CN106920228A - 脑图谱与脑图像的配准方法及装置 - Google Patents
脑图谱与脑图像的配准方法及装置 Download PDFInfo
- Publication number
- CN106920228A CN106920228A CN201710045241.1A CN201710045241A CN106920228A CN 106920228 A CN106920228 A CN 106920228A CN 201710045241 A CN201710045241 A CN 201710045241A CN 106920228 A CN106920228 A CN 106920228A
- Authority
- CN
- China
- Prior art keywords
- sub
- brain
- cuboid
- training
- deformation field
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种脑图谱与脑图像的配准方法及装置,属于医学图像处理技术领域。该方法包括:基于脑图谱及N个训练脑图像,建立变形场模型;基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱;将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。本发明通过基于脑图谱及N个训练脑图像,建立变形场模型。基于变形场模型得到变换后的脑图谱,将变换后的脑图谱与目标脑图像进行非刚体配准。由于利用了统计原理,对N个训练脑图像的信息进行统计来优化变形场模型,并基于优化的变形场模型对脑图谱进行变换,再将变换的脑图谱与目标脑图像进行配准,从而提高了配准精度,并提高了配准成功率。
Description
技术领域
本发明涉及医学图像处理技术领域,更具体地,涉及一种脑图谱与脑图像的配准方法及装置。
背景技术
目前,人们已经可以获得大脑解剖及大脑功能对应的高维图像,这些图像给临床诊断、外科手术的计划及引导、疾病治疗等医疗应用场景带来了革命性的变化。在这些应用场景中,很重要的一点就是要确定重要区域,即医生感兴趣的区域位于图像的哪个部位。过去医生通常是从解剖书籍、图谱及自身经验来对感兴趣区做出判断,即使是经验丰富的医生也很难与患者的实际图像联系起来,更不用说缺乏临床经验的医生,而数字化脑图谱可以很好的解决这一问题。
数字化脑图谱是通过某种特定扫描装置获取脑部数据,将脑部数据经3D分割处理,加上解剖标识再辅以3D可视化技术的结果。借助于数字脑图谱,医生可以在3D空间内对人脑中感兴趣区域进行任意缩放、旋转和平移,以能够认真细致地观察,从而为相应手术提供了重要的参考信息。另外,它也是神经解剖教学的良好工具,使人们很容易了解各神经解剖结构间的空间关系。数字脑图谱有详细的解剖标识,这一性质使它可以作为图像分割的标准模板,从而可对任何待分析脑图像中的多个感兴趣区域同时做特征描述。目前国内外学者已经开发出了一些数字化脑图谱,比较有代表性的有有Talairach脑图谱,WholeBrain脑图谱,VOXEL-MAN脑图谱,BrainWeb脑图谱等。在使用数字化脑图谱的时候,需要将脑图谱配准到病患者的脑图像上,或将病患者的脑图像配准到脑图谱上,这样可以很方便地确定感兴趣区域对应在患者脑图像上的位置。因此,如何对脑图谱与脑图像进行配准是个非常重要的问题。其中,医学图像配准是指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剧上的一致。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,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。现有的配准方法主要是对脑图谱与脑图像进行非刚体配准。其中,非刚体配准主要是计算变形场,变形场通常需要用很多参数来表示,一般情况下使用默认参数表示变形场。通过变形场对脑图谱进行变换,再将变换后的脑图谱与脑图像进行配准。
在实现本发明的过程中,发现现有技术至少存在以下问题:由于在进行非刚体配准时主要是使用默认参数来表示变形场,而默认参数很容易导致失配。因此,配准精度较低。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的脑图谱与脑图像的配准方法及装置。
根据本发明的一方面,提供了一种脑图谱与脑图像的配准方法,该方法包括:
基于脑图谱及N个训练脑图像,建立变形场模型;
基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱;
将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。
根据本发明的另一方面,提供了一种脑图谱与脑图像的配准装置,该装置包括:
建立模块,用于基于脑图谱及N个训练脑图像,建立变形场模型;
变换模块,用于基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱;
配准模块,用于将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。
本申请提出的技术方案带来的有益效果是:
通过基于脑图谱及N个训练脑图像,建立变形场模型。基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱。将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。由于参考了大量的训练脑图像信息,即利用统计原理,对N个训练脑图像的信息进行统计来优化变形场模型,并基于优化的变形场模型对脑图谱进行变换,再将变换的脑图谱与目标脑图像进行配准,从而提高了配准精度,并提高了配准成功率。
附图说明
图1为本发明实施例的一种脑图谱与脑图像的配准方法的流程示意图;
图2为本发明实施例的一种脑图谱与脑图像的配准方法的流程示意图;
图3为本发明实施例的一种脑图谱与脑图像的配准装置的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
目前已经开发的代表性数字化脑图谱包括Talairach脑图谱、Whole Brain脑图谱、VOXEL-MAN脑图谱及BrainWeb脑图谱等。这些脑图谱已经过三维分割处理,并加入了解剖标识。通过将脑图谱与临床获取的脑图像进行非刚体配准,医生可以很快将感兴趣区域与患者的脑图像联系起来,这对疾病的诊断及手术方案的制定都非常有用。
现有的配准方法主要是对脑图谱与脑图像进行非刚体配准。其中,非刚体配准主要是计算变形场,变形场通常需要用很多参数来表示,一般情况下使用默认参数表示变形场。通过变形场对脑图谱进行变换,再将变换后的脑图谱与脑图像进行配准。由于在进行非刚体配准时,是使用默认参数来表示变形场,而默认参数很容易导致失配。因此,配准精度较低。
