CN108364307A - 一种基于α-Renyi互信息的医学图像配准方法 - Google Patents
一种基于α-Renyi互信息的医学图像配准方法 Download PDFInfo
- Publication number
- CN108364307A CN108364307A CN201810140618.6A CN201810140618A CN108364307A CN 108364307 A CN108364307 A CN 108364307A CN 201810140618 A CN201810140618 A CN 201810140618A CN 108364307 A CN108364307 A CN 108364307A
- Authority
- CN
- China
- Prior art keywords
- image
- renyi
- registration
- mutual
- informations
- 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
- G06T7/33—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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于α‑Renyi互信息的医学图像配准方法(Medical Image Registration based on the α‑Renyi mutual information,RMIR),包括如下步骤:获取图像像素信息步骤,获取参考图像和浮动图像的像素信息;获取图像灰度信息步骤,获取所述参考图像和所述浮动图像的灰度信息;获取图像互信息量步骤,获取所述参考图像和所述浮动图像的Renyi互信息量,图像配准步骤,将所述获取图像互信息量步骤中获取的所述Renyi互信息量进行刚性配准,通过所述配准函数获得最佳变换,使得所述Renyi互信息达到最大值。通过Renyi熵引入互信息量的度量中,并通过配准函数进行配准,有效提高了配准精度,并通过大量配准实验,找寻合适的α初始参数,有效降低了配准过程中的运算负载。
Description
技术领域
本发明涉及一种图像处理方法,尤其涉及一种医学图像配准方法。
背景技术
在为患者诊断过程中,经常要将同一患者多幅图像放在一起分析,得到 该患者的多方面的综合信息,从而提高医学诊断准确率,于是需要将多幅不 同时间、不同场景、不同模态的图像进行空间几何变换,使得代表相同结果 的像素(体素)在空间上达到一致,通常有基于图像特征和基于图像灰度的 配准方法,其中基于图像灰度的配准方法利用图像灰度信息,配准精度较高, 例如Shannon互信息进行配准(Medical Image Registrationbased on the Shannonmutual information,SMIR),但是由于互相信息函数包含了大量的局 部极小值,容易陷入局部最优,会不断循环迭代地搜索解空间,计算量巨大, 并且如果初始值选择不当,会消耗更多的搜索时间,甚至造成配准失败。
发明内容
本发明的目的是提供一种基于α-Renyi互信息的医学图像配准方法,通 过Renyi熵引入互信息量的度量中,并通过配准函数进行配准,有效提高了 配准精度,并通过大量配准实验,找寻合适的初始参数,有效降低了配准过 程中的运算负载。
本发明公开了一种基于α-Renyi互信息的医学图像配准方法,包括如下 步骤:获取图像特征步骤,获取参考图像和浮动图像的图像特征;获取图像 灰度信息步骤,获取所述参考图像和所述浮动图像的灰度信息;获取图像互 信息量步骤,通过所述参考图像和所述浮动图像的所述图像特征和灰度信息 获取Renyi互信息量,所述Renyi互信息量由下式获得:
RMI(R,F)=Hα(R)+Hα(F)-Hα(R,F)
其中,RMI(R,F)为参考图像R和浮动图像F的Renyi互信息量,Hα(R) 和Hα(F)分别为R和F的Renyi熵,Hα(R,F)是图像R和F的Renyi熵;所 述Renyi熵由下式获得:
图像配准步骤,将所述获取图像互信息量步骤中获取的所述互信息量进 行刚性配准,配准函数如下式:
其中,T(F)表示对浮动图像进行刚性变换;
通过所述配准函数获得最佳变换,使得所述Renyi互信息达到最大值。
进一步地,上述的基于α-Renyi互信息的医学图像配准方法中所述Renyi 熵中参数α的取值范围为:-0.1<α<0。
进一步地,上述的基于α-Renyi互信息的医学图像配准方法中所述Renyi 熵中参数α的取值范围为:0<α<1。
进一步地,上述的基于α-Renyi互信息的医学图像配准方法中所述Renyi 熵中参数α的取值范围为:1<α<1.3。
通过引入Renyi熵进行互信息量计算,避免了在配准过程运算负载过重 等问题,提高了配准精度。
附图说明
图1是本实施例所示方法的流程图;
图2a-c是本实施例的参考图像;
图3是α<0时,Renyi互信息RMI变化曲线图;
图4是α<0时,Renyi互信息运算负荷示意图;
图5a-b是0<α<1时,Renyi互信息RMI变化曲线图;
图6是0<α<1时,Renyi互信息运算负荷示意图;
图7是α>1时,Renyi互信息RMI变化曲线图;
图8是α>1时,Renyi互信息运算负荷示意图;
图9a-c是α=1.1和α=0.95时,对图2a-c进行RMI和SMI配准结果变 化示意图;
图10是α=1.1和α=0.95时,对图2a-c进行RMI和SMI配准运算符合 示意图;
图11a-b为单模态下对图2a-c变化后的CT浮动图像;
图12a-b为单模态下对图2a-c变化后的MR浮动图像;
图13a-b为单模态下对图2a-c变化后的PET浮动图像;
图14a-b为实验1的CT图像配准结果示意图;
图15a-b为实验1的MR图像配准结果示意图;
图16a-b为实验1的PET图像配准结果示意图;
图17a-b为实验2的CT图像配准结果示意图;
图18a-b为实验2的MR图像配准结果示意图;
图19a-b为实验2的PET图像配准结果示意图;
图20a-b为实验3的CT图像配准结果示意图;
图21a-b为实验3的MR图像配准结果示意图;
图22a-b为实验3的PET图像配准结果示意图;
图23a-b为多模态下对图2a-c变化后的CT浮动图像;
图24a-b为多模态下对图2a-c变化后的MR浮动图像;
图25a-b为多模态下对图2a-c变化后的PET浮动图像;
图26a-f为实验4的图像配准结果示意图;
图27a-f为实验5的图像配准结果示意图;
图28a-f为实验6的图像配准结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施 方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例 性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结 构和技术的描述,以避免不必要地混淆本发明的概念。
本实施例所示的一种基于α-Renyi互信息的医学图像配准方法(Medical ImageRegistrationbased on theα-Renyi mutual information,缩写为:RMIR), 包括如下步骤:获取图像像素信息步骤、获取图像灰度信息步骤、获取图像 互信息量步骤和图像配准步骤,
获取图像特征步骤,获取参考图像和浮动图像的图像特征;
获取图像灰度信息步骤,获取所述参考图像和所述浮动图像的灰度信息;
获取图像互信息量步骤,通过所述参考图像和所述浮动图像的所述图像 特征和灰度信息获取Renyi互信息量,所述Renyi互信息量由下式获得:
RMI(R,F)=Hα(R)+Hα(F)-Hα(R,F)
其中,RMI(R,F)为参考图像R和浮动图像F的Renyi互信息量,Hα(R) 和Hα(F)分别为R和F的Renyi熵,Hα(R,F)是图像R和F的Renyi联合熵; 所述Renyi熵由下式获得:
图像配准步骤,将所述获取图像互信息量步骤中获取的所述互信息量进 行刚性配准,配准函数如下式:
通过所述配准函数获得最佳变换,使得所述Renyi互信息达到最大值。
本实施例中基于α-Renyi互信息的医学图像配准方法中所述Renyi熵中 参数α的取值范围为:-0.1<α<0。
本实施例中基于α-Renyi互信息的医学图像配准方法中所述Renyi熵中 参数α的取值范围为:0<α<1。
本实施例中基于α-Renyi互信息的医学图像配准方法中所述Renyi熵中 参数α的取值范围为:1<α<1.3。
下面对本实施例的工作原理进行说明。
本实施例中,参考图像R和浮动图像F大小均调整为M×N,L级灰度, 左上角像素点位置为(1,1),参考图像R中点(x,y)的灰度值为r(x,y), 对应的浮动图像F中点(x,y)的灰度值为f(x,y),于是可以用图像的Shannon 熵来度量图像中灰度分布的聚集特征所包含的信息量,从而可以得出:
其中,p(k)为灰度值k出现的概率。
医学图像配准过程中,当参考图像R和浮动图像F的空间位置一致时, 如对应像素的灰度互信息达到最大值,即一幅图像表达的关于另外一幅图像 的信息最多,可以将这个称为互信息,可以通过下式计算:
SMI(R,F)=H(R)+H(F)-H(R,F) (2)
其中,SMI(R,F)为参考图像R和浮动图像F的Shannon互信息量, H(R)和H(F)分别为参考图像R和浮动图像F的熵,H(R,F)是参考 图像R和浮动图像F的联合熵,则基于互信息量的刚性配准可以表示为:
于是需要寻找一个最佳变换Toptimal,使得互信息量达到最大。在二维空间, 医学图像刚体变换实质上包括了平移和旋转变换,即:
其中,Δx,Δy,φ分别为垂直平移量、水平平移量和旋转角度。
由于在对式(4)求解最优解时,由于互信息量函数包含了大量的局部极 小值,非常容易陷入局部最优,于是在求解过程中,会不断循环迭代搜索解 空间,计算量非常大,同时如果初始值选择不当,会消耗更多搜索空间,甚 至造成配准失败。
Shannon熵为α阶广义熵,其中α阶广义熵的定义如下式:
其一阶广义熵即为Shannon熵,由此出发,可以得出图像的Renyi熵, 于是可以基于Renyi互信息量的图像配准可以解决该问题,首先定义Renyi 熵如下所示:
其中,α(α≠1)是一个正实数,p(k)为灰度值k出现的概率,代 入公式(2),用Renyi熵代替Shannon熵,则公式(2)变为:
RMI(R,F)=Hα(R)+Hα(F)-Hα(R,F) (7)
其中,RMI(R,F)为参考图像R和浮动图像F的Renyi互信息量,Hα(R) 和Hα(F)分别为R和F的Renyi熵,Hα(R,F)是图像R和F的Renyi联合熵。
RMI为R和F的配准函数,则基于Renyi互信息量的刚性配准可以表示 为:
其中,T(F)表示对浮动图像进行刚性变换;
通过公式(7)便可以得出一个最佳变换Toptimal,使得Renyi互信息量达 到最大,从而完成医学图像配准。
下面通过美国Vanderbilt大学RREP(Retrospective Registration EvaluationProjection)项目组的国际通用刚性配准脑部图像数据,CPU为 Dual-CoreE5500+2.5GHz,内存为2GB,操作系统为Windows XP并采用 Matlab7.1为实验软件进行医学图像配准,并采用单纯形法作为多参数寻优方 法。
参照图2a、图2b、图2c,分别为:CT(Computed Tomography,即电 子计算机断层扫描)第1幅图像、MR T1(Magnetic Resonance,即磁共振 成像)第1幅图像和PET(PositronEmission Computed Tomography,即正 电子发射型计算机断层显像)第2幅图像作为参考图像,大小分别为512× 512、256×256和128×128。
为了获得对比,下面对α-Renyi互信息和Shannon互信息均进行了实验。 本实施例中,参考图像R和浮动图像F大小均调整为M×N,L级灰度。
其中,一次Shannon互信息量运算负荷如下表所示:
表1一次Shannon互信息量运算负载
其中,一次α-Renyi互信息量运算负荷如下表所示:
表2一次α-Renyi互信息量运算负载
从表1和表2中可知,一次Shannon互信息量运算负载和一次α-Renyi 互信息量运算负载分别为:(3MN+4L2+8L)、(3MN+2L2+ L2α2+2Lα+4L+3),由于图像大小、图像灰度级为确定值,因此参数α的合 适选择对α-Renyi互信息量运算负载有重大影响。为了进一步讨论参数α的 选取范围,选择CT图像作为参考图像(图2a所示),并以α-Renyi互信息 量作为相似性测度。由于图像角度旋转在图像配准时非常耗时,而且精度要 求高,因此,我们通过图像角度旋转对参考图像进行自配准来选择合适的参 数α。
1.α<0
参考图3,在实验中,通过图像角度旋转参考图像进行自配准,参数 α∈{-0.02,-0.04,-0.05,-0.06,-0.08,-0.1,-0.2,-0.3,-0.4,-0.5,-0.6,-0.7,-0.8,-0.9},取不同值时RMI(公式(7))变化曲线分别如图2所示,可见当-0.1<α<0时,RMI曲 线较为光滑,能得到精确的配准参数,并且不同的α参数对应的RMI曲线差 异很小,曲线几乎重合;当α<-0.1时,RMI曲线出现了非“零点”的局部极 值点,α越小,非“零点”极值点越多,显然不利于获得正确的配准参数, 易陷入局部极值点,因此α<-0.1不适合用于配准。参考图4,α=-0.1时,配 准运算负载最低,其它α参数配准运算负载相对较高。
2.0<α<1
在实验中,通过图像角度旋转参考图像进行自配准,参数α分别取 α∈{0.02,0.04,0.05,0.06,0.08,0.1,0.2,0.3,0.4,0.5}和 α∈{0.6,0.7,0.8,0.9,0.92,0.94,0.96,0.98}这两个集合,取不同值时RMI变化曲线 分别如图5a和图5b所示,可见当0<α<1时,RMI曲线较为光滑,均能得到精 确的配准参数,α越大,RMI曲线越平滑,越利于获得正确的配准参数;当 0<α<0.1和0.9<α<1.0时,RMI曲线形状分别与α=0.1和α=0.9相似且几乎重合,也能得到精确的配准参数,如图6所示。整体上看,配准运算负载差异 不大。
3.α>1
参考图7,在实验中,通过图像角度旋转参考图像进行自配准,参数α分 别取α∈{1.1,1.2,1.3,1.4,1.5,1.6,1.7,1.8,1.9,2,2.1,2.2,2.3,2.4,2.5,3},取不同值时RMI变化曲线分别如图7所示,由于上述参数得到的RMI曲线差异很小,无法显 示全部RMI曲线,因此图7只显示了部分α对应的RMI曲线,此时均能得 到精确的配准参数,同时当α>1能得到精确的配准参数,而当1<α<1.3时, RMI曲线较为平滑,α越来越大时,RMI曲线在零点附近越陡峭,曲线变得 不平滑;当α=2时,运算负载最低。
可以见得,当-0.1<α<0,0<α<1和1<α<1.3均能用于图像配准,且RMI 曲线平滑,从而可以降低运算负载。接着选取α=1.1和α=0.95作为RMI的 α参数值,对图2a、图2b和图2c分别使用RMI和SMI进行配准,图9a、 图9b、图9c和图10为实验结果。可以看出,当α=1.1和α=0.95时,RMI 和SMI形状很相似,配准运算负载也非常接近。
接着将图2a、图2b和图2c作为参考图像,对每幅参考图像做如表3所 示的变换,得到浮动图像,分别如图11a和图11b、图12a和图12b、图13a 和图13b所示,
表3单模态浮动图像变换参数
为了比较配准精度,定义误差ηi为:
其中,Δis表示浮动图像相对于参考图像的标准变换参数;Δi表示通过 配准获取的浮动图像变换参数,于是总误差η为:
先进行单模态图像模拟试验,在α=0.95时,将RMIR(Medical ImageRegistration based on theα-Renyi mutual information,即基于α-Renyi互 信息的医学图像配准方法),用于单模态配准得出实验结果1,参考图14a和 图14b、图15a和图15b、图16a和图16b,以及表4,
表4实验1单模态配准性能
在α=1.1时,将RMIR用于单模态配准得出实验结果2,参考图17a和 图17b、图18a和图18b、图19a和图19b,以及表5,
表5实验2单模态配准性能
将SMIR(Medical Image Registration based on the Shannon mutualinformation,即基于Shannon互信息的医学图像配准方法)用于单模态配准 得出实验结果3,参考图20a和图20b、图21a和图21b、图22a和图22b, 以及表6,
表6实验3基于互信息量单模态配准性能
从以上实验1、实验2和实验3结果来看,RMIR和SMIR相比较,在6个配 准实验中,在配准速度方面,SMIR、RMIR(0.95)和RMIR(1.1)三者非常接近, 差距均在0.5秒内。因此,从整体上来看,RMIR配准速度和SMIR相当。
从以上实验1、实验2和实验3结果来看,RMIR和SMIR相比较,在CT+CT1 配准时,SMIR配准速度比RMIR快,但RMIR接近SMIR配准速度;在CT+CT2 配准时,RMIR(1.1)配准速度有较强优势,RMIR(0.95)耗时仍然最长;在 MR+MR1配准时,RMIR(1.1)配准最快,RMIR(1.1)耗时最长;在MR+MR2 配准稍时,RMIR配准速度比SMIR快,但优势不明显,差距不大;在PET+PET1 配准时,RMIR配准速度比SMIR稍快,但优势不明显,差距不大;在PET+PET2 配准时,SMIR配准速度比RMIR稍快,但优势不明显,差距不大。因此,从 整体上来看,RMIR配准速度和SMIR相当,但图像较大时,RMIR稍逊SMIR。
根据表3-6和公式(9)和(10),我们得到RMIR和SMIR误差,如表7所示。 从表7可知,RMIR和SMIR均能精确配准图像。RMIR(0.95)在配准CT+CT1和 PET+PET2时,精度最高;RMIR(1.1)在配准CT+CT2、MR+MR1和PET+PET1 时时,精度最高;SMIR只在配准MR+MR2时,精度最高。因此,RMIR达到 了SMIR的配准精度,甚至更高。因此,把RMIR作为相似性测度是一种有效 的方法。
表7单模态配准误差
下面进行多模态图像模拟试验,同样选取图2a、图2b和图2c作为参考 图像。实验分成三组:MR作为参考图像,CT1、CT2作为浮动图像,图像 大小均256×256,参考图22a、图22b,MR作为参考图像,PET1、PET2作 为浮动图像,图像大小均128×128;参考图23a、图23b,CT作为参考图像, PET1、PET2作为浮动图像,图像大小均128×128,在实验中也使用单纯形法作为多参数寻优方法,先使用RMIR进行多模态图像配准,然后使用SMIR 进行多模态图像配准。与单模态图像配准实验不同的是,在多模态图像配准 实验中,实际图像的配准空间变换参数的真实值是未知的,因此,通过计算 每幅实验图像的质心坐标和倾斜角,在此假定浮动图像和参考图像的质心坐 标和倾斜角之差的结果是相对准确的,并作为计算误差时的标准,如表8-9 所示。在以下配准结果图中,深灰色表示参考图像经过Canny算子提取边缘 的结果,浅灰色表示浮动图像经过Canny算子提取边缘的结果,白色部分表 示两幅图像配准后重叠部分。
表8实验图像质心坐标和倾斜角
表9多模态浮动图像变换参数
当α=0.95时,将RMIR用于多模态配准得出实验结果4,实验结果如图 26a-f和表10所示。
表10实验4多模态配准性能
当α=1.1时,将RMIR用于多模态配准得出实验结果5,实验结果如图 27a-f和表11所示。
