CN103020976A - 一种基于带权模糊互信息的三维医学图像配准方法及系统 - Google Patents
一种基于带权模糊互信息的三维医学图像配准方法及系统 Download PDFInfo
- Publication number
- CN103020976A CN103020976A CN2012105916265A CN201210591626A CN103020976A CN 103020976 A CN103020976 A CN 103020976A CN 2012105916265 A CN2012105916265 A CN 2012105916265A CN 201210591626 A CN201210591626 A CN 201210591626A CN 103020976 A CN103020976 A CN 103020976A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- fuzzy
- mutual information
- medical
- 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
Images
Abstract
本发明提供一种基于带权模糊互信息的三维医学图像配准方法及系统,该方法涉及图像引导放射治疗与医学图像分析技术领域,主要包括以下步骤:1、医学图像导入:支持单模图像配准和多模图像配准。2、医学图像显示:运用伪彩技术为待配准医学图像的横断面、冠状面、矢状面图像着不同颜色。3、医学图像处理:基于模糊熵概念,分级压缩医学图像灰度级,减少互信息计算量。4、医学图像配准:在模糊熵基础上改进归一化互信息测度,提高医学图像配准的鲁棒性。本发明采用基于互信息的测度方法,不仅适用于单模图像配准,针对多模图像配准也表现出较好的效果。
Description
技术领域
本发明涉及图像引导放射治疗与医学图像分析技术领域,具体涉及一种基于带权模糊互信息的三维医学图像配准方法,应用于图像引导放射治疗,以确定病人的摆位误差。
背景技术
放疗的目标是最大限度地将射线集中到靶区内,而使肿瘤周围的正常组织和器官少受或不受照射,以最大限度的杀死肿瘤细胞,较好地保护正常组织。精确放射治疗是实现这一目的的重要手段。但是,放射治疗过程中的一些不确定性因素影响精确放射治疗。其中,摆位误差是影响放疗精度的重要因素,即使是固定较好的头颈部肿瘤也不例外。为了解决这些问题,将放射治疗机与成像设备结合在一起,在治疗时采集有关的图像信息,确定治疗靶区和重要结构的位置、运动,并在必要时进行位置和剂量分布的校正,即图像引导放射治疗(image-guided radiotherapy,IGRT)。
图像引导放射治疗充分考虑了解剖组织在治疗过程中的运动和分次治疗间的位移误差,如呼吸和蠕动运动、日常摆位误差、靶区收缩等引起放疗剂量分布的变化和对治疗计划的影响等方面的情况,在患者治疗前、治疗中利用各种先进的影像设备对肿瘤及正常器官进行实时的监控,并能根据器官位置的变化调整治疗条件使照射野追随靶区。
图像配准(Image Registration)就是寻找把一幅图中的点映射到另一幅图中同样物体上相同点的某种空间变化的过程。根据治疗前和计划时的图像数据,利用医学图像配准算法可以确定放射治疗中病人的摆位位移。医学图像配准结果的精度与速度是实现IGRT平台的关键。
医学图像配准按照配准对象的维数可以分为2D/2D(比如两张X片之间的配准)、2D/3D(比如DRR与三维CT数据配准)、3D/3D(比如三维CT数据与三维MRI数据的配准)三种,随着成像技术的发展,放射治疗中的4D配准已经在研究中。根据配准基于的特性来源不同,主要可以分为:基于图像外部特征的配准、基于图像内部特征点以及图像像素灰度三种。目前系统中自动配准方法大多是基于骨性特征的配准,其精度依赖于骨形特征提取的准确性;但是,由于器官运动、变形以及治疗过程等方面因素会使肿瘤相对骨性的位置发生改变;而且不含骨组织的部位(盆如腔内部)无法使用基于骨性的配准方法。基于体素灰度的配准方法不需要提取特征,其中基于互信息的配准方法得到了大量研究;但是基于互信息的配准方法也存在对灰度信息变化太敏感,对图像数据的缺失较为敏感,计算数据量大和鲁棒性的问题,尤其对于3D/3D图像配准存在数据量大,计算时间较长目前仍不适合应用于临床。
发明内容
本发明的目的是提出一种基于带权模糊互信息的三维医学图像配准方法,并在VisualC++平台下实现3D/3D医学图像配准系统。
