一种心脏图像的配准方法
技术领域
本发明涉及图像处理领域,尤其涉及一种心脏图像的配准方法。
背景技术
目前,对于心脏图像,常用的仿射变换配准方法,包括通过人机交互的手动或半自动方法和基于体像素的回溯性配准技术。
人机交互的手动或半自动方法比较繁复、效率低、并且观察者之间和观察者自身都存在较大的差异。
基于体像素的回溯性配准技术为基于图像中所有体素的配准方法,其中主要分为基于灰度的方法和基于特征的方法。其中基于特征的方法需要对图谱图像预先提取一些显著的特征并且在目标图像搜索匹配。这种方法通常具有较大的挑战性。而基于灰度的配准方法不需要做特征提取,而是对所有体素点进行配准,因而具有较好的鲁棒性和准确性。如基于互信息(请参考[Maes,F.,et al.,IEEE Transactions of Medical Imaging 16(2):187-198(1998)]),基于图像后处理的相位信息(请参考[Mellor,M.,Brady,M.,Medical ImageAnalysis 9:330-343(2005)])以及基于结合空间信息的互信息配准技术。但是,基于灰度的方法需要遍历大量的体素进行运算,因此这类方法计算量比较大、效率低下。
发明内容
本发明解决的问题是提供一种心脏图像的配准方法,不仅提高了配准的速度和准确性,还具有优良的鲁棒性。
为了解决上述问题,本发明提供了一种心脏图像的配准方法,包括如下步骤:
(1)输入所述心脏图像,确定所述心脏的初始中心位置;
(2)根据所述初始中心位置,确定所述心脏的关键点的初始位置;
(3)根据所述关键点的初始位置和所述关键点的位置检测器,确定所述心脏关键点的位置;
(4)计算所述关键点和参考图像中对应的关键点之间的第一范数误差和,并求取所述范数的误差和最小的空间仿射变换,即配准结果。
上述所述一种心脏图像的配准方法,其中,所述关键点包括左心室中心、右心室中心、左心房中心、右心房中心、三尖瓣中心、主动脉瓣膜中心、肺动脉瓣膜中心、二尖瓣中心、心尖以及左右心室间隔膜中心。
上述所述一种心脏图像的配准方法,其中,确定所述心脏关键点初始位置的过程包括:
1)在所述心脏的初始中心位置沿着水平方向,根据灰度值的变化确定所述心脏的两个边界点;
2)根据所述边界点,矫正所述心脏的中心位置;
3)根据所述心脏的关键点的位置信息,按照各向同性映射计算所述心脏关键点的初始位置。
上述所述一种心脏图像的配准方法,其中,计算所述心脏关键点的初始位置的公式为:
Mi=C+sVi
其中,Mi为所述关键点的初始位置的坐标;C为所述输入图像中矫正后的心脏的中心点位置;s为检测得到水平方向宽度与平均图谱的心脏水平方向宽度的比值;Vi为在平均图谱中所述关键点距离心脏中心的偏移量。
上述所述一种心脏图像的配准方法,其中,所述参考图像为由手工标注的图谱库求得的平均图谱。
上述所述一种心脏图像的配准方法,其中,求取所述最小范数误差和的优化目标函数为:
其中,N为所述关键点的个数;H为所述仿射变换矩阵;mnx、mny和mnz为所述输入图像中心脏关键点位置的坐标;mnx′、mny′和mnz′为所述参考图像中对应的关键点位置的坐标。
与现有技术相比,本发明基于哈尔特征训练关键点检测器,并基于高效的关键点检测器可以快速地检测关键特征点,大大减少计算量和重构时间;
进一步地,采用多个关键特征点的检测并且使用第一范数最小求解,可以避免因为单个关键特征点检测失败导致配准过程失败,提高了鲁棒性;
进一步地,通过各向同性映射求取初始值,可以在很小的范围内对关键特征点进行训练和检测,提高了运算速度和精确性。
附图说明
图1所示为本发明实施例一种心脏图像的配准方法的流程示意图;
图2所示为本发明实施例确定心脏关键点初始位置的流程示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
其次,本发明利用示意图进行详细描述,在详述本发明实施例时,为便于说明,所述示意图只是实例,其在此不应限制本发明保护的范围。
下面结合实施例和附图对本发明一种心脏图像的配准方法进行详细地描述。本发明实施例心脏图像的配准方法如图1所示,首先,执行步骤S1,输入所述心脏图像,确定所述心脏的初始中心位置。具体地,在本实施例中,根据所述心脏的位置检测器确定所述心脏的初始中心位置,其中,所述心脏特征位置(关键点位置)检测器使用基于哈尔特征的心脏特征位置检测器来初步定位心脏的关键点。所述特征位置检测器的位置,即所述心脏的关键点,包括左心室中心、右心室中心、左心房中心、右心房中心、三尖瓣中心、主动脉瓣膜中心、肺动脉瓣膜中心、二尖瓣中心、心尖以及左右心室间隔膜中心。需要说明的是,所述心脏的特征位置检测器也可以使用基于灰度或梯度特征的特征位置检测器。所述特征位置检测器通过机器学习训练得到,在本实施例中,基于概率Adaboost树的分类器构建,比如使用四层的Adaboost树型检测器。通过心脏特征位置检测器检测到的特征位置,检测整幅输入心脏图像,就可以初步定位心脏的初始中心位置。输入的心脏三维图像可以为磁共振图像、CT图像或超声等模态数据图像等医学上常用的非标准图像。
在本发明实施例中,通过计算输入心脏三维图像的积分图像,哈尔特征的响应值可以通过几次加减法就快速计算得到。一个哈尔特征可以表示为:
Response=∑wiHi (1)
在公式(1)中,Response表示所述哈尔(Haar)特征的响应公式,i表示所述输入心脏三维图像中所有矩形区域的个数,Hi是所述所有矩形区域中的一个矩形区域内所有体素点的灰度值的平均值。假设这个矩形区域的左上角坐标为(x,y,z),而这个矩形区域的长高宽分别为l、h和w。输入的心脏三维图像的积分图像为I。在积分图像上计算Haar特征的响应的公式可以表示为:
Hi=I(x+w,y+l,z+h)-I(x,y,z)-I(x,y+l,z+h)
-I(x+w,y,z+h)-I(x+w,y+l,z)+I(x,y,z+h)
+I(x,y+l,z)+I(x+w,y,z) (2)
通过公式(2),可以只通过一些加减计算就可以得到哈尔特征的响应,而灰度特征响应值可以直接取相应位置灰度值得到,梯度特征响应可以用特定尺寸的哈尔特征来代替。因此本发明实施例使用的特征位置检测器相比于传统的检测方法计算更加简单而快速。
在本实施例中,输入的图像为心脏CT图像,通过心脏中心位置检测器检测整幅图像,检测到心脏的初始中心位置。
接着,执行步骤S2,根据所述初始中心位置,确定所述心脏的关键点的初始位置。具体地,确定所述心脏关键点初始位置的过程如图2所示,首先,执行步骤S201,在所述心脏的初始中心位置沿着水平方向,根据灰度值的变化确定所述心脏的两个边界点。具体地,在本实施例中,在检测到心脏的初始中心位置后,沿着所述初始中心位置在水平方向(即X轴方向,肋骨方向)搜索心脏的两个边界点,在初始中心位置的两边搜索到的第一个灰度值变化大于预定阈值的像素点即为心脏的边界点。接着,执行步骤S202,根据所述边界点,矫正所述心脏的中心位置。具体地,两个边界点的中心位置为矫正后的心脏中心位置,即心脏中心位置的坐标值为两个边界点的坐标值的和的一半。接着,执行步骤S203,根据所述心脏的关键点的位置信息,按照各向同性映射计算所述心脏关键点的初始位置。具体地,通过公式(3)计算所述心脏关键点的初始位置,所述公式(3)为:
Mi=C+sVi (3)
其中,Mi为所述关键点的初始位置的坐标;C为所述输入图像中矫正后的心脏的中心点位置;s为检测得到水平方向宽度与平均图谱的心脏水平方向宽度的比值;Vi为在平均图谱中所述关键点距离心脏中心的偏移量。需要说明的是,检测得到的水平方向宽度即为步骤S201中得到的两个边界点之间的水平距离。平均谱图为将所有手工标注的图谱求平均得到的图谱。
在本实施例中,通过公式(3)计算左心室中心、右心室中心、左心房中心、右心房中心、三尖瓣中心、主动脉瓣膜中心、肺动脉瓣膜中心、二尖瓣中心、心尖以及左右心室间隔膜中心的初始位置。需要说明的是,在所有已手工标注过真实值的样本数据中,我们使用心脏中心检测器来检测心脏中并通过各向同性映射估算各个关键点的位置,记录下求得的各个关键点距离真实值的最大误差(即极大值),而且,将训练中负样本的采集区域设定为这个极大值的1.5倍,将实际检测的区域设为与这个极大值相同。
接着,执行步骤S3,根据所述关键点的初始位置和所述关键点的位置检测器,确定所述心脏关键点的位置。具体地,在本实施例中,使用步骤S1中的关键点位置检测器对所述输入心脏图像进行检测,每一个关键点位置检测器检测的区域以步骤S203中得到的对应的关键点的初始位置为中心,步骤S2中计算得到的最大偏差值(最大误差)为窗口大小,从而从所述输入心脏图像中检测得到所有关键点的集合。
接着,执行步骤S4,计算所述关键点和参考图像中对应的心脏关键点之间的第一范数的误差和,并求取所述范数的误差和最小的空间仿射变换,即配准结果。其中,所述参考图像为由手工标注的图谱库求得的平均图谱。具体地,在本实施例中,计算所有步骤S3中检测得到的心脏关键点和平均图谱中对应的心脏关键点之间的第一范数误差和,并求取使得第一范数最优的仿射矩阵。其中,求取最优仿射矩阵的方法为对该矩阵的使用梯度下降方法,并循环迭代使误差趋近极小值。具体地,求取所述最小范数误差和的优化目标函数为:
其中,N为所述关键点的个数;H为所述仿射变换矩阵;mnx、mny和mnz为所述输入图像中心脏关键点位置的坐标;mnx′、mny′和mnz′为所述参考图像中对应的关键点位置的坐标。在本实施例中,N为10,矩阵H为3×4的仿射变换矩阵。
其中,优化所述目标函数的过程为:首先,利用最小二乘法求取使得第二范数误差和最小的仿射矩阵,并以此作为迭代的初始值;然后,使用试探法分别对仿射矩阵的每一维做矫正使得优化目标函数趋近于极小值。此时,得到的仿射变换矩阵即为配准的结果。
通过上述方法可以快速、准确地对图像进行配准,而且采用第一范数最小的误差模型降低了检测带来的不稳定性,具有很好的鲁棒性。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。