表11实验5多模态配准性能
将SMIR用于多模态配准得出实验结果6,参考图28a-f和表12,
表12实验6基于互信息量多模态配准性能
从以上实验4、实验5和实验6结果来看,RMIR和SMIR相比较,在6个配 准实验中,在配准速度方面,SMIR、RMIR(0.95)和RMIR(1.1)三者非常接近, 差距均在0.5秒内。因此,从整体上来看,RMIR配准速度和SMIR相当。
根据表9-12和公式(9)和(10),我们得到RMIR和SMIR的多模态配准方法 误差,如表13所示。
从表13可知,RMIR和SMIR均能准确配准图像。RMIR(0.95)在配准 MR+CT1和MR+CT2时,精度最高;RMIR(1.1)在配准PET+PET2时,精度最 高;SMIR在配准MR+PET1、MR+PET2和CT+PET1时,精度最高。因此, RMIR从整体上讲和SMIR有相似配准精度。因此,在多模态配准中,把RMI 作为相似性测度是一种同样有效的方法。
表13多模态配准误差
可以见得α的合适范围为:-0.1<α<0,0<α<1,1<α<1.3,可以获得 更好的配准性能,基于Renyi熵的医学图像匹配方法通过使用单纯形方法作 为寻优方法,可以减少算法运算量、提升配准速度,且具有较高的精度,并 且可以用于单模态图像配准,也可以用于多模态配准。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释 本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和 范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保 护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和 边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (4)
1.一种基于α-Renyi互信息的医学图像配准方法,其特征在于,包括如下步骤:
获取图像特征步骤,获取参考图像和浮动图像的图像特征;
获取图像灰度信息步骤,获取所述参考图像和所述浮动图像的灰度信息;
获取图像互信息量步骤,通过所述参考图像和所述浮动图像的所述图像特征和灰度信息获取Renyi互信息量,所述Renyi互信息量由下式获得:
RMI(R,F)=Hα(R)+Hα(F)-Hα(R,F)
其中,RMI(R,F)为参考图像R和浮动图像F的Renyi互信息量,Hα(R)和Hα(F)分别为R和F的Renyi熵,Hα(R,F)是图像R和F的Renyi熵;
所述Renyi熵由下式获得:
其中,α为初始参数,p(k)为灰度值k出现的概率,L为灰度信息;
图像配准步骤,将所述获取图像互信息量步骤中获取的所述互信息量进行刚性配准,配准函数如下式:
其中,T(F)表示对浮动图像进行刚性变换;
通过所述配准函数获得最佳变换Toptimal,使得所述Renyi互信息达到最大值;
完成图像配准。
2.根据权利要求1所述的基于α-Renyi互信息的医学图像配准方法,其特征在于,
所述Renyi熵中参数α的取值范围为:-0.1<α<0。
3.根据权利要求1所述的基于α-Renyi互信息的医学图像配准方法,其特征在于,
所述Renyi熵中参数α的取值范围为:0<α<1。
4.根据权利要求1所述的基于α-Renyi互信息的医学图像配准方法,其特征在于,
所述Renyi熵中参数α的取值范围为:1<α<1.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140618.6A CN108364307A (zh) | 2018-02-11 | 2018-02-11 | 一种基于α-Renyi互信息的医学图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810140618.6A CN108364307A (zh) | 2018-02-11 | 2018-02-11 | 一种基于α-Renyi互信息的医学图像配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108364307A true CN108364307A (zh) | 2018-08-03 |
Family
ID=63005605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810140618.6A Pending CN108364307A (zh) | 2018-02-11 | 2018-02-11 | 一种基于α-Renyi互信息的医学图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364307A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191501A (zh) * | 2018-08-07 | 2019-01-11 | 宁波市测绘设计研究院 | 一种多源高空间分辨率影像的自动几何配准方法 |
CN110533641A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗系统股份有限公司 | 一种多模态医学图像配准方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080032328A1 (en) * | 2006-08-07 | 2008-02-07 | General Electric Company | System and method for co-registering multi-channel images of a tissue micro array |
CN102622759A (zh) * | 2012-03-19 | 2012-08-01 | 苏州迪凯尔医疗科技有限公司 | 一种结合灰度与几何信息的医学图像配准方法 |
CN105957097A (zh) * | 2016-07-08 | 2016-09-21 | 湖北科技学院 | 基于混合互信息和改进粒子群优化的图像配准方法 |
-
2018
- 2018-02-11 CN CN201810140618.6A patent/CN108364307A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080032328A1 (en) * | 2006-08-07 | 2008-02-07 | General Electric Company | System and method for co-registering multi-channel images of a tissue micro array |
CN102622759A (zh) * | 2012-03-19 | 2012-08-01 | 苏州迪凯尔医疗科技有限公司 | 一种结合灰度与几何信息的医学图像配准方法 |
CN105957097A (zh) * | 2016-07-08 | 2016-09-21 | 湖北科技学院 | 基于混合互信息和改进粒子群优化的图像配准方法 |
Non-Patent Citations (2)
Title |
---|
张珍 等: "一种基于广义互信息的图像配准算法", 《传感器与微系统》 * |
潘梅森: "医学图像倾斜校正方法与应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191501A (zh) * | 2018-08-07 | 2019-01-11 | 宁波市测绘设计研究院 | 一种多源高空间分辨率影像的自动几何配准方法 |
CN109191501B (zh) * | 2018-08-07 | 2021-08-24 | 宁波市测绘和遥感技术研究院 | 一种多源高空间分辨率影像的自动几何配准方法 |
CN110533641A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗系统股份有限公司 | 一种多模态医学图像配准方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ecabert et al. | Automatic model-based segmentation of the heart in CT images | |
US7106891B2 (en) | System and method for determining convergence of image set registration | |
Zhuang | Challenges and methodologies of fully automatic whole heart segmentation: a review | |
Shi et al. | A comprehensive cardiac motion estimation framework using both untagged and 3-D tagged MR images based on nonrigid registration | |
Rueckert et al. | Nonrigid registration of medical images: Theory, methods, and applications [applications corner] | |
Genet et al. | Equilibrated warping: Finite element image registration with finite strain equilibrium gap regularization | |
US20160098833A1 (en) | System and Method for Measurement of Myocardial Mechanical Function | |
Legg et al. | Feature neighbourhood mutual information for multi-modal image registration: an application to eye fundus imaging | |
Gao et al. | Left ventricular strain and its pattern estimated from cine CMR and validation with DENSE | |
Park et al. | Deformable registration of CT and cone-beam CT with local intensity matching | |
US20160275357A1 (en) | Method and system for tracking a region in a video image | |
WO2019220417A1 (en) | Method and system for automatically generating and analyzing fully quantitative pixel-wise myocardial blood flow and myocardial perfusion reserve maps to detect ischemic heart disease using cardiac perfusion magnetic resonance imaging | |
CN101493936B (zh) | 一种基于图像边缘的多分辨非刚性头部医学图像配准方法 | |
Tsadok et al. | Automatic segmentation of cardiac MRI cines validated for long axis views | |
Foroughi et al. | Intra-subject elastic registration of 3D ultrasound images | |
Tandon et al. | Retraining convolutional neural networks for specialized cardiovascular imaging tasks: lessons from tetralogy of fallot | |
Conti et al. | Left ventricular modelling: a quantitative functional assessment tool based on cardiac magnetic resonance imaging | |
Castillo | Quadratic penalty method for intensity‐based deformable image registration and 4DCT lung motion recovery | |
CN108364307A (zh) | 一种基于α-Renyi互信息的医学图像配准方法 | |
CN115861656A (zh) | 用于自动处理医学图像以输出警报的方法、设备和系统 | |
Beache et al. | Fully automated framework for the analysis of myocardial first‐pass perfusion MR images | |
Marinelli et al. | Registration of myocardial PET and SPECT for viability assessment using mutual information | |
Cao et al. | Registration of medical images using an interpolated closest point transform: method and validation | |
Ding et al. | Automated pericardial fat quantification from coronary magnetic resonance angiography: feasibility study | |
Groth et al. | Robust left ventricular myocardium segmentation for multi-protocol MR |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180803 |