 2013-03-06 | 2014-09-10 | Thomson Licensing | Deblurring of an image from a sequence of images |
CN107847217A (zh) * | 2015-07-27 | 2018-03-27 | 苏黎世联合高等工业学校 | 用于生成超声散射体表示的方法和装置 |
JP2019524221A (ja) * | 2016-07-14 | 2019-09-05 | インサイテック リミテッド | 前例に基づく超音波フォーカシング |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573810A (zh) * | 2003-06-06 | 2005-02-02 | Ge医疗系统环球技术有限公司 | 图像处理方法和设备 |
WO2007138526A2 (en) * | 2006-06-01 | 2007-12-06 | Philips Intellectual Property & Standards Gmbh | Hierarchical motion estimation |
US20080175453A1 (en) * | 2006-11-13 | 2008-07-24 | Xiaohui Hao | Reducing jittering in medical diagnostic ultrasound imaging |
CN101261736A (zh) * | 2008-04-10 | 2008-09-10 | 西北工业大学 | 多源图像动目标协同检测方法 |
CN101292265A (zh) * | 2005-10-17 | 2008-10-22 | 皇家飞利浦电子股份有限公司 | 图像序列的运动估计和补偿 |
CN101310302A (zh) * | 2005-11-14 | 2008-11-19 | 皇家飞利浦电子股份有限公司 | 用于体积配准的方法、系统和计算机程序 |
Family Cites Families (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5524636A (en) | 1992-12-21 | 1996-06-11 | Artann Corporation Dba Artann Laboratories | Method and apparatus for elasticity imaging |
DE69736549T2 (de) * | 1996-02-29 | 2007-08-23 | Acuson Corp., Mountain View | System, verfahren und wandler zum ausrichten mehrerer ultraschallbilder |
US6567564B1 (en) * | 1996-04-17 | 2003-05-20 | Sarnoff Corporation | Pipelined pyramid processor for image processing systems |
US5720708A (en) | 1997-01-02 | 1998-02-24 | Mayo Foundation For Medical Education And Research | High frame rate imaging with limited diffraction beams |
US6526156B1 (en) * | 1997-01-10 | 2003-02-25 | Xerox Corporation | Apparatus and method for identifying and tracking objects with view-based representations |
US5876342A (en) * | 1997-06-30 | 1999-03-02 | Siemens Medical Systems, Inc. | System and method for 3-D ultrasound imaging and motion estimation |
US6211913B1 (en) * | 1998-03-23 | 2001-04-03 | Sarnoff Corporation | Apparatus and method for removing blank areas from real-time stabilized images by inserting background information |
US6192079B1 (en) * | 1998-05-07 | 2001-02-20 | Intel Corporation | Method and apparatus for increasing video frame rate |
US6270459B1 (en) * | 1998-05-26 | 2001-08-07 | The Board Of Regents Of The University Of Texas System | Method for estimating and imaging of transverse displacements, transverse strains and strain ratios |
US6224554B1 (en) * | 1999-03-31 | 2001-05-01 | Point Biomedical Corporation | Method to measure ambient fluid pressure |
US6535835B1 (en) * | 2000-01-31 | 2003-03-18 | Ge Medical Systems Global Technology Company, Llc | Angle independent ultrasound volume flow measurement |
US6527717B1 (en) | 2000-03-10 | 2003-03-04 | Acuson Corporation | Tissue motion analysis medical diagnostic ultrasound system and method |
WO2001071366A2 (en) * | 2000-03-17 | 2001-09-27 | The Board Of Regents Of The University Of Texas System | Power spectral strain estimators in elastography |
US6537221B2 (en) | 2000-12-07 | 2003-03-25 | Koninklijke Philips Electronics, N.V. | Strain rate analysis in ultrasonic diagnostic images |
EP1444654A2 (de) * | 2001-03-08 | 2004-08-11 | Universite Joseph Fourier | Quantitative analyse, visualisierung und bewegungskorrektur in dynamischen prozessen |
US6810293B1 (en) * | 2001-07-26 | 2004-10-26 | United International Engineering, Inc. | Compact integrated self contained surveillance unit |
US7058205B2 (en) * | 2001-12-07 | 2006-06-06 | Xerox Corporation | Robust, on-line, view-based appearance models for visual motion analysis and visual tracking |
US6687625B2 (en) * | 2002-04-22 | 2004-02-03 | The Board Of Regents Of The University Of Texas System | Method and apparatus for feature tracking strain estimation for elastography |
US6904118B2 (en) * | 2002-07-23 | 2005-06-07 | General Electric Company | Method and apparatus for generating a density map using dual-energy CT |
US6659953B1 (en) * | 2002-09-20 | 2003-12-09 | Acuson Corporation | Morphing diagnostic ultrasound images for perfusion assessment |
US7356172B2 (en) | 2002-09-26 | 2008-04-08 | Siemens Medical Solutions Usa, Inc. | Methods and systems for motion tracking |
US6751284B1 (en) * | 2002-12-03 | 2004-06-15 | General Electric Company | Method and system for tomosynthesis image enhancement using transverse filtering |
