CN104504705B - 小动物多模态医学影像配准及融合方法 - Google Patents

小动物多模态医学影像配准及融合方法 Download PDF

Info

Publication number
CN104504705B
CN104504705B CN201410819671.0A CN201410819671A CN104504705B CN 104504705 B CN104504705 B CN 104504705B CN 201410819671 A CN201410819671 A CN 201410819671A CN 104504705 B CN104504705 B CN 104504705B
Authority
CN
China
Prior art keywords
image
sequence
toy
coordinate system
pet
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
Application number
CN201410819671.0A
Other languages
English (en)
Other versions
CN104504705A (zh
Inventor
罗守华
杨晶
李光
顾宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201410819671.0A priority Critical patent/CN104504705B/zh
Publication of CN104504705A publication Critical patent/CN104504705A/zh
Application granted granted Critical
Publication of CN104504705B publication Critical patent/CN104504705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/38—Registration of image sequences
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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

Abstract

本发明公开了一种小动物多模态医学影像配准及融合方法，属于图像处理领域。该方法采用体外标记的方法，小动物床外侧固定有两根注射有混合显像剂的相交叉的管子作为体外标记物，在两种及两种以上医学影像设备间建立参考坐标系ORef，通过公共参考坐标系将不同医学影像设备采集到的图像进行融合。融合过程为为非人工干预。该方法简单且可以实现小动物多模态医学影像的配准及融合，为独立的医学影像设备采集到的图像提供更丰富的信息。

Description

小动物多模态医学影像配准及融合方法
技术领域
本发明属于多模态医学设备图像配准及融合技术领域，具体涉及独立的临床或实验小动物多模态医学影像配准及图像融合方法。
背景技术
目前，多模态医学成像在临床工作中主要用于肿瘤、心血管系统、神经系统等方面的疾病中，而在科学家对某种疾病的认识和研究过程中，动物模型的建立对于了解疾病相关发病机制、演变过程及治疗领域的新药研发和疗效监测等都具有不可替代的重要作用，因此多模态医学成像在小动物领域的研究也逐步展开。
但专用小动物多模态医学成像设备价格不菲，且在操作和维护上较为复杂，因此限制了多模态医学影像设备在小动物临床和科研上的大范围应用。解决方案是采用独立的小动物医学影像设备，将采集的图像进行融合。目前，独立的医学影像设备间图像融合的解决方案主要分为以下两种：一、基于硬件的改造。二、基于软件的图像融合，该方法主要基于标记物的空间匹配来实现不同设备间图像的融合。标记方法又可以分为体内标记(有创)和体外标记(无创)。
目前常用的医学影像设备按成像内容可以分为解剖结构成像和功能性成像两大类。解剖结构成像设备主要对组织结构进行成像，主要包括：超声、X线、计算机断层成像(CT)、核磁共振成像、数字减影等；功能性成像主要对组织代谢信息进行成像，主要包括：单光子发射成像(SPECT)、正电子发射断层成像(PET)、功能磁共振成像(fMRI)等。不同成像手段各有所长。如CT对于骨骼成像清晰，MRI对于软组织成像更为清晰等。由于科研需求，一种独立的显像设备并不能为动物疾病模型提供足够精确、全面的信息。如小动物PET成像系统获取的PET图像不能够为动物模型提供更精确的空间定位，而CT图像对骨骼进行清晰的成像，为小动物PET提供更为精确的空间定位，所以需要引进一台小动物活体CT，并将活体CT系统采集到的小动物图像和PET图像进行融合。由于硬件的改造成本高，风险大，且针对小动物疾病模型的研究不宜采用有创标记。又由于传统的体外点大，且针对小动物疾病模型的研究不宜采用有创标记。又由于传统的体外点标记的方法在点源的制作标记方面较为复杂，操作带来的误差较大，故本文提出一种新的解决方案，基于简单的体外标记(无创)、空间配准的软件融合方法，将分离的医学影像设备所采集到的图像进行融合，使得小动物多模态图像融合获得理想的结果。
发明内容
本发明的目的在于提供一种小动物多模态医学影像配准及图像融合方法，解决了现有技术中存在的体外标记点难以标记制作，操作过程要求较高，融合计算量大，融合效果不理想等缺陷。
为了解决现有技术中的存在的问题，本发明提供的技术方案如下：
一种小动物多模态医学影像配准及图像融合方法，包括以下步骤：
第一步、体外标记物的设计。本方法采用体外标记配准，在可移动的小动物床外侧固定有2根相交的呈直线状的管子，管子材料不影响影响设备图像采集拍摄，管子内部可注射不同显像设备的混合造影剂。
第二步、分别获取设备1图像序列P1，设备2图像序列P2，由于不同设备采集到的图像各向分辨率不一致，以最大精度图像为基准进行三线性插值统一分辨率。
第三步、遍历P1和P2序列，确定标记装置在每帧断层图像上的位置(用质心表示)。针对所采集到的所有点，进行直线拟合，得到两条直线在设备1和设备2原始坐标系下的直线方程。
第四步、在P1及P2序列中，选择一条直线记为l1，并选定与另一条直线记为l2相交的反方向作为新坐标系的Z方向(ZRef)。在P1图像序列中l2上任取一点P，过该点做直线l1的垂线，记垂足为ORef,计算点P和ORef的距离并记为d,ORefP所指方向为新坐标系的X方向(XRef)；同理，P2图像序列中，在l2上确定点P，使得点P到直线l1的距离等于d，记垂足为ORef。确定ORef P所指方向为新坐标系的X方向(XRef)。
第五步、计算坐标转换矩阵。P1序列中参考坐标系的单位坐标轴矢量XRef,YRef,ZRef和原点ORef均由P1图像序列的成分如下表示(其中e1 x,e2 x,e3 x为原始坐标系XYZ方向单位向量，x0,y0,z0为ORef在原始坐标系下坐标)：
XRef＝(e1 x,e2 x,e3 x)T,
YRef＝(e1 y,e2 y,e3 y)T,
ZRef＝(e1 z,e2 z,e3 z)T,
ORef＝(x0,y0,z0)T。
则可以确定新坐标和原始坐标系之间的转换关系H。
其中M如下：
第六步、确定原始坐标系下p1图像序列中像素点在参考坐标系下的坐标值。设点A在P1图像序列中坐标为A＝(x,y,z)T，在参考坐标系下为A″＝(x″,y″,z″)T。则二者坐标关系为A″＝H*A。
第七步、确定p1图像序列原始坐标系和参考坐标系的转换关系。P2图像序列中的参考坐标系各向矢量XRef,YRef,ZRef和原点ORef均由P2图像的成分如下表示(其中e1 x,e2 x,e3 x为原始坐标系XYZ方向单位向量，x0,y0,z0为ORef在原始坐标系下坐标)：
XRef＝(e1 x,e2 x,e3 x)T,
YRef＝(e1 y,e2 y,e3 y)T,
ZRef＝(e1 z,e2 z,e3 z)T,
ORef＝(x0,y0,z0)T。
即可确定空间坐标转换逆矩阵为：
第八步、确定原始坐标系下P2图像序列中像素点在参考坐标系下的坐标值。设点A‘在P2图像序列中坐标为A’＝(x,y,z)T，在参考坐标系下为A″＝(x″,y″,z″)T。则二者坐标关系为由步骤S5确定的P1序列像素点与参考坐标系像素点关系A″＝H*A，可得P1序列与P2序列像素点坐标关系为即可实现图像配准。
第九步、小动物多模态图像显示方法。包括：以灰度显示独立设备所采集到的需融合的小动物横断面、矢状面、冠状面图像；融合图像中将不同设备采集到的图像按照不同的颜色编码叠加显示，以方便区分；融合图像中某种设备所述功能图像中大于所选功能活动最低阈值、小于所选择功能活动最高阈值的部分进行颜色编码；多种设备间图像按设定的比例叠加。
一种小动物多模态医学影像配准及图像融合方法优点在于将不同医学影像设备图像信息进行整合，如结构信息和功能信息整合，为小动物疾病模型的建立和诊断提供信息更丰富、定位更精确的多模态图像显示。
一种小动物多模态医学影像配准及图像融合方法另一个优点在于简化了标记点的制备，降低了操作过程的复杂度。融合过程中无需人工干涉，减少了人为因素带来的误差。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1是小动物床外体外标记物固定方法示意图；
图2是一种独立的小动物PET/CT的图像融合算法流程图；
图3是独立的小动物PET/CT的图像融合CT和PET断层图像示意图；
图4是独立的小动物PET/CT的图像融合方法中建立的原始坐标系；
图5是独立的小动物PET/CT的图像融合方法中新坐标系的建立方法示意图。
图6是独立的小动物PET/CT的图像融合方法融合实例图像。
具体实施方式
为了更详尽的表述上述发明的技术方案，以下本发明人列举出具体的实施例来说明技术效果；需要强调的是，这些实施例是用于说明本发明而不限于限制本发明的范围。
实施例
本发明的技术方案是一种小动物多模态医学影像配准及图像融合方法，可以实现两种及两种以上医学影像设备的图像融合。本实例选择具有代表性的小动物PET/CT图像融合做为实施例。具体实施方案可分为小动物床的设计，实验操作过程，图像融合算法及融合图像显示方法。
小动物床在载物台上的固定方案如图1。载物台为碳纤维材料(长900mm,弧度R59)，该载物台可以在小动物PET和小动物CT间轻松地自由移动。小动物床底部有两个螺纹孔，可以与载物台底部固定在一起。又采用两个金属套夹，以便进一步保证小动物床与载物台之间的相对稳定性。
小动物床的设计方案如图2。小动物床底部为半圆柱形，上侧为两个平板搭建成的屋脊形状。小动物床一侧密封，另一侧采用3mm厚亚克力材料板子构成一个密封空间，并在该板子上开有数个通风孔，保证小动物床内空气流通。该3mm厚亚克力材料板子上还保留有保温装置接口、呼吸门控接口以及气体麻醉接口。在小动物床的上侧屋脊状部分分别固定有两根PVC材料的管子(外径：2.0mm，内径：1.4mm)，两根管子均为直线，且相交于一点。
实验操作过程如下：由于PVC材料导管在小动物CT设备上显像为亮白色圆环，故只需将小动物床上固定的四根PVC材料管子注射小动物PET显像剂(18F氟脱氧葡萄糖(15uci/ml))，在PET断层图像中显示为一个亮斑；将预麻醉的小动物固定在气体麻醉呼吸套嘴上，推入小动物床内部；进行15-20min小动物PET(成像视野范围：横断面100mm×100mm，轴向127mm；各向分辨率：X、Y方向0.776383mm×0.776383mm，Z方向0.796mm)扫描；将扫描后的小动物床连同载物台一同移动到距离小动物PET1米左右的小动物CT(成像视野范围可自调；各向分辨率：X、Y方向0.07624mm×0.07624mm，Z方向0.22872mm)上，固定好小动物载物台；继续进行小动物CT扫描；收集采集重建好的小动物PET和小动物CT图像。
图像融合算法(如图3)具体步骤可以分述为：
第一步：读取采集到的PET和CT断层图像。由于PET图像的各向分辨率低于CT图像，故对PET图像各向插值，使其分辨率与CT图像相同。
第二步：遍历CT和PET序列，找到每帧断层图像上的两个标记点如图(3)，标记点的坐标参照原始坐标系(如图4)，以单帧图像所在平面为XY平面。记CT图像某一帧图像上两个点分别为P＝(x,y,z)、P1＝(x1,y1,z)。记PET图像某一帧图像上两个点分别为P'＝(x',y',z')和P1'＝(x1',y1',z')。
