CN107886508A - 差分减影方法和医学图像处理方法及系统 - Google Patents

差分减影方法和医学图像处理方法及系统 Download PDF

Info

Publication number
CN107886508A
CN107886508A CN201711183773.8A CN201711183773A CN107886508A CN 107886508 A CN107886508 A CN 107886508A CN 201711183773 A CN201711183773 A CN 201711183773A CN 107886508 A CN107886508 A CN 107886508A
Authority
CN
China
Prior art keywords
image
medical image
medical
panel
registration
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
Application number
CN201711183773.8A
Other languages
English (en)
Other versions
CN107886508B (zh
Inventor
严计超
李强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201711183773.8A priority Critical patent/CN107886508B/zh
Publication of CN107886508A publication Critical patent/CN107886508A/zh
Application granted granted Critical
Publication of CN107886508B publication Critical patent/CN107886508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10116—X-ray image
    • G06T2207/10124—Digitally reconstructed radiograph [DRR]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Abstract

本发明提供了一种差分减影方法、医学图像处理方法以及医学图像处理系统。该差分减影方法，包括：接收于不同时间获取的扫描对象的第一医学图像和第二医学图像；将所述第一医学图像配准至所述第二医学图像，并获取所述配准对应的形变场；分别去除所述第一医学图像和所述第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像；根据所述形变场将所述第一干扰抑制图像配准至所述第二干扰抑制图像；以及对配准后的所述第一干扰抑制图像和所述第二干扰抑制图像进行差分，获得减影图像。本发明的差分减影方法、医学图像处理方法以及医学图像处理系统既可以很好地消除伪影，又能很好地突显病灶及其变化。

Description

差分减影方法和医学图像处理方法及系统
技术领域
本发明主要涉及医学图像处理，尤其涉及一种差分减影方法和医学图像处理方法及系统。
背景技术
在肿瘤治疗疗效的评估中，医生要经常查看大量的图像数据，从中检测病人的新增病灶或病灶变化。目前，已有一些研究单位采用计算病人现在图像和过去图像的差分减影的方法，来完成此项临床工作。但该方法仍然存在一些干扰信息所产生的伪影，影响了病灶的检测率，比如X光胸片中的肋骨信息、CT肺内部的血管信息等等。
文献1-3是涉及减影技术的三篇文献。在这三篇文献中，减影技术都是应用在胸部DR图像上，区别在于配准方法的不同，其中文献2、3是对文献1的改进，但它们均属于刚体配准和多项式拟合配准的方法。对于欧美等发达国家良好获取的胸部DR图像的减影，这三篇文献可以获得较好的结果。但对于中国的DR数据，这三篇文献中提出的配准方法可能得不到好的配准、减影结果，原因在于中国的病人很多，医院采集病人多次DR时，病人的呼气态、吸气态不一致，导致病人肺部图像的形变很大。此外，对于胸部CT图像，肺内的血管细节很多，这三篇文献中的方法也可能得不到好的减影效果。
文献1：Akiko Kano；Kunio Doi,“Method and system for detection ofinterval change in temporally sequential chest images”,U.S.Pat.No.5,359,513,1994.
文献2：Takayuki Ishida；Shigehiko Katsuragawa；Kunio Doi,“Method_systemand computer readable medium for iterative image warping prior to temporalsubtraction of chest radiographs in the detection of interval changes”,U.S.Pat.No.6,067,373,2000.
文献3：Qiang Li；Shigehiko Katsuragawa；Kunio Doi,“Method_system andcomputer readable medium for computerized processing of contra-lateral andtemporal subtraction images using elastic matching”,U.S.Pat.No.6,594,378,2003.
发明内容
本发明要解决的技术问题是提供差分减影方法/装置，其既可以很好地消除伪影，又能很好地突显病灶及其变化。
为解决上述技术问题，本发明提供了一种差分减影方法，包括：接收于不同时间获取的扫描对象的第一医学图像和第二医学图像；将所述第一医学图像配准至所述第二医学图像，并获取所述配准对应的形变场；分别去除所述第一医学图像和所述第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像；根据所述形变场将所述第一干扰抑制图像配准至所述第二干扰抑制图像；以及对配准后的所述第一干扰抑制图像和所述第二干扰抑制图像进行差分，获得减影图像。
在本发明的一实施例中，所述第一医学图像为在先获取的图像，所述第二医学图像为在后获取的图像。
在本发明的一实施例中，所述第一医学图像包括特征点和特征结构，所述第二医学图像包括特征点和特征结构，将所述第一医学图像配准至所述第二医学图像包括：对所述第一医学图像进行第一变换，使所述第一医学图像的特征结构与所述第二医学图像的特征结构对齐；对所述第一医学图像进行第二变换，使所述第一医学图像的特征点与所述第二医学图像的特征点对齐。
在本发明的一实施例中，所述第一医学图像和第二医学图像为肺部CT图像或DR图像，所述干扰因素为血管信息和/或骨信息。
本发明的另一方面提供了一种医学图像处理方法，包括：获取被扫描对象的第一医学图像，所述第一医学图像包含多个像素点；获取被扫描对象的第二医学图像，所述第二医学图像包含多个像素点，所述第一医学图像和所述第二医学图像对应同一扫描区域，且所述第一医学图像和所述第二医学图像为在不同时间对被扫描对象扫描获得；分别去除所述第一医学图像和所述第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像；对所述第一干扰抑制图像和所述第二干扰抑制图像进行配准；以及根据配准后的所述第一干扰抑制图像和所述第二干扰抑制图像，确定所述第二医学图像相对于第一医学图像中灰度值发生改变的像素点。
在本发明的一实施例中，所述第一医学图像为在先获取的图像，所述第二医学图像为在后获取的图像。
在本发明的一实施例中，对所述第一干扰抑制图像和所述第二干扰抑制图像进行配准包括：将所述第一医学图像配准至第二医学图像，以获取所述配准对应的形变场；根据所述形变场对所述第一干扰抑制图像变换，以使形变后的第一干扰抑制图像对齐至所述第二干扰抑制图像。
在本发明的一实施例中，所述根据配准后的所述第一干扰抑制图像和所述第二干扰抑制图像，确定所述第二医学图像相对于第一医学图像中灰度值发生改变的像素点包括：对配准后的所述第一干扰抑制图像和所述第二干扰抑制图像进行差分，获得减影图像，所述减影图像包含所述第二医学图像相对于第一医学图像中灰度值发生改变的像素点；或者在所述第一干扰抑制图像中确定属于目标区域的第一像素点数目；在所述第二干扰抑制图像中确定属于目标区域的第二像素点数目；根据第一像素点数目、第二像素点数目确定所述第二医学图像相对于第一医学图像中灰度值发生改变的像素点。
本发明的再一方面提供了一种医学图像处理系统，其特征在于，所述医学图像处理系统包括：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在执行所述可执行指令时，至少执行以下步骤：获取扫描对象的第一医学图像，所述第一医学图像包含多个像素点；获取扫描对象的第二医学图像，所述第二医学图像包含多个像素点，所述第一医学图像和所述第二医学图像对应同一扫描区域，所述第一医学图像和所述第二医学图像对应扫描的时间不同；将所述第一医学图像配准至所述第二医学图像，并获取所述配准对应的形变场；分别去除所述第一医学图像和所述第二医学图像中的干扰像素点，获得第一干扰抑制图像和第二干扰抑制图像；根据所述形变场将所述第一干扰抑制图像配准至所述第二干扰抑制图像；以及对配准后的所述第一干扰抑制图像和所述第二干扰抑制图像进行差分，获得减影图像。
在本发明的一实施例中，所述医学图像处理系统还包括显示器，所述显示器包括图像显示区，所述第一医学图像、所述第二医学图像和所述减影图像在所述图像显示区成行或成列显示。
与现有技术相比，本发明具有以下优点：在本发明的差分减影方法/装置、医学图像处理方法/装置以及医学图像处理系统中，先抑制掉图像中的干扰信息，获得干扰抑制图，再对干扰抑制图进行差分减影处理，可以获得伪影很少、病灶变化清晰的减影图，从而提高了病灶变化的检测率。如此，既可以很好地消除伪影，又能很好地突显病灶及其变化。
附图说明
图1是本发明一实施例的图像处理系统的基本结构示意图。
图2是本发明一实施例的差分减影方法的基本流程图。
图3是本发明一实施例的图像配准的基本流程图。
图4是本发明另一实施例的图像配准的基本流程图。
图5是本发明一实施例的全局粗配准的基本流程图。
图6是本发明一实施例的局部精配准的基本流程图。
图7是本发明一实施例的干扰抑制前后的图像对照图。
图8是本发明一实施例的新增的病灶或变大的病灶的差分减影图像。
图9是本发明一实施例的消失的病灶或变好的病灶的差分减影图像。
图10是本发明一实施例的差分减影装置的基本框图。
图11本发明一实施例的医学图像处理方法的基本流程图。
图12是本发明一实施例的医学图像处理装置的基本框图。
图13是本发明一实施例的医学图像处理系统的结构示意图。
图14是本发明一实施例的显示器的显示界面的示意图。
图15是本发明一实施例的计算机可读介质的示意图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
为了提高病灶的检测率，在本发明的差分减影方法/装置中，先抑制掉图像中的干扰信息，获得干扰抑制图，再对干扰抑制图进行差分减影处理，可以获得伪影很少、病灶变化清晰的减影图，从而提高了病灶变化的检测率。如此，既可以很好地消除伪影，又能很好地突显病灶及其变化。
图1是本发明一实施例的图像处理系统的基本结构示意图。如图1所示，图像处理系统100可以包括获取模块110(采集模块)、处理模块120、存储模块130、输出模块140、网络150和服务器160。不同单元之间的连接可以是有线或无线的。有线连接可以包括使用金属电缆、光缆、混合电缆、接口等，或其任意组合。无线连接可包括使用局域网(LAN)、广域网(WAN)、蓝牙、紫蜂、近场通信(NFC)等，或其任意组合。
获取模块110可以获取和/或发送与图像处理有关的信息。该信息可以从处理模块120、存储模块130、输出模块140、网络150、服务器160等，或其任意组合获取。该信息可以包括诸如数字、文本、图像、语音、力、模型、算法、软件、程序等，或其任意组合的数据。例如，该信息可以包括关于对象、操作者、设备、指令等，或其任意组合的信息。本发明上下文所用的对象可以指人类、动物、器官、纹理(texture)、区域、病变、肿瘤等，或其任意组合。在一些实施例中，对象可包括物质、组织、样本、身体等，或者其任意组合。对象可包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、盆腔、骨骼、四肢、骨架、血管等，或者其任意组合。关于对象的示例性信息可以包括种族、国籍、宗教、性别、年龄、婚姻、身高、体重、病史、工作、个人习惯、待检查的器官或组织等，或其任何组合。与操作者有关的示例性信息可以包括操作者的部门、头衔、先前经验、证书、操作历史等，或其任意组合。与设备相关的示例性信息可以包括图像处理系统的：操作状态、医学成像系统的序列号、操作日期等，或其任意组合。关于指令的示例性信息可以包括图像处理系统的：控制命令、诸如用于选择图像的命令的操作命令等，或其任意组合。仅作为示例，用于选择图像的命令可以是用于选择一个或多个图像以便评估图像变化的指令。
处理模块120可以处理从以下不同模块或单元接收的不同种类的信息：获取模块110、存储模块130、输出模块140、网络150、服务器160或可能生成信息的其他模块或单元。处理模块120可以处理来自获取模块110的数据，以生成被检查对象的CT图像、DR图像、MR图像、PET图像等。
处理模块120可以执行预处理、图像配准、图像差分和后处理等，或其任意组合。在一些实施例中，预处理可以包括图像归一化、图像分割、图像重建、图像平滑、抑制、削弱和/或去除细节、突变、噪声等，或其任意组合。在一些实施例中，图像配准可以包括一系列配准。在一些实施例中，后处理可以包括疾病检测、疾病测量、图像显示、图像存储管理、其他2D和/或3D后处理技术等，或其任意组合。仅作为示例，在图像差分之后获得的图像可能包含噪声，该噪声可以在后处理中被处理。
处理模块120可以将从存储模块130传送信息转换成可由处理模块120识别、理解或执行的特定形式，并且其可处理来自获取模块110的信息以从存储模块130取回数据。从获取模块110到输出模块140的信息可以由存储模块130首先进行处理，以便它可被处理模块120识别、理解或执行。上文关于处理模块120的描述仅仅出于示例性的目的，不应该被理解为仅有的实施例，这些示例不限定本发明的保护范围。
在一些实施例中，处理模块120可以是中央处理单元(CPU)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、处理器、微处理器、ARM等，或其任意组合。
存储模块130可以存储与图像处理有关的信息。在一些实施例中，存储模块130可以执行一些存储相关功能，例如数据合并和/或数据预处理。存储模块130可以从其他模块获取信息或输出到其他模块。仅作为示例，存储模块130可以从获取模块110接收数据，然后在可能的预处理之后将其传送到处理模块120。存储在存储模块130中的信息可以从外部资源获取或输出至外部资源，该外部资源可以是诸如软盘、硬盘、CD-ROM、网络服务器、云服务器、无线终端等，或其任意组合。
存储模块130可以通过电能、磁能、光能或虚拟存储资源等方式存储信息。通过电能存储信息的存储模块可以包括随机存取存储器(RAM)、只读存储器ROM)、闪存等，或其任意组合。通过磁能存储信息的存储模块可以包括硬盘、软盘、磁带、磁芯存储器、磁泡存储器、USB闪存驱动器等，或其任意组合。通过光能存储信息的存储模块可以包括CD(压缩盘)、VCD(视频光盘)等，或其任意组合。通过虚拟存储资源存储信息的存储模块可以包括云存储、虚拟专用网络和/或其他虚拟存储资源。存储信息的方法可以包括顺序存储、链接存储、哈希存储、索引存储等，或其任意组合。
输出模块140可以输出与图像处理相关的信息和/或数据。例如，输出模块140可以显示从获取模块110和/或存储模块130获取的图像，输出模块140可以显示和/或输出由处理模块120处理的图像。输出模块140可以包括个人计算机、台式计算机、个人数字助理、体感设备、移动电话、屏幕、监视器、打印机等，或其任意组合。或者，输出模块140可以与个人计算机、台式计算机、个人数字助理、体感设备、移动电话、屏幕、监视器、打印机等，或其任意组合进行通信。输出模块140可以与一个或多个外部设备连接。外部设备可以包括鼠标、键盘、遥控单元、传感器等，或其任意组合。
网络150可以建立与获取模块110、处理模块120、存储模块130、输出模块140和服务器160中的任何两个之间的连接，以彼此通信。网络150可以是单个网络、或不同网络的组合。例如，网络150可以是局域网(LAN)、广域网(WAN)、公共网络、专用网络、专有网络、公共电话交换网络(PSTN)、因特网、无线网络、虚拟网络等，或其任意组合。
服务器160可以存储和/或实现与图像处理有关的一些信息和一些图像处理算法。服务器160可以是云服务器。仅作为示例，服务器160可以在可提供存储容量、计算能力等、或其组合的云服务器中实现。
应当注意，关于图像处理系统的上述描述仅仅是一个例子，不应被理解为唯一的实施例。明显地，对于本领域技术人员而言，理解不同模块之间连接的基本原理之后，可以在不背离原理的情况下修改或者改变这些模块以及这些模块之间的连接。这种修改和变化仍然是在上文描述的当前公开的范围之内。在一些实施例中，这些模块是独立的，而在一些实施例中，这些模块的一部分可以被集成到一个模块以共同工作。仅作为示例，一些信息可以存储在服务器160中，图像处理的一些步骤可以由服务器160执行，获取模块110和输出模块130的功能可以在一个模块中执行，通过获取模块110所接收的信息可以来自服务器160。
图2是本发明一实施例的差分减影方法的基本流程图。请参考图2，差分减影方法200主要包括：
步骤210：接收不同时间获取的对象的第一医学图像和第二医学图像；
步骤220：将第一医学图像配准至第二医学图像，获取配准对应的形变场；
步骤230：分别去除第一医学图像和第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像；
步骤240：根据形变场将第一干扰抑制图像配准至第二干扰抑制图像；
步骤250：对配准后的第一干扰抑制图像和第二干扰抑制图像进行差分，以获得减影图像，通过该减影图像可以确定第一医学图像相对于第二医学图像发生变化的像素点。
在一些实施例中，差分减影方法200还可以包括步骤260：输出显示第一医学图像、第二医学图像和减影图像，第一医学图像、第二医学图像和减影图像可以成行、成列显示。
典型地，差分减影方法200可以在处理模块120中被执行。
在步骤210中，第一医学图像和第二医学图像可以经由获取模块110获得，且第一医学图像和第二医学图像都包含多个像素点。对象的第一医学图像和第二医学图像可以是患者的头部、胸部、腹部和盆腔等部位中的一者或多者的图像。例如，可以在对象的肺癌早期阶段生成图像作为第一医学图像，并且可以在同一对象的肺癌晚期阶段产生图像作为第二医学图像。第一医学图像和第二医学图像可以由相同的单模成像装置或相同的多模成像装置获得。第一医学图像和第二医学图像可以通过不同的单模成像装置获得。例如，第一医学图像和第二医学图像可以由数字减影血管造影术(DSA)、磁共振成像(MRI)、磁共振血管造影术(MRA)、计算机断层扫描(CT)、数字射线照相术(DR)、计算机断层扫描血管造影术(CTA)、超声波扫描(US)、CT-MR、CT-PET、PET-MR、X射线CT、X射线-MR、X射线机(X光机)、X射线-US等，或其任意组合来获得。
在一些实施例中，第一医学图像和第二医学图像可以是一个对象在不同时间和/或不同医院生成的两个CT图像。仅作为示例，第一医学图像和第二医学图像可以包括一个对象在不同时间和/或使用相同成像装置的不同医院拍摄的两个DR图像。相同的成像装置仅表示该装置属于同一类型，其进行拍摄时的扫描参数、患者摆位或者成像装置的厂家可能不同。其中第一医学图像和第二医学图像中的一个图像可以被设置为参考图像，另一个图像被设置为浮动图像或动态图像。参考图像可以指在早期时间点获取的图像。例如，参考图像可以是早期在肺癌的初始阶段的对象的图像，显示对象的状态以及肺部区域内的病变或结节的分布。浮动图像或动态图像可以指与参考图像相同或相似的区域的图像。浮动图像可以是在与参考图像不同的时间获取的。例如，对象的浮动图像可以显示在稍后的时间对象的相同或相似的肺区域的状态，例如肺部区域内的病变或结节的分布或密度。在一些实施例中，第一医学图像对应的数据是在先(先前采集)获取的图像，第二医学图像对应的数据是在后获取的图像，即第一医学图像对应数据的采集时间早于第二医学图像对应数据的采集时间。在另一些实施例中，第一医学图像是在后获取的图像，第二医学图像是在先获取的图像。在一些实施例中，第一医学图像可以是被扫描对象(患者)进行治疗前获得的，第二医学图像可以是被扫描对象进行治疗后获得的。在一些实施例中，第一医学图像和第二医学图像可以为肺部CT图像或DR图像。
在一些实施例中，第一医学图像可以包括特征点和特征结构，第二医学图像同样可以包括特征点和特征结构。图3是本发明一实施例的图像配准的基本流程图。请参考图3，在步骤220中，将第一医学图像配准至第二医学图像可以包括：
步骤220a：对第一医学图像进行第一变换，使第一医学图像的结构特征与第二医学图像的结构特征对齐。
步骤220b：对第一医学图像进行第二变换，使第一医学图像的结构点与第二医学图像的结构点对齐。
在步骤220中，将第一医学图像配准至第二医学图像的步骤可以包括全局粗配准221和/或局部精配准222，对应地，配准所对应的形变场包括全局粗配准确定的运动场和/或局部精配准确定的运动场。如图4所示。图像配准可以包括空间变换组的选择、相似性测度和优化方法的指定。
空间变换组可以描述可以在浮动图像上执行的特定空间变换。在一些实施例中，空间变换组可以是一组变换(translations)。在一些实施例中，空间变换组可以是一组刚性变换。在一些实施例中，空间变换组可以是一组仿射变换。空间变换组也可以基于弹性模型或流体模型。对于全局粗配准可以采用平移配准、刚性配准和仿射配准中的一种或多种。对于局部精配准可以采用自由形变(free form deformation,FFD)配准、多项式配准、Demons配准、弹性模型配准、粘性流体模型配准和光流配准中的一种或多种。
相似性测度可以用来测量两个图像之间的差异。在一些实施例中，相似性测度可以是这两个图像之间的互信息(MI)或相对熵。基于信息理论，互信息可以表示一个图像可能包含关于另一图像的信息量。互信息可以通过以最佳方式对准这两个图像来最大化。为了说明的目的，A图像和B图像之间的互信息可以表示为下面的方程(1)：
Csimilarity(A,B)＝H(A)+H(B)-H(A,B), (1)
其中，H(A)和H(B)可以表示A、B的边际熵，并且H(A,B)可以表示从A和B的联合直方图计算得到的它们的联合熵。
在一些实施例中，相似性测度可以是这两个图像之间的归一化互信息(NMI)。归一化互信息可以使用根据等式(2)的图像熵来计算：
其中，H(A)和H(B)可以表示A、B的边际熵，并且H(A,B)可以表示从A和B的联合直方图计算得到的它们的联合熵。
在一些实施例中，相似性测度可以是这两个图像之间的均方误差(MSE)。在一些实施例中，这两个图像之间的互相关可以被指定为相似性测度。在一些实施例中，相似性测度可以是这两个图像之间的平方强度差之和。
应当注意，以上相似性测度的描述是为了说明的目的而提供的，而并非旨在限定本发明的范围。对于本领域普通技术人员而言，可在本发明的教导下进行各种变形和修改。然而，那些变形和修改并不脱离本发明的保护范围。例如，相似性测度可以是混合NMI(Hybrid-NMI)。
对于全局粗配准和局部精配准，相似性测度可以是互相关、绝对差、互信息、梯度互相关和梯度差值等中的一种或多种。
一般而言，优化算法是基于所选择的相似性测度和空间变换组的性质来进行选择。优化算法可以包括鲍威尔方法(Powell method)、梯度下降法、下降单纯形法、最速梯度下降法、共轭梯度法、拟牛顿法、准牛顿法、最小二乘和高斯牛顿法、Broyden-Fletcher-Goldfarb-Shanno(BFGS)法、有限存储Broyden-Fletcher-Goldfarb-Shanno(L-BFGS)法、模拟退火法、蚁群优化法(ACO)方法、遗传算法(GA)、Levenberg-Marquardt优化方法、几何散列法、粒子群优化(PSO)法、萤火虫算法(FA)法等，或其组合。
全局粗配准的常用空间变换有平移配准、刚性配准、仿射配准。由于自由度不同，针对不同的应用场景，这三种配准方法的优缺点不同。从实现时间上来说，从优到劣，依次是平移配准、刚体配准、仿射配准；从适用范围来说，从优到劣，依次是仿射配准、刚体配准、平移配准。由于全局粗配准需要较大的自由度，因此，在一优选的实施例中，全局粗配准采用仿射配准，同时，相似性测度采用互信息，优化算法采用下降单纯形法。
二维仿射变换可以由如下公式表示：
其中，x′、y′为仿射变换之后的像素空间坐标，x、y为仿射变换之前的坐标，a11、a12、a21、a22、tx、ty为仿射变换参数。
图5是本发明一实施例的全局粗配准的基本流程图。全局粗配准221可以包括如下步骤：
步骤221a：指定第一医学图像作为参考图像，指定第二医学图像作为浮动图像。
步骤221b：在参考图像中抽取感兴趣的像素点作为抽样点。例如，在X光肺部中随机提取5万个像素点作为抽样点。关于抽样点的抽取可以参考上海联影医疗科技有限公司于2015年10月19日提出的申请号为201510679631.5，发明名称为“一种医学图像中肺分割的方法及装置”的专利申请。由于此部分不是本发明的重点，因此不对此展开详细描述。
步骤221c：根据下降单纯形法设置初始解的空间。对于二维仿射变换的解空间为七个。
步骤221d：根据抽样点和二维仿射变换计算解空间中每个解的互信息测度值。对于二维仿射变换，可以采用式(3)进行计算。
步骤221e：根据每个解的互信息测度值，按照下降单纯形法的更新规则更新解空间。
步骤221f：验证是否满足下降单纯形法的收敛条件，若不收敛，则跳转至步骤221d，若收敛，则跳转至步骤221g。
步骤221g：根据下降单纯形法获得的最优解，获取浮动图像的仿射变换图像，并记录全局粗配准的第一形变场。
局部精配准常用的空间变换有自由形变配准、多项式配准、Demons配准、弹性模型配准、粘性流体模型配准。其中，自由形变配准、多项式配准、Demons配准在医学配准中得到广泛的应用。在这三种配准中，自由形变配准可以适应形变很大的配准，且图像平滑，但对于局部细节的处理则比较有限；而Demons配准难以适应形变较大的配准，但对于细微结构的处理则较好。
在一优选的实施例中，局部精配准可以采用基于SURF特征(speed-up robustfeatures，加速鲁棒特征)的光流配准，以很好地消除局部小伪影。相应地，相似性测度可以采用归一化互信息，优化算法可以采用基于马尔科夫随机场(Markov Random Fields,MRF)的置信度传播(Belief Propagation,BP)算法。
MRF为解决计算机视觉问题提供了一种鲁棒而且统一的框架，Graph Cuts和BP算法是计算MRF的常用方法。BP算法能够很好的解决编号(label)为离散情况下的标注问题(Labeling Problem)。一般MRF的能量可以表示为下面的形式：
式(4)的第一项表示将编号(label)fp赋给p的代价，第二项衡量把编号fp和fq同时赋给两个邻居节点p和q的代价。P表示MRF中所有的节点，N表示邻域(neighbor)，在图像中通常为4邻域，或8邻域。
如果用BP算法中Max-Product的方法，则节点之间传送的消息(message)的公式可表示成：
初始化时(即t＝0时)，可以令每个消息m为0。BP的过程是这样的：(1)针对每个节点p，计算其向邻域q传播的信息。先确定q的值，然后在p的取值空间中计算寻找使消息最小的p。(2)在经过消息传播T遍后，可以计算每个节点p的信任向量，对每个节点p，bq(fq)向量中最小的元素对应的fq就是节点q在MRF中的解。信任向量的计算公式如下：
图6是本发明一实施例的局部精配准的基本流程图。局部精配准222可以包括如下步骤：
步骤222a：指定第一医学图像作为参考图像，指定第二医学图像作为浮动图像。在一实施例中，参考图像可以是原始的第一医学图像，浮动图像可以是经全局粗配准变换后的第二医学图像。在另一实施例中，参考图像可以是经全局粗配准变换后的第一医学图像，浮动图像可以是原始的第二医学图像。
步骤222b：在参考图像和浮动图像中，以每个像素点为中心提取小区域，并根据小区域的亮度计算每个像素点的SURF特征。
步骤222c：基于每个像素点的SURF特征，采用置信度传播算法计算每个像素点的偏移值，从而获得整幅图像的局部精配准的第二形变场。更具体而言，在该步骤中，首先基于每个像素点的SURF特征信息计算每个像素点的四邻域空间信息，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。
步骤222d：将全局粗配准的第一形变场与第二形变场相加，以获得形变场。
在步骤230中，分别去除第一医学图像和第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像。在一些实施例中，干扰因素为血管信息和/或骨信息。
在一实施例中，第一医学图像、第二医学图像为肺部图像，两图像中绝大多数为肺部软组织区域，但也包括肋骨、锁骨等潜在的使图像变模糊的干扰因素，因此本实施例中首先从第一医学图像、第二医学图像提取肋骨区域，然后从原始图像中减去肋骨区域即可分别得到第一干扰抑制图像和第二干扰抑制图像。可选地，从第一医学图像、第二医学图像中提取肋骨的步骤可包括：对第一医学图像、第二医学图像进行预处理；获取肋骨的霍夫模板；利用肋骨的霍夫模板分别对肺区域范围内的肋骨下边缘二值图像进行霍夫变换，并以霍夫模板的重心值为基准选定一个最佳模板；将最佳模板对应的肋骨二值边缘提取出来，并将其细化、拟合，作为当前图像的基准模板；利用基准模板对肺区域的肋骨下边缘进行广义霍夫变换，完成初始定位；利用双边动态规划算法对肋骨上、下边缘进行同时分割，并将分割结果反变换回原始坐标系中，可较准确的完成肺区域范围内的肋骨分割。上述详细过程可参考公开号为CN106611411的专利申请。
在又一实施例中，同样以CT肺部图像为例说明，从第一医学图像、第二医学图像中提取血管的步骤可包括：获取第一医学图像和第二医学图像，并对第一医学图像和第二医学图像进行空间分辨率归一化处理，并分别计算第一医学图像和第二医学图像的梯度场，得到梯度场图像；对计算得到的梯度场进行平滑处理，得到归一化的梯度图像；分别将第一医学图像、第二医学图像对应的归一化后的梯度图像输入经训练的卷积神经网络，得到预测的软组织图像，该软组织图像即为第一干扰抑制图像和第二干扰抑制图像。在上述过程中，经训练的卷积神经网络已经建立了梯度图像与软组织图像的对应关系。
在又一实施例中，以DR图像为例说明，从第一医学图像、第二医学图像中提取肋骨和/或锁骨的步骤可包括：分别从第一医学图像、第二医学图像计算其梯度场；对两图像的梯度场进行平滑处理；对经平滑处理的梯度场进行计算以获得肋骨和/或锁骨的图像。
图7是本发明一实施例的干扰抑制前后的图像对照图。其中，图7(a)是在先获取的、未经干扰抑制的胸部区域DR图像，图7(b)是在先获取的、经过干扰抑制(抑制肋骨等)的胸部DR图像，肺部组织中的肋骨、锁骨、脊柱等干扰因素被明显抑制；图7(c)是在后获取的、未经干扰抑制的胸部区域的DR图像，图7(d)是在后获取的、经过干扰抑制(抑制肋骨等)的胸部DR图像，肺部组织中的肋骨、锁骨、脊柱等干扰因素同样被明显抑制。
在步骤240中，可以根据形变场对第一干扰抑制图像或第二干扰抑制图像进行变换，以将第一干扰抑制图像配准至第二干扰抑制图像。
在执行步骤250，获得减影图像后，在步骤260中，可以显示第一医学图像、第二医学图像和减影图像，以突出病灶的变化，如图8、图9所示。图8是本发明一实施例的新增的病灶或变大的病灶的差分减影图像，其中，图8(a)是在先获取的胸部区域的图像，图8(b)是在后获取的胸部区域的图像，图8(c)是未经干扰抑制的图像的差分减影图像，图8(d)是经过干扰抑制后的图像的差分减影图像。其中，图8减影图像中的暗点(黑影区域)为新增的病灶或变大的病灶。图8(c)中，由于未对锁骨和肋骨进行抑制，整个图像存在较多的噪声，信噪比较差，且在图像的右上角和右下角区域(图中圆圈标示)，存在严重的较多伪影区域，很容易干扰医师的判断。图8(d)中，由于对锁骨和肋骨进行抑制，明显提高了图像信噪比，更利于对前后图像的变化做出判断。
图9是本发明一实施例的消失的病灶或变好的病灶的差分减影图像，其中，图9(a)是在先获取的胸部区域的图像；图9(b)是在后获取的胸部区域的图像；图9(c)是未经干扰抑制的图像的差分减影图像，减影图像中的亮点(白影区域)为消失的病灶或变好的病灶。图中存在较多干扰医师判断的区域或像素点，且信噪比较差；图9(d)是经过干扰抑制后的图像的差分减影图像，减影图像中的亮点(白影区域)为消失的病灶或变好的病灶，医师可精确定位感兴趣区域的位置和感兴趣区域像素点的变化情况。
可以理解，在获得差分减影图像后，还可以对差分减影图像进一步处理，例如：(1)检测：自动检测差分减影图像中的病灶；(2)量化：测量差分减影图像中病灶的容积，对应病灶的变化。
图10是本发明一实施例的差分减影装置的基本框图。差分减影装置300包括接收模块310、第一配准模块320、干扰抑制模块330、第二配准模块340和差分模块350。接收模块310用于接收不同时间获取的扫描对象的第一医学图像和第二医学图像。第一配准模块320用于将第一医学图像配准至第二医学图像，并获取配准对应的形变场。干扰抑制模块330用于分别去除第一医学图像和第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像。第二配准模块340用于根据形变场将第一干扰抑制图像配准至第二干扰抑制图像。差分模块350用于对配准后的第一干扰抑制图像和第二干扰抑制图像进行差分，以获得减影图像。在一实施例中，差分减影装置300还可以包括输出显示模块360，用于输出显示第一医学图像、第二医学图像和减影图像，第一医学图像、第二医学图像和减影图像可以成行、成列显示。差分减影装置300中各模块的具体实现细节与前述的差分减影方法200所公开的相同或类似，因此在此不再重复描述。
图11本发明一实施例的医学图像处理方法的基本流程图。请参考图11，医学图像处理方法400用以确定不同时间扫描的图像数据的差别，其包括如下步骤：
步骤410：获取被扫描对象的第一医学图像，第一医学图像包含多个像素点；获取被扫描对象的第二医学图像，第二医学图像包含多个像素点，第一医学图像和第二医学图像对应同一扫描区域，且第一医学图像和第二医学图像为在不同时间对被扫描对象扫描获得；
步骤420：分别去除第一医学图像和第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像；
步骤430：对第一干扰抑制图像和第二干扰抑制图像进行配准；
步骤440：根据配准后的第一干扰抑制图像和第二干扰抑制图像，确定第二医学图像相对于第一医学图像中灰度值发生改变的像素点。
典型地，医学图像处理方法400可以在处理模块120中被执行。
在步骤410中获取的第一医学图像和第二医学图像可以和差分减影方法200中步骤210中获取的第一医学图像和第二医学图像相同，因此在此不再展开详细描述。在一实施例中，被扫描对象可以是肺部组织，干扰因素可以包括医学图像中的血管像素点和/或肋骨、锁骨像素点。
步骤420同样与差分减影方法200中的步骤230相同，因此在此不再展开详细描述。
在步骤430中，对第一干扰抑制图像和第二干扰抑制图像进行配准可以包括以下步骤：
将第一医学图像配准至第二医学图像，以获取配准对应的形变场；
根据形变场对第一干扰抑制图像变换，以使形变后的第一干扰抑制图像对齐至第二干扰抑制图像。
在一实施例中，步骤440可以包括：
对配准后的第一干扰抑制图像和第二干扰抑制图像进行差分，获得差分减影图像，该减影图像包含第二医学图像相对于第一医学图像中灰度值发生改变的像素点。
在另一实施例中，步骤440可以包括：
在第一干扰抑制图像中确定属于目标区域的第一像素点数目；
在第二干扰抑制图像中确定属于目标区域的第二像素点数目；
根据第一像素点数目、第二像素点数目确定第二医学图像相对于第一医学图像中灰度值发生改变的像素点。
图12是本发明一实施例的医学图像处理装置的基本框图。请参考图12，医学图像处理装置500可以包括接收模块510、干扰抑制模块520、配准模块530和灰度值改变像素确定模块540。接收模块510用于获取被扫描对象的第一医学图像和第二医学图像。干扰抑制模块520用于分别去除第一医学图像和第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像。配准模块530用于对第一干扰抑制图像和第二干扰抑制图像进行配准。灰度值改变像素确定模块540用于确定第二医学图像相对于第一医学图像中灰度值发生改变的像素点。医学图像处理装置500中各模块的具体实现细节与前述的医学图像处理方法400所公开的相同或类似，因此在此不再重复描述。
图13是本发明一实施例的医学图像处理系统的结构示意图。请参考图13，医学图像处理系统600包括存储器610和处理器620。存储器610上存储有计算机代码，当该计算机代码被配置为当在处理器620上运行时促使装置600至少执行如上所述的差分减影方法200和/或医学图像处理方法400。
进一步地，医学图像处理系统600还可包括显示器630，显示器630的界面图如图14所述，左边部分从上到下依次为：功能选择区631、工具栏632，功能选择区域用于从存储器或处理器调用要处理的图像，工具栏包含有亮度调节按钮、缩放按钮、指针、旋转按钮等；右边部分为图像显示区633，第一医学图像、第二医学图像和减影图像在图像显示区成行显示。可以理解，第一医学图像、第二医学图像和减影图像还可以在图像显示区633成列地显示。
图15是本发明一实施例的计算机可读介质的示意图。计算机可读介质700上存储有计算机代码，当该计算机代码被配置为当在处理器上运行时执行如上所述的差分减影方法。
利用本发明的差分减影方法对845个DR数据进行测试，测试结果表明，本发明的差分减影方法可以获得很好的减影效果。将所有的减影结果分为4个等级：“很好”、“好”，“可接受”，“差”。共845例数据，其中645例数据“很好”，156例数据“好”，23例数据“可接受”，21例数据“差”，大约94.8％的减影效果好或很好。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，在没有脱离本发明精神的情况下还可作出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims (10)

1.一种差分减影方法，包括：
接收于不同时间获取的扫描对象的第一医学图像和第二医学图像；
将所述第一医学图像配准至所述第二医学图像，并获取所述配准对应的形变场；
分别去除所述第一医学图像和所述第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像；
根据所述形变场将所述第一干扰抑制图像配准至所述第二干扰抑制图像；以及
对配准后的所述第一干扰抑制图像和所述第二干扰抑制图像进行差分，获得减影图像。
2.根据权利要求1所述的方法，其特征在于，所述第一医学图像为在先获取的图像，所述第二医学图像为在后获取的图像。
3.根据权利要求1所述的方法，其特征在于，所述第一医学图像包括特征点和特征结构，所述第二医学图像包括特征点和特征结构，将所述第一医学图像配准至所述第二医学图像包括：
对所述第一医学图像进行第一变换，使所述第一医学图像的特征结构与所述第二医学图像的特征结构对齐；
对所述第一医学图像进行第二变换，使所述第一医学图像的特征点与所述第二医学图像的特征点对齐。
4.根据权利要求1所述的方法，其特征在于，所述第一医学图像和第二医学图像为肺部CT图像或DR图像，所述干扰因素为血管信息和/或骨信息。
5.一种医学图像处理方法，包括：
获取被扫描对象的第一医学图像，所述第一医学图像包含多个像素点；
获取被扫描对象的第二医学图像，所述第二医学图像包含多个像素点，所述第一医学图像和所述第二医学图像对应同一扫描区域，且所述第一医学图像和所述第二医学图像为在不同时间对被扫描对象扫描获得；
分别去除所述第一医学图像和所述第二医学图像中的干扰因素，获得第一干扰抑制图像和第二干扰抑制图像；
对所述第一干扰抑制图像和所述第二干扰抑制图像进行配准；以及
根据配准后的所述第一干扰抑制图像和所述第二干扰抑制图像，确定所述第二医学图像相对于第一医学图像中灰度值发生改变的像素点。
6.根据权利要求5所述的方法，其特征在于，所述第一医学图像为在先获取的图像，所述第二医学图像为在后获取的图像。
7.根据权利要求5所述的方法，其特征在于，对所述第一干扰抑制图像和所述第二干扰抑制图像进行配准包括：
将所述第一医学图像配准至第二医学图像，以获取所述配准对应的形变场；
根据所述形变场对所述第一干扰抑制图像变换，以使形变后的第一干扰抑制图像对齐至所述第二干扰抑制图像。
8.根据权利要求7所述的方法，其特征在于，所述根据配准后的所述第一干扰抑制图像和所述第二干扰抑制图像，确定所述第二医学图像相对于第一医学图像中灰度值发生改变的像素点包括：
对配准后的所述第一干扰抑制图像和所述第二干扰抑制图像进行差分，获得减影图像，所述减影图像包含所述第二医学图像相对于第一医学图像中灰度值发生改变的像素点；或者
在所述第一干扰抑制图像中确定属于目标区域的第一像素点数目；
在所述第二干扰抑制图像中确定属于目标区域的第二像素点数目；
根据第一像素点数目、第二像素点数目确定所述第二医学图像相对于第一医学图像中灰度值发生改变的像素点。
9.一种医学图像处理系统，其特征在于，所述医学图像处理系统包括：
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在执行所述可执行指令时，至少执行以下步骤：
获取扫描对象的第一医学图像，所述第一医学图像包含多个像素点；
获取扫描对象的第二医学图像，所述第二医学图像包含多个像素点，所述第一医学图像和所述第二医学图像对应同一扫描区域，所述第一医学图像和所述第二医学图像对应扫描的时间不同；
将所述第一医学图像配准至所述第二医学图像，并获取所述配准对应的形变场；
分别去除所述第一医学图像和所述第二医学图像中的干扰像素点，获得第一干扰抑制图像和第二干扰抑制图像；
根据所述形变场将所述第一干扰抑制图像配准至所述第二干扰抑制图像；以及
对配准后的所述第一干扰抑制图像和所述第二干扰抑制图像进行差分，获得减影图像。
10.根据权利要求9所述医学图像处理系统，其特征在于，所述医学图像处理系统还包括显示器，所述显示器包括图像显示区，所述第一医学图像、所述第二医学图像和所述减影图像在所述图像显示区成行或成列显示。
CN201711183773.8A 2017-11-23 2017-11-23 差分减影方法和医学图像处理方法及系统 Active CN107886508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711183773.8A CN107886508B (zh) 2017-11-23 2017-11-23 差分减影方法和医学图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711183773.8A CN107886508B (zh) 2017-11-23 2017-11-23 差分减影方法和医学图像处理方法及系统

Publications (2)

Publication Number Publication Date
CN107886508A true CN107886508A (zh) 2018-04-06
CN107886508B CN107886508B (zh) 2021-11-23

Family

ID=61774738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711183773.8A Active CN107886508B (zh) 2017-11-23 2017-11-23 差分减影方法和医学图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN107886508B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109300148A (zh) * 2018-09-19 2019-02-01 西北工业大学 基于方法协同的多源图像配准方法
CN109325971A (zh) * 2018-08-02 2019-02-12 沈阳东软医疗系统有限公司 图像配准方法及装置
CN109740602A (zh) * 2019-01-10 2019-05-10 上海联影医疗科技有限公司 肺动脉期血管提取方法及系统
CN109741379A (zh) * 2018-12-19 2019-05-10 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN110211166A (zh) * 2019-06-13 2019-09-06 北京理工大学 磁共振图像中视神经分割方法及装置
CN110728706A (zh) * 2019-09-30 2020-01-24 西安电子科技大学 基于深度学习的sar图像精细配准方法
CN111179373A (zh) * 2019-12-31 2020-05-19 广州华端科技有限公司 医学图像去骨模型构建方法与骨信息去除方法
CN111402305A (zh) * 2020-06-05 2020-07-10 嘉兴太美医疗科技有限公司 医学影像配准方法、系统和计算机可读介质
CN111681237A (zh) * 2020-06-12 2020-09-18 上海联影医疗科技有限公司 图像配准方法、装置、计算机设备和存储介质
CN111710012A (zh) * 2020-06-12 2020-09-25 浙江大学 一种基于两维复合配准的octa成像方法与装置
CN112790778A (zh) * 2019-11-14 2021-05-14 西门子医疗有限公司 采集错误对齐
CN113421226A (zh) * 2021-06-03 2021-09-21 山东师范大学 基于互信息的ct-dr多模态食管图像配准方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6199020B1 (en) * 1997-06-27 2001-03-06 Murata Manufacturing Co., Ltd. External force measuring apparatus
JP2003235823A (ja) * 2002-02-15 2003-08-26 Naohiro Toda 「生体電気信号における外来交流雑音除去方式」
JP2005287730A (ja) * 2004-03-31 2005-10-20 Shimadzu Corp Ｘ線ｃｔ装置
US20060176546A1 (en) * 2005-02-04 2006-08-10 Canon Kabushiki Kaisha Electronic device and its control method
CN101822545A (zh) * 2010-05-11 2010-09-08 河南大学 一种数字减影血管造影运动伪影消除方法及其系统
CN102346911A (zh) * 2010-07-28 2012-02-08 北京集翔多维信息技术有限公司 在数字减影血管造影图像序列中分割血管的方法
CN103202705A (zh) * 2012-01-12 2013-07-17 株式会社东芝 医用图像处理装置及医用图像处理方法
CN104392442A (zh) * 2014-11-18 2015-03-04 西北工业大学 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法
CN105447866A (zh) * 2015-11-22 2016-03-30 南方医科大学 基于卷积神经网络的x线胸片骨抑制处理方法
CN106611411A (zh) * 2015-10-19 2017-05-03 上海联影医疗科技有限公司 一种医学图像中肋骨分割的方法及医学图像处理装置
CN107123137A (zh) * 2017-04-28 2017-09-01 上海联影医疗科技有限公司 医学图像处理方法及设备
CN107133946A (zh) * 2017-04-28 2017-09-05 上海联影医疗科技有限公司 医学图像处理方法、装置及设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6199020B1 (en) * 1997-06-27 2001-03-06 Murata Manufacturing Co., Ltd. External force measuring apparatus
JP2003235823A (ja) * 2002-02-15 2003-08-26 Naohiro Toda 「生体電気信号における外来交流雑音除去方式」
JP2005287730A (ja) * 2004-03-31 2005-10-20 Shimadzu Corp Ｘ線ｃｔ装置
US20060176546A1 (en) * 2005-02-04 2006-08-10 Canon Kabushiki Kaisha Electronic device and its control method
CN101822545A (zh) * 2010-05-11 2010-09-08 河南大学 一种数字减影血管造影运动伪影消除方法及其系统
CN102346911A (zh) * 2010-07-28 2012-02-08 北京集翔多维信息技术有限公司 在数字减影血管造影图像序列中分割血管的方法
CN103202705A (zh) * 2012-01-12 2013-07-17 株式会社东芝 医用图像处理装置及医用图像处理方法
CN104392442A (zh) * 2014-11-18 2015-03-04 西北工业大学 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法
CN106611411A (zh) * 2015-10-19 2017-05-03 上海联影医疗科技有限公司 一种医学图像中肋骨分割的方法及医学图像处理装置
CN105447866A (zh) * 2015-11-22 2016-03-30 南方医科大学 基于卷积神经网络的x线胸片骨抑制处理方法
CN107123137A (zh) * 2017-04-28 2017-09-01 上海联影医疗科技有限公司 医学图像处理方法及设备
CN107133946A (zh) * 2017-04-28 2017-09-05 上海联影医疗科技有限公司 医学图像处理方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JICHAO YAN 等: "Accurate registration of temporal CT images for pulmonary nodules detection", 《SPIE MEDICAL IMAGING》 *
王云龙 等: "肋骨抑制成像在胸部平片肺结节检出中的应用", 《实用放射学杂志》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109325971A (zh) * 2018-08-02 2019-02-12 沈阳东软医疗系统有限公司 图像配准方法及装置
CN109325971B (zh) * 2018-08-02 2022-04-01 东软医疗系统股份有限公司 图像配准方法及装置
CN109300148A (zh) * 2018-09-19 2019-02-01 西北工业大学 基于方法协同的多源图像配准方法
CN109300148B (zh) * 2018-09-19 2021-05-18 西北工业大学 基于方法协同的多源图像配准方法
CN109741379A (zh) * 2018-12-19 2019-05-10 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN111292362A (zh) * 2018-12-19 2020-06-16 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
WO2020125221A1 (zh) * 2018-12-19 2020-06-25 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN109740602A (zh) * 2019-01-10 2019-05-10 上海联影医疗科技有限公司 肺动脉期血管提取方法及系统
CN109740602B (zh) * 2019-01-10 2023-06-30 上海联影医疗科技股份有限公司 肺动脉期血管提取方法及系统
CN110211166A (zh) * 2019-06-13 2019-09-06 北京理工大学 磁共振图像中视神经分割方法及装置
CN110211166B (zh) * 2019-06-13 2021-10-12 北京理工大学 磁共振图像中视神经分割方法及装置
CN110728706A (zh) * 2019-09-30 2020-01-24 西安电子科技大学 基于深度学习的sar图像精细配准方法
CN110728706B (zh) * 2019-09-30 2021-07-06 西安电子科技大学 基于深度学习的sar图像精细配准方法
CN112790778A (zh) * 2019-11-14 2021-05-14 西门子医疗有限公司 采集错误对齐
CN111179373A (zh) * 2019-12-31 2020-05-19 广州华端科技有限公司 医学图像去骨模型构建方法与骨信息去除方法
CN111402305A (zh) * 2020-06-05 2020-07-10 嘉兴太美医疗科技有限公司 医学影像配准方法、系统和计算机可读介质
CN111681237A (zh) * 2020-06-12 2020-09-18 上海联影医疗科技有限公司 图像配准方法、装置、计算机设备和存储介质
CN111710012B (zh) * 2020-06-12 2023-04-14 浙江大学 一种基于两维复合配准的octa成像方法与装置
CN111710012A (zh) * 2020-06-12 2020-09-25 浙江大学 一种基于两维复合配准的octa成像方法与装置
CN111681237B (zh) * 2020-06-12 2023-11-21 上海联影医疗科技股份有限公司 图像配准方法、装置、计算机设备和存储介质
CN113421226A (zh) * 2021-06-03 2021-09-21 山东师范大学 基于互信息的ct-dr多模态食管图像配准方法及系统
CN113421226B (zh) * 2021-06-03 2022-11-01 山东师范大学 基于互信息的ct-dr多模态食管图像配准方法及系统

Also Published As

Publication number Publication date
CN107886508B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN107886508A (zh) 差分减影方法和医学图像处理方法及系统
Eslami et al. Image-to-images translation for multi-task organ segmentation and bone suppression in chest x-ray radiography
US11508059B2 (en) Methods and systems for detecting a centerline of a vessel
CN109074639B (zh) 医学成像系统中的图像配准系统和方法
JP7325954B2 (ja) 医用画像処理装置、医用画像処理プログラム、学習装置及び学習プログラム
Munawar et al. Segmentation of lungs in chest X-ray image using generative adversarial networks
US20210106299A1 (en) Method and system for extracting lower limb vasculature
EP3611699A1 (en) Image segmentation using deep learning techniques
US9760983B2 (en) System and method for image registration in medical imaging system
Wolterink et al. Generative adversarial networks: a primer for radiologists
CN109978037A (zh) 图像处理方法、模型训练方法、装置、和存储介质
Chen et al. Combining registration and active shape models for the automatic segmentation of the lymph node regions in head and neck CT images
CN111768343A (zh) 用于促进检查肝脏肿瘤病例的系统和方法
CN111145160B (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN107106102A (zh) 数字减影血管造影
Emami et al. SA-GAN: Structure-aware GAN for organ-preserving synthetic CT generation
Wu et al. Development and evaluation of a deep learning algorithm for rib segmentation and fracture detection from multicenter chest CT images
US11672496B2 (en) Imaging systems and methods
Hong et al. Automatic lung nodule matching on sequential CT images
Zhou et al. Detection and semiquantitative analysis of cardiomegaly, pneumothorax, and pleural effusion on chest radiographs
CN110555860A (zh) 医学图像中肋骨区域标注的方法、电子设备和存储介质
Chen et al. Automated artery localization and vessel wall segmentation using tracklet refinement and polar conversion
CN111568451A (zh) 一种曝光剂量调节方法和系统
JP6747785B2 (ja) 医用画像処理装置及び医用画像処理方法
Suh et al. CT‐PET weighted image fusion for separately scanned whole body rat

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co., Ltd

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant