CN107240131B - 一种基于迭代纹理形变场的乳腺影像配准方法 - Google Patents
一种基于迭代纹理形变场的乳腺影像配准方法 Download PDFInfo
- Publication number
- CN107240131B CN107240131B CN201710421688.4A CN201710421688A CN107240131B CN 107240131 B CN107240131 B CN 107240131B CN 201710421688 A CN201710421688 A CN 201710421688A CN 107240131 B CN107240131 B CN 107240131B
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- registration
- mammary gland
- dce
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 42
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 claims abstract description 71
- 210000000481 breast Anatomy 0.000 claims abstract description 40
- 238000006073 displacement reaction Methods 0.000 claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000004971 IR microspectroscopy Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012060 immune response imaging Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 230000000452 restraining effect Effects 0.000 claims description 2
- 230000003902 lesion Effects 0.000 description 9
- 239000002872 contrast media Substances 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T7/38—Registration of image sequences
-
- 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]
- G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种基于迭代纹理形变场的乳腺影像配准方法,属于医学影像配准技术领域,具体涉及一种基于迭代纹理形变场的乳腺动态对比增强磁共振影像序列的配准方法。配准方法选取乳腺DCE‑MRI图像序列中病灶区域较明显的一层增强图像,采用基于纹理约束的全变分模型对乳腺DCE‑MRI图像进行分解,用迭代分解配准的方式逐渐消除位移形变对图像分解带来的误差,在每次迭代中都使用成组配准的方式对纹理图像进行配准,更新纹理图像的位移形变场,用该位移形变场去校正乳腺DCE‑MRI图像。该配准方法可以解决乳腺DCE‑MRI图像配准过程中因灰度变化引起的病灶扭曲问题,从而实现乳腺DCE‑MRI图像的精准配准,解决了灰度变化引起的乳腺DCE‑MRI图像配准中病灶扭曲问题。
Description
技术领域
本发明涉及医学影像配准技术领域,特别涉及一种基于迭代纹理形变场的乳腺动态对比增强磁共振影像序列的配准方法。
背景技术
乳腺动态对比增强磁共振影像(Dynamic Contrast-Enhanced MagneticResonance Imaging,DCE-MRI)在成像过程中,患者的呼吸运动会导致乳腺组织的非刚性位移形变,使得同一层面不同时刻的图像之间对应的解剖位置出现错位现象。由于对比剂的扩散,同一层面的图像序列之间的灰度会发生灰度变化,这种变化在病灶区域很明显。直接使用非刚性配准算法对乳腺DCE-MRI图像进行配准会使病灶区域发生扭曲形变,会对后续病灶分割和良恶性判别造成严重影响。
为了解决配准发生扭曲的问题,Ruecker提出使用基于B样条自由形变模型来描述乳腺DCE-MRI图像的局部形变(Rueckert D,Sonoda L I,Hayes C,et al.Nonrigidregistration using free-form deformations:application to breast MR images.[J].IEEE Transactions on Medical Imaging,1999,18(8):712-721),通过一个正则项来约束形变场的平滑性,并采用归一化互信息为相似性测度,以此实现乳腺DCE-MRI图像的配准。但是在最大化互信息的过程中不可避免地使病灶区域发生扭曲。Rohfing将形变场的平滑性约束变为不可压缩约束(Rohlfing T,Maurer C R,BluemkeD A,et al.Volume-preserving nonrigid registration of MR breast images using free-formdeformation with an incompressibility constraint[J].IEEE Transactions onMedical Imaging,2003,22(6):730-741),以此保持乳腺DCE-MRI图像的配准中病灶区域的形状,但是该方法没有考虑到图像之间的时空的连续性。Zheng首先对乳腺DCE-MRI图像去增强处理(Zheng Y,Yu J,Kambhamettu C,et al.De-enhancing the dynamic contrast-enhanced breast MRI for robust registration.[J].2007,4791(Pt1):933-941.),然后对去增强后的图像进行配准,但是该方法不能保证时间上的连续性。
近年来,图像分解技术因能去除图像之间的灰度变化而被应用到DCE-MRI图像的配准中。Melbourne等人使用主成分分析(principal component registration,PCA)算法分解DCE-MRI图像(Melbourne A,Hipwell J,Modat M,et al.The effect of motioncorrection on pharmacokinetic parameter estimation in dynamic-contrast-enhanced MRI.[J].Physics in Medicine&Biology,2011,56(24):7693-7708.),利用分解得到的低秩图像求出图像之间的位移形变场,该方法已经应用乳腺图像配准研究中。但是PCA分解DCE-MRI时不能将图像中灰度变化的成份完全提取出来,从而影响了配准的效果。Hamy等人使用鲁棒主成分分析(robust principal component registration,RPCA)算法将DCE-MRI图像分解成包含运动信息的低秩分量和包含对比剂变化的稀疏分量(Hamy V,Dikaios N,Punwani S,et al.Respiratory motion correction in dynamic MRI usingrobust data decomposition registration-application to DCE-MRI.[J].MedicalImage Analysis,2014,18(18):301-313.),对低秩分量进行配准并将所求得的位移形变场用于原始DCE-MRI配准,但是该方法是基于图像中运动信息和对比剂增强信息可以完全分离的假设。李淑娟使用基于全变分模型将乳腺DCE-MRI图像分解成结构图像和具有灰度一致性的纹理图像(李淑娟.基于乳腺动态增强MRI的分解与配准[D].大连理工大学,2016.),继而利用纹理图像之间的光流形变场对乳腺DCE-MRI图像进行校正。然而图像之间的形变位移会对图像的分解结果造成误差,从而导致配准结果不准确。
目前,对乳腺DCE-MRI图像配准的研究,可以发现存在以下几个问题:(1)现有的大多数非刚性配准方法适用于具有灰度一致性的图像,对乳腺DCE-MRI进行配准时会导致图像病灶区域扭曲。(2)基于图像分解的图像配准技术给乳腺DCE-MRI图像配准提供了新的思路,但是目前存在的图像分解方法无法完全的将乳腺DCE-MR中的对比剂扩散信息和正常组织分开。因此,对乳腺DCE-MRI图像的精准配准进行进一步的研究是非常必要的。
发明内容
本发明为克服现有技术的缺陷,发明了一种基于迭代纹理形变场的乳腺影像配准方法,能够有效地解决乳腺DCE-MRI图像配准过程中因灰度变化引起的病灶扭曲问题。该方法借助图像分解来降低图像间的灰度变化对配准精度的影响,同时又利用图像配准来减小位移形变对图像分解带来的误差,通过这种迭代分解配准的过程能够逐渐消除图像分解的误差,得到准确的位移形变场,最终实现乳腺DCE-MRI的精准配准。
本发明采用的技术方案是一种基于迭代纹理形变场的乳腺影像配准方法,配准方法选取乳腺DCE-MRI图像序列中病灶区域较明显的一层增强图像,采用基于纹理约束的全变分模型对乳腺DCE-MRI图像进行分解,采取迭代分解配准的方式逐渐消除位移形变对图像分解带来的误差,在每次迭代中都使用成组配准的方式对纹理图像进行配准,更新纹理图像的位移形变场,并采用该位移形变场去校正乳腺DCE-MRI图像;配准方法的具体步骤如下:
步骤一:选取乳腺DCE-MRI图像序列中病灶区域较明显的一层增强图像,并选取乳腺病灶区域作为研究对象。
步骤二:估计迭代次数k的最大值Nmax,初始化k=1。
迭代次数最大值Nmax是根据所有乳腺DCE-MRI图像独立分解实验得到的一个估计值。基于纹理约束的全变分模型如公式(1)所示:
式中,E1是正则项,用于约束结构图像的空间平滑性。E2是相似项,用于约束结构图像与原始图像之间的相似性。E3是纹理约束项,用于约束乳腺DCE-MRI图像中纹理图像序列间的灰度一致性;IR,Ii表示两幅待分解的图像,IR是参考图像即第1增强时相,Ii是除去第1增强时相外的其余时相图像,在分解过程中图像Ii依次与参考图像IR进行约束分解。SR,Si表示两幅图像的结构图像,α是相似项参数,用于调节正则项和相似项的权重;β是纹理约束项的权重参数,式中k,k=1,2,3...Nmax表示迭代次数。
步骤三:对待配准的乳腺DCE-MRI图像使用公式(1)所示的基于纹理约束的全变分模型进行分解,得到包含灰度变化的结构图像和具有灰度一致性的纹理图像。
步骤四:对步骤三中得到的纹理图像使用基于B样条自由形变模型(Free-FormDeformation,FFD)的成组配准方法进行配准,进而提取出纹理图像之间的位移形变场。
本发明的成组配准方法是以所有时相纹理图像的平均图像作为参考图像I,然后所有时相的纹理图像分别与参考图像进行配准。采用剩余复杂度(Residual Complexity,RC)作为配准的相似项;然后使用基于B样条FFD来描述参考图像I和待配准图像J之间的形变场T,通过加入一个正则项来约束形变场的平滑性,最终的配准目标函数用公式(2)采用梯度下降法优化配准目标函数f,求解出纹理图像之间的位移形变场。
f=min(fe+κfr) (2)
公式(2)中,fe为相似项,fr为正则项,κ为正则项权重参数。其中,
公式中,d=dctn(r),r=I-J(T),dctn表示离散余弦变换,γ是相似项中的一个参数;Ω是图像区域,S是图像区域的面积。
步骤五:利用步骤四中得到的位移形变场对乳腺DCE-MRI图像进行位移校正,得到配准后的乳腺DCE-MRI图像;k=k+1,βk=βk-1+1,当k≤Nmax时对得到的配准后的乳腺DCE-MRI图像重复步骤三至步骤五的实验操作,当k>Nmax时输出最终配准后的乳腺DCE-MRI图像。
本发明的有益效果是:该配准方法可以解决乳腺DCE-MRI图像配准过程中因灰度变化引起的病灶扭曲问题,从而实现乳腺DCE-MRI图像的精准配准。解决了灰度变化引起的乳腺DCE-MRI图像配准中病灶扭曲问题。利用纹理图像之间的位移形变场去配准乳腺DCE-MRI图像,仅对乳腺DCE-MRI图像中的位移形变进行了校正,没有改变图像之间的灰度变化,因此图像之间的灰度能够得到保持。图像之间的灰度变化反应病灶区域血流动力学的性质,能够帮助判别病灶区域的良恶性,具有重要的诊断意义。该方法在配准乳腺DCE-MRI图像过程中,能够保持病灶区域的形状和图像之间灰度变化。
附图说明
图1是一种基于迭代纹理形变场的乳腺影像配准方法的流程图。
图2是实施例选取的图像病灶区域较明显的增强乳腺DCE-MRI图像。
图3是实施例中某次迭代中乳腺DCE-MRI图像分解得到的图像,其中,1-纹理图像,2-结构图像。
图4是实施例中实施步骤三至步骤五的示意图。
具体实施方式
下面结合附图和具体的实施方法对本发明提出的基于迭代纹理形变场的乳腺影像配准方法进行详细说明。
本发明的基于迭代纹理形变场的乳腺影像配准方法,首先使用图像分解方法去除了图像中的灰度变化,得到乳腺DCE-MRI图像之间纯粹的位移形变,然后用该位移形变去配准乳腺DCE-MRI图像,在每次迭代中都使用更新的纹理图像的位移形变场去校正乳腺DCE-MRI图像,因此本发明的方法能够解决灰度变化引起的图像病灶扭曲问题。如图1所示为本发明提出的基于迭代纹理形变场的乳腺影像配准方法的流程图。该方法的具体实施步骤如下所示:
步骤一:选取乳腺DCE-MRI图像序列中病灶区域较明显的一层增强图像,以病灶为中心框选大小为100×100像素的感兴趣区域,感兴趣区域的大小可根据实际情况如病灶的大小等进行调整。将感兴趣区域作为待配准的乳腺DCE-MRI图像,本发明选取的图像病灶区域较明显的增强乳腺DCE-MRI图像,如图2所示。
步骤二:评估迭代次数k的最大值Nmax,初始化k=1。
迭代次数最大值Nmax是根据所有乳腺DCE-MRI图像独立分解实验得到的一个估计值。基于纹理约束的全变分模型如公式(1)所示:
式中,E1是正则项,用于约束结构图像的空间平滑性。E2是相似项,用于约束结构图像与原始图像之间的相似性。E3是纹理约束项,用于约束乳腺DCE-MRI图像中纹理图像序列间的灰度一致性。IR,Ii表示两幅待分解的图像,IR是参考图像即第1增强时相,Ii是除去第1增强时相外的其余时相图像,在分解过程中图像Ii依次与参考图像IR进行约束分解。SR,Si表示两幅图像的结构图像,α是相似项参数,用于调节正则项和相似项的权重。本实施例中,α=8;β是纹理约束项的权重参数,k,k=1,2,3...Nmax表示迭代次数。
本发明采用的基于纹理约束的全变分模型中纹理约束项是利用纹理图像之间的灰度差得到的,由于图像间位移形变的影响使得乳腺DCE-MRI图像在分解过程中产生误差。因此本发明采取迭代分解配准的方式逐渐消除位移形变对图像分解带来的误差,迭代次数的最大值Nmax取决于纹理约束项的权重参数β。在整个算法实现过程中,随着迭代次数的增大参数β逐渐增大。参数β的最小值和最大值是根据所有实验数据在独立的图像分解实验中的实验结果统计得到的,最小值能够保证仅有正常组织信息被分解到纹理图像中,而对比剂引起的灰度变化信息和部分正常组织信息被分解到结构图像中;最大值能够保证结构图像中仅包含对比剂引起的灰度变化信息,而纹理图像中包含正常组织的所有信息和部分对比剂引起的灰度变化信息。根据参数β从最小值到最大值的每次迭代增1的变化尺度从而估算出迭代次数最大值Nmax。在本实施例中,βmin=1,βmax=7;所以,Nmax=7。
步骤三:对待配准的乳腺DCE-MRI图像使用如式(1)所示的基于纹理约束的全变分模型进行分解,得到包含灰度变化的结构图像2和具有灰度一致性的纹理图像1,如图3所示。
步骤四:对步骤三中得到的纹理图像使用基于B样条自由形变模型(Free-FormDeformation,FFD)的成组配准方法进行配准,进而提取出纹理图像之间的位移形变场。
本发明的成组配准方法是以所有时相纹理图像的平均图像作为参考图像I,然后所有时相的纹理图像分别与参考图像进行配准。采用剩余复杂度(Residual Complexity,RC)作为配准的相似项;然后使用基于B样条的FFD来描述参考图像I和待配准图像J之间的形变场T,通过加入一个正则项来约束形变场的平滑性,最终的配准目标函数如公式(2)所示。对配准目标函数f采用梯度下降法进行优化计算,求解出纹理图像之间的位移形变场。
f=min(fe+κfr) (2)
公式(2)中,fe为相似项,fr为正则项,κ为正则项权重参数,κ=0.05。
公式(3)中,d=dctn(r),r=I-J(T),dctn表示离散余弦变换,γ是相似项中的一个参数,γ=2。公式(4)中,Ω是图像区域,S是图像区域的面积。
步骤五:利用得到的位移形变场对乳腺DCE-MRI图像进行位移校正,得到配准后的乳腺DCE-MRI图像。k=k+1,βk=βk-1+1,当k≤Nmax时对得到的配准后的乳腺DCE-MRI图像重复步骤三至步骤五的实验操作,当k>Nmax时输出最终配准后的乳腺DCE-MRI图像,图4为步骤三至步骤五的示意图。
本发明在基于图像分解的配准框架下,采用迭代更新的纹理形变场逐渐实现对乳腺DCE-MRI图像的配准。本方法对存在灰度变化的乳腺DCE-MRI图像实现配准,同时能够保持图像病灶区域的形状和图像之间的灰度变化。
Claims (1)
1.一种基于迭代纹理形变场的乳腺影像配准方法,其特征在于,配准方法选取乳腺DCE-MRI图像序列中病灶区域较明显的一层增强图像,采用基于纹理约束的全变分模型对乳腺DCE-MRI图像进行分解,采取迭代分解配准的方式逐渐消除位移形变对图像分解带来的误差,在每次迭代中都使用成组配准的方式对纹理图像进行配准,更新纹理图像的位移形变场,用该位移形变场去校正乳腺DCE-MRI图像;方法的具体步骤如下:
步骤一:选取乳腺DCE-MRI图像序列中病灶区域较明显的一层增强图像,并选取乳腺病灶区域作为研究对象;
步骤二:估计迭代次数k的最大值Nmax,初始化k=1;
迭代次数最大值Nmax是根据所有乳腺DCE-MRI图像独立分解实验得到的一个估计值;基于纹理约束的全变分模型如公式(1)所示:
式中,E1是正则项,用于约束结构图像的空间平滑性;E2是相似项,用于约束结构图像与原始图像之间的相似性;E3是纹理约束项,是利用纹理图像之间的灰度差得到的,用于约束乳腺DCE-MRI图像中纹理图像序列间的灰度一致性;IR,Ii表示两幅待分解的图像,IR是参考图像即第1增强时相,Ii是除去第1增强时相外的其余时相图像,在分解过程中图像Ii依次与参考图像IR进行约束分解;SR,Si表示两幅图像的结构图像;α是相似项参数,用于调节正则项和相似项的权重;β是纹理约束项的权重参数;式中k,k=1,2,3...Nmax表示迭代次数;
步骤三:对待配准的乳腺DCE-MRI图像使用公式(1)所示的基于纹理约束的全变分模型进行分解,得到包含灰度变化的结构图像和具有灰度一致性的纹理图像;
步骤四:对步骤三中得到的纹理图像,使用基于B样条自由形变模型的成组配准方法进行配准,进而提取出纹理图像之间的位移形变场;
采用的成组配准方法是以所有时相纹理图像的平均图像作为参考图像I,将所有时相的纹理图像分别与参考图像进行配准;采用剩余复杂度作为配准的相似项;然后使用基于B样条FFD来描述参考图像I和待配准图像J之间的形变场T,通过加入一个正则项来约束形变场的平滑性,最终的配准目标函数采用梯度下降法优化配准目标函数f,求解出纹理图像之间的位移形变场;
f=min(fe+κfr) (2)
公式(2)中,fe为相似项,fr为正则项,κ为正则项权重参数;其中,
公式中,d=dctn(r),r=I-J(T),dctn表示离散余弦变换,γ是相似项中的一个参数;Ω是图像区域,S是图像区域的面积;
步骤五:利用步骤四中得到的位移形变场对乳腺DCE-MRI图像进行位移校正,得到配准后的乳腺DCE-MRI图像;k=k+1,βk=βk-1+1,当k≤Nmax时对得到的配准后的乳腺DCE-MRI图像重复步骤三至步骤五的实验操作,当k>Nmax时输出最终配准后的乳腺DCE-MRI图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710421688.4A CN107240131B (zh) | 2017-06-09 | 2017-06-09 | 一种基于迭代纹理形变场的乳腺影像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710421688.4A CN107240131B (zh) | 2017-06-09 | 2017-06-09 | 一种基于迭代纹理形变场的乳腺影像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107240131A CN107240131A (zh) | 2017-10-10 |
CN107240131B true CN107240131B (zh) | 2020-04-24 |
Family
ID=59986282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710421688.4A Expired - Fee Related CN107240131B (zh) | 2017-06-09 | 2017-06-09 | 一种基于迭代纹理形变场的乳腺影像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107240131B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489381B (zh) * | 2019-01-28 | 2023-11-10 | 临沂大学 | 一种婴幼儿脑部核磁共振图像群配准方法及其装置 |
CN111079507B (zh) * | 2019-10-18 | 2023-09-01 | 深兰科技(重庆)有限公司 | 一种行为识别方法及装置、计算机装置及可读存储介质 |
CN111242877A (zh) * | 2019-12-31 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像配准方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622759B (zh) * | 2012-03-19 | 2017-03-15 | 苏州迪凯尔医疗科技有限公司 | 一种结合灰度与几何信息的医学图像配准方法 |
CN103400376B (zh) * | 2013-07-19 | 2016-04-06 | 南方医科大学 | 一种乳腺动态增强磁共振图像序列的配准方法 |
CN103544702B (zh) * | 2013-10-15 | 2016-04-13 | 南京信息工程大学 | 一种基于先验形状的核磁共振图像分割方法 |
US9824456B2 (en) * | 2014-06-26 | 2017-11-21 | The Governors Of The University Of Alberta | Automatic segmentation of image frames in anatomical scan based on non-rigid registration with manually segmented frame |
CN104077780B (zh) * | 2014-07-07 | 2017-03-15 | 上海电力学院 | 一种基于分割的医学图像非刚性配准算法性能评价方法 |
US10013779B2 (en) * | 2015-06-22 | 2018-07-03 | Toshiba Medical Systems Corporation | Metal artifact reduction for 3D-digtial subtraction angiography |
-
2017
- 2017-06-09 CN CN201710421688.4A patent/CN107240131B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107240131A (zh) | 2017-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Armanious et al. | Unsupervised medical image translation using cycle-MedGAN | |
Ebner et al. | An automated framework for localization, segmentation and super-resolution reconstruction of fetal brain MRI | |
US10467751B2 (en) | Quality of medical images using multiple-contrast and deep learning | |
Chen et al. | Deep learning for image enhancement and correction in magnetic resonance imaging—state-of-the-art and challenges | |
CN107610193B (zh) | 使用深度生成式机器学习模型的图像校正 | |
US20240037732A1 (en) | Method for enhancing quality and resolution of ct images based on deep learning | |
Tourbier et al. | An efficient total variation algorithm for super-resolution in fetal brain MRI with adaptive regularization | |
CN104933683B (zh) | 一种用于磁共振快速成像的非凸低秩重建方法 | |
Alansary et al. | PVR: patch-to-volume reconstruction for large area motion correction of fetal MRI | |
CN108090871A (zh) | 一种基于卷积神经网络的多对比度磁共振图像重建方法 | |
Kohlmann et al. | Automatic lung segmentation method for MRI-based lung perfusion studies of patients with chronic obstructive pulmonary disease | |
Menys et al. | Dual registration of abdominal motion for motility assessment in free-breathing data sets acquired using dynamic MRI | |
CN103400376B (zh) | 一种乳腺动态增强磁共振图像序列的配准方法 | |
US11645791B2 (en) | Systems and methods for joint reconstruction and segmentation of organs from magnetic resonance imaging data | |
CN107240131B (zh) | 一种基于迭代纹理形变场的乳腺影像配准方法 | |
Mahapatra et al. | Joint segmentation and groupwise registration of cardiac DCE MRI using sparse data representations | |
WO2021102644A1 (zh) | 图像增强方法、装置及终端设备 | |
CN103886568A (zh) | 基于配准的肺4d-ct图像超分辨率重建方法 | |
CN109375125A (zh) | 一种修正正则化参数的压缩感知磁共振成像重建方法 | |
Xu et al. | STRESS: Super-resolution for dynamic fetal MRI using self-supervised learning | |
CN105931242A (zh) | 基于字典学习和时间梯度的动态核磁共振图像重建方法 | |
Munoz et al. | Self-supervised learning-based diffeomorphic non-rigid motion estimation for fast motion-compensated coronary MR angiography | |
CN109741439B (zh) | 一种二维mri胎儿图像的三维重建方法 | |
Irfanoglu et al. | Susceptibility distortion correction for echo planar images with non-uniform B-spline grid sampling: a diffusion tensor image study | |
Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI |
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: 20200424 |
|
CF01 | Termination of patent right due to non-payment of annual fee |