第三步：针对所采集到的所有点，进行直线拟合。得到CT图像上两条直线在原始坐标系下的直线方程；同理可得PET图像上两条直线在原始坐标系下的直线方程。
第四步：如图5所示，在CT图像中，选择其中一条直线lct1，并选定与另一条直线lct2相交的反方向作为新坐标系的Z方向。同理选择PET图像中相对应的直线以及相对应的方向作为新坐标系的Z方向。
第五步：在CT图像lct2随意确定一点P，过点P做直线lct1的垂线，记垂足为O1ct。计算空间点P和O1ct的距离并记为d。O1ct为原点，O1ctP所指方向为新坐标系的X方向。同理，PET图像上，在lpet2上确定点P，使得点P到直线lpet1的距离等于d，记垂足为O1pet。确定O1pet P所指方向为新坐标系的X方向。继而确定CT和PET图像新坐标系下的Y轴方向。
第六步：计算坐标转换矩阵。CT图像中的新坐标系的单位坐标轴矢量X1CT,Y1CT,Z1CT和原点O1CT均由CT图像的成分如下表示：
X1CT＝(e1 x,e2 x,e3 x)T,
Y1CT＝(e1 y,e2 y,e3 y)T,
Z1CT＝(e1 z,e2 z,e3 z)T,
O1CT＝(x0,y0,z0)T。
则可以确定新坐标和原始坐标系之间的转换关系H。
其中M如下：
第七步：计算原始坐标系下CT图像中的像素点在新的坐标系下的坐标值。设点A由原始CT图像成分表示坐标为A＝(x,y,z)T，在新坐标系下坐标为A″＝(x″,y″,z″)T。则二者坐标关系为A″＝H*A。第八步：确定PET图像中原始坐标系和新坐标系的转换关系。PET图像中的新坐标系的单位坐标轴矢量X1PET,Y1PET,Z1PET和原点O1PET均由PET图像的成分如下表示
X1PET＝(e1 x,e2 x,e3 x)T,
Y1PET＝(e1 y,e2 y,e3 y)T,
Z1PET＝(e1 z,e2 z,e3 z)T,
O＝(x0,y0,z0)T
即可确定空间坐标转换逆矩阵为：
第九步：确定了CT图像中某像素点在新坐标系下的坐标值之后，由于CT和PET图像中新坐标系在实际空间中表示的是同一坐标系，所以A″的坐标与PET图像中新坐标系下的对应点的坐标相同。设对应点在PET原始坐标系下的点坐标为A'＝(x',y',z')T。通过第八步所确定的PET原始坐标和新坐标的逆转换矩阵即可确定A'和A″的关系，即又由于第七步确定的A″＝H*A，即可确定找到了CT和PET图像上对应点的坐标。A'所得的各向坐标可能不为整数，需要对确切坐标的像素进行三线性插值。通过遍历所有CT图像的像素确定与其对应的PET图像中的像素，进而实现图像融合。
上述实例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种小动物多模态医学影像配准及融合方法，该方法采用体外标记，在用于转移小动物的装置外侧固定有2根相交管子，管子材料不影响医学影像设备图像的采集，管子内部注射有医学影像设备混合造影剂，能够同时在不同医学影像设备上显像；
具体方法包括：
采用空间刚体配准、建立空间参考坐标系：
S1、分别获取设备1图像序列P1，设备2图像序列P2，由于不同设备采集到的图像各向分辨率不一致，以最大精度图像为基准进行三线性插值统一分辨率；
S2、遍历P1和P2序列，确定标记装置在每帧断层图像上的位置，所述位置用质心表示，针对所采集到的所有点，进行直线拟合，得到两条直线在设备1和设备2原始坐标系下的直线方程；
S3、在P1及P2序列中，通过标记装置所确定的两条直线，在各自序列中确定参考坐标系，设P1序列中参考坐标系和原始坐标系之间的转换关系为H，点A在p1图像序列中坐标为A＝(x,y,z)T，在参考坐标系下为A”＝(x”,y”,z”)T，则二者坐标关系为A”＝H*A；设P2序列中参考坐标系和原始坐标系之间的转换关系为HPET，点A'在p2图像序列中坐标为A'＝(x',y',z')T，在参考坐标系下为A”＝(x”,y”,z”)T,则二者坐标关系为A”＝HPET*A'，可得P1序列与P2序列像素点坐标关系为A'＝HPET -1*H*A，即可实现图像配准；
图像融合方法为全自动非人工干涉。
CN201410819671.0A 2014-12-25 2014-12-25 小动物多模态医学影像配准及融合方法 Active CN104504705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410819671.0A CN104504705B (zh) 2014-12-25 2014-12-25 小动物多模态医学影像配准及融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410819671.0A CN104504705B (zh) 2014-12-25 2014-12-25 小动物多模态医学影像配准及融合方法

Publications (2)

Publication Number Publication Date
CN104504705A CN104504705A (zh) 2015-04-08
CN104504705B true CN104504705B (zh) 2017-10-10

Family

ID=52946099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410819671.0A Active CN104504705B (zh) 2014-12-25 2014-12-25 小动物多模态医学影像配准及融合方法

Country Status (1)

Country Link
CN (1) CN104504705B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820989A (zh) * 2015-05-07 2015-08-05 中国科学院自动化研究所 图像配准方法
CN107481272A (zh) * 2016-06-08 2017-12-15 瑞地玛医学科技有限公司 一种放射治疗计划图像配准与融合的方法及系统
CN106361366B (zh) 2016-11-02 2019-05-03 上海联影医疗科技有限公司 多模态图像配准方法及系统
CN106890000B (zh) * 2016-12-28 2020-04-28 赛诺联合医疗科技（北京）有限公司 多模态探测系统的坐标配准模体
CN107067366A (zh) * 2017-04-17 2017-08-18 苏州海斯菲德信息科技有限公司 小动物医学影像多段配准及拼接方法
CN107374656B (zh) * 2017-05-26 2019-12-03 赛诺联合医疗科技（北京）有限公司 多模态探测系统的坐标配准模体
CN108053433B (zh) * 2017-11-28 2020-06-02 浙江工业大学 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法
TWI684994B (zh) * 2018-06-22 2020-02-11 國立臺灣科技大學 脊椎影像註冊方法
CN109035137B (zh) * 2018-07-27 2022-11-25 重庆邮电大学 一种基于最优传输理论的多模态医学图像融合方法
CN109044390A (zh) * 2018-09-07 2018-12-21 北京锐视康科技发展有限公司 一种pet-ct配准装置及其配准方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101057786B (zh) * 2006-04-19 2010-11-17 陈兆秋 Ct、mr图像融合体外控制点用的模块
CN103854270A (zh) * 2012-11-28 2014-06-11 广州医学院第一附属医院 一种ct和mr异机三维图像融合的配准方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004022902B4 (de) * 2004-05-10 2006-07-06 Siemens Ag Verfahren zur medizinischen Bilddarstellung und -verarbeitung, Computertomografiegerät, Arbeitsstation und Computerprogrammprodukt

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101057786B (zh) * 2006-04-19 2010-11-17 陈兆秋 Ct、mr图像融合体外控制点用的模块
CN103854270A (zh) * 2012-11-28 2014-06-11 广州医学院第一附属医院 一种ct和mr异机三维图像融合的配准方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多源动态图像序列配准研究;张庭厚;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100415(第04期);第四章第4.1-4.2节 *

Also Published As

Publication number Publication date
CN104504705A (zh) 2015-04-08

Similar Documents

Publication Publication Date Title
CN104504705B (zh) 小动物多模态医学影像配准及融合方法
Udupa et al. Body-wide hierarchical fuzzy modeling, recognition, and delineation of anatomy in medical images
Khmelinskii et al. Articulated whole-body atlases for small animal image analysis: construction and applications
US20030233039A1 (en) Physiological model based non-rigid image registration
CN100559397C (zh) 手术中二维图像与手术前三维图像的仿射配准方法和系统
CN104739510B (zh) 一种新的构建序列影像与呼吸信号对应关系的方法
JP6768862B2 (ja) 医用画像処理方法、医用画像処理装置、医用画像処理システム及び医用画像処理プログラム
CN109961834A (zh) 影像诊断报告的生成方法及设备
Kumar et al. Multiscale imaging and registration-driven model for pulmonary acinar mechanics in the mouse
CN110517238A (zh) Ct医学影像ai三维重建与人机交互可视化网络系统
Kok et al. Articulated planar reformation for change visualization in small animal imaging
CN101947103B (zh) 全光学生物发光断层成像方法
Zhang et al. Respiratory average CT for attenuation correction in myocardial perfusion SPECT/CT
CN107481326A (zh) 一种基于ct影像体渲染的解剖结构vr显示方法
CN108734163A (zh) 确定弥散张量成像感兴趣区的方法
CN109146993A (zh) 一种医学图像融合方法及系统
CN104665857A (zh) 多模态成像系统配准方法
CN103815928B (zh) 一种多模态成像系统的图像配准装置及其配准方法
CN104517293B (zh) 小动物多模态医学影像配准及融合系统
CN103126702B (zh) 多模态医学图像融合体外标志点
Kamphuis et al. Development of a dynamic myocardial perfusion phantom model for tracer kinetic measurements
CN111312373A (zh) 一种pet/ct图像融合自动标注方法
CN203447299U (zh) 一种pet运动式pet-ct装置
Hao et al. 4D image construction from free-breathing MRI slice acquisitions of the thorax based on a concept of flux
CN203763057U (zh) 一种多模态成像系统的图像配准装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant