CN105869145A - 一种基于k-t加速的核磁共振图像多步配准方法 - Google Patents
一种基于k-t加速的核磁共振图像多步配准方法 Download PDFInfo
- Publication number
- CN105869145A CN105869145A CN201610163766.0A CN201610163766A CN105869145A CN 105869145 A CN105869145 A CN 105869145A CN 201610163766 A CN201610163766 A CN 201610163766A CN 105869145 A CN105869145 A CN 105869145A
- Authority
- CN
- China
- Prior art keywords
- sequence
- magnetic resonance
- nuclear magnetic
- registering
- topography
- 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
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
- G06T2207/10016—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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于k‑t加速的核磁共振图像多步配准方法,包括:从核磁共振图像的原始图像序列中获取目标位置的局部图像序列;对目标位置的局部图像序列运用多步配准方法进行配准,得到对应的空间仿射变换关系;根据空间仿射变换关系,得到原始图像序列的配准结果。该核磁共振图像多步配准方法能显著提高心脏核磁共振图像的配准精确度。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于k-t加速的核磁共振图像多步配准方法。
背景技术
核磁共振成像是一种傅立叶成像技术,与传统的基于X射线的成像技术,比如计算机断层扫描不同,核磁共振成像利用水分子中的氢元素在射频脉冲作用下在磁场中产生共振的现象来成像。其特点是多参数和高对比度成像,并且可以在任意方位断层,能够提供丰富的诊断信息。但由于人体生理和物理局限性,在同一时刻只能采集到图像的一个傅立叶编码系数,所以成像速度较慢。基于k-t(空间和时间)的成像技术利用成像序列在时间维度上的冗余性,能提高数据采集的加速比。比如k-t SENSE和k-t PCA利用低分辨率图像训练时间基函数,并使用这些时间基函数调整重构这些方法能够在8倍以上采样加速比下移除图像伪影。但是由于它们利用成像序列的时间冗余,所以它们对成像对象的运动特别敏感,不能移除运动导致的伪影,从而造成重构图像在空间域的模糊。
图像配准作为图像处理中的一个基本问题,源自于多个领域中很多实际问题的不同应用需求,同时它也是众多图像分析和处理任务的关键步骤,被广泛应用于红外图像处理、遥感图像处理、数字地图定位和医学图像处理等领域。
通过图像配准技术能够将成像对象中的关注区域在空间上对齐,从而提高重构图像的变换稀疏性,使得标准的基于k-t的成像技术能够运用于成像对象具有较大运动的场合,提高核磁共振成像技术的适应性。
现有技术中的图像配准方法在处理心脏核磁共振图像时,由于选取变换模型的自由度较大,配准的精确度低。
发明内容
本申请提供的一种基于k-t加速的核磁共振图像多步配准方法,解决了或部分解决了现有技术中的图像配准方法处理心脏核磁共振图像的配准精确度低的技术问题,实现了显著提高核磁共振图像的配准精确度的技术效果。
本申请提供了一种基于k-t加速的核磁共振图像多步配准方法,包括以下步骤:
从所述核磁共振图像的原始图像序列中获取目标位置的局部图像序列;
对所述目标位置的局部图像序列运用多步配准方法进行配准,得到对应的空间仿射变换关系;
根据所述空间仿射变换关系,得到所述原始图像序列的配准结果。
作为优选,所述从所述核磁共振图像的原始图像序列中获取目标位置的局部图像序列,包括:
将所述原始图像序列作为三维图像,按照第三维分数据来计算所述三维图像的标准差;
运用区域生长的方法对所述三维图像的标准差进行分割,得到所述目标位置在所述三维图像中的位置;
根据所述目标位置在所述三维图像中的位置获取所述目标位置的局部图像序列。
作为优选,对所述目标位置的局部图像序列运用多步配准方法进行配准,包括:
对所述目标位置的局部图像序列进行自由度低的粗模型配准;
对所述粗模型配准后的所述局部图像序列选择刚体变换模型进行配准;
对所述刚体变换模型配准后的所述局部图像序列进行自由度更高的仿射变换模型配准,得到所述空间仿射变换关系。
作为优选,所述粗模型配准为平移变换模型配准。
作为优选,所述根据所述空间仿射变换关系得到所述原始图像序列的配准结果,包括:
根据所述空间仿射变换关系,分别作用于所述原始图像序列中对应的图像得到所述原始图像序列的配准结果。
作为优选,所述核磁共振图像为心脏核磁共振图像;
所述目标位置的局部图像序列为心脏局部图像序列。
作为优选,所述心脏局部图像序列为人体自由呼吸时的心脏核磁共振图像序列。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了对目标位置的局部图像序列运用多步配准方法进行配准,得到对应的空间仿射变换关系;根据空间仿射变换关系,得到原始图像序列的配准结果,能提高配准结果的精确度。这样,有效解决了现有技术中的图像配准方法处理心脏核磁共振图像的配准精确度低的技术问题,实现了显著提高核磁共振图像的配准精确度的技术效果。
附图说明
图1为本发明实施例提供的基于k-t加速的核磁共振图像多步配准方法的流程图;
图2为本发明实施例提供的人体自由呼吸时的第一张心脏核磁共振图像序列;
图3为本发明实施例提供的人体自由呼吸时的第二张心脏核磁共振图像序列;
图4为本发明实施例提供的运用核磁共振图像多步配准方法配准后的心脏核磁共振图像序列。
具体实施方式
本申请实施例提供的一种基于k-t加速的核磁共振图像多步配准方法,解决了或部分解决了现有技术中的图像配准方法处理心脏核磁共振图像的配准精确度低的技术问题,通过对目标位置的局部图像序列运用多步配准方法进行配准,得到对应的空间仿射变换关系;根据空间仿射变换关系,得到原始图像序列的配准结果,实现了显著提高核磁共振图像的配准精确度的技术效果。
参见附图1,本申请提供了一种基于k-t加速的核磁共振图像多步配准方法,包括以下步骤:
S1:从核磁共振图像的原始图像序列中获取目标位置的局部图像序列。
S2:对目标位置的局部图像序列运用多步配准方法进行配准,得到对应的空间仿射变换关系。
S3:根据空间仿射变换关系,得到原始图像序列的配准结果。
进一步的,步骤S1包括:S101:将原始图像序列作为三维图像,按照第三维分数据来计算三维图像的标准差。S102:运用区域生长的方法对三维图像的标准差进行分割,得到目标位置在三维图像中的位置。S103:根据目标位置在三维图像中的位置获取目标位置的局部图像序列。
进一步的,步骤S2中的对目标位置的局部图像序列运用多步配准方法进行配准,包括:S201:对目标位置的局部图像序列进行自由度低的粗模型配准。S202:对粗模型配准后的局部图像序列选择刚体变换模型进行配准。S203:对刚体变换模型配准后的局部图像序列进行自由度更高的仿射变换模型配准,得到空间仿射变换关系。
进一步的,粗模型配准为平移变换模型配准。
进一步的,步骤S3具体为:根据空间仿射变换关系,分别作用于原始图像序列中对应的图像得到原始图像序列的配准结果。
进一步的,步骤S1中的核磁共振图像为心脏核磁共振图像;目标位置的局部图像序列为心脏局部图像序列。而且,参见附图2和3,心脏局部图像序列为人体自由呼吸时的心脏核磁共振图像序列。附图2为人体自由呼吸时的第一张心脏核磁共振图像序列;附图3为人体自由呼吸时的第二张心脏核磁共振图像序列。
进一步的,该核磁共振图像多步配准方法还包括:
S4:运用传统配准方法对核磁共振图像的原始图像序列进行配准,获得对比配准结果;将原始图像序列的配准结果与对比配准结果进行比较分析。
其中,传统配准方法为使用仿射变换模型对核磁共振图像的原始图像序列进行配准。通过比较分析能清楚的确定本申请提供的核磁共振图像多步配准方法通过采用平移变换、刚体变换和仿射变换依次完成配准过程,能提高配准的精确度。
下面通过具体实施例对心脏核磁共振图像多步配准方法进行详细说明:
S1:获取心脏局部图像序列。
由于配准的目的是使成像对象中的关注区域在空间上对齐,可用图像分割的方法获取心脏局部图像,先对局部图像进行配准以减少计算量。本步骤中,首先将原始图像序列进行维纳滤波消除图像噪声,然后求出图像序列的标准差,选择区域生长的分割方法得到心脏部分局部图像。局部图像的大小可设置为60×60pixel,这样的大小适用于图像序列中的所有图像。
S2:首先选择自由度低的平移变换模型进行粗配准,配准时采用基于灰度信息的配准方法,这种方法更适用于医学图像配准。其中相似性度量函数选用基于互信息的相似性度量函数,优化方法可选用共轭梯度法,插值算法为双线性插值。由于是粗模型配准,优化时的搜索步长可以适当调大点,迭代次数调小点,以减少计算量。然后依次进行刚体变换和仿射变换,为了保证配准精度,可将优化器的优化参数设置更为精细,求出最终的仿射变换关系。
S3:根据步骤S2得到的仿射变换关系,对原始图像序列进行运动纠正,即可求出经过多步配准后的图像序列,参见附图4中配准后的心脏核磁共振图像序列。
S4:用传统的仿射变换配准结果与之比较,通过比较结果可以得出本申请提供的核磁共振图像多步配准方法获得的配准结果具有较高的精确度。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了对目标位置的局部图像序列运用多步配准方法进行配准,得到对应的空间仿射变换关系;根据空间仿射变换关系,得到原始图像序列的配准结果,能提高配准结果的精确度。这样,有效解决了现有技术中的图像配准方法处理心脏核磁共振图像的配准精确度低的技术问题,实现了显著提高核磁共振图像的配准精确度的技术效果。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于k-t加速的核磁共振图像多步配准方法,其特征在于,所述核磁共振图像多步配准方法包括以下步骤:
从所述核磁共振图像的原始图像序列中获取目标位置的局部图像序列;
对所述目标位置的局部图像序列运用多步配准方法进行配准,得到对应的空间仿射变换关系;
根据所述空间仿射变换关系,得到所述原始图像序列的配准结果。
2.如权利要求1所述的核磁共振图像多步配准方法,其特征在于,所述从所述核磁共振图像的原始图像序列中获取目标位置的局部图像序列,包括:
将所述原始图像序列作为三维图像,按照第三维分数据来计算所述三维图像的标准差;
运用区域生长的方法对所述三维图像的标准差进行分割,得到所述目标位置在所述三维图像中的位置;
根据所述目标位置在所述三维图像中的位置获取所述目标位置的局部图像序列。
3.如权利要求1所述的核磁共振图像多步配准方法,其特征在于,对所述目标位置的局部图像序列运用多步配准方法进行配准,包括:
对所述目标位置的局部图像序列进行自由度低的粗模型配准;
对所述粗模型配准后的所述局部图像序列选择刚体变换模型进行配准;
对所述刚体变换模型配准后的所述局部图像序列进行自由度更高的仿射变换模型配准,得到所述空间仿射变换关系。
4.如权利要求3所述的核磁共振图像多步配准方法,其特征在于,
所述粗模型配准为平移变换模型配准。
5.如权利要求1所述的核磁共振图像多步配准方法,其特征在于,所述根据所述空间仿射变换关系得到所述原始图像序列的配准结果,包括:
根据所述空间仿射变换关系,分别作用于所述原始图像序列中对应的图像得到所述原始图像序列的配准结果。
6.如权利要求1所述的核磁共振图像多步配准方法,其特征在于,
所述核磁共振图像为心脏核磁共振图像;
所述目标位置的局部图像序列为心脏局部图像序列。
7.如权利要求6所述的核磁共振图像多步配准方法,其特征在于,
所述心脏局部图像序列为人体自由呼吸时的心脏核磁共振图像序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610163766.0A CN105869145B (zh) | 2016-03-22 | 2016-03-22 | 一种基于k-t加速的核磁共振图像多步配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610163766.0A CN105869145B (zh) | 2016-03-22 | 2016-03-22 | 一种基于k-t加速的核磁共振图像多步配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105869145A true CN105869145A (zh) | 2016-08-17 |
CN105869145B CN105869145B (zh) | 2018-12-14 |
Family
ID=56625414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610163766.0A Expired - Fee Related CN105869145B (zh) | 2016-03-22 | 2016-03-22 | 一种基于k-t加速的核磁共振图像多步配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105869145B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567051A (zh) * | 2009-06-03 | 2009-10-28 | 复旦大学 | 一种基于特征点的图像配准方法 |
CN102136144A (zh) * | 2011-04-11 | 2011-07-27 | 北京大学 | 图像配准可靠性模型和超分辨率图像的重构方法 |
CN102208109A (zh) * | 2011-06-23 | 2011-10-05 | 南京林业大学 | X射线图像和激光图像的异源图像配准方法 |
CN102663725A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 基于线特征和控制点的可见光和sar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 |
CN103778626A (zh) * | 2013-12-31 | 2014-05-07 | 北京理工大学 | 一种基于视觉显著区域的快速图像配准方法 |
US8861891B2 (en) * | 2010-03-05 | 2014-10-14 | Siemens Aktiengesellschaft | Hierarchical atlas-based segmentation |
-
2016
- 2016-03-22 CN CN201610163766.0A patent/CN105869145B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567051A (zh) * | 2009-06-03 | 2009-10-28 | 复旦大学 | 一种基于特征点的图像配准方法 |
US8861891B2 (en) * | 2010-03-05 | 2014-10-14 | Siemens Aktiengesellschaft | Hierarchical atlas-based segmentation |
CN102136144A (zh) * | 2011-04-11 | 2011-07-27 | 北京大学 | 图像配准可靠性模型和超分辨率图像的重构方法 |
CN102208109A (zh) * | 2011-06-23 | 2011-10-05 | 南京林业大学 | X射线图像和激光图像的异源图像配准方法 |
CN102663725A (zh) * | 2012-03-05 | 2012-09-12 | 西北工业大学 | 基于线特征和控制点的可见光和sar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 |
CN103778626A (zh) * | 2013-12-31 | 2014-05-07 | 北京理工大学 | 一种基于视觉显著区域的快速图像配准方法 |
Non-Patent Citations (4)
Title |
---|
PORAWAT VISUTSAK: "Multi-grid transformation for medical image registration", 《2014 INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER SCIENCE AND INFORMATION SYSTEM》 * |
XIUJUAN GENG 等: "Diffeomorphic Image Registration of Diffusion MRI Using Spherical Harmonics", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
彭文 等: "使用特征点与灰度值的医学图象局部配准方法", 《中国图象图形学报》 * |
郝志成 等: "基于多约束准则匹配算法的序列图像配准", 《光学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN105869145B (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sandino et al. | Accelerating cardiac cine MRI using a deep learning‐based ESPIRiT reconstruction | |
CN111028306B (zh) | 基于AR2 U-Net神经网络的快速磁共振成像方法 | |
Van Reeth et al. | Super‐resolution in magnetic resonance imaging: a review | |
CN104095634B (zh) | 用于产生图像数据的方法 | |
CN106023200B (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
US9254112B2 (en) | Respiratory interval-based correlation and processing of dynamic imaging data | |
CN102903103B (zh) | 基于迁移活动轮廓模型的胃部ct序列图像分割方法 | |
US9398855B2 (en) | System and method for magnetic resonance imaging based respiratory motion correction for PET/MRI | |
Menchón-Lara et al. | Reconstruction techniques for cardiac cine MRI | |
Zhang et al. | A deep unrolling network inspired by total variation for compressed sensing MRI | |
WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
KR20140043655A (ko) | 움직임 오류 데이터를 이용한 자기 공명 영상법의 영상 개선 방법 및 장치 | |
KR20170074762A (ko) | 모션 분해 mri를 위한 시스템 및 방법 | |
CN104323777A (zh) | 一种扩散磁共振成像运动伪影的消除方法 | |
CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
Xue et al. | Unsupervised inline analysis of cardiac perfusion MRI | |
Johansson et al. | Abdominal DCE‐MRI reconstruction with deformable motion correction for liver perfusion quantification | |
Pezzotti et al. | An adaptive intelligence algorithm for undersampled knee mri reconstruction: Application to the 2019 fastmri challenge | |
Sato et al. | Registration of temporal sequences of coronal and sagittal MR images through respiratory patterns | |
Benayoun et al. | Adaptive meshes and nonrigid motion computation | |
Malczewski | PET image reconstruction using compressed sensing | |
CN113516603A (zh) | 基于空间融合的磁共振图像多模态重建方法及存储介质 | |
CN111161370B (zh) | 一种基于ai的人体多核dwi联合重建方法 | |
DE102007009182A1 (de) | Verfahren und Vorrichtung zur Bilddarstellung von sich zyklisch bewegenden Objekten | |
CN105869145A (zh) | 一种基于k-t加速的核磁共振图像多步配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181214 Termination date: 20210322 |