CN109767458B - 一种半自动分段的顺序优化配准方法 - Google Patents
一种半自动分段的顺序优化配准方法 Download PDFInfo
- Publication number
- CN109767458B CN109767458B CN201811569476.1A CN201811569476A CN109767458B CN 109767458 B CN109767458 B CN 109767458B CN 201811569476 A CN201811569476 A CN 201811569476A CN 109767458 B CN109767458 B CN 109767458B
- Authority
- CN
- China
- Prior art keywords
- registration
- range
- initial
- point
- semi
- 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
Abstract
本发明公开了一种半自动分段2D‑3D顺序优化配准方法。方法包括：遍历含有骨组织的CT序列，利用(Curvature Scale Space，CSS)算法提取角点，迭代扩大骨组织范围，利用平面分割得到各段体数据；采用顺序优化配准方法，按照顺序在解空间中得到初始配准参数，最后在很小的范围内使用步长加速法进行优化搜索。本发明解决术前的CT与术中的X光拍摄时间不同，骨组织产生相对运动的问题；解决了随着分段数量增加配准时间也会增加的问题，将时间复杂度降为O(6n)。
Description
技术领域
本发明属于医学图像配准领域，具体涉及一种半自动分段的顺序优化配准方法。
背景技术
传统的骨科手术中，病灶需要主刀医生凭借临床经验，结合术前 CT或X光图像，在大脑中构建骨结构的三维模型来定位。过度依赖医生的临床经验，缺乏的医学影像依据。随着计算机辅助手术系统的发展，出现了将术前的CT数据三维重建为体数据，结合术中X光图像进行手术的导航系统。既为手术提供了客观的影像的依据，又使整个手术流程变得可视化。
手术导航的研究关键就是多模态医学图像的配准问题。2D-3D医学图像配准是医学图像配准中的热点。分为基于特征的配准方法，以及基于灰度的配准方法。基于特征的配准方法仅使用了少量的特征，配准时间较短，但需要侵入式标记特征点；基于灰度的配准方法更加稳定、精确，但耗时长。
传统方法均将脊椎结构看作刚体运动，但椎体骨组织各段都存在着相对运动。X光与CT的拍摄的时间不同，所以各段椎体骨组织间存在着相对运动，会影响配准精度。
发明内容
本发明的目的是提供一种半自动分段的顺序优化配准方法，以现有技术中存在的由于骨组织相对运动产生配准误差，分段后配准数量增加导致耗时长的问题。
一种半自动分段的顺序优化配准方法，包括以下步骤：
步骤1，输入CT切片数据，利用CSS算法提取椎体骨组织的角点来确定初始分割范围；
步骤2，对在初始分割范围具有椎体骨组织的所有CT切片数据进行角点数据处理，得到最终分割范围；
步骤3，利用最终分割范围分割所有CT切片数据得到骨组织的 CT体数据，并生成DRR图像；
步骤4，将得到的DRR图像与被最终分割范围处理过的X光图像进行配准，依次求得6个配准参数Rx,Ry,Rz,Tz,Tx,Ty的初始解；
步骤5，利用步长加速法对6个配准参数的初始解进行优化，得到配准参数的最终解。
进一步地，步骤1提取椎体骨组织的角点确定初始分割范围包括通过选取序列号为CT切片数量1/2的切片确定椎体骨组织初始分割范围。
进一步地，步骤1利用CSS算法提取椎体骨组织的角点包括：
将CT切片利用canny算子轮廓线提取后，对轮廓线利用不同尺度的高斯核进行平滑，接着对最大尺度进行曲率计算得到角点，并且在其他尺度上跟踪验证角点，尺度为σ的曲线的曲率为:
进一步地，步骤1将最大尺度曲率绝对值大于200且小于10000的点，或比相邻的曲率极小点大两倍以上的作为角点候选点。
进一步地，步骤1所述的初始分割范围左边缘x＝xmin，右边缘 x＝xmax，上边缘y＝ymin，下边缘y＝ymax所围成的区域。
进一步地，步骤2进行角点数据处理包括将不超出范围5mm的角点视为范围内的点，将右边缘上不超出3mm的点视为范围内的点。
进一步地，步骤4依次求得6个配准参数Rx，Ry，Rz，Tz，Tx，Ty的初始解包括采用步长加速算法求解旋转参数Rx，Ry，采用边缘方向求解旋转参数Rz，采用相似三角形法求解平移参数Tz，采用相位相关法求解平移参数Tx，Ty。
进一步地，步骤5利用步长加速法对6个配准参数的初始解进行优化，得到配准参数的最终解包括：
在得到了全部配准参数初始解后，按照参数重新生成DRR图像，首先对Rx，Ry进行步长加速优化算法，初始步长为3开始，减少为 0.005时搜索结束，搜索Rx，Ry最优值的[-5，5]的范围，接着对Rz在反方向[-1，0]的范围以0.3为步长开始进行搜索，每轮步长减少1/3，当步长小于0.01时停止，接着重新求解更新Tz，Tx，Ty的值，对Tz，Tx，Ty在反方向[-1，1]的范围以0.3为步长开始进行搜索，每轮搜索步长减少 1/3，当步长小于0.01时停止。
与现有技术相比，本发明的有益效果是：
(1)本发明所采用的半自动分段方法，克服了骨组织间发生相对运动而产生实验误差的缺点；
(2)本发明所采取的顺序优化方法，克服分段后配准的数量增加导致耗时增加，从而不满足手术要求的问题，将传统配准的时间复杂度O(n6)降为了O(6n)；
(3)本发明采用的DRR生成方法，减少了生成DRR图像的耗时以及生成DRR图像的数量；
(4)本发明所采取求解6个配准参数的方法与现有技术相比，减少了配准参数的求解时间并提高了精确度。
附图说明
图1为本发明分段顺序优化配准的流程图；
图2为准旋转参数Rz时用到的边缘方向直方图的性质；
图3为DRR生成过程体数据沿Z轴平移产生的相似三角形；
图4为CSS角点检测算法使用的开始和结束切片；
图5为利用CSS角点检测算法对X光数据图像配准区域提取的结果；
图6为本发明实施例得到的各段配准结果。
具体实施方式
下面结合附图与本发明实施例对本发明的技术方案进行更为清楚，完整的描述。
本实施例中采用北医三院脊椎CT图像以及X光图像，截取了病灶部位CT以及X光图像，总共包括三段骨组织。CT图像体数据大小为 512×359×238，层厚为0.7mm。X光图像大小为1024×803。分辨率均为0.28346mm/pixel。
本方法所述的体数据是三维图形可视化中的术语，体数据由体素组成。体素是基本体积元素，也可以理解为三维空间内的具有排列和颜色的点或一小块区域。本实施例所采用的CT图像体数据是将所有切片叠加未进行分割的类似于长方体数据，512×359×238指的是图像横向512个像素点，纵向359个像素点，238个切片，X光图像大小为1024×803，即横向1024个像素点，纵向803个像素点。
一种半自动分段的顺序优化配准方法，包括以下步骤：
步骤1，输入CT切片数据，利用CSS算法提取椎体骨组织的角点确定初始分割范围；
由于CT切片是按照顺序排列的，所以每一个切片都有对应的序列，选取序列号为CT切片数量1/2的切片，即当CT切片的数量为238 片，我们此时选取第119号切片，这是因为此时椎体骨组织的面积最大，可以确定椎体骨组织的初始范围。
本发明采用了CSS角点提取算法进行椎体骨组织的角点定位，通过四个角点来确定骨组织的范围。角点是椎体骨组织边缘曲线上局部曲率最大的点，角点的具体确定是通过将CT切片数据利用canny 算子轮廓线提取后，对轮廓线利用不同尺度的高斯核进行平滑，接着对最大尺度进行曲率计算得到角点，并且在其他尺度上跟踪验证角点。尺度为σ的曲线的曲率为:
其中X(u)，Y(u)分别为轮廓线上的横坐标与纵坐标的一维函数， u为一维函数的自变量，σ为尺度空间，X′(u，σ)，Y′(u，σ)分别为 X(u，σ)与Y(u，σ)的一阶导数，X″(u，σ)，Y″(u，σ)分别为X(u，σ)与 Y(u，σ)的二阶导数，g(u，σ)为高斯核函数，
为卷积运算。
公式(1)为曲率的求解函数，公式(2)、(3)为对横纵坐标的一维函数进行高斯平滑的过程。
本发明将最大尺度曲率绝对值大于200且小于10000的点，或比相邻的曲率极小点大两倍以上的作为角点候选点。将角点候选点在逐渐减少的尺度中寻找极大点，直到最低的尺度。
设各段四个角点的坐标按照顺时针方向分别为(x1，y1)，(x2，y2)， (x3，y3)，(x4，y4)；
x1，x4中选出较小点保存到xmin中，x2，x3中选出较大点保存到 xmax中，在上边缘中选择纵坐标最小点保存到ymin中，在下边缘选择纵坐标最大点保存到ymax中，则椎体骨组织的初始范围即x＝xmin，x＝ xmax，y＝ymin，y＝ymax所围成的区域。在本实施例中得出的119号切片的三段骨组织初始分割范围分别为(51.86，91.65，3.26，38.81)， (47.29，85.13，43.38，75.35)，(45.34，83.83，80.56，113.18)。
步骤2，对在初始分割范围具有椎体骨组织的所有CT切片数据进行角点数据处理，得到最终分割范围；
如图4，从刚有椎体骨组织出现的第94号切片开始，到分割范围内的椎体骨组织刚好消失的168号结束，分别使用CSS算法提取角点并记录角点的坐标值；在椎体骨组织没有完全出现的切片中，如果存在角点ymin≤y≤ymax，则判定该角点为相应段的角点，如果 |ymin-y|≤|ymax-y|则为上边缘的角点，否则为下边缘的角点；
在本方法中，对所有CT切片数据进行角点数据处理具体指的是： CT切片数据中每张切片的椎体骨组织之间偏差很小，算法将不超出范围5mm的角点视为范围内的点，将右边缘上不超出3mm的点视为范围内的点。
即如果y≥ymax或y≤ymin，当y-ymax≤5时，则将y的值作为新的ymax，如果存下边缘点的最大纵坐标t≥y，则将t的值作为新的 ymax；当ymin-y≤5时，则将y的值作为新的ymin，如果存上边缘点的最小纵坐标t≤y，则将t的值作为新的ymin；
如果x≥xmax或x≤xmin，当x-xmax≤5时，则将x的值作为新的xmax，如果存在右边缘点的最小纵坐标t-y≤3，则将t的值作为新的ymin；当xmin-x≤5时，则将x的值作为新的xmin；
得到的最终分割范围为使用x＝51.21，x＝93.29，y＝3.26，y＝ 39.79分割第一段，使用x＝45.99，x＝87.74，y＝43.38，y＝76.65分割第二段，使用x＝43.71.21，x＝85.41，y＝79.59，y＝116.44来分割第三段。
步骤3，利用最终分割范围分割所有CT切片数据得到骨组织的 CT体数据，并生成DRR图像；
遍历到所有骨组织都消失的序列号即168号切片，分别用最终得到的x＝xmin，x＝xmax，y＝ymin，y＝ymax即步骤2中最终分割范围分割94号到168号切片CT切片数据，并按照序列号叠加即为CT体数据。本发明采用Bresenham算法生成DRR图像，Bresenham算法是计算机图形学中为了“显示器(屏幕或打印机)系由像素构成”的这个特性而设计出来的算法。通过3维直线Bresenham生成算法可以快速的得到一个体素序列，这个体素序列与光线投射算法中每条X射线所遍历的真实像素点最为接近。在计算投影点CT值的过程中只需要进行少量的浮点运算，不需要进行插值运算和求整运算，大大加快了运算速度。
体数据生成DRR图像具体过程为首先确定虚拟点光源的固定位置，然后从光源向外发射虚拟射线，射线穿过3维CT体数据向垂直于射线中轴的投影面进行投射。射线同平面的交点决定了DRR图像中各像素点的位置。当射线以一定的步长向CT体数据投射时，可以得到所经过的每个切片上交点的CT值，若交点不在网格位置处，则需要用插值算法计算出该交点的CT值。随着射线的前进，对得到的 CT值进行累加，投射结束后，便可以得到一个累加值(累加过程可以加权)。所有的光线投射完毕后，就得到了整个DRR图像上每一点的 CT累加值，将这些CT累加值映射成像素灰度值，就得到DRR图像。
步骤4，将得到的DRR图像与被最终分割范围处理过的X光图像进行配准，依次求得6个配准参数Rx，Ry，Rz，Tz，Tx，Ty的初始解；
采用最终分割范围来对X光图像进行处理，即使用步骤2得到的 x＝xmin，x＝xmax，y＝ymin，y＝ymax分割本实施例所采用的北医三院脊椎病灶部位的X光图像得到的配准区域作为参考图像，所谓的配准主要是比对处理后的X光图像与步骤3生成的DRR图像的相似性，相似性越高配准效果越好。
本发明所采用的配准方法是顺序优化配准算法，并将步长设为2，即隔一张切片进行一次浮点计算；按照不同方法按照顺序求出6个配准参数Rx，Ry，Rz，Tz，Tx，Ty的值，这6个参数分别对应体数据绕x旋转，绕y旋转，绕z旋转，z轴方向平移，x轴方向平移，y轴方向平移。先求出绕x轴以及y轴的旋转参数Rx，Ry，接着求出z轴的旋转参数Rz，然后求出z轴方向的平移参数Tz，最后求出x轴方向以及y轴方向的平移参数Tx，Ty。以上的求解顺序必须严格单向，这样才能保证各参数间相互影响最小。在得到所有6个参数的初始解后，再对每个参数按照顺序，以不同的步长在精确的范围内进行优化，最终得到配准参数的最终解。
4.1本发明采用了步长加速算法求解绕x，y轴旋转参数Rx，Ry，步长从30开始，步长小于0.05时搜索结束。为防止局部最优解，进行80次迭代，将每一次的输出结果作为下一次的输入，直到相似性度量不再发生改变为止。采用相似性度量为归一化互信息，计算公式如下：
其中PA(a)，PB(b)为边缘概率分布，PAB(a，b)为联合概率分布。
4.2本发明引入了边缘方向求z轴的旋转参数Rz。图像边缘的每个像素都对应一个边缘方向，可以将边缘分解为特定方向的像素点，对这些像素点的方向进行统计得到边缘方向直方图。通过将DRR图像与X光图像进行小波分解，得到各尺度图像。再对各尺度图像进行轮廓线提取。通过如下公式来计算梯度方向，其中Gh(x，y)为水平方向的梯度，Gv(x，y)为垂直方向的梯度，θ(x，y)为梯度方向。f(x，y)为对应点的灰度值，对任意x，y有：
Gh(x，y)＝f(x+1，y)-f(x-1，y) (5)
Gv(x，y)＝f(x，y+1)-f(x，y-1) (6)
使用边缘方向直方图法可以解决DRR图像与X光图像光照不同的问题，排除配准参数Rz时配准参数Tx，Ty的影响。本文采用360个单位的边缘方向直方图，参见图2，分别求出X光图像与DRR图像的边缘方向直方图，将直方图中峰值作为主方向，Rz为两直方图的偏移量。
4.3本发明利用相似三角形法求解z轴方向的平移参数Tz。通过 CSS算法分别求出DRR图像与X光影像间的左上角与右下角角点的距离ddrr和dxray，利用公式(8)来计算缩放比例。
DRR图像的产生过程正好构成了一个相似三角形。当在Z轴上放生平移的时，产生了2个相似三角形。我们将其放入一个二维平面中，参见图3。通过相似三角形原理即可得到配准参数Tz。
从三角形的左侧顶点向右侧的边做垂线，这条线为光源点到 DRR图像影像的距离设为m。将体数据对角线的长度设为x，将光源到体数据的距离设为t。由相似三角形的原理可得：
由(8)可得：
将(9)(10)(11)相结合得到如下公式：
公式中的t是在生成DRR时设置的，R是通过公式(8)计算得出。
4.4本发明采用相位相关法求解x轴方向以及y轴方向的平移参数Tx，Ty。本发明只利用它求解平移参数。因为第一步存在得到的峰值不能可靠地对应正确旋转角度的位置。
得到配准参数Rx，Ry，Rz，Tz后，重新生成DRR图像。分别对DRR图像与X光图像进行傅里叶变化(公式13)，并求出互功率谱(公式14)。接着对互功率谱进行逆傅里叶变化，得到相关值的分布，分布中的峰值即为Tx，Ty。
F1(u，v)为图像的傅里叶变化，F2(u，v)为平移图像的傅里叶变化，x0，y0为平移量。
步骤5，利用步长加速法对6个配准参数的初始解进行优化，得到配准参数的最终解。
本发明得到了全部配准参数初始解后，按照参数重新生成DRR 图像，但此时生成DRR图像得到的配准结果具有较大的误差，所以需要对生成DRR图像的6个配准参数进行优化，以获得更小的误差，优化的具体过程为首先对Rx，Ry进行步长加速优化算法，初始步长为3开始，减少为0.005时搜索结束，搜索Rx，Ry最优值的[-5，5]的范围，接着对Rz在反方向[-1，0]的范围以0.3为步长开始进行搜索，每轮步长减少1/3，当步长小于0.01时停止，接着重新求解更新Tz，Tx，Ty的值，对Tz，Tx，Ty在反方向[-1，1]的范围以0.3为步长开始进行搜索，每轮搜索步长减少1/3，当步长小于0.01时停止。见图6，最终得到的最终的配准结果，以Tx，Ty，Tz，Rx，Ry，Rz顺序分别为 (10.74，-6.34，5.02，5.21，6.88，10.05)，(7.88，-5.35，4.89，3.91，4.34，6.98)， (6.79，3.77，5.05，5.16，4.22，-4.04)。
本实施例选取第一段骨组织进行评价顺序优化算法的性能，将骨组织的初始位置设为(15，10，10，15，12，8)。进行50次实验。分别记录每一次的配准结果的值，使用如下公式进行评价：
其中Xi为每次的配准误差，n为实验次数，
为配准误差的均值， S标准差。
利用公式(15)(16)对50次配准实际值与理想值的误差进行计算，理想值为(15，10，10，15，12，8)，实际值为每次实验的得到的配准结果，将两个值相减即为误差值。
得到Tx，Ty，Tz的误差均值(标准差)为-0.37，-0.45，0.16(±0.15，±0.1 6，±0.25)，Rx，Ry，Rz的误差均值(标准差)为-0.15，-0.18，-0.05(±0. 72，±0.87，±0.15)。配准时间均值(标准差)为28.32(±9.45)s。可以看出本优化配准方法具备更好的配准结果。
本发明的实施例公布的是其较好的实施方式，但并不限于此。本领域的技术人员能够容易地根据上述实施例，理解本发明的核心思想，只要不脱离本发明的技术方案的基础的变形或替换，都在本发明的保护范围之内。
Claims (8)
1.一种半自动分段的顺序优化配准方法，其特征在于，包括以下步骤：
步骤1，输入CT切片数据，利用CSS算法提取椎体骨组织的角点来确定初始分割范围；即是按照CT切片对应的序列号，选取序列号为CT切片数量1/2的切片，确定初始分割范围；
步骤2，对在初始分割范围具有椎体骨组织的所有CT切片数据进行角点数据处理，得到最终分割范围；
步骤3，利用最终分割范围分割所有CT切片数据得到骨组织的CT体数据，并生成DRR图像；
步骤4，将得到的DRR图像与被最终分割范围处理过的X光图像进行配准，依次求得6个配准参数Rx,Ry,Rz,Tz,Tx,Ty的初始解；
步骤5，利用步长加速法对6个配准参数的初始解进行优化，得到配准参数的最终解。
2.根据权利要求1所述的半自动分段的顺序优化配准方法，其特征在于，步骤1提取椎体骨组织的角点来确定初始分割范围包括通过选取序列号为CT切片数量1/2的切片确定椎体骨组织初始分割范围。
3.根据权利要求1所述的半自动分段的顺序优化配准方法，其特征在于，步骤1利用CSS算法提取椎体骨组织的角点包括：
将CT切片利用canny算子轮廓线提取后，对轮廓线利用不同尺度的高斯核进行平滑，接着对最大尺度进行曲率计算得到角点，并且在其他尺度上跟踪验证角点，尺度为σ的曲线的曲率为:
其中，X(u)，Y(u)分别为轮廓线上的横坐标与纵坐标的一维函数，u为一维函数的自变量，σ为尺度空间，X′(u,σ)，Y′(u,σ)分别为X(u,σ)与Y(u,σ)的一阶导数，X″(u,σ)，Y″(u,σ)分别为X(u,σ)与Y(u,σ)的二阶导数，g(u,σ)为高斯核函数，
为卷积运算。
4.根据权利要求1所述的半自动分段的顺序优化配准方法，其特征在于，步骤1将最大尺度曲率绝对值大于200且小于10000的点，或比相邻的曲率极小点大两倍以上的作为角点候选点。
5.根据权利要求1所述的半自动分段的顺序优化配准方法，其特征在于，步骤1所述的初始分割范围包括左边缘x＝xmin,右边缘x＝xmax,上边缘y＝ymin,下边缘y＝ymax所围成的区域。
6.根据权利要求1所述的半自动分段的顺序优化配准方法，其特征在于，步骤2进行角点数据处理包括将不超出范围5mm的角点视为范围内的点，将右边缘上不超出3mm的点视为范围内的点。
7.根据权利要求1所述的半自动分段的顺序优化配准方法，其特征在于，步骤4依次求得6个配准参数Rx,Ry,Rz,Tz,Tx,Ty的初始解包括采用步长加速算法求解旋转参数Rx,Ry，采用边缘方向求解旋转参数Rz，采用相似三角形法求解平移参数Tz，采用相位相关法求解平移参数Tx,Ty。
8.根据权利要求1所述的半自动分段的顺序优化配准方法，其特征在于，步骤5利用步长加速法对6个配准参数的初始解进行优化，得到配准参数的最终解包括:
在得到了全部配准参数初始解后，按照参数重新生成DRR图像，首先对Rx,Ry进行步长加速优化算法，初始步长为3开始，减少为0.005时搜索结束，搜索Rx,Ry最优值的[-5,5]的范围，接着对Rz在反方向[-1,0]的范围以0.3为步长开始进行搜索，每轮步长减少1/3，当步长小于0.01时停止，接着重新求解更新Tz,Tx,Ty的值，对Tz,Tx,Ty在反方向[-1,1]的范围以0.3为步长开始进行搜索，每轮搜索步长减少1/3，当步长小于0.01时停止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811569476.1A CN109767458B (zh) | 2018-12-21 | 2018-12-21 | 一种半自动分段的顺序优化配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811569476.1A CN109767458B (zh) | 2018-12-21 | 2018-12-21 | 一种半自动分段的顺序优化配准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109767458A CN109767458A (zh) | 2019-05-17 |
| CN109767458B true CN109767458B (zh) | 2023-01-20 |
Family
ID=66450904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811569476.1A Active CN109767458B (zh) | 2018-12-21 | 2018-12-21 | 一种半自动分段的顺序优化配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109767458B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473233B (zh) * | 2019-07-26 | 2022-03-01 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
| CN111915609B (zh) * | 2020-09-22 | 2023-07-14 | 平安科技（深圳）有限公司 | 病灶检测分析方法、装置、电子设备及计算机存储介质 |
| CN113240661B (zh) * | 2021-05-31 | 2023-09-26 | 平安科技（深圳）有限公司 | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 |
| CN116570370B (zh) * | 2023-04-24 | 2024-01-30 | 中山大学附属第五医院 | 一种脊柱针刀穿刺导航系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010117573A2 (en) * | 2009-04-07 | 2010-10-14 | Virginia Commonwealth University | Automated measurement of brain injury indices using brain ct images, injury data, and machine learning |
| CN102063715A (zh) * | 2010-12-25 | 2011-05-18 | 浙江师范大学 | 基于nsct和粒子群优化算法的台风云图融合方法 |
| CN102592137A (zh) * | 2011-12-27 | 2012-07-18 | 中国科学院深圳先进技术研究院 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
| CN104134210A (zh) * | 2014-07-22 | 2014-11-05 | 兰州交通大学 | 基于组合相似性测度的2d-3d医学图像并行配准方法 |
| CN104637061A (zh) * | 2015-01-30 | 2015-05-20 | 中国科学院自动化研究所 | 一种二维三维医学图像配准方法 |
| CN108305260A (zh) * | 2018-03-02 | 2018-07-20 | 苏州大学 | 一种图像中角点的检测方法、装置及设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7499743B2 (en) * | 2002-03-15 | 2009-03-03 | General Electric Company | Method and system for registration of 3D images within an interventional system |
| EP2225723B1 (en) * | 2007-12-18 | 2019-02-20 | Koninklijke Philips N.V. | Features-based 2d/3d image registration |
| US8634626B2 (en) * | 2010-06-29 | 2014-01-21 | The Chinese University Of Hong Kong | Registration of 3D tomography images |
-
2018
- 2018-12-21 CN CN201811569476.1A patent/CN109767458B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010117573A2 (en) * | 2009-04-07 | 2010-10-14 | Virginia Commonwealth University | Automated measurement of brain injury indices using brain ct images, injury data, and machine learning |
| CN102063715A (zh) * | 2010-12-25 | 2011-05-18 | 浙江师范大学 | 基于nsct和粒子群优化算法的台风云图融合方法 |
| CN102592137A (zh) * | 2011-12-27 | 2012-07-18 | 中国科学院深圳先进技术研究院 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
| CN104134210A (zh) * | 2014-07-22 | 2014-11-05 | 兰州交通大学 | 基于组合相似性测度的2d-3d医学图像并行配准方法 |
| CN104637061A (zh) * | 2015-01-30 | 2015-05-20 | 中国科学院自动化研究所 | 一种二维三维医学图像配准方法 |
| CN108305260A (zh) * | 2018-03-02 | 2018-07-20 | 苏州大学 | 一种图像中角点的检测方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于MRF和图割的多尺度图像分割和配准同步方法;董丽娜等;《天津理工大学学报》;20161215(第06期);第35-41页 * |
| 基于Snake模型与角点检测的双果重叠苹果目标分割方法;徐越等;《农业工程学报》;20150108(第01期);第196-203页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109767458A (zh) | 2019-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109767458B (zh) | 一种半自动分段的顺序优化配准方法 | |
| US11657518B2 (en) | Method for deformable 3D-2D registration using multiple locally rigid registrations | |
| US7787683B2 (en) | Tree structure based 2D to 3D registration | |
| JP5906015B2 (ja) | 特徴に基づいた２次元／３次元画像のレジストレーション | |
| JP5584441B2 (ja) | ボリュームデータ間の対応付け方法 | |
| EP3340883B1 (en) | Methods and systems for image artifacts reduction | |
| US20080019580A1 (en) | Medical image-processing apparatus and a method for processing medical images | |
| US20080260222A1 (en) | Lesion Quantification and Tracking Using Multiple Modalities | |
| CA2743937A1 (en) | C-arm pose estimation using intensity-based registration of imaging modalities | |
| Kurazume et al. | 3D reconstruction of a femoral shape using a parametric model and two 2D fluoroscopic images | |
| US8018456B2 (en) | Smooth gray-level based surface interpolation for an isotropic data sets | |
| Wang et al. | Automatic approach for lung segmentation with juxta-pleural nodules from thoracic CT based on contour tracing and correction | |
| Baka et al. | Statistical shape model-based femur kinematics from biplane fluoroscopy | |
| Van der Bom et al. | Robust initialization of 2D‐3D image registration using the projection‐slice theorem and phase correlation | |
| Schaffert et al. | Robust multi-view 2-d/3-d registration using point-to-plane correspondence model | |
| CN109414234B (zh) | 用于从先前生成的3d数据集生成2d投影的系统和方法 | |
| Zollei | 2D-3D rigid-body registration of X-ray Fluoroscopy and CT images | |
| CN112116623B (zh) | 图像分割方法及装置 | |
| Silva et al. | Fast volumetric registration method for tumor follow‐up in pulmonary CT exams | |
| Pan et al. | A fast registration from 3D CT images to 2D X-ray images | |
| Haque et al. | A fast and robust technique for 3D–2D registration of CT to single plane X-ray fluoroscopy | |
| Bhattacharjee et al. | Non-rigid registration (computed tomography-ultrasound) of liver using B-splines and free form deformation | |
| KR102007316B1 (ko) | 외장 의안의 3차원 영상 생성 장치 및 방법 | |
| Zhang et al. | Temporal consistent 2D-3D registration of lateral cephalograms and cone-beam computed tomography images | |
| Macedo et al. | Focus plus context visualization based on volume clipping for markerless on-patient medical data visualization |
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 |