CN103400376B - 一种乳腺动态增强磁共振图像序列的配准方法 - Google Patents
一种乳腺动态增强磁共振图像序列的配准方法 Download PDFInfo
- Publication number
- CN103400376B CN103400376B CN201310302122.1A CN201310302122A CN103400376B CN 103400376 B CN103400376 B CN 103400376B CN 201310302122 A CN201310302122 A CN 201310302122A CN 103400376 B CN103400376 B CN 103400376B
- Authority
- CN
- China
- Prior art keywords
- field
- enhancement
- image
- image sequence
- enhanced
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 26
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 claims abstract 8
- 238000012545 processing Methods 0.000 claims description 15
- 210000000481 breast Anatomy 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011524 similarity measure Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000003416 augmentation Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 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 4
- 230000008859 change Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 6
- 238000005728 strengthening Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种乳腺动态增强磁共振图像序列的配准方法,包括(1)读取DCE-MRI图像序列同一层所有时间帧的图像数据;(2)对增强前后的图像进行粗配准,求出形变场初始估计;(3)对DCE-MRI图像序列进行运动补偿,计算每个时间点的增强场;(4)建模并求解时间序列增强场;(5)对DCE-MRI图像序列进行“去增强”处理;(6)求解形变场;(7)判断时间序列增强场和形变场的解是否收敛,如果不收敛,将当前求解出的形变场作为当前估计的形变场,进入步骤(3);如果收敛,则进入步骤进行图像序列的配准。本发明配准准确、计算量少,且能同时估计时间序列增强场。
Description
技术领域
本发明涉及医学医学影像配准方法,具体来说涉及一种乳腺动态增强磁共振图像序列的配准方法。
背景技术
乳腺动态增强磁共振图像序列(DynamicContrast-EnhancedMagneticResonanceImage,DCE-MRI)的配准方法一般将增强前后的MRI图像视为不同模态的图像,然后使用互信息作为相似性度量对增强前后的图像进行配准。
Rueckert以归一化互信息作为相似性度量(RueckertD,SonodaLI,HayesC,HillDLG,LeachMO,HawkesDJ.Nonrigidregistrationusingfree-formdeformations:ApplicationtobreastMRImages.IEEETransactionsonMedicalImaging,1999.18(8):p.712-721),以3D刚性配准为粗配准结果,然后采用基于B样条的自由形变模型描述乳腺的形变场,并加入形变场的平滑性约束,采用梯度下降的方法进行优化和求解,其研究结果表明非刚性配准能消除运动伪影。Rohfing将形变场平滑性约束替换为不可压缩约束(RohlfingT,MaurerRC,Jr,BluemkeDA,JacobsMA,Volume-preservingnonrigidregistrationofMRbreastimagesusingfree-formdeformationwithanincompressibilityconstraint.IEEETransactionsonmedicalimaging,2003.22(6):p.730-741)。实验结果表明该方法可使配准乳腺体积的变化量保持在1%以内。Zheng提出了另一种方法(ZhengYJ,YuJy,KambhamettuC,EnglanderS,SchnallMD,ShenDG,De-enhancingthedynamiccontrast-enhancedbreastMRIforrobustregistration.MedImageComputComputAssistInterv,2007.10(1):p.933-941.),用恢复的增强对增强后的MRI图像进行“去增强”处理,使得增强前后的图像转化为同一模态,然后使用平方差和作为图像间相似性度量对增强前后的图像对进行配准。
