CN107093190B - 一种基于多图谱标签融合的医学图像配准算法 - Google Patents
一种基于多图谱标签融合的医学图像配准算法 Download PDFInfo
- Publication number
- CN107093190B CN107093190B CN201710248167.3A CN201710248167A CN107093190B CN 107093190 B CN107093190 B CN 107093190B CN 201710248167 A CN201710248167 A CN 201710248167A CN 107093190 B CN107093190 B CN 107093190B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- label
- mtd
- image
- 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.)
- Expired - Fee Related
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
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Image Processing (AREA)
Abstract
一种基于多图谱标签融合的医学图像配准算法，涉及医学图像配准技术领域。本发明通过建立具有清晰辨识度的灰度图的图谱图像库，根据目标图像标签与图像库中图谱标签的相似性选出最佳图谱标签，将最佳图谱标签融合为一幅图像作为配准模板，并采用Demons配准算法对目标图像和配准模板进行精配准，为医生提供更直观、准确的诊断信息。同时本发明结合图像标签的灰度信息和梯度信息，通过多权重分配策略选择最佳图谱标签，有效的提高了选择的最佳标签与目标图像标签的相似性。
Description
技术领域
本发明涉及图像配准领域，特别涉及一种基于多图谱标签融合的医学图像配准算法。
背景技术
医学图像配准技术是图像处理领域中的重要研究课题，目前已广泛应用于图像诊断，图像指导手术规划和实时介入手术导航领域中。传统的医学图像诊断中，医生常常需要将多张图像信息综合考虑进行临床判断，这对医生的经验水平有较高要求，并且带有较大的主观性。图像配准技术的目的是将两幅或多幅图像的信息映射到一幅图像中，使这些图像中的特征点或具有诊断意义的区域内的像素点达到空间位置的一致。
目前已经提出了很多配准算法，并且取得了很好的结果，但多数算法都只是针对作者自己的数据并且只适用于特定的组织，不能够很好的适用于复杂的临床应用情况。
近年来，基于多图谱的图像配准方法受到了广泛的关注，在该方法中选择的配准模板与目标图像越相似其配准结果越好，但由于不同人体组织的特异性，导致最佳配准模板的选择是一个难点。
在基于多图谱的图像配准方法中，大多只使用图像的灰度信息或只使用图像的梯度信息来选取最佳模板，由于只考虑了单一因素，因此选出的配准模板有时不是最佳配准模板。
发明内容
本发明目的是提供一种基于多图谱标签融合的医学图像配准算法，建立具有清晰辨识度的灰度图的图谱图像库，根据目标图像标签与图像库中图谱标签的相似性选出最佳图谱标签，将最佳图谱标签融合为一幅图像作为配准模板，采用Demons配准算法对目标图像和配准模板进行精配准，为医生提供更直观、准确的诊断信息。
本发明为解决上述问题采取的技术方案是：
一种基于多图谱标签融合的医学图像配准算法，所述方法的具体实现过程为：
步骤一、建立图谱图像库：
所述图像库中包含N个图谱，每个图谱Ai(i＝1,2…N)中包含一幅二维灰度图和M个该灰度图的标签Aij(j＝1,2…M)，所述标签为，在人工手动分割出的区域中划分的3×3像素大小的图像块；
步骤二、图像库中图谱图像与目标图像进行刚性配准；
步骤三、对目标图像I进行标签划分Ik(k＝1,2…m)，并根据标签Ik对图谱图像中的标签Aij进行分类；
步骤四、最佳图谱标签选取：
结合图像的灰度信息和梯度信息，通过多权重分配策略计算标签Ik与图谱标签组Bk中每个标签的相似性，选出与标签Ik最相似的图谱标签；
步骤五、将所有步骤四中选出的图谱标签融合为一幅图像作为配准模板A；
步骤六、采用Demons配准算法对目标图像I和步骤五中得到的配准模板A进行精配准。
在步骤二中，所述刚性配准具体过程为：
1)对目标图像进行平滑滤波处理，去除噪声的影响，滤波后的目标图像记为I；
2)目标图像I分别与图像库中每个图谱图像Ai(包含灰度图和该灰度图的所有标签)进行刚性配准；
3)保存配准后的图谱图像Ai′及相应的标签Aij′。
在步骤三中，以3×3像素大小的图像块将目标图像I划分为m个标签Ik(k＝1,2…m)，以标签Ik中心像素点为圆心以r为半径搜索邻域内的图谱标签Aij′，将所有的有部分像素点在该邻域内的图谱标签Aij′分为一组Bk(k＝1,2…m)，Bk为标签Ik的待选图谱标签组。
在步骤四中，所述最佳图谱标签选取的具体过程为：
1)分别计算标签Ik和图谱标签组Bk中每个图谱标签的像素灰度值的相似性：
式中μx,σx为标签Ik的平均像素灰度值和像素灰度值的标准差，μy,σy为图谱标签Aij′的平均像素灰度值和像素灰度值的标准差；
2)设定阈值γ，初步筛选图谱标签并记为标签组Bk1，筛选规则为ss≥γ；
3)计算标签梯度向量
以标签中心像素点为准，计算该像素点周围8个像素点相对于该像素点的灰度值梯度，假设标签中9个像素点的灰度值分别为x1,x2…x9且x5为中心像素点灰度值，则灰度值梯度计算公式如下：
Δf1＝x1-x5,Δf2＝x2-x5,…Δf9＝x9-x5 (2)
将所求的8个灰度值梯度排列为一个列向量F＝[Δf1,Δf2…Δf4,Δf6…Δf9]T作为该标签的梯度向量；
4)分配梯度方向权重
分别计算标签Ik和标签组Bk1中每个图谱标签的梯度向量假设标签的梯度向量比较标签Ik和标签Aij′中对应像素点的灰度值梯度方向：
如果dm≥0，则表示两个标签中像素点m处的梯度方向一致，为该像素点分配梯度方向权重β1，如果dm＜0，则表示两个标签中像素点m处的梯度方向相反，为该像素点分配梯度方向权重β2，并将每个像素点得到的梯度方向权重排列为一个向量βk：
Dm∈{β1,β2}(m＝1,2…8) (5)
5)结合图像的灰度信息和梯度信息，通过多权重分配策略计算标签相似性，其计算过程如下：
首先将标签中的9个像素点的灰度值x1,x2…x9排列为一个列向量G＝[x1,x2…x9]T作为该标签的灰度值向量，并将标签Ik和标签组Bk1中每个图谱标签的灰度值向量记为计算标签Ik和标签Aij′的灰度值向量差和梯度向量差：
对向量差Gdiff和Fdiff分别分配灰度值权重α和梯度权重β，计算标签Ik和标签Aij′和相似性：
ε＝||αGdiff||2+||βFdiff||2 (8)
将公式(6)和公式(7)带入公式(8)中得
ε值越小代表标签标签Ik和标签Aij′越相似；
6)选取最佳标签：
ε值越小代表标签Ik和标签Aij′越相似，选择使ε值最小的图谱标签Aij′为目标标签Ik的最佳图谱标签。
在步骤六中，所述demons配准算法为：
式中为目标图像的灰度梯度，u为配准模板A向目标图像I变形的位移场。
本发明有益效果：
本发明提供了一种基于多图谱标签融合的医学图像配准算法，根据目标图像标签的灰度信息和梯度信息从图谱图像库中选出最佳图谱标签，将最佳图谱标签融合为一幅图像作为配准模板，采用Demons配准算法对目标图像和配准模板进行精配准，为医生提供更直观、准确的诊断信息。
本发明可以通过建立不同目标图像的图谱图像库来实现对不同目标图像的配准，因此本发明一种基于多图谱标签融合的医学图像配准算法具有更广泛的适用性。
本发明采用多图谱标签融合方法选择最佳配准模板，并结合图像标签的灰度信息和梯度信息，通过多权重分配策略选择最佳标签，因此选出的配准模板与目标图像更相似。
附图说明
图1是本发明一种基于多图谱标签融合的医学图像配准算法的流程图。
图2是根据目标标签Ik搜索邻域内图谱标签的示意图。
图3是最佳图谱标签选取流程图。
图4是计算标签梯度向量示意图。
具体实施方式
如图1所示，本实施方式所述的一种基于多图谱标签融合的医学图像配准算法的具体实现过程为：
步骤一、建立图谱图像库：
建立目标图像的图谱图像库，图像库中包含N个图谱，每个图谱Ai(i＝1,2…N)中包含一幅二维灰度图和M个该灰度图的标签Aij(j＝1,2…M)，所述标签为，在人工手动分割出的区域中划分的3×3像素大小的图像块，要求图像库中所有二维灰度图具有清晰的辨识度(或在目标区域具有清晰的辨识度)。
步骤二、图像库中图谱图像与目标图像进行刚性配准，所述刚性配准具体过程为：
1)对目标图像进行平滑滤波处理，去除噪声的影响，滤波后的目标图像记为I，滤波公式如下：
I(u,v)＝H(u,v)F(u,v) (1)
式中F(u,v)和I(u,v)分别为源图像f(x,y)和滤波后图像i(x,y)的傅里叶变换，H(u,v)为滤波器传递函数，Z(u,v)为图像的频率，Z0为截止频率，得到的I(u,v)经傅里叶反变换后得到滤波后的目标图像I；
2)目标图像I分别与图像库中每个图谱图像Ai(包含灰度图和该灰度图的所有标签)进行刚性配准，所述刚性配准具体过程为：
a.对图谱图像Ai进行空间变换：
式中[x,y]T为像素点位置坐标，[x′,y′]T为变换后的像素点位置坐标，k,a11,a12,a21,a22,Δx,Δy为配准参数；
b.使用平方差相似性测度(SSD)计算变换后的图谱图像Ai′与目标图像I的相似性，SSD计算公式如下：
ΩR为目标图像I的像素集，|ΩR|表示目标图像I中像素的总个数；
c.优化配准参数k,a11,a12,a21,a22,Δx,Δy使SSD值最大，求得变换后的图谱图像Ai′。
步骤三、对目标图像I进行标签划分Ik(k＝1,2…m)，并根据标签Ik对图谱图像中的标签Aij进行分类：
如图2所示，以3×3像素大小的图像块将目标图像I划分为m个标签Ik(k＝1,2…m)，以标签Ik中心像素点为圆心以r为半径搜索邻域内的图谱标签Aij′，将所有的有部分像素点在该邻域内的图谱标签Aij′分为一组Bk(k＝1,2…m)，Bk为标签Ik的待选图谱标签组。
步骤四、最佳图谱标签选取：
结合图像的灰度信息和梯度信息，通过多权重分配策略计算标签Ik与图谱标签组Bk中每个标签的相似性，选出与标签Ik最相似的图谱标签。
如图3所示，所述最佳图谱标签选取的具体过程为：
1)分别计算标签Ik和图谱标签组Bk中每个图谱标签的像素灰度值的相似性：
式中μx,σx为标签Ik的平均像素灰度值和像素灰度值的标准差，μy,σy为图谱标签Aij′的平均像素灰度值和像素灰度值的标准差；
2)设定阈值γ，根据ss≥γ初步筛选图谱标签并记为标签组Bk1，去除图谱标签组Bk中与目标标签Ik相差较大的图谱标签，缩小标签Ik的搜索空间；
3)计算标签梯度向量
如图4所示，以标签中心像素点为准，计算该像素点周围8个像素点相对于该像素点的灰度值梯度，假设标签中9个像素点的灰度值分别为x1,x2…x9且x5为中心像素点灰度值，则灰度值梯度计算公式如下：
Δf1＝x1-x5,Δf2＝x2-x5,…Δf9＝x9-x5 (6)
将所求的8个灰度值梯度排列为一个列向量F＝[Δf1,Δf2…Δf4,Δf6…Δf9]T作为该标签的梯度向量；
4)分配梯度方向权重
分别计算标签Ik和标签组Bk1中每个图谱标签的梯度向量假设标签的梯度向量比较标签Ik和标签Aij′中对应像素点的灰度值梯度方向：
如果dm≥0，则表示两个标签中像素点m处的梯度方向一致，为该像素点分配梯度方向权重β1，如果dm＜0，则表示两个标签中像素点m处的梯度方向相反，为该像素点分配梯度方向权重β2，并将每个像素点得到的梯度方向权重排列为一个向量βk：
Dm∈{β1,β2}(m＝1,2…8) (9)
5)结合图像的灰度信息和梯度信息，通过多权重分配策略计算标签相似性，其计算过程如下：
首先将标签中的9个像素点的灰度值x1,x2…x9排列为一个列向量G＝[x1,x2…x9]T作为该标签的灰度值向量，并将标签Ik和标签组Bk1中每个图谱标签的灰度值向量记为计算标签Ik和标签Aij′的灰度值向量差和梯度向量差：
对向量差Gdiff和Fdiff分别分配灰度值权重α和梯度权重β，计算标签Ik和标签Aij′和相似性：
ε＝||αGdiff||2+||βFdiff||2 (12)
将公式(10)和公式(11)带入公式(12)中得
ε值越小代表标签标签Ik和标签Aij′越相似；
6)选取最佳标签
ε值越小代表标签Ik和标签Aij′越相似，选择使ε值最小的图谱标签Aij′为目标标签Ik的最佳图谱标签。
在步骤四中，灰度值权重α和梯度权重β应根据具体应用情况来分配大小，为了选择梯度方向一致的标签，梯度方向权重β1应小于梯度方向权重β2。
步骤五、将所有步骤四中选出的图谱标签融合为一幅图像作为配准模板A。
步骤六、采用demons配准算法对目标图像I和步骤五中得到的配准模板A进行精配准；
因为配准模板A是由多幅图像中选出的最佳图谱标签融合而成，存在图像组织边界轮廓像素点出现断点、跳动的现象，并且配准模板A与目标图像依然存在小的差别，因此本发明采用Demons配准算法对配准模板A与目标图像进行精确配准，所述Demons配准算法为：
式中为目标图像的灰度梯度，u为配准模板A向目标图像I变形的位移场。
Claims (1)
1.一种基于多图谱标签融合的医学图像配准方法，其特征在于，所述方法的具体实现过程为：
步骤一、建立图谱图像库：
所述图像库中包含N个图谱图像，每个图谱图像Ai(i＝1,2…N)中包含一幅二维灰度图和M个该灰度图的图谱标签Aij(j＝1,2…M)，所述标签为，在人工手动分割出的区域中划分的3×3像素大小的图像块；
步骤二、图像库中图谱图像与目标图像进行刚性配准，所述刚性配准具体过程为：
2-1)对目标图像进行平滑滤波处理，去除噪声的影响，滤波后的目标图像记为I；
2-2)目标图像I分别与图像库中每个图谱图像Ai，包含灰度图和该灰度图的所有图谱标签Aij，进行刚性配准；
2-3)保存配准后的形变后的图谱图像Ai′及相应的形变后的图谱标签Aij′；
步骤三、以3×3像素大小的图像块将目标图像I划分为m个标签Ik(k＝1,2…m)，以标签Ik中心像素点为圆心，以r为半径搜索邻域内的形变后的图谱标签Aij′，将所有的有部分像素点在该邻域内的形变后的图谱标签Aij′分为一组Bk(k＝1,2…m)，Bk为标签Ik的待选图谱标签组；
步骤四、最佳图谱标签选取：
结合图像的灰度信息和梯度信息，通过多权重分配策略计算标签Ik与待选图谱标签组Bk中每个标签Aij′的相似性，选出与标签Ik最相似的图谱标签Aij′，所述最佳图谱标签选取的具体过程为：
4-1)分别计算标签Ik和待选图谱标签组Bk中每个图谱标签Aij′的像素灰度值的相似性：
<mrow>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>&mu;</mi>
<mi>x</mi>
</msub>
<msub>
<mi>&mu;</mi>
<mi>y</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&mu;</mi>
<mi>x</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&mu;</mi>
<mi>y</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mrow>
<mn>2</mn>
<msub>
<mi>&sigma;</mi>
<mi>x</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>y</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>x</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>y</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中μx,σx为标签Ik的平均像素灰度值和像素灰度值的标准差，μy,σy为图谱标签Aij′的平均像素灰度值和像素灰度值的标准差；
4-2)设定阈值γ，初步筛选图谱标签Aij′并记为标签组Bk1，筛选规则为ss≥γ；
4-3)计算标签梯度向量
以标签Ik中心像素点为准，计算该像素点周围8个像素点相对于该像素点的灰度值梯度，假设标签Ik中9个像素点的灰度值分别为x1,x2…x9且x5为中心像素点灰度值，则灰度值梯度计算公式如下：
Δf1＝x1-x5,Δf2＝x2-x5,…Δf9＝x9-x5 (2)
将所求的8个灰度值梯度排列为一个列向量F＝[Δf1,Δf2…Δf4,Δf6…Δf9]T作为该标签的梯度向量；
4-4)分配梯度方向权重
分别计算标签Ik和标签组Bk1中每个图谱标签Aij′的梯度向量假设标签的梯度向量比较标签Ik和标签Aij′中对应像素点的灰度值梯度方向：
<mrow>
<msub>
<mi>d</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>a</mi>
<mi>m</mi>
</msub>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>a</mi>
<mi>m</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>b</mi>
<mi>m</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
如果dm≥0，则表示两个标签中像素点m处的梯度方向一致，为该像素点分配梯度方向权重β1，如果dm＜0，则表示两个标签中像素点m处的梯度方向相反，为该像素点分配梯度方向权重β2，并将每个像素点得到的梯度方向权重排列为一个向量βk：
<mrow>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>D</mi>
<mn>8</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
Dm∈{β1,β2} (m＝1,2…8) (5)
4-5)结合图像的灰度信息和梯度信息，通过多权重分配策略计算标签相似性，其计算过程如下：
首先将标签中的9个像素点的灰度值x1,x2…x9排列为一个列向量G＝[x1,x2…x9]T作为该标签的灰度值向量，并将标签Ik和标签组Bk1中每个图谱标签Aij′的灰度值向量记为计算标签Ik和标签Aij′的灰度值向量差和梯度向量差：
<mrow>
<msub>
<mi>G</mi>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>G</mi>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mrow>
<msup>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<msup>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
对向量差Gdiff和Fdiff分别分配灰度值权重α和梯度权重β，计算标签Ik和标签Aij′的相似性：
ε＝||αGdiff||2+||βFdiff||2 (8)
将公式(6)和公式(7)带入公式(8)中得
<mrow>
<mi>&epsiv;</mi>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mrow>
<msup>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<mi>&beta;</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<msup>
<msub>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
ε值越小代表标签Ik和标签Aij′越相似；
4-6)选取最佳标签
ε值越小代表标签Ik和标签Aij′越相似，选择使ε值最小的图谱标签Aij′为目标标签Ik的最佳图谱标签；
步骤五、将所有步骤四中选出的图谱标签Aij′融合为一幅图像作为配准模板A；
步骤六、采用Demons配准算法对目标图像I和步骤五中得到的配准模板A进行精配准，所述Demons配准算法为：
<mrow>
<mi>u</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>-</mo>
<mi>I</mi>
<mo>)</mo>
<mo>&dtri;</mo>
<mi>I</mi>
</mrow>
<mrow>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<mo>&dtri;</mo>
<mi>I</mi>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>-</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中▽I为目标图像的灰度梯度，u为配准模板A向目标图像I变形的位移场。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710248167.3A CN107093190B (zh) | 2017-04-17 | 2017-04-17 | 一种基于多图谱标签融合的医学图像配准算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710248167.3A CN107093190B (zh) | 2017-04-17 | 2017-04-17 | 一种基于多图谱标签融合的医学图像配准算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107093190A CN107093190A (zh) | 2017-08-25 |
| CN107093190B true CN107093190B (zh) | 2018-05-11 |
Family
ID=59637024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710248167.3A Expired - Fee Related CN107093190B (zh) | 2017-04-17 | 2017-04-17 | 一种基于多图谱标签融合的医学图像配准算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107093190B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798680B (zh) * | 2017-10-16 | 2020-09-22 | 杭州电子科技大学 | 一种减少图像标签融合冗余计算的方法 |
| CN109523512B (zh) * | 2018-10-17 | 2019-10-29 | 哈尔滨理工大学 | 一种基于多图谱标签融合的医学图像自动分割方法 |
| CN110600124B (zh) * | 2019-09-10 | 2023-04-07 | 赵志宇 | 一种灰度图像融合的诊断监控综合医疗系统及其融合方法 |
| CN112150485B (zh) * | 2020-09-28 | 2023-05-30 | 上海联影医疗科技股份有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN116503623B (zh) * | 2023-06-27 | 2023-09-01 | 南京能茂科技有限公司 | 一种用于多图谱图像分割的图谱预选方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646268A (zh) * | 2012-02-22 | 2012-08-22 | 中国科学院自动化研究所 | 基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065315B (zh) * | 2012-12-28 | 2016-04-06 | 中国科学院深圳先进技术研究院 | 一种多图谱融合方法、系统及医疗设备 |
| 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 |
| CN105913431A (zh) * | 2016-04-12 | 2016-08-31 | 绍兴文理学院 | 低分辨率医学图像的多图谱分割方法 |
-
2017
- 2017-04-17 CN CN201710248167.3A patent/CN107093190B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102646268A (zh) * | 2012-02-22 | 2012-08-22 | 中国科学院自动化研究所 | 基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多权重概率图谱的脑部图像分割;张雷 等;《J South Med Univ》;20150812;第35卷(第8期);第1143-1148页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107093190A (zh) | 2017-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107093190B (zh) | 一种基于多图谱标签融合的医学图像配准算法 | |
| Avrunin et al. | Using a priori data for segmentation anatomical structures of the brain | |
| US10269122B2 (en) | Knowledge-based automatic image segmentation | |
| Kim et al. | Machine-learning-based automatic identification of fetal abdominal circumference from ultrasound images | |
| Li et al. | Improved method for automatic identification of lung regions on chest radiographs | |
| CN109410188B (zh) | 用于对医学图像进行分割的系统和方法 | |
| CN105389811A (zh) | 一种基于多级阈值分割的多模态医学图像处理方法 | |
| CN107680107B (zh) | 一种基于多图谱的扩散张量磁共振图像的自动分割方法 | |
| CN110782434B (zh) | 一种脑结核mri图像病灶智能标记定位装置 | |
| CN110782428B (zh) | 一种用于构建临床脑部ct图像roi模板的方法及系统 | |
| US9727975B2 (en) | Knowledge-based automatic image segmentation | |
| CN111080658A (zh) | 基于可形变配准和dcnn的宫颈mri图像分割方法 | |
| Jin et al. | Object recognition in medical images via anatomy-guided deep learning | |
| Kuijf et al. | Registration of brain CT images to an MRI template for the purpose of lesion-symptom mapping | |
| CN110634554A (zh) | 脊椎影像注册方法 | |
| Jimenez-Pastor et al. | Automated vertebrae localization and identification by decision forests and image-based refinement on real-world CT data | |
| Banerjee et al. | Point landmarks for registration of CT and MR images | |
| Fatima et al. | Vertebrae localization and spine segmentation on radiographic images for feature‐based curvature classification for scoliosis | |
| Rangayyan et al. | Method for the automatic detection and segmentation of the spinal canal in computed tomographic images | |
| CN110378910B (zh) | 基于图谱融合的腹腔多器官分割方法及装置 | |
| del Toro et al. | Hierarchical multi–structure segmentation guided by anatomical correlations | |
| CN104933712B (zh) | 基于脑部ct图像的图模型展示方法 | |
| Mayer et al. | Direct registration of white matter tractographies and application to atlas construction | |
| Liu et al. | Broad learning-based intervertebral discs localization and segmentation | |
| CN109785340A (zh) | 基于多图谱的心脏磁共振图像右心室分割计算设备及方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180511 Termination date: 20200417 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |