CN104036486A - 医用图像处理装置、以及医用图像匹配性判定方法 - Google Patents
医用图像处理装置、以及医用图像匹配性判定方法 Download PDFInfo
- Publication number
- CN104036486A CN104036486A CN201410076894.2A CN201410076894A CN104036486A CN 104036486 A CN104036486 A CN 104036486A CN 201410076894 A CN201410076894 A CN 201410076894A CN 104036486 A CN104036486 A CN 104036486A
- Authority
- CN
- China
- Prior art keywords
- position alignment
- image data
- data set
- processing apparatus
- conversion
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims description 56
- 238000006243 chemical reaction Methods 0.000 claims description 75
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 22
- 238000002059 diagnostic imaging Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 239000012141 concentrate Substances 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 7
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种能够在多个医用图像的位置对准中,判定位置对准的程度的医用图像处理装置。本实施方式所涉及的医用图像处理装置具备:位置对准单元(14),实施和第1图像数据集与第2图像数据集之间的位置对准相关的第1位置对准、以及和第1图像数据集与第2图像数据集之间的不同于第1位置对准的位置对准相关的第2位置对准;匹配性判定单元(16),根据基于第1位置对准与第2位置对准的位置对准的差,判定第1图像数据集与第2图像数据集之间的匹配性程度。
Description
技术领域
本说明书所记载的实施方式一般涉及用于判定数据集的匹配性的方法和用于判定数据集的匹配性的装置,例如,涉及用于判定以不同的时间或者不同的方式取得的1对医用图像数据集的匹配性的方法和装置。
背景技术
在医用摄影的领域中,为了进行比较,经常需要将医用图像彼此进行位置对准。例如,有时通过将患者的现在的图像与同一患者的以前的图像进行位置对准,来进行例如肿瘤的尺寸的比较等,进行疾病的恶化或者治疗的效果的评价。
例如,知道有一种通过将由X射线计算机断层摄影(CT)以及磁共振摄影(MR)等不同的摄影方式取得的图像彼此进行比较或者组合,来有效利用以各个方式通过扫描得到的各种信息的技术。
但是,一般而言,关于解剖学特征部的位置,由于例如患者的姿势不同,患者的移动、摄影方式不同,或者摄影参数不同等原因,在各种图像彼此之间产生差异。为了实现2个图像的准确的位置对准,需要对一个图像进行变换,以使得各解剖学特征部的坐标在结果得到的各图像中相同。这通过图像位置对准以及图像变换的处理来实现。
刚体位置对准涉及用于通过刚体变换(只伴随旋转参数以及平行移动参数的变换)对2个以上的图像或者体积进行位置对准的技术类型。刚体位置对准的有用的用途在于,在追踪研究中将现在的体积以及以前的体积的位置对准作为目的。仿射位置对准是利用了仿射变换(旋转、平行移动、放大缩小(scaling)、或者剪断)的位置对准。
为了进行图像位置对准,有时使用旋转、平行移动、以及均等缩放分量的操作有用。由此,得到与相比刚体变换为一般的、但是没有仿射变换那样一般的变换相关的空间。
非刚体位置对准(非刚体变换)是指使用比能够进行包含局部变形的变形更一般的变形的技术类型。这些特别适用于对脏器或者软组织的图像进行位置对准的情况。
用于对图像进行位置对准的技术已被熟知。一般而言,位置对准是优化的问题,其目的在于,通过找出2个图像间的最优的变换,将一个图像的坐标系中的点向另一个图像的坐标系中的对应的点映射,从而将这些图像中的对应的特征部彼此建立关系。
相似性测度是2个图像间的相似性的程度。例如,在互信息(mutual information:MI)方法中,各图像中的点根据2个图像间的统计相似性(互信息)来识别,并建立关联。
为了对2个图像进行位置对准,也可以将一个图像保持恒定,另一图像则按照由位置对准类型规定的参数集(例如,在刚体位置对准中,合适的维数中的旋转参数以及平行移动参数)进行变换。接着,判定结果得到的这2个图像间的相似性测度。由此,根据这些参数规定对于相似性测度的目标函数。接着,目标函数例如使用梯度下降方法、爬山算法、或者鲍威尔优化等优化函数进行优化,实现将2个图像建立关系的最优的变换。
为了与第1图像进行位置对准,并取得具有共同的坐标系变换图像,将该最优的变换用于第2图像。
位置对准能够手动地(例如,通过手动选择各图像上的相互对应的点)、半自动地、或者自动地实施。目前,在大多数的医用摄影系统中,与以前相比较,位置对准被更大地自动化。
位置对准不一定常常成功地进行,或者也不一定总是能够进行。以下,说明2个图像数据集的位置对准的尝试中的位置对准失败的2个例子。
在第1失败例中,虽然出现图像数据的2个集的良好的位置对准,但位置对准算法不能找出该良好的位置对准。在该例子中,希望通过改良位置对准算法,来提高成功进行的可能性。
在第2失败例中,由于在所输入的数据集彼此之间不存在重叠,因此,不能进行2个图像数据集的良好位置对准。例如,位置对准算法想要尝试位置对准的2个数据集表示头部以及脚部等身体的完全不同的部位的图像。在该例子中,通过任何算法,都不能实现良好的位置对准。当某一算法要求找出针对不能位置对准的图像对的位置对准时,该情况有时被称为失策(blunder)。
当图像对的位置对准失败时,用户有时寻求使用代替的位置对准方法,或者,有时想要确定错误地选择位置对准对象的图像对的情况。从而,需要能够通过执行位置对准算法的系统检测失败。目前,大多数的位置对准算法将能够进行位置对准作为前提,通常接受位置对准结果。即,不会自动地检测出包含失策的位置对准失败。
位置对准算法例如也可以通过与由临床专家提供的信息等准确的信息进行比较等,通过与正确数据(ground truth)进行比较来评价。另外,知道有如下技术:不使用正确数据,使用多个不同的算法考虑体积的集间的所有的位置对准的组合,并对其结果进行统计组合,来评价位置对准算法。为了使该过程变得最有效,多个数据集以及多个位置对准算法与大量的统计处理一起使用。该过程用于位置对准算法的离线评价。
以下,将实施方式作为非限定的例子进行说明,在以下的附图中示出。
发明内容
目的在于,提供一种能够在多个医用图像的位置对准中,判定位置对准的程度的医用图像处理装置、以及医用图像匹配性判定方法。
根据本实施方式所涉及的医用图像处理装置,具备:位置对准单元,实施和第1图像数据集与第2图像数据集之间的位置对准相关的第1位置对准、以及和所述第1图像数据集与所述第2图像数据集之间的不同于所述第1位置对准的位置对准相关的第2位置对准;位置对准判定单元,根据基于所述第1位置对准与所述第2位置对准的位置对准之差,判定所述第1图像数据集与所述第2图像数据集之间的位置对准的程度。
根据本实施方式,能够提供一种在多个医用图像的位置对准中,能够判定位置对准的程度的医用图像处理装置、以及医用图像匹配性判定方法。
附图说明
图1是基于一个实施方式的图像处理系统的概略图。
图2是大致示出图1的实施方式的动作的流程图。
图3是示出能够进行位置对准的2个图像和作为它们的位置对准的结果而得到的被位置对准了的图像的图。
图4是示出不能位置对准的2个图像的图。
图5a是原型实现下的正常的位置对准的程度的直方图。
图5b是原型实现下的异常的位置对准的程度的直方图。
符号说明
2…处理装置、4…CT扫描仪、6…显示器画面、8…输入设备、10…存储器单元、12…CPU(中央运算处理单元)、14…位置对准单元、16…匹配性判定单元。
具体实施方式
几个实施方式提供一种医用图像处理装置,该医用图像处理装置具备:位置对准单元,构成为实施第1图像数据集与第2数据集之间的第1位置对准以及第1图像数据集与第2数据集之间的第2位置对准;匹配性判定单元,构成为判定第1位置对准与第2位置对准之间的差,根据第1位置对准与第2位置对准之间的差,判定第1图像数据集与第2数据集之间的匹配性测度(程度)。
在图1中,概略地示出构成为判定2个数据集间的匹配性程度的基于第1实施方式的医用图像处理装置。在该第1实施方式中,各数据集具备CT数据。在代替的实施方式,这些数据集的一个或者两者具备任意的合适的医用图像数据,该情况下的医用包含兽医用。在另一个实施方式中,第1数据集具备医用图像数据,第2数据集具备例如与标准位置对准图像或者位置对准参数集相关的数据等的合成数据、平均数据、或者计算机生成数据。例如,匹配性程度也可以在医用图像数据集与来自人体的解剖图谱的数据集之间进行判定。
本医用图像处理装置在该例子中具备作为个人计算机(PC)或者工作站的处理装置2,该处理装置2与CT扫描仪4、显示器画面6、计算机键盘以及鼠标等输入设备或者多个输入设备8连接。在该实施方式中,CT扫描仪例如是Toshiba Aquilion(注册商标)系列的CT扫描仪中之一。作为代替,CT扫描仪也可以是构成为取得三维图像数据的任意的CT扫描仪。在代替的实施方式中,CT扫描仪例如通过MRI扫描仪等、辅助其他的摄影方式的扫描仪来置换或者补充。
在该实施方式中,由CT扫描仪得到的图像数据集存储于存储器单元10,之后,供给至处理单元2。在代替的一个实施方式中,图像数据集由能够形成图像保管通信系统(Picture Archiving andCommunication:PACS)的一部分的远程数据蓄积部(未图示)来供给。存储器单元10以及远程数据蓄积部也可以具备任意的合适的方式的存储装置。
处理装置2提供用于自动地或者半自动地对图像数据集进行处理的处理装置。处理装置2具备中央运算处理单元(CPU)12,所述中央运算处理单元(CPU)12能够进行作动,加载以及执行构成为实施将图2作为参照而在以下说明的方法的各种软件模块或者其他的软件构成要素。
该处理装置2具备用于实施数据集的位置对准的位置对准单元14和用于判定数据集间的匹配性程度的匹配性判定单元16。在该实施方式中,位置对准单元14以及匹配性判定单元16分别通过具有能够执行以实施本实施方式的方法的计算机可读命令的计算机程序(医用图像匹配性判定程序),安装在处理单元2内。但是,在其他的实施方式中,各单元也可以在软件、硬件、或者硬件以及软件的任意的合适的组合中安装。在几个实施方式中,各个单元也可以作为1个或者多个ASIC(特定用途集成电路)来安装。
另外,处理装置2具备硬盘驱动器和包含具有RAM、ROM、数据总线、各种设备驱动器的作动系统、以及包含显卡的硬件设备的、PC的其他的构成要素。为了清晰化,这些构成要素在图1中没有图示出。
图1的系统构成为:实施具有在图2的流程图中概略地图示的那样的一系列的阶段的过程。
在第1阶段30中,处理装置2从存储器单元10收到第1图像数据集A和第2图像数据集B。在本实施方式中,A具备从最近被摄影的患者的CT扫描得到的图像数据集,B具备从以前被摄影的同一患者的CT扫描得到的图像数据集。各图像数据集分别具有固有的坐标系,距离在患者空间(以毫米来测定)内被规定。
在第2阶段32中,位置对准单元14使用位置对准算法在A与B之间实施2个位置对准。在该实施方式中,位置对准算法具备鲍威尔优化和互信息相似性程度。
位置对准单元14实施第2位置对准,该第2位置对准关联于和第1图像数据集与第2图像数据集之间的位置对准相关的第1位置对准、以及和第1图像数据集与第2图像数据集之间的第1位置对准不同的位置对准相关。
具体而言,位置对准单元14实施将第1图像数据集A位置对准于第2图像数据集B的第1位置对准。位置对准单元14根据该第1位置对准,导出将A坐标系中的点与B坐标系中的对应的点建立关系的第1变换TBA。在此,相互对应的点表示与根据互信息程度判定的点相同的特征部。在该流程图中,变换TBA图示为旋转,但TBA也可以具备平行移动或者放大缩小(均等缩放)、或者平行移动、旋转、以及放大缩小的任意的组合。
另外,位置对准单元14实施将第2图像数据集B位置对准于第1图像数据集A的第2位置对准。位置对准单元14根据第2位置对准,导出具备平行移动、旋转、以及放大缩小的任意的组合的第2变换TAB。在代替的一个实施方式中,TBA以及TAB分别具备刚体变换。在另一个实施方式中,TBA以及TAB分别具备仿射变换。
在该实施方式中,所使用的位置对准算法不是对称算法。第2变换TAB(从B向A的位置对准)不是第1变换TBA(从A向B的位置对准)的逆运算。从而,第1位置对准以及第2位置对准在大多数的例子中,可以预料到在2个图像数据集间实现有些不同的点的位置对准。
在追加的一个实施方式中,TAB以及TBA也可以通过进行组合,实现具有可能比原来的位置对准算法高的精度的、插入了位置对准失败的检测的对称位置对准算法。
在下一阶段34中,匹配性判定单元16通过由矩阵乘法对第1变换TBA以及第2变换TAB进行组合,来生成往返矩阵TABA。TAB没有被制约为TBA的逆运算,因此,TABA当然不是单位矩阵。TABA如以下详述的那样,用于导出第1位置对准与第2位置对准之间的差的程度。当该差小时,TABA与单位变换接近。
在阶段36中,匹配性判定单元16在A坐标系内选择点集。在该实施方式中,所选择的点是A坐标系内的立方体的8个角。该立方体具有20mm的棱长(立方体的一边的长度=20mm),立方体的中心成为按照A坐标系由第1图像数据集A表示的、在该例子中作为体积的区域的中心。在该例子中,立方体不是已经存在于第1图像数据集A中的构造体或者与特征部建立关系的构造体,而为了判定匹配性程度来构筑。
关于立方体的各点v,匹配性判定单元16使用往返矩阵v’=TABAv,从而实施具备变换后的点v’的计算的变换过程。接着,匹配性判定单元16关于8个选择出的各点以毫米来计算v与v’之间的欧几里得距离。
在阶段38中,匹配性判定单元16计算8个欧几里得距离的平均。即,距离为第1位置对准与第2位置对准之间的差的程度。在这些位置对准非常相似的情况下,平均距离变小。在这些位置对准之间存在显著的差异时,平均距离变得更大。
在阶段40中,匹配性判定单元16通过将平均距离对于阈值进行比较,从而判定第1图像数据集A与第2图像数据集B之间的匹配性程度。在平均距离是25mm以下的情况下,被视为位置对准正常(匹配性程度等于1)。在平均距离超过25mm的情况下,被视为位置对准异常(匹配性程度等于0)。
即,匹配性判定单元16根据基于第1位置对准与第2位置对准的位置对准的差,来判定第1图像数据集与第2图像数据集之间的匹配性程度。
在代替的实施方式中,代替上述的那样的平均距离,计算代替的距离。在几个实施方式中,该距离是单一点的移动距离、点间的加权平均距离、8个(或者其他的个数)的距间隔的标准偏差、8个(或者其他的个数)的距离的方差、或者任意的其他的合适的程度。在其他的实施方式中,2个位置对准间的差的程度不是距离。这些距离或者程度均可以具有为了判定匹配性程度而应用的阈值。
任意的合适的个数的选择点能够在各种实施方式中使用。例如,在几个实施方式中,使用3~10个、或者3~50个、或者3~100个选择点。
在其他的实施方式中,匹配性程度是二进制值以外的概率水平或者可信度。在一个实施方式中,如上述那样计算出的平均距离用于判定作为零平均距离相当于100%的位置对准概率的概率值的匹配性程度。
阶段40是流程图内的判定阶段。当匹配性程度是1(正常的位置对准)时,下一阶段为阶段42。在阶段42中,接受(采用)该位置对准。第2图像数据集B使用第2变换TAB来变换。来自第1图像数据集的图像以及来自变换了的第2图像数据集的图像均以被位置对准了的形态显示在显示器画面6上。
当匹配性程度是0(异常的位置对准)时,阶段40之后的下一阶段为阶段44。在阶段44中,否认(不采用)位置对准。通过显示器画面6上的信息将失败通知给用户。来自第1图像数据集A的图像以及来自第2图像数据集B的图像在没有尝试位置对准的原来的形态下显示给用户。接着,用户例如判断系统是否想要对在数据内不存在重叠的2个图像数据集A以及B进行位置对准。在该例子中,用户能够使用不同的对的初始图像数据集再次开始图2的过程。作为替代,在用户能够看到所显示的图像是能够进行位置对准的图像的情况下,用户能够尝试A以及B的手动位置对准。在几个实施方式中,在通过匹配性判定单元16否认位置对准的情况下,位置对准单元14自动向代替的位置对准方法返回。
从而,在一个实施方式中,2个位置对准间的差通过计算平均距离来测定。该平均距离用于判定匹配性程度。匹配性程度用于接受(采用)或者否认(不采用)将同一研究的现在的被检体与以前的被检体的比较作为目的的自动位置对准。
图3以及图4图示出能够进行位置对准的图像以及不能进行位置对准的图像。图3以及图4的图像是MR图像,但即使对于CT图像、以及对于基于任意的其他的合适方式的图像也符合同样的考察。
图3图示出能够进行位置对准的2个图像50以及52、和为了进行比较而将图像50以及图像52位置对准的、位置对准了的视图54。可以预料到:与图像50相关的图像数据集以及与图像52相关的图像数据集的第1位置对准以及第2位置对准将作为结果带来这些位置对准间的小的差、远远低于25mm的平均距离、以及1个匹配性程度。
图4图示出由于在图像数据中完全不存在重叠,因此不能进行位置对准的2个图像60以及62。图像60是脚的图像,图像62是头部的图像。在2个图像数据集是与身体的非重叠部位相关的数据集的情况下,通常通过第1图像数据集的位置对第2图像数据集的位置对准,产生与第2图像数据集对第1图像数据集的位置对准大大不同的结果,这是由于这两个结果是假的(错误的)。从而,可以预料到:在该情形中,在2个位置对准间存在大的差异,平均距离超过25mm,匹配性程度成为0。
本实施方式的过程也可以用于评价所导入的系统位置对准结果。本过程能够在与存在对应的位置对准算法的任意的二维医用图像数据或者三维医用图像数据的关联中使用。在一个实施方式中,存在在显示了位置对准的体积彼此之间直接实施的比较协议。在发生了失败事例的情况下,系统自动向手动位置对准返回。
一般而言,位置对准是使用某一相似性程度的优化问题。该相似性程度的最终值大概能够用于评价匹配性程度。但是,相似性程度的最终值可能根据噪声、形态、序列(例如MR)、以及多个其他的因素大幅度地发生变动。在通过与手动生成的正确数据进行比较来判断的情况下,在最终相似性值与最终位置对准质量之间有时不存在良好的相关性,但上述中导出的距离或者匹配性程度在与位置对准质量之间实际上具有高的相关性。
在原型实现中,在图2中示出概要的方法为了对医用图像数据集进行位置对准而在位置对准系统中实施。接着,通过另一种方法关于已经判定了匹配性的试验数据进行试验。在该以前的匹配性判定中,临床专家在各对图像数据集上确定多个对应的点(正确数据点)。测定位置对准后的这些相互对应的点彼此之间的平均距离。实施对于这些正确数据点的刚体变换的最小二乘法拟合,找出存在能够实现刚体位置对准的可能性的最小距离。在该测定的距离是最小的5mm的范围内的情况下,视为位置对准正常。在这以外的情况下,视为位置对准失败。在与图5的直方图相关的说明中,该测定的距离被称为误差,不足5mm的误差表示正常的位置对准。图5a表示与在以前的匹配性判定中判定为正常(<5mm)的图像数据集的对相关的结果。图5b表示与在以前的匹配性判定中判定为失败(>5mm或者没有位置对准)的图像数据集的对相关的结果。
试验数据具备:
·由两图像数据集具备MR数据的53个正常例、以及第1图像数据集是CT数据,第2图像数据集是MR数据的2个正常例构成的55个正常例;
·由第1图像数据集是CT数据,第2图像数据集是MR数据的17个失败例、两图像数据集具备MR数据的1个失败例、以及两图像数据集具备MR数据但在这2个数据集间不存在重叠的19个失败例构成的37个失败例。
在该原型执行中,通过图2的过程,使用25mm的阈值,准确地识别了37个失败例中的36个和55个正常例中的54个。
图5a是与正常例相关的结果的直方图。直方图的区间(bin)(区域)表示往返变换下的选择点的平均距离。各条的高度是对应的区间内所包含的例子的个数,例子的总数归一化为1。在该原型执行中,55个例子中的54个包含于往返变换下的平均距离不足25mm的第1直方图区间,表示正常的位置对准。1个例子表示由于错误导致的失败。在该例子中,数据包含噪声,位置对准算法找出不准确的局部最优。
图5b是与失败例相关的结果的直方图。区间也是平均距离,各条的高度表示该区间内的例子的个数。失败例的总数归一化为1。往返变换下的平均距离的值表示在各位置对准的结果实质上是假的情况下所预想的、相当大的误差。37个试验例中的36个包含于表示往返变换下的超过25mm的平均距离的区间内。1个例子表示由于错误造成的正常,但在该例子中,2个位置对准间的差小。这是意外的情况。
在上述以及该原型中执行的第1实施方式中,在2个图像数据集间实施2个位置对准,第1位置对准是从第1图像数据集向第2图像数据集的位置对准,第2位置对准是从第2图像数据集向第1图像数据集的位置对准。虽然使用同一位置对准算法,但是在分别不同的方向使用。在能够对图像数据集进行位置对准的位置对准中,存在小的差异,在不能对图像数据集进行位置对准的位置对准中,存在大的差异。
能够构筑具有如下的同样的特性的多个其他的位置对准对:在能够对2个图像数据集进行位置对准的情况下,第1位置对准与第2位置对准之间的差小,在不能对2个图像数据集进行位置对准的情况下,第1位置对准与第2位置对准之间的差大。关于这些对的各个对,用于第2位置对准的位置对准步骤也可以视为用于第1位置对准的位置对准步骤的一个变形或者一个摄动。在上述的例子中,该变形具备在反方向上的位置对准的实施。代替的小变形也可以具备:使对于在位置对准步骤之一中使用的位置对准算法的变更比对于在位置对准步骤中的其他的步骤中使用的位置对准算法的变更小的步骤、变更位置对准算法的初始条件的步骤、对于图像数据集的一个或者两个进行小的变更的步骤或者进行具有所希望的特性的任意的其他的变更的步骤。在各例子中,关于所使用的基本位置对准算法,用于第1位置对准的算法与用于第2位置对准的算法也可以相同,对于该实施而进行变更。位置对准算法能够包含多个固定参数。在几个实施方式中,算法的变形具备固定参数的个数或者值的变更。
位置对准算法为了进行优化而具备多个参数。例如,针对第1实施方式的位置对准算法,这些参数具备与3个正交轴的各个轴相关的旋转参数、平行移动参数、以及放大缩小(均等缩放)参数。另外,位置对准算法具备不具有物理含义但支配算法的性能的变量。它们也可以具备调整参数、常数、初始设定、以及其他的变量。对这些变量进行调整,以使得在该算法的展开中,实现稳定的算法性能。对这些变量进行调整,以使得针对2个能够进行位置对准的图像数据集等的良好的输入数据,通过变更少量的调整参数,实质上实现同样的位置对准,在相似性程度的最终的优化值中不会带来大量的变化。
在关于所提供的图像对完成了良好的位置对准的情况下,可以预料到:通过第2位置对准的方法是第1位置对准的方法的小变形的位置对准对,得到关于相似性程度具有全局的最优值的、大致相同的位置对准。与其相反,在不存在良好的位置对准的情况下,小变形有可能带来具有假的局部最优的实质上不同的位置对准。
在一个实施方式中,第1位置对准方法与第2位置对准方法之间的差异在于,位置对准算法中的调整参数在第1位置对准与第2位置对准之间变更了5%这一点。
在另一个实施方式中,位置对准算法需要用于设定位置对准的初始开始点。第1位置对准方法与第2位置对准方法之间的不同在于,用于第2位置对准的开始点对于用于第1位置对准的开始点移动了5mm这一点。
在另一个实施方式中,位置对准算法通过随机提取来计算。在该例子中,为了使算法开始而需要随机数。虽然实施了2个位置对准,但为了开始第2位置对准而使用的随机数与为了开始第1位置对准而使用的随机数不同。
在另一个实施方式中,与用于第2位置对准的位置对准算法相同的算法被用于第1位置对准。但是,当实施第2位置对准时,噪声分量被加入到第2图像数据集。
在这些实施方式的各个实施方式中,第2位置对准在与第1位置对准相同的方向实施,分别针对第1位置对准以及第2位置对准,将第1图像数据集位置对准于第2图像数据集。再次通过从第1位置对准导出第1变换,以及从第2位置对准导出第2变换,并对这些变换进行组合形成往返变换,来测定这些位置对准间的差。但是,在该例子中,该步骤也可以不通过如第1实施方式那样地乘以2个变换,而是通过以第2变换的倒数乘以第1变换来实现。
结果得到的往返变换具有与在上述的图1以及图2的实施方式中说明的往返变换相同的特征。在第1位置对准与第2位置对准之间的差小的情况下,往返变换为与单位变换接近的变换。
在实现了往返变换之后,以与在第1实施方式中详述的阶段相同的方式使用图2的在前的阶段36。选择8个点,分别对于8个点使用往返变换,以得到作为位置对准间的差的程度的平均距离。接着,为了判定匹配性程度而使用阈值。
在其他的实施方式中,在第1图像数据集与第2图像数据集之间实施3个以上的位置对准。也可以使用任意的合适的小变形。在一个实施方式中,位置对准单元14在第1图像数据集与第2图像数据集之间,使用同一位置对准算法,但是,针对5个位置对准分别使用不同的随机数,来实施5个位置对准。位置对准单元14针对5个位置对准分别导出各自的变换。所选择的点集分别使用所导出的变换来变换。匹配性判定单元16计算结果得到的点彼此之间的标准偏差。匹配性判定单元16根据计算出的标准偏差判定匹配性程度。
在上述的以及图2所图示的方法的阶段36中,匹配性判定单元16选择接受往返变换的点集。在第1实施方式中,所选择的点是在第1图像数据集A的坐标系的中心的周围构筑的立方体的角。但是,在原则上,也可以选择坐标系内的任意的点集。优选的是,点应该位于位置对准中心附近。在该情况下,位置对准中心是在第1图像与第2图像的两者中成为特征的区域的中心。另外,希望这些点应该位于临床上最重要的图像的部分的附近。这是由于该部分是需要最好的位置对准的位置。这些特征均不能由图像数据集预见地知道。但是,第1图像数据集的中心有可能接近位置对准中心和临床上最重要的部位这两者。这是由于通常各图像被进行帧设定,以使得临床上最重要的特征部到达中心。从而,优选在阶段36中选择位于A坐标系的中心的周围的点。
例如,也可以以所有的选择点与坐标系的边缘部相比,位于图像的坐标系的中心近的方式来选择点。针对各选择点、以及针对坐标系的边缘部上的各点,从坐标系的中心到选择点的距离小于从坐标系的中心到坐标系的边缘部上的点的距离的50%。
选择图像的中心附近的点的另一优点在于,这些点是几乎没有受到旋转造成的影响的点。在图像以该中心作为中心旋转的情况下,位于图像的边缘部的点接受比位于图像的中心的点大的毫米位移量。通过选择位于图像的中心附近的点,从而有可能将计算出的变换下的点的移动抑制在最小限度。
点也可以以几何学构成来选择,或者,也可以使用随机点选择。在该第1实施方式中,选择立方体的角。这是由于立方体的面因为由同一长度构成并处于正交关系从而对于3个轴各自的变化能够得到均等的灵敏度。作为替代,也可以选择点格,优选地,这些点分别沿着3个正交方向实质上均等地间隔。通过同样的考察,也符合于能够选择正方形或者其他的几何学形图形或者格子上的点的2D图像。点优选在坐标系的中心的周围实质上对称地分布,由此,在各种方向上能够得到均等的灵敏度。
上述的第1实施方式针对1对图像数据集的位置对准进行了说明。以下的实施方式针对多对的图像数据集的位置对准进行说明。
在一个实施方式中,扫描仪是MRI扫描仪。从存储器单元10调出多个第1图像数据集(由A1、A2、A3等表示)以及多个第2图像数据集(由B1、B2、B3等表示)。知道在多个第1图像数据集以及对应的多个第2图像数据集中的几个或者全部之间存在对应关系,但不知道哪些数据集彼此存在关系。图2的过程的一个变形用于选择对哪一对或者哪些多对的图像数据集进行位置对准。
在阶段30中,处理装置2例如从多个第1图像数据集接受A1等第1图像数据集,例如从多个第2图像数据集接受B3等第2图像数据集。在阶段32中,位置对准单元14实施第1位置对准和第2位置对准。第2位置对准的方法以上述那样的小变形的量,与第1位置对准的方法不同。位置对准单元14生成第1变换(例如,TB3A1)和第2变换(例如,TA1B3)。
在阶段34中,匹配性判定单元16将这些变换组合到往返变换(TA1B3A1)。对于作为在该例子中位于第1图像数据集的坐标系的中心的立方形的角的、所选择的点集,使用该往返变换(阶段36)。接着,在阶段38中,匹配性判定单元16在往返变换下计算选择点所移动的平均距离。该平均距离存储于存储器。
接着,处理装置2使用从多个第1图像数据集中选择出的第3图像数据集以及从多个第2图像数据集中选择出的第4图像数据集的对,在阶段30至阶段38重复该过程。对于所有的可能的对重复该过程,直到针对可能的各对计算出平均距离。
接着,匹配性判定单元16为了判定哪一图像集对是最有可能位置对准的对,使用平均距离作为匹配性程度。与对相关的匹配性程度的数值和与该对相关的平均距离相等。针对该匹配性程度,匹配性程度的值越低,则表示越良好的位置对准(通过往返变换结果得到的更低的平均距离)。
如以下那样根据匹配性程度将对进行分类(划分)。各可能的对与在上述中判定的那样的建立了关联的匹配性程度一起列出。具有最低的匹配性程度的对被视为最有可能位置对准的对。例如,这也可以是A2以及B1。在该例子中,接受(采用)A2以及B1的位置对准。B1通过使用变换TB1A2进行变换,来将变换了的B1位置对准于A2。伴随着B1或者A2的所有的其他的对被从列表中去除。
接着,将各剩余的对和建立了关联的匹配性程度一起列出,接着,判定最有可能位置对准的对。在一个实施方式中,继续该过程,直到所有的图像数据集都成对。在另一个实施方式中,继续进行对选择,直到剩余的最有可能位置对准的对在该实施方式中具有超过作为超过25mm的平均距离的阈值的匹配性程度。在该时间点,停止对选择过程,任意的剩余的图像没有形成对而原样地剩余。
在图像数据集间的对应关系不明,多个图像数据集各自不具有共同的坐标系或者参照系的情况下,在需要多个图像数据集成为根据各可能的对之间的位置对准质量而建立了关联的对的任意的情况下,能够使用上述的对选择方法。
在另一个实施方式中,从存储器单元10调出多个第1图像数据集(A1、A2、A3等)以及多个第2图像数据集(B1、B2、B3等)。多个第1图像数据集作为第1MRI扫描的一部分来取得,具备共有第1整体坐标系的各种图像数据集。这些各种图像数据集也可以是表示身体的各种部位的数据集。
多个第2图像数据集作为第2MRI扫描的一部分来取得,具备共有第2整体坐标系的各种图像数据集。并不限定于在2个多个图像数据集中在身体区域彼此之间一定存在1对1的对应关系。
在代替的实施方式,图像数据集是来自CT扫描或者任意的其他的合适的三维扫描的数据集,或者某些多个数据集由图谱取得。
为了在被称为参照系的这2个坐标系间进行位置对准,在事先处理环境中使用该实施方式。各坐标系具有由多个数据集表示的多个图像体积。
由于他们共有共同的整体坐标系,因此,A1、A2、A3等之间的空间关系是已知的。同样地,B1、B2、B3等之间的空间关系也是已知的。在该例子中,为了对所有的扫描进行位置对准,只不过需要在从多个第1图像数据集中选择的第1图像数据集与从多个第2图像数据集中选择的第2图像数据集之间具有1个良好的位置对准。不一定需要实施图像间的所有的位置对准。从而,进行以下的步骤。
从多个第1图像数据集中选择具备m个图像数据集的第1子集,从多个第2图像数据集中还选择具备m个图像数据集的第2子集。在一个例子中,m=3,从各多个图像数据集中选择3个图像数据集。该选择可以是随机的选择,或者也可以是基于某一合适的发现的方法的选择。例如,所选择的图像数据集也可以是具有最大体积的数据集。
在阶段30中,处理装置2从第1子集接受例如作为A1的第1图像数据集,从第2子集接受例如作为B3的第2图像数据集。在阶段32中,位置对准单元14实施第1位置对准和第2位置对准,生成第1变换(TB3A1)和第2变换(TA1B3)。在阶段34中,匹配性判定单元16将这些变换组合到往返变换(TA1B3A1)。对于所选择的点集使用该往返变换(阶段36)。在该例子中,要留意所选择的点集具备第1图像数据集的坐标系的中心的立方体的角的点,而不是全局坐标系的中心。在阶段38中,匹配性判定单元16计算在往返变换下选择点所移动的平均距离。变换以及平均距离存储于存储器。
接着,处理装置2使用从第1子集中选择的图像数据集以及从第2子集选择的图像数据集的另一对,从阶段30到阶段38重复该过程。对子集内所有的可能的对重复该过程,直到针对可能的各对计算出变换以及平均距离。
例如,关于各子集,在m=3的情况下,合计存在18个变换(对于9个可能的各对,存在第1变换以及第2变换)和9个平均距离(对于各可能的对存在1个)。
接着,匹配性判定单元16以子集中的变换的各对具有良好的匹配性的方式,寻找具有最小尺寸k(例如,k=3,由3个变换构成的子集)的变换集的子集。该子集或者子集平均应该带来所有的扫描的良好的位置对准。
在相同的2个扫描彼此之间的变换中不一定需要限定这些对。例如,通过A1与A2之间共有的全局坐标系以及B2与B3之间共有的全局坐标系,使用TA1B3以及TB2A2依然能够得到有效的往返变换。
在不存在子集内的所有的变换对都具有良好的匹配性的尺寸k的变换集的子集的情况下,以更大的值m(更多的所选择的扫描集)重复该过程,直到存在所有的变换对都具有良好的匹配性的尺寸k的变换集的子集。通过增加m(图像数据集的个数),从而存在所有的变换对具有良好的匹配性的尺寸k的变换集的子集的可能性变得更高。但是,通过使m增加,所需时间也会增加。
稳健(坚韧)性能够通过调整尺寸k和用于良好的匹配性的阈值,以速度作为交换来获得。例如,在以k=3得到偶然的不准确的结果的情况下,接着,也可以将k增加到4。为了找出正常的结果,将需要更长的时间,但产生不准确的结果的可能性变得更低。
在该实施方式的一个例子中,图像数据集表示CT胴部扫描。CT研究一般包含全身扫描(从头到下腹部),使用专用重组内核来分开肺扫描和腹部扫描,这很常见。3个扫描全部同时进行,从而具有同一全局坐标系。同一患者的追踪研究也可以包含腹部的2个以上的扫描,但完全不包含肺的扫描。虽然能够实施多个位置对准,但所需要的全部是能够用于将第1扫描中的全部图像与第2扫描的全部图像建立关系的单一的变换。
在另一个实施方式中,处理装置2再次从存储器单元10接受在第1MRI扫描中摄影得到的多个第1图像数据集和在第2MRI扫描中摄影得到的多个第2图像数据集。多个图像数据集的各个再次具备与身体的不同的部位相关的图像数据集,多个图像数据集的各个再次具备全局坐标系。
来自第1扫描的所有的图像数据集共有第1全局坐标系,来自第2扫描的所有的图像数据集共有第2全局坐标系,因此,能够预料到:能够通过多个第1图像数据集所包含的图像数据集与多个第2图像数据集所包含的图像数据集之间的正常的位置对准来实现同样的变换。例如,将第1头部扫描与第2头部扫描建立关系的变换和将第1胴部扫描与第2胴部扫描建立关系的变换相同。
在该实施方式中,从第1MRI扫描取得的图像数据集以及从第2MRI扫描取得的图像数据集通过上述的匹配方法,或者例如通过图像对的手动选择等任意的其他的方法的任一个,作为对来建立关联,并进行位置对准。关于各对,匹配性判定单元16判定匹配性程度。该匹配性程度可以是与上述相同的平均距离,或者是任意的合适的匹配性程度。
实际上,判明了某几个位置对准比其他的位置对准更好。例如,良好的位置对准在与头部相关的图像数据集之间实现,但与胴部图像相关的图像数据集间的位置对准则为更低质量的位置对准。这可能相当于例如在胴部图像的一个或者两个中包含噪声的情况等。另外,根据经验性实例得知,更多的图像数据集具有实现良好的位置对准的更高的可能性。
位置对准质量能够通过将匹配性程度进行比较或者阈值化处理,或者通过任意的其他的方法来进行评价。更低质量的位置对准不一定是异常的位置对准。例如,头部位置对准具有不足1mm的平均距离,胴部位置对准具有15mm的平均距离。它们都不足25mm的阈值,但很明显,胴部位置对准比头部位置对准质量低。
在该例子中,由良好的位置对准得到的变换能够用于对具有更低质量的位置对准的对的图像中之一进行变换,与在这些图像间的原来的位置对准中实现的位置对准相比,更好地进行这些图像的位置对准。
这例如在MR图像等中、图像有可能包含噪声的情况下特别有益。包含噪声的图像也可以使用从噪声少的图像、或者从包含能够更容易地识别的特征部的图像中导出的位置对准来变换。但是,也可以针对使用被预料到在不同的图像对之间能够同样地得到位置对准的2个多个图像数据集的任意的情况而使用该方法。
任意的合适的图像数据也可以通过代替的实施方式进行位置对准,该数据并不限定于CT数据或者MRI数据。例如,也可以将基于正电子放射断层摄影(Positron Emission Tomography:PET)或者单光子发射计算机断层摄影(Single-Photon Emission ComputedTomography:SPECT)的扫描进行位置对准。一般将PET或者SPECT对于CT或者MR进行位置对准。但是,还能够进行PET-PET间或者SPECT-SPECT间的位置对准,但不是一般的情况。
本领域的技术人员应该理解,实施方式是通过具有能够执行以实施该实施方式的方法的计算机可读命令的计算机程序(医用图像匹配性判定程序)来安装某一功能性的。计算机程序功能性也可以(例如,通过CPU)安装在硬件中。但是,这些实施方式也可以通过1个或者多个ASIC(特定用途集成电路),或者通过硬件以及软件的混合来安装。
在本说明书中,说明了特定的单元,但在代替的实施方式中,这些单元中的1个或者多个功能性能够通过单一的单元、处理源或者其他的构成要素来实现,或者由单一的单元实现的功能性可以通过2个以上的单元或者其他的构成要素的组合来实现。不管实现该单元的功能性的多个构成要素是否相互分离,对单一的单元的论述都包含该构成要素,对多个单元的论述都包含实现这些单元的功能性的单一的构成要素。
另外,本发明并不限定于上述实施方式,在实施阶段,在不脱离发明的要旨的范围内,能够对构成要素进行变形并具体化。另外,能够通过适当地组合在上述实施方式中公开的多个构成要素来形成各种发明。例如,也可以从实施方式所示的全部构成要素中删除几个构成要素。另外,也可以适当地组合不同的实施方式所涉及的构成要素。
Claims (23)
1.一种医用图像处理装置,其特征在于,具备:
位置对准单元,实施和第1图像数据集与第2图像数据集之间的位置对准相关的第1位置对准、以及和所述第1图像数据集与所述第2图像数据集之间的不同于所述第1位置对准的位置对准相关的第2位置对准;以及
匹配性判定单元,根据基于所述第1位置对准与所述第2位置对准的位置对准的差,判定所述第1图像数据集与所述第2图像数据集之间的匹配性程度。
2.根据权利要求1所述的医用图像处理装置,其特征在于,
所述匹配性判定单元根据所述匹配性程度,接受或者否认所述第1位置对准与所述第2位置对准中的至少一个。
3.根据权利要求2所述的医用图像处理装置,其特征在于,
所述否认具备向代替的位置对准方法的自动转换。
4.根据权利要求1所述的医用图像处理装置,其特征在于,
所述位置对准单元从所述第1位置对准导出第1变换,从所述第2位置对准导出第2变换,
所述匹配性判定单元使用所述第1变换以及所述第2变换来计算所述第1位置对准与所述第2位置对准之间的所述差。
5.根据权利要求4所述的医用图像处理装置,其特征在于,
所述匹配性判定单元使用组合了所述第1变换与所述第2变换的往返变换来计算所述差。
6.根据权利要求1所述的医用图像处理装置,其特征在于,
所述匹配性判定单元计算表示所述第1位置对准与所述第2位置对准之间的所述差的距离,根据所述距离判定所述匹配性程度。
7.根据权利要求6所述的医用图像处理装置,其特征在于,
作为所述距离,所述匹配性判定单元通过应用了从所述第1位置对准以及所述第2位置对准导出的至少1个变换的变换过程,来计算至少1个点的变换前和后的所述点的位置间的距离。
8.根据权利要求6所述的医用图像处理装置,其特征在于,
所述匹配性判定单元通过应用了从所述第1位置对准以及所述第2位置对准导出的至少1个变换的变换过程,计算多个点的变换前和后的所述点的位置间的距离的平均作为所述距离。
9.根据权利要求6所述的医用图像处理装置,其特征在于,
所述匹配性判定单元根据所述距离与阈值的比较来判定所述匹配性程度。
10.根据权利要求1所述的医用图像处理装置,其特征在于,
所述第1位置对准具备从所述第1图像数据集向所述第2图像数据集的位置对准,
所述第2位置对准具备从所述第2图像数据集向所述第1图像数据集的位置对准。
11.根据权利要求1所述的医用图像处理装置,其特征在于,
所述位置对准单元使用第1位置对准步骤来实施所述第1位置对准,使用作为所述第1位置对准步骤的一个变形的第2位置对准步骤来实施所述第2位置对准。
12.根据权利要求11所述的医用图像处理装置,其特征在于,
关于在所述第2位置对准步骤中使用的位置对准算法和在所述第1位置对准步骤中使用的位置对准算法,至少1个位置对准算法参数的值、和位置对准算法参数的个数中的至少一个不同。
13.根据权利要求11所述的医用图像处理装置,其特征在于,
关于所述第1位置对准步骤和第2位置对准步骤,以下各项中的至少一个不同:
在所述第1位置对准与第2位置对准的一个、和所述第1位置对准与第2位置对准的另一个的比较中的初始条件的差;
所述第1图像数据集与所述第2图像数据集中的1个或者多个中的变更;
不同的随机数、
对至少1个图像数据集施加的噪声分量、
位置对准的开始点的不同的值。
14.根据权利要求1所述的医用图像处理装置,其特征在于,
所述位置对准单元在所述第1图像数据集与所述第2图像数据集之间至少实施3个位置对准,
所述匹配性判定单元根据所述3个位置对准间的差来判定所述匹配性程度。
15.根据权利要求1所述的医用图像处理装置,其特征在于,
所述匹配性判定单元通过对所选择的多个点的各个点应用所述第1位置对准和所述第2位置对准,来计算所述差。
16.根据权利要求15所述的医用图像处理装置,其特征在于,
所述所选择的多个点的分布是三维分布、和在3个正交方向中实质上均匀分布中的至少一个。
17.根据权利要求15所述的医用图像处理装置,其特征在于,
所述所选择的多个点在由所述第1图像数据集表示的区域、由所述第2图像数据集表示的区域、由所述第1图像数据集与所述第2图像数据集的两者表示的区域中的1个的中心的周围实质上对称地分布。
18.根据权利要求15所述的医用图像处理装置,其特征在于,
关于所述所选择的多个点的各个点,从所述所选择的点到由所述第1图像数据集表示的区域、由所述第2图像数据集表示的区域、以及由所述第1图像数据集与所述第2图像数据集的两者表示的区域中的1个的中心的距离不足所述中心与所述区域的边缘部之间的最短距离的50%。
19.根据权利要求1所述的医用图像处理装置,其特征在于,
所述位置对准单元关于多个第1图像数据集以及多个第2图像数据集,在所述多个第1图像数据集的各个第1图像数据集与所述多个第2图像数据集的各个第2图像数据集之间,实施第1位置对准和第2位置对准,
所述匹配性判定单元在所述多个第1图像数据集的各个第1图像数据集与所述多个第2图像数据集的各个第2图像数据集之间,判定所述匹配性程度,
根据所判定的所述匹配性程度,从所述多个第1图像数据集中选择第1图像数据集,以及从所述多个第2图像数据集中选择第2图像数据集。
20.根据权利要求1所述的医用图像处理装置,其特征在于,
所述位置对准单元从所述第1图像数据集与所述第2图像数据集之间的所述第1位置对准导出变换,
所导出的所述变换用于对第3图像数据集与第4图像数据集进行位置对准。
21.根据权利要求1所述的医用图像处理装置,其特征在于,
所述第1位置对准以及所述第2位置对准具备以下变换中的至少一个:
刚体变换、
包含旋转、平行移动、以及均等缩放分量的变换、
仿射变换、
非刚体变换。
22.根据权利要求1所述的医用图像处理装置,其特征在于,
所述第1图像数据集以及第2图像数据集分别具备医用图像数据集、CT数据、MR数据、PET数据、SPECT数据中的至少一个。
23.一种医用图像匹配性判定方法,用于在第1图像数据集与第2图像数据集之间判定匹配性程度,其特征在于,
实施和所述第1图像数据集与所述第2图像数据集之间的位置对准相关的第1位置对准,
实施和与所述第1图像数据集与所述第2图像数据集之间的不同于所述第1位置对准的位置对准相关的第2位置对准,
根据基于所述第1位置对准与所述第2位置对准的位置对准的差,在所述第1图像数据集与所述第2图像数据集之间判定所述匹配性程度。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/785,406 US9552533B2 (en) | 2013-03-05 | 2013-03-05 | Image registration apparatus and method |
US13/785,406 | 2013-03-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104036486A true CN104036486A (zh) | 2014-09-10 |
Family
ID=51467245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410076894.2A Pending CN104036486A (zh) | 2013-03-05 | 2014-03-05 | 医用图像处理装置、以及医用图像匹配性判定方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9552533B2 (zh) |
JP (1) | JP2014171867A (zh) |
CN (1) | CN104036486A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107493403A (zh) * | 2017-08-11 | 2017-12-19 | 宁波江丰生物信息技术有限公司 | 一种数字病理切片扫描系统 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10437157B2 (en) | 2014-12-09 | 2019-10-08 | Asml Netherlands B.V. | Method and apparatus for image analysis |
WO2016091536A1 (en) * | 2014-12-09 | 2016-06-16 | Asml Netherlands B.V. | Method and apparatus for image analysis |
GB2536274B (en) * | 2015-03-12 | 2019-10-16 | Mirada Medical Ltd | Method and apparatus for assessing image registration |
JP6385876B2 (ja) * | 2015-04-03 | 2018-09-05 | 国立大学法人 東京大学 | 情報統合方法及び装置及びシステム及びプログラム |
US9962134B2 (en) | 2015-10-28 | 2018-05-08 | Medtronic Navigation, Inc. | Apparatus and method for maintaining image quality while minimizing X-ray dosage of a patient |
EP3391332B1 (en) * | 2015-12-16 | 2019-10-16 | Brainlab AG | Determination of registration accuracy |
JP6746435B2 (ja) * | 2016-08-25 | 2020-08-26 | 株式会社東芝 | 医用画像処理装置、治療システム、および医用画像処理プログラム |
JP6843669B2 (ja) * | 2017-03-28 | 2021-03-17 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、医用画像処理方法、及び医用画像処理プログラム |
US10219768B2 (en) * | 2017-06-08 | 2019-03-05 | Emass Llc | Method for standardizing target lesion selection and tracking on medical images |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6266453B1 (en) * | 1999-07-26 | 2001-07-24 | Computerized Medical Systems, Inc. | Automated image fusion/alignment system and method |
US7778490B2 (en) * | 2003-01-13 | 2010-08-17 | Koninklijke Philips Electronics N.V. | Method of image registration and medical image data processing apparatus |
US20100260392A1 (en) * | 2007-12-18 | 2010-10-14 | Koninklijke Philips Electronics N.V. | Consistency metric based image registration |
CN102525534A (zh) * | 2010-12-22 | 2012-07-04 | 株式会社东芝 | 医用图像处理装置、医用图像处理方法 |
US20130044927A1 (en) * | 2011-08-15 | 2013-02-21 | Ian Poole | Image processing method and system |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5839440A (en) * | 1994-06-17 | 1998-11-24 | Siemens Corporate Research, Inc. | Three-dimensional image registration method for spiral CT angiography |
US5690106A (en) * | 1995-06-30 | 1997-11-25 | Siemens Corporate Research, Inc. | Flexible image registration for rotational angiography |
EP0901105A1 (en) * | 1997-08-05 | 1999-03-10 | Canon Kabushiki Kaisha | Image processing apparatus |
US6028969A (en) * | 1997-10-28 | 2000-02-22 | Sharp Laboratories Of America, Inc. | System and method of additive interpolation for affine transformations |
JP4294881B2 (ja) * | 2000-05-12 | 2009-07-15 | 富士フイルム株式会社 | 画像の位置合わせ方法および装置 |
US6738532B1 (en) * | 2000-08-30 | 2004-05-18 | The Boeing Company | Image registration using reduced resolution transform space |
US7117026B2 (en) * | 2002-06-12 | 2006-10-03 | Koninklijke Philips Electronics N.V. | Physiological model based non-rigid image registration |
WO2005078662A1 (en) | 2004-02-13 | 2005-08-25 | Philips Intellectual Property & Standards Gmbh | Apparatus and method for registering images of a structured object |
US8014625B2 (en) * | 2004-11-10 | 2011-09-06 | Agfa Healthcare | Method of performing measurements on digital images |
JP4691158B2 (ja) * | 2005-06-16 | 2011-06-01 | ストライダー ラブス,インコーポレイテッド | 三次元クラスモデルを用いた二次元画像における認識システムおよび方法 |
US8126243B2 (en) * | 2005-08-23 | 2012-02-28 | Nihon Medi-Physics Co., Ltd. | Image processing method, image processing program, and image processing device |
CA2670861A1 (en) * | 2006-11-28 | 2008-06-05 | Calgary Scientific Inc. | Texture-based multi-dimensional medical image registration |
US8155389B2 (en) * | 2007-10-02 | 2012-04-10 | The University Of Utah Research Foundation | Method and system for motion correction in imaging systems |
JP2009134509A (ja) * | 2007-11-30 | 2009-06-18 | Hitachi Ltd | モザイク画像生成装置及びモザイク画像生成方法 |
EP2232446B1 (en) * | 2007-12-20 | 2013-04-17 | Wisconsin Alumni Research Foundation | Method for prior image constrained image reconstruction |
WO2009090572A2 (en) * | 2008-01-18 | 2009-07-23 | Koninklijke Philips Electronics, N.V. | Image registration alignment metric |
RU2525106C2 (ru) * | 2008-08-28 | 2014-08-10 | Конинклейке Филипс Электроникс Н.В. | Устройство для определения изменения размера объекта |
US9619738B2 (en) * | 2008-12-18 | 2017-04-11 | Xerox Corporation | Method and system for utilizing transformation matrices to process rasterized image data |
JP2011024763A (ja) | 2009-07-24 | 2011-02-10 | Hitachi Ltd | 画像処理方法および画像処理装置 |
JP5404277B2 (ja) * | 2009-09-24 | 2014-01-29 | 株式会社Aze | 医用画像データ位置合せ装置、方法およびプログラム |
CN103402453B (zh) * | 2011-03-03 | 2016-11-16 | 皇家飞利浦有限公司 | 用于导航系统的自动初始化和配准的系统和方法 |
CA3041707C (en) * | 2011-11-15 | 2021-04-06 | Manickam UMASUTHAN | Method of real-time tracking of moving/flexible surfaces |
US8675944B2 (en) * | 2012-01-12 | 2014-03-18 | Kabushiki Kaisha Toshiba | Method of registering image data |
US8879814B2 (en) * | 2012-05-22 | 2014-11-04 | General Electric Company | Method and apparatus for reducing motion related imaging artifacts using consistency values |
CN103854276B (zh) * | 2012-12-04 | 2018-02-09 | 东芝医疗系统株式会社 | 图像配准及分割装置和方法,以及医学图像设备 |
-
2013
- 2013-03-05 US US13/785,406 patent/US9552533B2/en active Active
-
2014
- 2014-02-14 JP JP2014026625A patent/JP2014171867A/ja active Pending
- 2014-03-05 CN CN201410076894.2A patent/CN104036486A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6266453B1 (en) * | 1999-07-26 | 2001-07-24 | Computerized Medical Systems, Inc. | Automated image fusion/alignment system and method |
US7778490B2 (en) * | 2003-01-13 | 2010-08-17 | Koninklijke Philips Electronics N.V. | Method of image registration and medical image data processing apparatus |
US20100260392A1 (en) * | 2007-12-18 | 2010-10-14 | Koninklijke Philips Electronics N.V. | Consistency metric based image registration |
CN102525534A (zh) * | 2010-12-22 | 2012-07-04 | 株式会社东芝 | 医用图像处理装置、医用图像处理方法 |
US20130044927A1 (en) * | 2011-08-15 | 2013-02-21 | Ian Poole | Image processing method and system |
Non-Patent Citations (3)
Title |
---|
D. RUECKERT等: "Nonrigid registration using freeform deformations: application to breast MR images", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
HONGJIAN JIANG等: "New approach to 3-D registration of multimodality medical images by surface matching", 《VISUALIZATION IN BIOMEDICAL COMPUTING》 * |
S. OURSELIN等: "Block Matching: A General Framework to Improve Robustness of Rigid Registration of Medical Images", 《MEDICAL IMAGE COMPUTING AND COMPUTERASSISTED INTERVENTION – MICCAI》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107493403A (zh) * | 2017-08-11 | 2017-12-19 | 宁波江丰生物信息技术有限公司 | 一种数字病理切片扫描系统 |
CN107493403B (zh) * | 2017-08-11 | 2019-09-24 | 宁波江丰生物信息技术有限公司 | 一种数字病理切片扫描系统 |
Also Published As
Publication number | Publication date |
---|---|
US9552533B2 (en) | 2017-01-24 |
JP2014171867A (ja) | 2014-09-22 |
US20140254904A1 (en) | 2014-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036486A (zh) | 医用图像处理装置、以及医用图像匹配性判定方法 | |
US10943349B2 (en) | Positron emission tomography system and image reconstruction method using the same | |
US8639060B2 (en) | System and method for image based multiple-modality cardiac image alignment | |
JP5334692B2 (ja) | 制約されたマージナル空間学習を使用して3d解剖学的オブジェクトを検出するための方法およびシステム | |
US6728424B1 (en) | Imaging registration system and method using likelihood maximization | |
US8369593B2 (en) | Systems and methods for robust learning based annotation of medical radiographs | |
US8116544B2 (en) | Apparatus, method, and program for detecting three dimensional abdominal cavity regions | |
US8855387B2 (en) | System for detecting bone cancer metastases | |
US8406494B2 (en) | Anatomical primitive detection | |
US20110188715A1 (en) | Automatic Identification of Image Features | |
US10853941B2 (en) | Registration method and system for non-rigid multi-modal medical image | |
US11361868B2 (en) | Abnormal tissue detection via modal upstream data fusion | |
US8285013B2 (en) | Method and apparatus for detecting abnormal patterns within diagnosis target image utilizing the past positions of abnormal patterns | |
CN101002228A (zh) | 结节边界检测 | |
CN105027163A (zh) | 扫描区域确定装置 | |
RU2526752C1 (ru) | Система и способ для автоматического планирования двухмерных видов в объемных медицинских изображениях | |
Saygili et al. | Confidence estimation for medical image registration based on stereo confidences | |
US20190392552A1 (en) | Spine image registration method | |
Cai et al. | Accurate weakly supervised deep lesion segmentation on CT scans: Self-paced 3D mask generation from RECIST | |
Ceranka et al. | Multi‐atlas segmentation of the skeleton from whole‐body MRI—Impact of iterative background masking | |
Chen et al. | Fully automatic segmentation of AP pelvis X-rays via random forest regression with efficient feature selection and hierarchical sparse shape composition | |
US11756241B2 (en) | Positron emission tomography system and image reconstruction method using the same | |
Devadas et al. | Intensity based image registration on brain mri images | |
Li et al. | A medical image registration method based on weighted mutual information | |
JP2023019113A (ja) | 画像処理装置、画像処理方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C41 | Transfer of patent application or patent right or utility model | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20160713 Address after: Japan Tochigi Applicant after: Toshiba Medical System Co., Ltd. Address before: Tokyo, Japan, Japan Applicant before: Toshiba Corp Applicant before: Toshiba Medical System Co., Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140910 |