CN104077780A - 一种基于分割的医学图像非刚性配准算法性能评价方法 - Google Patents

Abstract

本发明涉及一种基于分割的医学图像非刚性配准算法性能评价方法，该方法具体包括步骤：1)选取一幅固定图像，用待评价算法配准模板图像配准，得到的目标图像，所述目标图像的手工分割图像被分割成并N个部分，分别为Ω₁，Ω₂，…Ω_n；2)计算配准后图像的所有体像素点的雅克比行列式的值；3)利用模板图像I的分割图像I_S提取每个分割区域中的体像素点的坐标；4)提取目标图像相应分割区域的体像素点的坐标，计算得到每一区域所有体像素点的雅可比行列式值，减一相加取平均得到区域雅可比行列式标准值；5)对所有区域雅可比行列式标准值求均方，得到评价参数JSD并判定待评价算法的性能。与现有技术相比，本发明具有能直接反应配准前后图像组织体积变化等优点。

Description

一种基于分割的医学图像非刚性配准算法性能评价方法

技术领域

本发明涉及图像处理中图像配准领域，尤其是涉及一种基于分割的医学图像非刚性配准算法性能评价方法。

背景技术

图像配准的目标是寻找一个最优的几何变换使配准的两幅图像达到空间位置上的一致。配准的过程就是把一幅图像中的每一个点映射到另一幅图像中的对应点，实现两图像中相同结构间的良好对应，这种对应性用配准得到的空间变形场表达。

医学图像配准技术已经研究了几十年，研究人员提出了很多种配准算法。算法可以分为两类：刚性配准算法和非刚性配准算法。其中刚性配准算法已经非常成熟，在临床治疗中已经得到了广泛的应用。非刚性配准算法常常引入复杂的形变场，容易使组织的体积在配准前后发生变化，因此，更适用于人体组织器官图像的配准。

各种配准算法的分析评价，对在实际应用中选择适当的配准算法，以及对现有配准算法的改进和研究新的配准算法，都具有重要意义。对某一种配准算法的评价可以是多方面的，例如配准速度、鲁棒性、配准精度等。对于算法性能的评价，目前普遍使用基准位置误差(FLE)，基准配准误差(FRE)，目标配准误差(TRE)和菲茨罗伊目标配准误差(F-TRE)来评价配准算法性能的差异。它们多是对固定图像和模板图像的点之间的信息进行定量分析，最后得出的评价结果不能直接反应出配准前后组织体积的变化情况。为了分析配准算法对组织体积的变化情况，本发明提出了一种基于分割的医学图像非刚性配准算法性能评价方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能直接反应配准前后图像组织体积的变化情况的基于分割的医学图像非刚性配准算法性能评价方法。

本发明的目的可以通过以下技术方案来实现：

一种基于分割的医学图像非刚性配准算法性能评价方法，该方法具体包括步骤：

1)选取一幅固定图像，用待评价算法配准模板图像，得到配准后的目标图像，所述目标图像的手工分割图像被分割成并N个部分，分别为Ω₁，Ω₂，…Ω_n；

2)计算配准后图像的所有体像素点对应的雅克比行列式的值；

3)利用模板图像I的分割图像为I_S提取每个分割区域中的体像素点的坐标；

4)提取目标图像相应分割区域的体像素点的坐标，计算得到每一区域所有体像素点的雅可比行列式值，减一相加取平均得到区域雅可比行列式标准值；

5)对所有区域雅可比行列式标准值求均方，得到评价参数JSD，用以判定待评价算法的性能。

所述步骤2)中的体像素点p的雅克比行列式J_T(p)为：

$J_T\left(p\right)=\left|\begin{array}{ccc}\frac{\∂X}{\∂x}& \frac{\∂X}{\∂y}& \frac{\∂X}{\∂z}\\ \frac{\∂Y}{\∂x}& \frac{\∂Y}{\∂y}& \frac{\∂Y}{\∂z}\\ \frac{\∂Z}{\∂x}& \frac{\∂Y}{\∂y}& \frac{\∂Z}{\∂z}\end{array}\right|$

其中：X，Y，Z分别为体像素点p(x，y，z)变形后的位置坐标，J_T＝1表示对于组织体积在配准前后不发生变化，J_T＞1，表示对于组织体积在配准后增大，J_T＜1表示对于组织体积在配准后减小。

所述步骤4)中的区域雅可比行列式标准值为：

$J_T\left(p_{{\mathrm{\Ω}}_1}\right)=\frac{1}{S_{{\mathrm{\Ω}}_1}}\left\{\right[J\left(p_1\right)-1]+[J\left(p_2\right)-1]+......[J\left(p_{{\mathrm{\Ω}}_1}\right)-1\left]\right\}$

其中：为区域Ω₁中的体像素点，为区域Ω₁中体像素点的个数。

所述步骤5)中评价参数JSD为：

$\mathrm{JSD}=\frac{1}{N}\sqrt{{J_T}^2\left(p_{{\mathrm{\Ω}}_1}\right)+{J_T}^2\left(p_{{\mathrm{\Ω}}_2}\right)+......+{J_T}^2\left(p_{{\mathrm{\Ω}}_N}\right)}$

其中：分别为区域Ω₁，Ω₂，…，Ω_N的区域雅可比行列式标准值，JSD≥0。JSD的值为0表示配准前后组织体积没有发生变化，JSD的值越小说明配准后组织体积变化越小，同时表明用于测试的配准算法效果越好。反之，说明配准后组织体积变化越大，同时表明用于测试的配准算法效果越差。

与现有技术相比，本发明具有既直接反应配准前后图像组织体积的变化情况，又对病情的预测及判断有重要参考价值的优点。

附图说明

图1为本发明的流程示意图；

图2为实施例的配准脑部三维MR固定图像截面图；

图3为用于配准的模板图像截面图；

图4为模板图像对应的手工分割图像截面图；

图5为配准后得到的目标图像截面图；

图6为雅可比行列式转换为灰度图的截面图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明根据配准过程中每一像素点产生的雅克比行列式的性质，利用相应的分割图像提取出分割区域的所有像素点的坐标和对应的在目标图像区域像素点的坐标，计算区域的雅克比行列式值，然后对所有区域计算雅克比行列式标准值，最后对所有区域的雅可比标准值均方得到评价参数用以评估配准算法的性能。

一种基于分割的医学图像非刚性配准算法性能评价方法，该方法具体包括步骤：

1)选取一幅固定图像如图2所示，用待评价算法配准模板图像I如图3所示，得到配准后的目标图像I_r如图5所示；

所述目标图像的手工分割图像被分割成并N个部分，分别为Ω₁，Ω₂，…Ω_n，其中对应模板图像I的手工分割图像为I_S，如图4所示。其中所有的图像都是取了一个二维截面。此处选用三维MR脑部图像，其分割图像I_S设定分割区域为45个(不包括背景区域)，取分割区域Ω₁，其对应9202055个体像素点，所有分割区域包含399908969个体像素点。

2)计算配准后图像的所有体像素点I_r(p₁)，I_r(p₂)，…I_r(p_Ω)对应的雅克比行列式J_T(p₁)，J_T(p₂)，…J_T(p_Ω)的值，例如体像素点p的雅克比行列式J_T(p)为：

$J_T\left(p\right)=\left|\begin{array}{ccc}\frac{\∂X}{\∂x}& \frac{\∂X}{\∂y}& \frac{\∂X}{\∂z}\\ \frac{\∂Y}{\∂x}& \frac{\∂Y}{\∂y}& \frac{\∂Y}{\∂z}\\ \frac{\∂Z}{\∂x}& \frac{\∂Y}{\∂y}& \frac{\∂Z}{\∂z}\end{array}\right|$

其中：形变场向量可以表示成T＝(X，Y，Z)，X，Y，Z分别为体像素点p(x，y，z)变形后的位置坐标，J_T＝1表示对于组织体积在配准前后不发生变化，J_T＞1，表示对于组织体积在配准后增大，J_T＜1表示对于组织体积在配准后减小。此例中，选取分割区域Ω₁的其中6个体像素点，其雅可比行列式值为0.9766、0.9768、0.9770、0.9772、0.9773、0.9775，所有的体像素点对应的雅可比行列式值在0.2196至3.5655之间。雅可比行列式转换为灰度图的截面图如图6所示。

其上步骤伪代码实现如下：

由此可以得到每个分割区域对应的所有像素点的雅可比行列式值，以进行评价参数的推导和计算。

3)利用模板图像I的分割图像为I_S提取每个分割区域中的体像素点的坐标；

4)提取目标图像相应分割区域的体像素点的坐标，计算得到每一区域所有体像素点的雅可比行列式值，减一相加取平均得到区域雅可比行列式标准值；

5)对所有区域雅可比行列式标准值求均方，得到评价参数JSD，用以判定待评价算法的性能。

步骤4)中的区域雅可比行列式标准值为：

$J_T\left(p_{{\mathrm{\Ω}}_1}\right)=\frac{1}{S_{{\mathrm{\Ω}}_1}}\left\{\right[J\left(p_1\right)-1]+[J\left(p_2\right)-1]+......[J\left(p_{{\mathrm{\Ω}}_1}\right)-1\left]\right\}$

其中：为区域Ω₁中的体像素点，为区域Ω₁中体像素点的个数。

步骤5)中评价参数JSD为：

$\mathrm{JSD}=\frac{1}{N}\sqrt{{J_T}^2\left(p_{{\mathrm{\Ω}}_1}\right)+{J_T}^2\left(p_{{\mathrm{\Ω}}_2}\right)+......+{J_T}^2\left(p_{{\mathrm{\Ω}}_N}\right)}$

其中：分别为区域Ω₁，Ω₂，…，Ω_N的区域雅可比行列式标准值，评价参数JSD为不小于0的数，此例中JSD＝1.043。JSD的值越小说明配准后组织体积变化越小，同时表明用于测试的配准算法效果越好。反之，说明配准后组织体积变化越大，同时表明用于测试的配准算法效果越差。

Claims (4)

1.一种基于分割的医学图像非刚性配准算法性能评价方法，其特征在于，该方法具体包括步骤：

1)选取一幅固定图像，用待评价算法配准模板图像，得到配准后的目标图像，所述目标图像的手工分割图像被分割成并N个部分，分别为Ω₁，Ω₂，…Ω_n；

2)计算配准后图像的所有体像素点对应的雅克比行列式的值；

3)利用模板图像I的分割图像为I_S提取每个分割区域中的体像素点的坐标；

4)提取目标图像相应分割区域的体像素点的坐标，计算得到每一区域所有体像素点的雅可比行列式值，减一相加取平均得到区域雅可比行列式标准值；

5)对所有区域雅可比行列式标准值求均方，得到评价参数JSD，用以判定待评价算法的性能。

2.根据权利要求1所述的一种基于分割的医学图像非刚性配准算法性能评价方法，其特征在于，所述步骤2)中的体像素点p的雅克比行列式J_T(p)为：

$J_T\left(p\right)=\left|\begin{array}{ccc}\frac{\∂X}{\∂x}& \frac{\∂X}{\∂y}& \frac{\∂X}{\∂z}\\ \frac{\∂Y}{\∂x}& \frac{\∂Y}{\∂y}& \frac{\∂Y}{\∂z}\\ \frac{\∂Z}{\∂x}& \frac{\∂Y}{\∂y}& \frac{\∂Z}{\∂z}\end{array}\right|$

其中：X，Y，Z分别为体像素点p(x，y，z)变形后的位置坐标，J_T＝1表示对于组织体积在配准前后不发生变化，J_T＞1，表示对于组织体积在配准后增大，J_T＜1表示对于组织体积在配准后减小。

3.根据权利要求1所述的一种基于分割的医学图像非刚性配准算法性能评价方法，其特征在于，所述步骤4)中的区域雅可比行列式标准值为：

$J_T\left(p_{{\mathrm{\Ω}}_1}\right)=\frac{1}{S_{{\mathrm{\Ω}}_1}}\left\{\right[J\left(p_1\right)-1]+[J\left(p_2\right)-1]+......[J\left(p_{{\mathrm{\Ω}}_1}\right)-1\left]\right\}$

其中：为区域Ω₁中的体像素点，为区域Ω₁中体像素点的个数。

4.根据权利要求1所述的一种基于分割的医学图像非刚性配准算法性能评价方法，其特征在于，所述步骤5)中评价参数JSD为：

$\mathrm{JSD}=\frac{1}{N}\sqrt{{J_T}^2\left(p_{{\mathrm{\Ω}}_1}\right)+{J_T}^2\left(p_{{\mathrm{\Ω}}_2}\right)+......+{J_T}^2\left(p_{{\mathrm{\Ω}}_N}\right)}$

其中：分别为区域Ω₁，Ω₂，…，Ω_N的区域雅可比行列式标准值，JSD的值越小说明配准后组织体积变化越小，同时表明用于测试的配准算法效果越好；反之，说明配准后组织体积变化越大，同时表明用于测试的配准算法效果越差。