JP4731476B2 (ja) * | 2003-07-16 | 2011-07-27 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | ボリュメトリックデータからの動くオブジェクトの画像の再構成 |
US7654959B2 (en) * | 2003-09-03 | 2010-02-02 | Siemens Medical Solutions Usa, Inc. | Motion artifact reduction in coherent image formation |
CA2457171A1 (en) * | 2004-02-09 | 2005-08-09 | Centre Hospitalier De L'universite De Montreal - Chum | Imaging apparatus and methods |
US7372984B2 (en) * | 2004-05-05 | 2008-05-13 | California Institute Of Technology | Four-dimensional imaging of periodically moving objects via post-acquisition synchronization of nongated slice-sequences |
US7702063B2 (en) * | 2004-11-15 | 2010-04-20 | Koninklijke Philips Electronics N.V. | CT method for the examination of cyclically moving object |
US20060291751A1 (en) * | 2004-12-16 | 2006-12-28 | Peyman Milanfar | Robust reconstruction of high resolution grayscale images from a sequence of low-resolution frames (robust gray super-resolution) |
US7720268B2 (en) * | 2005-07-15 | 2010-05-18 | Siemens Corporation | System and method for ultrasound specific segmentation using speckle distributions |
EP1958006B1 (en) * | 2005-11-10 | 2011-05-11 | Microsoft Corporation | Discover biological features using composite images |
WO2007057856A2 (en) * | 2005-11-18 | 2007-05-24 | Koninklijke Philips Electronics N.V. | Method of filtering bending features |
US8105239B2 (en) * | 2006-02-06 | 2012-01-31 | Maui Imaging, Inc. | Method and apparatus to visualize the coronary arteries using ultrasound |
IES20070229A2 (en) * | 2006-06-05 | 2007-10-03 | Fotonation Vision Ltd | Image acquisition method and apparatus |
US7949498B2 (en) * | 2006-10-02 | 2011-05-24 | University Of Virginia Patent Foundation | Method, system and computer program product for registration of multi-dimensional datasets |
US7990379B2 (en) * | 2006-10-25 | 2011-08-02 | Siemens Aktiengesellschaft | System and method for coronary segmentation and visualization |
US7780601B2 (en) * | 2007-06-05 | 2010-08-24 | Siemens Medical Solutions Usa, Inc. | Adaptive clinical marker preservation in spatial compound ultrasound imaging |
US9514550B2 (en) * | 2007-06-15 | 2016-12-06 | The Johns Hopkins University | Methods for motion compensated image reconstruction and system related thereto |
US8094903B2 (en) * | 2007-06-28 | 2012-01-10 | Siemens Aktiengesellschaft | System and method for coronary digital subtraction angiography |
ATE477572T1 (de) * | 2007-10-01 | 2010-08-15 | Harman Becker Automotive Sys | Effiziente audiosignalverarbeitung im subbandbereich, verfahren, vorrichtung und dazugehöriges computerprogramm |
WO2009064891A2 (en) * | 2007-11-13 | 2009-05-22 | Wisconsin Alumni Research Foundation | A method for producing highly constrained ultrasound images |
WO2010014977A1 (en) * | 2008-08-01 | 2010-02-04 | The Trustees Of Columbia University In The City Of New York | Systems and methods for matching and imaging tissue characteristics |
US8345944B2 (en) * | 2008-08-06 | 2013-01-01 | Siemens Aktiengesellschaft | System and method for coronary digital subtraction angiography |
KR101544032B1 (ko) * | 2008-12-16 | 2015-08-12 | 삼성전자주식회사 | 영상 노이즈 제거 방법 및 장치 |
US8903191B2 (en) * | 2008-12-30 | 2014-12-02 | Intel Corporation | Method and apparatus for noise reduction in video |
US8270671B1 (en) * | 2009-02-27 | 2012-09-18 | Hrl Laboratories, Llc | Method and system for generic object detection using block features |
US8469890B2 (en) * | 2009-03-24 | 2013-06-25 | General Electric Company | System and method for compensating for motion when displaying ultrasound motion tracking information |
US8224056B2 (en) * | 2009-12-15 | 2012-07-17 | General Electronic Company | Method for computed tomography motion estimation and compensation |
WO2011106578A2 (en) * | 2010-02-26 | 2011-09-01 | Gentex Corporation | Automatic vehicle equipment monitoring, warning, and control system |
US20120143042A1 (en) * | 2010-12-06 | 2012-06-07 | Palmeri Mark L | Ultrasound Methods, Systems and Computer Program Products for Imaging Fluids Using Acoustic Radiation Force |
US9177381B2 (en) * | 2010-12-22 | 2015-11-03 | Nani Holdings IP, LLC | Depth estimate determination, systems and methods |
US9256966B2 (en) * | 2011-02-17 | 2016-02-09 | The Johns Hopkins University | Multiparametric non-linear dimension reduction methods and systems related thereto |
CN103814384B (zh) * | 2011-06-09 | 2017-08-18 | 香港科技大学 | 基于图像的跟踪 |
US9824426B2 (en) * | 2011-08-01 | 2017-11-21 | Microsoft Technology Licensing, Llc | Reduced latency video stabilization |
US9448064B2 (en) * | 2012-05-24 | 2016-09-20 | Qualcomm Incorporated | Reception of affine-invariant spatial mask for active depth sensing |
-
2010
- 2010-04-12 CN CN2010800171293A patent/CN102396000B/zh active Active
- 2010-04-12 WO PCT/CN2010/000479 patent/WO2010118629A1/en active Application Filing
- 2010-04-12 US US13/259,199 patent/US9286691B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1573810A (zh) * | 2003-06-06 | 2005-02-02 | Ge医疗系统环球技术有限公司 | 图像处理方法和设备 |
CN101292265A (zh) * | 2005-10-17 | 2008-10-22 | 皇家飞利浦电子股份有限公司 | 图像序列的运动估计和补偿 |
CN101310302A (zh) * | 2005-11-14 | 2008-11-19 | 皇家飞利浦电子股份有限公司 | 用于体积配准的方法、系统和计算机程序 |
WO2007138526A2 (en) * | 2006-06-01 | 2007-12-06 | Philips Intellectual Property & Standards Gmbh | Hierarchical motion estimation |
US20080175453A1 (en) * | 2006-11-13 | 2008-07-24 | Xiaohui Hao | Reducing jittering in medical diagnostic ultrasound imaging |
CN101261736A (zh) * | 2008-04-10 | 2008-09-10 | 西北工业大学 | 多源图像动目标协同检测方法 |
Non-Patent Citations (2)
Title |
---|
刘旭,寿文德,舒先红: "心脏医学超声图像序列的噪声抑制", 《上海交通大学学报》, vol. 40, no. 11, 30 November 2006 (2006-11-30) * |
谢勤,罗代升,宋海波: "基于改进各向异性扩散的超声医学图像滤波方法", 《电子技术应用》, no. 2, 29 February 2008 (2008-02-29) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408303A (zh) * | 2015-03-12 | 2017-11-28 | 高通股份有限公司 | 用于对象跟踪的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
US20120020530A1 (en) | 2012-01-26 |
US9286691B2 (en) | 2016-03-15 |
WO2010118629A1 (en) | 2010-10-21 |
CN102396000B (zh) | 2013-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102396000B (zh) | 有利于运动估计与特征-运动去相关补偿的方法、装置和系统 | |
Sacha et al. | The role of uncertainty, awareness, and trust in visual analytics | |
US10571408B2 (en) | System and method for determining structure of material | |
US11842529B2 (en) | Spatial localization design service | |
Nennig et al. | The method of fundamental solutions for acoustic wave scattering by a single and a periodic array of poroelastic scatterers | |
EP3791319A1 (en) | Computer vision and speech algorithm design service | |
Liu et al. | Higher order approximation for stochastic space fractional wave equation forced by an additive space-time Gaussian noise | |
Lee et al. | A Physics-informed and data-driven deep learning approach for wave propagation and its scattering characteristics | |
Markidis | Programming Quantum Neural Networks on NISQ Systems: An Overview of Technologies and Methodologies | |
Shin et al. | Context-aware deep learning enables high-efficacy localization of high concentration microbubbles for super-resolution ultrasound localization microscopy | |
Shuman | Understanding executable architectures through an examination of language model elements | |
Hopp et al. | Experimental evaluation of straight ray and bent ray phase aberration correction for USCT SAFT imaging | |
Tran et al. | Influence of dual-frequency combination on the quality improvement of ultrasound tomography | |
Bachmann et al. | Experience using an expert system to assist an architect in designing for modifiability | |
Mateu et al. | Introduction to Geostatistical Functional Data Analysis | |
Mattausch et al. | Comparison of texture synthesis methods for content generation in ultrasound simulation for training | |
Horák et al. | Testing of web map services | |
Popplewell | Towards the definition of a science base for enterprise interoperability: a European perspective | |
Zhou et al. | Super-resolution reconstruction of plane-wave ultrasound imaging based on the improved CNN method | |
Tribolet et al. | Organizational self-awareness: a matter of value | |
US11966427B2 (en) | Keyword-object taxonomy generation and utilization | |
Ballani et al. | PDE Apps for Acoustic Ducts: A Parametrized Component-to-System Model-Order-Reduction Approach | |
Kim et al. | Virtual product development process for reducing noise, vibration, and harshness of vehicle based on substructuring and artificial neural network | |
US20230009197A1 (en) | Keyword-object taxonomy generation and utilization | |
Hirt et al. | Enabling inter-organizational analytics in business networks through meta machine learning |
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 |