本发明采用的技术方案如下:一种基于带权模糊互信息的三维医学图像配准方法,包括:图像导入和显示步骤,图像预处理步骤,图像插值步骤,图像压缩步骤,图像3D/3D配准步骤和数据输出步骤;其中,
图像导入和显示步骤,导入病人的三维体数据,显示参考图像与浮动图像的横断面、冠状面、矢状面图像;
图像预处理步骤,对图像导入和显示模块导入的医学图像进行图像预处理;
图像插值步骤,若为多模图像配准,图像预处理模块预处理后需要对图像进行层间插值处理,否则直接进入图像压缩模块;
图像压缩步骤,采用基于模糊熵的图像灰度压缩,压缩后的体数据输出到图像3D/3D配准模块;
图像3D/3D配准步骤,采用基于模糊熵的归一化带权互信息的配准方法进行配准,配准结束后将配准参数输出到数据输出模块;
数据输出步骤,显示三维空间平移参数,三维空间旋转参数和配准后的3D/3D融合图像。
其中,所述的图像压缩步骤中采用基于模糊熵的图像灰度压缩具体为:
分级压缩步骤,以模糊信息熵作为依据,将医学图像分为目标图像和背景图像,分级压缩医学图像灰度级,步骤如下:
(1)医学图像被分成若干小方块的模糊熵映射显示;
(2)医学图像的灰度阶数影响互信息计算量,灰度阶数越多,互信息计算量越大,医学图像配准时间随灰度级的增大而增加;因此在医学图像配准前,将待配准图像分为目标图像和背景图像,并综合考虑配准精度和配准时间两个重要因素,将图像灰度分别映射到不同灰度级。
其中,所述的图像3D/3D配准步骤中采用基于模糊熵的归一化带权互信息的配准方法进行配准,具体为:
定义模糊熵步骤:
一方面,医学图像本身存在模糊性,因此本发明将模糊理论应用于图像配准,首先,定义模糊熵;其次,在模糊熵的基础上引入模糊互信息概念,其定义如(1)式所示:
FMI=FH(A)+FH(B)-FH(A,B) (1)
假定图像P的灰度随机变量为X,其灰度取值为一个有限符号集合A={a1,a2,...,an},灰度概率分布为{p(a1),p(a2),...,p(an)},隶属函数为{μ(a1),μ(a2),...,μ(an)},则图像的模糊熵定义为:
加权步骤:
另一方面,由于参考图像和浮动图像的图像质量不同,其模糊熵值对模糊互信息值的影响也有差异,因此本发明将模糊推理理论的加权思想应用到图像配准中,提出一种基于模糊熵的归一化带权互信息测度,以提高医学图像配准的鲁棒性,其定义如(2)式所示:
其中,该方法能够基于CT、PET、MRI的单模和多模医学图像配准。
其中,如PET图像的放射状伪影严重,在进行互信息计算中会带来干扰,影响配准精度,因此在进行图像配准前首先对PET图像进行分割预处理,尽量去除放射状伪影的影响。
本发明另外提供一种基于带权模糊互信息的三维医学图像配准系统,其特征在于,包括:图像导入和显示模块,图像预处理模块,图像插值模块,图像压缩模块,图像3D/3D配准模块和数据输出模块;其中,
图像导入和显示模块,用于导入病人的三维体数据,显示参考图像与浮动图像的横断面、冠状面、矢状面图像;
图像预处理模块,用于对图像导入和显示模块导入的医学图像进行图像预处理;
图像插值模块,若为多模图像配准,图像预处理模块预处理后需要对图像进行层间插值处理,否则直接进入图像压缩模块;
图像压缩模块,采用基于模糊熵的图像灰度压缩,压缩后的体数据输出到图像3D/3D配准模块;
图像3D/3D配准模块,采用基于模糊熵的归一化带权互信息的配准方法进行配准,配准结束后将配准参数输出到数据输出模块;
数据输出模块,用于显示三维空间平移参数,三维空间旋转参数和配准后的3D/3D融合图像。
其中,所述的图像压缩模块中采用基于模糊熵的图像灰度压缩具体包括:
分级压缩模块,用来以模糊信息熵作为依据,将医学图像分为目标图像和背景图像,分级压缩医学图像灰度级,包括:
第一模块,使医学图像被分成若干小方块的模糊熵映射显示;
第二模块,其作用为:医学图像的灰度阶数影响互信息计算量,灰度阶数越多,互信息计算量越大,医学图像配准时间随灰度级的增大而增加;因此在医学图像配准前,将待配准图像分为目标图像和背景图像,并综合考虑配准精度和配准时间两个重要因素,将图像灰度分别映射到不同灰度级。
其中,所述的图像3D/3D配准模块中采用基于模糊熵的归一化带权互信息的配准方法进行配准,具体包括:
定义模糊熵模块:其作用为:
一方面,医学图像本身存在模糊性,因此本发明将模糊理论应用于图像配准,首先,定义模糊熵;其次,在模糊熵的基础上引入模糊互信息(Fuzzy Mutual Information,简记为FMI)概念,其定义如(1)式所示:
