CN110009669B - 一种基于深度强化学习的3d/2d医学图像配准方法 - Google Patents

一种基于深度强化学习的3d/2d医学图像配准方法 Download PDF

Info

Publication number
CN110009669B
CN110009669B CN201910221414.XA CN201910221414A CN110009669B CN 110009669 B CN110009669 B CN 110009669B CN 201910221414 A CN201910221414 A CN 201910221414A CN 110009669 B CN110009669 B CN 110009669B
Authority
CN
China
Prior art keywords
image
drr
images
reinforcement learning
resolution
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
CN201910221414.XA
Other languages
English (en)
Other versions
CN110009669A (zh
Inventor
杨波
王杨
闫新童
刘珊
曾庆川
刘婷婷
郑文锋
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910221414.XA priority Critical patent/CN110009669B/zh
Publication of CN110009669A publication Critical patent/CN110009669A/zh
Application granted granted Critical
Publication of CN110009669B publication Critical patent/CN110009669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度强化学习的3D/2D医学图像配准方法，先获取2D和3D医学图像并进行预处理，得到多分辨率的参考图像和浮动图像；然后搭建深度强化学习网络，对术前待配准3D图像做特定方向投影，得到不同变换参数的DRR图像，再计算每幅DRR图像与2D参考图像的相似性测度，最后选出相似性测度值最高的DRR图像，最后利用深度强化学习网络对选出的DRR图像进行图像配准。

Description

一种基于深度强化学习的3D/2D医学图像配准方法
技术领域
本发明属于图像配准技术领域，更为具体地讲，涉及一种基于深度强化学习的3D/2D医学图像配准方法。
背景技术
临床手术中的影像导航手术通常需要在术前获取3D人体病灶图像帮助医生了解病人病情和制定手术规划，同时还需要在术中获取2D人体图像一边引导医生在手术中实现跟踪和校正手术器械相对病人病灶的空间位置，手术的关键就在于准确的建立术前3D图像和术中2D图像之间的空间位置关系，即配准术前3D图像和术中2D图像。
目前的配准方法可分为基于灰度的方法、基于特征的方法和基于深度学习的方法。基于特征的配准方法又可分为基于外部特征和基于内部特征，基于外部特征通过在患者体内植入特异成像性质的植入物后进行医学成像，通过距离函数量化待配准图像中植入特征信息之间的相似性，该方法直接将标记物植入患者体内会造成患者机体损伤，配准结果有一定误差；基于内部特征选取图像内部的解剖纹理特征替代外部侵入物特征，该方法需要对图像进行景区分割和特征提取，图像配准的精度在很大程度上取决于特征信息的提取精度。总的来说，基于特征的配准忽略了大量的图像信息，导致配准精度低，且需要人工干预。基于灰度的配准算法利用相似性测度量化投影生成的2D图像与术中2D图像的相似性程度，并以优化算法迭代地搜索最优的相似性测度值表示图像到达的最佳配准状态，即最优空间变换参数，更多灰度信息的使用意味着更多的处理数据，计算复杂，配准时间较长，实时性差。Shun Miao提出使用深度回归网络直接预测2D/3D配准变换参数，但预处理步骤复杂，网络结构冗长，需要大量数据，并且端到端直接预测变换参数不利于保证配准精度。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度强化学习的3D/2D医学图像配准方法，通过多分辨率的深度强化学习网络来进行图像配准，从而提高配准精度。
为实现上述发明目的，本发明一种基于深度强化学习的3D/2D医学图像配准方法，其特征在于，包括以下步骤：
(1)、获取2D和3D医学图像
获取X射线图像作为配准过程的术中2D参考图像，获取医学CT作为配准过程的训练图像集和术前待配准3D图像；
(2)、训练图像集预处理
将训练图像集输入至X射线成像计算模型，再随机变换参数Ti＝(txi,tyi,tzi,rxi,ryi,rzi)，通过该模型生成DRR图像，其中，i＝1,2,…,n，n为DRR图像个数；
随机选取一部分DRR图像作为参考图像，另一部分作为浮动图像；
(3)、修改参考图像和浮动图像的分辨率，得到分辨率为p1的参考图像和分辨率为p2的参考图像，以及分辨率为p1的浮动图像和分辨率为p2的浮动图像；
(4)、搭建深度强化学习网络
设深度强化学习网络的编码部分包含四条卷积路径L1、L2、L3、L4，L1中输入分辨率为p1的参考图像，L2中输入分辨率为p2的参考图像，L3中输入分辨率为p1的浮动图像，L4中输入分辨率为p2的浮动图像；
设深度强化学习网络的解码部分为Dueling网络，通过全连接层连接编码部分，解码输出为12个沿着变换参数tx、ty、tz、rx、ry、rz的正向和负向运动的动作和12个对应的奖励Q值；
(5)、术前待配准3D图像做特定方向投影
对术前待配准3D图像做体数据的矢状面、冠状面、轴面以及六个对角面所对应的法线方向的特定投影，得到9幅具有不同变换参数Ti＝(txi,tyi,tzi,rxi,ryi,rzi)的DRR图像，i＝1,2,…,9；
(6)、计算相似性测度
先对9幅DRR图像和2D参考图像进行去噪处理，然后分别计算每幅DRR图像与2D参考图像的相似性测度，最后选出相似性测度值最高的DRR图像；
(7)、利用深度强化学习网络进行图像配准
(7.1)、将选出的DRR图像与2D参考图像进行重采样，再将采样后的图像作为深度强化学习网络的输入参考图像和浮动图像；
(7.2)、深度强化学习网络解码输出12个奖励Q值和对应的12个动作，然后选出奖励Q值中变化最大的一个，最后根据变化最大的奖励Q值及其对应的动作更新变换参数Tx，再根据更新后的变换参数Tx更新选出的DRR图像，并计算选出的DRR图像与2D参考图像的配准精度；
(7.3)、重复步骤(7.1)-(7.2)，当配准精度达到预期要求时，迭代停止，得到配准后的图像。
本发明的发明目的是这样实现的：
本发明基于深度强化学习的3D/2D医学图像配准方法，先获取2D和3D医学图像并进行预处理，得到多分辨率的参考图像和浮动图像；然后搭建深度强化学习网络，对术前待配准3D图像做特定方向投影，得到不同变换参数的DRR图像，再计算每幅DRR图像与2D参考图像的相似性测度，最后选出相似性测度值最高的DRR图像，最后利用深度强化学习网络对选出的DRR图像进行图像配准。
同时，本发明基于深度强化学习的3D/2D医学图像配准方法还具有以下有益效果：
(1)、采用多分辨率图像作为输入，较大的尺度隐含地提供空间信息，因为它们足够大以识别体素在图像中的位置，而较小的尺度提供关于体素的局部邻域的详细信息，克服单一尺度造成的空间信息不足或者局部信息不足。
(2)、采用Dueling网络分别计算环境本身的价值和选择动作带来的奖励，相较于单一流DQN网络，分解这两个部分会让学习目标更稳定，更精确，使得智能体既不会在学习过程中陷入局部最优值，也会使得智能体学习的目标更加精确。使收敛速度更快，解决动作数增加时网络的精度问题。
(3)、从九个特定投影方向进行DRR图像投影，能够有效划分变换参数空间，从中选取与X射线图像相似性测度较高的DRR图像，能够有效解决浮动图像初始化问题，减少后续迭代步数，提高配准精度，提高实时性。
附图说明
图1是本发明基于深度强化学习的3D/2D医学图像配准方法流程图；
图2是深度学习强化网络结构图；
图3是Dueling网络模块结构图；
图4是术前待配准3D图像做特定方向投影示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：
GPU(Graphics Processing Unit)：图形处理器；
DRR(Digitally reconstructed radiographs)：数字重建放射影像；
Dueling网络：竞争网络。
图1是本发明基于深度强化学习的3D/2D医学图像配准方法流程图。
在本实施例中，如图1所示，本发明一种基于深度强化学习的3D/2D医学图像配准方法，包括以下步骤：
S1、获取2D和3D医学图像
获取X射线图像作为配准过程的术中2D参考图像，获取LIDC-IDRI胸部CT作为配准过程的训练图像集和术前待配准3D图像。
S2、训练图像集预处理
将训练图像集输入至X射线成像计算模型，再随机变换参数Ti＝(txi,tyi,tzi,rxi,ryi,rzi)，通过该模型生成DRR图像，其中，i＝1,2,…,n，n为DRR图像个数；
其中，X射线成像计算模型可以采用基于GPU的Ray-Casting算法实现，模型具体为：
Figure BDA0002003752650000041
其中，I为X射线经过衰减后的能量，I0为X射线初始能量，μi为人体组织i对应的线性衰减系数，di为射线在该组织中经过的距离；
随机选取一部分DRR图像作为参考图像，另一部分作为浮动图像；
S3、修改参考图像和浮动图像的分辨率，得到分辨率为p1＝128×128的参考图像和分辨率为p2＝224×224的参考图像，以及分辨率为p1的浮动图像和分辨率为p2的浮动图像。
S4、搭建深度强化学习网络
在本实施例中，如图2所示，深度强化学习网络由编码和解码两部分构成，其中，编码部分将输入图像编码成特征，解码部分是对编码特征进行解码，以确定输出动作奖赏。
设深度强化学习网络的编码部分包含四条卷积路径L1、L2、L3、L4，L1中输入分辨率为p1的参考图像，L2中输入分辨率为p2的参考图像，L3中输入分辨率为p1的浮动图像，L4中输入分辨率为p2的浮动图像；
在本实施例中，卷积路径L1由5个卷积层和全连接层fc1构成，输入分辨率p1＝128×128的参考图像，fc1有1024个神经元，第一个卷积层有32个卷积核，核大小为5×5，步长为2；第二个卷积层有64个卷积核，核大小为3×3，步长为2；第三个卷积层有64个卷积核，核大小为3×3，步长为2；第四个卷积层有128个卷积核，核大小为3×3，步长为1；第五个卷积层有128个卷积核，核大小为3×3，步长为1；
卷积路径L2由5个卷积层和全连接层fc2构成，输入分辨率p2＝224×224的参考图像，第一个卷积层有32个卷积核，核大小为7×7，步长为2；第二个卷积层有64个卷积核，核大小为5×5，步长为2；第三个卷积层有64个卷积核，核大小为3×3，步长为2；第四个卷积层有128个卷积核，核大小为3×3，步长为2；第五个卷积层有128个卷积核，核大小为3×3，步长为1；
卷积路径L3由5个卷积层和全连接层fc3构成，输入分辨率p1＝128×128的浮动图像；
卷积路径L4由5个卷积层和全连接层fc4构成，输入分辨率p2＝224×224的浮动图像。同分辨率下所对应的输入网络结构相同，在此不再赘述；
设深度强化学习网络的解码部分为Dueling网络，通过全连接层连接编码部分，解码输出为12个沿着变换参数tx、ty、tz、rx、ry、rz的正向和负向运动的动作和12个对应的奖励Q值；
在本实施例中，如图3所示，Dueling网络由4个全连接层fc5、fc6、fc7、fc8构成，全连接层fc5、fc6都含有1024个神经元，全连接层fc5、fc6将得到的特征分解成两部分，分别输入动作价值网络和状态价值网络中，即6个神经元的全连接层fc7和1个神经元的全连接层fc8，最后把2个价值网络输出相加得到12个奖励Q值。
S5、术前待配准3D图像做特定方向投影
如图4所示，对术前待配准3D图像做体数据的矢状面、冠状面、轴面以及六个对角面所对应的法线方向的特定投影，得到9幅具有不同变换参数Ti＝(txi,tyi,tzi,rxi,ryi,rzi)的DRR图像，i＝1,2,…,9。
S6、计算相似性测度
先对9幅DRR图像和2D参考图像进行去噪处理，然后分别计算每幅DRR图像与2D参考图像的相似性测度，最后选出相似性测度值最高的DRR图像；
其中，通过计算互信息I(A,B)来计算相似性测度，即：
H(A)＝-∑PA(a)logPAB(a,b)
H(B)＝-∑PB(b)logPAB(a,b)
Figure BDA0002003752650000061
I(A,B)＝H(A)+H(B)-H(A,B)
其中，H(A)表示DRR图像的熵，H(B)表示2D参考图像的熵，H(A,B)表示DRR图像和2D参考图像的联合熵，a、b为两幅图像中相关像素点的值，PA(a)表示DRR图像中像素a的概率分布函数，PB(b)表示2D参考图像中像素b的概率分布函数，PAB(a,b)为DRR图像和2D参考图像之间的联合概率分布函数。
S7、利用深度强化学习网络进行图像配准
S7.1、将选出的DRR图像与2D参考图像进行重采样，再将采样后的图像作为深度强化学习网络的输入参考图像和浮动图像；
S7.2、深度强化学习网络解码输出12个奖励Q值和对应的12个动作，然后选出奖励Q值中变化最大的一个，最后根据变化最大的奖励Q值及其对应的动作更新变换参数Tx，再根据更新后的变换参数Tx更新选出的DRR图像，并计算选出的DRR图像与2D参考图像的配准精度；
S7.3、重复步骤S7.1-S7.2，当配准精度达到预期要求时，迭代停止，得到配准后的图像。
综上所述，本发明所涉及的基于深度强化学习的2D/3D医学图像配准方法，其理论基础为多分辨率深度强化学习网络，通过多分辨率输入有效解决空间信息与局部信息的矛盾；同时利用Dueling网络结构使收敛速度更快，解决动作数增加时网络的精度问题；从九个特定方向投影，将参数空间划分，选择相似性测度高的DRR图像作为浮动图像有效解决输入初始化问题，加速迭代速度和提高配准精度。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种基于深度强化学习的3D/2D医学图像配准方法，其特征在于，包括以下步骤：
(1)、获取2D和3D医学图像
获取X射线图像作为配准过程的术中2D参考图像，获取医学CT作为配准过程的训练图像集和术前待配准3D图像；
(2)、训练图像集预处理
将训练图像集输入至X射线成像计算模型，再随机变换参数Ti＝(txi,tyi,tzi,rxi,ryi,rzi)，通过该模型生成DRR图像，其中，i＝1,2,…,n，n为DRR图像个数；
随机选取一部分DRR图像作为参考图像，另一部分作为浮动图像；
(3)、修改参考图像和浮动图像的分辨率，得到分辨率为p1的参考图像和分辨率为p2的参考图像，以及分辨率为p1的浮动图像和分辨率为p2的浮动图像；
(4)、搭建深度强化学习网络
设深度强化学习网络的编码部分包含四条卷积路径L1、L2、L3、L4，L1中输入分辨率为p1的参考图像，L2中输入分辨率为p2的参考图像，L3中输入分辨率为p1的浮动图像，L4中输入分辨率为p2的浮动图像；
设深度强化学习网络的解码部分为Dueling网络，通过全连接层连接编码部分，解码输出为12个沿着变换参数tx、ty、tz、rx、ry、rz的正向和负向运动的动作和12个对应的奖励Q值；
(5)、术前待配准3D图像做特定方向投影
对术前待配准3D图像做体数据的矢状面、冠状面、轴面以及六个对角面所对应的法线方向的特定投影，得到9幅具有不同变换参数Ti＝(txi,tyi,tzi,rxi,ryi,rzi)的DRR图像，i＝1,2,…,9；
(6)、计算相似性测度
先对9幅DRR图像和2D参考图像进行去噪处理，然后分别计算每幅DRR图像与2D参考图像的相似性测度，最后选出相似性测度值最高的DRR图像；
(7)、利用深度强化学习网络进行图像配准
(7.1)、将选出的DRR图像与2D参考图像进行重采样，再将采样后的图像作为深度强化学习网络的输入参考图像和浮动图像；
(7.2)、深度强化学习网络解码输出12个奖励Q值和对应的12个动作，然后选出奖励Q值中变化最大的一个，最后根据变化最大的奖励Q值及其对应的动作更新变换参数Tx，再根据更新后的变换参数Tx更新选出的DRR图像，并计算选出的DRR图像与2D参考图像的配准精度；
(7.3)、重复步骤(7.1)-(7.2)，当配准精度达到预期要求时，迭代停止，得到配准后的图像。
2.根据权利要求1所述的基于深度强化学习的3D/2D医学图像配准方法，其特征在于，所述的X射线成像计算模型为：
Figure FDA0003276505270000021
其中，I为X射线经过衰减后的能量，I0为X射线初始能量，μj为人体组织j对应的线性衰减系数，dj为射线在该组织中经过的距离。
3.根据权利要求1所述的基于深度强化学习的3D/2D医学图像配准方法，其特征在于，所述的相似性测度的计算方法为：
通过计算互信息I(A,B)来计算相似性测度，即：
H(A)＝-∑PA(a)logPAB(a,b)
H(B)＝-∑PB(b)logPAB(a,b)
Figure FDA0003276505270000022
I(A,B)＝H(A)+H(B)-H(A,B)
其中，H(A)表示DRR图像的熵，H(B)表示2D参考图像的熵，H(A,B)表示DRR图像和2D参考图像的联合熵，a、b为两幅图像中相关像素点的值，PA(a)表示DRR图像中像素a的概率分布函数，PB(b)表示2D参考图像中像素b的概率分布函数，PAB(a,b)为DRR图像和2D参考图像之间的联合概率分布函数。
CN201910221414.XA 2019-03-22 2019-03-22 一种基于深度强化学习的3d/2d医学图像配准方法 Active CN110009669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910221414.XA CN110009669B (zh) 2019-03-22 2019-03-22 一种基于深度强化学习的3d/2d医学图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910221414.XA CN110009669B (zh) 2019-03-22 2019-03-22 一种基于深度强化学习的3d/2d医学图像配准方法

Publications (2)

Publication Number Publication Date
CN110009669A CN110009669A (zh) 2019-07-12
CN110009669B true CN110009669B (zh) 2021-12-10

Family

ID=67167851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910221414.XA Active CN110009669B (zh) 2019-03-22 2019-03-22 一种基于深度强化学习的3d/2d医学图像配准方法

Country Status (1)

Country Link
CN (1) CN110009669B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112825619A (zh) * 2019-09-20 2021-05-21 博医来股份公司 使用数字重建放射影像训练机器学习算法
CN111462146A (zh) * 2020-04-16 2020-07-28 成都信息工程大学 一种基于时空智能体的医学图像多模态配准方法
CN113662579A (zh) * 2020-05-13 2021-11-19 佳能医疗系统株式会社 超声波诊断装置、医用图像处理装置及方法、存储介质
CN111612778B (zh) * 2020-05-26 2023-07-11 上海交通大学 一种术前cta与术中x光冠状动脉配准方法
CN111728627A (zh) * 2020-06-02 2020-10-02 北京昆仑医云科技有限公司 辅助诊断方法和辅助诊断装置
CN114066947B (zh) * 2020-07-30 2022-10-14 杭州三坛医疗科技有限公司 图像配准方法和图像配准装置
CN112370161B (zh) * 2020-10-12 2022-07-26 珠海横乐医学科技有限公司 基于超声图像特征平面检测的手术导航方法及介质
CN112598028B (zh) * 2020-12-10 2022-06-07 上海鹰瞳医疗科技有限公司 眼底图像配准模型训练方法、眼底图像配准方法和装置
CN112614169B (zh) * 2020-12-24 2022-03-25 电子科技大学 基于深度学习网络的2d/3d脊椎ct层级配准方法
CN112561972B (zh) * 2020-12-29 2024-04-16 上海应用技术大学 医学图像配准方法
CN113450396B (zh) * 2021-06-17 2023-05-30 北京理工大学 基于骨骼特征的三维/二维图像配准方法及装置
CN113538534B (zh) * 2021-06-23 2022-05-20 复旦大学 一种基于深度强化学习的纳米成像的图像配准方法
CN113808182B (zh) * 2021-11-19 2022-04-15 首都医科大学附属北京安贞医院 一种2d与3d图像配准方法及装置
CN114627054A (zh) * 2022-02-11 2022-06-14 北京理工大学 基于多尺度强化学习的ct-x图像配准方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107403446A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 用于使用智能人工代理的图像配准的方法和系统
CN108460809A (zh) * 2017-02-22 2018-08-28 西门子保健有限责任公司 用于前列腺癌检测和分类的深度卷积编码器-解码器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8588501B2 (en) * 2011-07-29 2013-11-19 Siemens Aktiengesellschaft Automatic pose initialization for accurate 2-D/3-D registration applied to abdominal aortic aneurysm endovascular repair

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107403446A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 用于使用智能人工代理的图像配准的方法和系统
CN108460809A (zh) * 2017-02-22 2018-08-28 西门子保健有限责任公司 用于前列腺癌检测和分类的深度卷积编码器-解码器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A comparison of two novel similarity measures based on mutual information in 2D/3D image registration;Lei Wang等;《IEEE》;20140728;第215-218页 *
基于互信息和蚁群算法的多分辨率二维—三维医学图像配准的研究;林蔚;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20140315;第1-62页 *

Also Published As

Publication number Publication date
CN110009669A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN110009669B (zh) 一种基于深度强化学习的3d/2d医学图像配准方法
CN113487657B (zh) 一种基于深度学习的模态转换方法
CN112614169B (zh) 基于深度学习网络的2d/3d脊椎ct层级配准方法
CN112598649B (zh) 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法
CN114022491B (zh) 基于改进空间金字塔模型的小数据集食管癌肿瘤靶区影像自动勾画方法
CN112819914A (zh) 一种pet图像处理方法
CN114897780A (zh) 一种基于mip序列的肠系膜上动脉血管重建方法
CN111105475B (zh) 一种基于正交角度x光的骨骼三维重建方法
CN116402865A (zh) 一种利用扩散模型的多模态影像配准方法、装置和介质
WO2020113148A1 (en) Single or a few views computed tomography imaging with deep neural network
CN114511497A (zh) 应用于锥束ct稀疏采样的成像方法及装置
CN110599530A (zh) 基于双正则约束的mvct图像纹理增强方法
CN113205567A (zh) 基于深度学习的mri影像合成ct影像的方法
CN113344876A (zh) 一种ct和cbct间可变形配准方法
Tran et al. Deep learning-based inpainting for chest X-ray image
CN116363248A (zh) 单平面X-Ray影像合成CT影像的方法、系统、设备和介质
CN114332271A (zh) 基于静态pet图像的动态参数图像合成方法、系统
CN115049752A (zh) 一种基于三维卷积神经网络的pet呼吸运动图像伪影配准校正方法
CN113902912A (zh) Cbct影像的处理方法、神经网络系统的创建方法、以及装置
Alam et al. Generalizable cone beam ct esophagus segmentation using in silico data augmentation
CN115996670A (zh) 医学成像转换方法和相关联的医学成像3d模型个性化方法
CN117392259B (zh) 一种双视角跨模态重建ct影像的方法
CN112785632B (zh) 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法
CN116958217B (zh) 一种mri与ct多模态3d自动配准方法及装置
WO2023131061A1 (en) Systems and methods for positron emission computed tomography image reconstruction

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