CN102750692A - 结合多模态造影剂进行图像配准的方法 - Google Patents

结合多模态造影剂进行图像配准的方法 Download PDF

Info

Publication number
CN102750692A
CN102750692A CN2012101735754A CN201210173575A CN102750692A CN 102750692 A CN102750692 A CN 102750692A CN 2012101735754 A CN2012101735754 A CN 2012101735754A CN 201210173575 A CN201210173575 A CN 201210173575A CN 102750692 A CN102750692 A CN 102750692A
Authority
CN
China
Prior art keywords
image
magnetic resonance
ultrasonic
registration
images
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
Application number
CN2012101735754A
Other languages
English (en)
Other versions
CN102750692B (zh
Inventor
顾宁
侯漠
罗守华
杨芳
阮晓博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201210173575.4A priority Critical patent/CN102750692B/zh
Publication of CN102750692A publication Critical patent/CN102750692A/zh
Application granted granted Critical
Publication of CN102750692B publication Critical patent/CN102750692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种结合多模态造影剂进行图像配准的方法，属于医学影像处理领域。本方法利用多模态造影剂进行超声和磁共振显影，在此基础上构建了超声图像与磁共振图像之间的空间变换模型。运用多尺度金字塔算法对构建的空间变换模型进行求解。配准过程中只要将重点部位选择为感兴趣区域。本方法能够提高超声影像和磁共振影像之间的配准效果，减少人工干预，可以处理参考图像和浮动图像间较大空间变化的情形。

Description

结合多模态造影剂进行图像配准的方法
技术领域
本发明涉及一种结合多模态造影剂进行图像配准的方法，属于医学影像处理领域。
背景技术
超声成像可以连贯地、动态地观察脏器的运动和功能;可以追踪病变而不受其成像分层的限制; 是一种价格相对低廉， 普及面广的医学成像模式。虽然微气泡超声造影剂的出现提高了疾病诊断的准确性，但是超声诊断自身的分辨率和清晰度较低;气体对超声影响很大，患者容易受到肠气干扰等多方面因素影响; 整体空间位置不能够显示在同一图像中。磁共振成像具有软组织分辨力高、成像参数多、图像信息量大和无电离损害等优点，已在临床广泛应用。MRI造影剂能够进一步提高MRI诊断的敏感度和特异性，增强信号对比度和提高软组织的分辨率。但是MRI易产生伪影，同时MRI对钙化不敏感。各种影像技术本身由于各自在时空分辨率方面各有优缺点，因此没有任何一种成像方式可以完整地获取所有的生物信息， 所以临床医生迫切希望对不同图像信息进行适当的集成。然而不同模态的医学图像成像原理不同，分辨率不同，成像参数不同，因此在图像融合前必须先进行图像配准。 
目前相关研究基本上集中于手术导航领域三维超声影像和CT影像、磁共振影像之间的配准，不论是基于特征的配准还是基于体素灰度信息的配准，在配准前对于超声影像、磁共振影像都要进行手工分割。配准效果直接取决于分割的效果，而对超声影像进行自动分割又是个不容易实现的任务， 配准过程人工干预过多。
微气泡造影剂是良好的超声波反射介质， 在诊断超声频率下(1-15MHZ)，微气泡在血管或病灶部位聚集后发生共振，产生比生物组织更强的回波信号，从而明显提高超声影像中目标的亮度， 即灰度值。超顺磁纳米颗粒正逐渐被用于新一代磁共振造影剂，超顺磁性氧化铁颗粒内的铁质子在磁场内能够重新排列，产生的净磁矩较顺磁性分子大许多，引起颗粒周围的磁场干扰，致使临近弥散的氢质子相位离散增加，T2弛豫率升高，在T2成像时表现为低信号，即降低T2成像的灰度值，是阴性造影剂。微气泡膜壳装载具有MRI显影增强能力的Fe3O4纳米颗粒的双模态造影剂，既能够增强超声显影亮度，即增强超声影像的灰度值， 同时也能降低磁共振T2成像的亮度， 即降低磁共振T2影像的灰度值。基于多模态造影剂的配准研究还没有相关文献发表，通过使用多模态造影剂，对超声影像和磁共振影像重点部位灰度加强，配准过程中只要将重点部位选择为感兴趣区域， 避免了分割难题。同时只需要这一步人工干预，就可以实现双模态影像之间的配准。
发明内容
本发明提出了一种结合多模态造影剂进行图像配准的方法，能够提高超声影像和磁共振影像之间的配准效果，可以处理具有较大空间变化的情形。 
本发明为解决其技术问题采用如下技术方案：
一种结合多模态造影剂进行图像配准的方法，包括如下步骤：
（1）利用多模态造影剂进行超声和磁共振显影;
（2）在超声影像和磁共振影像选取感兴趣区域；
（3）对步骤（2）选取的感兴趣区域进行金字塔分解，对                                                
Figure 476100DEST_PATH_IMAGE001
像素的源图像和目标图像做高斯滤波和重采样，获得
Figure 544550DEST_PATH_IMAGE002
个像素的图像；重复上述过程， 分别得到
Figure 621091DEST_PATH_IMAGE003
个像素的图像， 个像素的图像；
（4）对金字塔分解后的超声影像和磁共振影像，首先从最低分辨率开始构建空间变换模型，求取变换向量
Figure 890453DEST_PATH_IMAGE005
， 接着利用变换向量
Figure 813410DEST_PATH_IMAGE005
对高一级分辨率图像进行旋转、平移、插值得到新的图像， 根据构建的空间变换模型重新计算新的变换向量； 重复此过程， 直到最高分辨率层为止；
（5）根据步骤（4）求得的最终变换向量，对超声影像进行变换，得到配准后的超声影像。
本发明的有益效果：
1、借助于多模态造影剂进行超声、磁共振两种模式成像，在此成像基础上运用空间变换模型结合金字塔算法对超声影像和磁共振影像进行配准融合。融合后的图像既具备超声影像的特点，又具备磁共振影像的优点。对于医学诊断，手术导航有着现实意义。
2、患者通过使用多模态造影剂，可以做不同方式的医学成像，节约患者就医时间，减少患者医疗费用。
附图说明
图1 基于多模态造影剂的超声影像与磁共振影像配准流程图。
图2 金字塔算法示意图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
将具有MRI显影增强能力的Fe3O4纳米颗粒装载到微气泡膜壳材料上, 制备超声、磁共振多功能微气泡造影剂.使用多模态造影剂进行超声和磁共振成像，对超声影像和磁共振影像重点部位灰度加强，配准过程中只要将重点部位选择为感兴趣区域。配准的具体流程如图1所示：
（1）利用多模态造影剂进行超声和磁共振显影;
（2）在超声影像和磁共振影像选取感兴趣区域；
（3）对步骤（2）选取的感兴趣区域进行金字塔分解，对
Figure 122665DEST_PATH_IMAGE001
像素的源图像和目标图像做高斯滤波和重采样，获得个像素的图像；重复上述过程， 分别得到
Figure 879323DEST_PATH_IMAGE003
个像素的图像， 
Figure 109448DEST_PATH_IMAGE004
个像素的图像；
（4）对金字塔分解后的超声影像和磁共振影像，首先从最低分辨率开始构建空间变换模型，求取变换向量
Figure 966545DEST_PATH_IMAGE005
，接着利用变换向量
Figure 598515DEST_PATH_IMAGE005
对高一级分辨率图像进行旋转、平移、插值得到新的图像， 根据构建的空间变换模型重新计算新的变换向量
Figure 250076DEST_PATH_IMAGE005
； 重复此过程， 直到最高分辨率层为止；
（5）根据步骤（4）求得的最终变换向量
Figure 233075DEST_PATH_IMAGE005
，对超声影像进行变换，得到配准后的超声影像。
采用四层高斯金字塔算法对
Figure 70362DEST_PATH_IMAGE001
像素的源图像和目标图像做高斯滤波和重采样如图2所示， 获得
Figure 619155DEST_PATH_IMAGE002
个像素的图像。 重复上述过程，分别得到
Figure 644880DEST_PATH_IMAGE006
个像素的图像， 
Figure 849597DEST_PATH_IMAGE004
个像素的图像。对这些图像首先从最低分辨率开始构建空间变换模型求取变换向量
Figure 782917DEST_PATH_IMAGE005
，接着利用变换向量
Figure 389479DEST_PATH_IMAGE005
对高一级分辨率图像进行旋转、平移、插值得到新的图像，并重新计算新的变换向量
Figure 84641DEST_PATH_IMAGE005
。重复此过程，直到最高分辨率层为止。对配准后的超声影像和磁共振影像进行融合，融合影像既有配准后超声影像的特点, 也具备了磁共振影像的特点。

Claims (1)

1.一种结合多模态造影剂进行图像配准的方法，其特征在于，包括如下步骤：
（1）利用多模态造影剂进行超声和磁共振显影;
（2）在超声影像和磁共振影像选取感兴趣区域；
（3）对步骤（2）选取的感兴趣区域进行金字塔分解，对                                                
Figure 520957DEST_PATH_IMAGE001
像素的源图像和目标图像做高斯滤波和重采样，获得
Figure 677132DEST_PATH_IMAGE002
个像素的图像；重复上述过程， 分别得到
Figure 411869DEST_PATH_IMAGE003
个像素的图像， 
Figure 456924DEST_PATH_IMAGE004
个像素的图像；
（4）对金字塔分解后的超声影像和磁共振影像，首先从最低分辨率开始构建空间变换模型，求取变换向量
Figure 568099DEST_PATH_IMAGE005
， 接着利用变换向量
Figure 578780DEST_PATH_IMAGE005
对高一级分辨率图像进行旋转、平移、插值得到新的图像， 根据构建的空间变换模型重新计算新的变换向量
Figure 484419DEST_PATH_IMAGE005
； 重复此过程， 直到最高分辨率层为止；
（5）根据步骤（4）求得的最终变换向量
Figure 518235DEST_PATH_IMAGE005
，对超声影像进行变换，得到配准后的超声影像。
CN201210173575.4A 2012-05-31 2012-05-31 结合多模态造影剂进行图像配准的方法 Active CN102750692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210173575.4A CN102750692B (zh) 2012-05-31 2012-05-31 结合多模态造影剂进行图像配准的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210173575.4A CN102750692B (zh) 2012-05-31 2012-05-31 结合多模态造影剂进行图像配准的方法

Publications (2)

Publication Number Publication Date
CN102750692A true CN102750692A (zh) 2012-10-24
CN102750692B CN102750692B (zh) 2015-05-27

Family

ID=47030841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210173575.4A Active CN102750692B (zh) 2012-05-31 2012-05-31 结合多模态造影剂进行图像配准的方法

Country Status (1)

Country Link
CN (1) CN102750692B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426174A (zh) * 2013-08-13 2013-12-04 中国科学院深圳先进技术研究院 多模态医学影像配准方法
CN105103163A (zh) * 2013-03-07 2015-11-25 火山公司 血管内图像中的多模态分割
CN107301621A (zh) * 2017-06-13 2017-10-27 东南大学 一种提高数字图像分辨率的方法
CN109360181A (zh) * 2018-10-29 2019-02-19 中惠医疗科技（上海）有限公司 超声图像与核磁图像融合方法和系统
CN109978882A (zh) * 2019-04-09 2019-07-05 中康龙马(北京)医疗健康科技有限公司 一种基于多模态融合的医疗影像目标检测方法
CN110298871A (zh) * 2019-06-10 2019-10-01 东软医疗系统股份有限公司 图像配准方法及装置
CN111161326A (zh) * 2018-11-08 2020-05-15 通用电气公司 用于可变形图像配准的无监督深度学习的系统和方法
CN111932443A (zh) * 2020-07-16 2020-11-13 江苏师范大学 多尺度表达结合造影剂提升超声与磁共振配准精度的方法
CN112348858A (zh) * 2019-08-07 2021-02-09 通用电气公司 多模态图像的可变形配准

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006064400A2 (en) * 2004-12-15 2006-06-22 Koninklijke Philips Electronics, N.V. Registration of multi-modality images
CN1951506A (zh) * 2006-11-02 2007-04-25 东南大学 超声磁共振联合造影剂及其制备方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006064400A2 (en) * 2004-12-15 2006-06-22 Koninklijke Philips Electronics, N.V. Registration of multi-modality images
CN1951506A (zh) * 2006-11-02 2007-04-25 东南大学 超声磁共振联合造影剂及其制备方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BARBARA ZITOVA等: "Image registration methods: a survey", 《IMAGE AND VISION COMPUTING》 *
SENTHIL PERIASWAMY等: "Medical image registration with partial data", 《MEDICAL IMAGE ANALYSIS》 *
孙丽媛: "基于小波变换的医学图像增强和配准技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
张剑戈等: "医学图像配准技术", 《上海第二医科大学学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105103163A (zh) * 2013-03-07 2015-11-25 火山公司 血管内图像中的多模态分割
CN103426174B (zh) * 2013-08-13 2016-04-13 中国科学院深圳先进技术研究院 多模态医学影像配准方法
CN103426174A (zh) * 2013-08-13 2013-12-04 中国科学院深圳先进技术研究院 多模态医学影像配准方法
CN107301621A (zh) * 2017-06-13 2017-10-27 东南大学 一种提高数字图像分辨率的方法
CN107301621B (zh) * 2017-06-13 2020-06-16 东南大学 一种提高数字图像分辨率的方法
CN109360181A (zh) * 2018-10-29 2019-02-19 中惠医疗科技（上海）有限公司 超声图像与核磁图像融合方法和系统
CN111161326B (zh) * 2018-11-08 2023-09-08 通用电气公司 用于可变形图像配准的无监督深度学习的系统和方法
CN111161326A (zh) * 2018-11-08 2020-05-15 通用电气公司 用于可变形图像配准的无监督深度学习的系统和方法
CN109978882A (zh) * 2019-04-09 2019-07-05 中康龙马(北京)医疗健康科技有限公司 一种基于多模态融合的医疗影像目标检测方法
CN110298871A (zh) * 2019-06-10 2019-10-01 东软医疗系统股份有限公司 图像配准方法及装置
CN112348858A (zh) * 2019-08-07 2021-02-09 通用电气公司 多模态图像的可变形配准
CN111932443A (zh) * 2020-07-16 2020-11-13 江苏师范大学 多尺度表达结合造影剂提升超声与磁共振配准精度的方法
CN111932443B (zh) * 2020-07-16 2024-04-02 江苏师范大学 多尺度表达结合造影剂提升超声与磁共振配准精度的方法

Also Published As

Publication number Publication date
CN102750692B (zh) 2015-05-27

Similar Documents

Publication Publication Date Title
CN102750692B (zh) 结合多模态造影剂进行图像配准的方法
US11957515B2 (en) Ultrasound system with a neural network for producing images from undersampled ultrasound data
Liang et al. Sketch guided and progressive growing GAN for realistic and editable ultrasound image synthesis
Khalifa et al. Dynamic contrast-enhanced MRI-based early detection of acute renal transplant rejection
US7813535B2 (en) System and method for fused PET-CT visualization for heart unfolding
Li et al. Quantification and MRI validation of regional contractile dysfunction in mice post myocardial infarction using high resolution ultrasound
Kalantar et al. Automatic segmentation of pelvic cancers using deep learning: State-of-the-art approaches and challenges
Wang et al. Semi-supervised mp-MRI data synthesis with StitchLayer and auxiliary distance maximization
Li et al. High-resolution pelvic MRI reconstruction using a generative adversarial network with attention and cyclic loss
Zeng et al. Liver segmentation in magnetic resonance imaging via mean shape fitting with fully convolutional neural networks
Göçeri A comparative evaluation for liver segmentation from spir images and a novel level set method using signed pressure force function
Schoen et al. Morphological reconstruction improves microvessel mapping in super-resolution ultrasound
Cygan et al. Left ventricle phantom and experimental setup for MRI and echocardiography–Preliminary results of data acquisitions
JP5588317B2 (ja) 医用画像診断装置、画像情報処理装置及び制御プログラム
Bae et al. Application of highly flexible adaptive image receive coil for lung MR imaging using zero TE sequence: comparison with conventional anterior array coil
Firjani et al. MRI-based diagnostic system for early detection of prostate cancer
Liu et al. Attention Based Cross-Domain Synthesis and Segmentation From Unpaired Medical Images
Yin et al. Ultrasound super-resolution imaging enables multiparameter analyses of tumor angiogenesis during growth
CN111932443A (zh) 多尺度表达结合造影剂提升超声与磁共振配准精度的方法
Lu et al. Three-dimensional multimodal image non-rigid registration and fusion in a high intensity focused ultrasound system
Liu et al. Virtual contrast enhancement for CT scans of abdomen and pelvis
CN110111395A (zh) 一种基于mri图像合成pet-mri图像的方法
CN107861078A (zh) 一种mri影像诊断系统
Khalvati et al. Enhanced dual-stage correlated diffusion imaging
McConnell et al. Advanced Architectural Variations of nnUNet

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