CN106204561A - 基于混合模型的前列腺多模态图像非刚性配准方法 - Google Patents
基于混合模型的前列腺多模态图像非刚性配准方法 Download PDFInfo
- Publication number
- CN106204561A CN106204561A CN201610517790.XA CN201610517790A CN106204561A CN 106204561 A CN106204561 A CN 106204561A CN 201610517790 A CN201610517790 A CN 201610517790A CN 106204561 A CN106204561 A CN 106204561A
- Authority
- CN
- China
- Prior art keywords
- image
- control point
- prostate
- registration
- reference picture
- 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
- 210000002307 prostate Anatomy 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000007667 floating Methods 0.000 claims abstract description 30
- 238000006073 displacement reaction Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 5
- 238000005481 NMR spectroscopy Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 201000001514 prostate carcinoma Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 206010013990 dysuria Diseases 0.000 description 1
- 210000003499 exocrine gland Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06T2207/10088—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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30081—Prostate
Abstract
本发明公开了一种基于混合模型的前列腺多模态图像非刚性配准方法,主要解决现有技术对前列腺CT和MRI图像的配准不佳问题。实现步骤为:1)输入前列腺CT和MRI图像,分别对其分割出目标;2)将滤波后的CT和MRI目标图像分别作为参考图像和浮动图像,对这两种图像作金字塔分层;3)对浮动图像进行偏移和逐层迭代,得到初配准图像;4)将参考图像和初配准图像划分控制点网格,移动初配准图像的控制点,根据其位移量得到变换后的图像;5)继续迭代,直到变换后的图像和参考图像相似性最大,得到最终位移量;6)根据最终位移量得到配准图像。本发明提高了复杂形变和多模态图像间的配准精度,可用于对医学CT和MRI图像的处理。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种前列腺图像非刚性配准方法,可用于对医学CT图像和核磁共振MRI图像的处理。
背景技术
前列腺是男性最大的附属性腺,亦属人体外分泌腺之一,位于膀胱与原生殖膈之间。细胞的基因突变会导致增殖失控,引起癌变。前列腺癌就是出自前列腺的恶性肿瘤,恶性细胞除了体积扩大和侵犯邻近器官,还可能转移到身体其他部位,尤其是骨头和淋巴结。前列腺癌可造成疼痛、排尿困难、勃起功能不全等症状,严重危害人们的健康。在西方国家,前列腺癌是男性第二常见的癌症,丧生的人数仅次于肺癌。
目前,对前列腺的医学图像分析,主要是针对前列腺部位进行分割和对前列腺部位的CT图像和核磁共振MRI图像进行非刚性配准,辅助医生的诊断。医学图像的配准已经成为研究领域的热门之一。医学图像配准是指通过寻找某种空间变换,使两幅图像的对应点达到空间位置和解剖结构上的完全一致,要求配准的结果能使两幅图像上所有的解剖点,或至少是所有具有诊断意义以及手术区域的点都达到匹配。图像的刚性配准只能对图像进行全局变换,当需要对图像进行精确局部变形时,如有变形的不同模态之间的融合、外科手术规划与设计、图像与图谱之间的配准等,则需要对图像进行非刚性配准。目前,医学图像非刚性配准在国内外还是一个方兴未艾的课题。
Jean Philipe Thirion在1998年提出的基于光流场模型的Demons算法是一种基于灰度的非刚性配准方法。鉴于Demons算法在医学图像非刚性配准中表现出色,大批学者对其进行了研究,并提出了一些改进的算法。取得比较好效果的是Wang等人在2005年根据牛顿第三定律作用力与反作用力的原理提出的Active Demons算法和Rogelj等人在2006年提出的Symmetric Demons算法。基于光流场模型的Demons算法使用参考图像的灰度梯度信息来决定浮动图像每个像素的移动,但这种仅靠梯度信息的方法往往是不充足的,特别是当梯度非常小的时候,图像变形的方向不能确定。因此,当图像有较大形变时,不能取得较好的效果。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于混合模型的前列腺多模态图像非刚性配准方法,以提高对复杂形变图像的配准速度和配准准确性。
本发明的技术方案是对Demons算法的改进,结合B样条理论,采用混合模型,使其能在大形变和多模态下的非刚性配准具有较高的准确性;同时将要配准的目标从整幅图像中分割出来进行配准,有针对性地进行配准,获得更高的准确性和和快速性,其实现步骤包括如下:
(1)输入前列腺CT图像和前列腺MRI图像,分别用Level Set方法分割出前列腺CT的目标图像和前列腺MRI的目标图像;
(2)将前列腺CT的目标图像进行高斯低通滤波预处理,用该滤波后的图像作为参考图像r,将前列腺MRI的目标图像进行高斯低通滤波预处理,用该滤波后的图像作为浮动图像f;
(3)分别将参考图像r和浮动图像f经过五次1/2下采样,按照高分辨率到低分辨率依次降低分为五层,形成从下层到上层分辨率递减的图像高斯金字塔;
(4)从图像的最低分辨率开始,运用Symmetric Demons算法对浮动图像进行像素偏移,重复200次得到该层的图像偏移;逐层迭代,将上一层得到的偏移经过2倍上采样作为下一层图像偏移的初始值,直到最高的分辨率,迭代结束;
(5)将步骤(4)最后得到的图像偏移作用于浮动图像f,通过线性插值得到初配准图像p;
(6)将参考图像r和初配准图像p分别表示为8×8的控制点网格图,网格图中每一个网格交叉点代表一个控制点,横向为X方向,纵向为Y方向,在X方向上网格间距为δx,共有nx个控制点,Y方向上网格间距为δy,共有ny个控制点,用向量φ表示整个控制点网格,其中是X方向第i个,Y方向第j个控制点,0≤i≤nx,0≤j≤ny;
(7)对于初配准图像p中的每个控制点,在周围四个控制点网格范围内移动,每移动到一个新位置,与之相邻的四个控制点由原位置(x,y)移动到新的位置(x+Δx,y+Δy),计算位移量(Δx,Δy)Τ;
(8)根据初配准图像p各个控制点的位移量(Δx,Δy)Τ得到变换后的图像,通过相似性度量函数E迭代计算变换后的图像和参考图像的相似性,直到变换后的图像和参考图像的相似性最大,迭代结束,记录最终的各个控制点的位移量;
(9)用步骤(8)中得到的最终的各个控制点的位移量更新初配准图像,得到最终的配准图像q,完成图像的配准工作。
本发明与现有的技术相比具有以下优点:
1.本发明是基于前列腺目标区域图像进行配准,而不是基于整幅图像的配准,避免了整幅图像配准的繁琐,消除了目标以外的像素造成干扰,有针对性地进行配准,提高了配准的准确性和快速性。
2.本发明对Demons算法做了一些改进,在配准过程中采用多尺度分层细化思想,先从图像的低分辨率开始,逐层迭代,将上层得到的偏移经过上采样作为下一层的初始值,直到最高的分辨率,这种由粗到细的配准策略在图像像素较多的时候,有更高的准确性。
3.本发明将Demons算法结合B样条理论,采用混合模型的配准方法,避免了仅依靠灰度梯度来配准的单一性,提高了在大形变和多模态下的配准精度。
附图说明
图1是本发明的实现流程图;
图2是从某医院获取的前列腺CT图像和前列腺MRI图像分割后的目标图像;
图3是以前列腺MRI的目标图像为浮动图像,前列腺CT的目标图像为参考图像,采用Demons算法配准的结果;
图4是以前列腺MRI的目标图像为浮动图像,前列腺CT的目标图像为参考图像,采用Demons算法和B样条结合的配准结果;
图5是用Demons算法及Demons算法与B样条结合这两种配准算法配准的像素点偏移图;
具体实施方法
参照图1,本发明的实现步骤如下:
步骤1.输入前列腺CT图像和前列腺MRI图像,进行分割。
前列腺CT图像和前列腺MRI图像是从某医院获取的,前列腺CT图像分辨率是256×256,前列腺MRI图像分辨率是256×256,分别对其用Level Set方法进行分割,分割出的目标图像如图2所示,其中图2(a)是前列腺MRI的目标图像,图2(b)是前列腺CT的目标图像。
步骤2.对目标图像进行预处理。
将前列腺CT的目标图像进行高斯低通滤波,使图像更平滑、清晰,用该滤波后的图像作为参考图像r,
将前列腺MRI的目标图像进行高斯低通滤波,使图像更平滑、清晰,用该滤波后的图像作为浮动图像f。
步骤3.分别对参考图像r和浮动图像f根据分辨率从高到低分层。
分别对参考图像r和浮动图像f经过五次1/2下采样,按照高分辨率到低分辨率依次降低分为五层,形成从下层到上层分辨率递减的图像高斯金字塔,其中最下层分辨率是256×256,第二层分辨率是128×128,第三层分辨率是64×64,第四层分辨率是32×32,最上层分辨率是16×16。
步骤4.用Demons算法逐层对浮动图像进行偏移。
(4a)对参考图像r和浮动图像f,从图像的最低分辨率开始,运用SymmetricDemons算法公式对浮动图像进行像素偏移,得到从图像f到图像r在坐标k处的偏移h(k):
式中,f(k)和r(k)分别是浮动图像f和参考图像r在坐标k处的灰度值,▽(r(k))是参考图像r在坐标k处的灰度梯度,▽(f(k))是浮动图像f在坐标k处的灰度梯度,α为归一化因子,取值为2.5;
(4b)根据像素偏移通过线性插值得到变换后的图像,重复200次得到该层最后的图像偏移;逐层迭代,将上一层得到的偏移经过2倍上采样作为下一层图像偏移的初始值,直到最高的分辨率,迭代结束,记录最终的图像偏移量。
步骤5.根据最终偏移量对浮动图像进行线性插值,得到初配准图像p。
将步骤4最终的图像偏移量作用于浮动图像f,通过线性插值得到初配准图像p,如图3所示,其中图3(a)是浮动图像,图3(b)是参考图像,图3(c)是初配准图像,浮动图像的像素偏移如图5(a)所示。
步骤6.对参考图像r和初配准图像p分别划分控制点网格。
(6a)将参考图像r和初配准图像p分别表示为8×8的控制点网格图,网格图中每一个网格交叉点代表一个控制点,横向为X方向,纵向为Y方向,在X方向上网格间距为δx,共有nx个控制点,Y方向上网格间距为δy,共有ny个控制点,这样图像共有nx*ny个横纵排列的控制点,这些控制点组成了整个控制点网格;
(6b)用向量φ表示整个控制点网格,其中是X方向第i个,Y方向第j个控制点,0≤i≤nx,0≤j≤ny。
步骤7.移动初配准图像p的控制点,计算相邻四个控制点的位移量。
对于初配准图像p中的每个控制点,在周围四个控制点网格范围内移动,每移动到一个新位置,与之相邻的四个控制点由原位置(x,y)移动到新的位置(x+Δx,y+Δy),计算位移量(Δx,Δy)Τ:
式中,T表示矩阵的转置,x、y分别是控制点的横、纵坐标,Δx、Δy分别是控制点在横、纵方向的位移量,δx、δy分别是横、纵方向的网格间距,Bl表示三次B样条的第l个样条基函数,l=0~3,Bm表示三次B样条的第m个样条基函数,m=0~3,三次B样条基函数为:
步骤8.相似性度量,得到各个控制点最终的位移量。
根据初配准图像p各个控制点的位移量(Δx,Δy)Τ得到变换后的图像,通过相似性度量函数E迭代计算变换后的图像和参考图像的相似性:
式中,N为图像像素点总数,r(k)为参考图像在像素点k的灰度值,t(k)为变换后的图像在像素点k的灰度值。直到变换后的图像和参考图像的相似性最大,迭代结束,记录最终的各个控制点的位移量。
步骤9.更新初配准图像,完成配准。
用步骤8中得到的最终的各个控制点的位移量更新初配准图像,得到最终的配准图像q,如图4所示,其中图4(a)是浮动图像,图4(b)是参考图像,图4(c)是最终的配准图像,浮动图像在初配准之后的像素偏移如图5(b)所示。从而实现图像的精配准。
对比图3和图4可见,本发明采用多尺度分层细化思想,并结合B样条理论,采用混合模型的配准方法,提高了配准精度,使配准算法能在图像复杂形变和多模态下取得较好的效果。
对用Demons算法及Demons算法与B样条结合这两种配准算法配准的评价指标如表一所示:
表一评价指标
评价指标 | 配准前 | Demons算法 | 结合Demons和B样条算法 |
互信息 | 0.3521 | 0.4930 | 0.5146 |
相关系数 | 0.7921 | 0.9167 | 0.9354 |
由表一可见,采用结合Demons和B样条算法的配准结果的评价指标比采用Demons算法的配准结果的评价指标有明显改善。
Claims (4)
1.基于混合模型的前列腺多模态图像非刚性配准方法,包括如下步骤:
(1)输入前列腺CT图像和前列腺MRI图像,分别用Level Set方法分割出前列腺CT的目标图像和前列腺MRI的目标图像;
(2)将前列腺CT的目标图像进行高斯低通滤波预处理,用该滤波后的图像作为参考图像r,将前列腺MRI的目标图像进行高斯低通滤波预处理,用该滤波后的图像作为浮动图像f;
(3)分别将参考图像r和浮动图像f经过五次1/2下采样,按照高分辨率到低分辨率依次降低分为五层,形成从下层到上层分辨率递减的图像高斯金字塔;
(4)从图像的最低分辨率开始,运用Symmetric Demons算法对浮动图像进行像素偏移,重复200次得到该层的图像偏移;逐层迭代,将上一层得到的偏移经过2倍上采样作为下一层图像偏移的初始值,直到最高的分辨率,迭代结束;
(5)将步骤(4)最后得到的图像偏移作用于浮动图像f,通过线性插值得到初配准图像p;
(6)将参考图像r和初配准图像p分别表示为8×8的控制点网格图,网格图中每一个网格交叉点代表一个控制点,横向为X方向,纵向为Y方向,在X方向上网格间距为δx,共有nx个控制点,Y方向上网格间距为δy,共有ny个控制点,用向量φ表示整个控制点网格,其中是X方向第i个,Y方向第j个控制点,0≤i≤nx,0≤j≤ny;
(7)对于初配准图像p中的每个控制点,在周围四个控制点网格范围内移动,每移动到一个新位置,与之相邻的四个控制点由原位置(x,y)移动到新的位置(x+Δx,y+Δy),计算位移量(Δx,Δy)Τ;
(8)根据初配准图像p各个控制点的位移量(Δx,Δy)Τ得到变换后的图像,通过相似性度量函数E迭代计算变换后的图像和参考图像的相似性,直到变换后的图像和参考图像的相似性最大,迭代结束,记录最终的各个控制点的位移量;
(9)用步骤(8)中得到的最终的各个控制点的位移量更新初配准图像,得到最终的配准图像q,完成图像的配准工作。
2.根据权利要求1所述的基于混合模型的前列腺多模态图像非刚性配准方法,其中步骤(4)中运用Symmetric Demons算法对浮动图像进行像素偏移,通过如下公式进行:
式中,f(k)和r(k)分别是浮动图像f和参考图像r在坐标k处的灰度值,是参考图像r在坐标k处的灰度梯度,是浮动图像f在坐标k处的灰度梯度,h(k)是坐标从图像f到图像r在坐标k处的偏移,α为归一化因子,取值为2.5。
3.根据权利要求1所述的基于混合模型的前列腺多模态图像非刚性配准方法,其中步骤(7)中控制点每移动到一个新位置,与之相邻的四个控制点由原位置(x,y)移动到新的位置(x+Δx,y+Δy),其位移量(Δx,Δy)Τ计算公式为:
式中,T表示矩阵的转置,x、y分别是控制点的横、纵坐标,Δx、Δy分别是控制点在横、纵方向的位移量,δx、δy分别是横、纵方向的网格间距,Bl表示三次B样条的第l个样条基函数,l=0~3,Bm表示三次B样条的第m个样条基函数,m=0~3,三次B样条基函数为:
4.根据权利要求1所述的基于混合模型的前列腺多模态图像非刚性配准方法,其中步骤(8)通过相似性度量函数E迭代计算变换后的图像和参考图像的相似性,通过下式计算:
式中,N为图像像素点总数,r(k)为参考图像在像素点k的灰度值,t(k)为变换后的图像在像素点k的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610517790.XA CN106204561B (zh) | 2016-07-04 | 2016-07-04 | 基于混合模型的前列腺多模态图像非刚性配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610517790.XA CN106204561B (zh) | 2016-07-04 | 2016-07-04 | 基于混合模型的前列腺多模态图像非刚性配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204561A true CN106204561A (zh) | 2016-12-07 |
CN106204561B CN106204561B (zh) | 2019-07-30 |
Family
ID=57464713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610517790.XA Active CN106204561B (zh) | 2016-07-04 | 2016-07-04 | 基于混合模型的前列腺多模态图像非刚性配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204561B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194956A (zh) * | 2017-05-16 | 2017-09-22 | 山东大学 | 一种非刚性医学图像配准方法 |
CN107230223A (zh) * | 2017-06-09 | 2017-10-03 | 中国科学院苏州生物医学工程技术研究所 | 基于不连续运动的肝部三维多模态图像配准方法 |
CN108022261A (zh) * | 2017-11-01 | 2018-05-11 | 天津大学 | 一种改进的光流场模型算法 |
CN108549906A (zh) * | 2018-04-10 | 2018-09-18 | 北京全域医疗技术有限公司 | 放疗勾靶图像配准方法及装置 |
CN110197503A (zh) * | 2019-05-14 | 2019-09-03 | 北方夜视技术股份有限公司 | 基于增强型仿射变换的非刚性点集配准方法 |
CN110232691A (zh) * | 2019-04-18 | 2019-09-13 | 浙江大学山东工业技术研究院 | 一种多模态的ct影像的分割方法 |
CN110363802A (zh) * | 2018-10-26 | 2019-10-22 | 西安电子科技大学 | 基于自动分割和骨盆对齐的前列腺图像配准系统及方法 |
CN110782428A (zh) * | 2019-09-20 | 2020-02-11 | 浙江未来技术研究院(嘉兴) | 一种用于构建临床脑部ct图像roi模板的方法及系统 |
CN110838140A (zh) * | 2019-11-27 | 2020-02-25 | 艾瑞迈迪科技石家庄有限公司 | 基于混合监督学习的超声和核磁图像配准融合方法及装置 |
CN111402305A (zh) * | 2020-06-05 | 2020-07-10 | 嘉兴太美医疗科技有限公司 | 医学影像配准方法、系统和计算机可读介质 |
CN111612782A (zh) * | 2020-05-28 | 2020-09-01 | 上海应用技术大学 | 一种颅脑医学图像配准方法 |
CN112750152A (zh) * | 2021-01-18 | 2021-05-04 | 上海联影医疗科技股份有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN114187338A (zh) * | 2021-12-08 | 2022-03-15 | 卡本(深圳)医疗器械有限公司 | 一种基于估算2d位移场的器官形变配准方法 |
US11631171B2 (en) | 2019-01-10 | 2023-04-18 | Regents Of The University Of Minnesota | Automated detection and annotation of prostate cancer on histopathology slides |
US11633146B2 (en) | 2019-01-04 | 2023-04-25 | Regents Of The University Of Minnesota | Automated co-registration of prostate MRI data |
CN117649416A (zh) * | 2024-01-30 | 2024-03-05 | 中国科学院合肥物质科学研究院 | 一种鲁棒胸部ct图像配准方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7778488B2 (en) * | 2007-03-23 | 2010-08-17 | Varian Medical Systems International Ag | Image deformation using multiple image regions |
CN102592137A (zh) * | 2011-12-27 | 2012-07-18 | 中国科学院深圳先进技术研究院 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
CN103077522A (zh) * | 2013-01-22 | 2013-05-01 | 南方医科大学 | 一种改进的局部形变明显图像的配准方法 |
CN103325111A (zh) * | 2013-06-05 | 2013-09-25 | 哈尔滨工程大学 | 一种基于互信息的非刚性声纳图像配准方法 |
CN104933716A (zh) * | 2015-06-16 | 2015-09-23 | 山东大学(威海) | 一种应用于医学图像的非刚性配准方法 |
-
2016
- 2016-07-04 CN CN201610517790.XA patent/CN106204561B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7778488B2 (en) * | 2007-03-23 | 2010-08-17 | Varian Medical Systems International Ag | Image deformation using multiple image regions |
CN102592137A (zh) * | 2011-12-27 | 2012-07-18 | 中国科学院深圳先进技术研究院 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
CN103077522A (zh) * | 2013-01-22 | 2013-05-01 | 南方医科大学 | 一种改进的局部形变明显图像的配准方法 |
CN103325111A (zh) * | 2013-06-05 | 2013-09-25 | 哈尔滨工程大学 | 一种基于互信息的非刚性声纳图像配准方法 |
CN104933716A (zh) * | 2015-06-16 | 2015-09-23 | 山东大学(威海) | 一种应用于医学图像的非刚性配准方法 |
Non-Patent Citations (2)
Title |
---|
MATTIAS P. HEINRICH等: "MRF-Based Deformable Registration and Ventilation Estimation of Lung CT", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
金烁: "医学图像配准技术的研究及其在放射治疗PET-CT系统中的应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194956A (zh) * | 2017-05-16 | 2017-09-22 | 山东大学 | 一种非刚性医学图像配准方法 |
CN107230223A (zh) * | 2017-06-09 | 2017-10-03 | 中国科学院苏州生物医学工程技术研究所 | 基于不连续运动的肝部三维多模态图像配准方法 |
CN107230223B (zh) * | 2017-06-09 | 2021-01-08 | 中国科学院苏州生物医学工程技术研究所 | 基于不连续运动的肝部三维多模态图像配准方法 |
CN108022261A (zh) * | 2017-11-01 | 2018-05-11 | 天津大学 | 一种改进的光流场模型算法 |
CN108022261B (zh) * | 2017-11-01 | 2020-10-16 | 天津大学 | 一种基于改进光流场模型的非刚性图像配准方法 |
CN108549906A (zh) * | 2018-04-10 | 2018-09-18 | 北京全域医疗技术有限公司 | 放疗勾靶图像配准方法及装置 |
CN110363802A (zh) * | 2018-10-26 | 2019-10-22 | 西安电子科技大学 | 基于自动分割和骨盆对齐的前列腺图像配准系统及方法 |
CN110363802B (zh) * | 2018-10-26 | 2022-12-06 | 西安电子科技大学 | 基于自动分割和骨盆对齐的前列腺图像配准系统及方法 |
US11633146B2 (en) | 2019-01-04 | 2023-04-25 | Regents Of The University Of Minnesota | Automated co-registration of prostate MRI data |
US11631171B2 (en) | 2019-01-10 | 2023-04-18 | Regents Of The University Of Minnesota | Automated detection and annotation of prostate cancer on histopathology slides |
CN110232691A (zh) * | 2019-04-18 | 2019-09-13 | 浙江大学山东工业技术研究院 | 一种多模态的ct影像的分割方法 |
CN110197503B (zh) * | 2019-05-14 | 2021-07-30 | 北方夜视技术股份有限公司 | 基于增强型仿射变换的非刚性点集配准方法 |
CN110197503A (zh) * | 2019-05-14 | 2019-09-03 | 北方夜视技术股份有限公司 | 基于增强型仿射变换的非刚性点集配准方法 |
CN110782428A (zh) * | 2019-09-20 | 2020-02-11 | 浙江未来技术研究院(嘉兴) | 一种用于构建临床脑部ct图像roi模板的方法及系统 |
CN110838140A (zh) * | 2019-11-27 | 2020-02-25 | 艾瑞迈迪科技石家庄有限公司 | 基于混合监督学习的超声和核磁图像配准融合方法及装置 |
CN111612782A (zh) * | 2020-05-28 | 2020-09-01 | 上海应用技术大学 | 一种颅脑医学图像配准方法 |
CN111612782B (zh) * | 2020-05-28 | 2023-04-07 | 上海应用技术大学 | 一种颅脑医学图像配准方法 |
CN111402305B (zh) * | 2020-06-05 | 2020-09-11 | 嘉兴太美医疗科技有限公司 | 医学影像配准方法、系统和计算机可读介质 |
CN111402305A (zh) * | 2020-06-05 | 2020-07-10 | 嘉兴太美医疗科技有限公司 | 医学影像配准方法、系统和计算机可读介质 |
CN112750152A (zh) * | 2021-01-18 | 2021-05-04 | 上海联影医疗科技股份有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN114187338A (zh) * | 2021-12-08 | 2022-03-15 | 卡本(深圳)医疗器械有限公司 | 一种基于估算2d位移场的器官形变配准方法 |
CN114187338B (zh) * | 2021-12-08 | 2023-04-28 | 卡本(深圳)医疗器械有限公司 | 一种基于估算2d位移场的器官形变配准方法 |
CN117649416A (zh) * | 2024-01-30 | 2024-03-05 | 中国科学院合肥物质科学研究院 | 一种鲁棒胸部ct图像配准方法 |
CN117649416B (zh) * | 2024-01-30 | 2024-04-12 | 中国科学院合肥物质科学研究院 | 一种鲁棒胸部ct图像配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106204561B (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204561A (zh) | 基于混合模型的前列腺多模态图像非刚性配准方法 | |
Miller et al. | Diffeomorphometry and geodesic positioning systems for human anatomy | |
CN100561518C (zh) | 基于感兴趣区域的自适应医学序列图像插值方法 | |
CN104091337B (zh) | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 | |
CN100456323C (zh) | 三维图像的快速配准方法 | |
CN104867104B (zh) | 基于xct图像非刚度配准的目标鼠解剖结构图谱获取方法 | |
CN103310458B (zh) | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 | |
CN102314712B (zh) | 基于三维成像技术的骨盆建模与骨盆参数测算方法 | |
CN102592137B (zh) | 多模态图像配准方法及基于多模态图像配准的手术导航方法 | |
Wang et al. | A review of deformation models in medical image registration | |
CN108053431A (zh) | 一种基于梯度分布的非刚体医学图像配准方法 | |
CN102903103B (zh) | 基于迁移活动轮廓模型的胃部ct序列图像分割方法 | |
CN103295234B (zh) | 基于形变表面模型的医学图像分割系统及方法 | |
CN110363802B (zh) | 基于自动分割和骨盆对齐的前列腺图像配准系统及方法 | |
CN104268895B (zh) | 一种联合空域和时域信息的4d‑ct形变配准方法 | |
Qiu et al. | Time sequence diffeomorphic metric mapping and parallel transport track time-dependent shape changes | |
Yu et al. | Learning 3D non-rigid deformation based on an unsupervised deep learning for PET/CT image registration | |
CN103793711A (zh) | 一种基于脑部核磁共振图像的多维度纹理提取方法 | |
CN109509193A (zh) | 一种基于高精度配准的肝脏ct图谱分割方法及系统 | |
CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
CN106683127A (zh) | 一种基于surf算法的多模态医学图像配准方法 | |
CN100411587C (zh) | 基于机器学习的立体核磁共振脑图像弹性配准方法 | |
CN102682223B (zh) | 一种蛋白质冷冻电镜密度图结构检测方法 | |
CN113222979A (zh) | 一种基于多图谱的颅底卵圆孔自动分割方法 | |
Crouch et al. | Medially based meshing with finite element analysis of prostate deformation |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231215 Address after: Room 009, F902, 9th Floor, Building 4-C, Xixian Financial Port, Fengdong New City Energy Jinmao District, Xi'an City, Shaanxi Province, 710086 Patentee after: Xi'an Yunying Yitong Technology Co.,Ltd. Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University |
|
TR01 | Transfer of patent right |