针对现有技术中的问题,本发明实施例提供了一种脑图谱与脑图像的配准方法。参见图1,该方法包括:101、基于脑图谱及N个训练脑图像,建立变形场模型;102、基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱;103、将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。
本发明实施例提供的方法,通过基于脑图谱及N个训练脑图像,建立变形场模型。基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱。将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。由于参考了大量的训练脑图像信息,即利用统计原理,对N个训练脑图像的信息进行统计来优化变形场模型,并基于优化的变形场模型对脑图谱进行变换,再将变换的脑图谱与目标脑图像进行配准,从而提高了配准精度,并提高了配准成功率。
作为一种可选实施例,基于脑图谱及N个训练脑图像,建立变形场模型,包括:
基于仿射配准,将每一训练脑图像归一化至脑图谱,得到相应的脑图谱空间及N个仿射配准后的训练脑图像;
将每一仿射配准后的训练脑图像与脑图谱进行非刚体配准,得到N个变形场,每一仿射配准后的脑图像对应一个变形场,脑图谱空间中包含N个变形场;
基于脑图谱空间及N个变形场,建立变形场模型。
作为一种可选实施例,基于脑图谱空间及N个变形场,建立变形场模型,包括:
按照预设方式,对脑图谱空间进行划分,得到相应数量的训练子长方体;
按照预设长度分别对每一训练子长方体的长宽高进行扩大,每一扩大后的训练子长方体中包含N个子变形场;
根据每一扩大后的训练子长方体中包含的N个子变形场,建立每一扩大后的训练子长方体对应的变形场模型。
作为一种可选实施例,根据每一扩大后的训练子长方体中包含的N个子变形场,建立每一扩大后的训练子长方体对应的变形场模型,包括:
对于任一扩大后的训练子长方体对应的任一子变形场,将任一子变形场中每一矢量在三个维度上的分量按照顺序存储至对应的一维数组中,每一扩大后的训练子长方体中包含N个子变形场,每一子变形场对应一个一维数组,每一扩大后的训练子长方体对应一维数组的数量为N个;
基于主成份分析,根据任一扩大后的训练子长方体对应的N个一维数组,建立任一扩大后的训练子长方体对应的变形场模型。
作为一种可选实施例,基于主成份分析,根据任一扩大后的训练子长方体对应的N个一维数组,建立任一扩大后的训练子长方体对应的变形场模型,包括:
基于任一扩大后的训练子长方体对应的N个一维数组,计算特征值及对应的特征向量;
按照从大到小的顺序对所有特征值进行排序,选取前预设数量个特征值;
基于前预设数量个特征值及对应的特征向量,建立任一扩大后的训练子长方体对应的变形场模型,每一扩大后的训练子长方体对应一个变形场模型,每一变形场模型包括变形场参数。
作为一种可选实施例,基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱,包括:
基于仿射配准,将目标脑图像归一化至脑图谱,得到相应的目标脑图谱空间;
按照预设方式,对目标脑图谱空间进行划分,得到相应数量的子长方体,每一子长方体与每一训练子长方体一一对应;
按照预设长度分别对每一子长方体的长宽高进行扩大,每一扩大后的子长方体与每一扩大后的训练子长方体一一对应,每一扩大后的子长方体中包含脑图谱的一个分块脑图谱及目标脑图像的一个分块目标脑图像;
基于目标脑图像、每一扩大后的子长方体及每一扩大后的训练子长方体对应的变形场模型,对脑图谱进行变换,得到变换后的脑图谱。
作为一种可选实施例,基于目标脑图像及每一扩大后的训练子长方体对应的变形场模型,对脑图谱进行变换,得到变换后的脑图谱,包括:
对于任一扩大后的子长方体对应的任一扩大后的训练子长方体,基于任一扩大后的训练子长方体对应的任一变形场模型,对任一扩大后的子长方体中包含的分块脑图谱进行变换,任一变形场模型中包括变形场参数;
根据变换后的分块脑图谱,确定任一扩大后的训练子长方体对应的最优变形场模型;
基于每一扩大后的训练子长方体对应的最优变形场模型,获取脑图谱进行最优变换后的脑图谱。
作为一种可选实施例,根据变换后的分块脑图谱,确定任一扩大后的训练子长方体对应的最优变形场模型,包括:
计算变换后的分块脑图谱与任一扩大后的子长方体中包含的分块目标脑图像之间的相似性度量;
根据不同变形场参数对应的相似性度量,确定最大相似性度量,将最大相似度量对应的变形场参数作为最优变形场参数;
根据最优变形场参数,确定任一扩大后的训练子长方体对应的最优变形场模型。
作为一种可选实施例,基于每一扩大后的训练子长方体对应的最优变形场模型,获取脑图谱进行最优变换后的脑图谱,包括:
基于每一扩大后的子长方体对应的最优变形场模型,获取每一扩大后的子长方体中进行最优变换后的分块脑图谱;
对每一最优变换后的分块脑图谱中不重叠的部分进行整合,得到最优变换后的脑图谱。
上述所有可选技术方案,可以采用任意结合形成本发明的可选实施例,在此不再一一赘述。
基于上述图1对应实施例提供的方法,本发明实施例提供了一种脑图谱与脑图像的配准方法。参见图2,该方法包括:201、选取脑图谱及N个训练脑图像;202、基于脑图谱及N个训练脑图像,建立变形场模型;203、基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱;204、将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。
其中,201、选取脑图谱及N个训练脑图像。
本步骤中的脑图谱为三维数字化脑图谱,训练脑图像为三维脑图像。在选取脑图谱时,可任意选取现有任意一种脑图谱,如Talairach脑图谱、Whole Brain脑图谱、VOXEL-MAN脑图谱或BrainWeb脑图谱中的任意一种,本实施例对此不作具体限定。N代表选取的训练脑图像数量,N可以根据需求进行设置,本实施例不对选取的训练脑图像数量作具体限定。其中,N个训练脑图像中每个训练脑图像的大小尺寸一致。
其中,202、基于脑图谱及N个训练脑图像,建立变形场模型。
在选取脑图谱及N个训练脑图像之后,由于后续需要根据变形场,对脑图谱进行变换,从而在本步骤中可先建立变形场模型。本实施例不对基于脑图谱及N个训练脑图像,建立变形场模型的方式作具体限定,包括但不限于:基于仿射配准,将每一训练脑图像归一化至脑图谱,得到相应的脑图谱空间及N个仿射配准后的训练脑图像;将每一仿射配准后的训练脑图像与脑图谱进行非刚体配准,得到N个变形场,每一仿射配准后的脑图像对应一个变形场,脑图谱空间中包含N个变形场;基于脑图谱空间及N个变形场,建立变形场模型。
由于脑图谱与训练脑图像之间的大小尺寸可能会不一致、两者间像素点数量也可能不一致或者两者像素点之间可能不一一对应,这不便于后续做进一步处理,从而在上述过程中,可先将脑图谱与N个训练脑图像进行仿射配准,将每一训练脑图像归一化至脑图谱,以让每一训练脑图像与脑图谱大小尺寸一致,两者间像素点一一对应。通过仿射配准的过程,还可得到相应的脑图谱空间。其中,脑图谱空间为长方体空间,脑图谱空间中包括脑图谱及N个仿射配准后的训练脑图像。例如,以选取的脑图谱为I(脑图谱大小为Nx×Ny×Nz),选取的N个训练脑图像为Mi(0<i<N)为例。采用仿射配准,可将Mi配准到脑图谱I,从而可得到仿射配准后的训练脑图谱图像另外,形成的脑图谱空间包括脑图谱I及N个仿射配准后的训练脑图像
通过对脑图谱与N个训练脑图像进行仿射配准,使得脑图谱与N个训练脑图像之间尺寸大小一致后,可将每一仿射配准后的训练脑图像与脑图谱进行非刚体配准,从而得到N个变形场。其中,每一仿射配准后的脑图像对应一个变形场。对于一个仿射配准后的脑图像中的一个像素点来说,在脑图谱空间中,该像素点与脑图谱中对应像素点之间位置可以形成一个矢量。基于上述内容,在脑图谱空间中,该仿射配准后的脑图像中每一像素点都会对应一个矢量,从而这些矢量的合集即为该仿射配准后的脑图像对应的变形场。相应地,N个仿射配准的脑图像可对应N个变形场,从而脑图谱空间中可包含N个变形场。
另外,上述过程中的非刚体配准方法可以为ANTS配准、B样条配准或HAMMER配准中的任意一种方法,本实施例对此不作具体限定。例如,将每一仿射配准后的训练脑图像与脑图谱I进行非刚体配准,可得到一系列的变形场Fi(0<i<N)。
在得到脑图谱空间及N个变形场之后,可基于脑图谱空间及N个变形场,建立变形场模型。其中,建立变形场模型主要是利用统计原理,对N个变形场的信息进行统计,从而可将N个训练脑图像作参考以建立较优的变形场模型,进而以提高后续配准的精度及成功率。本实施例不对基于脑图谱空间及N个变形场,建立变形场模型的方式作具体限定,包括但不限于:按照预设方式,对脑图谱空间进行划分,得到相应数量个的训练子长方体;按照预设长度分别对每一训练子长方体的长宽高进行扩大,每一扩大后的训练子长方体中包含N个子变形场;根据每一扩大后的训练子长方体中包含的N个子变形场,建立每一扩大后的训练子长方体对应的变形场模型。
由于脑图谱及脑图像中像素点数量较多,从而在N个变形场中每个变形场包含的矢量数量也较多。若同时对N个变形场的数据进行处理,需要处理的数据量很大,处理时间可能会较长。为了解决这个问题,可将脑图谱空间划分为一个个小的子空间。子空间中包含着N个子变形场,N个子变形场中的数据量要远远小于N个变形场中的数据量。通过并行对N个子变形场的数据进行处理,能够缩短处理时间。其中,脑图谱空间为一个长方体空间,在将脑图谱空间进行划分后,可得到相应数量的训练子长方体,即划分后的子空间。
在对脑图谱空间进行划分时,划分的预设方式可以为基于脑图谱空间的长宽高,按照预设长宽高对脑图谱空间进行划分,得到相应数量的训练子长方体。需要说明的是,划分得到的每个训练子长方体大小相同。另外,任训练子长方体之间不重叠且紧密相连。在将脑图谱空间划分为大小相同、不重叠且紧密相连的训练子长方体后,后续基于每一训练子长方体中包含的子变形场,可建立对应的变形场模型。由于在划分子长方体时,划分的训练子长方体之间紧密相连,从而训练子长方体的边缘部分也可能会包含脑图谱或仿射配准后的训练脑图像中的像素点。由于像素点对应着该训练子长方体中包含的子变形场对应的矢量,从而两个邻接的训练子长方体中包含的子变形场可能会包含相同的矢量,即对于两个邻接的训练子长方体,两者分别包含的子变形场之间可能会存在干扰。
为了去除子变形场之间的干扰,可将每一训练子长方体的长宽高进行扩大,从而让训练子长方体之间重叠,以避免边缘部分子变形场之间的干扰。本实施例不对扩大训练子长方体的方式作具体限定,包括但不限于按照预设长度分别对每一训练子长方体的长宽高进行扩大。例如,以每一训练子长方体的大小为bx×by×bz,预设长度2b为例。bx为训练子长方体的长,by为训练子长方体的宽,bz为训练子长方体的高。其中,bx<Nx,by<Ny,bz<Nz。Nx、Ny及Nz分别为脑图谱所在的脑图谱空间对应的长宽高。将训练子长方体的长宽高扩大2b,扩大后的训练子长方体的大小为(bx+2b)×(by+2b)×(bz+2b)。每一扩大后的训练子长方体中包含N个子变形场fi,i=1,...,N。
在对每一训练子长方体进行扩大后,对于每一扩大后的训练子长方体,可根据其包含的N个子变形场,建立其对应的变形场模型。本实施例不对根据每一扩大后的训练子长方体中包含的N个子变形场,建立每一扩大后的训练子长方体对应的变形场模型的方式作具体限定,包括但不限于:对于任一扩大后的训练子长方体对应的任一子变形场,将任一子变形场中每一矢量在三个维度上的分量按照顺序存储至对应的一维数组中,每一扩大后的训练子长方体中包含N个子变形场,每一子变形场对应一个一维数组,每一扩大后的训练子长方体对应一维数组的数量为N个;基于主成份分析,根据任一扩大后的训练子长方体对应的N个一维数组,建立任一扩大后的训练子长方体对应的变形场模型。
由上述内容可知,变形场中包含的主要为脑图谱中像素点与脑图像中像素点之间矢量。在对脑图谱空间进行分块,并对分块进行扩大后,每一扩大后的训练子长方体中都会包含N个子变形场。由于N个子变形场中包含大量矢量,从而即使对脑图谱空间进行了分块,每一扩大后的训练子长方体还是会包含大量矢量。相应地,每一扩大后的训练子长方体包含的待处理数据依然很多,维度较高。为了缩短后续处理数据时的处理时间,可对每一扩大后的训练子长方体中包含的待处理数据进行降维,以减少待处理的数据量。
为了便于降维处理,对于任一扩大后的训练子长方体对应的任一子变形场,可将该子变形场中每一矢量在三个维度上的分量按照顺序存储至对应的一维数组中。由于变形场主要是矢量集合,从而为了便于说明,一维数组也可以用fi,i=1,...,N进行表示。例如,以一个子变形场中包含n个矢量,包含的n个矢量分别为(X1,Y1,Z1)、(X2,Y2,Z2)……(Xn,Yn,Zn)为例。将该子变形场中n个矢量在三个维度上的分量按照顺序存储至对应的一维数组fi[3n]中,该数组中的元素为fi[X1,Y1,Z1,X2,Y2,Z2,……,Xn,Yn,Zn],数组中元素的数量为3*n即3n个。按照上述方式,对于任一扩大后的训练子长方体,在该扩大后的训练子长方体包含的N个子变形场中,每一子变形场都对应一个一维数组。
对于每一扩大后的训练子长方体,在得到每一扩大后的训练子长方体对应的N个一维数组后,可对N个一维数组对应的数据进行降维。根据降维后的数据,可建立每一扩大后的训练子长方体对应的变形场模型。其中,在对数据进行降维时,可采用PCA(PrincipalComponent Analysis,主成份分析)的方式,本实施例对此不作具体限定。
对于任一扩大后的训练子长方体,本实施例不对基于主成份分析,根据任一扩大后的训练子长方体对应的N个一维数组,建立任一扩大后的训练子长方体对应的变形场模型的方式作具体限定,包括但不限于:基于任一扩大后的训练子长方体对应的N个一维数组,计算特征值及对应的特征向量;按照从大到小的顺序对所有特征值进行排序,选取前预设数量个特征值;基于前预设数量个特征值及对应的特征向量,建立任一扩大后的训练子长方体对应的变形场模型,每一扩大后的训练子长方体对应一个变形场模型,每一变形场模型包括变形场参数。
例如,对于任一扩大后的训练子长方体,对于该扩大后的训练子长方体对应的N个一维数组,可先计算N个一维数组的均值。N个一维数组的均值可参考如下算式(1):
对于N个一维数组中每个一维数组,可计算每个一维数组与均值之间的差值这样差值的数量为N个。基于所有的差值,可构建一个矩阵:相应地,可构建D的相关矩阵,具体过程可参考如下算式(2):
