CN105139382A - 一种冠状动脉内超声图像序列的弹性配准方法 - Google Patents
一种冠状动脉内超声图像序列的弹性配准方法 Download PDFInfo
- Publication number
- CN105139382A CN105139382A CN201510481070.8A CN201510481070A CN105139382A CN 105139382 A CN105139382 A CN 105139382A CN 201510481070 A CN201510481070 A CN 201510481070A CN 105139382 A CN105139382 A CN 105139382A
- Authority
- CN
- China
- Prior art keywords
- vessels
- lumen
- icus
- profile
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002792 vascular Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 210000004351 coronary vessel Anatomy 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 5
- 241000270295 Serpentes Species 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 abstract description 6
- 210000004204 blood vessel Anatomy 0.000 abstract description 5
- 230000000747 cardiac effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 208000029078 coronary artery disease Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种冠状动脉内超声图像序列的弹性配准方法,所述方法首先从各帧ICUS灰阶图像中提取出血管腔轮廓(即血管壁的内膜轮廓);然后对血管腔轮廓进行离散化,获得轮廓特征点;最后,采用薄板样条(TPS)插值算法寻找两帧图像中血管腔轮廓特征点对之间的对应关系,实现两帧图像的弹性配准。本发明以血管腔的轮廓作为配准依据,不仅可对由心脏运动引起的图像错位进行纠正,而且大大降低了算法的复杂度和运算量,为从ICUS图像中提取血管壁边缘、定量测量血管形态参数以及三维重建血管创造了便利条件。
Description
技术领域
本发明涉及一种对相邻帧冠状动脉内超声灰阶图像进行弹性配准的方法,以找到相邻帧中血管腔轮廓之间的对应关系,纠正由心脏运动引起的图像错位,属于医学成像技术领域。
背景技术
冠状动脉内超声(intracoronaryultrasound,ICUS)成像是临床常用的诊断冠状动脉粥样硬化性疾病的介入影像手段,在冠心病的介入诊疗中有很高的指导价值。它利用导管将一个高频微型超声探头导入血管腔内进行探测,在缓慢回撤导管的过程中获得一系列血管腔的横截面(即B-模式)图像(即轴位视图),显示血管壁的组织结构和几何形态的解剖信息。在轴位视图中血管壁呈现回声不同的三层环形结构:超声导管始终位于图像中心,周围由内而外依次为管腔、血管壁内膜及内弹性膜、中膜、外膜和外弹性膜以及毗邻结构。临床常用的超声导管回撤速度是0.5mm/s,帧速率为30fps(帧/秒),以此速率通过1mm长的血管段可以得到60帧图像,因而连续两帧图像之间具有很强的相关性,图像内容十分相似。
冠状动脉附着在心外膜表面上,在心动周期中随心脏有节律地运动。在连续回撤超声导管采集ICUS图像的过程中,由心脏运动引起的血管壁移位以及血管曲率和管腔直径的改变,都会导致各帧ICUS图像之间很难保持空间上的一致性。为了保证从ICUS图像中提取血管壁边缘、定量测量血管形态参数以及三维重建血管等的准确性,必须对由心脏运动引起的图像错位进行纠正。然而现有的图像配准方法普遍存在算法复杂、运算量大的缺点,因此还需进一步进行改进。
发明内容
本发明的目的在于针对现有技术之弊端,提供一种算法简单、运算量小的冠状动脉内超声图像序列的弹性配准方法。
本发明所述问题是以下述技术方案实现的:
一种冠状动脉内超声图像序列的弹性配准方法,所述方法首先从各帧ICUS灰阶图像中提取出血管腔轮廓(即血管壁的内膜轮廓);然后对血管腔轮廓进行离散化,获得轮廓特征点;最后,采用薄板样条(thinplatespline,TPS)插值算法寻找两帧图像中血管腔轮廓特征点对之间的对应关系,实现两帧图像的弹性配准。
上述冠状动脉内超声图像序列的弹性配准方法,具体步骤如下:
a.提取各帧ICUS图像中的血管腔轮廓
采用snake模型技术提取出各帧ICUS灰阶图像中连续、光滑、闭合的血管腔轮廓曲线;
b.提取血管腔轮廓的特征点
将完成血管腔轮廓提取的ICUS横向视图进行极坐标变换,得到极坐标视图,在极坐标视图中,对血管腔轮廓曲线进行等间隔取样,将其离散化,得到轮廓特征点;
c.自动配准各相邻帧ICUS图像中的血管腔轮廓
采用薄板样条插值配准算法,通过使TPS的变形能最小,联合求解相邻帧管腔轮廓点集之间的匹配矩阵和映射参数,找到相邻帧ICUS图像中血管腔轮廓特征点对之间的一一对应关系,具体方法如下:
假设相邻帧ICUS图像中的血管腔轮廓点集分别为C1={c1k∈C1,k=1,2,...,K}和C2={c2i∈C2,i=1,2,...,N},配准C1和C2的TPS变形能表达式为:
其中,E(M,f)是TPS的变形能;f(·)是坐标变换函数,表达式为 式中,a1、ax、ay和wi(i=1,2,…,N)为待定系数,Pi=(xi,yi)(i=1,2,...,N)是待配准点集中的一点,函数U(r)是TPS的基函数:U(r)=r2lgr2,式中,T是温度系数;M={mki∈[0,1];i=1,2,...,N;k=1,2,...,K}是轮廓点集C1和C2之间的匹配矩阵;mki是C1中的一点c1k和C2中的一点c2i之间的映射系数(即匹配度),其计算式为:η是权重参数,
通过使E(M,f)最小,逐次迭代,联合求解血管腔轮廓点集之间的匹配矩阵和映射参数,找到相邻帧ICUS图像中血管腔轮廓特征点对之间的一一对应关系。
本发明以血管腔的轮廓作为配准依据,不仅可对由心脏运动引起的图像错位进行纠正,而且大大降低了算法的复杂度和运算量,为从ICUS图像中提取血管壁边缘、定量测量血管形态参数以及三维重建血管创造了便利条件。
附图说明
下面结合附图对本发明作进一步说明。
图1是完成血管腔轮廓提取的一帧ICUS图像的极坐标视图;
图2是对血管腔轮廓进行离散化之后的极坐标视图;
图3是对相邻两帧ICUS图像的配准结果。
文中各符号表示为:C1={c1k∈C1,k=1,2,...,K}、C2={c2i∈C2,i=1,2,...,N}、相邻帧ICUS图像中的血管腔轮廓点集;K、N、轮廓点集C1和C2中的点数;E(M,f)、薄板样条(TPS)的变形能;f(·)、坐标变换函数;c1k、轮廓点集C1中的第k个点;c2i、轮廓点集C2中的第i个点;uk、轮廓点c1k根据变换函数f经过一次变换之后的位置;a1、ax、ay、wi(i=1,2,…,N)、变换函数f的待定系数;U(r)、薄板样条的基函数,其中x、y、轮廓点的横、纵坐标;T、温度系数;mki、C1中的一点c1k和C2中的一点c2i之间的映射系数(即匹配度);M、轮廓点集C1和C2之间的匹配矩阵;η、权重参数。
具体实施方式
下面结合附图详细说明本发明方法的具体步骤:
1.提取各帧ICUS图像中的血管腔轮廓
首先采用snake模型技术(M.Kass,A.Witkin,D.Terzopoulos.Snakes:activecontourmodels.InternationalJournalofComputerVision.1987,vol.1,no.4,pp.321-331)提取出各帧ICUS灰阶图像中连续、光滑、闭合的血管腔轮廓曲线。
2.提取血管腔轮廓的特征点
将完成血管腔轮廓提取的ICUS横向视图进行极坐标变换,得到极坐标视图,如附图1所示。然后,在极坐标视图中,对血管腔轮廓曲线进行等间隔取样,将其离散化,如附图2所示。
3.自动配准各相邻帧ICUS图像中的血管腔轮廓
本发明方法采用薄板样条(thinplatespline,TPS)插值配准算法(BooksteinF.L.Principalwarps:thin-platesplinesandthedecompositionofdeformations.IEEETransactionsonPatternAnalysisandMachineIntelligence.1989,11(6):567-585),通过使TPS的变形能最小,联合求解相邻帧中血管腔轮廓点集之间的匹配矩阵和映射参数,找到相邻帧ICUS图像中血管腔轮廓之间的一一对应关系。具体步骤如下:
假设相邻帧ICUS图像中的血管腔轮廓点集分别为C1={c1k∈C1,k=1,2,...,K}和C2={c2i∈C2,i=1,2,...,N}。配准C1和C2的TPS变形能表达式为
下面解释式(1)中各参数的含义:
●f(·)是坐标变换函数:
根据变换函数f将轮廓点c1k一次变换之后的位置为uk=f(c1k)。采用TPS插值法对待配准的点集进行坐标变换,即确定每一次迭代中轮廓点集的坐标变换函数f(·):
其中,a1、ax、ay和wi(i=1,2,…,N)为待定系数;Pi=(xi,yi)(i=1,2,...,N)是待配准点集中的一点;函数U(r)是TPS的基函数:
U(r)=r2lgr2(3)
其中,
●T是温度系数:
当T值较大时,点对之间对应关系的约束比较松散,随着T值的减小,则TPS的变形能也会随之减小,点对之间的对应关系也更加精确。
●mki是C1中的一点c1k和C2中的一点c2i之间的映射系数(即匹配度),其计算式为
其中,上标“T”表示对矩阵进行转置运算。理想情况下,当c1k与c2i是匹配点时,mki=1;否则mki=0。但是,对于实际的ICUS图像,血管腔轮廓点对之间的匹配度可能不是理想的0或者1,因此得到点集C1和C2之间的匹配矩阵:
M={mki∈[0,1];i=1,2,...,N;k=1,2,...,K}(5)
M中的元素是区间[0,1]之内的小数,使得判断两个轮廓点之间的对应关系更具有鲁棒性。
●η是权重参数:
η控制估计两个待配准点集中奇异点的数量。目前尚不存在计算该参数的统一方法,本发明方法将每个点集中奇异点的温度系数T设置为一个极大值,使得奇异点形成一个集合,并位于整个点集的中间位置。
通过使式(1)最小,即
逐次迭代,联合求解血管腔轮廓点集之间的匹配矩阵和映射参数,找到相邻帧ICUS图像中血管腔轮廓之间的一一对应关系。在迭代过程开始时,预先设定T的初始值,在逐次迭代的过程中,T值逐渐减小,匹配矩阵M也不断更新。当变形能达到最小值时,迭代过程结束,参考点与标志点之间的对应关系也随之确定,配准过程完成。
与现有方法相比,本发明方法的优势在于:
(1)通过将待配准点之间的对应系数设置为[0,1]区间内的小数,使得对应关系更加平滑、连续,有效克服了对应关系非1即0的现象。
(2)通过最小化TPS的变形能,联合求解待配准点集之间的变换矩阵以及映射参数,最终实现点集之间的弹性配准。
(3)通过设置温度系数T控制对应关系:配准过程开始时T值较大,最小化能量式(6)中刚性映射部分的比重较大,即配准更偏重于刚性映射;随着迭代过程的进行,T值逐渐减小,最小化能量式(6)中弹性映射的比重变大,使得配准更加具有弹性。此外,还可以通过控制T的变化速率控制配准的步长,与迭代次数进行权衡,最终达到精确的配准结果。
Claims (2)
1.一种冠状动脉内超声图像序列的弹性配准方法,其特征是,所述方法首先从各帧ICUS灰阶图像中提取出血管腔轮廓(即血管壁的内膜轮廓);然后对血管腔轮廓进行离散化,获得轮廓特征点;最后,采用薄板样条(TPS)插值算法寻找两帧图像中血管腔轮廓特征点对之间的对应关系,实现两帧图像的弹性配准。
2.根据权利要求1所述的一种冠状动脉内超声图像序列的弹性配准方法,其特征是,所述方法包括以下步骤:
a.提取各帧ICUS图像中的血管腔轮廓
采用snake模型技术提取出各帧ICUS灰阶图像中连续、光滑、闭合的血管腔轮廓曲线;
b.提取血管腔轮廓的特征点
将完成血管腔轮廓提取的ICUS横向视图进行极坐标变换,得到极坐标视图,在极坐标视图中,对血管腔轮廓曲线进行等间隔取样,将其离散化,得到轮廓特征点;
c.自动配准各相邻帧ICUS图像中的血管腔轮廓
采用薄板样条插值配准算法,通过使TPS的变形能最小,联合求解相邻帧管腔轮廓点集之间的匹配矩阵和映射参数,找到相邻帧ICUS图像中血管腔轮廓特征点对之间的一一对应关系,具体方法如下:
假设相邻帧ICUS图像中的血管腔轮廓点集分别为C1={c1k∈C1,k=1,2,...,K}和C2={c2i∈C2,i=1,2,...,N},配准C1和C2的TPS变形能表达式为:
其中,E(M,f)是薄板样条(TPS)的变形能;f(·)是坐标变换函数,表达式为 式中,a1、ax、ay和wi(i=1,2,…,N)为待定系数,Pi=(xi,yi)(i=1,2,...,N)是待配准点集中的一点,函数U(r)是TPS的基函数:U(r)=r2lgr2,式中,T是温度系数;M={mki∈[0,1];i=1,2,...,N;k=1,2,...,K}是轮廓点集C1和C2之间的匹配矩阵;mki是C1中的一点c1k和C2中的一点c2i之间的映射系数(即匹配度),其计算式为: η是权重参数,
通过使E(M,f)最小,逐次迭代,联合求解管腔轮廓点集之间的匹配矩阵和映射参数,找到相邻帧ICUS图像中血管腔轮廓特征点对之间的一一对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481070.8A CN105139382A (zh) | 2015-08-03 | 2015-08-03 | 一种冠状动脉内超声图像序列的弹性配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510481070.8A CN105139382A (zh) | 2015-08-03 | 2015-08-03 | 一种冠状动脉内超声图像序列的弹性配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105139382A true CN105139382A (zh) | 2015-12-09 |
Family
ID=54724715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510481070.8A Pending CN105139382A (zh) | 2015-08-03 | 2015-08-03 | 一种冠状动脉内超声图像序列的弹性配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139382A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780481A (zh) * | 2017-01-06 | 2017-05-31 | 沈阳东软医疗系统有限公司 | 一种医学准标位置的检测方法和装置 |
CN112102352A (zh) * | 2020-10-15 | 2020-12-18 | 北京唯迈医疗设备有限公司 | 一种dsa图像序列的冠脉运动跟踪方法及装置 |
CN112438702A (zh) * | 2019-08-29 | 2021-03-05 | 华北电力大学(保定) | 一种生物腔体光声内窥成像方法及系统 |
CN112734710A (zh) * | 2020-12-30 | 2021-04-30 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101305395A (zh) * | 2005-11-10 | 2008-11-12 | 皇家飞利浦电子股份有限公司 | 基于点的自适应弹性图像配准 |
US20130218002A1 (en) * | 2010-09-17 | 2013-08-22 | Siemens Corporation | Magnetic resonance elastography for ultrasound image simulation |
CN103337065A (zh) * | 2013-05-22 | 2013-10-02 | 西安电子科技大学 | 小鼠三维ct图像的非刚性配准方法 |
-
2015
- 2015-08-03 CN CN201510481070.8A patent/CN105139382A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101305395A (zh) * | 2005-11-10 | 2008-11-12 | 皇家飞利浦电子股份有限公司 | 基于点的自适应弹性图像配准 |
US20130218002A1 (en) * | 2010-09-17 | 2013-08-22 | Siemens Corporation | Magnetic resonance elastography for ultrasound image simulation |
CN103337065A (zh) * | 2013-05-22 | 2013-10-02 | 西安电子科技大学 | 小鼠三维ct图像的非刚性配准方法 |
Non-Patent Citations (1)
Title |
---|
刘冰茹: "血管内超声图像序列的检索与配准方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780481A (zh) * | 2017-01-06 | 2017-05-31 | 沈阳东软医疗系统有限公司 | 一种医学准标位置的检测方法和装置 |
CN106780481B (zh) * | 2017-01-06 | 2020-01-21 | 东软医疗系统股份有限公司 | 一种医学准标位置的检测方法和装置 |
CN112438702A (zh) * | 2019-08-29 | 2021-03-05 | 华北电力大学(保定) | 一种生物腔体光声内窥成像方法及系统 |
CN112438702B (zh) * | 2019-08-29 | 2022-12-27 | 华北电力大学(保定) | 一种生物腔体光声内窥成像方法及系统 |
CN112102352A (zh) * | 2020-10-15 | 2020-12-18 | 北京唯迈医疗设备有限公司 | 一种dsa图像序列的冠脉运动跟踪方法及装置 |
CN112734710A (zh) * | 2020-12-30 | 2021-04-30 | 上海睿刀医疗科技有限公司 | 一种基于历史病理信息的病灶识别模型构建装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9092848B2 (en) | Methods for automatic segmentation and temporal tracking | |
JP5108905B2 (ja) | 3dデータセット中の画像ビューを自動的に特定する方法および装置 | |
Paragios | A level set approach for shape-driven segmentation and tracking of the left ventricle | |
CN105139382A (zh) | 一种冠状动脉内超声图像序列的弹性配准方法 | |
CN101283910B (zh) | 一种获取冠状动脉血管运动信息的方法 | |
CN102722882B (zh) | 一种cag图像序列的弹性配准方法 | |
US20140147028A1 (en) | Image-based method for measuring elasticity of biological tissues and system thereof | |
CN107072531A (zh) | 用于心肌壁动力学的分析的方法和系统 | |
CN110232691A (zh) | 一种多模态的ct影像的分割方法 | |
US20110301466A1 (en) | Cardiac flow quantification with volumetric imaging data | |
CN102933156B (zh) | 确定子宫准备分娩的情况的方法和系统 | |
CN108053431A (zh) | 一种基于梯度分布的非刚体医学图像配准方法 | |
Zheng et al. | Sequential reconstruction of vessel skeletons from X-ray coronary angiographic sequences | |
CN103020958B (zh) | 一种基于曲率尺度空间的血管自动匹配方法 | |
CN105303547A (zh) | 一种基于网格匹配的Demons算法的多期CT图像配准方法 | |
CN106570856A (zh) | 水平集动态规划颈总动脉内中膜厚度测量装置和方法 | |
US9033883B2 (en) | Flow quantification in ultrasound using conditional random fields with global consistency | |
Reddy et al. | Video-based deep learning for automated assessment of left ventricular ejection fraction in pediatric patients | |
CN104933672A (zh) | 基于快速凸优化算法配准三维ct与超声肝脏图像的方法 | |
CN108932723A (zh) | 一种基于曲面形态的三维Snake主动脉夹层分割方法 | |
CN108010056B (zh) | 一种基于四维医学影像的血管运动跟踪方法 | |
CN101536919A (zh) | 一种心肌声学造影图像定量分析的方法 | |
CN105616003A (zh) | 一种基于径向样条插值的软组织三维视觉跟踪方法 | |
CN116269496A (zh) | 基于隐式神经表示的心脏三维超声成像及心功能评估系统 | |
CN115861132B (zh) | 一种血管图像校正方法、装置、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151209 |