CN107977991B - 基于空间距离与数据分布相似性度量的医学图像配准方法 - Google Patents
基于空间距离与数据分布相似性度量的医学图像配准方法 Download PDFInfo
- Publication number
- CN107977991B CN107977991B CN201711241974.9A CN201711241974A CN107977991B CN 107977991 B CN107977991 B CN 107977991B CN 201711241974 A CN201711241974 A CN 201711241974A CN 107977991 B CN107977991 B CN 107977991B
- Authority
- CN
- China
- Prior art keywords
- description
- dissimilarity
- image
- matching
- indicate
- 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.)
- Active
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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Abstract
本发明公开了一种基于空间距离与数据分布相似性度量的医学图像配准方法,属于医学图像配准领域。本发明提出了结合mp‑dissimilarity和lp‑norm两种相似性度量的匹配策略,显著提高了在医学多模图像配准中的准确率,对医疗工作提供了帮助。本发明只是针对于描述子的相似性度量,也可以将它运用在其它基于局部特征的图像配准工作中。
Description
技术领域
本发明涉及医学图像配准领域,特别涉及一种基于空间距离与数据分布相似性度量的医学图像配准方法。
背景技术
随着计算机技术以及生物医学的快速发展,医学影像学为临床诊断提供了不同模态的图像。比如计算机断层成像(CT)、核磁共振图像(MRI)、数字减影血管造影成像(DSA)、单光子辐射计算机断层成像(SPECT)以及正电子辐射断层成像(PET)。
不同模态的医学图像对人体相关器官的表示信息是不同的,比如CT图像空间分辨率比较高,得到的图像更加清晰,有利于定位病灶;MRI对于软组织成像清晰,对于确定病灶的范围有优势;PET以及SPET成像虽然空间分辨率不如前面的两种成像,但是却能够提供器官的功能和代谢信息,所以对于医疗工作者迫切希望得到不同成像信息集成的结果。
然而不同模态的医学图像不仅分辨率不同而且还存在空间上的形变,因此,图像配准对于处理这些不同模态的图像是必要的。图像配准的目的就是将不同模式的图像通过空间变换映射到同一坐标系中,在医学图像中,可以使相应器官的影像在空间中的位置一致。通过配准后得到的图像就可以同时反映形态和功能的信息,为医疗工作提供更可靠地依据。因为图像配准的显著优点,它在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果许多医疗工作中有着广泛的应用。
基于局部特征的图像配准方法中,最后都需要度量两幅图像中的特征点相似性。最常用的都是lp-norm,可是这种方法只是简单地计算特征点之间的空间距离。另外一种度量方法,mp-dissimilarity着重于用数据之间的分布情况表示特征点相似性。但是现有的方法对医学图像的配准准确率低。
发明内容
为了弥补现有技术的不足,解决现有技术中医学图像配准准确率低的问题,本发明提供了一种基于空间距离与数据分布相似性度量的医学图像配准方法。
本发明验证了mp-dissimilarity用于图像配准中的可行性,并且验证了两种相似性度量方法具有互补信息,从而提出了结合这两种方法的匹配策略。实验结果证明,本发明提出的匹配策略能够显著地提高特征点匹配的准确度。
术语解释
1、SIFT,尺度不变特征转化,一种经典的特征提取方法。因为具有尺度不变性、旋转不变性以及对噪声、光线的变化都不敏感,获得了良好的效果。
2、mp-dissimilarity,一种将数据分布作为主要因素的相似性度量方法。这种方法的基本思想是两对点具有相同距离时,周围有更多距离的一对相似性较差。
3、lp-norm,是一种典型的用空间距离度量相似性的方法。一般有三种类型,由参数p决定,其中p是一个变参数。当p=1时,就是曼哈顿距离,当p=2时,就是欧几里得距离,当p→∞时,就是切比雪夫距离。在图像处理以及模式识别中被广泛使用的相似性判断方法。
其中,mp-dissimilarity与lp-norm中的P不是同一参数(是在不同公式中代表不同参数)。在mp-dissimilarity的相关公式中,p代表控制维数影响的参数;在lp-norm的相关公式中,p表示具体的某一范式,p=2时为欧几里得距离。
本发明的技术方案为:
一种基于空间距离与数据分布相似性度量的医学图像配准方法,包括步骤:
1)输入待配准的两幅多模医学图像,其中一幅为参考图像,另一幅为目标图像;
2)采用SIFT算法提取待配准图像中的特征点,给每个特征点赋予主方向,得到特征点的位置、尺度以及方向信息,使得特征点具有旋转不变性,生成128维的特征点描述子;
3)目标图像与参考图像特征点匹配