最大化互信息,在对比度变化的区域上,会产生错位的形变场,使增强病灶体积发生扩大或缩小。为了避免这种情况出现,可对形变场添加不可压缩的约束。但这种约束没有考虑乳腺时间序列图像的增强时空变化、不同组织和病灶之间的差别。Zheng的方法虽然考虑了增强的空间平滑性,但不能保证时间上的连续性。
因此,针对现有技术不足,提供一种乳腺动态增强磁共振图像序列的配准方法以克服现有技术不足甚为必要。
发明内容
本发明的目的在于针对现有技术不足,提供一种乳腺动态增强磁共振图像序列的配准方法,该方法具有配准度高、配准方法简单、计算量少的特点。
本发明的上述目的通过如下技术方案实现。
一种乳腺动态增强磁共振图像序列的配准方法,包括下列步骤,
(1)读取DCE-MRI图像序列同一层所有时间帧的图像数据;
(2)对增强前后的图像进行粗配准,求出形变场的初始估计;
(3)由当前估计的形变场对DCE-MRI图像序列进行运动补偿,计算出每个时间点的增强场;
(4)对步骤(3)中得到的所有时间点的增强场采用K-均值聚类将时间序列增强场范围离散划分为有限种类,然后利用马尔科夫随机场对时间序列增强场进行建模,使用Fast-PD算法优化离散马尔科夫随机场能量求解时间序列增强场;
(5)利用步骤(4)计算的时间序列增强场对DCE-MRI图像序列进行“去增强”处理,使得增强前后的DCE-MRI图像序列的时间序列可视为同一模态图像;
(6)图像序列已“去增强”处理后,对乳腺的形变场采用基于B样条的自由形变模型描述,自由形变模型控制点的位移场使用离散马尔科夫随机场建模,离散马尔科夫随机场的能量函数采用Fast-PD算法快速优化,求解出形变场;
(7)判断时间序列增强场和和形变场的解是否收敛,如果不收敛,将当前求解出的形变场作为当前估计的形变场,进入步骤(3);如果收敛,则进入步骤8;
(8)将求解的收敛的形变场对乳腺DCE-MRI图像序列进行运动补偿,实现图像序列的配准。
优选的,步骤(2)具体是采用仿射变换对增强前后图像进行粗配准,求出形变场的初始估计。
优选的,步骤(3)中增强场的计算方法为:通过增强后图像中每一像素点的灰度值除以配准后的增强前图像中对应的像素点的灰度值,得到增强场。
步骤(3)中的增强场具体定义为:……()
其中,I0为增强前图像,也称参考图像;It(t=1,…,N)为增强后的图像,也称浮动图像;Dt(It)表示利用形变场Dt对图像It进行空间变换,St对应图像It中的增强场。
优选的,步骤(4)中的马尔科夫随机能量函数为:
……();
其中,SEF代表时间序列增强场,x,y代表图像域Ω内的像素,N代表邻域系统,λ1和λ2是调节平滑项的参数,代表像素x处的时间信号强度;
E1代表数据项,计算每个像素分配的时间信号强度和通过计算得到的时间信号强度之间的差异:
;
其中,,表示由式()计算出像素x处的时间信号强度;
E2为度量N邻域内增强水平的一致性特性的平滑项:
;
其中,为克罗内克脉冲函数;
E3为约束每个像素增强的变化、保证增强在时空上的连续性和平滑性的参数,表达式:
。
优选的,步骤(5)的“去增强”处理:……()。
优选的,步骤(6)的形变场描述为:……()
其中,为控制点,dp为控制点p的位移,为三次B样条的基函数,则MRF的能量函数定义为:
……()
其中,为设定参数,p,q为控制点,Np为点p的邻域,为数据项,是图像对之间的相似性度量,将图像层次的信息映射到控制点层次,数据项的表达形式如下:
;
其中,为控制点对相似性度量总和的贡献的比重,NCC(x)表示两图像I0和Dt(It)在像素x处局部区域的归一化互相关系数。
优选的,步骤(7)的收敛性度量如下:
……()
其中,k为迭代次数,直到e的改变趋于平缓时,SEF和D的解也趋于收敛。
本发明的一种乳腺动态增强磁共振图像序列的配准方法,包括下列步骤,(1)读取DCE-MRI图像序列同一层所有时间帧的图像数据;(2)对增强前后的图像进行粗配准,求出形变场的初始估计;(3)由当前估计的形变场对DCE-MRI图像序列进行运动补偿,计算出每个时间点的增强场;(4)对步骤(3)中得到的所有时间点的增强场采用K-均值聚类将时间序列增强场范围离散划分为有限种类,然后利用马尔科夫随机场对时间序列增强场进行建模,使用Fast-PD算法优化离散马尔科夫随机场能量求解时间序列增强场;(5)利用步骤(4)计算的时间序列增强场对DCE-MRI图像序列进行“去增强”处理,使得增强前后的DCE-MRI图像序列的时间序列可视为同一模态图像;(6)图像序列已“去增强”处理后,对乳腺的形变场采用基于B样条的自由形变模型描述,自由形变模型控制点的位移场使用离散马尔科夫随机场建模,离散马尔科夫随机场的能量函数采用Fast-PD算法快速优化,求解出形变场;(7)判断时间序列增强场和和形变场的解是否收敛,如果不收敛,将当前求解出的形变场作为当前估计的形变场,进入步骤(3);如果收敛,则进入步骤8;(8)将求解的收敛的形变场对乳腺DCE-MRI图像序列进行运动补偿,实现图像序列的配准。
本发明利用最大后验概率联合估计时间序列增强场和组织形变场,充分利用乳腺DCE-MRI时间序列的数据信息和时空先验信息,使用马尔科夫随机场对时间序列增强场建模,并用Fast-PD优化,提高了时间序列增强场的估计精度。形变场估计过程中充分利用估计的时间序列增强场,对增强序列进行“去增强”处理,避免了将DCE-MRI图像视为不同模态图像进行配准,减少配准的复杂度和计算量。采用离散的马尔科夫随机场对形变场建模和Fast-PD优化方法,可以快速实现DCE-MRI图像序列的配准。与其他方法相比,本发明的方法具有较高的配准准确性,且匹配方法简单、计算量少。
附图说明
利用附图对本发明作进一步的说明,但附图中的内容不构成对本发明的任何限制。
图1为本发明一种乳腺动态增强磁共振图像序列的配准方法的流程示意图。
图2是本发明实施例2中选取的其中五幅灰度变化较为明显的乳腺DCE-MRI图像,其中第一副为增强前的图像,后面四幅为增强后的图像。
图3是本发明实施例2方法估计的时间序列增强场。
图4是本发明实施例2方法的“去增强”序列图像。
图5为通过不同方法的进行图像配准的配准精度对比图,图5(a)为图像配准的NCC参数示意图;图5(b)为图像配准的MI参数示意图;其中DROP(DeformableImageRegistrationusingDiscreteOptimization)是指基于归一化互信息的离散优化的可形变配准方法,RC(ResidualComplexity)是指以残差复杂度为相似性的非刚性配准方法。
图6为本发明实施例2选择10个点配准前后DCE-MR时间序列图像的时间-强度曲线,其中图6(a)为配准前的时间-强度曲线,图6(b)为配准后的时间-强度曲线。
具体实施方式
下面结合具体的实施例对本发明进行详细描述。
实施例1。
一种乳腺动态增强磁共振图像序列的配准方法,如图1所示,包括下列步骤:
(1)读取DCE-MRI图像序列同一层所有时间帧的图像数据;
(2)采用仿射变换对增强前后的图像进行粗配准,求出形变场的初始估计;
(3)由当前估计的形变场对DCE-MRI图像序列进行运动补偿,计算出每个时间点的增强场;
(4)对步骤(3)中得到的所有时间点的增强场采用K-均值聚类将时间序列增强场范围离散划分为有限种类,然后利用马尔科夫随机场对时间序列增强场进行建模,使用Fast-PD算法优化离散马尔科夫随机场能量求解时间序列增强场;
(5)利用步骤(4)计算的时间序列增强场对DCE-MRI图像序列进行“去增强”处理,使得增强前后的DCE-MRI图像序列的时间序列可视为同一模态图像;
(6)图像序列已“去增强”处理后,对乳腺的形变场采用基于B样条的自由形变模型描述,自由形变模型控制点的位移场使用离散马尔科夫随机场建模,离散马尔科夫随机场的能量函数采用Fast-PD算法快速优化,求解出形变场;
(7)判断时间序列增强场和和形变场的解是否收敛,如果不收敛,将当前求解出的形变场作为当前估计的形变场,进入步骤(3);如果收敛,则进入步骤8;
(8)将求解的收敛的形变场对乳腺DCE-MRI图像序列进行运动补偿,实现图像序列的配准。
其中,步骤(3)中增强场的计算方法为:通过增强后图像中每一像素点的灰度值除以配准后的增强前图像中对应的像素点的灰度值,得到增强场。
步骤(3)中的增强场具体定义为:……()
其中,I0为增强前图像,也称参考图像;It(t=1,…,N)为增强后的图像,也称浮动图像;Dt(It)表示利用形变场Dt对图像It进行空间变换,St对应图像It中的增强场。
步骤(4)中的马尔科夫随机能量函数为:
……();
其中,SEF代表时间序列增强场,x,y代表图像域Ω内的像素,N代表邻域系统,λ1和λ2是调节平滑项的参数,代表像素x处的时间信号强度;
E1代表数据项,计算每个像素分配的时间信号强度和通过计算得到的时间信号强度之间的差异:
;
其中,,表示由式()计算出像素x处的时间信号强度;
E2为度量N邻域内增强水平的一致性特性的平滑项:
;
其中,为克罗内克脉冲函数;
E3为约束每个像素增强的变化、保证增强在时空上的连续性和平滑性的参数,表达式:
。
步骤(5)的“去增强”处理:……()。
步骤(6)的形变场描述为:……()
其中,为控制点,dp为控制点p的位移,为三次B样条的基函数,则MRF的能量函数定义为:
……()
其中,为设定参数,p,q为控制点,Np为点p的邻域,为数据项,是图像对之间的相似性度量,将图像层次的信息映射到控制点层次,数据项的表达形式如下:
;
其中,为控制点对相似性度量总和的贡献的比重,NCC(x)表示两图像I0和Dt(It)在像素x处局部区域的归一化互相关系数。
步骤(7)的收敛性度量如下:
……()
其中,k为迭代次数,直到e的改变趋于平缓时,SEF和D的解也趋于收敛。
本发明利用最大后验概率联合估计时间序列增强场和组织形变场,充分利用乳腺DCE-MRI时间序列的数据信息和时空先验信息,使用马尔科夫随机场对时间序列增强场建模,并用Fast-PD优化,提高了时间序列增强场的估计精度。形变场估计过程中充分利用估计的时间序列增强场,对增强序列进行“去增强”处理,避免了将DCE-MRI图像视为不同模态图像进行配准,减少配准的复杂度和计算量。采用离散的马尔科夫随机场对形变场建模和Fast-PD优化方法,可以快速实现DCE-MRI图像序列的配准。与其他方法相比,本发明的方法具有较高的配准准确性,且匹配方法简单、计算量少。
实施例2。
以一具体实施例对本发明的方法进行说明。
本实施例中,图像大小为384×384×56,像素大小为1×1×1mm,共采集病人九个不同时刻的图像。第一时刻的图像为增强前图像,其他时刻的图像为增强后图像。
(1)分别读入九个时刻第九层的图像,附图2示意了所选取的图像中的五幅灰度变化较明显到的乳腺DCE-MRI图像。
(2)以增强前图像为参考图像,增强后图像为浮动图像,采用仿射变换对增强前后图像进行粗配准,求解出形变场的初始估计。
(3)由当前估计的形变场对DCE-MRI图像序列进行运动补偿,根据式()计算出每个时间点的增强场。
增强场具体定义为:……()
其中,I0为增强前图像,也称参考图像;It(t=1,…,N)为增强后的图像,也称浮动图像;Dt(It)表示利用形变场Dt对图像It进行空间变换,St对应图像It中的增强场。
(4)对步骤(3)中得到的所有时间点的增强场采用K-均值聚类将时间序列增强场范围离散划分为50类,然后利用马尔科夫随机场对时间序列增强场进行建模,使用Fast-PD算法优化离散马尔科夫随机场能量求解时间序列增强场。
步骤(4)中的马尔科夫随机能量函数为:
……();
其中,SEF代表时间序列增强场,x,y代表图像域Ω内的像素,N代表邻域系统,λ1和λ2是调节平滑项的参数,将参数λ1和λ2都设为1,代表像素x处的时间信号强度。
E1代表数据项,计算每个像素分配的时间信号强度和通过计算得到的时间信号强度之间的差异:
;
其中,,表示由式()计算出像素x处的时间信号强度。
E2为度量N邻域内增强水平的一致性特性的平滑项:
;
其中,为克罗内克脉冲函数。
E3为约束每个像素增强的变化、保证增强在时空上的连续性和平滑性的参数,表达式:
。
(5)利用步骤(4)计算的时间序列增强场对DCE-MRI图像序列进行“去增强”处理,使得增强前后的DCE-MRI图像序列的时间序列可视为同一模态图像。步骤(5)的“去增强”处理:……()。
(6)图像序列已“去增强”处理后,对乳腺的形变场采用基于B样条的自由形变模型描述,自由形变模型控制点的位移场使用离散马尔科夫随机场建模,离散马尔科夫随机场的能量函数采用Fast-PD算法快速优化,求解出形变场。
步骤(6)的形变场描述为:……()
其中,为控制点,dp为控制点p的位移,为三次B样条的基函数,则MRF的能量函数定义为:
……()
其中,为设为0.5,p,q为控制点,Np为点p的邻域,为数据项,是图像对之间的相似性度量,本实施例采用归一化互相关系数作为相似性度量,将图像层次的信息映射到控制点层次,数据项的表达形式如下:
;
其中,为控制点对相似性度量总和的贡献的比重,NCC(x)表示两图像I0和Dt(It)在像素x处局部区域的归一化互相关系数。
(7)判断时间序列增强场和和形变场的解是否收敛,如果不收敛,将当前求解出的形变场作为当前估计的形变场,进入步骤(3);如果收敛,则进入步骤8。
收敛性度量如下:
……()
其中,k为迭代次数,直到e的改变趋于平缓时,SEF和D的解也趋于收敛。
(8)将求解的收敛的形变场对乳腺DCE-MRI图像序列进行运动补偿,实现图像序列的配准。
本发明针对乳腺DCE-MRI时间序列图像的数据特点,利用时空先验信息,不仅能实现乳腺DCE-MRI图像序列的精确配准,而且能够同时实现时间序列增强场的估计,所估计的时间序列增强场如图3所示。
本发明利用最大后验概率联合估计时间序列增强场和组织形变场,充分利用乳腺DCE-MRI时间序列的数据信息和时空先验信息,使用马尔科夫随机场对时间序列增强场建模,并用Fast-PD优化,提高了时间序列增强场的估计精度。形变场估计过程中充分利用估计的时间序列增强场,对增强序列进行“去增强”处理,避免了将DCE-MRI图像视为不同模态图像进行配准,减少配准的复杂度和计算量。采用离散的马尔科夫随机场对形变场建模和Fast-PD优化方法,可以快速实现DCE-MRI图像序列的配准。与其他方法相比,本发明的方法具有较高的配准准确性,且匹配方法简单、计算量少。
图5、图6将本发明的配准方法与现有技术中的其它常用方法的配准结果进行对比的结果示意图。参数NCC、MI分别指归一化互相关系数、互信息值。这两个参数是度量两幅图像之间的相似性,值越大表示图像之间的相似性越高,即配准效果更好。从图5可以看出,与其它两种较为普遍的方法相比,本发明所述的方法能得到较高的配准精度。
图6显示了10个点配准前后的时间-强度曲线。从图6中可以看出,配准前时间强-度曲线比较杂乱,配准后时间-强度曲线比较一致,可见本发明的方法能实现乳腺DCE-MRI时间序列图像的配准和运动补偿,消除运动伪影的影响,进而提高了时间-强度曲线估计的准确度,有助于医生进行影像判读。
综上所述,本发明的方法配准准确度明显提高。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种乳腺动态增强磁共振图像序列的配准方法,其特征在于:包括下列步骤,
(1)读取DCE-MRI图像序列同一层所有时间帧的图像数据;
(2)对增强前后的图像进行粗配准,求出形变场的初始估计;
(3)由当前估计的形变场对DCE-MRI图像序列进行运动补偿,计算出每个时间点的增强场;
(4)对步骤(3)中得到的所有时间点的增强场采用K-均值聚类将时间序列增强场范围离散划分为有限种类,然后利用马尔科夫随机场对时间序列增强场进行建模,使用Fast-PD算法优化离散马尔科夫随机场能量求解时间序列增强场;
(5)利用步骤(4)计算的时间序列增强场对DCE-MRI图像序列进行“去增强”处理,使得增强前后的DCE-MRI图像序列的时间序列可视为同一模态图像;
(6)图像序列已“去增强”处理后,对乳腺的形变场采用基于B样条的自由形变模型描述,自由形变模型控制点的位移场使用离散马尔科夫随机场建模,离散马尔科夫随机场的能量函数采用Fast-PD算法快速优化,求解出形变场;
(7)判断时间序列增强场和和形变场的解是否收敛,如果不收敛,将当前求解出的形变场作为当前估计的形变场,进入步骤(3);如果收敛,则进入步骤(8);
(8)将求解的收敛的形变场对乳腺DCE-MRI图像序列进行运动补偿,实现图像序列的配准。
2.根据权利要求1所述的乳腺动态增强磁共振图像序列的配准方法,其特征在于:
步骤(2)具体是采用仿射变换对增强前后图像进行粗配准,求出形变场的初始估计。
3.根据权利要求2所述的乳腺动态增强磁共振图像序列的配准方法,其特征在于:
步骤(3)中增强场的计算方法为:通过增强后图像中每一像素点的灰度值除以配准后的增强前图像中对应的像素点的灰度值,得到增强场。
4.根据权利要求3所述的乳腺动态增强磁共振图像序列的配准方法,其特征在于:
步骤(3)中的增强场定义为:……()
其中,I0为增强前图像,也称参考图像;It为增强后的图像,也称浮动图像,t=1,…,N;Dt(It)表示利用形变场Dt对图像It进行空间变换,St对应图像It中的增强场。
5.根据权利要求4所述的乳腺动态增强磁共振图像序列的配准方法,其特征在于:
步骤(4)中的马尔科夫随机能量函数为:
……();
其中,SEF代表时间序列增强场,x,y代表图像域Ω内的像素,N代表邻域系统,λ1和λ2是调节平滑项的参数,代表像素x处的时间信号强度;
E1代表数据项,计算每个像素分配的时间信号强度和通过计算得到的时间信号强度之间的差异:
;
其中,,表示由式()计算出像素x处的时间信号强度;
E2为度量N邻域内增强水平的一致性特性的平滑项:
;
其中,为克罗内克脉冲函数;
E3为约束每个像素增强的变化、保证增强在时空上的连续性和平滑性的参数,表达式:
。
6.根据权利要求5所述的乳腺动态增强磁共振图像序列的配准方法,其特征在于:
步骤(5)的“去增强”处理:……(),
其中,为去增强处理后的图像;
步骤(6)的形变场描述为:……()
其中,为控制点,dp为控制点p的位移,为三次B样条的基函数,则MRF的能量函数定义为:
……()
其中,为设定参数,p,q为控制点,Np为点p的邻域,为数据项,是图像对之间的相似性度量,将图像层次的信息映射到控制点层次,数据项的表达形式如下:
;
其中,为控制点对相似性度量总和的贡献的比重,NCC(x)表示两图像I0和Dt(It)在像素x处局部区域的归一化互相关系数。
7.根据权利要求6所述的乳腺动态增强磁共振图像序列的配准方法,其特征在于:
步骤(7)的收敛性度量如下:
……()
其中,k为迭代次数,直到e的改变趋于平缓时,SEF和D的解也趋于收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310302122.1A CN103400376B (zh) | 2013-07-19 | 2013-07-19 | 一种乳腺动态增强磁共振图像序列的配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310302122.1A CN103400376B (zh) | 2013-07-19 | 2013-07-19 | 一种乳腺动态增强磁共振图像序列的配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103400376A CN103400376A (zh) | 2013-11-20 |
CN103400376B true CN103400376B (zh) | 2016-04-06 |
Family
ID=49563988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310302122.1A Active CN103400376B (zh) | 2013-07-19 | 2013-07-19 | 一种乳腺动态增强磁共振图像序列的配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400376B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927725B (zh) * | 2014-05-07 | 2017-04-26 | 哈尔滨工业大学 | 基于分数阶微分的电影核磁共振图像序列运动场估计方法 |
DE102014225282B4 (de) | 2014-12-09 | 2016-07-21 | Siemens Healthcare Gmbh | Deformationsberechnung bei zyklischer Bewegung eines Untersuchungsobjekts |
CN106651868A (zh) * | 2016-08-31 | 2017-05-10 | 沈阳东软医疗系统有限公司 | 一种位移测量的方法及装置 |
CN110226098B (zh) * | 2016-11-28 | 2021-11-23 | 皇家飞利浦有限公司 | 动态对比增强的磁共振成像中的图像质量控制 |
CN107240131B (zh) * | 2017-06-09 | 2020-04-24 | 大连理工大学 | 一种基于迭代纹理形变场的乳腺影像配准方法 |
CN108280862B (zh) * | 2018-01-31 | 2021-07-23 | 安徽福晴医疗科技有限公司 | 一种磁共振图像的重建方法及装置 |
CN110211098A (zh) * | 2019-05-17 | 2019-09-06 | 江门市中心医院 | 一种结合mrf能量和模糊速度的乳腺癌图像分割方法 |
CN111161330B (zh) * | 2019-12-20 | 2024-03-22 | 东软医疗系统股份有限公司 | 非刚性图像配准方法、装置、系统、电子设备、存储介质 |
CN112419378B (zh) * | 2020-11-20 | 2024-04-09 | 上海联影智能医疗科技有限公司 | 医学图像配准方法、电子设备和存储介质 |
CN116703994B (zh) * | 2023-07-31 | 2023-10-24 | 柏意慧心(杭州)网络科技有限公司 | 医学图像配准的方法、计算设备和计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006109515A1 (ja) * | 2005-03-31 | 2006-10-19 | Pioneer Corporation | 操作者認識装置、操作者認識方法、および、操作者認識プログラム |
CN102034115A (zh) * | 2010-12-14 | 2011-04-27 | 南方医科大学 | 基于马尔可夫随机场模型与非局部先验的图像配准方法 |
CN102708583A (zh) * | 2012-05-02 | 2012-10-03 | 厦门大学 | 二维动画角色的自动匹配方法 |
CN102831599A (zh) * | 2012-07-17 | 2012-12-19 | 南方医科大学 | 一种明暗不均匀的医学图像的配准方法 |
-
2013
- 2013-07-19 CN CN201310302122.1A patent/CN103400376B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006109515A1 (ja) * | 2005-03-31 | 2006-10-19 | Pioneer Corporation | 操作者認識装置、操作者認識方法、および、操作者認識プログラム |
CN102034115A (zh) * | 2010-12-14 | 2011-04-27 | 南方医科大学 | 基于马尔可夫随机场模型与非局部先验的图像配准方法 |
CN102708583A (zh) * | 2012-05-02 | 2012-10-03 | 厦门大学 | 二维动画角色的自动匹配方法 |
CN102831599A (zh) * | 2012-07-17 | 2012-12-19 | 南方医科大学 | 一种明暗不均匀的医学图像的配准方法 |
Non-Patent Citations (2)
Title |
---|
Image registration using Markov random coefficient and geometric transformation fields;Edgar R.Arce-Santana 等;《Pattern Recognition》;20090831;第42卷(第8期);1660-1671 * |
基于先验知识和MRF随机场模型的医学图像弹性配准方法;刘新刚 等;《中国生物医学工程学报》;20060430;第25卷(第2期);151-157 * |
Also Published As
Publication number | Publication date |
---|---|
CN103400376A (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400376B (zh) | 一种乳腺动态增强磁共振图像序列的配准方法 | |
Li et al. | Image registration based on autocorrelation of local structure | |
De Craene et al. | Temporal diffeomorphic free-form deformation: Application to motion and strain estimation from 3D echocardiography | |
US10853941B2 (en) | Registration method and system for non-rigid multi-modal medical image | |
US8897519B2 (en) | System and method for background phase correction for phase contrast flow images | |
Hodneland et al. | Normalized gradient fields for nonlinear motion correction of DCE-MRI time series | |
Fuerst et al. | Patient-specific biomechanical model for the prediction of lung motion from 4-D CT images | |
Shang et al. | Rigid medical image registration using PCA neural network | |
Schuh et al. | Construction of a 4D brain atlas and growth model using diffeomorphic registration | |
Ghaffari et al. | Image registration based on low rank matrix: Rank-regularized SSD | |
He et al. | Recursive refinement network for deformable lung registration between exhale and inhale CT scans | |
CN107240131B (zh) | 一种基于迭代纹理形变场的乳腺影像配准方法 | |
Zhao et al. | Extraction of vessel networks based on multiview projection and phase field model | |
van der Lijn et al. | Cerebellum segmentation in MRI using atlas registration and local multi-scale image descriptors | |
CN116703994A (zh) | 医学图像配准的方法、计算设备和计算机可读存储介质 | |
Mesin | Balanced multi-image demons for non-rigid registration of magnetic resonance images | |
Wang et al. | Nonrigid medical image registration with locally linear reconstruction | |
Glodeck et al. | Distortion correction of EPI data using multimodal nonrigid registration with an anisotropic regularization | |
Zheng et al. | Measuring sparse temporal-variation for accurate registration of dynamic contrast-enhanced breast MR images | |
Somayajula et al. | Non-rigid image registration using gaussian mixture models | |
Zhang et al. | Temporally diffeomorphic cardiac motion estimation from three‐dimensional echocardiography by minimization of intensity consistency error | |
Yanli et al. | A robust and accurate non-rigid medical image registration algorithm based on multi-level deformable model | |
Mishra et al. | Modified Demons deformation algorithm for non-rigid image registration | |
Kumar et al. | Motion correction strategies for interventional angiography images: a comparative approach | |
Mojica et al. | An unbiased groupwise registration algorithm for correcting motion in dynamic contrast-enhanced magnetic resonance images |
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 |