由于该相关矩阵的数据量不是很大,从而可以直接计算该相关矩阵对应的特征值λi及对应的特征向量ei。其中,i=1、2、……、n,n=(bx+2b)×(by+2b)×(bz+2b)×3。由于上述计算得到的一系列特征值中数值较大的特征值及对应的特征向量能够较充分地描述变形场,从而为了减少后续计算量,可按照从大到小的顺序对所有特征值进行排序,选取前预设数量个特征值,即数值较大的前预设数量个特征值。
基于前预设数量个特征值及对应的特征向量,可建立该扩大后的训练子长方体对应的变形场模型,变形场模型可参考如下算式(3):
在上述算式(3)中,为上述算式(1)中求出的均值,即该扩大后的训练子长方体中N个一维数组的均值。t为预设数量,即按照大小排序,选取了前t个较大的特征值。ci为变形场参数,每一特征值对应一个变形场参数。其中,t<<n,即通过主成份分析对数据进行降维,很大程度上减少了后续的计算量。另外,每一扩大后的训练子长方体都对应的一个变形场模型。
其中,203、基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱。
通过上述步骤201至步骤202,可得到脑图谱空间中扩大后的训练子长方体,并可以得到扩大后的训练子长方体对应的变形场模型。基于变形场模型,可对脑图谱进行变换,以便后续将变换后的脑图谱与目标脑图像进行配准。本实施例不对基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱的方式作具体限定,包括但不限于:基于仿射配准,将目标脑图像归一化至脑图谱,得到相应的目标脑图谱空间;按照预设方式,对目标脑图谱空间进行划分,得到相应数量的子长方体,每一子长方体与每一训练子长方体一一对应;按照预设长度分别对每一子长方体的长宽高进行扩大,每一扩大后的子长方体与每一扩大后的训练子长方体一一对应,每一扩大后的子长方体中包含脑图谱的一个分块脑图谱及目标脑图像的一个分块目标脑图像;基于目标脑图像、每一扩大后的子长方体及每一扩大后的训练子长方体对应的变形场模型,对脑图谱进行变换,得到变换后的脑图谱。
由于上述步骤201至步骤202在建立变形场模型时,是基于仿射配准、划分脑图谱空间以及对划分的子长方体进行扩大等一系列前提条件,从而在本步骤中对脑图谱进行变换时,也要作同样的处理。其中,目标脑图像即为实际需要与脑图谱进行非刚体配准的脑图像。在基于仿射配准,将目标脑图像归一化至脑图谱时,可参考上述步骤202中的过程。在进行仿射配准后,可得到相应的目标脑图谱空间。例如,以待配准的目标脑图像为J为例。将目标脑图像J与脑图谱I做仿射配准,可得到仿射配准后的目标脑图像JA。
在得到目标脑图谱空间后,可将目标脑图谱空间进行划分。在划分目标脑图谱空间时,可按照步骤202中相同的预设方式,将目标脑图谱空间划分为相应数量的子长方体。其中,本步骤划分的子长方体数量与上述步骤202中划分的训练子长方体数量一致。由于都是按照预设方式对脑图谱空间进行划分,从而在相同的位置上,每一训练子长方体与每一子长方体一一对应。
在将目标脑图谱空间划分为相应数量的子长方体后,可按照上述步骤202中相同的预设长度,对子长方体的长宽高进行扩大。其中,每一扩大后的子长方体与每一扩大后的训练子长方体一一对应。另外,由于是对目标脑图谱空间进行划分,而目标脑图谱空间中包含着脑图谱及仿射配准后的目标脑图像,从而划分的子长方体中包含脑图谱的一个分块脑图谱及目标脑图像的一个分块目标脑图像。相应地,扩大后的子长方体也包含脑图谱的一个分块脑图谱及目标脑图像的一个分块目标脑图像。由于对子长方体进行了扩大,从而扩大后的子长方体包含的数据量要大一些。
在得到扩大后的子长方体后,可基于每一扩大后的训练子长方体对应的变形场模型,对脑图谱进行变换。本实施例不对基于目标脑图像、每一扩大后的子长方体及每一扩大后的训练子长方体对应的变形场模型,对脑图谱进行变换,得到变换后的脑图谱的方式作具体限定,包括但不限于:对于任一扩大后的子长方体对应的任一扩大后的训练子长方体,基于任一扩大后的训练子长方体对应的任一变形场模型,对任一扩大后的子长方体中包含的分块脑图谱进行变换,任一变形场模型中包括变形场参数;根据变换后的分块脑图谱,确定任一扩大后的训练子长方体对应的最优变形场模型;基于每一扩大后的训练子长方体对应的最优变形场模型,获取脑图谱进行最优变换后的脑图谱。
由上述步骤202中算式(3)可知,每一扩大后的训练子长方体对应的变形场模型中包含未知的变形场参数。不同的变形场参数决定者不同的变形场模型,而不同的变形场模型在对子长方体中包含的分块脑图谱进行变换后,后续再进行配准时会有不同的配准效果。例如,有的变形场参数对应的配准效果可能比较好,配准精度较高。有的变形场参数对应的配准效果可能比较差,配准精度较低。因此,在上述过程需要先寻找每一扩大后的子长方体对应的最优变形场模型,即最优变形场参数,以让后续配准效果达到最佳。
需要说明的是,对于任一扩大后的子长方体对应的任一扩大后的训练子长方体,基于该扩大后的训练子长方体对应的变形场模型,在对任一扩大后的子长方体中包含的分块脑图谱进行变换时,可先设置变形场模型中变形场参数ci的初始值。按照初始值对应的变形场模型,对该扩大后的子长方体中包含的分块脑图谱进行变换。
本实施例不对根据变换后的分块脑图谱,确定任一扩大后的子长方体对应的最优变形场模型的方式作具体限定,包括但不限于:计算变换后的分块脑图谱与任一扩大后的子长方体中包含的分块目标脑图像之间的相似性度量;根据不同变形场参数对应的相似性度量,确定最大相似性度量,将最大相似度量对应的变形场参数作为最优变形场参数;根据最优变形场参数,确定任一扩大后的训练子长方体对应的最优变形场模型。
对于任一扩大后的子长方体中包含的分块目标脑图像及分块脑图谱,在计算变换后的分块脑图谱与分块目标脑图像之间的相似性度量时,可采用MI(Mutual Information,互信息)、CC(Correlation Coefficient,相关系数)或SSD(Sum of Squared Difference,最小平方差)中任意一种方法,本实施例对此不作具体限定。例如,对于任一扩大后的子长方体,以该扩大后的子长方体中包含的分块脑图谱为I及分块目标脑图像为JA为例。当变形场参数为初始值时,基于初始值对应的变形场模型,在对该分块脑图谱进行变换后,可按照MI算法计算变换后的分块脑图谱f(I)与分块脑图像JA之间的相似性度量。
基于上述计算相似性度量的过程可知,不同的变形场参数对应着不同的相似性度量。对于任一扩大后的子长方体,当变换后的分块脑图谱与分块目标脑图像之间相似性度量越大时,则说明变形场模型较优。相应地,变形场参数也较优。基于上述内容,通过在变形场模型中可设置不同的变形场参数,可计算相应的相似性度量,而计算得到的相似性度量又可以反过来作为优化变形场参数ci的依据,从而最终可确定一个最大相似性度量。相应地,可将该最大相似性度量对应的变形场参数ci作为最优变形场参数。需要说明的是,在优化变形场参数ci可通过最快下降法或者共轭梯度法等任意一种优化算法,本实施例对此不作具体限定。
通过上述过程,可确定任一扩大后的训练子长方体对应的最优变形场模型。基于每一扩大后的训练子长方体对应的最优变形场模型,可对脑图谱进行最优变换,从而得到最优变换后的脑图谱。本实施例不对基于每一扩大后的训练子长方体对应的最优变形场模型,获取脑图谱进行最优变换后的脑图谱的方式作具体限定,包括但不限于:基于每一扩大后的子长方体对应的最优变形场模型,获取每一扩大后的子长方体中进行最优变换后的分块脑图谱;对每一最优变换后的分块脑图谱中不重叠的部分进行整合,得到最优变换后的脑图谱。
在确定最优变形场模型后,可获取每一扩大后的子长方体中进行最优变换后的分块脑图谱。由于扩大后的子长方体之间是重叠的,从而其包含的最优变换后的分块脑图谱也是重叠的。因此,为了得到最优变换后的脑图谱,需要对每一最优变换后的分块脑图谱进行整合,并且要去除掉两两之间重叠的部分。其中,在去除两两间重叠的部分时,可基于像素点在脑图谱空间中的坐标进行去除,即去除分块脑图谱之间相同坐标的像素点。
需要说明的是,由于最优变换后的脑图谱是基于大量训练脑图像得到,从而最优变换后的脑图谱已经与仿射配准后的目标脑图像已经比较接近了,即具有诊断意义的点及手术感兴趣的点都已达到近似匹配。为了更进一步地提高配准精度或配准成功率,后续步骤还可将最优变换后的脑图谱与目标脑图像作进一步地配准,详见后续步骤。
其中,204、将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。
通过上述步骤201至步骤203中的内容,可得到最优变换后的脑图谱。相应地,在本步骤中可将最优变换后的脑图谱与目标脑图像进行非刚体配准,以得到相应的配准结果。其中,非刚体配准可以为上述步骤202中任意一种非刚体配准方法,如ANTS配准、B样条配准或HAMMER配准,本实施例对此不作具体限定。
本发明实施例提供的方法,通过选取脑图谱及N个训练脑图像,基于脑图谱及N个训练脑图像,建立变形场模型。基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱。将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。由于参考了大量的训练脑图像信息,即利用统计原理,对N个训练脑图像的信息进行统计来优化变形场模型,并基于优化的变形场模型对脑图谱进行变换,再将变换的脑图谱与目标脑图像进行配准,从而提高了配准精度,并提高了配准成功率。
另外,在建立变形场模型时,将脑图谱空间进行划分,分别建立划分后的每一训练子长方体中的变形场模型,而不用建立脑图谱空间这个整体对应的变形场模型。通过并行建立“分块”中的变形场模型,能够避免集中处理所带来的超大计算量,从而提高了建立变形场模型时的效率,进而提高了后续配准时的速率。
再次,在对脑图谱空间进行划分后,通过扩大划分得到的子长方体的长宽高,对于子长方体之间的子变形场,能够避免边缘部分引起的子变形场之间的干扰,从而能够提高后续建立的变形长模型对应的精度,进而能够提高后续配准的精度及成功率。
最后,通过对每一扩大后的训练子长方体中包含的待处理数据进行降维,即选取较大的若干个特征值及对应的特征向量来表示变形场模型,能够减少后续对脑图谱进行变换时的计算量,从而进一步地提高了后续配准时的速率。因此,提高了配准效率。
基于上述图1或图2对应实施例所提供的脑图谱与脑图像的配准装置,本发明实施例提供了一种脑图谱与脑图像的配准装置。参见图3,该装置包括:
建立模块301,用于基于脑图谱及N个训练脑图像,建立变形场模型;
变换模块302,用于基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱;
配准模块303,用于将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。
作为一种可选实施例,建立模块301,用于基于仿射配准,将每一训练脑图像归一化至脑图谱,得到相应的脑图谱空间及N个仿射配准后的训练脑图像;将每一仿射配准后的训练脑图像与脑图谱进行非刚体配准,得到N个变形场,每一仿射配准后的脑图像对应一个变形场,脑图谱空间中包含N个变形场;基于脑图谱空间及N个变形场,建立变形场模型。
作为一种可选实施例,建立模块301,按照预设方式,对脑图谱空间进行划分,得到相应数量的训练子长方体;按照预设长度分别对每一训练子长方体的长宽高进行扩大,每一扩大后的训练子长方体中包含N个子变形场;根据每一扩大后的训练子长方体中包含的N个子变形场,建立每一扩大后的训练子长方体对应的变形场模型。
作为一种可选实施例,建立模块301,对于任一扩大后的训练子长方体对应的任一子变形场,将任一子变形场中每一矢量在三个维度上的分量按照顺序存储至对应的一维数组中,每一扩大后的训练子长方体中包含N个子变形场,每一子变形场对应一个一维数组,每一扩大后的训练子长方体对应一维数组的数量为N个;基于主成份分析,根据任一扩大后的训练子长方体对应的N个一维数组,建立任一扩大后的训练子长方体对应的变形场模型。
作为一种可选实施例,建立模块301,基于任一扩大后的训练子长方体对应的N个一维数组,计算特征值及对应的特征向量;按照从大到小的顺序对所有特征值进行排序,选取前预设数量个特征值;基于前预设数量个特征值及对应的特征向量,建立任一扩大后的训练子长方体对应的变形场模型,每一扩大后的训练子长方体对应一个变形场模型,每一变形场模型包括变形场参数。
作为一种可选实施例,变换模块302,包括:
仿射配准单元,用于基于仿射配准,将目标脑图像归一化至脑图谱,得到相应的目标脑图谱空间;
划分单元,用于按照预设方式,对目标脑图谱空间进行划分,得到相应数量的子长方体,每一子长方体与每一训练子长方体一一对应;
扩大单元,用于按照预设长度分别对每一子长方体的长宽高进行扩大,每一扩大后的子长方体与每一扩大后的训练子长方体一一对应,每一扩大后的子长方体中包含脑图谱的一个分块脑图谱及目标脑图像的一个分块目标脑图像;
变换单元,用于基于目标脑图像、每一扩大后的子长方体及每一扩大后的训练子长方体对应的变形场模型,对脑图谱进行变换,得到变换后的脑图谱。
作为一种可选实施例,变换单元,包括:
变换子单元,用于对于任一扩大后的子长方体对应的任一扩大后的训练子长方体,基于任一扩大后的训练子长方体对应的任一变形场模型,对任一扩大后的子长方体中包含的分块脑图谱进行变换,任一变形场模型中包括变形场参数;
确定子单元,用于根据变换后的分块脑图谱,确定任一扩大后的训练子长方体对应的最优变形场模型;
获取子单元,用于基于每一扩大后的训练子长方体对应的最优变形场模型,获取脑图谱进行最优变换后的脑图谱。
作为一种可选实施例,确定子单元,用于计算变换后的分块脑图谱与任一扩大后的子长方体中包含的分块目标脑图像之间的相似性度量;
根据不同变形场参数对应的相似性度量,确定最大相似性度量,将最大相似度量对应的变形场参数作为最优变形场参数;
根据最优变形场参数,确定任一扩大后的训练子长方体对应的最优变形场模型。
作为一种可选实施例,获取子单元,用于基于每一扩大后的子长方体对应的最优变形场模型,获取每一扩大后的子长方体中进行最优变换后的分块脑图谱;
对每一最优变换后的分块脑图谱中不重叠的部分进行整合,得到最优变换后的脑图谱。
本发明实施例提供的装置,通过基于脑图谱及N个训练脑图像,建立变形场模型。基于变形场模型及待配准的目标脑图像,对脑图谱进行变换,得到变换后的脑图谱。将变换后的脑图谱与目标脑图像进行非刚体配准,得到相应的配准结果。由于参考了大量的训练脑图像信息,即利用统计原理,对N个训练脑图像的信息进行统计来优化变形场模型,并基于优化的变形场模型对脑图谱进行变换,再将变换的脑图谱与目标脑图像进行配准,从而提高了配准精度,并提高了配准成功率。
另外,在建立变形场模型时,将脑图谱空间进行划分,分别建立划分后的每一训练子长方体中的变形场模型,而不用建立脑图谱空间这个整体对应的变形场模型。通过并行建立“分块”中的变形场模型,能够避免集中处理所带来的超大计算量,从而提高了建立变形场模型时的效率,进而提高了后续配准时的速率。
再次,在对脑图谱空间进行划分后,通过扩大划分得到的子长方体的长宽高,对于子长方体之间的子变形场,能够避免边缘部分引起的子变形场之间的干扰,从而能够提高后续建立的变形长模型对应的精度,进而能够提高后续配准的精度及成功率。
最后,通过对每一扩大后的训练子长方体中包含的待处理数据进行降维,即选取较大的若干个特征值及对应的特征向量来表示变形场模型,能够减少后续对脑图谱进行变换时的计算量,从而进一步地提高了后续配准时的速率。因此,提高了配准效率。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种脑图谱与脑图像的配准方法,其特征在于,所述方法包括:
基于脑图谱及N个训练脑图像,建立变形场模型;
基于所述变形场模型及待配准的目标脑图像,对所述脑图谱进行变换,得到变换后的脑图谱;
将所述变换后的脑图谱与所述目标脑图像进行非刚体配准,得到相应的配准结果。
2.根据权利要求1所述的方法,其特征在于,所述基于脑图谱及N个训练脑图像,建立变形场模型,包括:
基于仿射配准,将每一训练脑图像归一化至所述脑图谱,得到相应的脑图谱空间及N个仿射配准后的训练脑图像;
将每一仿射配准后的训练脑图像与所述脑图谱进行非刚体配准,得到N个变形场,每一仿射配准后的脑图像对应一个变形场,所述脑图谱空间中包含N个变形场;
基于所述脑图谱空间及所述N个变形场,建立变形场模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述脑图谱空间及所述N个变形场,建立变形场模型,包括:
按照预设方式,对所述脑图谱空间进行划分,得到相应数量的训练子长方体;
按照预设长度分别对每一训练子长方体的长宽高进行扩大,每一扩大后的训练子长方体中包含N个子变形场;
根据每一扩大后的训练子长方体中包含的N个子变形场,建立每一扩大后的训练子长方体对应的变形场模型。
4.根据权利要求3所述的方法,其特征在于,所述根据每一扩大后的训练子长方体中包含的N个子变形场,建立每一扩大后的训练子长方体对应的变形场模型,包括:
对于任一扩大后的训练子长方体对应的任一子变形场,将所述任一子变形场中每一矢量在三个维度上的分量按照顺序存储至对应的一维数组中,每一扩大后的训练子长方体中包含N个子变形场,每一子变形场对应一个一维数组,每一扩大后的训练子长方体对应一维数组的数量为N个;
基于主成份分析,根据所述任一扩大后的训练子长方体对应的N个一维数组,建立所述任一扩大后的训练子长方体对应的变形场模型。
5.根据权利要求4所述的方法,其特征在于,所述基于主成份分析,根据所述任一扩大后的训练子长方体对应的N个一维数组,建立所述任一扩大后的训练子长方体对应的变形场模型,包括:
基于所述任一扩大后的训练子长方体对应的N个一维数组,计算特征值及对应的特征向量;
按照从大到小的顺序对所有特征值进行排序,选取前预设数量个特征值;
基于前预设数量个特征值及对应的特征向量,建立所述任一扩大后的训练子长方体对应的变形场模型,每一扩大后的训练子长方体对应一个变形场模型,每一变形场模型包括变形场参数。
6.根据权利要求1至5中任一权利要求所述的方法,其特征在于,所述基于所述变形场模型及待配准的目标脑图像,对所述脑图谱进行变换,得到变换后的脑图谱,包括:
基于仿射配准,将所述目标脑图像归一化至所述脑图谱,得到相应的目标脑图谱空间;
按照所述预设方式,对所述目标脑图谱空间进行划分,得到相应数量的子长方体,每一子长方体与每一训练子长方体一一对应;
按照所述预设长度分别对每一子长方体的长宽高进行扩大,每一扩大后的子长方体与每一扩大后的训练子长方体一一对应,每一扩大后的子长方体中包含所述脑图谱的一个分块脑图谱及所述目标脑图像的一个分块目标脑图像;
基于所述目标脑图像、每一扩大后的子长方体及每一扩大后的训练子长方体对应的变形场模型,对所述脑图谱进行变换,得到变换后的脑图谱。
7.根据权利要求6所述的方法,其特征在于,所述基于所述目标脑图像及每一扩大后的训练子长方体对应的变形场模型,对所述脑图谱进行变换,得到变换后的脑图谱,包括:
对于任一扩大后的子长方体对应的任一扩大后的训练子长方体,基于所述任一扩大后的训练子长方体对应的任一变形场模型,对所述任一扩大后的子长方体中包含的分块脑图谱进行变换,所述任一变形场模型中包括变形场参数;
根据变换后的分块脑图谱,确定所述任一扩大后的训练子长方体对应的最优变形场模型;
基于每一扩大后的训练子长方体对应的最优变形场模型,获取所述脑图谱进行最优变换后的脑图谱。
8.根据权利要求7所述的方法,其特征在于,所述根据变换后的分块脑图谱,确定所述任一扩大后的训练子长方体对应的最优变形场模型,包括:
计算变换后的分块脑图谱与所述任一扩大后的子长方体中包含的分块目标脑图像之间的相似性度量;
根据不同变形场参数对应的相似性度量,确定最大相似性度量,将最大相似度量对应的变形场参数作为最优变形场参数;
根据所述最优变形场参数,确定所述任一扩大后的训练子长方体对应的最优变形场模型。
9.根据权利要求7所述的方法,其特征在于,所述基于每一扩大后的训练子长方体对应的最优变形场模型,获取所述脑图谱进行最优变换后的脑图谱,包括:
基于每一扩大后的子长方体对应的最优变形场模型,获取每一扩大后的子长方体中进行最优变换后的分块脑图谱;
对每一最优变换后的分块脑图谱中不重叠的部分进行整合,得到最优变换后的脑图谱。
10.一种脑图谱与脑图像的配准装置,其特征在于,所述装置包括:
建立模块,用于基于脑图谱及N个训练脑图像,建立变形场模型;
变换模块,用于基于所述变形场模型及待配准的目标脑图像,对所述脑图谱进行变换,得到变换后的脑图谱;
配准模块,用于将所述变换后的脑图谱与所述目标脑图像进行非刚体配准,得到相应的配准结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710045241.1A CN106920228B (zh) | 2017-01-19 | 2017-01-19 | 脑图谱与脑图像的配准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710045241.1A CN106920228B (zh) | 2017-01-19 | 2017-01-19 | 脑图谱与脑图像的配准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106920228A true CN106920228A (zh) | 2017-07-04 |
CN106920228B CN106920228B (zh) | 2019-10-01 |
Family
ID=59453497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710045241.1A Active CN106920228B (zh) | 2017-01-19 | 2017-01-19 | 脑图谱与脑图像的配准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106920228B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590806A (zh) * | 2017-09-19 | 2018-01-16 | 陈烨 | 一种基于大脑医学成像的检测方法和系统 |
CN109416939A (zh) * | 2017-12-05 | 2019-03-01 | 北京师范大学 | 面向群体应用的经颅脑图谱生成方法、预测方法及其装置 |
CN109496338A (zh) * | 2017-12-05 | 2019-03-19 | 北京师范大学 | 基于个体特征的经颅脑图谱生成方法、导航方法及其系统 |
WO2019109574A1 (zh) * | 2017-12-05 | 2019-06-13 | 北京师范大学 | 面向群体应用的经颅脑图谱生成方法、预测方法及其装置 |
CN109961435A (zh) * | 2019-04-02 | 2019-07-02 | 上海联影医疗科技有限公司 | 脑图像获取方法、装置、设备及存储介质 |
CN110322491A (zh) * | 2019-06-11 | 2019-10-11 | 大连理工大学 | 一种可变形小鼠全身图谱与小鼠影像配准的算法 |
CN110555835A (zh) * | 2019-09-04 | 2019-12-10 | 郑州大学 | 一种脑片图像区域划分方法及装置 |
CN110751112A (zh) * | 2019-10-24 | 2020-02-04 | 复旦大学 | 一种基于计算机视觉的小鼠脑图谱绘制辅助系统及方法 |
CN113012129A (zh) * | 2021-03-18 | 2021-06-22 | 郑州大学 | 一种脑切片图像的区域定位及标记神经细胞计数系统及装置 |
CN113362339A (zh) * | 2021-05-27 | 2021-09-07 | 郑州大学 | 一种基于统一模态转换的脑切片区域定位方法及装置 |
CN113379809A (zh) * | 2021-05-25 | 2021-09-10 | 上海联影智能医疗科技有限公司 | 图谱构建方法、计算机设备和存储介质 |
CN113487656A (zh) * | 2021-07-26 | 2021-10-08 | 推想医疗科技股份有限公司 | 图像配准方法及装置,训练方法及装置,控制方法及装置 |
CN113506333A (zh) * | 2021-09-09 | 2021-10-15 | 之江实验室 | 基于可变形图谱的医学影像配准网络训练数据集扩充方法 |
CN114463304A (zh) * | 2022-01-29 | 2022-05-10 | 华科精准(北京)医疗科技有限公司 | 一种对脑图谱进行分割与标注的方法及手术导航系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268605A (zh) * | 2013-05-15 | 2013-08-28 | 北京理工大学 | 基于高阶统计形变模型的脑图谱与脑图像配准方法 |
CN103914823A (zh) * | 2012-12-31 | 2014-07-09 | 复旦大学 | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 |
WO2015044838A1 (en) * | 2013-09-30 | 2015-04-02 | Koninklijke Philips N.V. | Method and system for automatic deformable registration |
US20150117727A1 (en) * | 2013-10-31 | 2015-04-30 | Toshiba Medical Systems Corporation | Medical image data processing apparatus and method |
-
2017
- 2017-01-19 CN CN201710045241.1A patent/CN106920228B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914823A (zh) * | 2012-12-31 | 2014-07-09 | 复旦大学 | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 |
CN103268605A (zh) * | 2013-05-15 | 2013-08-28 | 北京理工大学 | 基于高阶统计形变模型的脑图谱与脑图像配准方法 |
WO2015044838A1 (en) * | 2013-09-30 | 2015-04-02 | Koninklijke Philips N.V. | Method and system for automatic deformable registration |
US20150117727A1 (en) * | 2013-10-31 | 2015-04-30 | Toshiba Medical Systems Corporation | Medical image data processing apparatus and method |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590806A (zh) * | 2017-09-19 | 2018-01-16 | 陈烨 | 一种基于大脑医学成像的检测方法和系统 |
CN107590806B (zh) * | 2017-09-19 | 2021-06-01 | 陈烨 | 一种基于大脑医学成像的检测方法和系统 |
US11234633B2 (en) | 2017-12-05 | 2022-02-01 | Beijing Normal University | Group application oriented transcranial brain atlas generation method, prediction method and prediction apparatus |
CN109416939A (zh) * | 2017-12-05 | 2019-03-01 | 北京师范大学 | 面向群体应用的经颅脑图谱生成方法、预测方法及其装置 |
CN109496338A (zh) * | 2017-12-05 | 2019-03-19 | 北京师范大学 | 基于个体特征的经颅脑图谱生成方法、导航方法及其系统 |
WO2019109574A1 (zh) * | 2017-12-05 | 2019-06-13 | 北京师范大学 | 面向群体应用的经颅脑图谱生成方法、预测方法及其装置 |
CN109496338B (zh) * | 2017-12-05 | 2022-06-21 | 北京师范大学 | 基于个体特征的经颅脑图谱导航方法及其系统 |
CN109416939B (zh) * | 2017-12-05 | 2022-04-26 | 北京师范大学 | 面向群体应用的经颅脑图谱生成方法、预测方法及其装置 |
CN109961435A (zh) * | 2019-04-02 | 2019-07-02 | 上海联影医疗科技有限公司 | 脑图像获取方法、装置、设备及存储介质 |
CN109961435B (zh) * | 2019-04-02 | 2022-02-22 | 上海联影医疗科技股份有限公司 | 脑图像获取方法、装置、设备及存储介质 |
CN110322491A (zh) * | 2019-06-11 | 2019-10-11 | 大连理工大学 | 一种可变形小鼠全身图谱与小鼠影像配准的算法 |
CN110555835A (zh) * | 2019-09-04 | 2019-12-10 | 郑州大学 | 一种脑片图像区域划分方法及装置 |
CN110555835B (zh) * | 2019-09-04 | 2022-12-02 | 郑州大学 | 一种脑片图像区域划分方法及装置 |
CN110751112A (zh) * | 2019-10-24 | 2020-02-04 | 复旦大学 | 一种基于计算机视觉的小鼠脑图谱绘制辅助系统及方法 |
CN110751112B (zh) * | 2019-10-24 | 2023-10-03 | 复旦大学 | 一种基于计算机视觉的小鼠脑图谱绘制辅助系统及方法 |
CN113012129A (zh) * | 2021-03-18 | 2021-06-22 | 郑州大学 | 一种脑切片图像的区域定位及标记神经细胞计数系统及装置 |
CN113379809A (zh) * | 2021-05-25 | 2021-09-10 | 上海联影智能医疗科技有限公司 | 图谱构建方法、计算机设备和存储介质 |
CN113362339A (zh) * | 2021-05-27 | 2021-09-07 | 郑州大学 | 一种基于统一模态转换的脑切片区域定位方法及装置 |
CN113487656A (zh) * | 2021-07-26 | 2021-10-08 | 推想医疗科技股份有限公司 | 图像配准方法及装置,训练方法及装置,控制方法及装置 |
CN113506333A (zh) * | 2021-09-09 | 2021-10-15 | 之江实验室 | 基于可变形图谱的医学影像配准网络训练数据集扩充方法 |
CN114463304A (zh) * | 2022-01-29 | 2022-05-10 | 华科精准(北京)医疗科技有限公司 | 一种对脑图谱进行分割与标注的方法及手术导航系统 |
CN114463304B (zh) * | 2022-01-29 | 2023-04-07 | 华科精准(北京)医疗科技有限公司 | 一种对脑图谱进行分割与标注的方法及手术导航系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106920228B (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920228A (zh) | 脑图谱与脑图像的配准方法及装置 | |
CN110599528B (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
US20200090350A1 (en) | Medical image generation, localizaton, registration system | |
Thompson et al. | Detection, visualization and animation of abnormal anatomic structure with a deformable probabilistic brain atlas based on random vector field transformations | |
US8121362B2 (en) | Registration of medical images using learned-based matching functions | |
DE69817879T2 (de) | Erkennung verzerrter bilder durch schnelle faltung und mittels bilderfassung von markanten punkten und volumeninformation | |
CN102525662B (zh) | 组织器官三维可视化手术导航系统 | |
CN104091337B (zh) | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 | |
US8861891B2 (en) | Hierarchical atlas-based segmentation | |
CN106340015B (zh) | 一种关键点的定位方法和装置 | |
CN102314712B (zh) | 基于三维成像技术的骨盆建模与骨盆参数测算方法 | |
CN109523584A (zh) | 图像处理方法、装置、多模态成像系统、存储介质及设备 | |
CN110473196A (zh) | 一种基于深度学习的腹部ct图像目标器官配准方法 | |
CN101909165B (zh) | 一种基于混合测度的视频数据宽景成像方法 | |
CN104240180A (zh) | 一种实现图像自动调整的方法及装置 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
CN111640143A (zh) | 一种基于PointNet的神经导航快速面配准方法及系统 | |
CN103295234A (zh) | 基于形变表面模型的医学图像分割系统及方法 | |
CN103699578A (zh) | 一种基于谱图分析的图像检索方法 | |
CN104545999B (zh) | 一种超声图像膀胱容积测量方法及装置 | |
Hill et al. | Across-modality registration using intensity-based cost functions | |
CN103268605B (zh) | 基于高阶统计形变模型的脑图谱与脑图像配准方法 | |
CN117115132A (zh) | 一种基于改进U-Net模型的口腔CBCT影像牙齿及软组织分割模型方法 | |
CN114677322A (zh) | 基于注意力引导点云特征学习的奶牛体况自动评分方法 | |
CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |