CN107274443A - 前列腺弥散加权图像序列配准方法 - Google Patents
前列腺弥散加权图像序列配准方法 Download PDFInfo
- Publication number
- CN107274443A CN107274443A CN201710416369.4A CN201710416369A CN107274443A CN 107274443 A CN107274443 A CN 107274443A CN 201710416369 A CN201710416369 A CN 201710416369A CN 107274443 A CN107274443 A CN 107274443A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- 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.)
- Pending
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
- G06T7/38—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]
-
- 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
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种前列腺弥散加权图像序列配准方法,其特征在于包括如下步骤：手动划定b值为0的图像的前列腺区，将该图像中以前列腺为中心的方形区域从FOV中剪切出来，保持剪切框在序列图像中的相对位置不变，剪切序列图像；应用仿射变换配准算法，消除前列腺在DWI每个扫描层内的漂移；对上述序列再利用基于立方B样条的非刚性配准算法建模较小的形变，实现每幅DWI图像内的前列腺形变补偿；计算仿射配准和非刚性配准后的图像间的互信息值，当出现明显非正常值时，放弃配准结果，选取原图像作为待拟合图像；最后，由配准后的DWI序列进行拟合，进而得出所有空间位置的ADC值，经伪彩色处理后，生成ADC图。
Description
技术领域
本发明涉及磁共振序列图像配准技术领域，具体的说是一种前列腺弥散加权图像序列配准方法。
背景技术
对于男性，前列腺癌(PCa)是泌尿生殖系统最常见的肿瘤之一，占中国男性恶性肿瘤发病构成的3.33％。在10种最普遍的癌症中，以时间趋势分析，从2000年到2011年发病率增加的有六种，其中，四种的年龄标准化死亡率可见上升，均包括前列腺癌。在中国，前列腺癌增加的因素目前尚不明确，但这可能与逐渐应用前列腺特异性抗原扫描和活检水平的提升有关，也有可能是由于逐渐西化的生活方式。西方的生活方式增加了中国的肥胖率，减少了活动量，可能会对结直肠癌和乳腺癌发病率有影响。而在西方国家，尤其是美欧，PCa是第二高发的恶性肿瘤，美国最普遍的癌症是肺癌、乳腺癌、前列腺癌和结直肠癌，其中PCa占发病率的28％，年化死亡率为10％。中国癌症生存率较低，而美国的几种高发癌症除了肺癌之外，预后都非常良好，PCa在过去的二十年(1991-2009)死亡率降低了40％。这是因为尽早发现与治疗可有效降低死亡率，其预后及治疗主要取决于早期诊断及术前分期。
前列腺癌的诊断方法有直肠指检，前列腺特异性抗原检测，经直肠超声检查(TRUS)，经直肠活检和磁共振图像(MRI)等。
近20年来，使用MRI诊断PCa发展迅速，功能性MRI(fMRI)，尤其是弥散加权成像(DWI)、动态对比增强成像，使得MRI在PCa的检查、定位和分期扮演越来越重要的角色。
DWI利用水分子弥散的微观流动特性(布朗运动)原理成像。与在纯水中相比，水分子在组织中的弥散是相对受限的，组织越致密弥散受限程度越大。由癌变组织的病理及生理过程对组织细胞密度的影响而知，正常及增生前列腺组织内，水分子运动自由度较高,而在肿瘤区域，细胞密度增大、细胞间隙缩窄，引起水分子弥散受限。将此转化成水分子不同的弥散特性，即组织在不同磁场强度下成像，生成DWI序列，经过拟合计算，可量化弥散受限的程度，从而得到表观弥散系数(ADC)图，ADC值是PCa诊断的重要参数。
ADC最早由Le Bihan提出，是一种无创测量生物组织中的水分子扩散的定量信息的方法。ADC图与组织活检共同使用，可以提高PCa诊断的敏感性和特异性。
准确而清晰的ADC图有助于前列腺癌的靶向活检、定位和分期，为治疗方案和治疗后的癌变组织残留和局部复发检测提供路线图。然而，前列腺的DWI序列中，图像间普遍存在着空间不对齐现象，DWI的像素点出现空间位置的错位，这导致在拟合计算该像素点的ADC时，出现错误。该错误表现在两个方面：(1)相应的像素点ADC值被高估，造成Gleason分级错误；(2)视觉效果上则出现ADC图模糊、多伪影的情况，降低了其在临床诊断中的价值。
对这一问题，D.Francisco等人的研究主要集中在对磁共振设备的调校等前期处理上，如校正由涡流和非均匀主磁场引起的相位编码方向的几何失真等。实际上，在DWI成像过程中，由患者自身引起的空间不对齐也极易发生。这是因为，PCa多发于老年人，DWI成像过程中，呼吸控制较差或不耐受长时间仰卧，而产生自主或非自主的体位移动等。此外，前列腺为软组织，极易受到周围脏器的蠕动、挤压而产生形变。以上因素均会导致DWI序列空间不对齐，拟合计算出错误的ADC值。
发明内容
本发明的目的就是提供一种前列腺弥散加权图像序列配准方法，以得出更准确的ADC图。
本发明是这样实现的：
前列腺弥散加权图像序列配准方法,包括如下步骤：
(1)手动划定b值为0的图像的前列腺区，将该图像中以前列腺为中心的方形区域从FOV中剪切出来，保持剪切框在序列图像中的相对位置不变，剪切序列图像；
(2)应用仿射变换配准算法，消除前列腺在DWI每个扫描层内的漂移；
(3)对上述序列再利用基于立方B样条的非刚性配准算法建模较小的形变，实现每幅DWI图像内的前列腺形变补偿。
(4)计算仿射配准和非刚性配准后的图像间的互信息值，当出现明显非正常值时，放弃配准结果，选取原图像作为待拟合图像。
(5)最后，由配准后的DWI序列进行拟合，进而得出所有空间位置的ADC值，经伪彩色处理后，生成ADC图。
所述的前列腺弥散加权图像序列配准方法,所述第(2)步的具体步骤为：
使用如下2D图像的仿射配准模型进行校正：
这里的Δx,Δy,分别表示x和y方向的变换参数，θ表示旋转，sx,sy表示缩放，kx,ky,表示x和y的剪切方向。
所述的前列腺弥散加权图像序列配准方法,所述第(3)步的非刚性配准算法-基于立方B样条的自由形变配准(FFD)的具体步骤为：
通过操纵预先放置在图像上的控制网格实现对图像不对齐和任意扭曲的变换，网格的形变引起目标形状的改变，再通过b样条作用，产生出连续和平滑的变换：
设图像域为Ω＝{(x,y)|0≤x≤X,0≤y≤Y}，分辨率为nx×ny的控制网格为Φ，网格间距为δ，Φ中每个交叉点为控制点Φi,j，基于立方B样条的非刚性配准算法为
式中：i、j表示控制点坐标，u、v各自表示x、y方向的相对位置Bl与Bm表示三阶B样条基函数，
所述的前列腺弥散加权图像序列配准方法,仿射配准和FFD配准算法运行过程中，采用了归一化互相关系数(normalized cross correlation(NCC))作为相似性测度和代价函数：
式中：I1表示固定图像的信号强度；I2代表浮动图像的信号强度；为固定图像的灰度标准差；为浮动图像的灰度标准差。
所述的前列腺弥散加权图像序列配准方法,第(5)步具体步骤为：
根据式(6)，通过二项式拟合，得出每个像素空间位置的ADC值。
将ADC值矩阵，进行伪彩色处理，生成ADC图。
所述的前列腺弥散加权图像序列配准方法,在非刚性配准算法运行过程中，先使用较低分辨率补偿脏器运动和形变伪影，之后逐渐提高分辨率，对局部的小的形变进行校正。
所述的前列腺弥散加权图像序列配准方法,对代价函数的求解最大值计算过程中，使用拟牛顿法，满足收敛条件优先停止迭代过程，或最高至2000次的迭代次数也将停止计算。
所述的前列腺弥散加权图像序列配准方法,在刚性变换程序中，使用了蚁群算法作为优化算法。
本发明采用像素级配准方法，解决了前列腺DWI序列中，脏器的移动和形变对PCa诊断的影响，有效克服了前列腺DWI序列中，高b值图像信噪比极低的情况，本方法具有较高鲁棒性；应用了本发明的图像配准方法后，DWI图像序列的空间对齐程度较配准前提高了73.32％；通过医生观察评估、ADC量化分析、与诊断金标准对照等，一系列针对软组织的配准方法效果评估实验，本发明的配准方法具有较好的可靠性、准确性和可重复性。
本发明利用图像配准技术，补偿和校正DWI序列中的层内图像不对齐(包括成像过程中由于不自主移动产生的前列腺位移和组织不规则扭曲形变)，可提高前列腺癌临床诊断敏感性和特异性，准确定位和分级PCa，并为治疗后的无创复查提供帮助。本发明的方法有效消除了DWI中前列腺的位移和形变，拟合出的ADC图中的感兴趣区伪影明显减少。
附图说明
图1是本发明的前列腺弥散加权图像序列配准方法流程图。
图2是ADC值转换得到的伪彩色ADC图。
图3前列腺DWI序列图像中的形变及感兴趣区划定示意图。
图4是DWI层片内前列腺轮廓随b值增高而逐渐模糊的图像。
图5中：
(a)为19号样本中未处理的b＝0s/mm2DW图像，作为参考图像；
(b)、(c)分别为19号样本未处理方案中b＝500s/mm2和b＝800s/mm2DW图像；
(d)、(e)分别为(b)、(c)经过第(2)步的仿射配准方案后的DW图像；
(f)、(g)分别为(d)、(e)经过第(3)步的FFD方案处理后的DW图像。
图6为三种方案(未配准、仿射变换和FFD)处理后，高、中、低b值图像与b0图像间归一化互信息(NMI)统计规律。
图7为19个样本测量值在三种方案(未配准、仿射变换和FFD)下的配对T检验结果：
(a)为ADC中值；(b)为ADC均值；(c)为四分位差。
图8为19个样本中某一样本的数据集拟合得到的ADC值矩阵，转换为伪彩色图：
(a)为未经处理的DWI序列拟合结果；(b)为经第(2)步仿射配准处理后的DWI序列拟合结果；(c)为(b)所得经第(3)步FFD方案处理后的DWI序列拟合的结果。
具体实施方式
以下过程在 Dual-Core(TM)i5-4570CPU@3.20GHz,显卡为AMD Radeon(TM)HD8490，内存为4.00GB，操作系统为Win7的计算机中实现，整个配准方法采用InsightSegmentation and Registration Toolkit(ITK)和MATLAB语言编写。
MR数据包由Philips Achieva 3.0T body coil获取，包含T1WI，T2WI，DWI，动态增强扫描。DWI数据采用横定向多层2D平面回波成像(EPI)获取。单次激发EPI序列参数如下：b值由0s/mm2至1200s/mm2，TR 2000ms，TE 68ms，层厚3.0mm，层间距1mm，视野(FOV)211mm,扫描时间596s。采集矩阵160×156，每位患者扫描16层片，每层的空间分辨率为1.31×1.31mm2，带宽2985Hz/px，EPI因数71。MRI序列和ADC图有两位放射科医生独立观察，MRI显示可疑病变的患者，行14针或更多针的TRUS，所有活检样本经病理学家评估。
图像配准的效果在三种方案(未配准、仿射变换和FFD)下，通过对比DWI的视觉效果、互信息和ADC图进行评估。方案“未配准”是指采用原始DWI序列评估和拟合ADC值。仿射变换指经过本发明方法第(2)步处理后得到结果；FFD是指在仿射变换的基础上再经本发明的第(3)步FFD处理后得到的结果。
本发明中采用像素级图像配准方法，而不是基于特征的配准：(1)DWI序列中，信号强度随着b值的升高而动态衰减，导致前列腺轮廓逐渐模糊而难以分割，图4所示为不同b值下(最高为2000s/mm2)DWI层片内前列腺图像；(2)前列腺的轮廓在不同层片之间，随着扫描位置的不同也会动态变化。
本发明的方法为半自动非线性配准算法，可校正DWI序列成像过程中由刚性位移、不规则扭曲和病人移动产生的错位，如图3所示。b值为800的图像显示，前列腺出现了明显的形变，而且，在红圈处可见弥散受限，疑似病灶，黄圈处为普通区域，后续实验将验证本方法在这两个感兴趣区的特性。
为校正DWI序列中存在的位移和形变，本方法设计开发了包含仿射配准、非刚性配准和ADC值拟合的算法。其中非刚性配准基于立方B样条的自由形变模型开发。
具体过程：
从医院获取19位病人样本，每个前列腺行16层片扫描，每层片为一个序列。根据b值的不同，每个序列中包含6-8幅图像，分别为：b＝0、50、100、150、200、500、800、1200s/mm2。每个样本都保存为DICOM格式图片文件，图片中包含b值，翻转角等信息。最终运行了3000余幅图像的配准实验，并对其中260次的实验结果进行了量化评估及统计分析。本发明的算法包含仿射变换(全局刚性配准)和FFD(局部非刚性配准)两部分：
T(x,y)＝Tglobal(x,y)+Tlocal(x,y) (1)。
按图1所示的步骤对上述图像进行处理：
手动划定b值为0的图像的前列腺区，将该图像中以前列腺为中心的方形区域从FOV中剪切出来，去除周边非感兴趣区，保持剪切框在序列图像中的相对位置不变，剪切序列图像，如此处理可以兼顾计算速度和准确性，以提高配准的效果和降低计算时间。
b值为0的图像具有更丰富的细节和较高的信噪比，作为固定图像，序列中的其它6(或7)幅图像作为浮动图像，分别与固定图像进行仿射配准和非刚性配准。位移补偿的第一步是应用仿射变换用以消除比较大的漂移。经过仿射配准处理过的序列，被带入到算法的下一步：非刚性配准。
应用仿射变换配准算法进行全局仿射配准，消除前列腺在DWI每个扫描层内的漂移：
仿射变换模型描述的是不同成像时间和磁场扭曲影响下，前列腺DWI序列的整体位移、缩放和旋转。这些空间上的不重合可以使用如下2D图像的仿射配准模型进行校正：
这里的Δx,Δy,分别表示x和y方向的变换参数，θ表示旋转，sx,sy表示缩放，kx,ky,表示x和y的剪切方向。
对经过仿射变换配准的序列再利用基于立方B样条的非刚性配准算法建模较小的形变，实现每幅DWI图像内的前列腺形变补偿：
仿射变换只能粗略校正较大的偏移，而对于因水分子弥散而产生的不规则区域的校正则需要局部的更为精细的变换。在MRI中，前列腺的局部形变及其特征存在明显的个体差异，难于用统一的参数化变换模型来描述。本发明采用对软组织形变具有高适应性的建模方法，即应用基于立方b样条的自由形变模型(FFD)对层片内前列腺DWI序列进行校正。FFD通过操纵预先放置在图像上的控制网格实现对图像不对齐和任意扭曲的变换，网格的形变引起目标形状的改变，再通过b样条作用，产生出连续和平滑的变换。设图像域为Ω＝{(x,y)|0≤x≤X,0≤y≤Y}，分辨率为nx×ny的控制网格为Φ，网格间距为δ，Φ中每个交叉点为控制点Φi,j，FFD可表示为
式中：i、j表示控制点坐标，u、v各自表示x、y方向的相对位置Bl与Bm表示三阶B样条基函数，
校正的效果与控制网格Φ的分辨率相关，分辨率越高，对形变校正的越精细，但同时计算量和计算时间也越长。因此本方法采用了金字塔式多分辨率的策略。
在前列腺DWI序列中，信号强度分布关系是线性的，因此仿射变换和FFD变换算法运行过程中，采用了归一化互相关系数(normalized cross correlation(NCC))作为相似性测度和代价函数：
式中：I1表示固定图像的信号强度；I2代表浮动图像的信号强度；为固定图像的灰度标准差；为浮动图像的灰度标准差。
金字塔策略是一种由粗到细的迭代式优化算法，突出优点是具有较高收敛半径，对局部最优的高鲁棒性，更快的速度。因此，在非刚性配准算法运行过程中，先使用较低分辨率，用以补偿运动伪影。之后逐渐提高分辨率，对局部的小的形变进行校正。对代价函数的求解最大值计算过程中，使用拟牛顿法，满足收敛条件优先停止迭代过程，或最高至2000次的迭代次数也将停止计算。而在刚性变换程序中，使用了蚁群算法作为优化算法。
计算仿射配准和非刚性配准后的图像间的互信息值，当出现明显非正常值时，放弃配准结果，选取原图像作为待拟合图像。
最后，由配准后的DWI序列进行曲线拟合，根据式(6)得出ADC值。
通常情况下，为方便放射科医生评阅，需将ADC值矩阵，进行伪彩色处理，例如，生成如图2所示的ADC图。
通过以下几个方面对按上述步骤处理得到的结果进行评定：
一、使用Philips的DICOM查看器显示DWI，经有丰富经验的放射科医生观察并手动筛选出前列腺变形明显的样本序列。之后，使用此软件中“line-function”功能，测量前列腺发生形变位置的长度，评估形变的等级。最后，对比未配准与仿射配准、FFD方案的样本，评估形变补偿的效果。
二、量化评估三种方案(未配准、仿射变换和FFD)下图像的对齐精度，计算的NMI等参数值。除此之外，为评估三种方案对低b值和高b值图像的不同配准效果，对NMI做了统计实验。统计实验中，当放射变换出现不合理的旋转或缩放变换，则手动删除配准图像，而保留原始图像的数据。
三、比较三种方案(未配准、仿射变换和FFD)下得到的ADC值，验证并评估配准的效果。如图3所示，每个样本的b＝0s/mm2原始图像中均手动设置两个直径为16mm的ROI，并向其它两种方案的图像中传递。每个ROI大约包含120个像素点。第一个ROI(图3虚线圆圈，手动定位在前列腺的异质性肿瘤区域，用以评估配准对病灶区域的效果。第二个ROI(图3实线圆圈)定位在前列腺匀质区域，用以评估配准算法对一般性区域的影响，并作为第一个ROI区的参照。三种方案得到的ADC值，经伪彩色化处理，得到的ADC图先行视觉评估。然后量化分析所有样本的ADC中值、ADC值均匀性(使用四分位差interquartile ranges(IQR))和评价弥散程度(ADC均值)。最后，使用配对t检验对比三种方案下ADC中值、IQR、ADC均值的分布。
评定结果
(1)视觉评估(验证配准算法的有效性并分析配准的视觉效果)：
如图5所示，经放射科医生对DWI样本中前列腺最大的层片进行测量，平均水平位移16像素，达到前列腺平均宽度的4.83％，垂直方向为29像素(8.9％)。图5显示了该样本同一层片内，在三种方案(未配准、仿射变换和FFD)下b＝500s/mm2、b＝800s/mm2图像与b＝0s/mm2图像的对齐程度。其中b＝500s/mm2图像接近b＝0s/mm2图像，仅有少量漂移，而b＝800s/mm2与之则存在较大类似受到挤压而产生的形变。这种形变通过FFD方案的实施得到了有效补偿。
对于第一个ROI，全部样本在三种方案下，每一序列中各b值图像与b值为零图像的归一化互信息统计如表1所示，经过仿射配准后的互信息提升了2.6％，经非刚性配准后的互信息则提高了73.32％。
表1第一个ROI归一化互信息
而对于整幅图像中以前列腺为中心的方形区域的对齐情况如图6所示(各b值图像)，FFD方案的对齐效果高于另外两个方案。如b＝100s/mm2与b＝0s/mm2图像，三种方案下，NMI的均值分别为1.3146,1.3346,2.1696；b＝500s/mm2图像与b＝0s/mm2图像，NMI的均值分别为1.1284,1.1627,1.9675；b＝800s/mm2图像与b＝0s/mm2图像NMI的均值分别为0.9482,1.0133,1.8420。在这里，由于受到信噪比的影响，所以NMI随着b值的升高呈递减变化。该结果显示，在b＝100、500、800s/mm2图像中，未处理和FFD方案下的NMI均存在显著性差异(配对t检验，*P<0.05,**P<0.01)，说明FFD配准在各b值图像中均有效。
(2)ADC值的量化分析
由19组数据集的两个ROI计算得到的ADC平均值、中值和IQR如表2所示，数据由19个数据集计算得出，(a)代表第一个ROI，(b)代表第二个ROI，数据呈正态分布，简要结果如图8所示。误差条表示所有19个样本测量值的标准差，ADC中值、ADC均值和四分位数差的数据子集分别由未处理、仿射变换、FFD配准三种方案获得，配对T检验结果如图8所示，在三种方案中，FFD方案均获得最低的ADC中值、均值和四分位数差。
第一ROI的ADC中值分别是：未处理方案为0.9523；仿射配准为0.9193；FFD配准为0.8385。第二个ROI的ADC中值分别是：未处理方案为1.0707；仿射配准为1.0335；FFD配准为0.9427。统计结果显示，第一ROI在未处理时得到的ADC中值均比仿射变换和FFD两个方案高：分别高出3.6％和13.6％。这种趋势同样发生在第二ROI。第一ROI的ADC均值在三种方案中分别为：1.2070；1.2388；1.1。第二ROI的ADC均值分别为：1.3543；1.3900；1.2342。而无论是哪个ROI，最低的ADC均值出现在FFD方案中，这表明FFD可部分减少错误估值点的数量。对某一数据集，两个ROI的IQR(表征ADC值的均匀性)出现在FFD配准方案中，这表明，FFD方案能够使得ADC图中各组织的轮廓更为清晰。
(3)ADC图的视觉评估
由某位患者的数据集拟合得到的ADC图如图8所示，从ADC图的视觉检查显示出FFD方案较其它两种方案得到更高视觉质量的ADC图，前列腺和疑似病灶的轮廓更加清晰，利于病灶的分期和分级，同时，拟合数值错误的数据点减少。而使用未处理序列和仿射配准序列拟合的ADC图，视觉效果相似。
由某一b值范围在0至800s/mm2的序列拟合得到的ADC图如图8(a)所示。仿射配准和FFD配准后得到的ADC图分别为8(b)、8(c)。对齐效果由两位经验丰富且精通T2WI和DWI的放射科医生评估。DWI序列中出现信号随b值更高异常增强的区域，同样在ADC图中可见该区域弥散受限改变，说明ADC图有效。(a)图缺少病灶轮廓等信息。而(b)图呈现更清晰的病灶位置和轮廓信息，但由形变产生伪影没有消除。相比之下，(c)图可为诊断和穿刺提供更精确的相关信息，FFD配准可有效消除和补偿前列腺DWI成像时产生的漂移和形变。该样本最后经TRUS活检，病理检查结果为Gleason分级4+4＝8，与放射科医生的评估结论一致。
Claims (8)
1.一种前列腺弥散加权图像序列配准方法,其特征在于包括如下步骤：
(1)手动划定b值为0的图像的前列腺区，将该图像中以前列腺为中心的方形区域从FOV中剪切出来，保持剪切框在序列图像中的相对位置不变，剪切序列图像；
(2)应用仿射变换配准算法，消除前列腺在DWI每个扫描层内的漂移；
(3)对上述序列再利用基于立方B样条的非刚性配准算法建模较小的形变，实现每幅DWI图像内的前列腺形变补偿；
(4)计算仿射配准和非刚性配准后的图像间的互信息值；如果出现明显非正常值时，就放弃配准结果，选取原图像作为待拟合图像；
(5)最后，由配准后的DWI序列进行拟合，进而得出所有空间位置的ADC值，经伪彩色处理后，生成ADC图。
2.根据权利要求1所述的前列腺弥散加权图像序列配准方法,其特征在于所述第(2)步的具体步骤为：
使用如下2D图像的仿射配准模型进行校正：
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>g</mi>
<mi>l</mi>
<mi>o</mi>
<mi>b</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>s</mi>
<mi>x</mi>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>s</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>k</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>k</mi>
<mi>x</mi>
</msub>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>&Delta;</mi>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
这里的Δx,Δy,分别表示x和y方向的变换参数，θ表示旋转，sx,sy表示缩放，kx,ky,表示x和y的剪切方向。
3.根据权利要求1所述的前列腺弥散加权图像序列配准方法,其特征在于所述第(3)步的非刚性配准算法-基于立方B样条的自由形变配准(FFD)的具体步骤为：
通过操纵预先放置在图像上的控制网格实现对图像不对齐和任意扭曲的变换，网格的形变引起目标形状的改变，再通过b样条作用，产生出连续和平滑的变换：
设图像域为Ω＝{(x,y)|0≤x≤X,0≤y≤Y}，分辨率为nx×ny的控制网格为Φ，网格间距为δ，Φ中每个交叉点为控制点Φi,j，基于立方B样条的非刚性配准算法为
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mn>3</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>3</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>B</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>B</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&Phi;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>l</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：i、j表示控制点坐标，u、v各自表示x、y方向的相对位置Bl与Bm表示三阶B样条基函数，
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>B</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>u</mi>
</mrow>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
<mo>/</mo>
<mn>6</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>B</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>(</mo>
<mrow>
<mn>3</mn>
<msup>
<mi>u</mi>
<mn>3</mn>
</msup>
<mo>-</mo>
<mn>6</mn>
<msup>
<mi>u</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>4</mn>
</mrow>
<mo>)</mo>
<mo>/</mo>
<mn>6</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>B</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mn>3</mn>
<msup>
<mi>u</mi>
<mn>3</mn>
</msup>
<mo>+</mo>
<mn>3</mn>
<msup>
<mi>u</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>3</mn>
<mi>u</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>/</mo>
<mn>6</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>B</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>u</mi>
<mn>3</mn>
</msup>
<mo>/</mo>
<mn>6</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
4.根据权利要求2或3所述的前列腺弥散加权图像序列配准方法,其特征在于，仿射配准和FFD配准算法运行过程中，采用了归一化互相关系数(normalized cross correlation(NCC))作为相似性测度和代价函数：
<mrow>
<mi>N</mi>
<mi>C</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<munder>
<mo>&Sigma;</mo>
<mi>y</mi>
</munder>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mover>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mover>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
</msub>
<msub>
<mi>&sigma;</mi>
<msub>
<mi>I</mi>
<mn>2</mn>
</msub>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中：I1表示固定图像的信号强度；I2代表浮动图像的信号强度；为固定图像的灰度标准差；为浮动图像的灰度标准差。
5.根据权利要求1所述的前列腺弥散加权图像序列配准方法,其特征在于，第(5)步具体步骤为：
根据式(6)，通过二项式拟合，得出每个像素空间位置的ADC值:
<mrow>
<msub>
<mi>ADC</mi>
<mrow>
<mi>m</mi>
<mi>o</mi>
<mi>n</mi>
<mi>o</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&lsqb;</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mn>1</mn>
<mo>/</mo>
<mi>S</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>b</mi>
<mn>2</mn>
<mo>-</mo>
<mi>b</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
将ADC值矩阵，进行伪彩色处理，生成ADC图。
6.根据权利要求1所述的前列腺弥散加权图像序列配准方法,其特征在于，在非刚性配准算法运行过程中，先使用较低分辨率补偿脏器运动和形变伪影，之后逐渐提高分辨率，对局部的小的形变进行校正。
7.根据权利要求1所述的前列腺弥散加权图像序列配准方法,其特征在于，对代价函数的求解最大值计算过程中，使用拟牛顿法，满足收敛条件优先停止迭代过程，或最高至2000次的迭代次数也将停止计算。
8.根据权利要求1所述的前列腺弥散加权图像序列配准方法,其特征在于，在刚性变换程序中，使用了蚁群算法作为优化算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710416369.4A CN107274443A (zh) | 2017-06-05 | 2017-06-05 | 前列腺弥散加权图像序列配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710416369.4A CN107274443A (zh) | 2017-06-05 | 2017-06-05 | 前列腺弥散加权图像序列配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107274443A true CN107274443A (zh) | 2017-10-20 |
Family
ID=60065483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710416369.4A Pending CN107274443A (zh) | 2017-06-05 | 2017-06-05 | 前列腺弥散加权图像序列配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107274443A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871325A (zh) * | 2017-11-14 | 2018-04-03 | 华南理工大学 | 基于Log‑Euclidean协方差矩阵描述符的图像非刚性配准方法 |
| CN110276762A (zh) * | 2018-03-15 | 2019-09-24 | 北京大学 | 一种多b值扩散加权腹部磁共振成像的呼吸运动全自动校正方法 |
| CN110728705A (zh) * | 2019-09-24 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN112995528A (zh) * | 2021-05-06 | 2021-06-18 | 中国工程物理研究院流体物理研究所 | 一种光电分幅相机通道间图像配准装置、系统及方法 |
| CN113506294A (zh) * | 2021-09-08 | 2021-10-15 | 远云(深圳)互联网科技有限公司 | 一种医疗图像评估方法、系统、计算机设备及存储介质 |
| TWI835551B (zh) * | 2023-02-08 | 2024-03-11 | 國立陽明交通大學 | 依據擴散加權影像產生資料以進行前處理之系統及方法 |
-
2017
- 2017-06-05 CN CN201710416369.4A patent/CN107274443A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871325A (zh) * | 2017-11-14 | 2018-04-03 | 华南理工大学 | 基于Log‑Euclidean协方差矩阵描述符的图像非刚性配准方法 |
| CN107871325B (zh) * | 2017-11-14 | 2020-06-19 | 华南理工大学 | 基于Log-Euclidean协方差矩阵描述符的图像非刚性配准方法 |
| CN110276762A (zh) * | 2018-03-15 | 2019-09-24 | 北京大学 | 一种多b值扩散加权腹部磁共振成像的呼吸运动全自动校正方法 |
| CN110728705A (zh) * | 2019-09-24 | 2020-01-24 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN110728705B (zh) * | 2019-09-24 | 2022-07-15 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
| CN112995528A (zh) * | 2021-05-06 | 2021-06-18 | 中国工程物理研究院流体物理研究所 | 一种光电分幅相机通道间图像配准装置、系统及方法 |
| CN112995528B (zh) * | 2021-05-06 | 2021-09-21 | 中国工程物理研究院流体物理研究所 | 一种光电分幅相机通道间图像配准方法 |
| CN113506294A (zh) * | 2021-09-08 | 2021-10-15 | 远云(深圳)互联网科技有限公司 | 一种医疗图像评估方法、系统、计算机设备及存储介质 |
| CN113506294B (zh) * | 2021-09-08 | 2022-02-08 | 远云(深圳)互联网科技有限公司 | 一种医疗图像评估方法、系统、计算机设备及存储介质 |
| TWI835551B (zh) * | 2023-02-08 | 2024-03-11 | 國立陽明交通大學 | 依據擴散加權影像產生資料以進行前處理之系統及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huizinga et al. | PCA-based groupwise image registration for quantitative MRI | |
| US10489908B2 (en) | Deep convolutional encoder-decoder for prostate cancer detection and classification | |
| CN107274443A (zh) | 前列腺弥散加权图像序列配准方法 | |
| Vos et al. | Computer-assisted analysis of peripheral zone prostate lesions using T2-weighted and dynamic contrast enhanced T1-weighted MRI | |
| Liu et al. | Computer-aided detection of prostate cancer with MRI: technology and applications | |
| US10628930B1 (en) | Systems and methods for generating fused medical images from multi-parametric, magnetic resonance image data | |
| US8509570B2 (en) | Method and apparatus for computer-aided diagnosis of cancer and product | |
| Firjani et al. | A diffusion-weighted imaging based diagnostic system for early detection of prostate cancer | |
| Alansary et al. | PVR: patch-to-volume reconstruction for large area motion correction of fetal MRI | |
| CN110619635B (zh) | 基于深度学习的肝细胞癌磁共振图像分割系统和方法 | |
| US20200015734A1 (en) | “One Stop Shop” for Prostate Cancer Staging using Imaging Biomarkers and Spatially Registered Multi-Parametric MRI | |
| Zhou et al. | Grading of hepatocellular carcinoma based on diffusion weighted images with multiple b‐values using convolutional neural networks | |
| WO2013086026A1 (en) | System and method of automatically detecting tissue abnormalities | |
| Losnegård et al. | Intensity-based volumetric registration of magnetic resonance images and whole-mount sections of the prostate | |
| US20090069665A1 (en) | Automatic Lesion Correlation in Multiple MR Modalities | |
| Zhou et al. | Preoperative prediction of axillary lymph node metastasis in patients with breast cancer based on radiomics of gray-scale ultrasonography | |
| Giannini et al. | A novel and fully automated registration method for prostate cancer detection using multiparametric magnetic resonance imaging | |
| US8805122B1 (en) | System, method, and computer-readable medium for interpolating spatially transformed volumetric medical image data | |
| Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
| Piantadosi et al. | Data-driven selection of motion correction techniques in breast DCE-MRI | |
| De Luca et al. | A fully automatic method to register the prostate gland on T2-weighted and EPI-DWI images | |
| De Santi et al. | Comparison of Histogram-based Textural Features between Cancerous and Normal Prostatic Tissue in Multiparametric Magnetic Resonance Images | |
| Gu et al. | Cross-modality image translation: CT image synthesis of MR brain images using multi generative network with perceptual supervision | |
| Lin et al. | Motion correction for MR cystography by an image processing approach | |
| Hao et al. | Nonrigid Registration of Prostate Diffusion‐Weighted 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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171020 |
|
| WD01 | Invention patent application deemed withdrawn after publication |