CN108171737A - 一种具有不可压缩器官的医学图像配准方法及系统 - Google Patents
一种具有不可压缩器官的医学图像配准方法及系统 Download PDFInfo
- Publication number
- CN108171737A CN108171737A CN201810018777.9A CN201810018777A CN108171737A CN 108171737 A CN108171737 A CN 108171737A CN 201810018777 A CN201810018777 A CN 201810018777A CN 108171737 A CN108171737 A CN 108171737A
- Authority
- CN
- China
- Prior art keywords
- field
- current iteration
- registration
- iteration
- 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.)
- Granted
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种具有不可压缩器官的医学图像配准方法及系统，所述方法包括：接收固定图像和待配准图像，将固定图像和待配准图像进行预配准后，获得待配准图像向固定图像配准后的本次迭代的第一速度场；根据本次迭代的第一速度场和上一次迭代获得的速度场，基于BCH公式计算获得本次迭代的第二速度场；将本次迭代的第二速度场通过霍其‑亥姆霍兹分解，通过调合场的自适应权重对调合场进行放大，将放大后的调合场与无源场叠加，获得本次迭代的速度场；将本次迭代的速度场通过指数变换进行逆变换，获得本次迭代的形变场。本发明提供的方法，使求得的形变场既具有不可压缩性还能够高精度地跟踪具有滑动位移的不可压缩器官，提高了配准精度和速度。
Description
技术领域
本发明涉及图像处理领域，更具体地，涉及一种具有不可压缩器官的医学图像配准方法及系统。
背景技术
在临床医学领域中，针对同一病人的非刚性配准技术，可分析同一解剖结构在不同时期的变化，已广泛应用于运动分析、肿瘤跟踪检测、肝脏消融手术术后评估、监视手术区域愈合状况等。配准技术用于临床应用需考虑人体组织具有的特定的生物学特性，由于柔性组织内部含水量很高，该类组织在形变的过程中可以被视为不可压缩组织，即保持自身体积不变，例如肝脏随呼吸运动上下移动的过程中，心肌在心脏跳动的过程中，它们自身体积均不发生改变，这就需要配准求得的形变场作用于图像之后不会使图像中柔性组织区域发生体积变化，即形变场具有良好的不可压缩性。传统的非刚性配准算法没有考虑临床柔性组织的不可压缩特性，使得配准后的图像体积发生变化，不利于手术的评估与分析。保证柔性组织在配准的过程中体积不变具有重要的临床意义，不可压缩配准成为了研究的热点。
现有技术中，不可压缩配准算法可以分为以下三类：一类方法将不可压缩区域内实际发生的非刚性形变视为刚性形变，Tanner在文献中Volume and shape preservationof enhancing lesions when applying non-rigid registration to a time series ofcontrast enhancing MR breast images提出，通过限制像素点位移量大小来实现不可压缩配准。先初始配准整幅图像，并确定需要体积保持不变的区域。随后将这些区域内像素点位移量限制在一个常量之内，这个常量为初始配准中各像素点位移量的平均值，求得最终形变场。Greene在文献Constrained non-rigid registration for use in image-guidedadaptive radiotherapy中提出，先将图像中的柔性组织分割出来，并对整幅图像进行刚性配准，然后单独地对柔性组织进行多分辨率的弹性配准，其中各像素点位移量限制在一个与当前分辨率相关的常量内，将弹性配准得到的形变场与刚性配准得到的形变场相结合得到最终形变场。这类方法虽然保证不可压缩区域体积不发生变化，但是违背了非刚性形变的事实，导致配准精度不高。
另一类方法在优化过程中引入非线性限制，通过惩罚可压缩的形变场，使得最终求得的形变场具有不可压缩性。Rohlfing在文章Volume-preserving nonrigidregistration of MR breast images using free-form deformation with anincompressibility constraint中提出在能量函数中加入非线性惩罚项，惩罚雅克比行列式对数值不为0的形变场。Haber在文献Numerical methods for volume preservingimage registration中提出在能量函数中加入非线性惩罚项，在形变场雅克比行列式为1的限制条件下最小化能量函数。这类方法在求解形变场的过程中需要优化含有非线性项的能量函数，导致优化过程计算复杂度很高。
第三类方法中，通过获得散度为0的无源矢量场，并将此无源场作为形变场作用于图像后保持体积不变，实现不可压缩的图像配准。Bistoquet在文章Myocardialdeformation recovery from cine MRI using a nearly incompressiblebiventricular model中提到，引入形变场散度为0的限制条件，利用无散的径向基函数插值求得柔性组织区域内各像素点的位移量，最终得到的该形变场即是一个散度为0的场，可在配准的过程中保证不可压缩性。但是在图像形变较大的时候，通过限制条件使形变场散度趋于0实现起来十分困难，使得该算法最终求得的形变场散度大于0，导致不可压缩性下降。为了能在较大的图像形变下仍保持不可压缩性，通过将形变场进行矢量分解获取无源场和无旋场，并保留散度为0的无源场成分作为新的形变场，实现不可压缩配准。然而，无源场是一个仅有旋度而无散度的纯旋场，具备旋转分量缺乏平移分量，当两幅图像中出现较大的滑移运动时配准精度有所下降。
发明内容
为解决现有技术中对不可压缩器官的医学图像配准过程中，配准精度不高且配准速度慢的缺陷，提供一种具有不可压缩器官的医学图像配准方法及系统。
根据本发明的一个方面，提供一种具有不可压缩器官的医学图像配准方法，包括：
S1，接收固定图像和待配准图像，将所述固定图像和待配准图像根据上一次迭代获得的形变场进行预配准后，基于高斯牛顿算法和高效二阶最小化算法计算获得所述待配准图像向所述固定图像配准后的本次迭代的第一速度场。
其中，所述固定图像和待配准图像为包含相同的不可压缩的器官的医学图像；
S2，根据所述本次迭代的增量速度场和上一次迭代获得的速度场，基于Baker-Campbell-Hausdorff公式计算获得本次迭代的第一速度场；
S3，将所述本次迭代的第二速度场通过霍其-亥姆霍兹分解，获得所述本次迭代的第二速度场的无源场和调和场；同时计算所述调合场的自适应权重，通过所述调合场的自适应权重对所述调合场进行放大，将放大后的调合场与所述无源场叠加，获得本次迭代的速度场；
S4，判断获知所述本次迭代的速度场使得配准能量场的能量小于预设阈值，将所述本次迭代的速度场通过指数变换进行逆变换，获得本次迭代的形变场，将本次迭代获得的形变场作为令所述待配准图像向所述固定图像配准的形变场。
其中，所述步骤S1之前还包括：若本次迭代为第一次迭代，则初始化速度场，使得初始的速度场为0，同时初始化所述形变场使得，初始的形变场为1。
其中，所述步骤S4中还包括，判断获知所述本次迭代的速度场使得配准能量场的能量大于预设阈值，则提取本次迭代的速度场和本次迭代的形变场，返回执行S1。
其中，所述步骤S4中还包括计算所述本次迭代的速度场的能量函数，具体为：
根据所述本次迭代的速度场对所述固定图像和待配准图像进行相似性测度计算；
计算本次迭代的速度场和所述上一次迭代获得的速度场的差异项，将所述相似性测度和所述差异项进行叠加，获得所述本次迭代的速度场的能量函数。
其中，所述能量函数具体通过以下公式获得：
式中，E为能量函数，表示第i-1次迭代时获得的分辨率等级为j级的速度场，为本次迭代获得的速度场，为噪声系数，为步长系数，Fj为分辨率等级为j级的固定图像，Mj为分辨率等级为j级的待配准图像。
式中为相似性测度。
其中，所述步骤S3中，所述自适应权重通过以下公式计算获得；
式中，k为自适应权重，Jac(.)为雅克比行列式，std(.)为标准差函数
根据本发明的第二方面，提供一种具有不可压缩器官的医学图像配准系统，包括：
预配准单元，用于接收固定图像和待配准图像，将所述固定图像和待配准图像根据上一次迭代获得的形变场进行预配准后，基于高斯牛顿算法和高效二阶最小化算法计算获得所述待配准图像向所述固定图像配准后的本次迭代的第一速度场；
其中，所述固定图像和待配准图像为包含相同的不可压缩的器官的医学图像；
速度场更新单元，用于根据所述本次迭代的第一速度场和上一次迭代获得的速度场，基于Baker-Campbell-Hausdorff公式计算获得本次迭代的第二速度场；
速度场分解单元，将所述本次迭代的第二速度场通过霍其-亥姆霍兹分解，获得所述本次迭代的第二速度场的无源场和调和场；同时计算所述调合场的自适应权重，通过所述调合场的自适应权重对所述调合场进行放大，将放大后的调合场与所述无源场叠加，获得本次迭代的速度场；
输出单元，用于判断获知所述本次迭代的速度场使得配准能量场的能量小于预设阈值，将所述本次迭代的速度场通过指数变换进行逆变换，获得本次迭代的形变场，将本次迭代获得的形变场作为令所述待配准图像向所述固定图像配准的形变场。
其中，所述输出单元还用于，判断获知所述本次迭代的速度场使得配准能量场的能量大于预设阈值，则提取本次迭代的速度场和本次迭代的形变场，返回执行预配准单元。
本发明提供的方法，通过对配准过程中的速度场进行迭代更新和分解，同时整合了调和场，使求得的形变场既具有不可压缩性还能够高精度地跟踪具有滑动位移的不可压缩器官，有效提高配准精度和速度。
附图说明
图1为本发明一实施例提供的一种具有不可压缩器官的医学图像配准方法的流程图；
图2为速度场经过霍其-亥姆霍兹分解时的原理图；
图3为本发明另一实施例提供的一种具有不可压缩器官的医学图像配准系统的结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参考图1，图1为本发明一实施例提供的一种具有不可压缩器官的医学图像配准方法的流程图，所述方法包括：
S1，接收固定图像和待配准图像，将所述固定图像和待配准图像根据上一次迭代获得的形变场进行预配准后，基于高斯牛顿算法和高效二阶最小化算法计算获得所述待配准图像向所述固定图像配准后的本次迭代的第一速度场。
其中，所述固定图像和待配准图像为包含相同的不可压缩的器官的医学图像。
具体的，给定一个固定图像F和一个带配准图像M，其中，所述固定图像和待配准图像为包含相同的不可压缩的器官的医学图像，且图像的维度相等，同为二维图像或同为三维图像，通过上一次迭代计算中的形变场来对图像F和图像M进行，在每次迭代中，都会对能量函数进行优化，根据上一次迭代中获得的速度场基于高斯牛顿算法和高效二阶最小化算法，计算获得本次迭代中的需要用到的增量度场也就是第一速度场具体通过上次迭代中获得的速度场进行指数变换的逆变换，获得上次迭代的形变场，通过上次迭代获得的形变场将带配准图像M向固定图像F进行预配准，随后通过对称梯度公式计算求得本次迭代中的第一速度场为一个矢量场强度很小的场，具体计算公式为：
其中，Fj为分辨率等级为j级的固定图像，Mj为分辨率等级为j级的待配准图像，为第i次迭代中获得的j级分辨率下的第一速度场，为第i-1次迭代中j级分辨率下获得的形变场，J为对称梯度，定义为在整个迭代过程中，根据第i-1次迭代中的速度场求解第i次迭代中的用于更新的第一速度场通过本次迭代中的第一速度场对上一次迭代中获得速度场进行更新，使得在上一使得本次迭代中获得的速度场能使能量函数取的极小值。
S2，根据所述本次迭代的第一速度场和上一次迭代获得的速度场，基于Baker-Campbell-Hausdorff公式计算获得本次迭代的第二速度场。
具体的，采用Baker-Campbell-Hausdorff(BCH)公式可以一阶近似计算待求速度场其中，BCH公式具体为，
式中，[·,·]运算符定义为通过BCH公式计算后，可以获得本次迭代中的第二速度场
S3，将所述本次迭代的第二速度场通过霍其-亥姆霍兹分解，获得所述本次迭代的第二速度场的无源场和调和场；同时计算所述调合场的自适应权重，通过所述调合场的自适应权重对所述调合场进行放大，将放大后的调合场与所述无源场叠加，获得本次迭代的速度场。
具体的，由于本次迭代中获得的第二速度场的散度不为0，其对应的形变场作用于图像后会使体积发生变化。因此在此步骤中将第二速度场进行霍其-亥姆霍兹分解。根据亥姆霍兹定理可知，一个速度场可以分解为一个无旋场一个无源场和一个调合场图2示出了一个2D的速度场经过亥姆霍兹(Hodge-Helmholtz)分解后的结果。在该步骤中，将本次迭代中的第二速度场根据霍其-亥姆霍兹分解后，是无旋场，可表示为标量势函数E的梯度 满足条件是无源场，可表示为向量势函数的旋度满足条件是调和场，既满足又满足既是无源场也是无旋场。为梯度算符，为散度算符，为旋度算符。
通过对每一次迭代中的第二速度场在柔性组织区域内进行霍其-亥姆霍兹分解，按照Guo提出的求解无旋场和无源场的方法，先求解和相应势函数E和通过最小化E和与第二速度场的欧氏距离，得到最终的无旋场和无源场，将得到的无旋场和无源场与第二速度场相减，可以求出调合场。
在本步骤中求得的无源场和调合场的散度均为0，速度场的散度为0表示该速度场对应的形变场作用于图像之后，并不会使图像的体积发生改变，但是当待配准柔性组织间存在较大的滑移运动时，单独使用无源场并不能对滑移运动进行有效的步长，因此需要将调合场与无源场进行叠加，可以补足无源场缺乏的平移分量，用于配准有较大尺度的滑移运动的图像。然而由于调合场是一个矢量强度很小场，因此直接与无源场简单地叠加不会对无源场带来明显的变化。在此步骤中需要进一步对调合场设置适当的权重，使得调合场经过自适应权重进行放大后，再与无源场叠加得到自适应速度场作为本轮迭代中的最终速度场，即
S4，判断获知所述本次迭代的速度场使得配准能量场的能量小于预设阈值，将所述本次迭代的速度场通过指数变换进行逆变换，获得本次迭代的形变场，将本次迭代获得的形变场作为令所述待配准图像向所述固定图像配准的形变场。
具体的，在求得本次迭代的最终速度场后，通过对最终速度场的能量函数进行计算，当能量函数小于预设阈值，即本次迭代的速度场的能量小于预设阈值，则将本次迭代中的最终速度场经过指数变换的逆变换，获得本次迭代的形变场，该形变场作为令所述待配准图像向所述固定图像配准的形变场。
通过此方法，通过对配准过程中的速度场进行迭代更新和分解，同时整合了调和场，使求得的形变场既具有不可压缩性还能够高精度地跟踪具有滑动位移的不可压缩器官，有效提高配准精度和速度。
在本实施例提供的方法中，还可以对固定图像F和一个待配准图像M再不同级别的分辨率下采用多分辨率配准，采用J-level多分辨率配准中，高分辨率下的形变场由低分辨率的形变场进行双三次插值上采样得到，从而可以获得在不同分辨率下的形变场。
通过此方法，采用多分辨率配准有效提高配准精度和速度。由于其分辨率由低到高逐步增长，高分辨率下的形变场由上一级较低分辨率下的形变场插值得到，可以让本文算法更好地处理较大的形变，从而避免陷入局部最小值。
在上述实施例的基础上，所述步骤S1之前还包括：若本次迭代为第一次迭代，则初始化速度场，使得初始的速度场为0，同时初始化所述形变场使得，初始的形变场为1。
具体的，在第一次迭代的时候，会对速度场进行初始化，初始化的速度场的值为0，因此，根据指数变换的逆变换可以得出初始的形变场的值为1。
在上述实施例的基础上，所述步骤S2之前还包括：对所述本次迭代的第一速度场进行高斯平滑，获取高斯平滑后的本次迭代的第一速度场。
所述步骤S3之前还包括：对所述本次迭代的第二速度场进行高斯平滑，获取高斯平滑后的本次迭代的第二速度场
具体的，为了使本次迭代中的第一速度场在对数域中保持平滑，则需要对其正则化，即对高斯平滑，具体公式为：
式中，G1为对所述第一速度场进行高斯平滑的高斯卷积核，★为卷积运算符，为第i次迭代中j级分辨率下的高斯平滑后的第一速度场。
另一方面，为了保证S3中计算出的第二速度场满足微分同胚配，同样要对所述第二速度场进行高斯平滑，具体公式为：
式中，G2为对所述第二速度场进行高斯平滑的高斯卷积核，★为卷积运算符，为在i次迭代中第j级分辨率下的高斯平滑后的第二速度场。
通过此方法，微分同胚性使固定图像和待配准图像一一映射，可防止形变场发成折叠。
在上述是各实施例的基础上，所述步骤S4中还包括，判断获知所述本次迭代的速度场使得配准能量场的能量大于预设阈值，则提取本次迭代的速度场和本次迭代的形变场，返回执行S1。
其中，步骤S4中还包括计算所述本次迭代的速度场的能量函数，具体为：
根据所述本次迭代的速度场对所述固定图像和待配准图像进行相似性测度计算；
计算本次迭代的速度场和所述上一次迭代获得的速度场的差异项，将所述相似性测度和所述差异项进行叠加，获得所述本次迭代的速度场的能量函数。
其中，所述能量函数具体通过以下公式获得：
式中，E为能量函数，表示第i-1次迭代时获得的分辨率等级为j级的速度场，为本次迭代获得的速度场，为噪声系数，为步长系数，Fj为分辨率等级为j级的固定图像，Mj为分辨率等级为j级的待配准图像。
式中为相似性测度。
具体的，两幅图像的对齐效果采用如下所示的能量函数来衡量：
其中，能量函数越小对齐效果越佳，式中，E为能量函数，表示第i-1次迭代时获得的分辨率等级为j级的速度场，为本次迭代获得的速度场，为噪声系数，为步长系数，Fj为分辨率等级为j级的固定图像，Mj为分辨率等级为j级的待配准图像。
式中为相似性测度。
在每一次迭代中，将最终获得的自适应速度场作为下一次迭代的初始速度场，相继进行第一速度场计算，第二速度场计算，第二速度场分解，自适应速度场计算，直到上述能量函数的能量达到最小值，在能量函数达到最小值的时候，将该次迭代中获得的自适应速度场作为最终的速度场。对该速度场进行指数变换的逆变换，从而获得配准所需的形变场。
在上述实施例的基础上，所述步骤S4中，所述自适应权重通过以下公式计算获得；
式中，k为自适应权重，a为常数，Jac(.)为雅克比行列式，std(.)为标准差函数，表示第i次迭代中分辨率为j的第二速度场。
具体的，由于调和场是一个矢量场强度很小的场，因此直接与无源场简单地叠加不会对无源场带来明显的变化。因而需要计算自适应权重k，将k与调和场进行相乘放大，后再将放大后的调合场与无源场叠加从而获得自适应速度场作为本轮迭代的最终速度场，在自适应权重的计算中，如果k值过大，则会导致经过放大后的调合场矢量强度过大，与无源场叠加后会破坏原有的形变场，使得配准精度下降，而如果k值太小，则失去了对调合场放大的意义，因此，自适应权重的值由以下公式来计算：
式中，k为自适应权重，a为常数，Jac(.)为雅克比行列式，std(.)为标准差函数，表示第i次迭代中分辨率为j的第二速度场。式中常数a的取值范围在0～1之间，在本实施例中设定a＝0.1。
当柔性组织区域内的形变场的雅克比行列式的值趋近于1时，对应的形变场具有良好的不可压缩性，雅克比行列式的标准差就会减小，对应的k就会增大；反之，k就会减小。本实施例中将算法将自适应权重k与柔性组织区域内的形变场雅克比行列式建立关联，使得在形变场具有充足的不可压缩性时适当增大k的值，进一步补充平移分量；在形变场不可压缩性不佳时适当缩小k的值，维持不可压缩性。
在本发明的另一实施例中，参考图3，图3为本发明另一实施例提供的一种具有不可压缩器官的医学图像配准系统的结构图，所述系统包括：预配准单元31，速度场更新单元32，速度场分解单元33和输出单元34。
其中，预配准单元31用于接收固定图像和待配准图像，将所述固定图像和待配准图像根据上一次迭代获得的形变场进行预配准后，基于高斯牛顿算法和高效二阶最小化算法计算获得所述待配准图像向所述固定图像配准后的本次迭代的第一速度场。
具体的，给定一个固定图像F和一个带配准图像M，其中，所述固定图像和待配准图像为包含相同的不可压缩的器官的医学图像，且图像的维度相等，同为二维图像或同为三维图像，通过上一次迭代计算中的形变场来对图像F和图像M进行，在每次迭代中，都会对能量函数进行优化，根据上一次迭代中获得的速度场基于高斯牛顿算法和高效二阶最小化算法，计算获得本次迭代中的需要用到的第一速度场具体通过上次迭代中获得的速度场进行指数变换的逆变换，获得上次迭代的形变场，通过上次迭代获得的形变场将带配准图像M向固定图像F进行预配准，随后通过对称梯度公式计算求得本次迭代中的第一速度场为一个矢量场强度很小的场，具体计算公式为：
其中，Fj为分辨率等级为j级的固定图像，Mj为分辨率等级为j级的待配准图像，为i-1次迭代中获得的分辨率为j形变场，J为对称梯度，定义为
其中，速度场更新单元32用于根据所述本次迭代的第一速度场和上一次迭代获得的速度场，基于Baker-Campbell-Hausdorff公式计算获得本次迭代的第二速度场。
具体的，采用Baker-Campbell-Hausdorff(BCH)公式可以一阶近似计算待求速度场其中，BCH公式具体为，
式中，[·,·]运算符定义为通过BCH公式计算后，可以获得本次迭代中的第二速度场
其中，速度场分解单元33用于将所述本次迭代的第二速度场通过霍其-亥姆霍兹分解，获得所述本次迭代的第二速度场的无源场和调和场；同时计算所述调合场的自适应权重，通过所述调合场的自适应权重对所述调合场进行放大，将放大后的调合场与所述无源场叠加，获得本次迭代的速度场。
具体的，由于本次迭代中获得的第二速度场的散度不为0，其对应的形变场作用于图像后会使体积发生变化。因此在此单元中将第二速度场进行霍其-亥姆霍兹分解。根据亥姆霍兹定理可知，一个速度场可以分解为一个无旋场一个无源场和一个调合场图2示出了一个2D的速度场经过亥姆霍兹(Hodge-Helmholtz)分解后的结果。在该单元中，将本次迭代中的第二速度场根据霍其-亥姆霍兹分解后，是无旋场，可表示为标量势函数E的梯度满足条件是无源场，可表示为向量势函数的旋度满足条件是调和场，既满足又满足既是无源场也是无旋场。为梯度算符，为散度算符，为旋度算符。
通过对每一次迭代中的第二速度场在柔性组织区域内进行霍其-亥姆霍兹分解，按照Guo提出的求解无旋场和无源场的方法，先求解和相应势函数E和通过最小化E和与第二速度场的欧氏距离，得到最终的无旋场和无源场，将得到的无旋场和无源场与第二速度场相减，可以求出调合场。
在本单元中求得的无源场和调合场的散度均为0，速度场的散度为0表示该速度场对应的形变场作用于图像之后，并不会使图像的体积发生改变，但是当待配准柔性组织间存在较大的滑移运动时，单独使用无源场并不能对滑移运动进行有效的步长，因此需要将调合场与无源场进行叠加，可以补足无源场缺乏的平移分量，用于配准有较大尺度的滑移运动的图像。然而由于调合场是一个矢量强度很小场，因此直接与无源场简单地叠加不会对无源场带来明显的变化。在此单元中需要进一步对调合场设置适当的权重，使得调合场经过自适应权重进行放大后，再与无源场叠加得到自适应速度场作为本轮迭代中的最终速度场，即
其中，输出单元34用于判断获知所述本次迭代的速度场使得配准能量场的能量小于预设阈值，将所述本次迭代的速度场通过指数变换进行逆变换，获得本次迭代的形变场，将本次迭代获得的形变场作为令所述待配准图像向所述固定图像配准的形变场。
具体的，在求得本次迭代的最终速度场后，通过对最终速度场的能量函数进行计算，当能量函数小于预设阈值，即本次迭代的速度场的能量小于预设阈值，则将本次迭代中的最终速度场经过指数变换的逆变换，获得本次迭代的形变场，该形变场作为令所述待配准图像向所述固定图像配准的形变场。
通过此系统，整合了调和场，使求得的形变场既具有不可压缩性还能够高精度地跟踪具有滑动位移的不可压缩器官，有效提高配准精度和速度。
在上述实施例的基础上，还可以对固定图像F和一个待配准图像M再不同级别的分辨率下采用多分辨率配准，采用J-level多分辨率配准中，高分辨率下的形变场由低分辨率的形变场进行双三次插值上采样得到，从而可以获得在不同分辨率下的形变场。
通过此系统，采用多分辨率配准有效提高配准精度和速度。由于其分辨率由低到高逐步增长，高分辨率下的形变场由上一级较低分辨率下的形变场插值得到，可以让本文算法更好地处理较大的形变，从而避免陷入局部最小值。
在上述各实施例的基础上，所述输出单元还用于，判断所述本次迭代的速度场的能量大于预设阈值，则提取本次迭代的速度场和本次迭代的形变场，返回执行预配准单元。
具体的，两幅图像的对齐效果采用如下所示的能量函数来衡量：
其中，能量函数越小对齐效果越佳，E为能量函数，表示第i-1次迭代时获得的分辨率等级为j级的速度场，为本次迭代获得的速度场，为噪声系数，为步长系数，Fj为分辨率等级为j级的固定图像，Mj为分辨率等级为j级的待配准图像。
式中为相似性测度。
在每一次迭代中，将最终获得的自适应速度场作为下一次迭代的初始速度场，相继进行第一速度场计算，第二速度场计算，第二速度场分解，自适应速度场计算，直到上述能量函数的能量达到最小值，在能量函数达到最小值的时候，将该次迭代中获得的自适应速度场作为最终的速度场。对该速度场进行指数变换的逆变换，从而获得配准所需的形变场。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种具有不可压缩器官的医学图像配准方法，其特征在于，包括：
S1，接收固定图像和待配准图像，将所述固定图像和待配准图像根据上一次迭代获得的形变场进行预配准后，基于高斯牛顿算法和高效二阶最小化算法计算获得所述待配准图像向所述固定图像配准后的本次迭代的第一速度场；
其中，所述固定图像和待配准图像为包含相同的不可压缩的器官的医学图像；
S2，根据所述本次迭代的第一速度场和上一次迭代获得的速度场，基于Baker-Campbell-Hausdorff公式计算获得本次迭代的第二速度场；
S3，将所述本次迭代的第二速度场通过霍其-亥姆霍兹分解，获得所述本次迭代的第二速度场的无源场和调和场；同时计算所述调合场的自适应权重，通过所述调合场的自适应权重对所述调合场进行放大，将放大后的调合场与所述无源场叠加，获得本次迭代的速度场；
S4，判断获知所述本次迭代的速度场使得配准能量场的能量小于预设阈值，将所述本次迭代的速度场通过指数变换进行逆变换，获得本次迭代的形变场，将本次迭代获得的形变场作为令所述待配准图像向所述固定图像配准的形变场。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1之前还包括：若本次迭代为第一次迭代，则初始化速度场，使得初始的速度场为0，同时初始化所述形变场使得，初始的形变场为1。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2之前还包括：对所述本次迭代的第一速度场进行高斯平滑，获取高斯平滑后的本次迭代的第一速度场。
4.根据权利要求3所述的方法，其特征在于，所述步骤S3之前还包括：对所述本次迭代的第二速度场进行高斯平滑，获取高斯平滑后的本次迭代的第二速度场。
5.根据权利要求1所述的方法，其特征在于，所述步骤S4中还包括，判断获知所述本次迭代的速度场使得配准能量场的能量大于预设阈值，则提取本次迭代的速度场和本次迭代的形变场，返回执行S1。
6.根据权利要求1所述的方法，其特征在于，所述步骤S4中还包括计算所述本次迭代的速度场的能量函数，具体为：
根据所述本次迭代的速度场对所述固定图像和待配准图像进行相似性测度计算；
计算本次迭代的速度场和所述上一次迭代获得的速度场的差异项，将所述相似性测度和所述差异项进行叠加，获得所述本次迭代的速度场的能量函数。
7.根据权利要求6所述的方法，其特征在于，所述能量函数具体通过以下公式获得：
式中，E为能量函数，表示第i-1次迭代时获得的分辨率等级为j级的速度场，为本次迭代获得的速度场，为噪声系数，为步长系数，Fj为分辨率等级为j级的固定图像，Mj为分辨率等级为j级的待配准图像；
式中为相似性测度。
8.根据权利要求1所述的方法，其特征在于，所述步骤S4中，所述自适应权重通过以下公式计算获得；
式中，k为自适应权重，a为常数，Jac(.)为雅克比行列式，std(.)为标准差函数，表示第i次迭代中分辨率为j的第二速度场。
9.一种具有不可压缩器官的医学图像配准系统，其特征在于，包括：
预配准单元，用于接收固定图像和待配准图像，将所述固定图像和待配准图像根据上一次迭代获得的形变场进行预配准后，基于高斯牛顿算法和高效二阶最小化算法计算获得所述待配准图像向所述固定图像配准后的本次迭代的第一速度场；
其中，所述固定图像和待配准图像为包含相同的不可压缩的器官的医学图像；
速度场更新单元，用于根据所述本次迭代的第一速度场和上一次迭代获得的速度场，基于Baker-Campbell-Hausdorff公式计算获得本次迭代的第二速度场；
速度场分解单元，用于将所述本次迭代的第二速度场通过霍其-亥姆霍兹分解，获得所述本次迭代的第二速度场的无源场和调和场；获取所述调合场的自适应权重，通过所述调合场的自适应权重对所述调合场进行放大，将放大后的调合场与所述无源场叠加，获得本次迭代的速度场；
输出单元，用于判断获知所述本次迭代的速度场使得配准能量场的能量小于预设阈值，将所述本次迭代的速度场通过指数变换进行逆变换，获得本次迭代的形变场，将本次迭代获得的形变场作为令所述待配准图像向所述固定图像配准的形变场。
10.根据权利要求9所述的系统，其特征在于，所述输出单元还用于，判断获知所述本次迭代的速度场使得配准能量场的能量大于预设阈值，则提取本次迭代的速度场和本次迭代的形变场，返回执行预配准单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810018777.9A CN108171737B (zh) | 2018-01-09 | 2018-01-09 | 一种具有不可压缩器官的医学图像配准方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810018777.9A CN108171737B (zh) | 2018-01-09 | 2018-01-09 | 一种具有不可压缩器官的医学图像配准方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108171737A true CN108171737A (zh) | 2018-06-15 |
| CN108171737B CN108171737B (zh) | 2020-11-20 |
Family
ID=62517808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810018777.9A Active CN108171737B (zh) | 2018-01-09 | 2018-01-09 | 一种具有不可压缩器官的医学图像配准方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171737B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215064A (zh) * | 2018-08-03 | 2019-01-15 | 华南理工大学 | 一种基于超像素向导的医学图像配准方法 |
| CN109685840A (zh) * | 2018-12-28 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 图像集配准方法、装置、计算机设备和存储介质 |
| CN110175958A (zh) * | 2019-04-24 | 2019-08-27 | 艾瑞迈迪科技石家庄有限公司 | 一种基于医学影像的消融结果分析方法和系统 |
| CN111161330A (zh) * | 2019-12-20 | 2020-05-15 | 东软医疗系统股份有限公司 | 非刚性图像配准方法、装置、系统、电子设备、存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050191103A1 (en) * | 2003-07-02 | 2005-09-01 | Kazuhiko Kobayashi | Method for setting rotational speed of register rollers and image forming apparatus using the method |
| CN105976364A (zh) * | 2016-04-28 | 2016-09-28 | 北京理工大学 | 基于简化带权无向图的统计平均模型构建方法 |
| CN107194956A (zh) * | 2017-05-16 | 2017-09-22 | 山东大学 | 一种非刚性医学图像配准方法 |
-
2018
- 2018-01-09 CN CN201810018777.9A patent/CN108171737B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050191103A1 (en) * | 2003-07-02 | 2005-09-01 | Kazuhiko Kobayashi | Method for setting rotational speed of register rollers and image forming apparatus using the method |
| CN105976364A (zh) * | 2016-04-28 | 2016-09-28 | 北京理工大学 | 基于简化带权无向图的统计平均模型构建方法 |
| CN107194956A (zh) * | 2017-05-16 | 2017-09-22 | 山东大学 | 一种非刚性医学图像配准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张桂梅等: "基于NystrÄom 低阶近似和谱特征的图像非刚性配准", 《自动化学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109215064A (zh) * | 2018-08-03 | 2019-01-15 | 华南理工大学 | 一种基于超像素向导的医学图像配准方法 |
| CN109215064B (zh) * | 2018-08-03 | 2021-06-08 | 华南理工大学 | 一种基于超像素向导的医学图像配准方法 |
| CN109685840A (zh) * | 2018-12-28 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 图像集配准方法、装置、计算机设备和存储介质 |
| CN109685840B (zh) * | 2018-12-28 | 2021-07-16 | 上海联影智能医疗科技有限公司 | 图像集配准方法、装置、计算机设备和存储介质 |
| CN110175958A (zh) * | 2019-04-24 | 2019-08-27 | 艾瑞迈迪科技石家庄有限公司 | 一种基于医学影像的消融结果分析方法和系统 |
| CN111161330A (zh) * | 2019-12-20 | 2020-05-15 | 东软医疗系统股份有限公司 | 非刚性图像配准方法、装置、系统、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108171737B (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108171737A (zh) | 一种具有不可压缩器官的医学图像配准方法及系统 | |
| Mardani et al. | Deep generative adversarial networks for compressed sensing automates MRI | |
| Li et al. | Motion correction for improved target localization with on-board cone-beam computed tomography | |
| US11372066B2 (en) | Multi-resolution quantitative susceptibility mapping with magnetic resonance imaging | |
| Hinkle et al. | 4D CT image reconstruction with diffeomorphic motion model | |
| CN111915696B (zh) | 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 | |
| US9140770B2 (en) | Method for reconstructing a signal from distorted experimental measurements and device for its implementation | |
| US20110007959A1 (en) | Ct surrogate by auto-segmentation of magnetic resonance images | |
| Freedman et al. | Rapid 4D-MRI reconstruction using a deep radial convolutional neural network: Dracula | |
| CN105989620B (zh) | 补偿在医学成像中的图像伪影 | |
| Xu et al. | Dictionary learning based low-dose X-ray CT reconstruction | |
| Bosma et al. | Quantitative investigation of dose accumulation errors from intra-fraction motion in MRgRT for prostate cancer | |
| Kuiper et al. | CT to MR registration of complex deformations in the knee joint through dual quaternion interpolation of rigid transforms | |
| Tay et al. | A method for in-vivo kinematic analysis of the forearm | |
| Ai et al. | Nonrigid registration for tracking incompressible soft tissues with sliding motion | |
| Boussaid et al. | 3D Model-based reconstruction of the proximal femur from low-dose biplanar x-ray images | |
| CN109767410A (zh) | 一种肺部ct与mri影像融合算法 | |
| US20180276852A1 (en) | System and method for data-consistency preparation and image reconstruction | |
| Akter et al. | 3D CT to 2D low dose single-plane fluoroscopy registration algorithm for in-vivo knee motion analysis | |
| KR20180003400A (ko) | 의료 영상 처리 장치 및 방법 | |
| White et al. | Modeling and incorporating cardiac‐induced lung tissue motion in a breathing motion model | |
| Katsevich | Motion compensated local tomography | |
| CN117747053B (zh) | 一种腿部护具控制方法及系统 | |
| Riddell et al. | Iterative reconstruction of SPECT data with adaptive regularization | |
| Yaacoub et al. | MRI reconstruction using SVD in the least square sense |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ai Danni Inventor after: Wang Yongtian Inventor after: Liang Ping Inventor after: Yang Jian Inventor after: Jiang Yurong Inventor after: Cong Weijian Inventor after: Liu Dingkun Inventor before: Ai Danni Inventor before: Yang Jian Inventor before: Wang Yongtian Inventor before: Jiang Yurong Inventor before: Cong Weijian Inventor before: Liu Dingkun |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |