CN110782428B - 一种用于构建临床脑部ct图像roi模板的方法及系统 - Google Patents

一种用于构建临床脑部ct图像roi模板的方法及系统 Download PDF

Info

Publication number
CN110782428B
CN110782428B CN201910894055.4A CN201910894055A CN110782428B CN 110782428 B CN110782428 B CN 110782428B CN 201910894055 A CN201910894055 A CN 201910894055A CN 110782428 B CN110782428 B CN 110782428B
Authority
CN
China
Prior art keywords
image
mri
roi
skull
deformation field
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
CN201910894055.4A
Other languages
English (en)
Other versions
CN110782428A (zh
Inventor
周扬
黄海亮
邵航
张新
娄昕
吕晋浩
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.)
Yangtze Delta Region Institute of Tsinghua University Zhejiang
Original Assignee
Zhejiang Future Technology Institute (jiaxing)
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 Zhejiang Future Technology Institute (jiaxing) filed Critical Zhejiang Future Technology Institute (jiaxing)
Priority to CN201910894055.4A priority Critical patent/CN110782428B/zh
Publication of CN110782428A publication Critical patent/CN110782428A/zh
Application granted granted Critical
Publication of CN110782428B publication Critical patent/CN110782428B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明实施例公开了一种用于构建临床脑部CT图像ROI模板的方法及系统，根据获取的同一个体的CT图像和MRI图像大脑功能区的相似性，利用基于MRI图像的ROI模板，通过一系列多步骤的单模态的刚性和非刚性配准，制作完成了基于CT图像的ROI模板，利用单模态配准的理论基础达到多模态配准的目的，配准精度高，解决了直接使用多模态配准精度低的问题，制作出针对CT图像的ROI模板可用于临床实际应用。

Description

一种用于构建临床脑部CT图像ROI模板的方法及系统
技术领域
本发明实施例涉及医学影像技术领域，具体涉及一种用于构建临床脑部CT图像ROI模板的方法及系统。
背景技术
随着医学影像技术的不断发展，出现了越来越多的成像方式，并广泛应用于大脑认知功能的研究与医疗临床诊断和治疗中。由于成像原理和设备不同，临床上使用比较普遍的是计算机辅助X射线断层成像(CT)和核磁共振成像(MRI)。这两类成像方式各有优缺点，提供的信息也不完全相同，例如，在结构成像中CT能够清晰的显示骨骼的结构影像，MRI则更适合对软组织形态成像，因此，不同模态的成像方式能提供形态和功能方面互相补充的信息。
在脑功能研究与医疗临床诊断治疗中，基于多种原因，通常需要对同一个人进行多种模式的多次成像，即同时从几幅图像获取信息，进行综合分析。为了实现上述目的，医学图像的配准是必须解决的问题。医学图像配准是指对于两幅或多幅医学图像寻求一种(或一系列)空间变换，使它们的像素所代表的解剖点在空间上达到一致性对应，从而达到几幅图像信息融合的目的。
在临床应用中，需要制作对应的MRI或CT带有ROI(Region of Interest，感兴趣区)标注的图像供医生使用，提供了带有标注ROI的图像后，有利于医生在实际应用中对图像进行分析和比较。由于各种成像技术和图像采集协议都有其特定优点和局限性，MRI图像的软组织成像清晰，分辨率高，在MRI进行ROI标注的时候更加准确，所以人为构建的脑部标准ROI模板一般都是基于MRI图像，而CT图像中骨骼成像比较清晰，但软组织成像不清晰，针对CT图像构建ROI模板一直是图像处理分析里存在的难题，也是临床应用中的迫切需求。而由于CT图像和MRI图像的信息差异，直接进行MRI和CT的多模态配准，往往配准精度较低。
发明内容
为此，本发明实施例提供一种用于构建临床脑部CT图像ROI模板的方法及系统，以解决现有的难以实现CT图像ROI模板制作的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提出了一种用于构建临床脑部CT图像ROI模板的方法，所述方法包括：
获取同一个体在相同状态下的脑部CT图像ICT_0和MRI图像IMRI_0；
对所述MRI图像IMRI_0进行感兴趣区ROI标记获得所述MRI图像的ROI模板图像IMRI_ROI，并获得ROI标记图像IROI；
根据所述CT图像ICT_0和MRI图像IMRI_0，分别获得所述CT图像的脑壳掩模图ICT_1以及所述MRI图像的脑壳掩模图IMRI_1；
分别对所述CT图像的脑壳掩模图ICT_1和所述MRI图像的脑壳掩模图IMRI_1进行脑壳轮廓标记，获得所述CT图像的脑壳轮廓掩模图MCT_1和所述MRI图像的脑壳轮廓掩模图MMRI_1；
将所述CT图像的脑壳轮廓掩模图MCT_1作为固定图像，所述MRI图像的脑壳轮廓掩模图MMRI_1作为浮动图像进行刚性配准，获得第一变形场T1；
将所述MRI图像IMRI_0作为固定图像，所述MRI图像的ROI模板图像IMRI_ROI作为浮动图像进行刚性配准，获得第二变形场T2；
将所述MRI图像的ROI模板IMRI_ROI经过第二变形场T2变换得到变换后的所述MRI图像的ROI模板图像IMRI_ROI1；
将所述MRI图像IMRI_0作为固定图像，将变换后的所述MRI图像的ROI模板图像IMRI_ROI1作为浮动图像进行非刚性配准，获得第三变形场T3；
将所述ROI图像IROI依次经过第二变形场T2、第三变形场T3以及第一变形场T1变换后得到所述CT图像的ROI模板图像ICT_ROI。
进一步地，根据所述CT图像ICT_0和MRI图像IMRI_0，分别获得所述CT图像的脑壳掩模图ICT_1以及所述MRI图像的脑壳掩模图IMRI_1，具体包括：
对所述CT图像ICT_0进行提取脑壳获得所述CT图像的脑壳掩模图ICT_1。
进一步地，所述提取脑壳具体包括：
根据图像灰度差异来区分所述CT图像的脑壳和非脑壳区域；
定义图像中大脑组织的最高灰度值ud和最低灰度值ld，对所述CT图像ICT_0进行二值化得到图像Q，二值化公式如下：
Figure BDA0002209680390000031
对二值化后的图像Q进行形态闭合运算，以消除图像Q上的小洞缺陷，得到大脑区域的图像C，
C＝Q·se
式中，se为圆盘型结构元素；
参考图像C的区域轮廓，在所述CT图像ICT_0中标记出同样区域得到大脑区域的图像C’；
在所述CT图像上将颅内区域标识出来作为区域A，得到不含背景和头骨部分的颅内组织区域图像M，
Figure BDA0002209680390000032
将得到的大脑区域的图像C’与颅内组织区域图像M相减，得到所述CT图像的脑壳掩模图ICT_1，即
ICT_1＝C′-M。
进一步地，根据所述CT图像ICT_0和MRI图像IMRI_0，分别获得所述CT图像的脑壳掩模图ICT_1以及所述MRI图像的脑壳掩模图IMRI_1，具体包括：
对所述MRI图像IMRI_0进行BET去脑壳获得所述MRI图像的脑组织掩模图IMRI_2；
将所述MRI图像IMRI_0和所述MRI图像的脑组织掩模图IMRI_2进行差值相减获得所述MRI图像的脑壳掩模图IMRI_1。
进一步地，所述BET去脑壳具体包括：
获取所述MRI图像IMRI_0中所有点的像素值，根据像素值分布绘制强度直方图，根据强度直方图估算各区域的阈值初步区分图像中脑壳区域和非脑壳区域；
确定MRI图像中的大脑几何重心，选取一个初始的细分曲面网格，该曲面网格的圆心和图像的几何重心重叠，半径和头颅半径相似；
对初始化的细分曲面网格进行迭代，进一步完成脑壳边界的确定；
根据确定的脑壳边界，对所述MRI图像IMRI_0进行去脑壳获得所述MRI图像的脑组织掩模图IMRI_1。
进一步地，将所述CT图像的脑壳轮廓掩模图MCT_1作为固定图像，所述MRI图像的脑壳轮廓掩模图MMRI_1作为浮动图像进行刚性配准，获得第一变形场T1，具体包括：
使用仿射形变进行配准，首先计算固定图像MCT_1和浮动图像MMRI_1的互信息值作为相似度比较的依据，互信息值计算公式为，
Figure BDA0002209680390000041
式中，P(MCT_1)、P(MMRI_1)分别表示图像MCT_1和图像MMRI_1的灰度概率密度分布；P(MCT_1,MMRI_1)表示图像MCT_1和图像MMRI_1的灰度联合概率密度分布，当两图像的互信息值达到最大时，认为两图像具有最大相似程度；
建立损失函数loss(MCT_1,MMRI_1)为两图像互信息值的负数，通过损失函数对两张图像进行相似度的量化；
刚性配准由以下公式进行：
Figure BDA0002209680390000042
其中，T为得到的变形场，ST是可允许的变形空间，loss(MCT_1,MMRI_1)为损失函数，T(MCT_1)代表经过变形场T变换之后得到的图像，优化方法使用基于梯度的最速下降法，通过最速下降法迭代寻找到T使得配准函数的损失函数达到局部极小值，此时得到的T是所需要的第一变形场T1。
进一步地，将所述MRI图像IMRI_0作为固定图像，所述MRI图像的ROI模板图像IMRI_ROI作为浮动图像进行刚性配准，获得第二变形场T2，具体包括：
使用仿射形变进行配准，首先计算图像IMRI_0和图像IMRI_ROI的归一化互相关值作为相似度比较的依据，归一化互相关值
Figure BDA0002209680390000051
的计算公式为：
Figure BDA0002209680390000052
其中，
Figure BDA0002209680390000053
在-1到1之间变化，
Figure BDA0002209680390000054
说明在t位置，两张图像有完全相同的形状，
Figure BDA0002209680390000055
说明两图像有相同的形状但是方向相反，
Figure BDA0002209680390000056
说明两张图像不具有相关性；
建立损失函数loss(IMRI_0,IMRI_ROI)为两个图像归一化互相关值的负数，通过损失函数对两张图像进行相似度的量化，优化方法使用基于梯度的最速下降法，通过最速下降法迭代寻找到T使得配准函数的损失函数达到局部极小值，此时得到的T即是所需要的变形场T2。
进一步地，将所述MRI图像的ROI模板IMRI_ROI经过第二变形场T2变换得到变换后的所述MRI图像的ROI模板图像IMRI_ROI1，具体包括：
采用双三次插值的方法，将图像IMRI_ROI1经过第二形变场T2插值为图像IMRI_ROI1；
所述双三次插值是利用待求像素点在源图像中相邻的16个像素点的加权平均值，每个像素点的权重由该像素点到待求像素点的距离确定，此距离包括水平和竖直两个方向的距离，以一像素点为例，该像素点在竖直和水平方向上与待求像素点的距离分别是1+u和v，则该像素点的权重为w＝w(1+u)×w(v)，则待求点像素值的公式为：
f(i+u,j+v)＝A×B×C
其中，
A＝[w(1+u)w(u)w(1-u)w(2-u)]
Figure BDA0002209680390000061
C＝[w(1＝u)w(u)w(1-u)w(2-u)]T；
插值核w(x)为：
Figure BDA0002209680390000062
其中，x为离某个像素点的坐标距离。
进一步地，将所述MRI图像IMRI_0作为固定图像，将变换后的所述MRI图像的ROI模板图像IMRI_ROI1作为浮动图像进行非刚性配准，获得第三变形场T3，具体包括：
将图像IMRI_0与图像IMRI_ROI1进行B样条非刚性配准，具体为，建立一个由控制点组成的控制网格，并将其套用在待配准图像上，得到初始控制网格参数，以梯度下降法为优化算法，以归一化互相关值为相似性测度，不断修正该网格参数，网格参数的改变引起控制点最近邻4×4控制网格内所有的像素点发生移动，移动后的坐标位置由B样条拟合得到；
假设获得的控制网格
Figure BDA0002209680390000063
的尺寸为nx×ny×nz，采用的B样条配准公式如下：
Figure BDA0002209680390000064
其中，
Figure BDA0002209680390000065
Figure BDA0002209680390000066
表示不大于x/nx的整数，
Figure BDA0002209680390000067
Figure BDA0002209680390000068
Bl、Bm和Bn表示B样条基函数，B0(u)＝(1-u)3/6，B1(u)＝(3u3-6u2+4)/6，B2(u)＝(-3u3+3u2+3u+1)/6，B3(u)＝u3/6，u表示每个控制点对于变形场T贡献的权重；
通过该配准公式不断迭代得到的第三变形场T3，以双线性插值为插值算法，计算出该位置的灰度值，该位置相对于配准后图像，等同于像素点移动前的位置映射到参考图像相对应的位置，当配准后图像与参考图像对应位置的灰度差异度达到最小时，达到图像的最佳配准。
根据本发明实施例的第二方面，提出了一种用于构建临床脑部CT图像ROI模板的系统，所述系统包括：
图像采集模块，用于获取同一个体在相同状态下的脑部CT图像ICT_0和MRI图像IMRI_0；
图像处理模块，用于对所述MRI图像IMRI_0进行感兴趣区ROI标记获得所述MRI图像的ROI模板图像IMRI_ROI，并获得ROI标记图像IROI；
根据所述CT图像ICT_0和MRI图像IMRI_0，分别获得所述CT图像的脑壳掩模图ICT_1以及所述MRI图像的脑壳掩模图IMRI_1；
分别对所述CT图像的脑壳掩模图ICT_1和所述MRI图像的脑壳掩模图IMRI_1进行脑壳轮廓标记，获得所述CT图像的脑壳轮廓掩模图MCT_1和所述MRI图像的脑壳轮廓掩模图MMRI_1；
将所述CT图像的脑壳轮廓掩模图MCT_1作为固定图像，所述MRI图像的脑壳轮廓掩模图MMRI_1作为浮动图像进行刚性配准，获得第一变形场T1；
将所述MRI图像IMRI_0作为固定图像，所述MRI图像的ROI模板图像IMRI_ROI作为浮动图像进行刚性配准，获得第二变形场T2；
将所述MRI图像的ROI模板IMRI_ROI经过第二变形场T2变换得到变换后的所述MRI图像的ROI模板图像IMRI_ROI1；
将所述MRI图像IMRI_0作为固定图像，将变换后的所述MRI图像的ROI模板图像IMRI_ROI1作为浮动图像进行非刚性配准，获得第三变形场T3；
将所述ROI图像IROI依次经过第二变形场T2、第三变形场T3以及第一变形场T1变换后得到所述CT图像的ROI模板图像ICT_ROI。
本发明实施例具有如下优点：
本发明实施例提出的一种用于构建临床脑部CT图像ROI模板的方法及系统，根据获取的同一个体的CT图像和MRI图像大脑功能区的相似性，利用MRI图像的ROI模板，通过一系列多步骤的单模态的刚性和非刚性配准，制作完成了基于CT图像的ROI模板，利用单模态配准的理论基础达到多模态配准的目的，配准精度高，解决了直接使用多模态配准精度低的问题，制作出针对CT图像的ROI模板可用于临床实际应用。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例1提供的一种用于构建临床脑部CT图像ROI模板的方法的流程示意图；
图2为本发明实施例2提供的一种用于构建临床脑部CT图像ROI模板的系统的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例提出了一种用于构建临床脑部CT图像ROI模板的方法，如图1所示，该方法包括以下步骤：
步骤110、获取同一个体在相同状态下的脑部CT图像ICT_0和MRI图像IMRI_0。
同一个体在相同状态下的CT图像和MRI图像在大脑功能区上具有相似性。获取的CT图像和MRI图像需要进行预处理，裁剪成相同的尺寸。数字图像可通过数值矩阵来表示，计算机中通常用二维数组来存放图像数据，矩阵的元素对应图像的像素，矩阵元素的值即为像素的灰度值。
步骤120、对所述MRI图像IMRI_0进行感兴趣区ROI标记获得MRI图像的ROI模板图像IMRI_ROI，并获得ROI标记图像IROI。
医学图像中，图像的使用者往往只对图像的一部分感兴趣，这部分区域通常称为感兴趣区ROI，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出感兴趣的区域。在获取的MRI图像上划出感兴趣区ROI，得到标注有ROI的MRI图像IMRI_ROI，而同时也可以获取到ROI标记图像IROI，IROI代表将感兴趣区ROI标记出来的由方框、圆、椭圆、不规则多边形等组成的标记图像。
步骤130、根据CT图像ICT_0和MRI图像IMRI_0，分别获得CT图像的脑壳掩模图ICT_1以及MRI图像的脑壳掩模图IMRI_1。
在步骤130中，通过对CT图像ICT_0进行提取脑壳获得CT图像的脑壳掩模图ICT_1。进一步的，提取脑壳具体包括以下步骤：
根据图像灰度差异来区分CT图像的脑壳和非脑壳区域，CT图像可以通过图像灰度来区分脑壳和非脑壳区域，大脑外壳区域的图像值会明显异于非脑壳区域的图像值；
定义图像中大脑组织的最高灰度值ud和最低灰度值ld，对CT图像ICT_0进行二值化得到图像Q，二值化公式如下：
Figure BDA0002209680390000091
对二值化后的图像Q进行形态闭合运算，以消除图像Q上的小洞缺陷，得到大脑区域的图像C，
C＝Q·se
式中，se为圆盘型结构元素；
参考图像C的区域轮廓，在CT图像ICT_0中标记出同样区域得到大脑区域的图像C’；
在CT图像上将颅内区域标识出来作为区域A，得到不含背景和头骨部分的颅内组织区域图像M，
Figure BDA0002209680390000101
将得到的大脑区域的图像C’与颅内组织区域图像M相减，得到CT图像的脑壳掩模图ICT_1，即
ICT_1＝C′-M。
步骤130中，MRI图像的脑壳掩模图IMRI_1的获取是通过以下步骤获得的：
对MRI图像IMRI_0进行BET(brain extraction tool，脑组织提取工具)去脑壳获得MRI图像的脑组织掩模图IMRI_2；
将MRI图像IMRI_0和MRI图像的脑组织掩模图IMRI_2进行差值相减获得MRI图像的脑壳掩模图IMRI_1。
进一步地，BET去脑壳具体包括：
估计图像参数，获取所述MRI图像IMRI_0中所有点的像素值，根据像素值分布绘制强度直方图，用来区分大脑组织和背景，由于骨头部分在MRI图像上呈现黑色，骨头部分也会被包括在背景中，根据强度直方图估算各区域的阈值，根据各区域的阈值可大致初步区分图像中脑壳区域和非脑壳区域，例如背景阈值tback是强度直方图里柱状最高的值；
确定MRI图像中的大脑几何重心，选取一个初始的细分曲面网格，该曲面网格的圆心和图像的几何重心重叠，半径和头颅半径相似；
对初始化的细分曲面网格进行迭代，完成脑壳边界的确定，通过对大脑几何重心的确定，以几何重心为圆心绘制细分曲面，不断扩大绘制曲面的范围至脑组织和骨头界限位置，完成脑壳边界的确定，并对细分曲面的顶点进行不断优化，使大脑边界更加平滑；
根据确定的脑壳边界，对MRI图像IMRI_0进行去脑壳获得MRI图像的脑组织掩模图IMRI_1。
步骤140、分别对CT图像的脑壳掩模图ICT_1和MRI图像的脑壳掩模图IMRI_1进行脑壳轮廓标记，获得CT图像的脑壳轮廓掩模图MCT_1和MRI图像的脑壳轮廓掩模图MMRI_1。
在CT图像的脑壳掩模图ICT_1和MRI图像的脑壳掩模图IMRI_1上，脑壳区域和非脑壳区域存在灰度差，可以分别在CT图像的脑壳掩模图ICT_1和MRI图像的脑壳掩模图IMRI_1上把脑壳的轮廓标记出来，即可通过灰度差值操作，对大脑外壳进行标注，将大脑外壳作为感兴趣的部位提取出来。
步骤150、将CT图像的脑壳轮廓掩模图MCT_1作为固定图像，MRI图像的脑壳轮廓掩模图MMRI_1作为浮动图像进行刚性配准，获得第一变形场T1。
步骤150具体包括：
使用仿射形变进行配准，首先计算固定图像MCT_1和浮动图像MMRI_1的互信息值(Mutual Information)作为相似度比较的依据，互信息值计算公式为，
Figure BDA0002209680390000111
式中，P(MCT_1)、P(MMRI_1)分别表示图像MCT_1和图像MMRI_1的灰度概率密度分布；P(MCT_1,MMRI_1)表示图像MCT_1和图像MMRI_1的灰度联合概率密度分布，当两图像的互信息值达到最大时，认为两图像具有最大相似程度；
建立损失函数loss(MCT_1,MMRI_1)为两图像互信息值的负数，通过损失函数对两张图像进行相似度的量化；
刚性配准由以下公式进行：
Figure BDA0002209680390000112
其中，T为得到的变形场，ST是可允许的变形空间，loss(MCT_1,MMRI_1)为损失函数，T(MCT_1)代表经过变形场T变换之后得到的图像，优化方法使用基于梯度的最速下降法，最速下降法是基于梯度的优化方法，要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度(或者是近似梯度)的反方向的规定步长距离点进行迭代搜索，我们可以从函数的局部极小值的初始估计点x0出发，并考虑以下序列如x1，x2，x2...，其更新公式是：
Figure BDA0002209680390000113
其中，μ是迭代的步长，x0为函数的初始估计点，xn为迭代过程中的某个点，E为需要优化的函数；
通过最速下降法迭代寻找到T使得配准函数的损失函数达到局部极小值，此时得到的T是所需要的第一变形场T1。
步骤160、将MRI图像IMRI_0作为固定图像，MRI图像的ROI模板图像IMRI_ROI作为浮动图像进行刚性配准，获得第二变形场T2。
步骤160具体包括：
使用仿射形变进行配准，首先计算图像IMRI_0和图像IMRI_ROI的归一化互相关值作为相似度比较的依据，归一化互相关值
Figure BDA0002209680390000121
的计算公式为：
Figure BDA0002209680390000122
其中，
Figure BDA0002209680390000123
在-1到1之间变化，
Figure BDA0002209680390000124
说明在t位置，两张图像有完全相同的形状，
Figure BDA0002209680390000125
说明两图像有相同的形状但是方向相反，
Figure BDA0002209680390000126
说明两张图像不具有相关性；
建立损失函数loss(IMRI_0,IMRI_ROI)为两个图像归一化互相关值的负数，通过损失函数对两张图像进行相似度的量化，配准函数公式如步骤150，优化方法使用基于梯度的最速下降法，通过最速下降法迭代寻找到T使得配准函数的损失函数达到局部极小值，此时得到的T即是所需要的变形场T2。
步骤170、将MRI图像的ROI模板IMRI_ROI经过第二变形场T2变换得到变换后的MRI图像的ROI模板图像IMRI_ROI1。
步骤170具体包括：
采用双三次插值的方法，将图像IMRI_ROI1经过第二形变场T2插值为图像IMRI_ROI1；
双三次插值是利用待求像素点在源图像中相邻的16个像素点的加权平均值，每个像素点的权重由该像素点到待求像素点的距离确定，此距离包括水平和竖直两个方向的距离，以一像素点为例，该像素点在竖直和水平方向上与待求像素点的距离分别是1+u和v，则该像素点的权重为w＝w(1+u)×w(v)，则待求点像素值的公式为：
f(i+u,j+v)＝A×B×C
其中，
A＝[w(1+u)w(u)w(1-u)w(2-u)]
Figure BDA0002209680390000131
C＝[w(1＝u)w(u)w(1-u)w(2-u)]T；
插值核w(x)为：
Figure BDA0002209680390000132
其中，x为离某个像素点的坐标距离。
步骤180、将MRI图像IMRI_0作为固定图像，将变换后的MRI图像的ROI模板图像IMRI_ROI1作为浮动图像进行非刚性配准，获得第三变形场T3。
步骤180具体包括：
将图像IMRI_0与图像IMRI_ROI1进行B样条非刚性配准，具体为，建立一个由控制点组成的控制网格，并将其套用在待配准图像上，得到初始控制网格参数，以梯度下降法为优化算法，以归一化互相关值为相似性测度，不断修正该网格参数，网格参数的改变引起控制点最近邻4×4控制网格内所有的像素点发生移动，移动后的坐标位置由B样条拟合得到；
假设获得的控制网格
Figure BDA0002209680390000133
的尺寸为nx×ny×nz，采用的B样条配准公式如下：
Figure BDA0002209680390000134
其中，
Figure BDA0002209680390000135
Figure BDA0002209680390000136
表示不大于x/nx的整数，
Figure BDA0002209680390000137
Figure BDA0002209680390000138
Bl、Bm和Bn表示B样条基函数，B0(u)＝(1-u)3/6，B1(u)＝(3u3-6u2+4)/6，B2(u)＝(-3u3+3u2+3u+1)/6，B3(u)＝u3/6，u表示每个控制点对于变形场T贡献的权重；
通过该配准公式不断迭代得到的第三变形场T3，以双线性插值为插值算法，计算出该位置的灰度值，该位置相对于配准后图像，等同于像素点移动前的位置映射到参考图像相对应的位置，当配准后图像与参考图像对应位置的灰度差异度达到最小时，达到图像的最佳配准。
步骤190、将ROI图像IROI依次经过第二变形场T2、第三变形场T3以及第一变形场T1变换后得到CT图像的ROI模板图像ICT_ROI。
将IROI依次与获得的变形矩阵第二变形场T2、第三变形场T3以及第一变形场T1依次相乘完成变换，通过双三次插值方法得到配准完成的CT图像的ROI模板ICT_ROI。
本发明实施例提出的一种用于构建临床脑部CT图像ROI模板的方法，根据获取的同一个体的CT图像和MRI图像大脑功能区的相似性，利用MRI图像的ROI模板，通过一系列多步骤的单模态的刚性和非刚性配准，制作完成了基于CT图像的ROI模板，利用单模态配准的理论基础达到多模态配准的目的，配准精度高，解决了直接使用多模态配准精度低的问题，制作出针对CT图像的ROI模板可用于临床实际应用。
实施例2
与上述实施例1相对应的，本发明实施例提出了一种用于构建临床脑部CT图像ROI模板的系统，如图2所示，该系统包括：
图像采集模块210，用于获取同一个体在相同状态下的脑部CT图像ICT_0和MRI图像IMRI_0；
图像处理模块220，用于对MRI图像IMRI_0进行感兴趣区ROI标记获得MRI图像的ROI模板图像IMRI_ROI，并获得ROI标记图像IROI；
根据CT图像ICT_0和MRI图像IMRI_0，分别获得CT图像的脑壳掩模图ICT_1以及MRI图像的脑壳掩模图IMRI_1；
分别对CT图像的脑壳掩模图ICT_1和MRI图像的脑壳掩模图IMRI_1进行脑壳轮廓标记，获得CT图像的脑壳轮廓掩模图MCT_1和MRI图像的脑壳轮廓掩模图MMRI_1；
将CT图像的脑壳轮廓掩模图MCT_1作为固定图像，MRI图像的脑壳轮廓掩模图MMRI_1作为浮动图像进行刚性配准，获得第一变形场T1；
将MRI图像IMRI_0作为固定图像，MRI图像的ROI模板图像IMRI_ROI作为浮动图像进行刚性配准，获得第二变形场T2；
将MRI图像的ROI模板IMRI_ROI经过第二变形场T2变换得到变换后的MRI图像的ROI模板图像IMRI_ROI1；
将MRI图像IMRI_0作为固定图像，将变换后的MRI图像的ROI模板图像IMRI_ROI1作为浮动图像进行非刚性配准，获得第三变形场T3；
将ROI图像IROI依次经过第二变形场T2、第三变形场T3以及第一变形场T1变换后得到CT图像的ROI模板图像ICT_ROI。
本实施例提供的一种用于构建临床脑部CT图像ROI模板的系统中各模块具体实现的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
本实施例提出的一种用于构建临床脑部CT图像ROI模板的系统，根据获取的同一个体的CT图像和MRI图像大脑功能区的相似性，利用MRI图像的ROI模板，通过一系列多步骤的单模态的刚性和非刚性配准，制作完成了基于CT图像的ROI模板，利用单模态配准的理论基础达到多模态配准的目的，配准精度高，解决了直接使用多模态配准精度低的问题，制作出针对CT图像的ROI模板可用于临床实际应用。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，所述方法包括：
获取同一个体在相同状态下的脑部CT图像ICT_0和MRI图像IMRI_0；
对所述MRI图像IMRI_0进行感兴趣区ROI标记获得所述MRI图像的ROI模板图像IMRI_ROI，并获得ROI标记图像IROI；
根据所述CT图像ICT_0和MRI图像IMRI_0，分别获得所述CT图像的脑壳掩模图ICT_1以及所述MRI图像的脑壳掩模图IMRI_1；
分别对所述CT图像的脑壳掩模图ICT_1和所述MRI图像的脑壳掩模图IMRI_1进行脑壳轮廓标记，获得所述CT图像的脑壳轮廓掩模图MCT_1和所述MRI图像的脑壳轮廓掩模图MMRI_1；
将所述CT图像的脑壳轮廓掩模图MCT_1作为固定图像，所述MRI图像的脑壳轮廓掩模图MMRI_1作为浮动图像进行刚性配准，获得第一变形场T1；
将所述MRI图像IMRI_0作为固定图像，所述MRI图像的ROI模板图像IMRI_ROI作为浮动图像进行刚性配准，获得第二变形场T2；
将所述MRI图像的ROI模板图像IMRI_ROI经过第二变形场T2变换得到变换后的所述MRI图像的ROI模板图像IMRI_ROI1；
将所述MRI图像IMRI_0作为固定图像，将变换后的所述MRI图像的ROI模板图像IMRI_ROI1作为浮动图像进行非刚性配准，获得第三变形场T3；
将所述ROI标记图像IROI依次经过第二变形场T2、第三变形场T3以及第一变形场T1变换后得到所述CT图像的ROI模板图像ICT_ROI。
2.根据权利要求1所述的一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，根据所述CT图像ICT_0和MRI图像IMRI_0，分别获得所述CT图像的脑壳掩模图ICT_1以及所述MRI图像的脑壳掩模图IMRI_1，具体包括：
对所述CT图像ICT_0进行提取脑壳获得所述CT图像的脑壳掩模图ICT_1。
3.根据权利要求2所述的一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，所述提取脑壳具体包括：
根据图像灰度差异来区分所述CT图像的脑壳和非脑壳区域；
定义图像中大脑组织的最高灰度值ud和最低灰度值ld，对所述CT图像ICT_0进行二值化得到图像Q，二值化公式如下：
Figure FDA0003565890150000021
对二值化后的图像Q进行形态闭合运算，以消除图像Q上的小洞缺陷，得到大脑区域的图像C，
C＝Q·se
式中，se为圆盘型结构元素；
参考图像C的区域轮廓，在所述CT图像ICT_0中标记出同样区域得到大脑区域的图像C’；
在所述CT图像上将颅内区域标识出来作为区域A，得到不含背景和头骨部分的颅内组织区域图像M，
Figure FDA0003565890150000022
将得到的大脑区域的图像C’与颅内组织区域图像M相减，得到所述CT图像的脑壳掩模图ICT_1，即
ICT_1＝C′-M。
4.根据权利要求1所述的一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，根据所述CT图像ICT_0和MRI图像IMRI_0，分别获得所述CT图像的脑壳掩模图ICT_1以及所述MRI图像的脑壳掩模图IMRI_1，具体包括：
对所述MRI图像IMRI_0进行BET去脑壳获得所述MRI图像的脑组织掩模图IMRI_2；
将所述MRI图像IMRI_0和所述MRI图像的脑组织掩模图IMRI_2进行差值相减获得所述MRI图像的脑壳掩模图IMRI_1。
5.根据权利要求4所述的一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，所述BET去脑壳具体包括：
获取所述MRI图像IMRI_0中所有点的像素值，根据像素值分布绘制强度直方图，根据强度直方图估算各区域的阈值初步区分图像中脑壳区域和非脑壳区域；
确定MRI图像中的大脑几何重心，选取一个初始的细分曲面网格，该曲面网格的圆心和图像的几何重心重叠，半径和头颅半径相似；
对初始化的细分曲面网格进行迭代，完成脑壳边界的确定；
根据确定的脑壳边界，对所述MRI图像IMRI_0进行去脑壳获得所述MRI图像的脑组织掩模图IMRI_1。
6.根据权利要求1所述的一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，将所述CT图像的脑壳轮廓掩模图MCT_1作为固定图像，所述MRI图像的脑壳轮廓掩模图MMRI_1作为浮动图像进行刚性配准，获得第一变形场T1，具体包括：
使用仿射形变进行配准，首先计算固定图像MCT_1和浮动图像MMRI_1的互信息值作为相似度比较的依据，互信息值计算公式为，
Figure FDA0003565890150000031
式中，P(MCT_1)、P(MMRI_1)分别表示图像MCT_1和图像MMRI_1的灰度概率密度分布；P(MCT_1，MMRI_1)表示图像MCT_1和图像MMRI_1的灰度联合概率密度分布，当两图像的互信息值达到最大时，认为两图像具有最大相似程度；
建立损失函数loss(MCT_1，MMRI_1)为两图像互信息值的负数，通过损失函数对两张图像进行相似度的量化；
刚性配准由以下公式进行：
Figure FDA0003565890150000041
其中，T为得到的变形场，ST是可允许的变形空间，T(MCT_1)代表经过变形场T变换之后得到的图像，优化方法使用基于梯度的最速下降法，通过最速下降法迭代寻找到T使得配准函数的损失函数loss(MMRI_1，T(MCT_1))达到局部极小值，此时得到的T是所需要的第一变形场T1。
7.根据权利要求1所述的一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，将所述MRI图像IMRI_0作为固定图像，所述MRI图像的ROI模板图像IMRI_ROI作为浮动图像进行刚性配准，获得第二变形场T2，具体包括：
使用仿射形变进行配准，首先计算图像IMRI_0和图像IMRI_ROI的归一化互相关值作为相似度比较的依据；
归一化互相关值
Figure FDA0003565890150000042
在-1到1之间变化，
Figure FDA0003565890150000043
说明在t位置，两张图像有完全相同的形状，
Figure FDA0003565890150000044
说明两图像有相同的形状但是方向相反，
Figure FDA0003565890150000045
说明两张图像不具有相关性；
建立损失函数loss(IMRI_0，IMRI_ROI)为两个图像归一化互相关值的负数，通过损失函数对两张图像进行相似度的量化，优化方法使用基于梯度的最速下降法，通过最速下降法迭代寻找到T使得配准函数的损失函数达到局部极小值，此时得到的T即是所需要的变形场T2。
8.根据权利要求1所述的一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，将所述MRI图像的ROI模板图像IMRI_ROI经过第二变形场T2变换得到变换后的所述MRI图像的ROI模板图像IMRI_ROI1，具体包括：
采用双三次插值的方法，将图像IMRI_ROI1经过第二变形场T2插值为图像IMRI_ROI1；
所述双三次插值是利用待求像素点在源图像中相邻的16个像素点的加权平均值，每个像素点的权重由该像素点到待求像素点的距离确定，此距离包括水平和竖直两个方向的距离，以一像素点为例，该像素点在竖直和水平方向上与待求像素点的距离分别是1+u和v，则该像素点的权重为w＝w(1+u)×w(v)，则待求点像素值的公式为：
f(i+u，j+v)＝A×B×C
其中，
A＝[w(1+u) w(u) w(u-1) w(u-2)]
Figure FDA0003565890150000051
C＝[w(1+v) w(v) w(v-1) w(v-2)]T；
插值核w(x)为：
Figure FDA0003565890150000052
其中，x为离某个像素点的坐标距离。
9.根据权利要求1所述的一种用于构建临床脑部CT图像ROI模板的方法，其特征在于，将所述MRI图像IMRI_0作为固定图像，将变换后的所述MRI图像的ROI模板图像IMRI_ROI1作为浮动图像进行非刚性配准，获得第三变形场T3，具体包括：
将图像IMRI_0与图像IMRI_ROI1进行B样条非刚性配准，具体为，建立一个由控制点组成的控制网格，并将其套用在待配准图像上，得到初始控制网格参数，以梯度下降法为优化算法，以归一化互相关值为相似性测度，不断修正该网格参数，网格参数的改变引起控制点最近邻4×4控制网格内所有的像素点发生移动，移动后的坐标位置由B样条拟合得到；
假设获得的控制网格
Figure FDA0003565890150000061
的尺寸为nx×ny×nz，采用的B样条配准公式如下：
Figure FDA0003565890150000062
其中，
Figure FDA0003565890150000063
Figure FDA0003565890150000064
表示不大于x/nx的整数，
Figure FDA0003565890150000065
Figure FDA0003565890150000066
Figure FDA0003565890150000067
Figure FDA0003565890150000068
表示向下取整，Bl、Bm和Bn表示B样条基函数，B0(u)＝(1-u)3/6，B1(u)＝(3u3-6u2+4)/6，B2(u)＝(-3u3+3u2+3u+1)/6，B3(u)＝u3/6，u表示每个控制点对于变形场T贡献的权重，
Figure FDA0003565890150000069
为B样条控制网格的控制点，i、j、k是控制点坐标(x，y，z)在网格中的索引；
通过该配准公式不断迭代得到的第三变形场T3，以双线性插值为插值算法，计算出该位置的灰度值，该位置相对于配准后图像，等同于像素点移动前的位置映射到参考图像相对应的位置，当配准后图像与参考图像对应位置的灰度差异度达到最小时，达到图像的最佳配准。
10.一种用于构建临床脑部CT图像ROI模板的系统，其特征在于，所述系统包括：
图像采集模块，用于获取同一个体在相同状态下的脑部CT图像ICT_0和MRI图像IMRI_0；
图像处理模块，用于对所述MRI图像IMRI_O进行感兴趣区ROI标记获得所述MRI图像的ROI模板图像IMRI_ROI，并获得ROI标记图像IROI；
根据所述CT图像ICT_O和MRI图像IMRI_O，分别获得所述CT图像的脑壳掩模图ICT_1以及所述MRI图像的脑壳掩模图IMRI_1；
分别对所述CT图像的脑壳掩模图ICT_1和所述MRI图像的脑壳掩模图IMRI_1进行脑壳轮廓标记，获得所述CT图像的脑壳轮廓掩模图MCT_1和所述MRI图像的脑壳轮廓掩模图MMRI_1；
将所述CT图像的脑壳轮廓掩模图MCT_1作为固定图像，所述MRI图像的脑壳轮廓掩模图MMRI_1作为浮动图像进行刚性配准，获得第一变形场T1；
将所述MRI图像IMRI_0作为固定图像，所述MRI图像的ROI模板图像IMRI_ROI作为浮动图像进行刚性配准，获得第二变形场T2；
将所述MRI图像的ROI模板图像IMRI_ROI经过第二变形场T2变换得到变换后的所述MRI图像的ROI模板图像IMRI_ROI1；
将所述MRI图像IMRI_0作为固定图像，将变换后的所述MRI图像的ROI模板图像IMRI_ROI1作为浮动图像进行非刚性配准，获得第三变形场T3；
将所述ROI标记图像IROI依次经过第二变形场T2、第三变形场T3以及第一变形场T1变换后得到所述CT图像的ROI模板图像ICT_ROI。
CN201910894055.4A 2019-09-20 2019-09-20 一种用于构建临床脑部ct图像roi模板的方法及系统 Active CN110782428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910894055.4A CN110782428B (zh) 2019-09-20 2019-09-20 一种用于构建临床脑部ct图像roi模板的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910894055.4A CN110782428B (zh) 2019-09-20 2019-09-20 一种用于构建临床脑部ct图像roi模板的方法及系统

Publications (2)

Publication Number Publication Date
CN110782428A CN110782428A (zh) 2020-02-11
CN110782428B true CN110782428B (zh) 2022-06-17

Family

ID=69383631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910894055.4A Active CN110782428B (zh) 2019-09-20 2019-09-20 一种用于构建临床脑部ct图像roi模板的方法及系统

Country Status (1)

Country Link
CN (1) CN110782428B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402305B (zh) * 2020-06-05 2020-09-11 嘉兴太美医疗科技有限公司 医学影像配准方法、系统和计算机可读介质
KR102613537B1 (ko) * 2021-02-09 2023-12-13 고려대학교 산학협력단 뇌 ct 영상 표준 템플릿 생성 장치 및 방법
CN113240699B (zh) * 2021-05-20 2022-02-08 推想医疗科技股份有限公司 图像处理方法及装置，模型的训练方法及装置，电子设备
CN113592925B (zh) * 2021-07-16 2024-02-06 华中科技大学 一种术中超声图像及其轮廓实时配准方法及系统
CN116503453B (zh) * 2023-06-21 2023-09-26 福建自贸试验区厦门片区Manteia数据科技有限公司 图像配准方法、装置、计算机可读存储介质及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9483816B2 (en) * 2013-09-03 2016-11-01 Litel Instruments Method and system for high accuracy and reliability registration of multi modal imagery
CN104050666B (zh) * 2014-06-10 2017-07-11 电子科技大学 基于分割的脑部mr图像配准方法
CN106204561B (zh) * 2016-07-04 2019-07-30 西安电子科技大学 基于混合模型的前列腺多模态图像非刚性配准方法
CN108171738B (zh) * 2018-01-25 2022-02-01 北京雅森科技发展有限公司 基于脑功能模板的多模态医学图像配准方法
CN109584201A (zh) * 2018-09-14 2019-04-05 新影智能科技(昆山)有限公司 医学图像配准方法、配准系统、存储介质、及电子设备
CN109934861B (zh) * 2019-01-22 2022-10-18 广东工业大学 一种头颈部多模态医学图像自动配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
The Image Registration Techniques for Medical Imaging (MRI-CT);Hiba A. Mohammed;《American Journal of Biomedical Engineering》;20161231;全文 *

Also Published As

Publication number Publication date
CN110782428A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110782428B (zh) 一种用于构建临床脑部ct图像roi模板的方法及系统
US10318839B2 (en) Method for automatic detection of anatomical landmarks in volumetric data
CN106485695B (zh) 基于统计形状模型的医学图像Graph Cut分割方法
US7876938B2 (en) System and method for whole body landmark detection, segmentation and change quantification in digital images
CN106934821B (zh) 一种基于icp算法和b样条的锥形束ct和ct图像配准方法
USRE47609E1 (en) System for detecting bone cancer metastases
JP5864542B2 (ja) 画像の異常を検出するための画像データの処理方法、システムおよびプログラム
US7916919B2 (en) System and method for segmenting chambers of a heart in a three dimensional image
JP2015530193A (ja) ３ｄコンピュータ断層撮影のための複数の骨のセグメンテーション
US20060122480A1 (en) Segmenting occluded anatomical structures in medical images
Abdel-Nasser et al. Temporal mammogram image registration using optimized curvilinear coordinates
CN110223331B (zh) 一种大脑mr医学图像配准方法
Zheng et al. Fast and automatic heart isolation in 3D CT volumes: Optimal shape initialization
Alam et al. Evaluation of medical image registration techniques based on nature and domain of the transformation
Tong et al. Segmentation of brain MR images via sparse patch representation
Ceranka et al. Multi‐atlas segmentation of the skeleton from whole‐body MRI—Impact of iterative background masking
EP3853814B1 (en) Analyzing symmetry in image data
Xie et al. Two algorithms for non-rigid image registration and their evaluation
Zhang et al. Multi-modality medical image registration using support vector machines
CN108784705B (zh) 一种关节图像高性能分析方法
CN114515395B (zh) 基于双目视觉的吞咽检测方法及装置、设备、存储介质
Sreelekshmi et al. A Review on Multimodal Medical Image Fusion
wei Song et al. Model-based segmentation of femoral head and acetabulum from CT images
Sun et al. Fast registration technique of MR and SPECT brain images
Ma et al. Contour extraction of skin tumors using visual attention and GVF-snake model

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240311

Address after: 314050 9F, No. 705, Asia Pacific Road, Nanhu District, Jiaxing City, Zhejiang Province

Patentee after: ZHEJIANG YANGTZE DELTA REGION INSTITUTE OF TSINGHUA University

Country or region after: China

Address before: No.152 Huixin Road, Nanhu District, Jiaxing City, Zhejiang Province 314000

Patentee before: ZHEJIANG FUTURE TECHNOLOGY INSTITUTE (JIAXING)

Country or region before: China