CN102428479A - X光胸透的配准、相减以及显示 - Google Patents
X光胸透的配准、相减以及显示 Download PDFInfo
- Publication number
- CN102428479A CN102428479A CN2009801593675A CN200980159367A CN102428479A CN 102428479 A CN102428479 A CN 102428479A CN 2009801593675 A CN2009801593675 A CN 2009801593675A CN 200980159367 A CN200980159367 A CN 200980159367A CN 102428479 A CN102428479 A CN 102428479A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- thick
- displacement
- medium according
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims description 52
- 238000006073 displacement reaction Methods 0.000 claims description 21
- 210000000988 bone and bone Anatomy 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims 2
- 238000003709 image segmentation Methods 0.000 claims 2
- 210000004872 soft tissue Anatomy 0.000 description 15
- 210000004072 lung Anatomy 0.000 description 13
- 210000000115 thoracic cavity Anatomy 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 210000000038 chest Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 240000004859 Gamochaeta purpurea Species 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
可以通过执行多个操作来配准图像，该多个操作包括粗对准、粗配准以及精细配准。可以减去精细配准的图像，以获得残差图像。
Description
背景技术
用于医学目的射线照片成像是众所周知的。例如，胸部的射线照片成像可以为检测和治疗大量身体情况提供重要的诊断信息，所述身体情况包括肺脏、胸部的骨骼结构、上腹部器官、肺脏的血管结构以及胸正中的脊椎的间隙。
因为数字图像所提供的巨大优点，所以通常以数字形式来存储和操作射线照片。数字射线照片可以通过直接以数字形式捕获原始图像来生成，或者通过将由“模拟”系统获得的图像转换成数字形式来生成。数字图像可以例如在将射线照片与正确的患者匹配中简化记录保持，并使得更有效的存储和分配成为可能。数字图像还允许射线照片的数字校正和增强，以及使计算机辅助诊断和治疗的应用成为可能。
一旦是数字格式，就可以利用各种技术来增强射线照片图像的效用。一种这样的技术是分割。分割包括为了例如诊断、评估或测量的目的从图像中提取解剖表面或结构，或者分离对象(例如，将背景从前景分离出来)。分割可以对诸如用于暂时比较的可视化和配准任务是有价值的。
其它技术可以有助于增强射线照片图像中感兴趣特征的明显性，而抑制无关的元素。射线照片的使用中所遇到的共同问题是：身体里的各种不同结构会相互重叠，这可以导致重要特征被位于该重要特征上方或下方的其它结构遮盖。例如，由于所叠加的患者肋骨图像，肺脏软组织里的细节会难以用射线照片说明。骨骼抑制技术，例如由Riverain Medical Group，LLC(本申请的专利受让人)开发的SoftView
系统，可以通过基本上除去骨骼图像来增加数字射线照片图像的清晰度。
图像配准是将用于帮助比较和医学诊断的分离的图像进行对准的处理。配准可以帮助医生观察和监测患者随着时间的生理变化。例如，配准可以帮助医生监测损伤或结节的收缩或增长，并可以有助于检测密度随着时间的微小变化。
因为采集设备可以具有不同的成像参数(例如采样、曝光、对比度响应函数等)和/或因为患者存在的差异(和临床相关的以及不相关的)，患者到成像设备的对准可能不是完美复制的，所以对在不同时间取自患者的射线照片图像进行配准会是困难的。例如，在胸部射线照片中，在不同时间采集的图像相对于患者的呼吸可能会是不同相的，从而导致横膈膜的不同位置。同样，患者身体情况的变化，例如肺脏疾病(诸如肺炎等)，可以导致肺野的外观变化，从而导致复杂的图像匹配。
因为图像里的不同结构不是强有力地耦接在一起，因而在一段时间内所采集的图像之间会有差异地移动，所以射线照片图像的配准可能是有问题的。例如，胸腔被精确配准的射线照片图像就肺脏软组织中的细节而言可能是不同的。肺脏结构(尤其是内部)只是松散地耦接到胸腔。
另一种图像处理技术，一旦射线照片图像已配准，就可以生成表示图像间的差异的“残差”图像。可以通过从另一个图像减去一个图像来形成残差图像。在理想的归一化和配准的残差图像中，两个图像的就形态和组织类型而言完全一样的那些部分应当完全减去。另一方面，如果形态和/或吸收特性不同，则在残差图像中是相当明显的。两个图像之间的差异可以表现为暗的特征或明的特征，该暗的特征或明的特征示出在时间间隔内所采集的图像之间的变化。因此，如果射线照片中感兴趣的特征没有被精确地配准及归一化，则会引起问题。
现有的用于对准和配准射线照片图像的技术不能解决软组织与骨骼结构的分离，并且通常不能提供软组织变化的清晰的描述。
发明内容
本发明的实施例可以包括可以执行射线照片图像的刚性对准以及多尺度、迭代的、非刚性配准的方法；变换可以在导出的图像的层上生成并随后应用到该导出的图像的层，其中，每个图像都可以抑制除了一种组织类型以外的所有组织类型，例如骨骼、肌肉或肺实质。残差图像可以优选地加权或忽略来自多尺度分解的信息，以增强相关特征的明显性并同时抑制其它特征的明显性。
本发明的各种实施例可以是方法、装置、系统和/或包括处理器可执行指令以执行方法的计算机可读介质的形式。还应当注意，期望的是：这样的方法可以由诸如图像处理设备的自动处理设备来执行，但不限制于此，还可以通过通用处理器或计算机等来执行。
附图说明
图1是提供了本发明的实施例的概述的流程图；
图2是提供了根据本发明的一些实施例的预处理的额外细节的流程图；
图3是提供了根据本发明的各种实施例的粗对准的额外细节的流程图；
图4进一步示出可以如何根据胸腔分割来确定当前和先前图像之间的倾斜；
图5是提供了根据本发明的各种实施例的粗配准的额外细节的流程图；
图6进一步示出可以如何利用当前和先前骨骼图像来完成粗配准；
图7示出根据本发明的实施例的精细对准过程中的光流；
图8示出可以通过粗对准获得的残差图像的示例；
图9示出可以在粗配准之后获得的残差图像的示例；
图10示出可以在精细配准之后获得的残差图像的示例；
图11是“完整”配准的当前和先前图像的残差图像的示例，包括骨骼和软组织；
图12是骨骼抑制的当前和先前配准图像的相应残差图像的示例；
图13是骨骼抑制的当前和先前配准图像的残差图像的示例，其中省略了可以在本发明的一些实施例中使用的、来自分解金字塔的不相关信息；
图14是可以用在本发明的一些实施例中的后处理融合过程的流程图；以及
图15示出系统的概念性框图，在该系统中，可以实施本发明的各种实施例的全部或一部分。
具体实施方式
图1是提供了本发明的实施例的概述的流程图。本发明的实施例可以从患者先前的射线照片图像102和患者的新的当前射线照片图像104开始。即使两个射线照片图像可以通过利用同一或相同的仪器来获得并被小心地采集以确保患者到仪器的对准尽可能的一致，两个图像也将经常在所描述的内部结构的位置方面及方向方面存在差异。
本发明的实施例可以通过预处理106先前和/或当前图像来进行。根据本发明的一些实施例，预处理可以根据图2中的进一步细节来进行。例如，可以首先将每个输入图像202归一化204，以使得两个图像具有：就每单位长度像素而言一致的采样函数；就每像素位而言一致的位深度；一致的图像对比度；以及降低的噪声水平。归一化可以因此提供具有一致特性的图像，以使得假如两个图像被完全对准，则如果一个图像以逐个像素的方式从另一个图像中减去，那么可以从基本上“删去”该两个图像中的相同特征。
在归一化后，预处理可以继续进行图像的分割206。分割例如可以勾画两个图像中的肺脏、胸腔或其它结构的轮廓，以用于后续处理。如下文所讨论的，也可以在预处理期间发生骨骼抑制208，然后预处理结束210，生成可用于后续处理的预处理后的图像。
预处理步骤106的输出还包括骨骼抑制的先前图像112和骨骼抑制的当前图像114，所述骨骼抑制的先前图像112和骨骼抑制的当前图像114可以例如由Riverian Medical Group LLC开发的SoftView
系统生成，该SoftView
系统部分地呈现在2008年10月6日提交的题为“Feature BasedNeural Network Regression for Feature Suppression”的、属于同一受让人的并通过引用合并到本文中的第12/246,130号美国专利申请中。可替代地，骨骼抑制的图像可以在后阶段的处理中生成，例如在图像的粗配准110之后。还可以生成抑制软组织的骨骼图像以用在图像的粗配准中，如下所述。
在预处理后，本发明的实施例可以继续进行两个图像的粗对准108。粗对准108可以用来校正两个图像之间的偏移(平移)和/或倾斜(旋转)，和/或用来粗糙地对准图像以使得后续配准步骤110、120可以更有效。粗对准108的实施例可以假定先前图像和当前图像均已在射线照片处理所承受的公差范围之内，例如在垂直对准的36mm范围内。粗对准108可以利用先前图像和当前图像的较低分辨率版本，例如具有每像素3mm的像素分辨率的图像。另外，粗对准108的实施例可以使用用于计算刚性坐标轴变换的仿射变换来实施。
如图3所示，粗对准108的实施例可以从患者倾斜304的低分辨率估计的生成开始302。确定患者倾斜的一个示例性方法在图4中示出。可以对每个图像的胸腔分割402、404进行分析，以计算胸腔的中线412、414，所述胸腔分割402、404例如可以从预处理106获得；示例性的技术可以在2008年10月16日提交的、共同受让人的第12/252,615号美国专利申请中找到，该专利申请通过引用合并到本文中。每条中线的端点或顶点都可以用来确定两个图像之间的相对倾斜。
在本发明的实施例中，可以通过将先前图像调整到具有和当前图像相同的倾斜来校正两个图像之间的倾斜。然后可以生成两个图像之间的平移偏移的估计306。确定偏移的一个方法例如为确定两个图像之间的灰度相关性。因为只有落在分割(图4的有交叉阴影的区域)范围内的灰度特征才可以被使用，所以胸腔分割可以用来约束相关性。这可以消除来自胸腔之外的特征对相关性的无关影响。
在本发明的实施例中，平移偏移的校正可以通过将先前图像与当前图像进行对准310来完成，然后粗对准结束312。因为可以不考虑图像内的局部影响，所以粗倾斜和粗平移调整可以全局地应用到先前图像。在本发明的实施例中，粗对准可以引起相互之间大约15mm以内的局部影响。
在完成粗对准108之后，可以执行粗配准110。在粗配准110中，可以在图像上关于特定的点来执行局部相关性，并且可以应用局部弹性变换。
在本发明的一个实施例中，可以通过使用由当前图像和先前图像导出的、软组织特征被抑制的骨骼图像来执行粗配准110。在另一个实施例中，骨骼特征被抑制的软组织图像可以用来在粗配准110中计算局部区域之间的相关性。这样的骨骼图像和/或软组织图像可以是硬件和/或软件导出的。
在图5和图6中进一步示出的本发明的实施例中，粗配准110可以通过计算当前图像和先前图像的局部相关性504来开始502。可以将当前图像和先前图像分成局部区域，每个局部区域都由图6中的圆圈或正方形来描绘。在每个局部区域内，可以关于中心点来确定相关性504。可以针对每个中心点来计算位移506，如图6中箭头所示(为了示意，可以放大地示出箭头长度)。
在本发明的实施例中，相关的图像可以是原灰度图像、已经过对比度增强的图像或已经过滤波以偏置相关性从而关联感兴趣的结构元素的图像。还有，在本发明的实施例中，不引起任何给出足够高的相关性(其例如可以通过比较预定的最小可接受相关值来确定)的位移的局部区域可以从相邻区域继承位移值。可以根据已知的邻近值来内插或外推缺少的位移值。
在本发明的实施例中，可以通过突出的特征(例如高斯差分滤波中的峰值)的定位来确定象征局部区域的点。在一个实施例中，可以通过由分割的肺脏区域的周边附加点所补充的区域的均匀间隔开的网格来确定局部区域。当补充均匀的网格时，当两个点太靠近彼此的时候，可以移除一个点，并且当两个点中的一个是肺脏周边点时优选的是给出肺脏周边点。
在本发明的一些实施例中，可以使用相关性来确定局部位移的候选。然而，除了相关区中的最大峰值，还可以考虑足够强的非最大峰值。可以通过使用判别函数来确定位移的选择，该判别函数例如候选位置的邻居中的残差灰度误差、距离期望位置的距离和/或相关性值本身。
可以将相干性(位移矢量中的一致性)应用508到位移，并可以执行先前图像的局部弹性变换510。相干性508是一个处理，该处理可以用来通过确保邻近区域被以类似的方式移置来保持图像的平滑转换。相干性处理508可以防止图像的一部分折叠(folding over)另一个。相干性处理508还可以限制能够在相邻点之间发生的拉伸量。
一旦执行了粗对准108和粗配准110，则可以将从粗对准108和粗配准110获得的变换应用到在预处理106期间生成的原始“骨骼抑制”图像或软组织图像112、114。由于每一步的灰度内插，同一图像的重复变换会是有损过程。因此，变换可以关于原始图像累积。
可以使用各种计算技术来提高图像的对准，包括被开发用于两个图像帧之间的光流估计的方法。一种常见方法是Lucas-Kanade(卢卡斯·卡纳德)方法，该方法可以将图像分成小窗口并假定每个窗口内的流是恒定的(“局部恒流”)。该方法还可以进一步假定：图像内的对象的强度在图像之间保持基本上恒定。
当Lucas-Kanade方法应用到图像配准时，可以以迭代方式来应用该方法。图像首先可以被分解成尺度空间“金字塔”，然后该方法可以应用到金字塔的粗分量；来自粗层的结果然后可以用作估计以将算法应用到相继更精细的金字塔尺度。
在粗配准110之后，接着可以在骨骼抑制的(或软组织)图像上执行精细配准120。可以使用多种技术进行精细配准，包括基于相关性的方法以及“光流”方法，这些是技术领域内公知的。本发明的一个实施例利用了如图7中所示及如上所讨论的Lucas-Kanade光流方法。本发明的实施例可以使用关于特定点的局部相关性，该特定点可以比在粗配准110中更加密集的间隔开。
权利要求7中所示的光流方法可以从将图像多尺度分解成图像“金字塔”704开始702，其中金字塔的每一层都可以表示图像在空间频率的特定尺度或范围处的信息。金字塔的第一层可以表示最低的空间频率。位移估计可以被初始化706，例如为零。可以针对该金字塔层计算空间梯度矩阵“G”708；可以估计图像差异710；可以计算失配向量“b”714；可以解出位移716。位移可以传播到下一个金字塔层(具有更精细的空间细节)720；一旦到达包括最高空间频率的金字塔层718，该方法可以结束722。
在图像的精细配准120之后，则当前骨骼抑制的图像和先前骨骼抑制的图像的相减122可以用以生成残差图像130。残差图像130可以基本上是两个配准的图像之间的差，其通过以逐像素值的方式从另一个图像减去一个图像而获得。可以显示或打印残差图像130以用于检查。
图8示出可以通过粗对准108获得的残差图像的示例。可以注意到，尽管单个的肋骨没有对准，但是勾画出轮廓的胸腔得到了良好的对准。图9示出在粗配准110后可以获得的残差图像的示例。在这一点上，勾画出轮廓的胸腔和单个的肋骨似乎都进行了良好的对准；软组织、特别是右下角的结节和横膈膜没有被对准。图10示出在精细配准120后可以获得的残差图像的示例；可以观察到，肋骨之间的软组织现在显得更“清晰”，并且横膈膜和结节得到了良好的对准。
图11是“完整”配准的当前和先前图像的残差图像的示例，包括骨骼和软组织。可以观察到，软组织的配准导致了肋骨的不对准。图12是骨骼抑制的当前和先前配准图像的相应残差图像的示例，例如由RiverianMedical Group开发的SoftView
系统产生的那些。
后处理122可以增加残差图像的进一步处理。例如，多尺度分解的层可以被优选地加权或从残差图像中删除以改进显示给用户的图像。完整残差图像可以包括噪声和细节的不相关层；如图13的示例中所见的，删除来自最终的残差图像的层可以有助于解释图像。
后处理122还可以包括抑制已知经受不对准的区域中的细节。不是示出归因于配准模型的限制而具有高误差的用户区域，而是抑制具有高误差的用户区域中的细节，而且可以突出对正确配准具有高可信度的区域以及因此突出对相对于解剖、临场相关的变化是有意义的残差具有更高可信度的区域。例如，示出了本发明的实施例在肺脏的顶点区域表现良好，该区域尽管已知为包含不相称数量的癌变，但相当复杂并且经受失察。
在显示图像的信息中，增强的残差图像可以与当前图像融合。其实施例示出在图14中。因为在良好配准的图像中可以存在非常小的结构，所以这种融合可以将残差图像的肺脏区域置于医生习惯于观察的参照系中。通过将分割的处理区融合到当前图像中，可以去除归因于由于没有被考虑到配准过程中的闪光标签(flash tag)和邻近分解而存在于胸部外面的伪像的残差。在本发明的实施例中，如图14所示，将残差图像142融合到当前图像141中可以从当前图像141的预处理143开始。在该预处理143中，可以对当前图像进行局部的趋势修正，并且可以压缩其动态范围以在整个图像上产生更加均匀分布的强度。例如可以通过使用小波分解并然后从重构中去除较大的尺度来完成趋势修正。还可以将较小的尺度排除在外以除去图像中高频斑点。图像的动态范围可以被缩小和集中，例如在0.5。这可以用于将不透明区域与该区域中期望的残差值严密地对准。另外，分割的胸部区域的不透明区域的较低不透明区域中的像素的列(swath)可以用来计算当前图像的不透明区域与残差图像的不透明区域之间的偏移量。可以通过将当前图像的强度移动该偏移量以使得每个区域的平均值相等或接近相等。
一旦两个图像已准备好用于融合，则他们可以融合在一起144。融合144可以从限定融合144将会发生的距离开始。在一个示例性实施例中，该距离是10mm，但本发明不因此而受到限制。还是在实施例中，可以使用距离变换来确定距分割的肺脏的边缘的距离，并且可以在该跨度上计算高斯型指数函数以确定每个图像的相对权重。然后可以根据两个图像在每个像素位置的相对权重在每个像素处将该两个图像进行平均以形成融合的图像145。
本发明的各种实施例可以包括硬件、软件和/或固件。图15示出可以用来实施本发明的实施例的各种形式和/或部分的示例性系统。这样的计算系统可以包括一个或更多个处理器152，该一个或更多个处理器152可以耦接一个或更多个系统存储器151。这样的系统存储器151可以包括例如RAM(随机存取存储器)、ROM(只读存储器)或其它的这样的计算机可读介质，并且系统存储器151可以用来将例如基本输入输出系统(BIOS)、操作系统、由处理器152执行的指令/软件等结合起来。系统还可以包括另外的存储器153，诸如附加的RAM、ROM、硬盘驱动器或其它计算机可读存储介质。处理器152还可以耦接至少一个输入/输出(I/O)接口154。I/O接口154可以包括一个或更多个用户接口以及用于各种类型的存储介质的读取器，和/或到一个或更多个通信网络的连接(例如，通信接口和/或调制解调器)，例如可以通过通信网络上的计算机从该一个或更多个通信网络下载软件来获得软件代码。此外，其它设备/介质也可以耦接到图15所示的系统和/或与该系统交互。
上文是本发明的特定实施例的详细描述。应当认识到：所公开的实施例的一些偏离可以落在本发明的范围之内，并且本领域的普通技术人员可以进行一些明显的修改。本申请人的意图在于：本发明包括与所公开的内容执行相同功能的、本领域已知的可替换实现。本说明书不应当被解释成不恰当地缩窄本发明所赋予的全部保护范围。
Claims (33)
1.一种图像配准的方法，包括：
通过自动处理设备执行至少两个图像的粗对准，以获得粗对准图像；
执行所述粗对准图像的粗配准以获得粗配准图像；以及
执行所述粗配准图像的精细配准以获得精细配准图像；以及
相互减去精细配准图像以获得残差图像。
2.根据权利要求1所述的方法，还包括对所述图像中的至少一个进行预处理，以执行选自包含归一化和分割的组的至少一个操作。
3.根据权利要求2所述的方法，其中，预处理还包括获得骨骼抑制的图像。
4.根据权利要求1所述的方法，其中，粗对准包括：
估计倾斜；
估计平移偏移；以及
基于所述倾斜和所述平移偏移来对准所述图像。
5.根据权利要求4所述的方法，还包括使用图像分割将所述粗对准约束成基于所述图像中的一个或更多个感兴趣的区域。
6.根据权利要求1所述的方法，其中，粗配准包括：
计算图像之间的局部相关性；以及
基于所述局部相关性计算一个或更多个位移。
7.根据权利要求6所述的方法，其中，计算一个或更多个位移包括：
检测低于预定值的局部相关性；以及
基于至少一个相邻位移值的位移值来确定由所述局部相关性表示的位置的位移值。
8.根据权利要求6所述的方法，其中，粗配准还包括：
应用位移相干性；以及
执行至少一个局部弹性变换。
9.根据权利要求6所述的方法，其中，粗配准还包括利用判别函数来选择一个或更多个位置用于计算一个或更多个位移。
10.根据权利要求1所述的方法，其中，精细配准包括执行选自包含光流法和基于相关性的方法的组的至少一个操作。
11.根据权利要求10所述的方法，其中，粗配准还包括：
应用位移相干性；以及
执行至少一个局部弹性变换。
12.根据权利要求10所述的方法，其中，粗配准还包括利用判别函数来选择一个或更多个位置用于计算一个或更多个位移。
13.根据权利要求1所述的方法，还包括对所述残差图像进行后处理以改进所述残差图像用于显示。
14.根据权利要求13所述的方法，其中，后处理包括抑制已知经受未对准或已知包括临床上不重要的残差的所述残差图像的区域中的细节。
15.根据权利要求13所述的方法，其中，后处理包括将所述残差图像与从中导出所述残差图像的图像进行融合。
16.根据权利要求1所述的方法，还包括下载软件指令，如果处理设备运行所述软件指令，则使得所述处理设备执行所述粗对准、粗配准、精细配准以及相减。
17.根据权利要求1所述的方法，还包括选自包含显示所述残差图像和打印所述残差图像的组的至少一个操作。
18.一种包括软件指令的计算机可读介质，如果处理设备运行所述软件指令，则使得所述处理设备实施图像配准的方法，所述图像配准的方法包括：
执行至少两个图像的粗对准以获得粗对准图像；
执行所述粗对准图像的粗配准以获得粗配准图像；以及
执行所述粗配准图像的精细配准以获得精细配准图像；以及
相互减去精细配准图像以获得残差图像。
19.根据权利要求18所述的介质，其中，所述方法还包括对所述图像中的至少一个进行预处理，以执行选自包含归一化和分割的组的至少一个操作。
20.根据权利要求19所述的介质，其中，预处理还包括获得骨骼抑制的图像。
21.根据权利要求18所述的介质，其中，粗对准包括：
估计倾斜；
估计平移偏移；以及
基于所述倾斜和所述平移偏移来对准所述图像。
22.根据权利要求21所述的介质，其中，所述方法还包括使用图像分割将所述粗对准约束成基于所述图像中的一个或更多个感兴趣的区域。
23.根据权利要求18所述的介质，其中，所述粗配准包括：
计算图像之间的局部相关性；以及
基于所述局部相关性计算一个或更多个位移。
24.根据权利要求23所述的介质，其中，计算一个或更多个位移包括：
检测低于预定值的局部相关性；以及
基于至少一个相邻位移值的位移值来确定由所述局部相关性表示的位置的位移值。
25.根据权利要求23所述的介质，其中，粗配准还包括：
应用位移相干性；以及
执行至少一个局部弹性变换。
26.根据权利要求23所述的介质，其中，粗配准还包括利用判别函数来选择一个或更多个位置用于计算一个或更多个位移。
27.根据权利要求18所述的介质，其中，精细配准包括执行选自包含光流法和基于相关性的方法的组的至少一个操作。
28.根据权利要求27所述的介质，其中，粗配准还包括：
应用位移相干性；以及
执行至少一个局部弹性变换。
29.根据权利要求27所述的介质，其中，粗配准还包括利用判别函数来选择一个或更多个位置用于计算一个或更多个位移。
30.根据权利要求18所述的介质，其中，所述方法还还包括对所述残差图像进行后处理以改进所述残差图像用于显示。
31.根据权利要求30所述的介质，其中，后处理包括抑制已知经受未对准或已知包括临床上不重要的残差的所述残差图像的区域中的细节。
32.根据权利要求30所述的介质，其中，后处理包括将所述残差图像与从中导出所述残差图像的图像进行融合。
33.根据权利要求18所述的介质，其中，所述方法还包括选自包含显示所述残差图像和打印所述残差图像的组的至少一个操作。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US12/425,681 US20100266188A1 (en) | 2009-04-17 | 2009-04-17 | Chest x-ray registration, subtraction and display |
| US12/425,681 | 2009-04-17 | ||
| PCT/US2009/043743 WO2010120317A1 (en) | 2009-04-17 | 2009-05-13 | Chest x-ray registration, subtraction and display |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102428479A true CN102428479A (zh) | 2012-04-25 |
Family
ID=42981008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009801593675A Pending CN102428479A (zh) | 2009-04-17 | 2009-05-13 | X光胸透的配准、相减以及显示 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20100266188A1 (zh) |
| JP (1) | JP2012523889A (zh) |
| CN (1) | CN102428479A (zh) |
| WO (1) | WO2010120317A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544690A (zh) * | 2012-07-10 | 2014-01-29 | 伊姆普斯封闭式股份有限公司 | 获取血管造影图像的方法 |
| CN104166994A (zh) * | 2014-07-29 | 2014-11-26 | 沈阳航空航天大学 | 一种基于训练样本优化的骨骼抑制方法 |
| CN110276762A (zh) * | 2018-03-15 | 2019-09-24 | 北京大学 | 一种多b值扩散加权腹部磁共振成像的呼吸运动全自动校正方法 |
| CN110322403A (zh) * | 2019-06-19 | 2019-10-11 | 怀光智能科技（武汉）有限公司 | 一种基于生成对抗网络的多监督图像超分辨重建方法 |
| CN110533036A (zh) * | 2019-08-28 | 2019-12-03 | 湖南长城信息金融设备有限责任公司 | 一种票据扫描图像快速倾斜校正方法和系统 |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8116542B2 (en) * | 2008-05-09 | 2012-02-14 | General Electric Company | Determining hazard of an aneurysm by change determination |
| KR101486776B1 (ko) * | 2010-07-29 | 2015-01-29 | 삼성전자주식회사 | 영상 처리 방법 및 장치와 이를 채용한 의료영상시스템 |
| US9014454B2 (en) * | 2011-05-20 | 2015-04-21 | Varian Medical Systems, Inc. | Method and apparatus pertaining to images used for radiation-treatment planning |
| DE102011080588A1 (de) * | 2011-08-08 | 2013-02-14 | Siemens Aktiengesellschaft | Verfahren sowie Datenverarbeitungseinrichtung zur 3-D/3-D-Registrierung von Bilddatensätzen der medizinischen Bildgebung |
| US9836433B1 (en) * | 2012-04-02 | 2017-12-05 | Rockwell Collins, Inc. | Image processing using multiprocessor discrete wavelet transform |
| JP5844239B2 (ja) * | 2012-09-28 | 2016-01-13 | 富士フイルム株式会社 | 放射線画像処理装置、放射線画像撮影システム、プログラム及び放射線画像処理方法 |
| JP6179368B2 (ja) * | 2013-11-22 | 2017-08-16 | コニカミノルタ株式会社 | 画像表示装置及び画像表示方法 |
| JP6413232B2 (ja) * | 2013-11-22 | 2018-10-31 | コニカミノルタ株式会社 | 情報処理装置及び情報処理方法 |
| JP2015100425A (ja) * | 2013-11-22 | 2015-06-04 | コニカミノルタ株式会社 | 情報処理装置及び情報処理方法 |
| US9990743B2 (en) * | 2014-03-27 | 2018-06-05 | Riverain Technologies Llc | Suppression of vascular structures in images |
| EP3234918A1 (en) * | 2014-12-16 | 2017-10-25 | Koninklijke Philips N.V. | Correspondence probability map driven visualization |
| JP6301277B2 (ja) * | 2015-03-20 | 2018-03-28 | 富士フイルム株式会社 | 診断補助画像生成装置および診断補助画像生成方法、並びに、診断補助画像生成プログラム |
| WO2017191247A1 (en) | 2016-05-04 | 2017-11-09 | Koninklijke Philips N.V. | Feature suppression in dark field or phase contrast x-ray imaging |
| JP6845480B2 (ja) * | 2018-01-18 | 2021-03-17 | 国立大学法人東海国立大学機構 | 診断支援装置、方法およびプログラム |
| WO2020097130A1 (en) * | 2018-11-06 | 2020-05-14 | Flir Commercial Systems, Inc. | Response normalization for overlapped multi-image applications |
| JP7451098B2 (ja) * | 2019-06-26 | 2024-03-18 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
| CN111951309B (zh) * | 2020-06-30 | 2024-01-30 | 杭州依图医疗技术有限公司 | 一种淋巴结配准方法及装置、计算机设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5982915A (en) * | 1997-07-25 | 1999-11-09 | Arch Development Corporation | Method of detecting interval changes in chest radiographs utilizing temporal subtraction combined with automated initial matching of blurred low resolution images |
| US6434265B1 (en) * | 1998-09-25 | 2002-08-13 | Apple Computers, Inc. | Aligning rectilinear images in 3D through projective registration and calibration |
| US20050163360A1 (en) * | 2003-07-18 | 2005-07-28 | R2 Technology, Inc., A Delaware Corporation | Simultaneous grayscale and geometric registration of images |
| US20080161687A1 (en) * | 2006-12-29 | 2008-07-03 | Suri Jasjit S | Repeat biopsy system |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5359513A (en) * | 1992-11-25 | 1994-10-25 | Arch Development Corporation | Method and system for detection of interval change in temporally sequential chest images |
| JPH08103439A (ja) * | 1994-10-04 | 1996-04-23 | Konica Corp | 画像の位置合わせ処理装置及び画像間処理装置 |
| US6061476A (en) * | 1997-11-24 | 2000-05-09 | Cognex Corporation | Method and apparatus using image subtraction and dynamic thresholding |
| JP4159227B2 (ja) * | 2000-03-21 | 2008-10-01 | 住友重機械工業株式会社 | 患者位置ずれ計測装置、及び、これを用いた患者位置決め装置、並びに放射線治療装置 |
| JP4545971B2 (ja) * | 2001-03-05 | 2010-09-15 | 日本電信電話株式会社 | 医用画像識別システム，医用画像識別処理方法，医用画像識別用プログラムおよびその記録媒体 |
| WO2002071333A2 (de) * | 2001-03-08 | 2002-09-12 | Université Joseph Fourier | Quantitative analyse, visualisierung und bewegungskorrektur in dynamischen prozessen |
| JP4447850B2 (ja) * | 2003-05-13 | 2010-04-07 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びコンピュータプログラム |
| JP4744941B2 (ja) * | 2004-06-22 | 2011-08-10 | 株式会社東芝 | Ｘ線画像診断装置及びその診断支援方法 |
| CN101133431B (zh) * | 2005-02-03 | 2011-08-24 | 布拉科成像S.P.A.公司 | 能够减少物体运动造成的成像伪影的生物医学图像配准方法 |
| US20070206880A1 (en) * | 2005-12-01 | 2007-09-06 | Siemens Corporate Research, Inc. | Coupled Bayesian Framework For Dual Energy Image Registration |
-
2009
- 2009-04-17 US US12/425,681 patent/US20100266188A1/en not_active Abandoned
- 2009-05-13 CN CN2009801593675A patent/CN102428479A/zh active Pending
- 2009-05-13 WO PCT/US2009/043743 patent/WO2010120317A1/en active Application Filing
- 2009-05-13 JP JP2012505870A patent/JP2012523889A/ja active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5982915A (en) * | 1997-07-25 | 1999-11-09 | Arch Development Corporation | Method of detecting interval changes in chest radiographs utilizing temporal subtraction combined with automated initial matching of blurred low resolution images |
| US6434265B1 (en) * | 1998-09-25 | 2002-08-13 | Apple Computers, Inc. | Aligning rectilinear images in 3D through projective registration and calibration |
| US20050163360A1 (en) * | 2003-07-18 | 2005-07-28 | R2 Technology, Inc., A Delaware Corporation | Simultaneous grayscale and geometric registration of images |
| US20080161687A1 (en) * | 2006-12-29 | 2008-07-03 | Suri Jasjit S | Repeat biopsy system |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544690A (zh) * | 2012-07-10 | 2014-01-29 | 伊姆普斯封闭式股份有限公司 | 获取血管造影图像的方法 |
| CN104166994A (zh) * | 2014-07-29 | 2014-11-26 | 沈阳航空航天大学 | 一种基于训练样本优化的骨骼抑制方法 |
| CN104166994B (zh) * | 2014-07-29 | 2017-04-05 | 沈阳航空航天大学 | 一种基于训练样本优化的骨骼抑制方法 |
| CN110276762A (zh) * | 2018-03-15 | 2019-09-24 | 北京大学 | 一种多b值扩散加权腹部磁共振成像的呼吸运动全自动校正方法 |
| CN110322403A (zh) * | 2019-06-19 | 2019-10-11 | 怀光智能科技（武汉）有限公司 | 一种基于生成对抗网络的多监督图像超分辨重建方法 |
| CN110533036A (zh) * | 2019-08-28 | 2019-12-03 | 湖南长城信息金融设备有限责任公司 | 一种票据扫描图像快速倾斜校正方法和系统 |
| CN110533036B (zh) * | 2019-08-28 | 2022-06-07 | 长城信息股份有限公司 | 一种票据扫描图像快速倾斜校正方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20100266188A1 (en) | 2010-10-21 |
| WO2010120317A1 (en) | 2010-10-21 |
| JP2012523889A (ja) | 2012-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102428479A (zh) | X光胸透的配准、相减以及显示 | |
| Metz et al. | Nonrigid registration of dynamic medical imaging data using nD+ t B-splines and a groupwise optimization approach | |
| US7864997B2 (en) | Method, apparatus and computer program product for automatic segmenting of cardiac chambers | |
| Klinder et al. | Automated model-based vertebra detection, identification, and segmentation in CT images | |
| US7315639B2 (en) | Method of lung lobe segmentation and computer system | |
| US9659390B2 (en) | Tomosynthesis reconstruction with rib suppression | |
| Baka et al. | Statistical coronary motion models for 2D+ t/3D registration of X-ray coronary angiography and CTA | |
| US8913817B2 (en) | Rib suppression in radiographic images | |
| JP2004105737A (ja) | 心臓磁気共振潅流データのための統合的画像記録方法 | |
| El-Baz et al. | Non-rigid registration techniques for automatic follow-up of lung nodules | |
| Jia et al. | 4D computed tomography reconstruction from few-projection data via temporal non-local regularization | |
| CN101241596B (zh) | 使用时间减影技术对间隔变化的视觉增强 | |
| Unberath et al. | Consistency‐based respiratory motion estimation in rotational angiography | |
| El-Baz et al. | Toward early diagnosis of lung cancer | |
| El-Baz et al. | A novel approach for automatic follow-up of detected lung nodules | |
| Klugmann et al. | Deformable respiratory motion correction for hepatic rotational angiography | |
| Li et al. | 3D coronary artery reconstruction by 2D motion compensation based on mutual information | |
| Wen et al. | Enhanced coronary calcium visualization and detection from dual energy chest x-rays with sliding organ registration | |
| CN101241597B (zh) | 使用时间减影技术对间隔变化的视觉增强 | |
| CN101241598B (zh) | 显示参考图像与浮动图像的减影图像的方法及设备 | |
| Rit et al. | On-the-fly motion-compensated cone-beam CT using an a priori motion model | |
| JP2020527992A (ja) | 動き補償された心臓弁の再構築 | |
| JP4571378B2 (ja) | 画像処理方法および装置並びにプログラム | |
| Fischer et al. | Surrogate-driven estimation of respiratory motion and layers in x-ray fluoroscopy | |
| Shamonin et al. | Automatic lung lobe segmentation of COPD patients using iterative B-spline fitting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120425 |