a)定义两个向量x,y的lp-norm为:
其中,xi以及yi分别表示向量x,y中的第i个元素;p的值为2;abs表示取绝对值;d表示每个向量的维数;
b)定义两个向量x,y的mp-dissimilarity为:
其中,R是R(x,y)∈Rd的缩写,表示由向量x,y组成的区域;z是R中随机选择的一个点;Pi(z∈R|o(z))表示z这个点落在R中第i维的概率;d表示x,y总的维数;p作为一个参数,控制维数的影响;
c)使用mp-dissimilarity度量描述子的相似性
假设两幅图像中的描述子为:
参考图像中共有Nq个描述子,目标图像中共有Nt个描述子,并且每一个描述子都是由d维的数组构成,当用mp-dissimilarity计算由Dq和Dt组成的描述子时,D为d×(Nq+Nt)维数组;其中,D表示Dq和Dt的并集;D中的任意两个描述子的mp-dissimilarity:
d)使用mp-dissimilarity匹配描述子
表示参考图像中的一个描述子,和分别表示在目标图像中Mp-dissimilarity距离与最近以及次近的描述子,匹配条件为:
表示与的mp-dissimilarity距离,(MPi,Nq+j2)表示与的mp-dissimilarity距离;threshold是设定好的阈值;
e)结合lp-norm与mp-dissimilarity寻找匹配的特征点。
作为优选方案,步骤2)的具体为:Ⅰ)建立尺度空间,并且检测尺度空间极值:搜索所有尺度上的图像位置,通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点;Ⅱ)关键点定位,找到兴趣点后,在每个候选的位置上,通过拟合精细的模型确定位置和尺度;Ⅲ)方向确定,基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向;所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性;Ⅳ)关键点描述,在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度;这些梯度被变换成一种表示,这种表示允许局部形状的变形和光照变化;这样所有的关键点都被表示为128维的数组,也被称为描述子。
作为一种优选方案,步骤e)具体为:找到参考图像中用欧式距离匹配的描述子,再求这些描述子与目标图像中所有描述子Dt之间的mp-dissimilarity;
D1=Dmq∪Dt;
其中,Dmq表示与Med对应的在参考图像中的描述子;Med表示使用欧式距离得到的匹配对。
作为另一种优选方案,步骤e)具体为:先找到目标图像中用欧式距离匹配的描述子,再求这些描述子与参考图像中所有描述子Dq之间的mp-dissimilarity;
D2=Dmt∪Dq;
其中,Dmt表示与Med对应的在目标图像中的描述子,Med表示使用欧式距离得到的匹配对。
作为再一种优选方案,步骤e)具体为:用欧式距离找到两幅图像中匹配的描述子,然后计算这些描述子之间的mp-dissimilarity;
D3=Dmq∪Dmt;
其中,Dmq表示与Med对应的在参考图像中的描述子;Dmt表示与Med对应的在目标图像中的描述子;Med表示使用欧式距离得到的匹配对。
作为又一种优选方案,步骤e)具体为:分别用欧氏距离以及mp-dissimilarity寻找两幅图像中匹配的描述子,然后取它们的交集;
Mf=Med∩Mmp;
其中,Med表示使用欧式距离得到的匹配对;Mmp表示使用mp-dissimilarity得到的匹配对。
本发明的有益效果为:
1、本发明提出了结合mp-dissimilarity和lp-norm两种相似性度量的匹配策略,显著提高了在医学多模图像配准中的准确率,对医疗工作提供了帮助。
2、本发明只是针对于描述子的相似性度量,也可以将它运用在其它基于局部特征的图像配准工作中。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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发明的一些实施例,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他的附图。
图1为采用lp-norm得到的匹配结果;图中左侧图像和右侧图像分别为病人A同一时间所做的脑部CT图像以及脑部MRI图像;
图2为采用mp-dissimilarity得到的匹配结果;图中左侧图像和右侧图像分别为病人A同一时间所做的脑部CT图像以及脑部MRI图像;
图3为采用第一种结合策略得到的匹配结果;图中左侧图像和右侧图像分别为病人A同一时间所做的脑部CT图像以及脑部MRI图像;
图4为采用第二种结合策略得到的匹配结果;图中左侧图像和右侧图像分别为病人A同一时间所做的脑部CT图像以及脑部MRI图像;
图5为采用第三种结合策略得到的匹配结果;图中左侧图像和右侧图像分别为病人A同一时间所做的脑部CT图像以及脑部MRI图像;
图6为采用第四种结合策略得到的匹配结果;图中左侧图像和右侧图像分别为病人A同一时间所做的脑部CT图像以及脑部MRI图像。
具体实施方式
实施例1
一种基于空间距离与数据分布相似性度量的医学图像配准方法,包括步骤:
1)输入待配准的两幅多模医学图像,其中一幅为参考图像,另一幅为目标图像;
2)采用SIFT算法提取待配准图像中的特征点,给每个特征点赋予主方向,得到特征点的位置、尺度以及方向信息,使得特征点具有旋转不变性,生成128维的特征点描述子;
3)目标图像与参考图像特征点匹配
a)定义两个向量x,y的lp-norm为:
其中,xi以及yi分别表示向量x,y中的第i个元素;p的值为2;abs表示取绝对值;d表示每个向量的维数(在SIFT算法中,d值为128);
b)定义两个向量x,y的mp-dissimilarity为:
其中,R是R(x,y)∈Rd的缩写,表示由向量x,y组成的区域;z是R中随机选择的一个点;Pi(z∈R|o(z))表示z这个点落在R中第i维的概率;d表示x,y总的维数;p作为一个参数,控制维数的影响;
c)使用mp-dissimilarity度量描述子的相似性
假设两幅图像中的描述子为:
参考图像中共有Nq个描述子,目标图像中共有Nt个描述子,并且每一个描述子都是由d维的数组构成,当用mp-dissimilarity计算由Dq和Dt组成的描述子时,D为d×(Nq+Nt)维数组;其中,D表示Dq和Dt的并集;D中的任意两个描述子的mp-dissimilarity:
d)使用mp-dissimilarity匹配描述子
表示参考图像中的一个描述子,和分别表示在目标图像中Mp-dissimilarity距离与最近以及次近的描述子,匹配条件为:
(MPi,Nq+j1)表示与的mp-dissimilarity距离,(MPi,Nq+j2)表示与的mp-dissimilarity距离;threshold是设定好的阈值;
e)结合lp-norm与mp-dissimilarity寻找匹配的特征点。
其中,步骤2)的具体为:Ⅰ)建立尺度空间,并且检测尺度空间极值:搜索所有尺度上的图像位置,通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点;Ⅱ)关键点定位,找到兴趣点后,在每个候选的位置上,通过拟合精细的模型确定位置和尺度;Ⅲ)方向确定,基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向;所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性;Ⅳ)关键点描述,在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度;这些梯度被变换成一种表示,这种表示允许局部形状的变形和光照变化;这样所有的关键点都被表示为128维的数组,也被称为描述子。
本发明中步骤e有四种匹配策略:
第一种匹配策略:步骤e)具体为:找到参考图像中用欧式距离匹配的描述子,再求这些描述子与目标图像中所有描述子Dt之间的mp-dissimilarity;
D1=Dmq∪Dt;
其中,Dmq表示与Med对应的在参考图像中的描述子;Med表示使用欧式距离得到的匹配对。
第二种匹配策略:步骤e)具体为:先找到目标图像中用欧式距离匹配的描述子,再求这些描述子与参考图像中所有描述子Dq之间的mp-dissimilarity;
D2=Dmt∪Dq;
其中,Dmt表示与Med对应的在目标图像中的描述子,Med表示使用欧式距离得到的匹配对。
第三种匹配策略:步骤e)具体为:用欧式距离找到两幅图像中匹配的描述子,然后计算这些描述子之间的mp-dissimilarity;
D3=Dmq∪Dmt;
其中,Dmq表示与Med对应的在参考图像中的描述子;Dmt表示与Med对应的在目标图像中的描述子;Med表示使用欧式距离得到的匹配对。
第四种匹配策略:步骤e)具体为:分别用欧氏距离以及mp-dissimilarity寻找两幅图像中匹配的描述子,然后取它们的交集;
Mf=Med∩Mmp;
其中,Med表示使用欧式距离得到的匹配对;Mmp表示使用mp-dissimilarity得到的匹配对。
评价标准
经过前面的步骤可以得到最后的匹配对,对匹配对衡量算法效果的即为匹配对的准确率,本发明采用以下公式评价匹配准确率:
图1中,当p=2时,lp-norm得到的匹配结果,其中总匹配对为32,正确的匹配对为位23,匹配准确率为71.88%。
图2中,mp-dissimilarity得到的匹配结果,其中总匹配对位18,正确的匹配对位13,匹配准确率为72.22%。
图3中,采用本发明第一种匹配策略得到的匹配结果,其中总匹配对位15,正确的匹配对位13,匹配准确率为86.67%。
图4中,采用本发明第二种匹配策略得到的匹配结果,得到的匹配结果,其中总匹配对位15,正确的匹配对位15,匹配准确率为100%。
图5中,采用本发明第三种匹配策略得到的匹配结果,得到的匹配结果,其中总匹配对位17,正确的匹配对位15,匹配准确率为88.23%。
图6中,采用本发明第四种匹配策略得到的匹配结果,得到的匹配结果,其中总匹配对位17,正确的匹配对位13,匹配准确率为76.48%。
可见,本发明lp-norm与mp-dissimilarity结合的四种匹配策略均明显优于lp-norm与mp-dissimilarity单独使用。其中第二种匹配策略匹配准确率最高,达到100%。
Claims (6)
1.一种基于空间距离与数据分布相似性度量的医学图像配准方法,其特征在于,包括步骤:
1)输入待配准的两幅多模医学图像,其中一幅为参考图像,另一幅为目标图像;
2)采用SIFT算法提取待配准图像中的特征点,给每个特征点赋予主方向,得到特征点的位置、尺度以及方向信息,使得特征点具有旋转不变性,生成128维的特征点描述子;
3)目标图像与参考图像特征点匹配
a)定义两个向量x,y的lp-norm为:
其中,xi以及yi分别表示向量x,y中的第i个元素;p的值为2;abs表示取绝对值;d表示每个向量的维数;
b)定义两个向量x,y的mp-dissimilarity为:
其中,R是R(x,y)∈Rd的缩写,表示由向量x,y组成的区域;z是R中随机选择的一个点;Pi(z∈R|o(z))表示z这个点落在R中第i维的概率;d表示x,y总的维数;p作为一个参数,控制维数的影响;
c)使用mp-dissimilarity度量描述子的相似性
假设两幅图像中的描述子为:
参考图像中共有Nq个描述子,目标图像中共有Nt个描述子,并且每一个描述子都是由d维的数组构成,当用mp-dissimilarity计算由Dq和Dt组成的描述子时,D为d×(Nq+Nt)维数组;其中,D表示Dq和Dt的并集;D中的任意两个描述子的mp-dissimilarity:
d)使用mp-dissimilarity匹配描述子
表示参考图像中的一个描述子,和分别表示在目标图像中Mp-dissimilarity距离与最近以及次近的描述子,匹配条件为:
(MPi,Nq+j1)表示与的mp-dissimilarity距离,(MPi,Nq+j2)表示与的mp-dissimilarity距离;threshold是设定好的阈值;
e)结合lp-norm与mp-dissimilarity寻找匹配的特征点。
2.如权利要求1所述基于空间距离与数据分布相似性度量的医学图像配准方法,其特征在于,步骤2)的具体为:Ⅰ)建立尺度空间,并且检测尺度空间极值:搜索所有尺度上的图像位置,通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点;Ⅱ)关键点定位,找到兴趣点后,在每个候选的位置上,通过拟合精细的模型确定位置和尺度;Ⅲ)方向确定,基于图像局部的梯度方向,分配给每个关键点位置一个或多个方向;所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性;Ⅳ)关键点描述,在每个关键点周围的邻域内,在选定的尺度上测量图像局部的梯度;这些梯度被变换成一种表示,这种表示允许局部形状的变形和光照变化;这样所有的关键点都被表示为128维的数组,也被称为描述子。
3.如权利要求1或2所述基于空间距离与数据分布相似性度量的医学图像配准方法,其特征在于,步骤e)具体为:找到参考图像中用欧式距离匹配的描述子,再求这些描述子与目标图像中所有描述子Dt之间的mp-dissimilarity;
D1=Dmq∪Dt;
其中,Dmq表示与Med对应的在参考图像中的描述子;Med表示使用欧式距离得到的匹配对。
4.如权利要求1或2所述基于空间距离与数据分布相似性度量的医学图像配准方法,其特征在于,步骤e)具体为:先找到目标图像中用欧式距离匹配的描述子,再求这些描述子与参考图像中所有描述子Dq之间的mp-dissimilarity;
D2=Dmt∪Dq;
其中,Dmt表示与Med对应的在目标图像中的描述子,Med表示使用欧式距离得到的匹配对。
5.如权利要求1或2所述基于空间距离与数据分布相似性度量的医学图像配准方法,其特征在于:步骤e)具体为:用欧式距离找到两幅图像中匹配的描述子,然后计算这些描述子之间的mp-dissimilarity;
D3=Dmq∪Dmt;
其中,Dmq表示与Med对应的在参考图像中的描述子;Dmt表示与Med对应的在目标图像中的描述子;Med表示使用欧式距离得到的匹配对。
6.如权利要求1或2所述基于空间距离与数据分布相似性度量的医学图像配准方法,其特征在于:步骤e)具体为:分别用欧氏距离以及mp-dissimilarity寻找两幅图像中匹配的描述子,然后取它们的交集;
Mf=Med∩Mmp;
其中,Med表示使用欧式距离得到的匹配对;Mmp表示使用mp-dissimilarity得到的匹配对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711241974.9A CN107977991B (zh) | 2017-11-30 | 2017-11-30 | 基于空间距离与数据分布相似性度量的医学图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711241974.9A CN107977991B (zh) | 2017-11-30 | 2017-11-30 | 基于空间距离与数据分布相似性度量的医学图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107977991A CN107977991A (zh) | 2018-05-01 |
CN107977991B true CN107977991B (zh) | 2019-07-09 |
Family
ID=62008774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711241974.9A Active CN107977991B (zh) | 2017-11-30 | 2017-11-30 | 基于空间距离与数据分布相似性度量的医学图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977991B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003269B (zh) * | 2018-07-19 | 2021-10-08 | 哈尔滨工业大学 | 一种能提高医生效率的医学影像病灶的标注提取方法 |
CN109215780B (zh) * | 2018-08-24 | 2022-05-31 | 齐鲁工业大学 | 高拉普拉斯正则化低秩表示的多模态数据分析方法及系统 |
CN114511602B (zh) * | 2022-02-15 | 2023-04-07 | 河南工业大学 | 基于图卷积Transformer的医学图像配准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352515B2 (en) * | 2006-08-03 | 2013-01-08 | Lang Mikael Carl | Apparatus and method of data organisation |
CN104331899A (zh) * | 2014-11-24 | 2015-02-04 | 中国科学院电子学研究所 | 一种sar图像配准方法及装置 |
CN106204707A (zh) * | 2016-07-18 | 2016-12-07 | 中国科学院半导体研究所 | 一种单目时域拓扑匹配三维成像方法 |
-
2017
- 2017-11-30 CN CN201711241974.9A patent/CN107977991B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352515B2 (en) * | 2006-08-03 | 2013-01-08 | Lang Mikael Carl | Apparatus and method of data organisation |
CN104331899A (zh) * | 2014-11-24 | 2015-02-04 | 中国科学院电子学研究所 | 一种sar图像配准方法及装置 |
CN106204707A (zh) * | 2016-07-18 | 2016-12-07 | 中国科学院半导体研究所 | 一种单目时域拓扑匹配三维成像方法 |
Non-Patent Citations (1)
Title |
---|
余弦约束法则耦合改进RANSAC策略的图像匹配算法;郭健等;《包装工程》;20170831;第38卷(第15期);第213-218页 |
Also Published As
Publication number | Publication date |
---|---|
CN107977991A (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rundo et al. | Automated prostate gland segmentation based on an unsupervised fuzzy C-means clustering technique using multispectral T1w and T2w MR imaging | |
Peng et al. | Segmentation of lung in chest radiographs using hull and closed polygonal line method | |
Mahapatra et al. | MRF-based intensity invariant elastic registration of cardiac perfusion images using saliency information | |
CN107977991B (zh) | 基于空间距离与数据分布相似性度量的医学图像配准方法 | |
Wu et al. | Registration of longitudinal brain image sequences with implicit template and spatial–temporal heuristics | |
Vásquez Osorio et al. | Accurate CT/MR vessel‐guided nonrigid registration of largely deformed livers | |
Spinczyk et al. | Methods for abdominal respiratory motion tracking | |
Pycinski et al. | Time-of-flight camera, optical tracker and computed tomography in pairwise data registration | |
Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
O'Donnell et al. | fMRI-DTI modeling via landmark distance atlases for prediction and detection of fiber tracts | |
Dhont et al. | Multi-object tracking in MRI-guided radiotherapy using the tracking-learning-detection framework | |
Hauler et al. | Automatic quantification of multi-modal rigid registration accuracy using feature detectors | |
Kieselmann et al. | Auto-segmentation of the parotid glands on MR images of head and neck cancer patients with deep learning strategies | |
Valizadeh et al. | Parametric-based feature selection via spherical harmonic coefficients for the left ventricle myocardial infarction screening | |
Schwing et al. | Reliable extraction of the mid-sagittal plane in 3D brain MRI via hierarchical landmark detection | |
Galdames et al. | Registration of renal SPECT and 2.5 D US images | |
Pinto et al. | Initialization of deformable models in 3D magnetic resonance images guided by automatically detected phase congruency point landmarks | |
Puyol-Anton et al. | Towards a multimodal cardiac motion atlas | |
Lei et al. | Mask R-CNN-based tumor localization and segmentation in 4D Lung CT | |
Cao et al. | Respiration induced fiducial motion tracking in ultrasound using an extended SFA approach | |
Wang et al. | An unsupervised convolution neural network for deformable registration of mono/multi-modality medical images | |
Shi et al. | Cost-function testing methodology for image-based registration of endoscopy to CT images in the head and neck | |
Wang et al. | Bone marrow sparing for cervical cancer radiotherapy on multimodality medical images | |
Prabu et al. | A statistical deformation model (SDM) based regularizer for non-rigid image registration: application to registration of multimodal prostate MRI and histology | |
Heo et al. | Abdominopelvic MR to CT registration using a synthetic CT intermediate |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221212 Address after: Room 1006, Building C, Yeda Zhigu Comprehensive Building, No. 300, Changjiang Road, Yantai District, China (Shandong) Pilot Free Trade Zone, 264000, Shandong Province Patentee after: Shandong Xinjiu'an Digital Technology Co.,Ltd. Address before: 250000 science and Technology Park, Xincheng University, Jinan, Shandong Province Patentee before: Qilu University of Technology |