CN107123137A

CN107123137A - 医学图像处理方法及设备

Info

Publication number: CN107123137A
Application number: CN201710296579.4A
Authority: CN
Inventors: 严计超; 李强
Original assignee: Shanghai United Imaging Healthcare Co Ltd
Current assignee: Shanghai United Imaging Healthcare Co Ltd
Priority date: 2017-04-28
Filing date: 2017-04-28
Publication date: 2017-09-01
Anticipated expiration: 2037-04-28
Also published as: CN107123137B

Abstract

本发明实施例提供了一种医学图像处理方法及设备。本发明实施例通过接收指定目标的第一医学图像和第二医学图像；对第二医学图像依次进行第一配准、第二配准和基于非监督深度学习的配准，得到第三配准图像，第一配准、第二配准分别可实现两图像主结构的对齐以及肺部感兴趣区域的对齐，随后，基于非监督深度学习的配准基于肺部区域包含多个血管的特点，提取肺部中的血管微细结构，对该血管微细结构进行基于非监督深度学习的精配准，提高了医学图像配准的精度，且鲁棒性更强，解决了现有技术中现有医学图像配准中精度较低、鲁棒性差的问题。

Description

医学图像处理方法及设备

【技术领域】

本方案涉及医学图像处理领域，尤其涉及一种医学图像处理方法及设备。

【背景技术】

医学成像技术经历了一个从静态到动态、从形态到功能、从平面到立体的发展过程，特别是在成像硬件的推动下，医学成像技术的发展给临床医学提供了各种形态和功能的影像信息。目前医学图像分析的研究的对象日益广泛，可以利用自动精确定量的计算机辅助图像分析，帮助临床医生和研究者高校准确地处理海量图像信息。

在医学图像分析时，经常要将同一患者的几幅图像放在一起分析，从而得到该患者的多方面的综合信息，提高医学诊断和治疗的水平，而图像的配准是将不同的图像对齐经常采用的技术手段。早期医学图像的配准，通常是将显示人体不同信息的医学图像(包括不同时间或不同条件)放在统一的坐标系中显示，通过寻找合适的空间变换或映射关系，使得一幅图像与另一幅图像的对应点达到空间上的一致，这种一致可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(包括位置、角度或大小一致)，进而进行图像融合或其他操作。

现有的医学图像配准多采用刚体配准或者基于多项式的拟合配准方法。

现有的医学图像配准方法可大致实现医学图像的对齐，消除减影图像中存在的较大伪影。但是对于含有较多微细结构的组织，如CT肺部图像中通常含有较多的毛细血管等微细结构组织，仅通过现有技术无法实现这些微细结构的完全对齐，这样基于配准之后获得的减影图像通常会出现较大细小的伪影，严重影响医生从减影图像中获得有用的临床信息。

【发明内容】

有鉴于此，本方案实施例提供了一种医学图像处理方法及设备，用以解决现有医学图像配准中精度较低、鲁棒性差的问题。

第一方面，本方案实施例提供一种医学图像处理方法，所述方法包括：

接收指定目标的第一医学图像和第二医学图像，所述第二医学图像的成像时间早于所述第一医学图像的成像时间；

基于第一空间变换模型，将所述第二医学图像配准至所述第一医学图像，得到第一配准图像；

基于第二空间变换模型，将所述第一配准图像配准至所述第一医学图像，得到第二配准图像；

基于第三空间变换模型，采用非监督深度学习的配准方法将所述第二配准图像配准至所述第一医学图像，得到第三配准图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，基于第三空间变换模型，采用非监督深度学习的配准方法将所述第二配准图像配准至所述第一医学图像，得到第三配准图像，包括：

分别在所述第一医学图像和所述第二配准图像中确定指定像素点；

利用非监督深度学习的配准方法，对所述第一医学图像和所述第二配准图像中的指定像素点进行训练，得到指定像素点的特征信息；

根据所述特征信息，计算所述第三空间变换模型的参数；

根据所述参数，对所述第二配准图像进行所述第三空间变换模型对应的变换，得到所述第三配准图像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述非监督深度学习的方法采用卷积栈式自编码训练方式；

所述利用非监督深度学习的配准方法，对所述第一医学图像和所述第二配准图像中的指定像素点进行训练，得到指定像素点的特征信息，包括：

以所述指定像素点为中心，提取三维小块作为非监督深度学习的样本，并从所述样本获取所述指定像素点的特征信息。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第三空间变换模型的参数为所述第二配准图像相对所述第一医学图像的形变场；

根据所述特征信息，计算所述第三空间变换模型的参数，包括：

根据所述指定像素点的特征信息，获取所述指定像素点的六邻域空间信息；

根据所述指定像素点的六邻域空间信息进行置信度传播，并获取置信度传播的信任向量；

根据所述置信度传播的信任向量确定所述第二配准图像的指定像素点相对所述第一医学图像的指定像素点的偏移值；

根据所述偏移值确定所述第二配准图像相对所述第一医学图像的形变场。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：

从所述第一医学图像确定第一选定区域，并计算所述第一选定区域中灰度值处于设定范围的第一像素点数目；

从所述第三配准图像确定与所述第一选定区域相对应的第一对应区域，并计算所述第一对应区域中灰度值处于所述设定范围的第二像素点数目；

根据所述第一像素点数目、所述第二像素点数目，获取所述第一医学图像相对所述第二医学图像像素点发生变化的数目。

将所述第一医学图像与所述第三配准图像进行相减处理，得到减影图像。

将所述减影图像与所述第一医学图像作融合处理，得到融合图像。

第二方面，本方案实施例提供一种医学图像处理设备，所述设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器被配置为：

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述处理器还被配置为：

将所述第一医学图像与所述第三配准图像进行相减处理，得到减影图像；

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述设备还包括显示器，所述显示器用于成行或成列的显示所述减影图像、所述第一医学图像和/或所述第二医学图像；或者，

所述显示器用于成行或成列的显示所述第一医学图像、所述第二医学图像、所述减影图像和所述融合图像。

本发明实施例，分别基于第一空间变换模型、第二空间变换模型将第二医学图像配准至第一医学图像，分别可实现两图像主结构的对齐以及肺部感兴趣区域的对齐，随后基于肺部区域包含多个血管的特点，提取肺部中的血管微细结构，对该血管微细结构进行基于非监督深度学习的精配准，提高了医学图像配准的精度，且鲁棒性更强；在不同时刻图像配准基础上获得的减影图像，可有效减小由于肺部微细结构未配准对减影图像的影响，减小减影图像中产生的伪影，提高信噪比。

【附图说明】

为了更清楚地说明本方案实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本方案的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的医学图像处理方法的第一流程示例图。

图2为本发明实施例提供的医学图像处理方法的第二流程示例图。

图3为本发明实施例提供的医学图像处理方法的第三流程示例图。

图4(a)是过去CT图像和现在CT图像的示例图。

图4(b)是图4(a)中现在CT图像与过去CT图像的减影图像。

图5为本发明实施例提供的医学图像处理装置的功能方块图。

图6是医学图像处理设备的简化框图。

图7是医学图像处理设备600的显示器的显示界面示例图。

【具体实施方式】

为了更好的理解本方案的技术方案，下面结合附图对本方案实施例进行详细描述。

应当明确，所描述的实施例仅仅是本方案一部分实施例，而不是全部的实施例。基于本方案中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本方案保护的范围。

在本方案实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本方案。在本方案实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

实施例一

本发明实施例提供了一种医学图像处理方法。该医学图像处理方法可以通过应用程序APP来实现，计算机、医用工作站等终端可以通过安装该应用程序获取相应的医学图像处理功能。

图1为本发明实施例提供的医学图像处理方法的第一流程示例图。如图1所示，本实施例中，医学图像处理方法可以包括如下步骤：

S101，接收指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间早于第一医学图像的成像时间。

可选地，第一医学图像的成像时间与第二医学图像的成像时间间隔一般不小于24小时。

S102，基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到第一配准图像。

本步骤可以看作是对第二医学图像进行的第一配准。

S103，基于第二空间变换模型，将第一配准图像配准至第一医学图像，得到第二配准图像。

本步骤可以看作是对第一配准图像进行的第二配准。

S104，基于第三空间变换模型，采用非监督深度学习的配准方法将第二配准图像配准至第一医学图像，得到第三配准图像。

其中，第一医学图像和第二医学图像是关于同一指定目标的医学图像，例如第一医学图像和第二医学图像为病人甲胸部的医学图像。

其中，第一医学图像是配准过程中的参考图像，第二医学图像是配准过程中第一次配准的浮动图像。

其中，第一医学图像和第二医学图像的图像类型相同，可以是CT图像、MR图像、超声图像、X光图像或者PET图像等。

其中，第一医学图像和第二医学图像可以为二维图像或三维图像。

其中，第二医学图像的成像时间早于第一医学图像的成像时间。例如，第二医学图像是过去时间采集的病人甲胸部的医学图像，第一医学图像是现在时间采集的病人甲胸部的医学图像。或者，第二医学图像是当时采集的病人甲胸部的医学图像，第一医学图像是随后采集的病人甲胸部的医学图像。

更进一步地，过去时间可以是病人治疗之前，现在时间可以是病人进行治疗之后；当然，过去时间可以是病人刚治疗完成时，现在时间可以是病人治疗完成后一段时间，这段时间病人的身体状态可能会发生变化。可选地，当第一医学图像和第二医学图像为MR图像，两图像的拍摄/采集时间间隔可以是1个月、2个月、3个月、一年或者更长时间；当第一医学图像和第二医学图像为PET图像，两图像的拍摄/采集时间间隔可以是3个月、4个月、5个月、一年或者更长时间；当第一医学图像和第二医学图像为CT图像，考虑对人体辐射剂量的影响，两图像的拍摄/采集时间间隔通常大于6个月。

其中，对医学图像的配准通过图像配准算法实现。图像配准算法主要包括三个部分，即空间变换模型、相似性测度、最优化方法。在医学图像配准中，首先根据实际的配准需求选择一种空间变换模型，然后再根据实际需求选择合适的相似性测度和最优化方法。

在一个示例性地实现过程中，基于第三空间变换模型，采用非监督深度学习的配准方法将所述第二配准图像配准至所述第一医学图像，得到第三配准图像，可以包括：分别在第一医学图像和第二配准图像中确定指定像素点；利用非监督深度学习的配准方法，对第一医学图像和第二配准图像中的指定像素点进行训练，得到指定像素点的特征信息；根据特征信息，计算第三空间变换模型的参数(形变场)；根据参数，对第二配准图像进行第三空间变换模型对应的变换，得到第三配准图像。

通过配准图像可获得第一医学图像和/或第二医学图像中任一选择区域中像素点灰度值的变化情况，也可获得像素点发生变换的区域的体积或大小。例如，从第一医学图像确定第一选定区域，并计算第一选定区域中灰度值处于设定范围的第一像素点数目；从第三配准图像确定与第一选定区域相对应的第一对应区域，并计算第一对应区域中灰度值处于设定范围的第二像素点数目；根据第一像素点数目、第二像素点数目，获取第一医学图像相对第二医学图像像素点发生变化的数目，该数目可增加或减小，具体显示在图像为灰度值的改变。

在上述实施例中，例如可选定第一医学图像中较亮(灰度值处于设定范围如10-30)的区域作为第一选定区域，并自动计算该第一选定区域的体积(像素数目)；同时，通过上述配准过程，可确定第三配准图像(对应第二医学图像)中的第一对应区域，并可自动计算第一对应区域中像素值同样处于设定灰度值范围内的像素点数目或体积。

进一步地，比较第一医学图像中选定区域的体积以及第三配准图像中对应区域的像素的体积，获取该第一医学图像中选定区域的灰度值发生变化的像素点数目或第一医学图像中选定区域体积的变化。在一个示例性地实现过程中，非监督深度学习的配准方法采用CSAE(Convolutional Stacked Auto-Encoder network，卷积栈式自编码)训练方式。在非监督深度学习的配准方法采用卷积栈式自编码训练方式的情况下，在一个示例性地实现过程中，利用非监督深度学习的配准方法，对第一医学图像和第二配准图像中的指定像素点进行训练，得到指定像素点的特征信息，可以包括：以指定像素点为中心，提取三维小块作为非监督深度学习的样本，并从样本获取指定像素点的特征信息。

在一个示例性地实现过程中，第一配准可以为对指定目标的粗配准，第一空间变换模型为Affine变换模型(即仿射变换模型)；第二配准可以为对指定目标的肺内部血管的精配准，第二空间变换模型为基于B样条的FFD(Free Form Deformation，自由形变)变换模型。

例如，第一配准可以为对人体左右两肺的配准，第一空间变换模型为Affine变换模型；第二配准可以为对肺部血管的配准，第二空间变换模型为基于B样条的FFD变换模型。

其中，对指定目标的粗配准，用于将第一医学图像和第二医学图像的主结构进行对齐，使得两幅图像的主结构匹配。其中，主结构对齐是指将第一医学图像和第二医学图像的绝大部分像素点进行匹配，从而使得这两幅图像的主结构匹配。例如，当第一医学图像和第二医学图像都为CT肺部图像时，指定目标的主结构为左、右肺部区域，这一配准能够使左、右肺部区域基本对齐，以克服形变很大的问题，从而提高减影的效果。

其中，对指定目标的指定局部结构的精配准，用于将第一医学图像和第二医学图像的指定局部结构进行对齐。例如，指定目标的指定局部结构可以是肺部的血管，通过精配准可以基本对齐两幅图像中的血管区域，消除大的伪影，从而提高后续减影的效果。

其中，对第二配准图像和第一医学图像进行基于非监督深度学习的配准，用于将第一医学图像和第二医学图像的指定细微结构进行对齐。例如，指定细微结构可以是肺部的血管点，仅仅通过对指定局部结构的精配准无法保证血管完全对齐，通过这一配准能够使得血管完全对齐，消除指定细微结构处的细微小伪影，进一步提高后续减影的效果。

图1所示实施例，通过对指定目标的在先采集的第二医学图像进行三次配准，可提高图像配准的精度和鲁棒性。并且，由于在配准过程中采用了基于非监督深度学习的配准，而基于非监督深度学习的配准能够消除细微结构的细小伪影。进一步地，可自动获得第一医学图像与第二医学图像之间的精准的差异信息，使得用户能够通过该差异信息获知新增病灶或病灶变化。进而，新增病灶或病灶变化的检测精度的提高，可以帮助医生提高临床肿瘤的检测准确率，并能够定量辅助医生对肿瘤治疗疗效的评估。

图2为本发明实施例提供的医学图像处理方法的第二流程示例图。如图2所示，本实施例中，医学图像处理方法可以包括如下步骤：

S201，接收指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间早于第一医学图像的成像时间。例如，第二医学图像可以是病人患病前的诊断图像，第二医学图像可以是病人经过有效治疗后的诊断图像

S202，基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到第一配准图像。

S203，基于第二空间变换模型，将第一配准图像配准至第一医学图像，得到第二配准图像。

S204，基于第三空间变换模型，采用非监督深度学习的配准方法将第二配准图像配准至第一医学图像，得到第三配准图像。

S205，将第一医学图像与第三配准图像进行相减处理，得到减影图像，该减影图像为第一医学图像与第二医学图像的减影图像。。

需要指出的是，减影是将不同时间采集的同一部位或器官的医学图像之间的时间间隔变化可视化的一种手段。

在一个示例性地实现过程中，在S205之后，还可以包括如下步骤：输出减影图像。

为了方便用户或医师的观测，减影图像、第一医学图像和/或第二医学图像可成行或者成列的显示。在此实施例中，由于获得减影图像的过程是根据程序自动完成的，因此不会出现漏检现象，能够提高新增病灶或病灶变化的检测精度。

并且，由于在配准过程中采用了基于非监督深度学习的配准，而基于非监督深度学习的配准能够消除细微结构的细小伪影，因此使得减影效果更好，从而使得检测精度更高。图3为本发明实施例提供的医学图像处理方法的第三流程示例图。如图3所示，本实施例中，医学图像处理方法可以包括如下步骤：

S301，接收指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间早于第一医学图像的成像时间。

S302，基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到第一配准图像。

S303，基于第二空间变换模型，将第一配准图像配准至第一医学图像，得到第二配准图像。

S304，基于第三空间变换模型，采用非监督深度学习的配准方法将第二配准图像配准至第一医学图像，得到第三配准图像。

S305，将第一医学图像与第三配准图像进行相减处理，获得第一医学图像与第二医学图像的减影图像。

S306，将第一医学图像和减影图像作融合处理，得到融合图像。

在获得减影图像之后，可以成行或者成列地输出第一医学图像、第二医学图像和减影图像以及融合图像，这样不仅便于用户对减影图像进行查看或存储，还便于用户在查看研究减影图像的同时对照查看原始图像的相关内容。

下面通过示例来对本发明实施例的医学图像处理方法作进一步说明。

本示例中，假设第一医学图像为病人乙现在的肺部CT图像，记为图像A；第二医学图像为病人乙过去某个时刻的肺部CT图像，记为图像B。那么，图像A与图像B的处理过程如下：

a1，接收图像A和图像B。

a2，采取基于萤火虫算法的Affine配准对图像B进行全局粗配准，以使两图像肺部对齐，获得配准图像B1。

其中，步骤a2可以包括如下子步骤：

a21，在图像A中抽取感兴趣的像素点，即抽样点，此处，抽样点为图像A中随机提取的20万个像素点/感兴趣像素点。

a22，根据萤火虫算法，设置初代种群的解空间，这里，三维Affine变换的解空间设为40个。

a23，根据a21抽取的抽样点和三维Affine变换公式，计算解空间中每个解的绝对差测度值。

a24，根据a23计算所得的每个解的绝对差测度值，按照萤火虫算法的更新规则，更新解空间。

a25，验证是否满足萤火虫算法的收敛条件，如果不收敛，返回步骤a23，如果收敛，说明更新后解空间中解为萤火虫算法获得的最优解，执行步骤a26。

a26，将萤火虫算法获得的最优解作为Affine变换的最佳参数，根据Affine变换的最佳参数和三维Affine变换公式，对图像B进行Affine变换，得到图像B1。

其中，三维Affine变换公式如下：

公式(1)中，x′、y′、z′为Affine变换之后的像素空间坐标，x、y、z为变换之前的坐标，a₁₁、a₁₂、a₁₃、a₂₁、a₂₂、a₂₃、a₃₁、a₃₂、a₃₃、t_x、t_y、t_z为Affine变换参数。

a3，采用基于B样条的FFD变换模型对图像B1进行局部精配准，获得配准图像B2。

其中，步骤a3可以包括如下子步骤：

a31，在图像A中抽取感兴趣的像素点，即抽样点，本步骤同前述a21相同。

a32，设置初始解，根据B样条变换模型(FFD)和LBFGS(Limited memory Broyden-Fletcher-Goldfarb-Shanno)优化算法来设置，初始解只有1个。

a33，根据a31抽取的抽样点和B样条变换模型，计算当前解的绝对差测度值，并计算该测度对优化变量的梯度。

a34，利用LBFGS算法更新解。

a35，判断是否满足收敛条件，如果不收敛，返回步骤a33，如果收敛，说明更新后的解为LBFGS获得的最优解，执行步骤a36。

a36，将LBFGS获得的最优解作为FFD变换模型的最佳参数，对图像B1进行FFD变换，得到图像B2。

其中，像素点在X、Y和Z三个方向上的位移分量是其周围的4x4x4个控制点位移分量的B样条函数如公式(2)所示：

公式(2)中，是控制点的序号。

公式(2)中，B₀(u)＝(1-u)³/6，B₁(u)＝(3u³-6u²+4)6，B₂(u)＝(-3u³+3u²+3u+1)6，B₃(u)＝u³/6。

dx,dy,dz分别为控制点在X、Y和Z三个方向上的位移分量，即配准过程的待优化参数。

a4，采用基于非监督深度学习的光流场变换模型对图像B2进行细微结构精配准，得到图像B2。需要说明的是，细微结构为肺部血管。

其中，步骤a4可以包括如下子步骤：

a41，在图像A和图像B这两个图像中，以感兴趣像素点为中心，提取3D小块(Cube)作为深度学习的训练样本，经过CSAE(Convolutional Stacked Auto-Encoder network，卷积栈式自编码)训练获取每个像素点的特征信息。

a42，采用基于MRF(Markov Random Fields,马尔科夫随机场)的BP(BeliefPropagation，置信度传播)算法，基于第一步所获得的每个像素点特征，计算每个像素点的六邻域空间信息，然后进行置信度传播，计算每次传播的信任向量。经过T次传播后(T可以是100)，计算每个像素点的信任向量，信任向量中最小的元素，就是该像素点的偏移值，从而获得整幅图像的形变场。为了提高BP寻优的速度，可以采取多分辨率寻优策略，采取从粗到精的寻优模式。

a43，将BP算法获得的形变场最优解作为光流场变换模型的参数，对图像B2进行光流场变换，得到图像B3。

a5，将图像A与图像B3进行相减，得到减影图像C。

a6，将图像A与减影图像C作融合处理，得道融合图像D。

其中，过去CT图像和现在CT图像的示例图如图4(a)所示，图4(a)中现在CT图像与过去CT图像的减影图像如图4(b)所示。

本发明实施例提供的医学图像处理方法，分别基于第一空间变换模型、第二空间变换模型将第二医学图像配准至第一医学图像，分别可实现两图像主结构的对齐以及肺部感兴趣区域的对齐，随后基于肺部区域包含多个血管的特点，提取肺部中的血管微细结构，对该血管微细结构进行基于非监督深度学习的精配准，提高了医学图像配准的精度，且鲁棒性更强。在不同时刻图像配准基础上获得的减影图像，可有效减小由于肺部微细结构未配准对减影图像的影响，减小减影图像中产生的伪影，提高信噪比。

实施例二

本发明实施例提供了一种医学图像处理装置，该医学图像处理装置能够实现前述实施例中医学图像处理方法的各步骤。

图5为本发明实施例提供的医学图像处理装置的功能方块图。如图5所示，本实施例中，医学图像处理装置包括：

接收模块510，用于接收指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间早于第一医学图像的成像时间；

第一配准模块520，用于基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到第一配准图像；

第二配准模块530，用于基于第二空间变换模型，将第一配准图像配准至第一医学图像，得到第二配准图像；

第三配准模块540，用于基于第三空间变换模型，采用非监督深度学习的配准方法将第二配准图像配准至第一医学图像，得到第三配准图像。

在一个示例性地实现过程中，第三配准模块540在用于基于第三空间变换模型，采用非监督深度学习的配准方法将所述第二配准图像配准至所述第一医学图像，得到第三配准图像时，具体用于：分别在第一医学图像和第二配准图像中确定指定像素点；利用非监督深度学习的配准方法，对第一医学图像和第二配准图像中的指定像素点进行训练，得到指定像素点的特征信息；根据特征信息，计算第三空间变换模型的参数；根据参数，对第二配准图像进行第三空间变换模型对应的变换，得到第三配准图像。

在一个示例性地实现过程中，非监督深度学习的配准方法采用卷积栈式自编码训练方式；第三配准模块540在用于利用非监督深度学习的配准方法，对第一医学图像和第二配准图像中的指定像素点进行训练，得到指定像素点的特征信息时，具体用于：以指定像素点为中心，提取三维小块作为非监督深度学习的样本，并从样本获取指定像素点的特征信息。

在一个示例性地实现过程中，第三空间变换模型的参数为第二配准图像相对第一医学图像的形变场；第三配准模块540在用于根据特征信息，计算第三空间变换模型的参数时，具体用于：根据指定像素点的特征信息，获取指定像素点的六邻域空间信息；根据指定像素点的六邻域空间信息进行置信度传播，并获取置信度传播的信任向量；根据置信度传播的信任向量确定第二配准图像的指定像素点相对所述第一医学图像的指定像素点的偏移值；根据偏移值确定第二配准图像相对第一医学图像的形变场。

在一个示例性地实现过程中，医学图像处理装置还可以包括：第一选择及计算模块，用于从第一医学图像确定第一选定区域，并计算第一选定区域中灰度值处于设定范围的第一像素点数目；第二选择及计算模块，用于从第三配准图像确定与第一选定区域相对应的第一对应区域，并计算第一对应区域中灰度值处于设定范围的第二像素点数目；数目获取模块，用于根据第一像素点数目、第二像素点数目，获取第一医学图像相对第二医学图像像素点发生变化的数目。

在一个示例性地实现过程中，医学图像处理装置还可以包括：减影模块，用于将第一医学图像与第三配准图像进行相减处理，得到减影图像。

在一个示例性地实现过程中，医学图像处理装置还可以包括：融合模块，用于将减影图像与第一医学图像作融合处理，得到融合图像。

由于本实施例中的医学图像处理装置能够执行前述实施例一中的医学图像处理方法，本实施例未详细描述的部分，可参考对前述实施例一中医学图像处理方法的相关说明。

本发明实施例提供的医学图像处理装置，分别基于第一空间变换模型、第二空间变换模型将第二医学图像配准至第一医学图像，分别可实现两图像主结构的对齐以及肺部感兴趣区域的对齐，随后基于肺部区域包含多个血管的特点，提取肺部中的血管微细结构，对该血管微细结构进行基于非监督深度学习的精配准，提高了医学图像配准的精度，且鲁棒性更强。在不同时刻图像配准基础上获得的减影图像，可有效减小由于肺部微细结构未配准对减影图像的影响，减小减影图像中产生的伪影，提高信噪比。

实施例三

本发明实施例提供一种医学图像处理设备，该设备包括：处理器；用于存储处理器可执行指令的存储器；处理器被配置为：接收指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间早于第一医学图像的成像时间；基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到第一配准图像；基于第二空间变换模型，将第一配准图像配准至第一医学图像，得到第二配准图像；基于第三空间变换模型，采用非监督深度学习的配准方法将第二配准图像配准至第一医学图像，得到第三配准图像。

其中，医学图像处理设备可以是计算机。

图6是医学图像处理设备的简化框图。参见图6，该医学图像处理设备600可以包括与一个或多个数据存储工具连接的处理器601，该数据存储工具可以包括存储介质606和内存单元604。医学图像处理设备600还可以包括输入接口605和输出接口607，用于与另一装置或系统进行通信。被处理器601的CPU执行的程序代码可存储在内存单元604或存储介质606中。

医学图像处理设备600中的处理器601调用存储在内存单元604或存储介质606的程序代码，执行下面各步骤：

接收指定目标的第一医学图像和第二医学图像，第二医学图像的成像时间早于第一医学图像的成像时间；

基于第一空间变换模型，将第二医学图像配准至第一医学图像，得到第一配准图像；

基于第二空间变换模型，将第一配准图像配准至第一医学图像，得到第二配准图像；

基于第三空间变换模型，采用非监督深度学习的配准方法将第二配准图像配准至第一医学图像，得到第三配准图像。

可选地，医学图像处理设备600中的处理器601可以从第一医学图像确定第一选定区域，并计算第一选定区域中灰度值处于设定范围的第一像素点数目；从第三配准图像确定与第一选定区域相对应的第一对应区域，并计算第一对应区域中灰度值处于设定范围的第二像素点数目；根据第一像素点数目、第二像素点数目，获取第一医学图像相对第二医学图像像素点发生变化的数目。

医学图像处理设备600中的处理器601还可将第一医学图像与第三配准图像进行相减处理，得到第一医学图像与第二医学图像的减影图像。进一步地，医学图像处理设备600中的处理器601还可执行如下步骤：将减影图像与第一医学图像作融合处理，得到融合图像。

进一步地，医学图像处理设备600还可包括显示器，显示器可成行或成列的显示减影图像、第一医学图像和/或所述第二医学图像；或者，显示器可以成行或成列的显示第一医学图像、第二医学图像、减影图像和融合图像。

图7是医学图像处理设备600的显示器的显示界面示例图，如图7所示，整个显示界面可分为R1、R2、R3、R4和R5等多个区域。其中，左上角R1为第二医学图像的显示区域，第二医学图像如病人治疗前的图像；R2为第一医学图像的显示区域，第一医学图像如病人治疗后的图像；R3为VR(Virtual Reality)区域，该区域可动态显示第一医学图像与第二医学图像的配准过程和/或减影过程，可选地，该区域还设置有切换VR模板的按钮、视野切换按钮(全局或局部)；R4为减影图像显示区域；R5可显示量化的自动检测结果和工具栏。在此实施例中，R5区域可显示第一医学图像中的选定区域相对第二医学图像的区域的体积变化情况，其中，“+”表示体积增加；“-”表示体积减小，医生可根据量化的结果确定病灶区域。工具栏可包括切换布局按钮、层厚选择按钮、视野选择按钮、翻页/指针、调窗、缩放、平移、标注、保存以及打印、测量等多种工具选项，还可包括保存书签工具，以在特定图像切片层设置标签。

上述实施例中，存储介质可以是只读存储器(Read-Only Memory，ROM)，或是可读写的，例如硬盘、闪存。内存单元可为随机存取存储器(Random Access Memory，RAM)。内存单元可与处理器物理集成或集成在存储器中或构建为单独的单元。

处理器为上述设备(该设备为上述服务器或者上述客户端)的控制中心，并提供处理装置，用于执行指令，进行中断操作，提供计时功能以及多种其他功能。可选地，处理器包括一个或多个中央处理单元(CPU)，例如图6中示出的CPU 0和CPU 1。上述设备中包括一个或者多个的处理器。处理器可为单核(单CPU)处理器或多核(多CPU)处理器。除非另有声明，描述为用于执行任务的例如处理器或存储器的部件可实现为通用部件，其暂时用于在给定时间执行任务，或实现为专门制造用于执行该任务的特定部件。此处所用的术语“处理器”指一个或多个装置，电路和/或处理核，用于处理数据，例如计算机程序指令。

被处理器的CPU执行的程序代码可存储在内存单元或存储介质中。可选地，存储在存储介质中的程序代码可以被复制入内存单元以便处理器的CPU执行。处理器可执行至少一个内核(例如LINUX^TM、UNIX^TM、WINDOWS^TM、ANDROID^TM、IOS^TM)，众所周知，该内核用于通过控制其他程序或过程的执行、控制与外围装置的通信以及控制计算机设备资源的使用来控制上述设备的操作。

上述设备中的上述元件可通过总线彼此连接，总线例如数据总线、地址总线、控制总线、扩展总线和局部总线之一或其任意组合。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本方案所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本方案各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

以上所述仅为本方案的较佳实施例而已，并不用以限制本方案，凡在本方案的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本方案保护的范围之内。

Claims

1.一种医学图像处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，基于第三空间变换模型，采用非监督深度学习的配准方法将所述第二配准图像配准至所述第一医学图像，得到第三配准图像，包括：

根据所述特征信息，计算所述第三空间变换模型的参数；

3.根据权利要求2所述的方法，其特征在于，所述非监督深度学习的配准方法采用卷积栈式自编码训练方式；

4.根据权利要求2所述的方法，其特征在于，所述第三空间变换模型的参数为所述第二配准图像相对所述第一医学图像的形变场；

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

8.一种医学图像处理设备，其特征在于，所述设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器被配置为：

9.根据权利要求8所述的设备，其特征在于，所述处理器还被配置为：

10.根据权利要求9所述的设备，其特征在于，所述设备还包括显示器，所述显示器用于成行或成列的显示所述减影图像、所述第一医学图像和/或所述第二医学图像；或者，