CN104077781A - 一种基于形变场的医学图像配准算法评价方法 - Google Patents
一种基于形变场的医学图像配准算法评价方法 Download PDFInfo
- Publication number
- CN104077781A CN104077781A CN201410321306.7A CN201410321306A CN104077781A CN 104077781 A CN104077781 A CN 104077781A CN 201410321306 A CN201410321306 A CN 201410321306A CN 104077781 A CN104077781 A CN 104077781A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- deformation
- deformation field
- cut apart
- 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
Abstract
本发明涉及一种基于形变场的医学图像配准算法评价方法,该方法将配准过程中产生的形变场作用在模板分割图像上,得到形变分割图像,最终得到每一区域的评价参数,具体包括步骤:1)选取一幅模板图像,一幅固定图像,应用待评价配准算法进行配准;2)提取配准过程中产生的形变场,将此形变场作用到模板分割图像,生成形变分割图像,所述模板分割图像被分割成N个部分;3)应用形变分割图像和固定分割图像,计算区域评价参数RSCS;4)改变固定图像,重复步骤1)、2)、3),得到39组区域评价参数并计算区域评价参数集合和总体评价参数并导出箱形图,最终得出评价结果。与现有技术相比,本发明具有能评价配准算法对某一区域配准效果等优点。
Description
技术领域
本发明涉及一种图像处理中图像配准领域,尤其是涉及一种基于形变场的医学图像配准算法评价方法。
背景技术
医学图像配准就是对于一幅医学图像寻求一种(或一系列)空间变换,使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所有的解剖点,或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。
医学图像配准算法可以分为两类:刚性配准算法和非刚性配准算法。现在医学影像技术的蓬勃发展,促使医学图像越来越复杂,原有的刚性配准算法已经不能满足需求。非刚性配准算法应用的非线性变换是比较理想的模型,变换复杂,但因为其良好的性能在现代医学图像配准应用十分广泛。
对于配准算法性能的评价,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。在配准过程中形变场作用在模板图像上,使得其上的点与固定图像上的点一一匹配。针对以往评价方法不能评价算法对某一区域配准效果,利用配准过程中产生形变场的性质,本发明提出了一种基于形变场的医学图像配准算法评价方法。
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基于形变场的能评价配准算法对某一区域配准效果的医学图像配准算法评价方法。
本发明的目的可以通过以下技术方案来实现:
一种基于形变场的医学图像配准算法评价方法,其特征在于,该方法将配准过程中产生的形变场作用在模板分割图像上,得到形变分割图像,最终得到每一区域的评价参数,具体包括步骤:
1)选取一幅模板图像,一幅固定图像,将图像分割为N个区域,应用待评价配准算法进行配准;
2)提取配准过程中产生的形变场,将此形变场作用到模板分割图像,生成形变分割图像,所述模板分割图像被分割成N个部分;
3)应用形变分割图像和固定分割图像,计算区域评价参数RSCS;
4)改变固定图像,重复步骤1)、2)、3),得到M组区域评价参数并计算区域评价参数集合和总体评价参数并导出箱形图,最终得出评价结果。
所述步骤3)中的区域评价参数RSCS为:
其中:Le为形变场分割图像的体像素点,Ls为固定图像对应人工分割图像的体像素点,Ω为图像总体像素点集合,l为分割区域标记,取值为1~N,RSCS的值在0到1之间,越接近于1,表明在这一区域固定分割图像和形变分割图像之间标记差别越小,即配准算法在这一区域配准效果越好。
所述步骤4)中总体评价参数WSCS为:
其中:总体评价参数WSCS的值在0到1之间,越接近于1,表明总体配准效果越好。
所述步骤4)中M的取值范围为30-50。
与现有技术相比,本发明具有以下优点:
1)充分利用了配准过程中形变场的性质,既能对配准算法的效果整体评价,又能对单独某一区域的配准效果作清晰地评价。
2)利用箱形图表示区域评价参数集合,既能去除对配准算法的评价误差,又能清晰地显现出配准算法对某一区域和总体配准的配准效果。
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模板图像截面图;
图3为形变场作用的模板分割图像灰度截面图;
图4为三维网格图像截面图;
图5为形变场作用三维网格图像截面图;
图6为根据评价参数画出的箱形图。
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。
本发明涉及一种基于形变场的医学图像配准算法评价方法,选取一幅图像作为模板图像,和固定图像进行配准,利用配准过程中产生的形变场作用在模板分割图像上得到的形变分割图像。应用固定分割图像和形变分割图像,得到每一区域的评价参数。选取39幅固定图像和模板图像进行循环配准,得到39组评价参数,计算区域评价参数集合和总体评价参数。该评价方法既能对配准算法的效果整体评价,又能对单独某一区域的配准效果作清晰地评价。
一种基于形变场的医学图像配准算法评价方法,该方法将配准过程中产生的形变场作用在模板分割图像上,得到形变分割图像,最终得到每一区域的评价参数,,具体包括步骤:
1)选取一幅模板图像,一幅固定图像,应用待评价配准算法进行配准,例如三维脑部MR图像,模板图像和固定图像选取大小256×256×256,都有对应的人工分割图像,分割区域为45个。
2)提取配准过程中产生的形变场,将此形变场作用到模板分割图像,生成形变分割图像,此过程的伪代码为:
vol1=MRIread(固定图像);%读取固定图像
vol2=MRIread(模板图像);%读取模板图像
vol3=MRIread(模板分割图像);%读取模板分割图像
[log_x,log_y,log_z]=pairwise_3D(vol1.vol,vol2.vol,options);%配准模板图像
[def_x,def_y.def_z]=velocityfieldexp(single(log_x),single(log_y),single(log_z));得到形变场
vol4=warpimage(single(vol3.vol),def_x,def_y,def_z);%形变场作用模板分割图像
图2所示为实施例的配准脑部三维MR模板图像截面图,配准后得到形变场,作用在模板分割图像得到图3。为了更好说明形变场的作用,图4为三维网格图像截面图,经过形变场作用得到图5,可见中间区域发生了形变。
3)应用形变分割图像和固定分割图像,计算区域评价参数RSCS;
4)改变固定图像,重复步骤1)、2)、3),得到39组区域评价参数并计算区域评价参数集合和总体评价参数并导出箱形图,最终得出评价结果。
其具体流程图如图1所示。
步骤3)中的区域评价参数RSCS的计算方法为:
其中:Lc为形变场分割图像的体像素点,Ls为固定图像对应人工分割图像的体像素点,Ω为图像总体像素点256×256×256,l为分割区域标记,取值为1~N。依据对配准算法进行评价,RSCS的值在0到1之间,越接近于1,表明在这一区域固定分割图像和形变分割图像之间标记差别越小,配准效果越好。
步骤4)中总体评价参数WSCS为:
和区域评价参数相似,总体评价参数的值在0到1之间,越接近于1,表明总体配准效果越好
步骤4)中区域评价参数集合包括39组区域评价参数。用这39组区域评价参数画出箱形图,如图6,它能显示出一组数据的最大值、最小值、中位数、下四分位数及上四分位数,因此可以更好的刻画某一区域配准效果。总体评价参数,能总体评价配准算法的效果。
Claims (4)
1.一种基于形变场的医学图像配准算法评价方法,其特征在于,该方法将配准过程中产生的形变场作用在模板分割图像上,得到形变分割图像,最终得到每一区域的评价参数,具体包括步骤:
1)选取一幅模板图像,一幅固定图像,应用待评价配准算法进行配准;
2)提取配准过程中产生的形变场,将此形变场作用到模板分割图像,生成形变分割图像,所述模板分割图像被分割成N个部分;
3)应用形变分割图像和固定分割图像,计算区域评价参数RSCS
4)改变固定图像,重复步骤1)、2)、3),得到M组区域评价参数并计算区域评价参数集合和总体评价参数并导出箱形图,最终得出评价结果。
2.根据权利要求1所述的一种基于形变场的医学图像配准算法评价方法,其特征在于,所述步骤3)中的区域评价参数RSCS为:
其中:Lc为形变场分割图像的体像素点,Ls为固定图像对应人工分割图像的体像素点,Ω为图像总体像素点集合,l为分割区域标记,取值为1~N,RSCS的值在0到1之间,越接近于1,表明在这一区域固定分割图像和形变分割图像之间标记差别越小,即配准算法在这一区域配准效果越好。
3.根据权利要求2所述的一种基于形变场的医学图像配准算法评价方法,其特征在于,所述步骤4)中总体评价参数WSCS为:
其中,总体评价参数WSCS的值在0到1之间,越接近于1,表明总体配准效果越好。
4.根据权利要求1所述的一种基于形变场的医学图像配准算法评价方法,其特征在于,所述步骤4)中M的取值范围为30-50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321306.7A CN104077781B (zh) | 2014-07-07 | 2014-07-07 | 一种基于形变场的医学图像配准算法评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410321306.7A CN104077781B (zh) | 2014-07-07 | 2014-07-07 | 一种基于形变场的医学图像配准算法评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104077781A true CN104077781A (zh) | 2014-10-01 |
CN104077781B CN104077781B (zh) | 2017-03-08 |
Family
ID=51599023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410321306.7A Expired - Fee Related CN104077781B (zh) | 2014-07-07 | 2014-07-07 | 一种基于形变场的医学图像配准算法评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077781B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976364A (zh) * | 2016-04-28 | 2016-09-28 | 北京理工大学 | 基于简化带权无向图的统计平均模型构建方法 |
CN106683084A (zh) * | 2016-12-23 | 2017-05-17 | 浙江大学 | 一种基于行间像偏移估计的tdi图像形变程度客观评价方法 |
CN106846380A (zh) * | 2016-12-26 | 2017-06-13 | 北京理工大学 | 一种医学图像配准方法及设备 |
CN107346024A (zh) * | 2017-08-08 | 2017-11-14 | 芜湖通全科技有限公司 | 融合宽幅与条带sar干涉形变场的技术 |
CN111369598A (zh) * | 2020-03-02 | 2020-07-03 | 北京推想科技有限公司 | 深度学习模型的训练方法及装置、应用方法及装置 |
CN113487656A (zh) * | 2021-07-26 | 2021-10-08 | 推想医疗科技股份有限公司 | 图像配准方法及装置,训练方法及装置,控制方法及装置 |
CN116977387A (zh) * | 2023-09-22 | 2023-10-31 | 安徽大学 | 基于形变场融合的可变形医学图像配准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917940A (en) * | 1996-01-23 | 1999-06-29 | Nec Corporation | Three dimensional reference image segmenting method and device and object discrimination system |
CN101470896A (zh) * | 2007-12-24 | 2009-07-01 | 南京理工大学 | 基于视频分析的机动目标飞行模式预测方法 |
CN103793904A (zh) * | 2012-10-29 | 2014-05-14 | 深圳先进技术研究院 | 图像配准装置及其图像配准的方法 |
-
2014
- 2014-07-07 CN CN201410321306.7A patent/CN104077781B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917940A (en) * | 1996-01-23 | 1999-06-29 | Nec Corporation | Three dimensional reference image segmenting method and device and object discrimination system |
CN101470896A (zh) * | 2007-12-24 | 2009-07-01 | 南京理工大学 | 基于视频分析的机动目标飞行模式预测方法 |
CN103793904A (zh) * | 2012-10-29 | 2014-05-14 | 深圳先进技术研究院 | 图像配准装置及其图像配准的方法 |
Non-Patent Citations (2)
Title |
---|
ZHOU Z等: "Robust Non-rigid Image Registration Using Incomplete Information,Adaptive Normalized Convolution and Similarity Measure Combination", 《IEEE NUCLEAR SCIENCE SYMPOSIUM CONFERENCE RECORD》 * |
沈庄明: "基于联合显著结构自适应核回归的非刚性图像配准", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976364A (zh) * | 2016-04-28 | 2016-09-28 | 北京理工大学 | 基于简化带权无向图的统计平均模型构建方法 |
CN105976364B (zh) * | 2016-04-28 | 2019-02-15 | 北京理工大学 | 基于简化带权无向图的统计平均模型构建方法 |
CN106683084A (zh) * | 2016-12-23 | 2017-05-17 | 浙江大学 | 一种基于行间像偏移估计的tdi图像形变程度客观评价方法 |
CN106683084B (zh) * | 2016-12-23 | 2018-09-07 | 浙江大学 | 一种基于行间像偏移估计的tdi图像形变程度客观评价方法 |
CN106846380A (zh) * | 2016-12-26 | 2017-06-13 | 北京理工大学 | 一种医学图像配准方法及设备 |
CN106846380B (zh) * | 2016-12-26 | 2019-09-03 | 北京理工大学 | 一种医学图像配准方法及设备 |
CN107346024A (zh) * | 2017-08-08 | 2017-11-14 | 芜湖通全科技有限公司 | 融合宽幅与条带sar干涉形变场的技术 |
CN111369598A (zh) * | 2020-03-02 | 2020-07-03 | 北京推想科技有限公司 | 深度学习模型的训练方法及装置、应用方法及装置 |
CN111369598B (zh) * | 2020-03-02 | 2021-03-30 | 推想医疗科技股份有限公司 | 深度学习模型的训练方法及装置、应用方法及装置 |
CN113487656A (zh) * | 2021-07-26 | 2021-10-08 | 推想医疗科技股份有限公司 | 图像配准方法及装置,训练方法及装置,控制方法及装置 |
CN116977387A (zh) * | 2023-09-22 | 2023-10-31 | 安徽大学 | 基于形变场融合的可变形医学图像配准方法 |
CN116977387B (zh) * | 2023-09-22 | 2023-12-15 | 安徽大学 | 基于形变场融合的可变形医学图像配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104077781B (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077781A (zh) | 一种基于形变场的医学图像配准算法评价方法 | |
CN103180882B (zh) | 基于图块的渲染系统中表面面片的细化 | |
CN109493343A (zh) | 医疗图像异常区域分割方法及设备 | |
CN104165759B (zh) | 一种基于复局部均值分解的转子碰摩故障特征提取方法 | |
CN105043766B (zh) | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 | |
CN102402796A (zh) | 肝脏血管系统的三维结构化描述方法 | |
CN104166974B (zh) | Ct定位片图像增强方法及装置 | |
CN103679661B (zh) | 一种基于显著性分析的自适应遥感图像融合方法 | |
CN110210483A (zh) | 医疗图像病变区域分割方法、模型训练方法和设备 | |
CN104077762A (zh) | 一种基于nsst与聚焦区域检测的多聚焦图像融合方法 | |
CN102289657A (zh) | 基于视觉注意机制的乳腺x线影像肿块检测系统 | |
CN104408240A (zh) | 基于模型的定义的数据转化与提取方法 | |
CN103778632A (zh) | 一种基于fpga的立体匹配方法 | |
CN103985145A (zh) | 一种基于联合稀疏和先验约束的压缩感知图像重构方法 | |
CN105718641A (zh) | 批量化建立cae二维网格的方法 | |
CN105354877A (zh) | 一种基于空间填充曲线的经验模态分解和希尔伯特谱计算的三维网格处理方法 | |
CN109978888A (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
CN103914835B (zh) | 一种针对模糊失真立体图像的无参考质量评价方法 | |
CN102682439A (zh) | 基于多向经验模式分解的医学图像融合方法 | |
CN104077780A (zh) | 一种基于分割的医学图像非刚性配准算法性能评价方法 | |
CN106204487A (zh) | 一种基于稀疏约束的超声图像去噪方法 | |
CN104778666A (zh) | 一种基于谱聚类和混合模型聚类的图像分割方法 | |
CN108109143A (zh) | 基于混合活动轮廓模型的医学图像分割方法 | |
CN102800072A (zh) | 超声诊断仪扫描图像质量优化处理方法及其装置 | |
CN104050482A (zh) | 一种基于局部线性回归的流形学习泛化算法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170308 Termination date: 20190707 |
|
CF01 | Termination of patent right due to non-payment of annual fee |