FMI=FH(A)+FH(B)-FH(A,B) (1)
其中,FH(A)、FH(B)、FH(A,B)分别表示图像A的模糊熵值、图像B的模糊熵值以及图像A与图像B的模糊联合熵值。假定图像P的灰度随机变量为X,其灰度取值为一个有限符号集合A={x1,x2,...,xn},灰度概率分布为{p(x1),p(x2),...,p(xn)},隶属函数为{μ(x1),μ(x2),...,μ(xn)},则图像的模糊熵(Fuzzy Entropy,简记为FH)定义为:
其中,FH(X)表示图像灰度X的模糊熵值,μA(xi)表示灰度值xi的隶属函数值,P(xi)表示灰度值xi出现的概率,log()表示取对数函数。
加权模块:其作用为:
另一方面,由于参考图像和浮动图像的图像质量不同,其模糊熵值对模糊互信息值的影响也有差异,因此本发明将模糊推理理论的加权思想应用到图像配准中,提出一种基于模糊熵的归一化带权互信息测度,以提高医学图像配准的鲁棒性,其定义如(2)式所示:
其中,该系统能够基于CT、PET、MRI的单模和多模医学图像配准。
其中,如PET图像的放射状伪影严重,在进行互信息计算中会带来干扰,影响配准精度,因此在进行图像配准前首先对PET图像进行分割预处理,尽量去除放射状伪影的影响。
本发明的原理在于:
一种基于带权模糊互信息的三维医学图像配准方法和系统,采用伪彩技术用不同颜色表示参考图像与浮动图像的横断面、冠状面、矢状面三种截面图像;在配准前,分级压缩医学图像灰度级,以减少互信息计算量,提高配准速度;在模糊熵基础上,引入模糊互信息概念,提出一种基于模糊熵的归一化带权互信息测度。
本发明与现有医学图像配准技术比较有以下优点:
本发明采用基于互信息的测度方法,不仅适用于单模图像配准,针对多模图像配准也表现出较好的效果。一方面,基于模糊集合理论,将模糊熵概念引入医学图像处理,根据模糊熵对图像进行灰度分级压缩,加快了互信息的计算速度;另一方面,由于医学图像本身的模糊性与输入图像间质量差异性,在模糊互信息的基础上提出带权归一化互信息的概念,提高配准精度。此外,针对不同医学图像,采取不同的预处理方法,提高医学图像配准的速度和精度。本发明在Visual C++平台下实现此3D/3D医学图像配准系统,经验证配准算法精度可达亚毫米级。
附图说明
图1是本发明系统流程图。
具体实施方式
下面结合附图和具体实施例进一步说明本发明。
一种基于带权模糊互信息的三维医学图像配准方法,包括如下步骤:
步骤(1)、3D/3D医学图像处理:
为提高配准速度,在配准前对图像进行预处理操作,具体如下:
步骤1)、体数据:我们将图像序列转化成体数据,存储在一个DICOM格式的文件集中,在保留原有图像信息的基础上,缩短了后续图像处理时间。
步骤2)、基于灰度的分级图像压缩:
医学图像存在着模糊性和不均匀的特点。因此本发明基于模糊集合理论,将模糊熵的概念引入医学图像配准。将医学图像分成若干小方块的模糊熵映射显示,根据模糊熵值将待配准图像分为目标图像和背景图像,并综合考虑配准精度和配准时间两个重要因素,将图像灰度分别映射到不同灰度级,以获得精度和速度的平衡。
假定图像P的灰度随机变量为X,其灰度取值为一个有限符号集合A={a1,a2,...,an},灰度概率分布为{p(a1),p(a2),...,p(an)},隶属函数为{μ(a1),μ(a2),...,μ(an)},则图像的模糊熵定义为
步骤3)、3D/3D医学图像配准系统自动识别医学图像类型,针对特定医学图像采取不同的图像处理方法。如PET图像的放射状伪影严重,在进行互信息计算中会带来干扰,影响配准精度,因此在进行图像配准前首先对PET图像进行分割预处理,尽量去除放射状伪影的影响。再如MR图像背景噪声严重,在进行图像配准前首先将其背景噪声去除。
步骤(2)、3D/3D医学图像配准方法
步骤1)、互信息测度
互信息测度(mattes mutual information,MMI)通过比较两幅图像之间的互信息来判断配准是否成功。两幅图像配准得越好,它们之间的相关性越大,互信息值也就越大;反之,图像越不匹配,互信息值就越小。然而,医学图像和普通图像相比存在着模糊性和不均匀性,本发明在模糊熵的基础上定义模糊互信息,其定义如(1)式所示:
FMI=FH(A)+FH(B)-FH(A,B) (1)
参考图像和浮动图像的图像质量不同,其模糊熵值对互信息值的影响也是不同的。因此本发明在(1)式基础上,提出一种基于模糊熵的归一化带权互信息测度,其定义如(2)式所示:
步骤2)、医学图像内与层间插值
部分体积(partial volume,PV)插值不引入新的灰度值,缓解插值赝像效应。本发明在医学图像内插值中采用PV插值算法。
在图像引导放射治疗过程中,分次治疗使得CT扫描起始位置存在较大差别。对多模态图像而言,相同层图像对应的物理位置一般存在较大差别。为了解决以上问题,本发明采用三线性插值方法进行医学图像层间插值,以提高医学图像配准的精度。
以单模头部CT与CT图像,多模头部CT与PET图像为例说明本发明的使用方法。
实施例(1)单模头部CT与CT图像配准
步骤1、为方便验证配准结果,本发明首先选取比参考图像X方向平移15mm,旋转10度的图像作为浮动图像。单击图像导入按钮,读入两组CT图像(46张,分辨率为512*512),采用打开文件夹对话框的方式,由用户选择图像所在的文件夹,单击确定按钮导入两组图像。分别显示出横断面、冠状面和矢状面图像,拖动鼠标左健两组图像同步放大、缩小,拖动鼠标右健两幅图像同步切换显示不同层图像。为了便于用户观察,采用伪彩技术用不同颜色表示参考图像与浮动图像。
步骤2、单击图像压缩按钮,对图像进行预处理,首先采用本发明提出的基于模糊熵的分级压缩方法压缩图像,以减少互信息的计算量。其次将图像采用体数据的形式存储。
步骤3、单击配准按钮,采用本发明提出的基于模糊集合理论的模糊带权归一化互信息,配准处理后的两组CT体数据。
实施例(2)多模头部CT与PET图像配准
步骤1、单击图像导入按钮,读入一组CT图像和一组PET图像,采用打开文件夹对话框的方式,由用户选择图像所在的文件夹,单击确定按钮导入两组图像。分别显示出横断面、冠状面和矢状面图像,拖动鼠标左健两组图像同步放大、缩小,拖动鼠标右健两幅图像同步切换显示不同层图像。为了便于用户观察,采用伪彩技术用不同颜色表示参考图像与浮动图像。
步骤2、单击PET图像预处理按钮,对PET图像进行分割预处理,减少放射状伪影对配准的影响。
步骤3、单击层间插值按钮,由于CT和PET图像扫描层厚不同,采用三线性插值方法获得PET层间图像。
步骤4、单击图像压缩按钮,采用本发明提出的基于模糊熵的分级压缩方法压缩CT和PET图像,以减少互信息的计算量。并采用体数据的形式存储处理后的CT和PET图像。
步骤5、单击配准按钮,采用本发明提出的基于模糊集合理论的模糊带权归一化互信息配准方法,配准处理后的CT和PET图像,并显示配准参数。
本发明未详细阐述的部分属于本领域公知技术。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种基于带权模糊互信息的三维医学图像配准方法,其特征在于,包括:图像导入和显示步骤,图像预处理步骤,图像插值步骤,图像压缩步骤,图像3D/3D配准步骤和数据输出步骤;其中,
图像导入和显示步骤,导入病人的三维体数据,显示参考图像与浮动图像的横断面、冠状面、矢状面图像;
图像预处理步骤,对图像导入和显示模块导入的医学图像进行图像预处理;
图像插值步骤,若为多模图像配准,图像预处理模块预处理后需要对图像进行层间插值处理,否则直接进入图像压缩模块;
图像压缩步骤,采用基于模糊熵的图像灰度压缩,压缩后的体数据输出到图像3D/3D配准模块;
图像3D/3D配准步骤,采用基于模糊熵的归一化带权互信息的配准方法进行配准,配准结束后将配准参数输出到数据输出模块;
数据输出步骤,显示三维空间平移参数,三维空间旋转参数和配准后的3D/3D融合图像。
2.根据权利要求1所述的一种基于带权模糊互信息的三维医学图像配准方法,其特征在于:所述的图像压缩步骤中采用基于模糊熵的图像灰度压缩具体为:
分级压缩步骤,以模糊信息熵作为依据,将医学图像分为目标图像和背景图像,分级压缩医学图像灰度级,步骤如下:
(1)医学图像被分成若干小方块的模糊熵映射显示;
(2)医学图像的灰度阶数影响互信息计算量,灰度阶数越多,互信息计算量越大,医学图像配准时间随灰度级的增大而增加;因此在医学图像配准前,将待配准图像分为目标图像和背景图像,并综合考虑配准精度和配准时间两个重要因素,将图像灰度分别映射到不同灰度级。
3.根据权利要求1所述的一种基于带权模糊互信息的三维医学图像配准方法,其特征在于:所述的图像3D/3D配准步骤中采用基于模糊熵的归一化带权互信息的配准方法进行配准,具体为:
定义模糊熵步骤:
一方面,医学图像本身存在模糊性,因此本发明将模糊理论应用于图像配准,首先,定义模糊熵;其次,在模糊熵的基础上引入模糊互信息概念,其定义如(1)式所示:
FMI=FH(A)+FH(B)-FH(A,B) (1)
假定图像P的灰度随机变量为X,其灰度取值为一个有限符号集合A={a1,a2,...,an},灰度概率分布为{p(a1),p(a2),...,p(an)},隶属函数为{μ(a1),μ(a2),...,μ(an)},则图像的模糊熵定义为:
加权步骤:
另一方面,由于参考图像和浮动图像的图像质量不同,其模糊熵值对模糊互信息值的影响也有差异,因此本发明将模糊推理理论的加权思想应用到图像配准中,提出一种基于模糊熵的归一化带权互信息测度,以提高医学图像配准的鲁棒性,其定义如(2)式所示:
4.根据权利要求1所述的一种基于带权模糊互信息的三维医学图像配准方法,其特征在于,该方法能够基于CT、PET、MRI的单模和多模医学图像配准。
5.根据权利要求1所述的一种基于带权模糊互信息的三维医学图像配准方法,其特征在于,如PET图像的放射状伪影严重,在进行互信息计算中会带来干扰,影响配准精度,因此在进行图像配准前首先对PET图像进行分割预处理,尽量去除放射状伪影的影响。
6.一种基于带权模糊互信息的三维医学图像配准系统,其特征在于,包括:图像导入和显示模块,图像预处理模块,图像插值模块,图像压缩模块,图像3D/3D配准模块和数据输出模块;其中,
图像导入和显示模块,用于导入病人的三维体数据,显示参考图像与浮动图像的横断面、冠状面、矢状面图像;
图像预处理模块用于对图像导入和显示模块导入的医学图像进行图像预处理;
图像插值模块,若为多模图像配准,图像预处理模块预处理后需要对图像进行层间插值处理,否则直接进入图像压缩模块;
图像压缩模块,采用基于模糊熵的图像灰度压缩,压缩后的体数据输出到图像3D/3D配准模块;
图像3D/3D配准模块,采用基于模糊熵的归一化带权互信息的配准方法进行配准,配准结束后将配准参数输出到数据输出模块;
数据输出模块,用于显示三维空间平移参数,三维空间旋转参数和配准后的3D/3D融合图像。
7.根据权利要求6所述的一种基于带权模糊互信息的三维医学图像配准系统,其特征在于:所述的图像压缩模块中采用基于模糊熵的图像灰度压缩具体包括:
分级压缩模块,用来以模糊信息熵作为依据,将医学图像分为目标图像和背景图像,分级压缩医学图像灰度级,包括:
第一模块,使医学图像被分成若干小方块的模糊熵映射显示;
第二模块,其作用为:医学图像的灰度阶数影响互信息计算量,灰度阶数越多,互信息计算量越大,医学图像配准时间随灰度级的增大而增加;因此在医学图像配准前,将待配准图像分为目标图像和背景图像,并综合考虑配准精度和配准时间两个重要因素,将图像灰度分别映射到不同灰度级。
8.根据权利要求6所述的一种基于带权模糊互信息的三维医学图像配准系统,其特征在于:所述的图像3D/3D配准模块中采用基于模糊熵的归一化带权互信息的配准方法进行配准,具体包括:
定义模糊熵模块:其作用为:
一方面,医学图像本身存在模糊性,因此本发明将模糊理论应用于图像配准,首先,定义模糊熵;其次,在模糊熵的基础上引入模糊互信息(Fuzzy Mutual Information,简记为FMI)概念,其定义如(1)式所示:
FMI=FH(A)+FH(B)-FH(A,B) (1)
其中,FH(A)、FH(B)、FH(A,B)分别表示图像A的模糊熵值、图像B的模糊熵值以及图像A与图像B的模糊联合熵值,假定图像P的灰度随机变量为X,其灰度取值为一个有限符号集合A={x1,x2,...,xn},灰度概率分布为{p(x1),p(x2),...,p(xn)},隶属函数为{μ(x1),μ(x2),...,μ(xn)},则图像的模糊熵(Fuzzy Entropy,简记为FH)定义为:
其中,FH(X)表示图像灰度X的模糊熵值,μA(xi)表示灰度值xi的隶属函数值,P(xi)表示灰度值xi出现的概率,log()表示取对数函数;
加权模块:其作用为:
另一方面,由于参考图像和浮动图像的图像质量不同,其模糊熵值对模糊互信息值的影响也有差异,因此本发明将模糊推理理论的加权思想应用到图像配准中,提出一种基于模糊熵的归一化带权互信息测度,以提高医学图像配准的鲁棒性,其定义如(2)式所示:
9.根据权利要求6所述的一种基于带权模糊互信息的三维医学图像配准系统,其特征在于,该系统能够基于CT、PET、MRI的单模和多模医学图像配准。
10.根据权利要求6所述的一种基于带权模糊互信息的三维医学图像配准系统,其特征在于,如PET图像的放射状伪影严重,在进行互信息计算中会带来干扰,影响配准精度,因此在进行图像配准前首先对PET图像进行分割预处理,尽量去除放射状伪影的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210591626.5A CN103020976B (zh) | 2012-12-31 | 2012-12-31 | 一种基于带权模糊互信息的三维医学图像配准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210591626.5A CN103020976B (zh) | 2012-12-31 | 2012-12-31 | 一种基于带权模糊互信息的三维医学图像配准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020976A true CN103020976A (zh) | 2013-04-03 |
CN103020976B CN103020976B (zh) | 2015-08-19 |
Family
ID=47969542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210591626.5A Active CN103020976B (zh) | 2012-12-31 | 2012-12-31 | 一种基于带权模糊互信息的三维医学图像配准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020976B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240287A (zh) * | 2013-06-08 | 2014-12-24 | 北京思创贯宇科技开发有限公司 | 一种利用ct图像生成冠脉全景图的方法及系统 |
CN104866699A (zh) * | 2014-02-25 | 2015-08-26 | 上海征途信息技术有限公司 | 一种网络游戏智能化数据分析方法 |
CN105078514A (zh) * | 2014-04-22 | 2015-11-25 | 重庆海扶医疗科技股份有限公司 | 三维模型的构建方法及装置、图像监控方法及装置 |
CN106023140A (zh) * | 2016-05-05 | 2016-10-12 | 北京天智航医疗科技股份有限公司 | 一种术前三维图像与术中三维图像的无标志物配准方法 |
CN106097347A (zh) * | 2016-06-14 | 2016-11-09 | 福州大学 | 一种多模态医学图像配准与可视化方法 |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN107633478A (zh) * | 2016-07-19 | 2018-01-26 | 佳能株式会社 | 图像处理装置、图像处理方法以及计算机可读介质 |
CN109559296A (zh) * | 2018-10-08 | 2019-04-02 | 广州市本真网络科技有限公司 | 基于全卷积神经网络和互信息的医学图像配准方法及系统 |
CN113610751A (zh) * | 2021-06-03 | 2021-11-05 | 迈格生命科技(深圳)有限公司 | 图像处理方法、装置及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1631321A (zh) * | 2003-12-23 | 2005-06-29 | 中国科学院自动化研究所 | 一种基于互信息敏感区域的多模态医学图像配准方法 |
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
WO2008122056A2 (en) * | 2007-04-02 | 2008-10-09 | Case Western Reserve University | Medical apparatus and method associated therewith |
CN102592137A (zh) * | 2011-12-27 | 2012-07-18 | 中国科学院深圳先进技术研究院 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
-
2012
- 2012-12-31 CN CN201210591626.5A patent/CN103020976B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1631321A (zh) * | 2003-12-23 | 2005-06-29 | 中国科学院自动化研究所 | 一种基于互信息敏感区域的多模态医学图像配准方法 |
CN101013503A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种医学图像中腹部器官分割方法 |
WO2008122056A2 (en) * | 2007-04-02 | 2008-10-09 | Case Western Reserve University | Medical apparatus and method associated therewith |
CN102592137A (zh) * | 2011-12-27 | 2012-07-18 | 中国科学院深圳先进技术研究院 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
Non-Patent Citations (1)
Title |
---|
张峻豪等: "基于加权互信息的多模图像配准算法", 《计算机工程》, vol. 38, no. 16, 31 August 2012 (2012-08-31), pages 207 - 211 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240287A (zh) * | 2013-06-08 | 2014-12-24 | 北京思创贯宇科技开发有限公司 | 一种利用ct图像生成冠脉全景图的方法及系统 |
CN104240287B (zh) * | 2013-06-08 | 2017-10-20 | 北京思创贯宇科技开发有限公司 | 一种利用ct图像生成冠脉全景图的方法及系统 |
CN104866699B (zh) * | 2014-02-25 | 2017-07-14 | 上海征途信息技术有限公司 | 一种网络游戏智能化数据分析方法 |
CN104866699A (zh) * | 2014-02-25 | 2015-08-26 | 上海征途信息技术有限公司 | 一种网络游戏智能化数据分析方法 |
CN105078514A (zh) * | 2014-04-22 | 2015-11-25 | 重庆海扶医疗科技股份有限公司 | 三维模型的构建方法及装置、图像监控方法及装置 |
CN106023140A (zh) * | 2016-05-05 | 2016-10-12 | 北京天智航医疗科技股份有限公司 | 一种术前三维图像与术中三维图像的无标志物配准方法 |
CN106023140B (zh) * | 2016-05-05 | 2018-12-21 | 北京天智航医疗科技股份有限公司 | 一种术前三维图像与术中三维图像的无标志物配准方法 |
CN106097347A (zh) * | 2016-06-14 | 2016-11-09 | 福州大学 | 一种多模态医学图像配准与可视化方法 |
CN107633478A (zh) * | 2016-07-19 | 2018-01-26 | 佳能株式会社 | 图像处理装置、图像处理方法以及计算机可读介质 |
CN107633478B (zh) * | 2016-07-19 | 2022-12-06 | 佳能株式会社 | 图像处理装置、图像处理方法以及计算机可读介质 |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN109559296A (zh) * | 2018-10-08 | 2019-04-02 | 广州市本真网络科技有限公司 | 基于全卷积神经网络和互信息的医学图像配准方法及系统 |
CN109559296B (zh) * | 2018-10-08 | 2020-08-25 | 广州市大智网络科技有限公司 | 基于全卷积神经网络和互信息的医学图像配准方法及系统 |
CN113610751A (zh) * | 2021-06-03 | 2021-11-05 | 迈格生命科技(深圳)有限公司 | 图像处理方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103020976B (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020976B (zh) | 一种基于带权模糊互信息的三维医学图像配准方法及系统 | |
US11756160B2 (en) | ML-based methods for pseudo-CT and HR MR image estimation | |
Dinkla et al. | MR-only brain radiation therapy: dosimetric evaluation of synthetic CTs generated by a dilated convolutional neural network | |
US20210056687A1 (en) | Systems and methods for segmentation of intra-patient medical images | |
CN107644421B (zh) | 医学图像分割方法及系统 | |
CN106600609B (zh) | 一种医学图像中脊柱的分割方法及系统 | |
CN101076282B (zh) | 移动目标的动态追踪 | |
CN101133431B (zh) | 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 | |
WO2018119766A1 (zh) | 多模态图像处理系统及方法 | |
Zhang et al. | Multi‐needle localization with attention U‐net in US‐guided HDR prostate brachytherapy | |
CN106491151B (zh) | Pet图像获取方法及系统 | |
AU2017378629B2 (en) | Online learning enhanced atlas-based auto-segmentation | |
CN107072595A (zh) | 基于多模态成像的自适应重计划 | |
CN105144241A (zh) | 图像质量指数和/或基于其的成像参数推荐 | |
Farjam et al. | Multiatlas approach with local registration goodness weighting for MRI‐based electron density mapping of head and neck anatomy | |
US9355454B2 (en) | Automatic estimation of anatomical extents | |
Dai et al. | Deep learning‐based motion tracking using ultrasound images | |
Fitton et al. | Semi‐automatic delineation using weighted CT‐MRI registered images for radiotherapy of nasopharyngeal cancer | |
Dong et al. | A deep unsupervised learning model for artifact correction of pelvis cone-beam CT | |
den Otter et al. | 4D cone‐beam CT reconstruction from sparse‐view CBCT data for daily motion assessment in pencil beam scanned proton therapy (PBS‐PT) | |
CN111166332B (zh) | 一种基于磁共振波谱和磁共振影像的放疗靶区勾画方法 | |
Poonkodi et al. | 3d-medtrancsgan: 3d medical image transformation using csgan | |
Cai et al. | Registration on DCE-MRI images via multi-domain image-to-image translation | |
CN114638796A (zh) | 一种基于超声医学的脑内深部肿瘤精准定位图像处理系统 | |
CN114387364A (zh) | 用于pet图像重建的线性衰减系数获取方法及重建方法 |
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 |