CN108053433B - 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 - Google Patents
一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 Download PDFInfo
- Publication number
- CN108053433B CN108053433B CN201711213529.1A CN201711213529A CN108053433B CN 108053433 B CN108053433 B CN 108053433B CN 201711213529 A CN201711213529 A CN 201711213529A CN 108053433 B CN108053433 B CN 108053433B
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- layer
- sequence
- 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.)
- Active
Links
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
- G06T7/38—Registration of image sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
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
一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,包括以下步骤:1)计算图像空间物理坐标;2)统一体像素间距转换图像格式;3)确定多模态图像层间对齐关系;4)各序列多模态二维图像内壁分割:依次选定某序列MRI图像,确定该序列图像的分割起始层和终止层,在起始层图像选定颈动脉所在的ROI,利用分割方法实现整个序列的连续自动分割;5)基于内壁轮廓的三维配准:利用清晰的内壁轮廓分割结果进行三维的连续配准。本发明对各种类型的颈动脉多模态序列图像是有效的,很好地达到像素间的对齐配准,从而方便医生后续的诊疗判断以及斑块成分分析。
Description
技术领域
本发明涉及医学图像配准领域,是一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法。
背景技术
近年来,脑卒中因其高发病率,高致残率和高死亡已成为严重危害人类健康的疾病之一,而颈动脉易损斑块与脑卒中的发生密切相关。因此,颈动脉粥样硬化斑块成分的识别及斑块的稳定性的判定成为目前医学影像研究的热点。
高分辨率MRI具有高的组织分辨率、无创、可重复等优点,是识别颈动脉血管形态和量化颈动脉斑块成分的有效方法。多模态MRI图像既能展现管腔狭窄,又能显示斑块形态及成分信息。在识别和定量分析粥样硬化斑块生物学特征方面,MR成像技术与组织病理学具有高度的一致性,从而为颈动脉斑块的诊断和评估提供了一种强有力的检测手段。
但是,由于多模态成像存在扫描时间长、空间分辨率低等局限性,加上血管自身拓扑复杂,存在着多序列间血管的不完全匹配,这对于像素级别的颈动脉粥样硬化斑块成分识别造成了很大的障碍。因此,多序列图像间基于像素的准确对齐配准是目前研究的重点。
根据配准过程中所使用的相似性测度可以将目前较常见的配准方法分为基于特征和基于灰度的配准方法,其中基于灰度的配准方法利用图像的灰度信息完成配准。该类方法需要计算每个像素点的位移,精度较高但计算复杂,且图像采集时的外界因素敏感。一般情况下,多序列颈动脉图像的血管配准由于图像灰度分布差异的原因,很难利用该类方法达到较好的配准准确性。而基于特征的方法从待配准图像中提取少量特征信息即可完成配准,特征包括特征点、曲线、曲面等。
但是,多模态MRI由于其图像数量、图像大小、扫描层面不一致等问题,首先需要根据空间物理信息对各序列图像体像素进行完全统一和物理对齐的粗配准,再利用颈动脉内壁相关特征进行下一步的基于特征的三维连续精确配准。
发明内容
为了克服现有多模态MRI数量、图像大小、扫描层面不一致等问题,本发明提出一种对齐空间位置结合内壁轮廓进行三维配准的方法,重新整合各序列图像数据并由此设计出一套基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,更好地从各序列图像对颈动脉斑块区域进行对比观察和检测,从而便于后面的管腔狭窄程度评价和斑块成分分析。
本发明解决其技术问题所采用的技术方案是:
一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,所述方法包括以下步骤:
1)计算图像空间物理坐标:首先通过原始DICOM图像信息进行空间物理坐标的确定,得到多模态颈动脉MRI的空间信息,再根据空间位置关系截取有用信息确保完全准确的各序列的各层图像的像素对齐;
2)统一体像素间距转换图像格式:由于多模态MRI的各序列图像差异较大,需要统一图像的扫描层面,并对其体像素进行完全统一;
3)确定多模态图像层间对齐关系:确定各序列各图像的具体空间位置和统一体像素对原始图像进行处理后,通过空间Z轴坐标得到距离某序列各层位置最近的层数对应关系,设序列一第一层左上角空间位置为(x1,y1,z1),序列二第一层左上角空间位置为(x2,y2,z2),统一后的体像素为p,则序列一第m层对应的序列二第n层的匹配则满足关系:
确定层数对齐后,再利用空间位置信息,将各序列图像裁剪成统一大小,去除不需要的图像信息部分;由此生成通过物理信息得到各序列层与层之间一一对应的各序列图像组成的图像矩阵,通过颈动脉血管分支层则可检验判定各序列对应层数是否真正对齐;
4)各序列多模态二维图像内壁分割:依次选定某序列MRI图像,确定该序列图像的分割起始层和终止层,在起始层图像选定颈动脉所在的ROI(region of interest,感兴趣区域),利用分割方法,实现整个序列的连续自动分割;
5)基于内壁轮廓的三维配准:在确定层间对齐之后,考虑将颈动脉区域进行像素间匹配,由于多模态MRI本身原因,影像相邻灰度差异很小,难以捕捉到很多纹理特征,因此利用清晰的内壁轮廓分割结果进行三维的连续配准。
进一步,所述步骤1)包括以下过程:
(1.1)导出原数据DICOM标签信息,首先将各序列图像的标签信息保存:行分辨率Rows(m),列分辨率Columns(n),层厚Slice Thickness(t),切片间距Spacing BetweenSlices(s),像素间距Pixel Spacing(p1,p2),当前图像左上角顶点在空间中的三维坐标Image Position Patient(x,y,z),当前图像第一行在空间中的三维方向向量与第一列的三维方向向量Image Orientation Patient
(1.2)计算世界坐标系坐标:根据Image Position Patient,得到整张图像的左上角的顶点坐标(x,y,z),再根据Image Orientation PatientRows(m),Columns(n),Pixel Spacing(p1,p2)计算该层图像四个顶点位置坐标,进而确定整张图像上任意像素点在空间坐标系下的三维坐标,由此得到多序列MRI中各层各像素在空间坐标系下的三维坐标,该层的四个顶点坐标为:
P1=(x,y,z)
P2=(x+r×(m-1)×p1,y,z)
P3=(x,y+c×(n-1)×p2,z)
P4=(x+r×(m-1)×p1,y+c×(n-1)×p2,z)
其中P1至P4表示四个顶点。
再进一步,所述步骤2)包括以下过程:
(2.1)统一扫描层面:对颈动脉进行分析是使用其二维的横断位图像,由此清楚地观察并检测到二维图像的血管位置,因此,需要将采集到的冠状位的图像序列进行格式转换,使之成为横断位;横断位图像则不需要以上操作,此步骤操作如下:将冠状位各层二维图像按前后顺序堆叠组成一个三维矩阵,再以垂直于原始层的方向提取新的横断位的切片层;
(2.2)统一体像素:在进行多模态图像的对齐配准之前,首先各序列图像保持体像素统一,因此,在将冠状位转换成横断位图像的同时,考虑到图像大小不一致,要兼顾到保持体像素一致,则需要对原始图像组成的三维矩阵,重新进行合理的插值生成需要的同体像素的网格矩阵,而原始扫描层面即为横断位的,仅需要进行体像素的统一,此处保持体像素一致,即(p1,p2,p3)转换成(p,p,p),其中p1,p2,p3表示原始体像素,p表示统一的体像素,且p=min(p1,p2,p3)。
更进一步,所述步骤4)包括以下过程:
(4.1)基于最大类间差的分割方法:以最大类间差方法得到的最佳阈值对内壁进行分割,从而得到内壁轮廓,同时以此内壁轮廓作为初始轮廓;
(4.2)基于水平集的分割方法:采用基于能量泛函的图像分割方法,将最大类间差方法得到的内壁分割轮廓先进行形态学腐蚀,作为水平集的初始轮廓曲线C,进而得到较为光滑的内壁轮廓;
(4.3)对以上分割结果进行筛选,剔除不符合的部分。
所述步骤5)包括以下过程:
(5.1)基于内壁轮廓中心线特征的三维配准:利用分割得到的内壁轮廓提取其三维几何中心线进行多模态序列间的三维配准,该配准结果主要是为了得到多模态序列间的血管附近位置的平移变换,将颈动脉血管的中心点进行最大程度的匹配;
三维点云P和Q分别指颈动脉多模态磁共振数据中同一病人的两组不同序列的内壁轮廓:
其中,(x,y)表示该层内壁轮廓的二维坐标,z轴表示对应的层数;
以三维点云P作为参考点云,三维点云Q作为浮动点云,由P和Q各层内壁轮廓的重心得到中心线p和q,则需要求得q中每一个点在p中的对应的近点,其中任意两点的距离d使用其欧式距离:
求出使上述对应点对平均距离最小的刚体变换,得到其旋转参数R和平移参数T,基于该关系得到新的变换点集q:
迭代上述过程直至新的变换点集p与参考点集q的平均距离小于设置的阈值,利用最小二乘法求最优解,定义函数E:
计算出E最小时的R和T,即为要求解的变换矩阵,得到R和T之后,再将各层内壁分割的几何中心点组成的三维点利用以下对应关系:
则得到变换后的几何中心点的三维坐标q,并以此变换对原始图像进行配准;
(5.2)基于内壁轮廓表面特征的三维配准:利用分割得到的内壁表面轮廓进行多模态序列间的三维配准,由于几何中心线之间的初步配准难以反映血管壁的各种变化,因此有必要对多模态MRI图像序列进行三维内壁分割结果配准,从而调整颈动脉血管附近区域准确匹配;
三维点云P和Q分别指颈动脉多模态磁共振数据中同一病人的两组不同序列的内壁轮廓:
其中,(x,y)表示该层内壁轮廓的二维坐标,z轴表示对应的层数,以三维点云P作为参考点云,三维点云Q作为浮动点云,求得Q中每一个点在P中的对应的近点,其中任意两点的距离使用其欧式距离:
求出使上述对应点对平均距离最小的刚体变换,得到其旋转参数R和平移参数T,基于该关系得到新的变换点集Q:
迭代上述过程直至新的变换点集P与参考点集Q的平均距离小于设置的阈值,利用最小二乘法求最优解,定义函数E:
计算出E最小时的R和T,即为要求解的变换矩阵,得到R和T之后,再将各层内壁分割的几何中心点组成的三维点利用以下对应关系:
则得到变换后的内壁轮廓的三维坐标Q,并以此变换对原始图像进行三维内壁表面轮廓配准。
本发明的技术构思是:本发明所依据的数据基础是颈动脉的多模态磁共振成像数据。由于需要使用的病人的各序列图像层数、大小及扫描层面存在相当大的差别,本发明的创新点在于依据准确的空间位置统一体像素并裁剪各序列图像,使得各序列图像的体像素间距保持完全一致,找到多模态序列的各层图像之间的对应关系,进而利用内壁轮廓分割结果进行进一步颈动脉附近区域的精确三维配准,做到基于像素的完全匹配。
利用原始数据空间位置信息统一个序列图像体像素,确定序列间各层图像对齐关系进行粗配准,再利用现有的效果明显的图像分割方法对颈动脉内壁进行精确分割,将分割得到的内壁轮廓作为特征进行更为精确的三维配准。
本发明的有益效果表现在:所提出的配准方案对各种类型的颈动脉多模态序列图像是有效的,很好地达到像素间的对齐配准,从而方便医生后续的诊疗判断以及斑块成分分析。
附图说明
图1为本发明的原始数据图像,其中,(a)为横断位原始图像(TOF序列),(b)为冠状位图像(T1Gd序列)。
图2为本发明利用空间位置信息的血管分叉处二维图像对比图,其中,(a)为对齐后裁剪后的TOF序列血管分叉处二维图像,(b)为对应的相同位置的T1Gd序列血管分叉处图像。
图3为本发明利用空间位置对齐后的多模态图像内壁分割结果的三维点云显示对比图,为TOF序列内壁轮廓三维点云显示。
图4为本发明的具体流程图。
具体实施方式
下面结合实施例及附图进行详细说明。
参照图1~图4,一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,包括以下步骤:
1)计算图像空间物理坐标:首先通过原始DICOM图像信息进行空间物理坐标的确定,得到多模态颈动脉MRI的空间信息,再根据空间位置关系截取有用信息确保完全准确的各序列的各层图像的像素对齐,所述步骤1)包括以下过程:
(1.1)导出原数据DICOM标签信息,首先将各序列图像的标签信息保存:行分辨率Rows(m),列分辨率Columns(n),层厚Slice Thickness(t),切片间距Spacing BetweenSlices(s),像素间距Pixel Spacing(p1,p2),当前图像左上角顶点在空间中的三维坐标Image Position Patient(x,y,z),当前图像第一行在空间中的三维方向向量与第一列的三维方向向量Image Orientation Patient
(1.2)计算世界坐标系坐标:根据Image Position Patient,得到整张图像的左上角的顶点坐标(x,y,z),再根据Image Orientation PatientRows(m),Columns(n),Pixel Spacing(p1,p2)计算该层图像四个顶点位置坐标,进而确定整张图像上任意像素点在空间坐标系下的三维坐标,由此得到多序列MRI中各层各像素在空间坐标系下的三维坐标。该层的四个顶点坐标为:
P1=(x,y,z)
P2=(x+r*(m-1)*p1,y,z)
P3=(x,y+c*(n-1)*p2,z)
P4=(x+r*(m-1)*p1,y+c*(n-1)*p2,z)
其中P1至P4表示四个顶点;
2)统一体像素间距转换图像格式:由于多模态MRI的各序列图像差异较大,其扫描层面也不尽相同,为了后续的准确像素匹配,需要统一图像的扫描层面,并对其体像素进行完全统一,其中步骤2)包括以下过程:
(2.1)统一扫描层面:一般情况下,对颈动脉进行分析是使用其二维的横断位图像,由此清楚地观察并检测到二维图像的血管位置,因此,需要将采集到的冠状位的图像序列进行格式转换,使之成为横断位;横断位图像则不需要以上操作,此步骤操作如下:将冠状位各层二维图像按前后顺序堆叠组成一个三维矩阵,再以垂直于原始层的方向提取新的横断位的切片层;
(2.2)统一体像素:在进行多模态图像的对齐配准之前,首先各序列图像保持体像素统一。因此,在将冠状位转换成横断位图像的同时,考虑到图像大小不一致等问题,要兼顾到保持体像素一致,则需要对原始图像组成的三维矩阵,重新进行合理的插值生成需要的同体像素的网格矩阵。而原始扫描层面即为横断位的,仅需要进行体像素的统一,具体操作同上。此处保持体像素一致,即(p1,p2,p3)转换成(p,p,p),其中p1,p2,p3表示原始体像素,p表示统一的体像素,且p=min(p1,p2,p3);
3)确定多模态图像层间对齐关系:确定各序列各图像的具体空间位置和统一体像素对原始图像进行处理后,即可通过空间Z轴坐标得到距离某序列各层位置最近的层数对应关系。设序列一第一层左上角空间位置为(x1,y1,z1),序列二第一层左上角空间位置为(x2,y2,z2),统一后的体像素为p,则序列一第m层对应的序列二第n层的匹配则满足关系:
确定层数对齐后,再利用空间位置信息,将各序列图像裁剪成统一大小,去除不需要的图像信息部分,由此生成通过物理信息得到各序列层与层之间一一对应的各序列图像组成的图像矩阵,通过颈动脉血管分支层则可检验判定各序列对应层数是否真正对齐,由于成像方式等原因,多模态序列图像经过对齐裁剪后,颈动脉区域附近仍存在一定的微小偏差,因此需要进一步的精配准;
4)各序列多模态二维图像内壁分割:依次选定某序列MRI图像,确定该序列图像的分割起始层和终止层,在起始层图像选定颈动脉所在的ROI(region of interest,感兴趣区域),利用分割方法,实现整个序列的连续自动分割,所述步骤4)包括以下过程:
(4.1)基于最大类间差的分割方法:以最大类间差方法得到的最佳阈值对内壁分割,从而得到内壁轮廓,同时以此内壁轮廓作为初始轮廓;
(4.2)基于水平集的分割方法:采用基于能量泛函的图像分割方法,将最大类间差方法得到的内壁分割轮廓先进行形态学腐蚀,作为水平集的初始轮廓曲线C,进而得到较为光滑的内壁轮廓;
(4.3)对以上分割结果进行筛选,剔除不符合的部分;
5)基于内壁轮廓的三维配准:在确定层间对齐之后,考虑将颈动脉区域进行像素间匹配。由于多模态MRI本身原因,影像相邻灰度差异很小,难以捕捉到很多纹理特征,因此利用清晰的内壁轮廓分割结果进行三维的连续配准;所述步骤5)包括以下过程:
(5.1)基于内壁轮廓中心线特征的三维配准:利用分割得到的内壁轮廓提取其三维几何中心线进行多模态序列间的三维配准,该配准结果主要是为了得到多模态序列间的血管附近位置的平移变换,将颈动脉血管的中心点进行最大程度的匹配;
三维点云P和Q分别指颈动脉多模态磁共振数据中同一病人的两组不同序列的内壁轮廓:
其中,(x,y)表示该层内壁轮廓的二维坐标,z轴表示对应的层数。
以三维点云P作为参考点云,三维点云Q作为浮动点云,由P和Q各层内壁轮廓的重心得到中心线p和q,则需要求得q中每一个点在p中的对应的近点,其中任意两点的距离d使用其欧式距离:
求出使上述对应点对平均距离最小的刚体变换,得到其旋转参数R和平移参数T,基于该关系得到新的变换点集q:
迭代上述过程直至新的变换点集p与参考点集q的平均距离小于设置的阈值,利用最小二乘法求最优解,定义函数E:
计算出E最小时的R和T,即为要求解的变换矩阵,得到R和T之后,再将各层内壁分割的几何中心点组成的三维点利用以下对应关系:
则得到变换后的几何中心点的三维坐标q,并以此变换对原始图像进行配准;
(5.2)基于内壁轮廓表面特征的三维配准:利用分割得到的内壁表面轮廓进行多模态序列间的三维配准。由于几何中心线之间的初步配准难以反映血管壁的各种变化,因此有必要对多模态MRI图像序列进行三维内壁分割结果配准,从而调整颈动脉血管附近区域准确匹配;
三维点云P和Q分别指颈动脉多模态磁共振数据中同一病人的两组不同序列的内壁轮廓:
其中,(x,y)表示该层内壁轮廓的二维坐标,z轴表示对应的层数;
以三维点云P作为参考点云,三维点云Q作为浮动点云,求得Q中每一个点在P中的对应的近点,其中任意两点的距离使用其欧式距离:
求出使上述对应点对平均距离最小的刚体变换,得到其旋转参数R和平移参数T,基于该关系得到新的变换点集Q:
迭代上述过程直至新的变换点集P与参考点集Q的平均距离小于设置的阈值,利用最小二乘法求最优解,定义函数E:
计算出E最小时的R和T,即为要求解的变换矩阵,得到R和T之后,再将各层内壁分割的几何中心点组成的三维点利用以下对应关系:
则得到变换后的内壁轮廓的三维坐标Q,并以此变换对原始图像进行三维内壁表面轮廓配准。
以上阐述的是本发明给出的一个实施案例,展示了适用于图像层数、图像大小及扫描层面各不一致的颈动脉多模态序列图像的三维配准方法,显然本发明不只是限于上述实施例,在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。本发明所提出的配准方案对统一颈动脉多模态序列图像是有效的,很好地达到像素间的对齐配准,从而方便医生后续的诊疗判断以及斑块成分分析。
Claims (5)
1.一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,其特征在于:所述方法包括以下步骤:
1)计算图像空间物理坐标:首先通过原始MRI数据DICOM图像信息进行空间物理坐标的确定,得到多模态颈动脉磁共振图像的空间物理位置信息;
2)统一体像素间距转换图像格式:由于多模态磁共振图像的各序列图像差异较大,需要统一图像的扫描层面,并对其体像素进行完全统一;
3)确定多模态图像层间对齐关系:确定各序列图像具体空间位置和统一原始图像体像素后,通过空间Z轴坐标得到距离某序列各层位置最近的层数对应关系,设序列一第一层左上角空间位置为(x1,y1,z1),序列二第一层左上角空间位置为(x2,y2,z2),统一后的体像素为p,则序列一第m层对应的序列二第n层的匹配则满足关系:
确定层数对齐后,再利用空间位置信息,将各序列图像裁剪成统一大小,去除不需要的图像信息部分;由此生成通过物理信息得到各序列层与层之间一一对应的各序列图像组成的图像矩阵,通过颈动脉血管分支层则可检验判定各序列对应层数是否真正对齐;
4)各序列多模态二维图像内壁分割:依次选定某序列MRI图像,选定需要分割的起始层和终止层,在起始层图像选定颈动脉所在的ROI,利用分割方法,实现整个序列的连续自动分割;
5)基于内壁轮廓的三维配准:在确定层间对齐之后,考虑将颈动脉区域进行像素间匹配,由于多模态磁共振图像本身原因,影像相邻灰度差异很小,难以捕捉到很多纹理特征,因此利用清晰的内壁轮廓分割结果进行三维的连续配准。
2.如权利要求1所述的一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,其特征在于:所述步骤1)包括以下过程:
(1.1)导出原数据DICOM标签信息,首先将各序列图像的标签信息保存:行分辨率Rows(m),列分辨率Columns(n),层厚Slice Thickness(t),切片间距Spacing Between Slices(s),像素间距Pixel Spacing(p1,p2),当前图像左上角顶点在空间中的三维坐标ImagePosition Patient(x,y,z),当前图像第一行在空间中的三维方向向量与第一列的三维方向向量
(1.2)计算世界坐标系坐标:根据Image Position Patient,得到整张图像的左上角的顶点坐标(x,y,z),再根据Image OrientationRows(m),Columns(n),PixelSpacing(p1,p2)计算该层图像四个顶点位置坐标,进而确定整张图像上任意像素点在空间坐标系下的三维坐标,由此得到多序列磁共振图像中各层各像素在空间坐标系下的三维坐标,该层的四个顶点坐标为:
P1=(x,y,z)
P2=(x+r*(m-1)*p1,y,z)
P3=(x,y+c*(n-1)*p2,z)
P4=(x+r*(m-1)*p1,y+c*(n-1)*p2,z)
其中P1至P4表示四个顶点。
3.如权利要求1或2所述的一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,其特征在于:所述步骤2)包括以下过程:
(2.1)统一扫描层面:对颈动脉进行分析是使用其二维的横断位图像,由此清楚地观察并检测到二维图像的血管位置,因此,需要将采集到的冠状位的图像序列进行格式转换,使之成为横断位;横断位图像则不需要以上操作,此步骤操作如下:将冠状位各层二维图像按前后顺序堆叠组成一个三维矩阵,再以垂直于原始层的方向提取新的横断位的切片层;
(2.2)统一体像素:在进行多模态图像的对齐配准之前,首先各序列图像保持体像素统一,因此,在将冠状位转换成横断位图像的同时,考虑到图像大小不一致,要兼顾到保持体像素一致,则需要对原始图像组成的三维矩阵,重新进行合理的插值生成需要的同体像素的网格矩阵,而原始扫描层面即为横断位的,仅需要进行体像素的统一,此处保持体像素一致,即(p1,p2,p3)转换成(p,p,p),其中p1,p2,p3表示原始体像素,p表示统一的体像素,且p=min(p1,p2,p3)。
4.如权利要求1或2所述的一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,其特征在于:所述步骤4)包括以下过程:
(4.1)基于最大类间差的分割方法:以最大类间差方法得到的最佳阈值对内壁分割,从而得到内壁轮廓,同时以此内壁轮廓作为初始轮廓;
(4.2)基于水平集的分割方法:采用基于能量泛函的图像分割方法,将最大类间差方法得到的内壁分割轮廓先进行形态学腐蚀,作为水平集的初始轮廓曲线C,进而得到较为光滑的内壁轮廓;
(4.3)对以上分割结果进行筛选,剔除不符合的部分。
5.如权利要求1或2所述的一种基于物理对齐和轮廓匹配的多模态颈动脉MRI配准方法,其特征在于:所述步骤5)包括以下过程:
(5.1)基于内壁轮廓中心线特征的三维配准:利用分割得到的内壁轮廓提取其三维几何中心线进行多模态序列间的三维配准,该配准结果主要是为了得到多模态序列间的血管附近位置的平移变换,将颈动脉血管的中心点进行最大程度的匹配;
三维点云P和Q分别指颈动脉多模态磁共振数据中同一病人的两组不同序列的内壁轮廓:
其中,(x,y)表示该层内壁轮廓的二维坐标,z轴表示对应的层数;
以三维点云P作为参考点云,三维点云Q作为浮动点云,由P和Q各层内壁轮廓的重心得到中心线p和q,则需要求得q中每一个点在p中的对应的近点,其中任意两点的距离d使用其欧式距离:
求出使上述对应点对平均距离最小的刚体变换,得到其旋转参数R和平移参数T,基于该关系得到新的变换点集q:
迭代上述过程直至新的变换点集p与参考点集q的平均距离小于设置的阈值,利用最小二乘法求最优解,定义函数E:
计算出E最小时的R和T,即为要求解的变换矩阵,得到R和T之后,再将各层内壁分割的几何中心点组成的三维点利用以下对应关系:
则得到变换后的几何中心点的三维坐标q,并以此变换对原始图像进行配准;
(5.2)基于内壁轮廓表面特征的三维配准:利用分割得到的内壁表面轮廓进行多模态序列间的三维配准,由于几何中心线之间的初步配准难以反映血管壁的各种变化,因此有必要对多模态MRI图像序列进行三维内壁分割结果配准,从而调整颈动脉血管附近区域准确匹配;
三维点云P和Q分别指颈动脉多模态磁共振数据中同一病人的两组不同序列的内壁轮廓:
其中,(x,y)表示该层内壁轮廓的二维坐标,z轴表示对应的层数,以三维点云P作为参考点云,三维点云Q作为浮动点云,求得Q中每一个点在P中的对应的近点,其中任意两点的距离使用其欧式距离:
求出使上述对应点对平均距离最小的刚体变换,得到其旋转参数R和平移参数T,基于该关系得到新的变换点集Q:
迭代上述过程直至新的变换点集P与参考点集Q的平均距离小于设置的阈值,利用最小二乘法求最优解,定义函数E:
计算出E最小时的R和T,即为要求解的变换矩阵,得到R和T之后,再将各层内壁分割的几何中心点组成的三维点利用以下对应关系:
则得到变换后的内壁轮廓的三维坐标Q,并以此变换对原始图像进行三维内壁表面轮廓配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711213529.1A CN108053433B (zh) | 2017-11-28 | 2017-11-28 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711213529.1A CN108053433B (zh) | 2017-11-28 | 2017-11-28 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053433A CN108053433A (zh) | 2018-05-18 |
CN108053433B true CN108053433B (zh) | 2020-06-02 |
Family
ID=62120747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711213529.1A Active CN108053433B (zh) | 2017-11-28 | 2017-11-28 | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053433B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738597A (zh) * | 2018-07-19 | 2020-01-31 | 北京连心医疗科技有限公司 | 多分辨率医学影像在神经网络中的尺寸自适应预处理方法 |
CN109584368B (zh) * | 2018-10-18 | 2021-05-28 | 中国科学院自动化研究所 | 生物样品三维结构的构建方法及装置 |
CN109727254B (zh) * | 2018-11-27 | 2021-03-05 | 深圳市重投华讯太赫兹科技有限公司 | 人体扫描图像处理方法、设备及计算机可读存储介质 |
CN109712176A (zh) * | 2018-11-28 | 2019-05-03 | 众安信息技术服务有限公司 | 一种多序列图像的标注方法及系统 |
CN109754388B (zh) * | 2018-12-04 | 2021-03-16 | 众安信息技术服务有限公司 | 一种颈动脉狭窄程度计算方法、装置及存储介质 |
CN109990706A (zh) * | 2019-03-28 | 2019-07-09 | 中国核电工程有限公司 | 燃料芯块外观尺寸的在线检测装置和方法 |
CN110264479B (zh) * | 2019-06-25 | 2023-03-24 | 南京景三医疗科技有限公司 | 基于随机游走和水平集的三维图像分割方法 |
CN110189258B (zh) * | 2019-07-23 | 2019-10-25 | 南京景三医疗科技有限公司 | 基于mri多模态序列的颈动脉管腔和管壁自动分割方法 |
CN111419399A (zh) * | 2020-03-17 | 2020-07-17 | 京东方科技集团股份有限公司 | 定位跟踪件、定位球的识别方法、存储介质及电子设备 |
US11348259B2 (en) * | 2020-05-23 | 2022-05-31 | Ping An Technology (Shenzhen) Co., Ltd. | Device and method for alignment of multi-modal clinical images using joint synthesis, segmentation, and registration |
CN112951381B (zh) * | 2020-05-28 | 2023-02-28 | 福州宜星大数据产业投资有限公司 | 肝脏ct、mri多期增强检查图像的配准方法 |
CN114187334B (zh) * | 2021-10-12 | 2022-09-13 | 武汉兰丁云医学检验实验室有限公司 | 基于HE染色、Ki67、P16结合的相邻切片图像叠合对齐方法 |
CN114111593B (zh) * | 2021-11-25 | 2024-02-27 | 征图新视(江苏)科技股份有限公司 | 一种键盘自动检测设备及其成像方法 |
CN114155243B (zh) * | 2022-02-09 | 2022-07-05 | 天津恒宇医疗科技有限公司 | 基于特征信息的ivus和oct图像融合方法及系统 |
CN114863017A (zh) * | 2022-04-27 | 2022-08-05 | 青岛海信医疗设备股份有限公司 | 一种数据处理方法、设备及装置 |
CN115762722B (zh) * | 2022-11-22 | 2023-05-09 | 南方医科大学珠江医院 | 一种基于人工智能的影像复查系统 |
CN116342604B (zh) * | 2023-05-30 | 2023-08-08 | 长沙泛一参数信息技术有限公司 | 一种基于剪力墙外形实现轮廓相似匹配的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942772A (zh) * | 2014-05-15 | 2014-07-23 | 北京思创贯宇科技开发有限公司 | 一种多模态多维度的血管融合方法及系统 |
CN104504705A (zh) * | 2014-12-25 | 2015-04-08 | 东南大学 | 小动物多模态医学影像配准及融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8860753B2 (en) * | 2004-04-13 | 2014-10-14 | University Of Georgia Research Foundation, Inc. | Virtual surgical system and methods |
-
2017
- 2017-11-28 CN CN201711213529.1A patent/CN108053433B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942772A (zh) * | 2014-05-15 | 2014-07-23 | 北京思创贯宇科技开发有限公司 | 一种多模态多维度的血管融合方法及系统 |
CN104504705A (zh) * | 2014-12-25 | 2015-04-08 | 东南大学 | 小动物多模态医学影像配准及融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108053433A (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053433B (zh) | 一种基于物理对齐和轮廓匹配的多模态颈动脉mri配准方法 | |
CN110338844B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
US9186062B2 (en) | System and method for providing 2-dimensional computerized- tomography image corresponding to 2-dimensional ultrasound image | |
US7822246B2 (en) | Method, a system and a computer program for integration of medical diagnostic information and a geometric model of a movable body | |
US20150023577A1 (en) | Device and method for determining physiological parameters based on 3d medical images | |
US8948484B2 (en) | Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition | |
CN110782428B (zh) | 一种用于构建临床脑部ct图像roi模板的方法及系统 | |
US20220370033A1 (en) | Three-dimensional modeling and assessment of cardiac tissue | |
CN104240180A (zh) | 一种实现图像自动调整的方法及装置 | |
CN111291736A (zh) | 图像修正方法、装置及医疗设备 | |
CN108670301B (zh) | 一种基于超声影像的脊柱横突定位方法 | |
US11551371B2 (en) | Analyzing symmetry in image data | |
CN110033454B (zh) | Ct图像中大面积粘连肺边界组织的肺肿瘤的分割方法 | |
EP4167184A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
EP3874447A1 (en) | Methods and systems for medical image processing using a convolutional neural network (cnn) | |
CN109785340A (zh) | 基于多图谱的心脏磁共振图像右心室分割计算设备及方法 | |
Zhang et al. | Real time 3-D ultrasound to MR cardiovascular image registration using a phase-based approach | |
Erdt et al. | Computer aided segmentation of kidneys using locally shape constrained deformable models on CT images | |
Noble et al. | Myocardial delineation via registration in a polar coordinate system1 | |
Guzmán et al. | Slice correspondence estimation using SURF descriptors and context-based search for prostate whole-mount histology MRI registration | |
Liao et al. | Morphology-based interslice interpolation using local intensity information for segmentation | |
Suvarna et al. | DeltaAI: Semi-Autonomous Tissue Grossing Measurements and Recommendations using Neural Radiance Fields for Rapid, Complete Intraoperative Histological Assessment of Tumor Margins | |
Chen et al. | An efficient algorithm for point set registration using analytic differential approach | |
Dawood et al. | A hybrid method for endocardial contour extraction of right ventricle in 4-slices from 3D echocardiography dataset | |
Zhou et al. | Automatic detection and segmentation of large lung cancers from chest ct images |
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 |