CN108830886B - 图像配准方法、装置及设备和存储介质 - Google Patents

图像配准方法、装置及设备和存储介质 Download PDF

Info

Publication number
CN108830886B
CN108830886B CN201810556548.2A CN201810556548A CN108830886B CN 108830886 B CN108830886 B CN 108830886B CN 201810556548 A CN201810556548 A CN 201810556548A CN 108830886 B CN108830886 B CN 108830886B
Authority
CN
China
Prior art keywords
image
approximate
mutual information
approximate component
layer
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
Application number
CN201810556548.2A
Other languages
English (en)
Other versions
CN108830886A (zh
Inventor
于海晶
李微微
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.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems 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 Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201810556548.2A priority Critical patent/CN108830886B/zh
Publication of CN108830886A publication Critical patent/CN108830886A/zh
Application granted granted Critical
Publication of CN108830886B publication Critical patent/CN108830886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/30Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10132Ultrasound image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20048Transform domain processing
    • G06T2207/20064Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种图像配准方法、装置及设备、存储介质,所述方法包括:获取实时图像及预定的标准图像;分别对所述实时图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像;对所述第一近似分量图像进行至少一次几何变换,并计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量;基于互信息量计算结果,获取最大互信息量为配准结果。实施本申请实施例,保证配准准确度的同时,可以降低配准图像时的运算量。

Description

图像配准方法、装置及设备和存储介质
技术领域
本申请涉及图像处理技术领域,尤其涉及图像配准方法、装置及设备和存储介质。
背景技术
超声(Ultrasonic,US)设备,因其无辐射、低价等优点而被广泛应用疾病排查。通过超声设备扫查被检体时,通常由设备操作人员将超声设备的探头放在被检体的表面,探头向被检体投射某方向的超声波束后,超声波束穿经被检体时,被检体内的各组织所构成的介面,及各组织的内部结构,可以使超声波束反射或散射,发射或散射的超声波束称为回波信号,探头接收回波信号后,以光点的明暗反应回波信号的强弱,再有序排列光点后生成被检体的超声图像,该超声图像可以反映被检体内某些组织的的切面。
对于生成的超声图像,需要进一步配准,即比较生成的超声图像与图像库中的标准图像的相似度,以确定超声图像及超声图像反映的切面是否准确和规范,相关配准技术一般是基于图像的灰度进行配准,配准时需要考虑匹配点邻域的灰度,故配准时计算量大、速度慢。
发明内容
本申请提供图像配准方法、装置及设备、存储介质,以解决基于图像的灰度进行配准时,计算量大、速度慢的问题。
根据本申请实施例的第一方面,提供一种图像配准方法,包括:
获取待配图像及预定的标准图像;
分别对所述待配图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像;
对所述第一近似分量图像进行至少一次几何变换,并计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量;
基于互信息量计算结果,获取最大互信息量为配准结果。
在一个实施例中,分别对所述待配图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像,包括:
采用二维小波分解算法,分别对所述待配图像与所述标准图像进行至少两层分解,得到分别包含至少两层近似分量的第一近似分量图像和第二近似分量图像。
在一个实施例中,对所述第一近似分量图像进行至少一次几何变换,包括:
分别对所述第一近似分量图像的各层近似分量进行多次几何变换;
计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量,包括:
计算每次变换后的第N层近似分量,与所述第二近似分量图像的第N层近似分量的互信息量,为第N层近似分量的互信息量;N为1至M之间的整数,M为分解层数。
在一个实施例中,所述几何变换参数包括旋转角度和/或平移距离;
分别对所述第一近似分量图像的各层近似分量进行多次几何变换,包括:
按照尺寸从小到大的顺序,对所述第一近似分量图像的各层近似分量进行排序;
按照排序,顺次对所述第一近似分量图像的每层近似分量进行多次几何变换;
其中,尺寸最小的第M层近似分量的几何变换参数,在预定的参数范围内;
第K-1层近似分量的几何变换参数,至少由前一层近似分量的最大互信息量对应的几何变换参数决定;K为2至M之间的整数。
在一个实施例中,所述几何变换参数包括旋转角度和平移距离;
第M层近似分量在水平方向的尺寸为MA,在垂直方向的尺寸为MB;
第M层近似分量的旋转角度在-10度与10度之间,水平方向的平移距离在-MA/2与-MA/2之间,垂直方向的平移距离在-MB/2与-MB/2之间;
第K层近似分量的最大互信息量对应的旋转角度为θK,对应的水平方向的平移距离为SK,对应的垂直方向的平移距离为HK;
第K层近似分量的下一层近似分量的旋转角度,在θK-2度与θK+2度之间;
第K层近似分量的下一层近似分量的水平方向的平移距离,在2SK-10与2SK+10之间;
第K层近似分量的下一层近似分量的垂直方向的平移距离,在2HK-10与2HK+10之间。
在一个实施例中,针对同一层近似分量进行多次几何变换时,相邻两次几何变换的几何变换参数的差值相等。
在一个实施例中,所述标准图像为超声图像库中反映被检体的预定标准切面的图像;所述待配图像为超声设备生成的实时图像;上述方法还包括以下步骤:
如果所述最大互信息量不在预定的匹配范围内,根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息。
在一个实施例中,根据所获取的几何变换参数,确定超声探头的位置调整信息,包括:
根据超声探头所在坐标系与超声图像坐标系之间的映射关系,将所获取的几何变换参数映射到超声探头所在坐标系,得到所述位置调整信息。
在一个实施例中,上述方法还包括:
如果所述最大互信息量在预定的匹配范围内,则基于所述实时图像进行解剖结构的识别。
根据本申请实施例的第二方面,提供一种图像配准装置,包括:
图像获取模块,用于获取待配图像及预定的标准图像;
小波变换模块,用于分别对所述待配图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像;
几何变换模块,用于对所述第一近似分量图像进行至少一次几何变换;
互信息计算模块,用于计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量;
结果获取模块,用于基于互信息量计算结果,获取最大互信息量为配准结果。
在一个实施例中,所述标准图像为超声图像库中反映被检体的预定标准切面的图像;所述待配图像为超声设备生成的实时图像;上述装置还包括:
调整确定模块,用于在所述最大互信息量不在预定的匹配范围内时,根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息。
根据本申请实施例的第三方面,提供一种计算机设备,包括:
处理器;
存储处理器可执行指令的存储器;
其中,所述处理器耦合于所述存储器,用于读取所述存储器存储的程序指令,并作为响应,执行如上所述方法中的操作。
根据本申请实施例的第四方面,提供一个或多个机器可读存储介质,其上存储有指令,当由一个或多个处理器执行时,使得计算机设备执行如上所述方法中的操作。
应用本申请实施例,分别对待配图像与标准图像进行小波变换,得到的第一近似分量图像和第二近似分量图像,相对于待配图像和标准图像,近似分量图像的图像特征有所减少,因此可以降低配准图像时的运算量,接着对所述第一近似分量图像进行至少一次几何变换后,计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量,可以互信息量作为衡量待配图像与标准图像的相似程度的量,然后获取能表示两幅图像的最大相似程度的最大互信息量为配准结果,完成待配图像与标准图像的匹配。
此外,如果所述最大互信息量在预定的匹配范围内,说明待配图像与标准图像匹配,如果不在预定的匹配范围内,说明待配图像与标准图像不匹配。
应用到超声扫查辅助领域时,待配图像可以是超声设备获取的实时图像,标准图像可以是超声图像库中反映被检体的预定标准切面的图像,该最大互信息量不在预定的匹配范围内,表示实时图像反应的切面不是标准切面,超声探头的位置需要调整,鉴于超声图像反映的切面与探头位置之间的位置关联,可以参照最大互信息量对应的几何变换参数,确定超声探头的位置调整信息,之后,超声设备操作人员根据位置调整信息,可以清楚如何调整探头位置,更便于获得与所述标准图像匹配的实时图像。
进而,最大互信息量在预定的匹配范围内,表示实时图像反应的切面是标准切面,实时图像与标准图像匹配,可以继续进行后续的解剖结构识别或诊断等处理。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1A是本申请一示例性实施例示出的超声设备的架构图;
图1B是本申请一示例性实施例示出的图像配准方法的流程图;
图2是本申请另一示例性实施例示出的图像配准方法的流程图;
图3A是本申请另一示例性实施例示出的图像配准方法的流程图;
图3B是本申请一示例性实施例示出的小波变换的示意图;
图4A是本申请另一示例性实施例示出的图像配准方法的流程图;
图4B是本申请一示例性实施例示出的实时图像与标准图像的配准结果示意图;
图4C是本申请一示例性实施例示出的结构解剖结果的示意图;
图5是本申请一示例性实施例示出的图像配准方法应用的超声成像系统的逻辑架构示意图;
图6是本申请一示例性实施例示出的计算机设备的硬件结构示意图;
图7是本申请一示例性实施例示出的图像配准装置的框图。
具体实施方式
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
图1A是本申请实施例涉及的超声设备,该超声设备可以是医疗专用器械超声诊断仪,也可以是超声探头与具有图像重建功能的计算机的组合。一种典型的实现中,计算机的具体形式可以是个人计算机、膝上型计算机、平板计算机或其他智能电子设备。
其中,超声探头110也可以称为超声换能器,可以是向被检体发射超声波束的发射器,也可以是对应发射的超声波束采集信号的接收器。某些例子中,超声探头110可以由压电晶体片制成。当在晶体片(又称振子)上加高频电脉冲激励时,会产生高频振动发射超声波;当在发射超声波束后的预定时段接收到界面反射的超声波时,反射的超声波碰到晶体片时产生振动,转换为高频电信号。反射的超声波强弱不同时,产生的振动的幅度大小不同,生成的高频信号的强度不同。
处理设备120与超声探头110连接,用于控制超声探头110发射超声波束、接收超声探头110采集的信号以及基于接收的信号进行图像重建处理,生成实时图像。在超声设备为超声诊断仪时,处理设备120是超声诊断仪的主控设备,可以包括发射/接收单元、数字扫描转换器、键盘、面板快关组件、监视器、摄影部件和电源部件等。
在需要扫描被捡体时,发射/接收单元传送发射控制信号(高频电脉冲激励)到超声探头110,控制超声探头110发射超声波束。在接收到超声探头110传输的高频电信号时,可以先对接收的信号进行放大、对数压缩以及其他相关预处理,再对预处理后的信号进行电子聚焦以及动态聚焦控制和检波,然后将检波后的信号传送到数字扫描转换器。此外,发射/接收单元还可以向数字扫描转换器传送进行同步控制的相关信号。
数字扫描转换器对发射/接收单元传送的信号进行A/D转换,并将转换后的信号存入存储器中,构成数字化图像(重建图像),存储器中的数字化的图像与键盘输入的字符和图形数据合成,再经过D/A转换,将数字信号转换为混合图像信号,然后传输到监视器进行图像和字符的显示。所显示的图像是以亮度不同的光点表示接收的信号的强弱,在超声探头110沿水平位置移动时,监视器上的光点也沿水平方向同步移动,将光点轨迹连成超声波所扫描的切面(即超声领域中超声设备生成的实时图像所反映的切面)。
经过多次试验推理和分析,本申请的设计人员发现:不同被检体的个体差异较大,以被检体为人体为例,受年龄、性别、身高或体重的影响,不同人体的体态差异较大,对设备操作人员的超声操作影响较大,使得不同被检体的相同器官或组织的超声图像,在大小、形态上不能保证完全一致。
而在某些场景下,如医生进行临床检查或培训超声医生的场景,为了保证超声检查的准确性,需要验证超声波束所扫描的切面(本申请也可以将实时图像称为待配图像)的准确性和规范性,为了验证切面,需要对待配图像与图像库中的标准图像进行配准。
其他场景下,如人脸匹配、特征比对等需要匹配图像的场景,可以将经过反复验证,复合场景要求的图像定为标准图像,如某个用户的证件照,另外将另一图像需要进行匹配的图像定位待配图像,与标准图像进行配准。
上述场景,在进行图像配准时,相关配准技术一般是基于图像的灰度进行配准,配准时需要考虑匹配点邻域的灰度,故配准时计算量大、速度慢,成配准效率较低,有鉴于此,本申请实施例为了提高待配图像与标准图像的配准效率,提供了一种图像配准方法,可以应用于人脸匹配、特征比对等涉及图像配准的场景,也可以应用于医生进行超声临床检查、培训超声医生或医学领域中其他设计图像配准的场景。
本申请实施例的图像配准方法,分别对待配图像与标准图像进行小波变换,得到的第一近似分量图像和第二近似分量图像,相对于待配图像和标准图像,近似分量图像的图像特征有所减少,因此可以降低配准图像时的运算量,接着对所述第一近似分量图像进行至少一次几何变换后,计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量,可以互信息量作为衡量待配图像与标准图像的相似程度的量,然后获取能表示两幅图像的最大相似程度的最大互信息量为配准结果,完成待配图像与标准图像的匹配。
此外,如果所述最大互信息量在预定的匹配范围内,说明待配图像与标准图像匹配,如果不在预定的匹配范围内,说明待配图像与标准图像不匹配。
应用到超声扫查辅助领域时,待配图像可以是超声设备获取的实时图像,标准图像可以是超声图像库中反映被检体的预定标准切面的图像,该最大互信息量不在预定的匹配范围内,表示实时图像反应的切面不是标准切面,超声探头的位置需要调整,鉴于超声图像反映的切面与探头位置之间的位置关联,可以参照最大互信息量对应的几何变换参数,确定超声探头的位置调整信息,之后,超声设备操作人员根据位置调整信息,可以清楚如何调整探头位置,更便于获得与所述标准图像匹配的实时图像。
进而,最大互信息量在预定的匹配范围内,表示实时图像反应的切面是标准切面,实时图像与标准图像匹配,可以继续进行后续的解剖结构识别或诊断等处理。
以下首先结合附图详述下本申请实施例的图像配准方法的实现过程:
请参阅图1B,图1B是本申请一示例性实施例示出的图像配准方法的流程图,该方法可包括步骤S101-步骤S104:
步骤S101、获取待配图像与预定的标准图像。
步骤S102、分别对所述待配图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像。
步骤S103、对所述第一近似分量图像进行至少一次几何变换,并计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量。
步骤S104、基于互信息量计算结果,获取最大互信息量为配准结果。
本申请实施例中,标准图像可以由经验丰富的实操人员,进行大量的实践验证得到,存储至标准图像库中。待配图像可以是由成像设备实时生成,从网络上实时查找,或从本地的实时图像存储区域调取的需要与标准图像配准的图像。
本申请实施例进行配准时,为了提高配置的效率,并非直接提取图像的灰度,来计算实时图像与标准图像的相似度,而是分别对待配图像与标准图像进行小波变换,变换待配图像后生成第一近似分量图像,变换标准图像后生成第二近似分量图像。之后,基于第一近似分量图像和第二近似分量图像进行配准,可以缩小配准过程涉及的图像特征的范围,减少配准过程的运算量,这里提到的小波变换,继承和发展了短时傅立叶变换局部化的思想,同时又可以克服窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口。
某些情况下,所得的待配图像与标准图像间的相对位置差异较小,经过小波变化后,无需对第一近似分量图像进行几何变换,即可以计算第一近似分量图像与第二近似分量的互信息量为初始互信息量,然后基于初始互信息量判断待配图像与标准图像是否匹配。例如:所述初始互信息量在预定的匹配范围内,则确定待配图像与标准图像匹配。
进而,在超声扫查辅助领域中,可以进一步基于所述待配图像进行解剖结构的识别。这里提到的预定的匹配范围可以由本方案的设计人员或经验丰富的图像配准人员,根据图像配准精确度需求,预先设定,如设定为大于0的数值。
另一些情况下,所得的待配图像与标准图像间的相对位置差异较大,所述初始互信息量不在预定的匹配范围内,为了准确匹配图像,可以进一步对所述第一近似分量图像进行几何变换,几何变换到一定位置后,再计算变换后的第一近似分量图像与第二近似分量图像的互信息量。
其中,几何变换的次数可以直接预定,也可以间接由预定的几何变换参数的范围,相邻两次几何变换的参数步进决定,还可以由实时的几何变换结果决定,本申请实施例对此不做限制。
需要说明的是,具体的几何变换参数及如何对第一近似分量图像进行几何变换,由待配图像与标准图像间的相对位置关系决定,在确定两者的相对位置时,可以两幅图像中都含有的部分图像对象为参照,通过比较这部分共有对象在两幅图像中的相对位置来确定两幅图像的相对位置。例如:在超声扫查辅助领域,待配图像与标准图像均为双顶径图像,以脑中线为例,待配图像内脑中线与图像的垂直方向的夹角为a,标准图像内脑中线与图像的垂直方向的夹角为b,计算a与b的差值,可以得到两幅图像的相对位置关系。
确定好如何变化第一近似分量图像后,可以基于两幅图像的相对位置关系,将待配图像几何变换到与标准图像一致的空间位置,为了降低计算误差对几何变换准确度的影响,可以对第一近似分量图像进行多次几何变换,每次几何变换后的位置在与标准图像一致的空间位置的一定范围内,以下示例性的列举几种几何变换实例:
某些例子中,待配图像与标准图像的大小不一,可以对第一近似分量图像进行缩放,几何变换参数可以包括缩放系数,所述缩放系数由所述实时图像与所述标准图像的尺寸比例决定。如比例为2,伸缩系数为1/2。
某些例子中,待配图像与标准图像在图像坐标系的X方向和/或Y方向存在误差,可以对第一近似分量图像进行X方向和/或Y方向的平移,几何变换参数可以包括X方向和/或Y方向的平移参数,X方向和/或Y方向的平移参数由该待配图像与该标准图像在X方向和/或Y方向的距离决定。如:小波变换前的平移量若为(2△tx,2△ty),则小波变换后的平移量为(△tx,△ty)。
某些例子中,待配图像与标准图像在某个方向存在角度差,可以对第一近似分量图像进行某个方向的角度旋转,几何变换参数可以包括旋转角度,某个方向的旋转角度由该待配图像与该标准图像在该方向角度差决定。实际配准过程中,可以在完成对第一近似分量图像的所有几何变换后,或在每次几何变换后,计算每次几何变换后的第一近似分量图像与第二近似分量图像的互信息量,选取各次几何变换后的最大互信息量,然后基于最大互信息量判断待配图像与标准图像是否匹配。
例如:最大互信息量在预定的匹配范围内,则确定实时图像与标准图像匹配,在超声扫查辅助领域中,可以进而基于该待配图像进行解剖结构的识别。
如果最大互信息量不在预定的匹配范围内,则说明待配图像与标准图像不匹配,如果应用于人脸识别或特征识别等领域,说明人脸识别失败或特征识别失败。
如果应用在超声扫查辅助领域中,说明超声设备生成的实时图像与标准图像不匹配,为了后续尽快获得与标准图像匹配的待配图像,本申请实施例鉴于超声图像反映的切面与探头位置之间的位置关联,可以根据最大互信息量对应的几何变换参数,确定超声探头的位置调整信息,之后,超声设备操作人员根据位置调整信息,可以清楚如何调整探头位置,更便于获得与所述标准图像匹配的待配图像(超声扫查辅助领域中,超声设备生成的实时图像)。
以下介绍下应用在超声扫查辅助领域的图像配准方法,其中,待配图像可以是超声设备获取的实时图像,标准图像可以是超声图像库中反映被检体的预定标准切面的图像,具体配准图像的过程可以参阅2,图2所示方法可以包括以下步骤S201-步骤S205:
步骤S201、获取预定的标准图像以及超声设备生成的实时图像;所述标准图像为超声图像库中反映被检体的预定标准切面的图像。
步骤S202、分别对所述实时图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像。
步骤S203、对所述第一近似分量图像进行至少一次几何变换,并计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量。
步骤S204、基于互信息量计算结果,获取最大互信息量为配准结果。
步骤S205、如果所述最大互信息量不在预定的匹配范围内,根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息。
本申请实施例中,标准图像可以由经验丰富的实操人员,操作超声设备(可以如图1A所示),进行大量的临床实践得到,然后基于标准切面的切面参数验证后,存储至超声图像库中。以被检体为人体为例,超声图像库中可以存储人体的32个标准切面的标准图像。
在医生进行临床检查、培训超声医生或其他场景下,临床医生、受训人员或其他实操人员,实时操作超声设备(可以如图1A所示)的过程中,超声设备生成实时图像。其中,临床医生、受训人员或其他实操人员在操作超声设备前,可以根据病人的病情、培训课程或其他场景要求,预先确定好要扫查被检体的哪些器官或组织,如胎儿的双顶径,本申请实施例,相应的,可以将所确定的器官或组织的标准切面的标准图像,配置为预定的标准图像。
在临床医生、受训人员或实操人员,完成对预先确定好的器官或组织的扫查后,为了验证扫查过程中超声波所扫描的切面的准确性和规范性,可以获取实时图像和预定的标准图像进行配准。
本申请实施例的步骤S201至步骤S204,与图1B涉及的实施例相应,在此不再赘述。
本申请实施例,为便于超声设备操作人员尽快获得与标准图像匹配的实时图像,可以在步骤S204获取到最大互信息量后,确定根据怎样的几何变换参数,能将第一近似分量图像由其小波换换后的初始位置,几何变换到与第二近似分量图像的互信息量最大的位置,所确定的几何变换参数可以称为最大互信息量对应几何变换参数。
进一步地,可以通过以下操作根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息:
根据超声探头所在坐标系与超声图像坐标系之间的映射关系,将所获取的几何变换参数映射到超声探头所在坐标系,得到所述位置调整信息。这里提到的映射关系,基于超声成像原理得到,例如:由超声探头所在坐标系,超声探头采集信号的信号坐标系,以及从重建出的超声图像的图像坐标系决定,由图像坐标系转换到信号坐标系,再由信号坐标系转换到超声探头所在坐标系,可以得到该映射关系。其中,超声探头所在坐标系可以是极坐标系,图像坐标系可以是极坐标系或笛卡尔坐标系。
无论是医生进行临床检查的场景,还是培训超声医生的场景,或是其他实操场景下,本申请实施例,根据所述映射关系,将所获取的几何变换参数映射到超声探头所在坐标系,得到所述位置调整信息后,均可以输出所确定的位置调整信息,提示临床医生、受训人员或其他实操人员,按照提示的位置调整信息调整探头位置,更好的获得与标准图像匹配的实时图像。
此外,为了提高与标准图像匹配实时图像的获得效率,可以在获取实时图像前,获取所述被检体的体表示意图以及所述标准切面的示意图;显示所述被检体的体表示意图、所述标准切面的示意图以及所述标准图像。以便临床医生、受训人员或其他实操人员,在操作超声探头获得实时图像前,能尽可能准确地将超声探头调整到合适的位置,进而提高获得与标准图像匹配实时图像的几率。
由上述图1A与图2涉及的实施例可知,本申请实施例为降低配准过程的计算量,在获取用于衡量待配图像(或实时图像)与标准图像的相似度的互信息量前,需要对待配图像(或实时图像)与标准图像分别进行小波变换。
而实际应用中,对待配图像(或实时图像)和标准图像进行小波变换时,虽然可以降低配准过程的计算量,但是也在一定程度上损失了图像特征,本申请实施例,为了降低损失的图像特征对配准结果的影响,可以对待配图像(或实时图像)和标准图像分别做两层以上的分解,分解的层数越多,得到的细节信息越多,匹配精度越高。
某些例子中,可以采用二维小波分解算法,分别对待配图像(或实时图像)与标准图像进行至少两层分解,得到分别包含至少两层近似分量的第一近似分量图像和第二近似分量图像。具体可以参见图3A,图3A图3A所示方法可以包括步骤S301-S304:
步骤S301、获取待配图像与预定的标准图像。
步骤S302、采用二维小波分解算法,分别对所述待配图像与所述标准图像进行至少两层分解,得到分别包含至少两层近似分量的第一近似分量图像和第二近似分量图像。
步骤S303、对所述第一近似分量图像进行至少一次几何变换,并计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量。
步骤S304、基于互信息量计算结果,获取最大互信息量为配准结果。
本实施例涉及的技术内容,与图1A至2中任一附图涉及的实施例的技术内容相应,在此不再赘述。
其中,采用二维小波分解算法进行多层分解,可以参阅图3B,如进行二层分解时,可以先做第一层分解,图像被分解为LL1,LH1,HL1和HH1四个区域对应的四个频带;第二层分解可以对LL1区域对应低频分量进行分解,得到LL2,LH2,HL2和HH2四个区域。这样,两层分解后,图像被分解成一个概貌图像和三个细节图像,在提取图像低频信息的同时,又获得了三个方向的高频边缘细节信息。此外,在其他实施例中,进行二层分解时,还可以对LH1、HL1和HH1中至少一区域继续进行分解。
对于多层分解后的图像,进行几何变换时,可以统一进行几何变换,然后计算变换后的第一近似分量图像与第二近似分量图像在相同层的互信息量,然后招呼最大互信息量。这里提到的几何变换与几何变换参数可以参阅图2涉及的实施例中的内容,在此不再赘述。
一例子中,本实施例也可以通过以下操作对所述第一近似分量图像进行至少一次几何变换:
分别对所述第一近似分量图像的各层近似分量进行多次几何变换。
计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量时,计算每次变换后的第N层近似分量,与所述第二近似分量图像的第N层近似分量的互信息量,为第N层近似分量的互信息量;N为1至M之间的整数,M为分解层数。
本申请实施例,也可以对不同层的近似分量进行不同的几何变换,如:几何变换参数可以包括旋转角度和/或平移距离,可以通过以下操作分别对所述第一近似分量图像的各层近似分量进行多次几何变换:
按照尺寸从小到大的顺序,对所述第一近似分量图像的各层近似分量进行排序。
按照排序,顺次对所述第一近似分量图像的每层近似分量进行多次几何变换。
其中,尺寸最小的第M层近似分量的几何变换参数,在预定的参数范围内;第K-1层近似分量的几何变换参数,至少由前一层近似分量的最大互信息量对应的几何变换参数决定;K为2至M之间的整数。
某些情况下,尺寸最小的第M层近似分量的几何变换参数可以由其尺寸决定,剩余层的几何变换参数,可以由其前一层近似分量的最大互信息量与预定的变换范围决定。
例如:几何变换参数包括旋转角度和平移距离;第M层近似分量在水平方向的尺寸为MA,在垂直方向的尺寸为MB;第M层近似分量的旋转角度在-10度与10度之间,水平方向的平移距离在-MA/2与-MA/2之间,垂直方向的平移距离在-MB/2与-MB/2之间;第K层近似分量的最大互信息量对应的旋转角度为θK,对应的水平方向的平移距离为SK,对应的垂直方向的平移距离为HK;第K层近似分量的下一层近似分量的旋转角度,在θK-2度与θK+2度之间;第K层近似分量的下一层近似分量的水平方向的平移距离,在2SK-10与2SK+10之间;第K层近似分量的下一层近似分量的垂直方向的平移距离,在2HK-10与2HK+10之间。
此外,针对同一层近似分量进行多次几何变换时,相邻两次几何变换的几何变换参数的差值相等。
应用到超声扫查辅助领域中时,在步骤S304之后,还可以包括以下步骤:
如果所述最大互信息量不在预定的匹配范围内,根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息。
以下结合具体实施例,简述下对不同层的近似分量进行不同的几何变换时,本申请实施例的具体操作方法:
以图像A代表标准切面的标准图像,图像B代表实时图像,旋转角度的变换范围为2,平移量变换范围为10:
Stepl:分别用二维小波分解算法对图像A和B作V+1层分解。LLAJ和LLBj分别为图A和B的第j层近似分量,0≤j≤V。
Step2:匹配最高层的近似分量,即LLAV和LLBV。假设LLAV和LLBV的大小为m×n。那么以[-θ,θ]为角度旋转范围,以[-m/2,m/2]×[-n/2,n/2]为平移变换范围,以△θV、△txV、△tyV为变换精度,将LLBV旋转和平移,并计算出每次变换后的LLAV和LLBV的互信息量MI。从中选取MI值最大时的各项几何变换参数(θV,txV,tyV),此即是第V层配准结果。
Step3:利用第V层得到的几何变换参数,来匹配第V-1层近似分量LLA(V-1)和LLB(V-1)。
以[θV-2,θV+2]和[2txV-10,2txV+10]x[2tyV-10,2tyV+10]为区间,以△θV-1、△txN-1、△tyV-1为变换精度,将LLB(V-1)旋转和平移,并计算每次变换后的LLA(V-1)和LLB(V-1)的互信息量MI。当MI达到最大值时即得到第V-l层的几何变换参数(θV-1,txV-1,tyV-1),即该层的配准结果。
Step4:以上一层的配准结果为基础进行重复迭代,直到对实时图像和标准图像匹配完成,得到配准结果(θ,tx,ty),所有层的最大MI值中的最大值,对应的几何变换参数。
由上述过程可知,本申请实施了的方法可以大大减少匹配过程的计算量,具体由所设定的几何变换区间和变换精度决定。例如:图像A和待配准图像B大小都为256×256像素,利用小波分解方法进行匹配,需要计算MI的次数为486+180+125+125=916;而直接对原始图像线性搜索进行配准时,如搜索区间为[-10°,10°]和[-128,128]×[-128,128],搜索精度为1°×l×1,则需要计算MI的次数为256×256×20=1310720。比较可知,本申请实施例的方法可以大大提高匹配速度。
由上述实施例可知:本申请实施例的方法,通过分别对待配图像与标准图像进行小波变换,得到的第一近似分量图像和第二近似分量图像,相对于待配图像和标准图像,图像特征有所减少,因此可以降低配准图像时的运算量,接着对所述第一近似分量图像进行至少一次几何变换后,计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量,可以互信息量作为衡量待配图像与标准图像的相似程度的量,然后获取能表示两幅图像的最大相似程度的最大互信息量为配准结果,完成待配图像与标准图像的匹配。
此外,如果所述最大互信息量在预定的匹配范围内,说明待配图像与标准图像匹配,如果不在预定的匹配范围内,说明待配图像与标准图像不匹配。
应用到超声扫查辅助领域时,待配图像可以是超声设备获取的实时图像,标准图像可以是超声图像库中反映被检体的预定标准切面的图像,该最大互信息量不在预定的匹配范围内,表示实时图像反应的切面不是标准切面,超声探头的位置需要调整,鉴于超声图像反映的切面与探头位置之间的位置关联,可以参照最大互信息量对应的几何变换参数,确定超声探头的位置调整信息,之后,超声设备操作人员根据位置调整信息,可以清楚如何调整探头位置,更便于获得与所述标准图像匹配的实时图像。
进而,最大互信息量在预定的匹配范围内,表示实时图像反应的切面是标准切面,实时图像与标准图像匹配,可以继续进行后续的解剖结构识别或诊断等处理。
以下以培训超声医生的场景为例,将本申请实施例的方法做成超声辅助检查程序,集成到培训超声医生教学软件内介绍下本申请实施例的图像配准方法。具体可以参见图4A,图4A所示方法可以包括步骤S401-S409:
步骤S401、从图像库获取被检体的体表示意图、预定的标准切面的示意图、以及预定的标准切面的标准图像。
步骤S402、显示所述被检体的体表示意图、所述标准切面的示意图以及所述标准图像。
步骤S403、获取超声设备生成的实时图像。
步骤S404、分别对所述实时图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像。
步骤S405、对所述第一近似分量图像进行至少一次几何变换,并计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量。
步骤S406、基于互信息量计算结果,获取最大互信息量。
步骤S407、如果所述最大互信息量在预定的匹配范围内,则基于所述实时图像进行解剖结构的识别。教学软件输出的配准结果可以如图4B所示,输出的结构解剖结果可以如图4C所示。
步骤S408、如果所述最大互信息量不在预定的匹配范围内,根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息。
步骤S409、输出所述位置调整信息。
在一个实施例中,对所述第一近似分量图像进行至少一次几何变换前,还可以:计算所述第一近似分量图像与所述第二近似分量图像的互信息量,为初始互信息量;如果所述初始互信息量在预定的匹配范围内,则基于所述实时图像进行解剖结构的识别;如果所述初始互信息量不在预定的匹配范围内,执行对所述第一近似分量图像进行至少一次几何变换的步骤。
此外,本申请实施例的图像配准方法还可以应用于其他场景,具体场景下的步骤可以结合具体场景进行调整。在不同的应用场景下,本申请实施例的方法,可以由超声系统中重建图像的处理设备执行,也可以由处理设备之外的其他计算机设备执行,其他计算机设备可以从处理设备获得实时图像,然后匹配实时图像和标准图像,根据配准结果确定实时图像是否规范和标准。
以下以处理设备执行为例,介绍下本申请实施例的图像配准方法应用的超声系统的逻辑架构示意图。
图5中所示超声系统可以包括超声探头510与处理设备520。其中,超声探头510可以向被检体发射超声波束,例如对人体,处理设备520根据超声探头510采集转换的信号得出实时图像。处理设备520获得实时图像和图像库中的标准图像后,按照图5示出的处理逻辑,对实时图像和标准图像进行匹配并根据配准结果确定实时图像是否为规范和标准的图像。需要说明的是,图像库可以在处理设备520内,也可以在其他计算机设备内,上述处理逻辑与前述参考图1B至图4A中任一实施例相应,在此不再赘述。
与本申请图像配准方法的示例相对应,本申请还提供了图像配准装置的示例。图像配准装置可以应用于各种计算机设备,如超声设备中的处理设备或其他计算机设备。如图6所示,为本申请图像配准装置应用的计算机设备的硬件结构示意图,该计算机设备可以包括处理器610、内存620、非易失性存储器630。其中,内存620和非易失性存储器630为机器可读存储介质,处理器610和机器可读存储介质620、630可借由内部总线640相互连接。在其他可能的实现方式中,所述计算机设备还可能包括网络接口650,以能够与其他设备或者部件进行通信。除了图6所示的处理器610、内存620、网络接口650、以及非易失性存储器630之外,该设备根据实际功能需要还可以包括其他硬件,图6中不再一一示出。
在不同的例子中,所述机器可读存储介质620、630可以是ROM(Read-Only Memory,只读存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等),或者类似的存储介质,或者它们的组合。
进一步,机器可读存储介质、可具体为内存620上存储有与图像配准装置对应的机器可执行指令。从功能上划分,如图7所示,图像配准装置可包括图像获取模块710、小波变换模块720、几何变换模块730、互信息计算模块740和结果获取模块750:
其中,图像获取模块710,用于获取待配图像和预定的标准图像。
小波变换模块720,用于分别对所述待配图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像。
几何变换模块730,用于对所述第一近似分量图像进行至少一次几何变换。
互信息计算模块740,用于计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量。
结果获取模块750,用于基于互信息量计算结果,获取最大互信息量。
一例子中,小波变换模块720被配置为:
采用二维小波分解算法,分别对所述待配图像与所述标准图像进行至少两层分解,得到分别包含至少两层近似分量的第一近似分量图像和第二近似分量图像。
作为例子,几何变换模块730被配置为:
分别对所述第一近似分量图像的各层近似分量进行多次几何变换;
计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量,包括:
计算每次变换后的第N层近似分量,与所述第二近似分量图像的第N层近似分量的互信息量,为第N层近似分量的互信息量;N为1至M之间的整数,M为分解层数。
作为例子,所述几何变换参数包括旋转角度和/或平移距离;
作为例子,几何变换模块730还被配置为:
按照尺寸从小到大的顺序,对所述第一近似分量图像的各层近似分量进行排序;
按照排序,顺次对所述第一近似分量图像的每层近似分量进行多次几何变换;
其中,尺寸最小的第M层近似分量的几何变换参数,在预定的参数范围内;
第K-1层近似分量的几何变换参数,至少由前一层近似分量的最大互信息量对应的几何变换参数决定;K为2至M之间的整数。
作为例子,所述几何变换参数包括旋转角度和平移距离;
第M层近似分量在水平方向的尺寸为MA,在垂直方向的尺寸为MB;
第M层近似分量的旋转角度在-10度与10度之间,水平方向的平移距离在-MA/2与-MA/2之间,垂直方向的平移距离在-MB/2与-MB/2之间;
第K层近似分量的最大互信息量对应的旋转角度为θK,对应的水平方向的平移距离为SK,对应的垂直方向的平移距离为HK;
第K层近似分量的下一层近似分量的旋转角度,在θK-2度与θK+2度之间;
第K层近似分量的下一层近似分量的水平方向的平移距离,在2SK-10与2SK+10之间;
第K层近似分量的下一层近似分量的垂直方向的平移距离,在2HK-10与2HK+10之间。
作为例子,针对同一层近似分量进行多次几何变换时,相邻两次几何变换的几何变换参数的差值相等。
另一例子中,所述几何变换参数包括缩放系数,所述缩放系数由所述实时图像与所述标准图像的尺寸比例决定。
另一例子中,所述标准图像为超声图像库中反映被检体的预定标准切面的图像;所述待配图像为超声设备生成的实时图像;本申请实施例的图像配准装置还可以包括:
调整确定模块,用于在所述最大互信息量不在预定的匹配范围内时,根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息。
另一例子中,本申请实施例的图像配准装置还可以包括:
示意图获取模块,用于获取所述被检体的体表示意图以及所述标准切面的示意图。
示意图显示模块,用于显示所述被检体的体表示意图、所述标准切面的示意图以及所述标准图像。
另一例子中,本申请实施例的图像配准装置还可以包括:
初始计算模块,用于计算所述第一近似分量图像与所述第二近似分量图像的互信息量,为初始互信息量。
第一解剖识别模块,用于在所述初始互信息量在预定的匹配范围内时,基于所述实时图像进行解剖结构的识别;
如果所述初始互信息量不在预定的匹配范围内,执行对所述第一近似分量图像进行至少一次几何变换的步骤。
另一例子中,调整确定模块760还可以被配置为:
根据超声探头所在坐标系与超声图像坐标系之间的映射关系,将所获取的几何变换参数映射到超声探头所在坐标系,得到所述位置调整信息。
另一例子中,本申请实施例的图像配准装置还可以包括:
第二解剖识别模块,用于在所述最大互信息量在预定的匹配范围内时,基于所述实时图像进行解剖结构的识别。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (11)

1.一种图像配准方法,其特征在于,包括:
获取待配图像及预定的标准图像;所述标准图像为超声图像库中反映被检体的预定标准切面的图像;所述待配图像为超声设备生成的实时图像;
分别对所述待配图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像;
对所述第一近似分量图像进行至少一次几何变换,并计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量;
基于互信息量计算结果,获取最大互信息量为配准结果;
如果所述最大互信息量不在预定的匹配范围内,根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息。
2.根据权利要求1所述的方法,其特征在于,分别对所述待配图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像,包括:
采用二维小波分解算法,分别对所述待配图像与所述标准图像进行至少两层分解,得到分别包含至少两层近似分量的第一近似分量图像和第二近似分量图像。
3.根据权利要求2所述的方法,其特征在于,对所述第一近似分量图像进行至少一次几何变换,包括:
分别对所述第一近似分量图像的各层近似分量进行多次几何变换;
计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量,包括:
计算每次变换后的第N层近似分量,与所述第二近似分量图像的第N层近似分量的互信息量,为第N层近似分量的互信息量;N为1至M之间的整数,M为分解层数。
4.根据权利要求3所述的方法,其特征在于,所述几何变换参数包括旋转角度和/或平移距离;
分别对所述第一近似分量图像的各层近似分量进行多次几何变换,包括:
按照尺寸从小到大的顺序,对所述第一近似分量图像的各层近似分量进行排序;
按照排序,顺次对所述第一近似分量图像的每层近似分量进行多次几何变换;
其中,尺寸最小的第M层近似分量的几何变换参数,在预定的参数范围内;
第K-1层近似分量的几何变换参数,至少由前一层近似分量的最大互信息量对应的几何变换参数决定;K为2至M之间的整数。
5.根据权利要求4所述的方法,其特征在于,所述几何变换参数包括旋转角度和平移距离;
第M层近似分量在水平方向的尺寸为MA,在垂直方向的尺寸为MB;
第M层近似分量的旋转角度在-10度与10度之间,水平方向的平移距离在-MA/2与-MA/2之间,垂直方向的平移距离在-MB/2与-MB/2之间;
第K层近似分量的最大互信息量对应的旋转角度为θK,对应的水平方向的平移距离为SK,对应的垂直方向的平移距离为HK;
第K层近似分量的下一层近似分量的旋转角度,在θK-2度与θK+2度之间;
第K层近似分量的下一层近似分量的水平方向的平移距离,在2SK-10与2SK+10之间;
第K层近似分量的下一层近似分量的垂直方向的平移距离,在2HK-10与2HK+10之间。
6.根据权利要求5所述的方法,其特征在于,针对同一层近似分量进行多次几何变换时,相邻两次几何变换的几何变换参数的差值相等。
7.根据权利要求1所述的方法,其特征在于,根据所获取的几何变换参数,确定超声探头的位置调整信息,包括:
根据超声探头所在坐标系与超声图像坐标系之间的映射关系,将所获取的几何变换参数映射到超声探头所在坐标系,得到所述位置调整信息。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述最大互信息量在预定的匹配范围内,则基于所述实时图像进行解剖结构的识别。
9.一种图像配准装置,其特征在于,包括:
图像获取模块,用于获取待配图像及预定的标准图像;所述标准图像为超声图像库中反映被检体的预定标准切面的图像;所述待配图像为超声设备生成的实时图像;
小波变换模块,用于分别对所述待配图像与所述标准图像进行小波变换,对应得到第一近似分量图像和第二近似分量图像;
几何变换模块,用于对所述第一近似分量图像进行至少一次几何变换;
互信息计算模块,用于计算每次变换后的近似分量图像与所述第二近似分量图像的互信息量;
结果获取模块,用于基于互信息量计算结果,获取最大互信息量为配准结果;
调整确定模块,用于在所述最大互信息量不在预定的匹配范围内时,根据所述最大互信息量对应的几何变换参数,确定超声探头的位置调整信息。
10.一种计算机设备,其特征在于,包括:
处理器;
存储处理器可执行指令的存储器;
其中,所述处理器耦合于所述存储器,用于读取所述存储器存储的程序指令,并作为响应,执行如权利要求1-8中任一项所述方法中的操作。
11.一个或多个机器可读存储介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得计算机设备执行如权利要求1-8中任一项所述方法中的操作。
CN201810556548.2A 2018-05-31 2018-05-31 图像配准方法、装置及设备和存储介质 Active CN108830886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810556548.2A CN108830886B (zh) 2018-05-31 2018-05-31 图像配准方法、装置及设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810556548.2A CN108830886B (zh) 2018-05-31 2018-05-31 图像配准方法、装置及设备和存储介质

Publications (2)

Publication Number Publication Date
CN108830886A CN108830886A (zh) 2018-11-16
CN108830886B true CN108830886B (zh) 2022-04-01

Family

ID=64146836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810556548.2A Active CN108830886B (zh) 2018-05-31 2018-05-31 图像配准方法、装置及设备和存储介质

Country Status (1)

Country Link
CN (1) CN108830886B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415219B (zh) * 2019-07-04 2022-04-05 杭州深睿博联科技有限公司 基于深度分割网络的医学图像处理方法及装置、设备、存储介质
CN112991403A (zh) * 2019-12-02 2021-06-18 深圳市恩普电子技术有限公司 一种图像配准方法和装置
CN111110272B (zh) * 2019-12-31 2022-12-23 深圳开立生物医疗科技股份有限公司 超声图像测量信息显示方法、装置、设备及可读存储介质
CN116957870B (zh) * 2023-09-18 2023-12-22 山西美分钟信息科技有限公司 临床技能考核管理系统控制方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216939A (zh) * 2008-01-04 2008-07-09 江南大学 基于量子行为粒子群算法的多分辨率医学图像配准方法
CN101527033A (zh) * 2008-03-04 2009-09-09 河海大学 超分辨率重建和自动配准的工业ccd彩色成像系统
CN102903109A (zh) * 2012-09-27 2013-01-30 武汉大学 一种光学影像和sar影像一体化分割配准方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9610037B2 (en) * 2013-11-27 2017-04-04 Elwha Llc Systems and devices for profiling microbiota of skin

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216939A (zh) * 2008-01-04 2008-07-09 江南大学 基于量子行为粒子群算法的多分辨率医学图像配准方法
CN101527033A (zh) * 2008-03-04 2009-09-09 河海大学 超分辨率重建和自动配准的工业ccd彩色成像系统
CN102903109A (zh) * 2012-09-27 2013-01-30 武汉大学 一种光学影像和sar影像一体化分割配准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
医学图像配准算法研究;金晶;《中国博士学位论文全文数据库 信息科技辑》;20100215;正文第3章 *
基于互信息和小波变换的图像配准的研究;罗志娟;《电脑知识与技术》;20160930;第12卷(第25期);正文第197-199页 *
罗志娟.基于互信息和小波变换的图像配准的研究.《电脑知识与技术》.2016,第12卷(第25期),正文第197-199页. *

Also Published As

Publication number Publication date
CN108830886A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108830886B (zh) 图像配准方法、装置及设备和存储介质
RU2663649C2 (ru) Сегментация крупных объектов из нескольких трехмерных видов
KR101565311B1 (ko) 3 차원 심초음파 검사 데이터로부터 평면들의 자동 검출
US11373301B2 (en) Image diagnostic device, image processing method, and program for obtaining diagnostic prediction models using deep learning
US10743844B2 (en) Ultrasound imaging apparatus
US20150213613A1 (en) Coupled segmentation in 3d conventional ultrasound and contrast-ehhanced ultrasound images
US20210093301A1 (en) Ultrasound system with artificial neural network for retrieval of imaging parameter settings for recurring patient
CN110678933A (zh) 超声临床特征检测与相关联的设备、系统和方法
US11931201B2 (en) Device and method for obtaining anatomical measurements from an ultrasound image
Chen et al. Improvement of 3-D ultrasound spine imaging technique using fast reconstruction algorithm
CN111820948B (zh) 胎儿生长参数测量方法、系统及超声设备
CN112568932A (zh) 一种穿刺针显影增强的方法、系统和超声成像设备
CN115813434A (zh) 用于由胎儿超声扫描自动评估分数肢体体积和脂肪瘦体块的方法和系统
US11250564B2 (en) Methods and systems for automatic measurement of strains and strain-ratio calculation for sonoelastography
CN113662579A (zh) 超声波诊断装置、医用图像处理装置及方法、存储介质
JP7453400B2 (ja) 超音波システムおよび超音波システムの制御方法
US20200222030A1 (en) Ultrasound image apparatus and method of controlling the same
US20240090823A1 (en) Apparatus and method for augmented interpretation of magnetic resonance and ultrasound shear wave elastography for monitoring liver fibrosis
US20230196580A1 (en) Ultrasound diagnostic apparatus and ultrasound image processing method
US20230380811A1 (en) Ultrasound diagnostic apparatus and control method of ultrasound diagnostic apparatus
US20230267618A1 (en) Systems and methods for automated ultrasound examination
US20230200783A1 (en) Ultrasound system and control method of ultrasound system
US11382595B2 (en) Methods and systems for automated heart rate measurement for ultrasound motion modes
US20210038184A1 (en) Ultrasound diagnostic device and ultrasound image processing method
KR20230005633A (ko) 난소낭종의 부피 산출 방법 및 자궁내막증의 예후를 예측하는 방법과 그 장치

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: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: DongSoft Medical System Co., Ltd.

Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang

GR01 Patent grant
GR01 Patent grant