CN106709867A - 一种基于改进surf和改进互信息的医学图像配准方法 - Google Patents
一种基于改进surf和改进互信息的医学图像配准方法 Download PDFInfo
- Publication number
- CN106709867A CN106709867A CN201611040760.0A CN201611040760A CN106709867A CN 106709867 A CN106709867 A CN 106709867A CN 201611040760 A CN201611040760 A CN 201611040760A CN 106709867 A CN106709867 A CN 106709867A
- Authority
- CN
- China
- Prior art keywords
- point
- registration
- image
- improved
- interest
- 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 31
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000011524 similarity measure 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
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明通过改进的SURF算法和改进的互信息构建了一种医学图像配准的算法，该方法首先利用改进的SURF算法得到一个仿射变换矩阵，然后通过该矩阵变换浮动图像，得到暂时的配准图像。然后把上一步得到的矩阵作为初始值，利用powell算法和改进的互信息来进行精确的配准，得到最终的变换矩阵，最后把变换矩阵作用在浮动图像上，得到最终的配准结果。较现有的技术，本发明准确性高，鲁棒性强。
Description
技术领域
本发明属于计算机辅助诊断领域，更为具体地讲，涉及一种医学图像配准的具体方法。
背景技术
近年来，随着先进的医学成像技术和信息科学技术的迅猛发展，出现了多种原理和功能不同的成像设备，每种成像设备产生的医学图像所显示的信息都是有一定的针对性和局部性，给临床的医生提供了有限的信息。而在医学领域中，为了更充分的了解病人的病情，有经验的临床医生往往需要融合不同的解剖影像信息和功能信息来制定治疗方案，以期提高疾病诊断的可靠性和治疗方案的有效性。医学图像配准作为图像融合的首要步骤，是实现医学图像分析，进而完成疾病诊断的关键。
医学图像配准是指利用计算机技术，对于一幅医学图像寻求一种(或一系列)空间变换，使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置，使两组图像之间的信息能够在同一空间坐标下同时表达，配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。
近几十年来，针对图像配准领域的相关算法虽然种类繁多，层出不穷，但依然无法完全满足人们的实际需求。其原因相当复杂，包括：无法用单一的变换模型同时描述刚性和非刚性的变换；配准对象结构性质的千差万别；人们对配准结果预期目标互不相同等。这些原因决定了不可能实现一种普适的配准方法。只能针对特定问题和具体的需求给予合理选择，在精度、速度、和鲁棒性等关键性指标上做出均衡。
传统的SURF算法利用单一的欧拉距离来判断是否为匹配的特征点，并且仅使用了64维长度的描述子来描述特征点，使得特征点的描述和匹配不够准确，这导致医生的诊断效率变得低下。
发明内容
本发明的目的在于设计一种能够配准医学图像的方法。该方法的主要内容用改进的SURF算法和改进的互信息对医学图像，主要是CT和MR图像进行两次配准。
为实现上述目的，本发明在粗配准的过程中使用了改进的描述矢量来描述兴趣点，并且使用双向匹配的方法来匹配兴趣点，增加了兴趣点的描述精确度和匹配的准确性，为了减小单一匹配的失误率，加入了细配准的过程，并在此工程中使用了改进的互信息。
医学图像配准的技术流程如下：
步骤一：采用不断增大盒子滤波模板的尺寸的方法间接的构建图像的多尺度空间；
步骤二：利用Hessian矩阵和3D非最大值抑制法，求出多个尺度空间图像的兴趣点；
步骤三：利用哈尔特征定义兴趣点的主方向；
步骤四：在步骤三得出的主方向的基础上，得到该点的特征描述矢量；
步骤五：利用双向匹配和欧拉距离得到参考图像和浮动图像兴趣点的匹配关系；
步骤六：通过匹配关系得到初步的仿射变换矩阵，并对浮动图像进行粗配准；
步骤七：利用改进的互信息和powell算法对参考图像和浮动图像进行细配准。
附图说明
图1是本发明对于医学图像配准的技术路线图。
具体实现方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，可能淡化本发明主要内容的已知功能和设计的详细描述将被忽略。
在本实施方案中，本发明是一种医学图像配准方法。主要包括：1.用改进的SURF算法进行粗配准。2.在粗配准的基础上，用powell方法和改进的互信息相结合进行细配准。
在粗配准中，首先利用盒子滤波模板的不同尺度来构建不同的尺度空间，并将尺度空间分为五组，每组的滤波模板尺寸逐步放大，但同组的输入图像是一样的，从下往上尺度变大，总计有12层图像。然后对于图像中的每一个点求出他的Hessian矩阵及对应的特征值，采用3D非最大值抑制法，若一个点的Hessian矩阵的特征值比他周围的26点都大或者小，则这个点被选中作为兴趣点。
以兴趣点为圆心，其尺度大小为半径画圆，把圆分为6等份，对于圆里面的每一个点，计算其哈尔特征(harrx和harry)及其角度，根据最近原则，把该点归为6个窗口中的一个，遍历完圆中的所有点后，把同一个扇形窗口中的点的harrx和harry相加，其中最大的一个就是该兴趣点的主方向。以兴趣点为中心，沿着该点的主方向，选择一个20s×20s(s为兴趣点的尺度)的正方形，并把它分为4×4个子块，对于每一个子块计算harr特征，然后统计出∑dx、∑|dx|、∑dy、∑|dy|形成特征矢量，16个子块则形成64维的特征矢量，然后加上该点本来的灰度值，得到改进的65维特征矢量。
找到参考图像和浮动图像的兴趣点后，对于参考图像I中的每一个兴趣点a，计算其和浮动图像I1的兴趣点的欧拉距离，选择距离最小的两个点b1和b2，对应距离分别为d1和d2，若d1/d2的值大于阈值0.7，则b1和a暂时匹配，然后计算b1和参考图像I中所有兴趣点的欧拉距离，若a是距离最近的点则确定a和b1相匹配，否则a没有匹配的点。如上面的方法，遍历完参考图像I中所有的兴趣点，则完成兴趣点的匹配。
把得到的两个兴趣点的矩阵相除就得到了仿射变换的矩阵，利用变换矩阵就可以得到浮动图像变换后，即粗配准的图像。
用互信息加上图像的梯度信息作为新的相似性测度，以粗配准得到的变化矩阵为初始值，用powell法来进行细配准，最后得到配准后的图像
本发明一种基于改进的SURF算法和改进的互信息的医学图像配准的方法具有以下特点：
本发明提出一种新的医学图像配准的方法，与传统的基于SURF算法的配准方法相比，该方法的配准精度高，准确率高，鲁棒性强，抗干扰性强。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.本发明一种基于改进的SURF算法和改进互信息的医学图像配准方法，主要包括以下内容：通过改进的SURF算法对参考图像和浮动图像进行粗配准，然后在此基础上利用改进的互信息对粗配准的图像进行细配准。
技术方案如下：
步骤一：采用不断增大盒子滤波模板的尺寸的方法间接的构建图像的多尺度空间；
步骤二：利用Hessian矩阵和3D非最大值抑制法，求出多个尺度空间的图像的兴趣点；
步骤三：利用哈尔特征定义兴趣点的主方向；
步骤四：在步骤三得出的主方向的基础上，得到该点的65维特征描述矢量；
步骤五：利用双向匹配和欧拉距离得到参考图像和浮动图像兴趣点的匹配关系；
步骤六：通过匹配关系得到初步的仿射变换矩阵，并对浮动图像进行粗配准；
步骤七：利用改进的互信息和powell算法对参考图像和浮动图像进行细配准。
2.根据权利要求1所述的一种基于改进的SURF算法和改进互信息的医学图像配准方法，特征在与采用了粗配准和细配准两步。本法明的主要特色是在粗配准的阶段采用了改进的SURF算法，与传统的SURF算法相比，特征描述子采用了65维的矢量，在兴趣点匹配过程中采用了双向匹配的方法。在细配准的过程中，在传统的互信息的基础上，加上了图像的梯度特征，这就使得配准的结果更为准确。
在粗配准的过程中，用的是改进的SURF算法，具体过程如下：(1)先根据盒子滤波器构建图像的多尺度空间，利用Hessian矩阵和3D非最大值抑制法，求出多个尺度空间的图像的兴趣点。(2)对于每一个兴趣点，根据其周围点的哈尔特征，得到该点的64维的特征矢量，然后加上该点本来的灰度值，得到65维的特征矢量。(3)使用双向匹配的方法得到兴趣点的配对关系，当且仅当参考图像点a和浮动图像点b互相是彼此最近的点时他们才能配对成功。(4)通过兴趣点的配对关系得到初始变换矩阵，进行粗配准。
最后在细配准的过程中，用改进的互信息(即传统互信息加上梯度)结合powell方法，以上步产生的变换矩阵为初始值，迭代得到最终变换矩阵，作用于浮动图像得到最终的配准结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611040760.0A CN106709867A (zh) | 2016-11-23 | 2016-11-23 | 一种基于改进surf和改进互信息的医学图像配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611040760.0A CN106709867A (zh) | 2016-11-23 | 2016-11-23 | 一种基于改进surf和改进互信息的医学图像配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106709867A true CN106709867A (zh) | 2017-05-24 |
Family
ID=58933723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611040760.0A Pending CN106709867A (zh) | 2016-11-23 | 2016-11-23 | 一种基于改进surf和改进互信息的医学图像配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106709867A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035314A (zh) * | 2018-07-27 | 2018-12-18 | 深圳大学 | 基于几何代数的医学图像配准方法和系统 |
| CN113298853A (zh) * | 2021-06-28 | 2021-08-24 | 郑州轻工业大学 | 一种逐级递进的二阶段医学图像配准方法 |
| CN115482181A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
| CN117649434A (zh) * | 2024-01-30 | 2024-03-05 | 国仪量子技术(合肥)股份有限公司 | 电子显微镜及其图像配准方法和装置、存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1617161A (zh) * | 2003-11-10 | 2005-05-18 | 北京握奇数据系统有限公司 | 一种基于互信息的指纹特征匹配方法 |
| CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
| CN103186762A (zh) * | 2011-12-28 | 2013-07-03 | 天津市亚安科技股份有限公司 | 基于surf特征匹配算法的车牌字符识别方法 |
| CN103886586A (zh) * | 2014-02-18 | 2014-06-25 | 南京邮电大学 | 一种基于互信息和梯度信息结合的医学图像配准方法 |
-
2016
- 2016-11-23 CN CN201611040760.0A patent/CN106709867A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1617161A (zh) * | 2003-11-10 | 2005-05-18 | 北京握奇数据系统有限公司 | 一种基于互信息的指纹特征匹配方法 |
| CN103186762A (zh) * | 2011-12-28 | 2013-07-03 | 天津市亚安科技股份有限公司 | 基于surf特征匹配算法的车牌字符识别方法 |
| CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
| CN103886586A (zh) * | 2014-02-18 | 2014-06-25 | 南京邮电大学 | 一种基于互信息和梯度信息结合的医学图像配准方法 |
Non-Patent Citations (4)
| Title |
|---|
| 史聪文等: "一种互信息与梯度信息结合的多模图像配准方法", 《光电技术应用》 * |
| 宋宝官: "基于改进SURF的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》 * |
| 贺经纬等: "基于SURF算子的SAR图像匹配改进算法研究", 《遥感技术与应用》 * |
| 顾大龙等: "基于SURF的图像匹配算法改进", 《现代电子技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035314A (zh) * | 2018-07-27 | 2018-12-18 | 深圳大学 | 基于几何代数的医学图像配准方法和系统 |
| CN115482181A (zh) * | 2021-05-31 | 2022-12-16 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
| CN115482181B (zh) * | 2021-05-31 | 2024-05-24 | 数坤(北京)网络科技股份有限公司 | 一种图像信息提取方法、装置、电子设备和可读存储介质 |
| CN113298853A (zh) * | 2021-06-28 | 2021-08-24 | 郑州轻工业大学 | 一种逐级递进的二阶段医学图像配准方法 |
| CN117649434A (zh) * | 2024-01-30 | 2024-03-05 | 国仪量子技术(合肥)股份有限公司 | 电子显微镜及其图像配准方法和装置、存储介质 |
| CN117649434B (zh) * | 2024-01-30 | 2024-04-30 | 国仪量子技术(合肥)股份有限公司 | 电子显微镜及其图像配准方法和装置、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Review of breast cancer pathologigcal image processing | |
| CN109410188B (zh) | 用于对医学图像进行分割的系统和方法 | |
| US8374410B2 (en) | Medical image display device and image displaying method | |
| WO2017067127A1 (en) | System and method for image registration in medical imaging system | |
| US20170178307A1 (en) | System and method for image registration in medical imaging system | |
| CN104586418B (zh) | 医用图像数据处理装置和医用图像数据处理方法 | |
| CN107480677A (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| CN106709867A (zh) | 一种基于改进surf和改进互信息的医学图像配准方法 | |
| JP2007054636A (ja) | イメージの対を位置合わせする方法およびコンピュータによって実行される命令からなるプログラムを具現化して該方法を実施するプログラム記憶装置 | |
| CN105913442A (zh) | 自动匹配肺结节的方法 | |
| CN101040779A (zh) | 在三维立体数据组中虚拟定位断层的方法及医学成像系统 | |
| US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
| CN1920882A (zh) | 基于显著区域特征的医学图像三维多模配准的系统和方法 | |
| WO2007095165A1 (en) | System and method for image-based tree matching and registration | |
| CN106952285B (zh) | 基于先验统计运动模型及自适应配准的肺部运动估计方法 | |
| CN1299642C (zh) | 一种基于互信息敏感区域的多模态医学图像配准方法 | |
| Jin et al. | Object recognition in medical images via anatomy-guided deep learning | |
| CN114066953A (zh) | 一种针对刚性目标的三维多模态图像可变形配准方法 | |
| CN107240128A (zh) | 一种基于轮廓特征的x线片和彩色照片配准方法 | |
| Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
| Saxena et al. | An intelligent system for segmenting an abdominal image in multi core architecture | |
| CN107977991B (zh) | 基于空间距离与数据分布相似性度量的医学图像配准方法 | |
| Duan et al. | Boundary-aware registration network for 4d-ct lung image with sliding motion | |
| CN105787978A (zh) | 一种医学图像隔层自动勾画方法、装置和系统 | |
| Xiao et al. | Efficient partial-surface registration for 3D objects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170524 |
|
| WD01 | Invention patent application deemed withdrawn after publication |