CN106030655A - 脑的磁共振图像中的铰接结构配准 - Google Patents
脑的磁共振图像中的铰接结构配准 Download PDFInfo
- Publication number
- CN106030655A CN106030655A CN201580003903.8A CN201580003903A CN106030655A CN 106030655 A CN106030655 A CN 106030655A CN 201580003903 A CN201580003903 A CN 201580003903A CN 106030655 A CN106030655 A CN 106030655A
- Authority
- CN
- China
- Prior art keywords
- brain
- registration
- image data
- minor structure
- hinged
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
- G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/30016—Brain
Abstract
一种配准处理器(74)被配置用于使用所采集的脑图像数据和模板脑图像数据来获得铰接脑结构。所述配准处理器(74)对脑图像数据进行注释;使用全局脑配准来将所述脑图像数据与模板图像数据进行配准;并且使用局部脑子结构配准来将所述脑图像数据的至少一个脑结构与所述模板图像数据的对应脑结构进行配准。所述配准处理器(74)使用所述铰接子结构配准来对经配准的脑结构的铰接子结构进行铰接,以改进配准。
Description
背景技术
阿兹海默症以及其他类型的痴呆症是身体衰退的症状,影响数百万人。对这样的症状的发作的早期检测能够促进早期干预并改善患者健康、生活质量以及总体效果。这些症状与脑的海马体区的萎缩有关联。
脑磁共振(MR)体积的配准是用于处理脑信息的基本操作。这种信息被用于对脑肿瘤、儿童的脑发育、卒中处置以及神经退行性疾病的诊断。一个脑(待处理以进行诊断的目标脑)与另一个脑(包含关于其结构的已知信息的模板或图集脑)的配准允许临床医师比较在目标脑与模板脑之间的逐个体素的形状和强度信息。对在目标脑与模板脑之间的形状/强度差异的识别和量化允许临床医师自动地或者半自动地生成用于脑诊断的特征。
当前用于脑配准的方法被分为:(i)全局配准和(ii)局部配准。在全局配准方法中,通过(质心的)平移和旋转的组合,诸如通过仿射变换,将整个目标脑配准至模板脑。在局部配准中,目标脑中的每个体素被变换为匹配模板脑体素的形状和强度特征。
上文所呈现的这些当前已知的方法提出了通过计算解剖学中的全局配准(诸如仿射变换)或局部配准或者这两者的组合来进行对2D/3D区域/对象的配准。然而,这些配准方法没有并入处理全局或局部配准的对象结构信息。
发明内容
根据一个实施例,一种脑配准系统,包括:具有处理器的配准处理器,其被配置为:对脑图像数据进行注释;使用全局脑配准来将脑图像数据与模板图像数据进行配准;使用局部脑子结构配准将脑图像数据的至少一个脑结构配准到模板图像数据的对应的脑结构;并且使用铰接(articulated)子结构配准对经配准的脑结构的铰接子结构进行铰接以改进配准。
根据一种方法,一种用于脑配准的方法,包括:对脑图像数据进行注释;使用全局脑配准来将脑图像数据与模板图像数据进行配准;使用局部脑子结构配准将脑图像数据的至少一个脑结构配准到模板图像数据的对应脑结构;并且使用铰接子结构配准对经配准的脑结构的铰接子结构进行铰接以改进配准。
根据另一个实施例,一种脑配准系统,包括:注释模块,其用于对脑图像数据进行注释;全局配准模块,其用于使用全脑配准将脑图像数据与模板图像数据进行配准;局部配准模块,其用于使用局部脑子结构配准将脑图像数据的至少一个脑结构配准到模板图像数据的对应脑结构;以及铰接模块,其用于使用铰接子结构配准对经配准的脑结构的铰接子结构进行铰接以改进配准。
一个优点是脑MRI与模板脑之间增加的重叠。
另一优点是在全局和局部脑配准方法之间的桥接。
附图说明
通过阅读和理解下文的详细描述,本发明的更进一步优点对于本领域普通技术人员而言将是显而易见的。
图1描绘了用于在脑的磁共振图像中铰接结构配准的MRI系统。
图2描绘了用于在脑的磁共振图像中铰接结构配准的方法;
图3描绘了叠加在脑组织上的经注释的脑子结构。
图4描绘了被配准到模板结构的海马体目标。
图5描绘了用于铰接子结构配准的详细的方法。
图6描绘了关于接合部的结构的图。
具体实施例
本申请提供了在全局和局部配准之间工作的方法。本申请提供用于由一组铰接子结构表示的脑结构的配准。这将由一组子结构构成的诸如海马体、丘脑以及脑壳的解剖学和功能性的脑结构考虑在内。这些子结构的形状、姿态和强度随脑的不同而不同,并且即使在同一脑的不同脑半球之间也是不同的。每个脑子结构通过刚性形状及其相关联的表面强度值来描述,并且其如铰接对象那样变形。这种铰接变形描述了关于与机械铰链类似的接触点的一组旋转。每个子结构还能够被分解为更小的子部件以使得配准尽可能的精确。
参照图1,磁共振(MR)成像系统10利用MR来对患者12的感兴趣区域(ROI),即脑,进行成像。系统10包括扫描器14,扫描器14限定尺寸适于容纳ROI的成像体积16(以体膜指示)。能够采用患者支撑体来将患者12支撑在扫描器14中并促进在成像体积16中对ROI进行定位。
扫描器14包括主磁体18,主磁体18产生穿过成像体积16延伸的强的、静B0磁场。主磁体18通常采用超导线圈来产生静B0磁场。然而,主磁体18还能够采用永磁体或阻抗磁体。在采用超导线圈的情况下,主磁体18包括用于超导线圈的冷却系统,诸如液氦冷却的低温恒温器。成像体积16中静B0磁场的强度通常是如下中的一个:0.23特斯拉、0.5特斯拉、1.5特斯拉、3特斯拉、7特斯拉等,但其他强度也是可预期的。
控制扫描器14的梯度控制器20以使用扫描器14的多个磁场梯度线圈22将磁场梯度,诸如x、y和z梯度,叠加在成像体积16的静B0磁场上。磁场梯度对成像体积16内的磁自旋进行空间编码。通常,多个磁场梯度线圈22包括在三个正交空间方向上进行空间编码的三个分离的磁场梯度线圈。
此外,控制诸如收发器的一个或多个发射器24,以利用一个或多个发射线圈阵列,诸如利用扫描器14的全身线圈26和/或表面线圈28,将B1共振激励和操纵射频(RF)脉冲发射到成像体积16中。B1脉冲通常是短持续时间的,并且当结合磁线圈梯度时,实现了对磁共振的选定操控。例如,B1脉冲激励氢偶极子共振,并且磁场梯度对共振信号的频率和相位中的空间信息进行编码。通过调节RF频率,能够在其他偶极子中激励共振,诸如磷,其倾向于聚集在诸如骨的已知组织中。
控制诸如收发器的一个或多个接收器30,以从成像体积16接收经空间编码的磁共振信号并将所接收的经空间编码的磁共振信号解调为MR数据集。所述MR数据集例如包括k空间数据轨迹。为了接收经空间编码的磁共振信号,接收器30使用一个或多个接收线圈阵列,诸如扫描器14的全身线圈26和/或表面线圈28。接收器30通常将MR数据集存储在缓存存储器中。
系统10的后台系统58使用扫描器14对ROI进行成像。后台系统58通常远离扫描器14并且包括多个模块60(下文进行论述),以使用扫描器14执行对ROI的成像。有利地,所述后台系统能够表征心肌而不受不精确反转时间选择的影响,并且提供标准尺度上的真实定量信号量化。
后台系统58的控制模块62控制后台系统58的总体操作。控制模块62使用后台系统58的显示设备64来向后台系统58的用户合适地显示图形用户界面(GUI)。此外,控制模块62合适地允许操作者使用后台系统58的用户输入设备66与GUI进行交互。例如,用户能够与GUI进行交互以指令后台系统58来协调对ROI的成像。
后台系统58的数据采集模块68执行对ROI的MR扫描。针对每次MR扫描,数据采集模块68根据扫描参数,诸如切片的数量,来控制发射器24和/或梯度控制器20,以在成像体积16内实施成像序列。成像序列限定B1脉冲和/或磁场梯度的序列,其从成像体积16产生空间编码的MR信号。此外,数据采集模块68根据扫描参数控制接收器30和驱动器电路36的调谐/解调控制信号,以采集空间编码的MR信号至MR数据集。MR数据集通常被存储在后台系统58的至少一个存储存储器70中。
为了准备MR采集,ROI被定位在成像体积16内。例如,患者12被定位在患者支撑体上。然后,将表面线圈28,例如8或32通道接收头部线圈,定位在患者12上,并且患者支撑体将ROI移动到成像体积16中。
后台系统58的重建模块72将MR诊断扫描的MR数据集重建为ROI的MR图像或映射图。这包括,针对由MR数据集捕获的每个MR信号,通过磁场梯度对空间编码进行空间地解码,以确认来自诸如每个像素或体素的每个空间区域的MR信号的属性。MR信号的强度或幅度通常是确认的,而关于相位、弛豫时间、磁化转移等的其他属性也是能够确认的。所采集的MR图像或映射图通常被存储在存储存储器70中。存储器70还存储了描绘正常和/或各种疾病状况的脑模板或图集。
后台系统58的配准处理器74执行目标脑内的铰接结构配准的增强的方法100,如在图2中所示。方法100允许目标脑内的分割结构到模板脑结构的经改进的配准。方法100描述了利用海马体子结构的分割和配准,而其他解剖结构也是可预期的。
根据所图示的方法100,配准处理器74从数据采集模块68接收MR数据。所述MR数据包括目标脑或其他感兴趣区域所摄取的MR图像。配准处理器74然后执行脑子结构注释104,例如,对成像区域中内部和相邻结构的脑结构的分割。例如基于局部形状、相邻结构等来识别并标记分割的结构。脑子结构注释104基于专家注释来确定先验脑子结构形状和姿态。参照图3,专家注释的海马体子结构202被叠加在所采集的目标脑图像上。
配准处理器74执行全局脑配准106。配准处理器74首先基于零阶和一阶力矩来计算所采集的目标和参考模板MRI脑图像的质心(CM)。基于该信息,平移模板脑图像,从而使其CM与所采集目标脑图像的CM共位置。第二,配准处理器74基于力矩来计算针对模板和所采集的目标脑图像的取向的三个正交轴,并且然后,旋转模板脑坐标轴以使得其与所采集目标脑图像的坐标轴对准。第三,配准处理器74沿三个坐标轴缩放(scale)感兴趣脑体积的模板,从而使两个脑体积的重叠最大化;这被称作基于各向同性力矩的全局配准。在一个实施例中,不执行缩放,这被称作基于各向异性力矩的全局配准。在一个实施例中,使用诸如Elastix的配准软件来执行全局脑配准。
为了找到感兴趣体积,即,整个海马体,配准处理器74计算模板脑的每个正交方向上的边界的交点。配准处理器74使用模板感兴趣体积来计算目标脑的感兴趣体积。
配准处理器74执行铰接子结构配准108。铰接子结构配准使用脑结构内部存在的铰接来将一幅能铰接的图像(例如所采集目标脑MRI)对准到固定的一个,例如模板脑图像。参照图4,配准的目标海马体与模板脑图像叠加,海马体的部分被叠加并且部分没有对准。在所采集目标脑图像的海马体正确地配准到模板脑图像的情况下302,图像是例如以绿色彩色编码的(斜条纹区域)。在海马体部分未正确对准的情况下304,目标图像是例如以红色彩色编码的(水平条纹区域),并且在参考模板图像中的海马体结构的未对准的部分306以第三种颜色(例如白色(白))来彩色编码。通过旋转子结构中的每个子结构,例如在所采集的目标图像中的未对准的海马体部分,铰接子结构配准108补偿了不正确的配准304,从而使得到目标和模板图像上的重叠306增加。铰接子结构配准108将海马体的子结构或部分相对于海马体的其他部分进行铰接以增加重叠。参照图5,铰接海马体被示为根据海马体的各部分被分为子结构。所述子结构包括下托SUB、齿状回DG、内嗅皮层EC或海马体角CA1、CA2、CA3。
为了找到每个子结构的感兴趣体积,配准处理器74计算模板脑的每个正交方向上的边界是交点。配准处理器74使用模板感兴趣子结构体积来计算目标脑的感兴趣子结构体积。
配准处理器74执行局部脑配准110以将目标脑结构配准到模板脑结构。局部配准对目标脑图像中的每个体素进行变换以匹配对应的模板脑图像体素的形状和强度特征。局部脑配准包括例如针对局部像素(体素)强度应用B样条插值。在一个实施例中,使用诸如Elastix或FSL FLIRT的配准软件来执行局部脑配准。
参照图6,配准处理器74通过首先计算脑子结构链接接合部502来执行铰接子结构配准108。链接接合部是连接例如未对准和对准的海马体部分的两个子结构的链接点。MR图像像素/体素被映射到空间中的物理点以使得每个像素包含图像的强度值和该值的物理位置。配准处理器74将两个子结构之间的接合部表示为空间中的物理点。参照图7,图像中的两个对象602/604表示两个子结构,诸如图4中的海马体部302和304。配准处理器74找到接合部606,作为脑子结构链接接合部。配准处理器74通过计算它们之间具有最小欧几里得距离的一对像素/体素(一个像素/体素来自结构602并且一个像素来自结构604)来计算接合部606。在一个实施例中,计算一组像素对,这是因为可能存在超过一对具有相同的最小距离。配准处理器74通过获得像素/体素对的所有组合并比较每对之间的距离来计算具有最小欧几里得距离的像素对。配准处理器74从所计算的像素对组计算来自每个结构602、604的像素/体素中的每个的平均位置,以找到每个结构的极点。配准处理器74计算极点之间的中点作为接合部606。
配准处理器74施加关于所计算的接合部606的旋转504以使对准最大化。在海马体范例中,配准处理器74关于接合部606旋转在所采集的目标脑图像中的海马体的未对准部分以优化与模板脑图像中的对应海马体部的对准。配准处理器74首先计算在所采集图像与模板图像之间的相似性度量506,以根据所述相似性度量来使图像之间的相似性最大化。所述相似性度量能够是平方差的和、归一化互相关系数或交互信息度量等中的一个。使用所述相似性度量,配准处理器74计算最优变换,例如铰接移动。在一个实施例中,配准处理器74使用迭代处理来计算最优变换,其中,配准处理器74施加预选定量的旋转并计算所述相似性度量,然后,增加关于接合部606的旋转并再次计算所述相似性度量。配准处理器74对MRI二值图像迭代地应用变换,其使目标结构与MRI图像之间的重叠最大化。
多个模块60、100、110中的每个模块能够通过处理器可执行指令、电路(即,独立处理器)或者这两者的组合来实现。所述处理器可执行指令被存储在后台系统58的至少一个程序存储器76上并且由后台系统58的一个或多个处理器78来执行。如所图示的,多个模块60通过处理器可执行指令来实现。然而,应当认识到,各种变化是可预想到的。例如,数据采集模块68能够是电路。
如在本文中所使用的,存储器包括如下中的一个或多个:非瞬态计算机可读介质;磁盘或其他磁存储介质;光盘或其他光学存储介质;随机存取存储器(RAM)、只读存储器(ROM)或者其他电子存储设备或芯片或可操作内部互连芯片组;英特网/内联网服务器,可以经由英特网/内联网或局域网从英特网/内联网服务器检索所存储的指令;等。此外,如在本文所使用的,处理器包括如下中的一个或多个:微处理器、微控制器、图形处理单元(GPU)、专用集成电路(ASIC)、FPGA等;控制器包括:(1)处理器和存储器,所述处理器执行存储器上实现控制器的功能的计算机可执行指令;或者(2)模拟和/或数字硬件,其执行控制器的功能;用户输入设备,其包括如下中的一个或多个:鼠标、键盘、触屏显示器、按钮、开关、声音识别引擎等;数据库,其包括一个或多个存储器;用户输出设备,其包括显示器设备、听觉设备等;以及显示器设备,其包括如下中的一个或多个:液晶(LCD)显示器、发光二极管(LED)显示器、等离子显示器、投影显示器、触屏显示器等。
已经参考优选实施例描述了本发明。在阅读和理解上文的详细描述之后,他人可以想到一些变化和修改。其意图是将本发明构造为包括所有这些变化和修改,只要这些变化和修改落在所附权利要求或其等效体的范围内。
Claims (20)
1.一种脑配准系统,包括:
具有处理器的配准处理器(74),其被配置为:
对脑图像数据进行注释;
使用全局脑配准将所述脑图像数据与模板图像数据进行配准;
使用铰接子结构配准对经配准的脑结构的铰接子结构进行铰接,以改进配准;并且
使用局部脑子结构配准将所述脑图像数据的至少一个脑结构配准到所述模板图像数据的对应脑结构。
2.根据权利要求1所述的系统,其中,所述配准处理器(74)还被配置为:
识别在所述铰接子结构之间的链接接合部。
3.根据权利要求2所述的系统,其中,所述配准处理器(74)还被配置为:
关于所述链接接合部旋转所述至少一个脑子结构以使重叠最大化。
4.根据权利要求1-3中的任一项所述的系统,其中,所述配准处理器(74)还被配置为:
计算在所述至少一个脑结构与对应模板结构之间的相似性度量。
5.根据权利要求2-4中的任一项所述的系统,其中,所述配准处理器(74)还被配置为:
关于所述链接接合部来迭代地旋转在所述脑图像数据和所述模板图像数据的一个中的所述子结构,并针对每次迭代计算在脑图像子结构与模板图像子结构之间的相似性度量;并且
选择使所述相似性度量最大化的迭代。
6.根据权利要求1-5中的任一项所述的系统,其中,所述配准处理器(74)还被配置为:
对所述脑图像数据应用变换以使在所述至少一个脑结构与所述对应模板结构之间的重叠最大化。
7.根据权利要求2-6中的任一项所述的系统,其中,所述配准处理器(74)还被配置为:
针对在所述铰接子结构之间的所有像素/体素对来计算欧几里得距离;
选择具有最小欧几里得距离的像素/体素对;并且
计算在所选择的像素/体素对之间的中点,作为在所述子结构之间的所述链接接合部。
8.根据权利要求1-7中的任一项所述的系统,其中,所述全局脑配准包括基于各向同性力矩的全局配准。
9.一种用于脑配准的方法,包括:
对脑图像数据进行注释;
使用全局脑配准将所述脑图像数据与模板图像数据进行配准;
使用铰接子结构配准对经配准的脑结构的铰接子结构进行铰接,以改进配准;并且
使用局部脑子结构配准将所述脑图像数据的至少一个脑结构配准到所述模板图像数据的对应脑结构。
10.根据权利要求9所述的方法,所述铰接子结构配准包括:
识别在所述铰接子结构之间的链接接合部。
11.根据权利要求10所述的方法,所述铰接子结构配准包括:
关于所述链接接合部旋转所述至少一个脑子结构以使重叠最大化。
12.根据权利要求11所述的方法,所述铰接子结构配准包括:
计算在所述至少一个脑结构与对应模板结构之间的相似性度量。
13.根据权利要求10所述的方法,所述铰接子结构配准包括:
关于所述链接接合部来迭代地旋转所述脑图像数据和所述模板图像数据的一个中的子结构,并针对每次迭代计算在脑图像子结构与模板图像子结构之间的相似性度量;并且
选择使所述相似性度量最大化的迭代。
14.根据权利要求9-13中的任一项所述的方法,包括:
对所述脑图像数据应用变换以使所述至少一个脑结构与所述对应模板结构之间的重叠最大化。
15.根据权利要求10所述的方法,其中,计算所述链接接合部包括:
针对在所述铰接子结构之间的所有像素/体素对来计算欧几里得距离;
选择具有最小欧几里得距离的像素/体素对;并且
计算在所选择的像素/体素对之间的中点,作为在子结构之间的所述链接接合部。
16.根据权利要求9-16中的任一项所述的方法,其中,所述全局脑配准包括基于各向同性力矩的全局配准。
17.一种非瞬态计算机可读介质,其具有指令以执行根据权利要求9-16中的任一项所述的方法。
18.一种脑配准系统,包括:
注释模块,其用于对脑图像数据进行注释;
全局配准模块,其用于使用全部脑配准将所述脑图像数据与模板图像数据进行配准;
铰接模块,其用于使用铰接子结构配准对经配准的脑结构的铰接子结构进行铰接,以改进配准;以及
局部配准模块,其用于使用局部脑子结构配准将所述脑图像数据的至少一个脑结构与所述模板图像数据的对应脑结构进行配准。
19.根据权利要求18所述的系统,包括:
识别模块,其识别在所述铰接子结构之间的链接接合部;
旋转模块,其关于所述链接接合部来旋转所述至少一个脑子结构,以使重叠最大化;
度量模块,其计算在所述至少一个脑结构与所述对应模板结构之间的相似性度量;以及
变换模块,其对所述脑图像数据应用变换以使所述至少一个脑结构与对应模板结构之间的重叠最大化。
20.根据权利要求18-19中的任一项所述的系统,包括:
迭代模块,其关于链接接合部来迭代地旋转所述脑图像数据和所述模板图像数据的一个中的子结构,并针对每次迭代计算在脑图像子结构与模板图像子结构之间的相似性度量;以及
选择模块,其选择使所述相似性度量最大化的迭代。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201461923821P | 2014-01-06 | 2014-01-06 | |
US61/923,821 | 2014-01-06 | ||
PCT/IB2015/050083 WO2015101961A1 (en) | 2014-01-06 | 2015-01-06 | Articulated structure registration in magnetic resonance images of the brain |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106030655A true CN106030655A (zh) | 2016-10-12 |
CN106030655B CN106030655B (zh) | 2019-07-23 |
Family
ID=52440746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580003903.8A Active CN106030655B (zh) | 2014-01-06 | 2015-01-06 | 脑的磁共振图像中的铰接结构配准 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10049448B2 (zh) |
EP (1) | EP3092618B1 (zh) |
JP (1) | JP6434036B2 (zh) |
CN (1) | CN106030655B (zh) |
WO (1) | WO2015101961A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260546A (zh) * | 2020-03-11 | 2020-06-09 | 联想(北京)有限公司 | 一种图像处理方法、装置及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382465B (zh) * | 2023-02-17 | 2024-02-13 | 中国科学院自动化研究所 | 光学脑机接口系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080292194A1 (en) * | 2005-04-27 | 2008-11-27 | Mark Schmidt | Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images |
WO2013023073A1 (en) * | 2011-08-09 | 2013-02-14 | Boston Scientific Neuromodulation Corporation | System and method for weighted atlas generation |
US20130304710A1 (en) * | 2010-07-26 | 2013-11-14 | Ucl Business Plc | Method and system for anomaly detection in data sets |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0602730B1 (en) | 1992-12-18 | 2002-06-19 | Koninklijke Philips Electronics N.V. | Registration of Volumetric images which are relatively elastically deformed by matching surfaces |
US7006677B2 (en) * | 2002-04-15 | 2006-02-28 | General Electric Company | Semi-automatic segmentation algorithm for pet oncology images |
EP1756772A4 (en) * | 2004-04-02 | 2012-06-20 | Agency Science Tech & Res | FIND A MEDIANEBENE |
JP5676840B2 (ja) | 2004-11-17 | 2015-02-25 | コーニンクレッカ フィリップス エヌ ヴェ | 改良された弾性画像レジストレーション機能 |
EP1876954A4 (en) | 2005-05-02 | 2009-12-16 | Agency Science Tech & Res | METHOD AND DEVICE FOR REGISTERING AN ATLAS TO A PICTURE |
US20080205719A1 (en) | 2005-06-15 | 2008-08-28 | Koninklijke Philips Electronics, N.V. | Method of Model-Based Elastic Image Registration For Comparing a First and a Second Image |
US8068652B2 (en) * | 2008-08-29 | 2011-11-29 | General Electric Company | Semi-automated registration of data based on a hierarchical mesh |
US8861891B2 (en) | 2010-03-05 | 2014-10-14 | Siemens Aktiengesellschaft | Hierarchical atlas-based segmentation |
US9659364B2 (en) * | 2010-03-11 | 2017-05-23 | Koninklijke Philips N.V. | Probabilistic refinement of model-based segmentation |
JP5989354B2 (ja) * | 2012-02-14 | 2016-09-07 | 東芝メディカルシステムズ株式会社 | 画像診断支援装置及び画像診断支援装置の作動方法 |
US9569863B2 (en) * | 2012-08-06 | 2017-02-14 | Siemens Healthcare Gmbh | System for accelerated segmented MR image data acquisition |
-
2015
- 2015-01-06 CN CN201580003903.8A patent/CN106030655B/zh active Active
- 2015-01-06 US US15/109,469 patent/US10049448B2/en active Active
- 2015-01-06 WO PCT/IB2015/050083 patent/WO2015101961A1/en active Application Filing
- 2015-01-06 EP EP15702007.4A patent/EP3092618B1/en active Active
- 2015-01-06 JP JP2016544627A patent/JP6434036B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080292194A1 (en) * | 2005-04-27 | 2008-11-27 | Mark Schmidt | Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images |
US20130304710A1 (en) * | 2010-07-26 | 2013-11-14 | Ucl Business Plc | Method and system for anomaly detection in data sets |
WO2013023073A1 (en) * | 2011-08-09 | 2013-02-14 | Boston Scientific Neuromodulation Corporation | System and method for weighted atlas generation |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260546A (zh) * | 2020-03-11 | 2020-06-09 | 联想(北京)有限公司 | 一种图像处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
EP3092618B1 (en) | 2018-08-29 |
WO2015101961A1 (en) | 2015-07-09 |
CN106030655B (zh) | 2019-07-23 |
JP2017502772A (ja) | 2017-01-26 |
JP6434036B2 (ja) | 2018-12-05 |
EP3092618A1 (en) | 2016-11-16 |
US10049448B2 (en) | 2018-08-14 |
US20160328847A1 (en) | 2016-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Castillo et al. | Four-dimensional deformable image registration using trajectory modeling | |
CN102077108B (zh) | 分子mri中的磁敏度精确量化 | |
US9020235B2 (en) | Systems and methods for viewing and analyzing anatomical structures | |
US8526691B2 (en) | System and method for passive medical device navigation under real-time MRI guidance | |
CN107209240A (zh) | 针对后续磁共振成像的自动扫描规划 | |
US9402562B2 (en) | Systems and methods for improved tractographic processing | |
US20140294263A1 (en) | Synchronized Navigation of Medical Images | |
US11080849B2 (en) | Systems and methods for deep learning based automated spine registration and label propagation | |
CN102567625A (zh) | 自动肋骨排序和配对 | |
US9020215B2 (en) | Systems and methods for detecting and visualizing correspondence corridors on two-dimensional and volumetric medical images | |
Chandler et al. | Correction of misaligned slices in multi-slice cardiovascular magnetic resonance using slice-to-volume registration | |
Liu et al. | Thalamic nuclei segmentation in clinical 3T T1-weighted Images using high-resolution 7T shape models | |
CN106030655A (zh) | 脑的磁共振图像中的铰接结构配准 | |
US11475565B2 (en) | Systems and methods for whole-body spine labeling | |
Galdames et al. | Registration of renal SPECT and 2.5 D US images | |
Tong et al. | Interactive iterative relative fuzzy connectedness lung segmentation on thoracic 4D dynamic MR images | |
Batchelor et al. | 3D medical imaging | |
Wang et al. | Data registration and fusion | |
Könik et al. | Digital anthropomorphic phantoms of non-rigid human respiratory and voluntary body motions: A tool-set for investigating motion correction in 3D reconstruction | |
Lu et al. | Three-dimensional multimodal image non-rigid registration and fusion in a high intensity focused ultrasound system | |
Chowdhury et al. | Higher-order singular value decomposition-based lung parcellation for breathing motion management | |
Ogier et al. | Three-dimensional reconstruction and characterization of bladder deformations | |
Abbas | A Computational Framework to Support Integration of Multimodal Quantitative MRI Into Clinical Application | |
Ogier et al. | Four-dimensional reconstruction and characterization of bladder deformations | |
Benjamin | 3D organ property mapping using freehand ultrasound scans |
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 |