CN104599268A - 一种联合点配准的局部区域精确变形配准算法 - Google Patents
一种联合点配准的局部区域精确变形配准算法 Download PDFInfo
- Publication number
- CN104599268A CN104599268A CN201510008982.3A CN201510008982A CN104599268A CN 104599268 A CN104599268 A CN 104599268A CN 201510008982 A CN201510008982 A CN 201510008982A CN 104599268 A CN104599268 A CN 104599268A
- Authority
- CN
- China
- Prior art keywords
- registration
- deformation
- algorithm
- deformation field
- iteration
- 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
Classifications
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种联合点配准的局部区域精确变形配准算法,本发明方法通过将基于特征的点配准方法和基于强度的图像配准方法结合在一起,尤其是通过B样条模型将点配准的结果转化成变形场,并以该变形场作为后续基于强度图像配准的初始变形场,从而将两种不同方式的配准方法结合在一起,巧妙地利用了点配准配准精度较高的特点,提高了感兴趣区域的配准精度,从而提高受照累积剂量的精度,实现了对图像中某些局部区域进行配准的精度干涉及调控。本发明作为一种联合点配准的局部区域精确变形配准算法可广泛应用于图像变形配准领域。
Description
技术领域
本发明涉及图像变形配准,尤其是一种联合点配准的局部区域精确变形配准算法。
背景技术
常规的放射治疗是以第一次获取的病人计算机断层图像(CT,Computed Tomography)作为计划图像,并只以该计划CT图像生成治疗计划,对病人实施治疗。但实际上,在每一次分次治疗中,病人的内部解剖结构都会发生改变,如技师摆位的误差、病人内部脏器的蠕动、肿瘤随着放疗的进行体积会缩小等,如果仍基于首次计划实施放疗,必将带来严重的剂量误差,并有可能使正常组织卷入高剂量区域。自适应放射治疗(ART,Adaptive Radiotherapy)技术可以解决上述问题。ART技术在治疗分次中获取当次治疗的病人CT图像,并基于该图像重新设计计划,对病人实施治疗。而图像变形配准技术(DIR,Image Deformable Registration)是ART的一项关键技术,它主要用于将计划CT图像上的轮廓线推衍至当前CT图像,避免物理师重新勾画轮廓线的麻烦;另一方面,变形配准可以将各分次的剂量分布变形到同一解剖空间后进行叠加,从而评价病人所受的总剂量照射。
图像变形配准本质上是要寻找一种点对点的空间变换,将一幅图像(浮动图像)的解剖结构变形到另一幅图像(参考图像)上。目前变形配准算法可分为基于物理模型变形配准算法:如基于线性弹性模型的,基于流体力学模型的,基于光流场模型的;也有基于数学函数的变形配准算法:如基于小波变换的,基于薄板样条函数或B样条函数的,基于调和函数的等等。但这些配准算法的精度只和算法模型有关,配准的精度是全局的,它与待配准的图像中某个具体的解剖结构没有关系,即无法通过调节算法参数提高图像中某个感兴趣区域的配准精度。
但在ART中,我们往往要求某些感兴趣的区域(Region ofInterest,ROI),例如肿瘤靶区或危及器官(Organ At Risk,OAR),有较高的配准精度,因为这些区域的配准精度直接关系到剂量计算以及计划重设计的精度,关系到靶区能否接受准确的剂量照射以及危及器官是否受到过量的照射,这与放疗的疗效及愈后有着密切的联系。
发明内容
为了解决上述技术问题,本发明的目的是:提供一种能提高图像中某些感兴趣区域配准精度的CT图像间的变形配准的方法。
本发明所采用的技术方案是:一种联合点配准的局部区域精确变形配准算法,包括有以下步骤:
A、在浮动图像Im和参考图像Is中分别记录同一个感兴趣区域的轮廓线的三维浮动点集和三维参考点集
B、对三维浮动点集和三维参考点集利用基于特征点配准算法进行非刚性点配准;
C、根据步骤B中计算得到的非刚性点配准后的浮动点集及配准前的浮动点集通过B样条模型估算出变形场Δ;
D、根据变形场Δ对浮动图像Im进行形变,得到初步变形后的浮动图像I′m,然后基于图像强度的配准算法对初步变形后的浮动图像I′m和参考图像Is进行变形配准得到配准变形场u;
E、计算最终变形场u+Δ,并得到最终变形的浮动图像Im o(Δ+u)。
进一步,所述步骤B中使用基于薄板样条的TPS-RPM点配准模型,并采用确定性退火算法作为匹配的优化算法,分步交替求解对应度矩阵最优值和变换函数的最优变换参数。
进一步,所述步骤C中计算变形场Δ是根据一维B样条基函数以及控制网格点φi,j,k通过迭代方式求得,具体包括以下步骤:
C1、初始化均匀的B样条控制网格φinit、残差δ以及最大迭代次数N2;
C2、每一次迭代过程中,根据残差计算控制网格点增量并更新控制网格点,计算变换函数然后计算新的浮动点集更新残差;
C3、判断如果残差δ大于预设阈值ε1或迭代小于最大迭代次数,继续步骤C2的迭代过程,否则迭代终止。
进一步,所述步骤D中采用基于光流场模型的Demons变形配准算法。
进一步,所述步骤D具体包括有以下子步骤:
D1、根据上一次迭代变形的浮动图像、参考图像上一次迭代变形的浮动图像的梯度场和参考图像的梯度场计算配准变形场增量;
D2、将本次迭代的配准变形场增量与上一次迭代变形场相加,得到本次的变形场;
D3、根据本次的变形场对上一次迭代得到的浮动图像进行变形,所得到的变形图像作为下一次迭代的浮动图像;
D4、重复执行上述步骤D1-D3得到配准变形场u。
进一步,所述步骤D4中的迭代终止条件为:终止参数小于等于1.0×10-14。
本发明的有益效果是:本发明方法通过将基于特征的点配准方法和基于强度的图像配准方法结合在一起,尤其是通过B样条模型将点配准的结果转化成变形场,并以该变形场作为后续基于强度图像配准的初始变形场,从而将两种不同方式的配准方法结合在一起,巧妙地利用了点配准配准精度较高的特点,提高了感兴趣区域的配准精度,从而提高受照累积剂量的精度,实现了对图像中某些局部区域进行配准的精度干涉及调控。
附图说明
图1为本发明的主步骤流程图;
图2为本发明实施例中TPS-RPM点配准之前施源器区域的轮廓线点集重叠图;
图3为本发明实施例中TPS-RPM点配准之后施源器区域的轮廓线点集重叠图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
参照图1,一种联合点配准的局部区域精确变形配准算法,包括有以下步骤:
A、在浮动图像Im和参考图像Is中分别记录同一个感兴趣区域的轮廓线的三维浮动点集和三维参考点集其中K和N是点集中点的数目;
B、对三维浮动点集和三维参考点集利用基于特征点配准算法进行非刚性点配准;
进一步作为优选的实施方式,所述步骤B中使用基于薄板样条的TPS-RPM点配准模型,并采用确定性退火算法作为匹配的优化算法,分步交替求解对应度矩阵最优值和变换函数的最优变换参数。
其具体的优化过程需要交替迭代进行,在每次迭代的过程都要更新对应度矩阵和变换函数,其具体算法流程如下:
首先进行初始化:mai、f分别表示对应矩阵与薄板样条变换函数;T表示当次迭代的退火温度,T0和Tfinal表示初始退火温度和最终退火温度,r表示退火速度;初始化薄板样条变化参数w=0,d=I;λ表示正则化参数;ε表示算法终止阈值,N表示算法最大迭代次数。
以下交替迭代进行的计算过程可参照以下伪代码段:
C、根据步骤B中计算得到的非刚性点配准后的浮动点集及配准前的浮动点集求解得到变形场(即变形场Δ) 该过程可通过估算在图像域Ω=(x,y,z)|0≤x≤X,0≤y≤Y,0≤z≤Z上一个大小为nx×ny×nz的领域,且控制网格点φi,j,k间距为dx,dy,dz的B样条网格来实现;
所述步骤C中根据一维B样条基函数以及控制网格点φi,j,k求得变形场Δ的计算公式为:
(式10)
其中:
(式11)
Bl,Bm和Bn为B样条基函数:
B0(u)=(1-u)3/6,
B1(u)=(3u3-6u2+4)/6,
B2(u)=(-3u3-3u2+3u+1)/6,
B3(u)=u3/6 (式12)
定义和的残差为 并定义δ的一个子集δ′使得δ′中的元素位于控制网格点φi,j,k的4×4×4邻域中:
(式13)
假设只有上述残差δ′中的邻域点影响φi,j,k的大小,那么最小化残差δ的最小二乘解可由下式近似得到:
其中:
wc=wlmn=Bl(v)Bm(u)Bn(w), (式16)
(式17)
进一步作为优选的实施方式,所述步骤C中计算变形场Δ是根据一维B样条基函数以及控制网格点φi,j,k通过迭代方式求得,具体包括以下步骤:
C1、初始化均匀的B样条控制网格φinit、残差δ以及最大迭代次数N2;
其中初始化残差
C2、每一次迭代过程中,根据残差计算控制网格点增量并更新控制网格点,计算变换函数然后计算新的浮动点集更新残差;
C3、判断如果残差δ大于预设阈值ε1或迭代小于最大迭代次数,继续步骤C2的迭代过程,否则迭代终止。
上述步骤C2和C3采用迭代的方式来计算φi,j,k,即通过每次迭代更新后的φi,j,k计算变换函数ψ,再将变换至然后计算和的残差,如果残差||δ||2≤ε1,ε1=1.0×10-3或迭代次数大于最大迭代次数N2,迭代终止。
迭代过程可参照如下伪代码段:
D、根据变形场Δ对浮动图像Im进行形变,得到初步变形后的浮动图像I′m,然后基于图像强度的配准算法对初步变形后的浮动图像I′m和参考图像Is进行变形配准得到配准变形场u;其中浮动图像的计算公式为:I′m=Im oΔ。
进一步作为优选的实施方式,所述步骤D中采用基于光流场模型的Demons变形配准算法。
进一步作为优选的实施方式,所述步骤D具体包括有以下子步骤:
D1、根据上一次迭代变形的浮动图像、参考图像上一次迭代变形的浮动图像的梯度场和参考图像的梯度场计算配准变形场增量;
具体计算公式为:
上式中,du(k+1)为配准变形场增量,为上次迭代变形的浮动图像,Is为参考图像,为上次迭代变形的浮动图像的梯度场,为参考图像的梯度场,k为迭代循环次数的序号。
D2、将本次迭代的配准变形场增量与上一次迭代变形场相加,得到本次的变形场:
u(k+1)=u(k)+du(k+1)
上式中,u(k+1)为配准变形场,du(k+1)为配准变形场增量,k为迭代循环次数的序号。
D3、根据本次的变形场u(k+1)对上一次迭代得到的浮动图像进行变形,所得到的变形图像作为下一次迭代的浮动图像;
D4、重复执行上述步骤D1-D3得到配准变形场u。
进一步作为优选的实施方式,所述步骤D4中的迭代终止条件为:终止参数εr小于等于1.0×10-14。其中,εr表示为:
εr=∑|du(k-10)|/∑|u(k-10)|-∑|du(k)|/∑|u(k)|
E、计算最终变形场u+Δ,并得到最终变形的浮动图像Im o(Δ+u)。
以下结合图2-3说明本发明的一具体实施例,
读入CT1图像和CT2图像,CT2为浮动图像,CT2为参考图像。该实例是宫颈癌病人实施高剂量率近距离放疗期间获取的两套CT图像,在病人接受高剂量率近距离放疗时,需在其阴道内放置施源器,CT1图像和CT2图像是通过人工手动分割去除施源器后的CT图像,并对该区域赋予了空气的CT值(-1000HU),目的是要通过变形配准,使得两幅CT图像形状匹配,并且使得施源器临近区域(临近区域是高剂量区域)得到较高的配准精度。两幅图像的分辨率均为256×256×54。CT1图像和CT2图像在分割出的施源器区域的轮廓线三维点集分别为 和 其中K=2424,N=2016,TPS-RPM点配准之前施源器区域的轮廓线如图2所示,轮廓线三维点集和的匹配程度不高。
采用基于薄板样条的TPS-RPM点配准算法对点集va和xi进行非刚性点配准。首先初始化参数:初始退火温度T0=0.0002和最终退火温度Tfinal=0.00002;退火速度r=0.93;初始化薄板样条变化参数w=0,d=I;正则化参数λ=1;最大迭代次数N=5;算法终止阈值ε=1.0×10-3;浮动点集和参考点集的点数目分别为K=2424,N=2016。按前述第一段伪代码段中的算法迭代完成浮动点集和参考点集的非刚性配准。经过TPS-RPM点配准后,得到配准后的浮动点集TPS-RPM点配准之后施源器区域的轮廓线如图3所示,轮廓线三维点集和的匹配程度与图2明显不同。
初始化残差最大迭代次数N2=4,B样条控制网格的间距为dx=dy=dz=16,大小为nx=256,nynx×ny×nz=256,nz=54,按照前述第二段伪代码段中的算法计算变形场Δ。
利用步骤D计算的变形场Δ对CT1进行形变,得到初步变形的浮动图像CT′1=CT1 oΔ,然后采用于光流场模型的Demons变形配准算法对CT′1和CT3进行变形配准,得到配准变形场u,最终变形场等于u+Δ,并得到最终变形的浮动图像为CT1 o(Δ+u)。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种联合点配准的局部区域精确变形配准算法,其特征在于:包括有以下步骤:
A、在浮动图像和参考图像中分别记录同一个感兴趣区域的轮廓线的三维浮动点集和三维参考点集;
B、对三维浮动点集和三维参考点集利用基于特征点配准算法进行非刚性点配准;
C、根据步骤B中计算得到的非刚性点配准后的浮动点集及配准前的浮动点集,通过B样条模型估算出变形场;
D、根据变形场对浮动图像进行形变,得到初步变形后的浮动图像,然后基于图像强度的配准算法对初步变形后的浮动图像和参考图像进行变形配准得到配准变形场;
E、计算最终变形场,并得到最终变形的浮动图像。
2.根据权利要求1所述的一种联合点配准的局部区域精确变形配准算法,其特征在于:所述步骤B中使用基于薄板样条的TPS-RPM点配准模型,并采用确定性退火算法作为匹配的优化算法,分步交替求解对应度矩阵最优值和变换函数的最优变换参数。
3.根据权利要求1所述的一种联合点配准的局部区域精确变形配准算法,其特征在于:所述步骤C中计算变形场是根据一维B样条基函数以及控制网格点通过迭代方式求得,具体包括以下步骤:
C1、初始化均匀的B样条控制网格、残差以及最大迭代次数;
C2、每一次迭代过程中,根据残差计算控制网格点增量并更新控制网格点,计算变换函数然后计算新的浮动点集,更新残差;
C3、判断如果残差大于预设阈值或迭代小于最大迭代次数,继续步骤C2的迭代过程,否则迭代终止。
4.根据权利要求1所述的一种联合点配准的局部区域精确变形配准算法,其特征在于:所述步骤D中采用基于光流场模型的Demons变形配准算法。
5.根据权利要求4所述的一种联合点配准的局部区域精确变形配准算法,其特征在于:所述步骤D具体包括有以下子步骤:
D1、根据上一次迭代变形的浮动图像、参考图像上一次迭代变形的浮动图像的梯度场和参考图像的梯度场计算配准变形场增量;
D2、将本次迭代的配准变形场增量与上一次迭代变形场相加,得到本次的变形场;
D3、根据本次的变形场对上一次迭代得到的浮动图像进行变形,所得到的变形图像作为下一次迭代的浮动图像;
D4、重复执行上述步骤D1-D3得到配准变形场。
6.根据权利要求5所述的一种联合点配准的局部区域精确变形配准算法,其特征在于:所述步骤D4中的迭代终止条件为:终止参数小于等于1.0×10-14。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510008982.3A CN104599268A (zh) | 2015-01-06 | 2015-01-06 | 一种联合点配准的局部区域精确变形配准算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510008982.3A CN104599268A (zh) | 2015-01-06 | 2015-01-06 | 一种联合点配准的局部区域精确变形配准算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104599268A true CN104599268A (zh) | 2015-05-06 |
Family
ID=53125018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510008982.3A Pending CN104599268A (zh) | 2015-01-06 | 2015-01-06 | 一种联合点配准的局部区域精确变形配准算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104599268A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867104A (zh) * | 2015-05-20 | 2015-08-26 | 天津大学 | 基于xct图像非刚度配准的目标鼠解剖结构图谱获取方法 |
CN107103618A (zh) * | 2017-02-20 | 2017-08-29 | 南方医科大学 | 基于回归预测的肺4d‑ct多相位图像配准方法 |
CN107924565A (zh) * | 2015-06-24 | 2018-04-17 | 光线搜索实验室公司 | 处理图像数据的系统和方法 |
CN109215759A (zh) * | 2017-07-06 | 2019-01-15 | 瓦里安医疗系统国际股份公司 | 在imrt规划优化期间形成3d剂量分布的交互式直观方法 |
CN109934861A (zh) * | 2019-01-22 | 2019-06-25 | 广东工业大学 | 一种头颈部多模态医学图像自动配准方法 |
CN110827331A (zh) * | 2019-11-04 | 2020-02-21 | 上海联影智能医疗科技有限公司 | 图像配准模型的训练方法、图像配准方法和计算机设备 |
CN110887976A (zh) * | 2019-12-09 | 2020-03-17 | 东北石油大学 | 基于改进的dpiv垂直井油水两相流流速场测量方法 |
CN113112534A (zh) * | 2021-04-20 | 2021-07-13 | 安徽大学 | 一种基于迭代式自监督的三维生物医学图像配准方法 |
CN114359356A (zh) * | 2021-12-28 | 2022-04-15 | 上海联影智能医疗科技有限公司 | 图像配准模型的训练方法、图像配准方法、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102959584A (zh) * | 2011-12-21 | 2013-03-06 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
CN103700101A (zh) * | 2013-12-19 | 2014-04-02 | 华东师范大学 | 一种非刚性脑图像配准方法 |
US20140153797A1 (en) * | 2012-12-04 | 2014-06-05 | Toshiba Medical Systems Corporation | Image registration device and method, image segmentation device and method and medical image apparatus |
-
2015
- 2015-01-06 CN CN201510008982.3A patent/CN104599268A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102959584A (zh) * | 2011-12-21 | 2013-03-06 | 中国科学院自动化研究所 | 功能磁共振图像配准方法 |
US20140153797A1 (en) * | 2012-12-04 | 2014-06-05 | Toshiba Medical Systems Corporation | Image registration device and method, image segmentation device and method and medical image apparatus |
CN103700101A (zh) * | 2013-12-19 | 2014-04-02 | 华东师范大学 | 一种非刚性脑图像配准方法 |
Non-Patent Citations (4)
Title |
---|
HAILI CHUI ET AL.: "A new point matching algorithm for non-rigid registration", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 * |
周露 等: "基于改进Demons算法的非刚性配准及其在肿瘤放疗中的应用", 《南方医科大学学报》 * |
张明慧 等: "利用局部区域约束的医学图像弹性配准", 《计算机工程与应用》 * |
赵永洁: "基于光流场模型的非刚性医学图像配准算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867104B (zh) * | 2015-05-20 | 2017-12-15 | 天津大学 | 基于xct图像非刚度配准的目标鼠解剖结构图谱获取方法 |
CN104867104A (zh) * | 2015-05-20 | 2015-08-26 | 天津大学 | 基于xct图像非刚度配准的目标鼠解剖结构图谱获取方法 |
CN107924565A (zh) * | 2015-06-24 | 2018-04-17 | 光线搜索实验室公司 | 处理图像数据的系统和方法 |
CN107924565B (zh) * | 2015-06-24 | 2021-09-14 | 光线搜索实验室公司 | 处理图像数据的系统和方法 |
CN107103618B (zh) * | 2017-02-20 | 2020-10-27 | 南方医科大学 | 基于回归预测的肺4d-ct多相位图像配准方法 |
CN107103618A (zh) * | 2017-02-20 | 2017-08-29 | 南方医科大学 | 基于回归预测的肺4d‑ct多相位图像配准方法 |
CN109215759A (zh) * | 2017-07-06 | 2019-01-15 | 瓦里安医疗系统国际股份公司 | 在imrt规划优化期间形成3d剂量分布的交互式直观方法 |
CN109215759B (zh) * | 2017-07-06 | 2024-01-19 | 瓦里安医疗系统国际股份公司 | 在imrt规划优化期间形成3d剂量分布的交互式直观方法 |
CN109934861A (zh) * | 2019-01-22 | 2019-06-25 | 广东工业大学 | 一种头颈部多模态医学图像自动配准方法 |
CN109934861B (zh) * | 2019-01-22 | 2022-10-18 | 广东工业大学 | 一种头颈部多模态医学图像自动配准方法 |
CN110827331A (zh) * | 2019-11-04 | 2020-02-21 | 上海联影智能医疗科技有限公司 | 图像配准模型的训练方法、图像配准方法和计算机设备 |
CN110827331B (zh) * | 2019-11-04 | 2022-07-26 | 上海联影智能医疗科技有限公司 | 图像配准模型的训练方法、图像配准方法和计算机设备 |
CN110887976A (zh) * | 2019-12-09 | 2020-03-17 | 东北石油大学 | 基于改进的dpiv垂直井油水两相流流速场测量方法 |
CN110887976B (zh) * | 2019-12-09 | 2021-06-01 | 东北石油大学 | 基于改进的dpiv垂直井油水两相流流速场测量方法 |
CN113112534A (zh) * | 2021-04-20 | 2021-07-13 | 安徽大学 | 一种基于迭代式自监督的三维生物医学图像配准方法 |
CN113112534B (zh) * | 2021-04-20 | 2022-10-18 | 安徽大学 | 一种基于迭代式自监督的三维生物医学图像配准方法 |
CN114359356A (zh) * | 2021-12-28 | 2022-04-15 | 上海联影智能医疗科技有限公司 | 图像配准模型的训练方法、图像配准方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104599268A (zh) | 一种联合点配准的局部区域精确变形配准算法 | |
Dinkla et al. | MR-only brain radiation therapy: dosimetric evaluation of synthetic CTs generated by a dilated convolutional neural network | |
Periaswamy et al. | Medical image registration with partial data | |
Ghose et al. | A review of segmentation and deformable registration methods applied to adaptive cervical cancer radiation therapy treatment planning | |
Saleh et al. | The distance discordance metric—a novel approach to quantifying spatial uncertainties in intra-and inter-patient deformable image registration | |
Xing et al. | Computational challenges for image-guided radiation therapy: framework and current research | |
Burgos et al. | Iterative framework for the joint segmentation and CT synthesis of MR images: application to MRI-only radiotherapy treatment planning | |
JP2009536857A5 (ja) | 画像誘導型放射線治療のための画像の変形可能なレジストレーション | |
Elmahdy et al. | Adversarial optimization for joint registration and segmentation in prostate CT radiotherapy | |
Park et al. | Deformable registration of CT and cone-beam CT with local intensity matching | |
CN103226837B (zh) | 一种观察子宫肿瘤放疗总剂量的分布图像的生成方法 | |
Lou et al. | Joint CT/CBCT deformable registration and CBCT enhancement for cancer radiotherapy | |
Zachiu et al. | Non-rigid CT/CBCT to CBCT registration for online external beam radiotherapy guidance | |
Rigaud et al. | Deformable image registration for dose mapping between external beam radiotherapy and brachytherapy images of cervical cancer | |
Zhen et al. | A segmentation and point-matching enhanced efficient deformable image registration method for dose accumulation between HDR CT images | |
Malsch et al. | An enhanced block matching algorithm for fast elastic registration in adaptive radiotherapy | |
Murr et al. | Applicability and usage of dose mapping/accumulation in radiotherapy | |
Salehi et al. | Deep learning-based non-rigid image registration for high-dose rate brachytherapy in inter-fraction cervical cancer | |
Shao et al. | Automatic liver tumor localization using deep learning‐based liver boundary motion estimation and biomechanical modeling (DL‐Bio) | |
Li et al. | Deformable registration using edge‐preserving scale space for adaptive image‐guided radiation therapy | |
Silva et al. | Fast volumetric registration method for tumor follow‐up in pulmonary CT exams | |
Chou et al. | Claret: A fast deformable registration method applied to lung radiation therapy | |
Zheng et al. | Deformable registration of chest CT images using a 3D convolutional neural network based on unsupervised learning | |
Naitsat et al. | Geometric approach to detecting volumetric changes in medical images | |
CN103268622B (zh) | 一种用于观察子宫肿瘤放疗总剂量的分布图像的生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150506 |
|
RJ01 | Rejection of invention patent application after publication |