CN110838104A - 多时间点的感兴趣区域匹配方法、设备和存储介质 - Google Patents

多时间点的感兴趣区域匹配方法、设备和存储介质 Download PDF

Info

Publication number
CN110838104A
CN110838104A CN201911042954.8A CN201911042954A CN110838104A CN 110838104 A CN110838104 A CN 110838104A CN 201911042954 A CN201911042954 A CN 201911042954A CN 110838104 A CN110838104 A CN 110838104A
Authority
CN
China
Prior art keywords
interest
region
matching
medical image
complexity
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.)
Granted
Application number
CN201911042954.8A
Other languages
English (en)
Other versions
CN110838104B (zh
Inventor
聂建龙
曹晓欢
薛忠
高荣强
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare 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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN201911042954.8A priority Critical patent/CN110838104B/zh
Publication of CN110838104A publication Critical patent/CN110838104A/zh
Application granted granted Critical
Publication of CN110838104B publication Critical patent/CN110838104B/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种多时间点的感兴趣区域匹配方法、设备和存储介质。包括：获取至少两幅医学图像，并对至少两幅医学图像进行处理，得到各医学图像的感兴趣区域；计算各医学图像的感兴趣区域复杂度；将各医学图像的感兴趣区域复杂度和预设条件进行对比，若各医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；利用目标匹配算法对各医学图像的感兴趣区域进行匹配处理，得到匹配结果。采用本方法能够兼顾匹配过程的准确性和快速性。

Description

多时间点的感兴趣区域匹配方法、设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种多时间点的感兴趣区域匹配方法、设备和存储介质。
背景技术
医学中的疾病随访指的是在多个时间点对同一疾病进行观察，以获得病灶区域的发展状态，从而可以根据该发展状态，对患者制定更适宜的治疗计划。
相关技术在对患者疾病进行多时间点观察时，通常是先对多时间点采集的图像进行配准，配准之后再采用简单的搜索方法，就可以得到不同时间点图像中相同病灶之间的对应关系，从而对该对应关系进行分析，根据分析结果就可以对患者制定治疗计划。
然而上述技术在对多时间点图像进行匹配处理时，难以兼顾匹配过程的准确性和快速性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够兼顾匹配过程的准确性和快速性的多时间点的感兴趣区域匹配方法、设备和存储介质。
一种多时间点的感兴趣区域匹配方法，该方法包括：
获取至少两幅医学图像，并对至少两幅医学图像进行处理，得到各医学图像的感兴趣区域，上述至少两幅医学图像是针对同一对象在不同的时间点采集的图像；
计算各医学图像的感兴趣区域复杂度；
将各医学图像的感兴趣区域复杂度和预设条件进行对比，若各医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，上述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，上述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；
利用目标匹配算法对各医学图像的感兴趣区域进行匹配处理，得到匹配结果。
在其中一个实施例中，上述将各学图像的感兴趣区域复杂度和预设条件进行对比，若各医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，包括：
将各医学图像的感兴趣区域复杂度分别和预设的复杂度阈值进行对比；
若各医学图像的感兴趣区域复杂度均小于预设的复杂度阈值，则确定第一匹配算法为目标匹配算法；
否则，确定第二匹配算法为目标匹配算法。
在其中一个实施例中，上述至少两幅医学图像包括第一医学图像和第二医学图像，上述第一匹配算法，包括：
获取第一医学图像的第一感兴趣区域和第二医学图像的第二感兴趣区域；
获取第一感兴趣区域的关键点和第二感兴趣区域的关键点；
获取为第一感兴趣区域的关键点分配的第一搜索范围；
利用第一搜索范围，对第二感兴趣区域的关键点进行初始匹配，并根据初始匹配结果确定候选关键点集，上述候选关键点集中的候选关键点为在上述第一搜索范围内的第二感兴趣区域的关键点；
根据候选关键点集建立第一感兴趣区域和第二感兴趣区域之间的匹配对应关系，得到匹配结果。
在其中一个实施例中，在上述根据初始匹配结果确定候选关键点集之后，上述方法还包括：
获取为第一感兴趣区域的关键点分配的第二搜索范围；上述第二搜索范围大于上述第一搜索范围；
若候选关键点集为空，则利用第二搜索范围对第二感兴趣区域的关键点进行再次匹配处理，并根据再次匹配结果确定目标候选关键点集；上述目标候选关键点集中的目标候选关键点为在上述第二搜索范围内的第二感兴趣区域的关键点。
在其中一个实施例中，上述至少两幅医学图像包括第一医学图像和第二医学图像，上述第二匹配算法，包括：
获取第一医学图像的第一感兴趣区域和第二医学图像的第二感兴趣区域；
获取第一感兴趣区域的特征点集和第二感兴趣区域的特征点集；
获取为第一感兴趣区域的特征点集中各个特征点设置的概率分布模型；
利用第一感兴趣区域的特征点集中各个特征点的概率分布模型，对第二感兴趣区域的特征点集中各个特征点进行概率计算，并根据计算结果确定候选特征点集，上述候选特征点集中的候选特征点为上述第二感兴趣区域的特征点集中各个特征点的概率计算结果大于阈值的特征点；
根据候选特征点集建立第一感兴趣区域和第二感兴趣区域之间的匹配对应关系，得到匹配结果。
在其中一个实施例中，上述第一医学图像包括至少一个第一感兴趣区域，上述根据候选特征点集建立第一感兴趣区域和第二感兴趣区域之间的匹配对应关系，得到匹配结果，包括：
统计各候选特征点在各第一感兴趣区域上的匹配点数量；
计算各第一感兴趣区域上的匹配点数量占第二感兴趣区域的特征点总数的比率；
将比率和比率阈值进行对比，并根据对比结果建立第一感兴趣区域和上述第二感兴趣区域之间的匹配对应关系，得到匹配结果。
在其中一个实施例中，上述医学图像包括至少一个感兴趣区域，上述计算各医学图像的感兴趣区域复杂度，包括：
获取医学图像的至少一个感兴趣区域的关键点；
计算每个关键点的相对距离，并根据计算结果得到医学图像的感兴趣区域的复杂度。
在其中一个实施例中，上述根据计算结果得到医学图像的感兴趣区域的复杂度，包括：
将各个关键点的相对距离中的最大值确定为医学图像的感兴趣区域的复杂度。
一种多时间点的感兴趣区域匹配装置，该装置包括：
获取模块，用于获取至少两幅医学图像，并对所述至少两幅医学图像进行处理，得到各所述医学图像的感兴趣区域，所述至少两幅医学图像是针对同一对象在不同的时间点采集的图像；
计算模块，用于计算各所述医学图像的感兴趣区域复杂度；
确定模块，用于将各所述医学图像的感兴趣区域复杂度和预设条件进行对比，若各所述医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，所述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，所述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；
处理模块，用于利用所述目标匹配算法对各所述医学图像的感兴趣区域进行匹配处理，得到匹配结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取至少两幅医学图像，并对所述至少两幅医学图像进行处理，得到各所述医学图像的感兴趣区域，所述至少两幅医学图像是针对同一对象在不同的时间点采集的图像；
计算各所述医学图像的感兴趣区域复杂度；
将各所述医学图像的感兴趣区域复杂度和预设条件进行对比，若各所述医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，所述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，所述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；
利用所述目标匹配算法对各所述医学图像的感兴趣区域进行匹配处理，得到匹配结果。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取至少两幅医学图像，并对所述至少两幅医学图像进行处理，得到各所述医学图像的感兴趣区域，所述至少两幅医学图像是针对同一对象在不同的时间点采集的图像；
计算各所述医学图像的感兴趣区域复杂度；
将各所述医学图像的感兴趣区域复杂度和预设条件进行对比，若各所述医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，所述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，所述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；
利用所述目标匹配算法对各所述医学图像的感兴趣区域进行匹配处理，得到匹配结果。
上述多时间点的感兴趣区域匹配方法、装置、设备和存储介质，通过获取同一对象在不同时间点的医学图像上的感兴趣区域，计算各医学图像的感兴趣区域复杂度，并将各复杂度和预设条件进行对比，若满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，最后利用目标匹配算法对各医学图像的感兴趣区域进行匹配处理，得到匹配结果。在该方法中，由于第一匹配算法和第二匹配算法针对的感兴趣区域复杂度不同，这样在对各时间点的医学图像的感兴趣区域进行匹配处理时，可以针对不同的感兴趣区域复杂度选择合适的匹配算法，从而可以使后续的匹配过程兼顾匹配的准确性和快速性。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中多时间点的感兴趣区域匹配方法的流程示意图；
图3为另一个实施例中多时间点的感兴趣区域匹配方法的流程示意图；
图4为另一个实施例中计算感兴趣区域复杂度的流程示意图；
图5a为一个实施例中采用第一匹配算法进行匹配处理的流程示意图；
图5b为一个实施例中采用第一匹配算法进行匹配处理的具体流程示意图；
图6a为一个实施例中采用第二匹配算法进行匹配处理的流程示意图；
图6b为一个实施例中采用第二匹配算法进行匹配处理的具体流程示意图；
图7a为一个实施例中采用第一匹配算法进行匹配处理的示例示意图；
图7b为一个实施例中采用第二匹配算法进行匹配处理的示例示意图；
图8为一个实施例中多时间点的感兴趣区域匹配装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在临床医学中，一些疾病的变化情况需要进行随访，其中，基于医学影像的疾病随访(即通过对影像进行分析并对其结果进行随访)在疾病进展随访中占了很大的一部分，如常见的肺结节随访、肝结节随访，病灶随访是指在多个时间点对同一疾病进行观察，以获得病灶区域的发展状态，从而更好地制定治疗计划。对于疾病只含有单个病灶区域并对齐进行随访观察，可以明确地知道疾病的变化情况；对于疾病含有多个病灶区域的情况则有所不同，其情况较为复杂，如果疾病含有多发性的病灶区域，其随着时间的变化以及治疗过程的介入，病灶区域的变化存在多样性，常见的情况有：病灶区域数量增加、病灶区域体积增加、病灶区域体积减小、病灶区域消失、多个病灶区域合并等。由于存在多种情况，对多时间点多发病灶的精确跟踪匹配是实现智能精确随访的关键。以肺结节为例，当存在单发病灶或者病灶个数较少的情况下，经过简单的对比就能够得知不同时间点中相同病灶的对应关系；而如果病灶数量较多时，在不同的时间点下实现病灶的匹配跟踪耗时耗力，匹配精度难以保证。
在临床中，医生主要通过人工对比两个或者多个时间点的医学影像，通常通过寻找病灶区域在两个影像中的对应位置，结合手动对比分析得出两者之间的大致变化情况。对于病灶区域不多，且病情不复杂的条件下，通过人工分析就能获得较好的匹配效果，即在病情发展稳定(病灶区域变化不大)的情况下，在对图像进行刚性配准后通过简单的算法搜索也能获得较好的效果；但是当病情发展情况较为复杂，且病灶区域较多时，手动匹配需要消耗很多的时间，简单的搜索算法和刚性配准算法又不能保证较高的匹配精度和较好的鲁棒性，如果此时采用更复杂的算法，如弹性配准算法来进行匹配关系的计算，但又会增加匹配的额外耗时，可见，上述方法均不能兼顾匹配过程的准确性和快速性，因此本申请提供一种多时间点的感兴趣区域匹配方法、装置、设备和存储介质，旨在解决上述问题。
本申请实施例提供的多时间点的感兴趣区域匹配方法，可以应用于计算机设备，该计算机设备的内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多时间点的感兴趣区域匹配方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
需要说明的是，本申请实施例的执行主体可以是多时间点的感兴趣区域匹配装置，也可以是计算机设备，下述实施例以计算机设备为执行主体进行说明。
在一个实施例中，提供了一种多时间点的感兴趣区域匹配方法，本实施例涉及的是如何针对不同时间点的医学图像，选择合适的匹配算法进行匹配处理的具体过程。如图2所示，该方法可以包括以下步骤：
S202，获取至少两幅医学图像，并对至少两幅医学图像进行处理，得到各医学图像的感兴趣区域，上述至少两幅医学图像是针对同一对象在不同的时间点采集的图像。
其中，获取医学图像的方式可以包括：通过对扫描设备采集到的待处理对象的数据进行图像重建和校正，从而得到医学图像，该扫描设备可以是MR设备(MagneticResonance，磁共振)、CT设备(Computed Tomography，电子计算机断层扫描)、PET设备(Positron Emission Computed Tomography，正电子发射型计算机断层显像)、PET-CT设备、PET-MR设备等等；或者，医学图像也可以预先重建和校正好，存储在计算机设备中，当需要对其进行处理时，直接从计算机设备的存储器中读取该医学图像；又或者，计算机设备也可以从外部设备中获取医学图像，比如，将医学图像存储在云端，当需要进行处理操作时，计算机设备从云端获取该医学图像，本实施例对获取医学图像的获取方式不做限定。另外，对医学图像进行处理时，可以是对医学图像进行分割处理，该分割处理可以采用人工标注感兴趣区域并进行分割的方法，还可以是采用训练好的分割模型进行分割的方法，当然也可以其他分割方法，本实施例对此也不作具体限定。其次，这里各个医学图像的感兴趣区域可以是一个，也可以是多个，各个医学图像上的感兴趣区域的数量可以相同，也可以不同。同一对象在这里可以是同一待检测对象，或者同一待检测对象的同一类疾病，当然还可以是其他的对象；示例地，可以针对同一个患者的肺结节，在不同的时间点对该肺结节进行数据采集，得到不同时间点的肺结节的图像。
具体的，计算机设备可以采用上述方法获取同一对象在不同时间点的医学图像，并对该不同时间点的医学图像进行分割处理，得到各不同时间点的医学图像的目标分割图像，该目标分割图像上包括感兴趣区域，即可以得到各医学图像的感兴趣区域。
S204，计算各医学图像的感兴趣区域复杂度。
其中，感兴趣区域复杂度在这里可以是病情复杂度，可以是治疗该病的复杂程度或者该病发展过程的复杂程度，可以采用计算感兴趣区域内各个相关点的密度或者包括感兴趣区域的相关点的密度，通过计算结果来衡量复杂度。
具体的，计算机设备在得到不同时间点的医学图像的感兴趣区域之后，可以对各医学图像的感兴趣区域分别计算感兴趣区域复杂度，从而得到各医学图像的感兴趣区域复杂度。
S206，将各医学图像的感兴趣区域复杂度和预设条件进行对比，若各医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，上述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，上述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配。
S208，利用目标匹配算法对各医学图像的感兴趣区域进行匹配处理，得到匹配结果。
其中，这里的预设条件可以是预设的复杂度阈值，当然还可以是复杂度临界值、复杂度峰值等等其他条件，这里在满足预设条件时，可以是各感兴趣区域复杂度均小于预设条件，不满足预设条件就可以是各感兴趣区域复杂度中至少一个复杂度不小于预设条件，当然这里的满足预设条件和不满足预设条件还可以是其他情况，本实施例对此不作限定。
另外，这里的第一匹配算法可以是与各感兴趣区域的中心点或者关键点等相关的算法，其可以是基于搜索盒的匹配算法，该第一匹配算法在对各感兴趣区域之间的对应关系进行匹配时，能够比较快速且有效地找到各感兴趣区域之间的对应关系。第二匹配算法可以是与各感兴趣区域的边界点或者特征点等相关的算法，其可以是基于概率分布模型的匹配算法，该第二匹配算法在对各感兴趣区域之间的对应关系进行匹配时，虽然可能会比第一匹配算法耗时，但是其得到的匹配结果更加准确。
具体的，计算机设备在得到各医学图像的感兴趣区域复杂度之后，可以将各医学图像的感兴趣区域复杂度分别和预设条件进行对比，得到对比结果，若对比结果为各医学图像的感兴趣区域复杂度满足预设条件，则确定第一匹配算法为目标匹配算法，并采用第一匹配算法对各医学图像的感兴趣区域之间进行匹配，以便快速且准确地得到各医学图像的感兴趣区域之间的对应关系；若对比结果为各医学图像的感兴趣区域复杂度不满足预设条件，则确定第二匹配算法为目标匹配算法，并采用第二匹配算法对各医学图像的感兴趣区域之间进行匹配，以便更准确地得到各医学图像的感兴趣区域之间的对应关系。
上述多时间点的感兴趣区域匹配方法中，通过获取同一对象在不同时间点的医学图像上的感兴趣区域，计算各医学图像的感兴趣区域复杂度，并将各复杂度和预设条件进行对比，若满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，最后利用目标匹配算法对各医学图像的感兴趣区域进行匹配处理，得到匹配结果。在该方法中，由于第一匹配算法和第二匹配算法针对的感兴趣区域复杂度不同，这样在对各时间点的医学图像的感兴趣区域进行匹配处理时，可以针对不同的感兴趣区域复杂度选择合适的匹配算法，从而可以使后续的匹配过程兼顾匹配的准确性和快速性。
在另一个实施例中，提供了另一种多时间点的感兴趣区域匹配方法，本实施例涉及的是如何根据各感兴趣区域复杂度确定目标匹配算法的具体过程。在上述实施例的基础上，如图3所示，上述S206可以包括以下步骤：
S302，将各医学图像的感兴趣区域复杂度分别和预设的复杂度阈值进行对比。
其中，上述预设条件在这里可以是预设的复杂度阈值，该复杂度阈值的大小可以根据实际情况而定，可以是0.1、0.01等等。在计算各医学图像的感兴趣区域复杂度时，可选的，可以采用如图4所示的方法进行计算，如图4所示，该计算过程包括如下S402-S404步骤：
S402，获取医学图像的至少一个感兴趣区域的关键点。
在本步骤中，这里的关键点可以是感兴趣区域的中心点、质心点等，当然还可以是其他类型的点；每个医学图像可以包括一个或多个感兴趣区域，每个医学图像上的感兴趣区域的数量可以相同，也可以不同，这里的感兴趣区域可以是病灶。示例地，假设一个医学图像上共有N个病灶区域，其关键点就可以表示为S＝{C1,C2...,CN}，S为关键点集合，每个关键点都可以是一个三维坐标Ci(xi,yi,zi)，i为关键点个数。
S404，计算每个关键点的相对距离，并根据计算结果得到医学图像的感兴趣区域的复杂度。
在本步骤中，可以采用计算各个关键点与其他关键点的相对距离D，即计算各关键点的密度，来衡量感兴趣区域的复杂度，在计算时，以上述关键点坐标为例，可以采用如下公式(1)的计算方法来进行计算：
Figure BDA0002253362400000111
采用公式(1)对各个关键点进行计算后，就可以得到各关键点的相对距离，可选的，可以将各个关键点的相对距离中的最大值确定为医学图像的感兴趣区域的复杂度，也就是说，感兴趣区域的复杂度L可以在多个D中进行查找，即L＝max{D1,D2,...DN}，就可以得到多个D中的最大值，并将该最大值作为该医学图像的感兴趣区域的复杂度。采用同样的方法进行计算，就可以得到各个医学图像的感兴趣区域的复杂度。
S304，若各医学图像的感兴趣区域复杂度均小于预设的复杂度阈值，则确定第一匹配算法为目标匹配算法。
S306，否则，确定第二匹配算法为目标匹配算法。
具体的，计算机设备在得到各医学图像的感兴趣区域复杂度之后，就可以将各医学图像的感兴趣区域复杂度分别和复杂度阈值进行对比，若各医学图像的感兴趣区域复杂度均小于复杂度阈值，则将第一匹配算法作为目标匹配算法，若各医学图像的感兴趣区域复杂度中有至少一个复杂度不小于复杂度阈值，则确定第二匹配算法为目标匹配算法。以两幅医学图像为例，若两幅医学图像的感兴趣区域复杂度均大于等于复杂度阈值，或者第一幅医学图像的感兴趣区域复杂度大于等于复杂度阈值且第二幅医学图像的感兴趣区域复杂度小于复杂度阈值，或者第二幅医学图像的感兴趣区域复杂度大于等于复杂度阈值且第一幅医学图像的感兴趣区域复杂度小于复杂度阈值，则都将第二匹配算法作为目标匹配算法。
本实施例提供的多时间点的感兴趣区域匹配方法，可以将各医学图像的感兴趣区域复杂度分别和预设的复杂度阈值进行对比，若对比结果为各医学图像的感兴趣区域复杂度均小于预设的复杂度阈值，则确定第一匹配算法为目标匹配算法，否则，确定第二匹配算法为目标匹配算法。在本实施例中，一方面由于可以量化感兴趣区域复杂度，另一方面由于通过量化的感兴趣区域复杂度和复杂度阈值进行对比的结果，就可以确定目标匹配算法，而该对比过程比较简单，因此，本实施例的方法可以较为简单且快速地确定目标匹配算法，以便后续选择合适的匹配算法对各医学图像进行匹配处理，提高匹配过程的速度。
在另一个实施例中，提供了另一种多时间点的感兴趣区域匹配方法，本实施例涉及的是若上述至少两幅医学图像包括第一医学图像和第二医学图像，则如何采用第一匹配算法对第一医学图像和第二医学图像的感兴趣区域进行匹配处理的具体过程。在上述实施例的基础上，如图5a所示，采用第一匹配算法进行处理的过程可以包括以下步骤：
S502，获取第一医学图像的第一感兴趣区域和第二医学图像的第二感兴趣区域。
在本步骤中，采用上述S202对第一医学图像和第二医学图像进行处理，就可以得到第一医学图像的感兴趣区域和第二医学图像的感兴趣区域，在这里，不管第一医学图像中包括几个感兴趣区域，均称为第一感兴趣区域，同样的，不管第二医学图像中包括几个感兴趣区域，均称为第二感兴趣区域，也就是说，第一感兴趣区域和第二感兴趣区域均可以是一个或多个。
S504，获取第一感兴趣区域的关键点和第二感兴趣区域的关键点。
本步骤中的关键点可以是感兴趣区域的中心点、质心点等等，当然还可以是根据感兴趣区域得到的其他点。假设第一医学图像和第二医学图像中感兴趣区域数量分别为M和N，即有M个第一感兴趣区域，有N个第二感兴趣区域，那么第一感兴趣区域的关键点集合可以表示为
Figure BDA0002253362400000121
第二感兴趣区域的关键点集合可以表示为
S506，获取为第一感兴趣区域的关键点分配的第一搜索范围。
本步骤中的第一搜索范围可以是搜索盒，也就是说，可以是一个三维的大小，例如大小可以是[w,h,d]，w、h、d分别指在三个方向上的搜索范围。
S508，利用第一搜索范围，对第二感兴趣区域的关键点进行初始匹配，并根据初始匹配结果确定候选关键点集，上述候选关键点集中的候选关键点为在上述第一搜索范围内的第二感兴趣区域的关键点。
在本步骤中，在对两幅图像进行匹配处理时，可以是将第一医学图像作为参考图像，第二医学图像作为浮动图像，一般可以在第二医学图像中寻找第一医学图像的匹配感兴趣区域。在寻找时，可以利用第一搜索范围进行寻找，该第一搜索范围的中心点为第一感兴趣区域的中心点，在浮动图像中，以参考图像中的第一感兴趣区域中心为中心点，在其对应的第一搜索范围内去搜索对应的候选第二感兴趣区域的关键点，该过程可以认为是初始匹配过程，在该初始匹配过程中，若浮动图像中的关键点在第一搜索范围内，则将该关键点放入候选关键点集中，例如候选关键点集可以为k为候选点集个数。
在得到候选关键点集之后可能会存在三种情况，分别为：候选关键点集为空、关键点集存在多个元素、关键点集刚好只含有一个元素。如果关键点集中只含有一个元素，则认为该元素所在的第二感兴趣区域就是参考图像中对应的匹配感兴趣区域。如果关键点集存在多个元素，将计算分别计算各候选关键点所在的第二感兴趣区域与参考图像中第一感兴趣区域的中心点两者之间的距离，选择距离最近的第二感兴趣区域作为匹配感兴趣区域。如果关键点集中没有元素，那么可以选择进行再次搜索，如果仍旧不存在候选关键点，则直接进行下一步，否则按照前两种情况进行处理。
在关键点集中没有元素，选择进行再次搜索时，可选的，可以采用如下步骤A和步骤B进行处理：
步骤A，获取为第一感兴趣区域的关键点分配的第二搜索范围；第二搜索范围大于上述第一搜索范围。
步骤B，若候选关键点集为空，则利用第二搜索范围对第二感兴趣区域的关键点进行再次匹配处理，并根据再次匹配结果确定目标候选关键点集；上述目标候选关键点集中的目标候选关键点为在上述第二搜索范围内的第二感兴趣区域的关键点。
这里的第二搜索范围可以是根据预先设置的比例放大因子乘以第一搜索盒范围得到的，该比例放大因子一般大于1，可以是1.2、1.5等等。在进行再次搜索时，可以继续采用和上述利用第一搜索范围相同的过程进行搜索，即进行再次匹配过程，在该再次匹配过程中，若浮动图像中的关键点在第二搜索范围内，则将该关键点放入目标候选关键点集中，该目标候选关键点集可以表示为
Figure BDA0002253362400000141
h为目标候选点集个数。在得到目标候选关键点集之后也可能会存在三种情况，这三种情况和上述第一搜索范围对应的三种情况相同，前两种情况可以按照第一搜索范围的匹配办法进行匹配，第三种仍然不存在候选关键点的情况，可以直接进行下一步得到匹配结果的操作。
S510，根据候选关键点集建立第一感兴趣区域和第二感兴趣区域之间的匹配对应关系，得到匹配结果。
具体的，计算机设备在得到候选关键点集或者目标候选关键点集之后，可以根据集合中包括的元素数量情况建立匹配关系，对于参考图像来说(即第一医学图像)，如果存在匹配的感兴趣区域，则建立对应的第一感兴趣区域和第二感兴趣区域之间的匹配关系，并将该匹配关系作为匹配结果；如果不存在匹配的感兴趣区域，则确定匹配结果为该第一感兴趣区域在浮动图像(即第二医学图像)中对应的感兴趣区域消失或未发现感兴趣区域。对于浮动图像来说(即第二医学图像)，如果在参考图像(即第一医学图像)中有对应的感兴趣区域，则建立对应的第一感兴趣区域和第二感兴趣区域之间的匹配关系，并将该匹配关系作为匹配结果；否则确定匹配结果为新发现第二感兴趣区域。
以关键点为感兴趣区域中心点为例，上述采用第一匹配算法进行匹配处理的具体流程可以参见图5b所示。
本实施例提供的多时间点的感兴趣区域匹配方法，若至少两幅医学图像包括第一医学图像和第二医学图像，则在利用第一匹配算法进行匹配时，可以获取第一医学图像的第一感兴趣区域和第二医学图像的第二感兴趣区域，以及获取第一感兴趣区域的关键点和第二感兴趣区域的关键点，以及获取为第一感兴趣区域的关键点分配的第一搜索范围，并利用第一搜索范围，对第二感兴趣区域的关键点进行初始匹配，并根据初始匹配结果确定候选关键点集，最后根据候选关键点集建立第一感兴趣区域和第二感兴趣区域之间的匹配对应关系，得到匹配结果。在本实施例中，由于根据量化的感兴趣区域复杂度，在感兴趣区域复杂度低时，可以选择第一匹配算法进行匹配处理，而该第一匹配算法可以采用关键点进行快速匹配处理，从而快速实现感兴趣区域的匹配。
在另一个实施例中，提供了另一种多时间点的感兴趣区域匹配方法，本实施例涉及的是若上述至少两幅医学图像包括第一医学图像和第二医学图像，则如何采用第二匹配算法对第一医学图像和第二医学图像的感兴趣区域进行匹配处理的具体过程。在上述实施例的基础上，如图6a所示，采用第二匹配算法进行处理的过程可以包括以下步骤：
S602，获取第一医学图像的第一感兴趣区域和第二医学图像的第二感兴趣区域。
本步骤的解释可以参见上述S502所解释的，在此不再赘述。
S604，获取第一感兴趣区域的特征点集和第二感兴趣区域的特征点集。
本步骤中的特征点集为包括至少一个特征点的集合，特征点可以是感兴趣区域的边界点、中心点、质心点等，当然还可以是根据感兴趣区域得到的其他点，本实施例主要使用的是将边界点作为特征点。假设每个感兴趣区域有n个特征点，那么第一感兴趣区域的特征点集为
Figure BDA0002253362400000151
第二感兴趣区域的特征点集为
Figure BDA0002253362400000152
假设第一医学图像和第二医学图像中感兴趣区域数量分别为M和N，那么第一感兴趣区域的特征点集合可以表示为
Figure BDA0002253362400000153
第二感兴趣区域的特征点集合可以表示为
Figure BDA0002253362400000154
S606，获取为第一感兴趣区域的特征点集中各个特征点设置的概率分布模型。
在本步骤中，可以将第一医学图像作为参考图像，第二医学图像作为浮动图像，假设浮动图像中的每个边界点是由某一个概率分布模型产生的，该概率分布模型的中心为参考图像特征点集中的点，那么对于浮动图像中所有感兴趣区域的点集中所有的点，最多存在个概率分布模型，那么就可以得到浮动图像中每个点的概率分布模型，可以用下述公式(2)表示：
Figure BDA0002253362400000161
其中，这里的D和δ为概率分布模型的参数，可以通过EM最大期望值算法进行迭代求解得到，另外，这里的概率分布模型可以是高斯分布模型，当然也可以是其他概率分布模型，本实施例对此不作限定。
S608，利用第一感兴趣区域的特征点集中各个特征点的概率分布模型，对第二感兴趣区域的特征点集中各个特征点进行概率计算，并根据计算结果确定候选特征点集，上述候选特征点集中的候选特征点为上述第二感兴趣区域的特征点集中各个特征点的概率计算结果大于阈值的特征点。
在本步骤中，可以根据上述公式(2)概率密度函数p(x)来求取浮动图像中各个特征点由各个模型产生的概率，如果各个模型生成该点的所有概率集合中最大的概率大于给定的阈值，则认为该点和该模型对应的点具有匹配关系，则将该点作为候选特征点，放入候选特征点集中，否则不放入候选特征点集中；对浮动图像中的各个特征点都按照此方法进行计算，最终得到候选特征点集。
S610，根据候选特征点集建立第一感兴趣区域和第二感兴趣区域之间的匹配对应关系，得到匹配结果。
在本步骤中，在得到候选特征点集之后，可选的，可以按照下述步骤a-步骤c的方法建立匹配关系：
步骤a，统计各候选特征点在各第一感兴趣区域上的匹配点数量。
步骤b，计算各第一感兴趣区域上的匹配点数量占第二感兴趣区域的特征点总数的比率。
步骤c，将比率和比率阈值进行对比，并根据对比结果建立第一感兴趣区域和上述第二感兴趣区域之间的匹配对应关系，得到匹配结果。
在本实施例中，计算机设备在得到候选特征点集之后，可以统计浮动图像中每个第二感兴趣区域的所有特征点的匹配点集(即每个第二感兴趣区域对应的候选点集)，然后统计各候选特征点在第一感兴趣区域上对应的匹配特征点，这样就可以得到各候选特征点在同一个第一感兴趣区域上的匹配点数量，然后计算各第一感兴趣区域上的匹配点数量在浮动图像中对应的第二感兴趣区域的特征点数量上的比率，并将该比率和比率阈值进行对比，若该比率大于比率阈值，则认为该第一感兴趣区域和对应的第二感兴趣区域是相互匹配的，之后就开业建立这两者之间的匹配关系，并将该匹配关系作为匹配结果；若该比率不大于比率阈值，则认为这两者之间不匹配。
对于参考图像来说(即第一医学图像)，如果存在匹配的感兴趣区域，则建立对应的第一感兴趣区域和第二感兴趣区域之间的匹配关系，并将该匹配关系作为匹配结果；如果不存在匹配的感兴趣区域，则确定匹配结果为该第一感兴趣区域在浮动图像(即第二医学图像)中对应的感兴趣区域消失或未发现感兴趣区域。对于浮动图像来说(即第二医学图像)，如果在参考图像(即第一医学图像)中有对应的感兴趣区域，则建立对应的第一感兴趣区域和第二感兴趣区域之间的匹配关系，并将该匹配关系作为匹配结果；否则确定匹配结果为新发现第二感兴趣区域。
以特征点为感兴趣区域边界点为例，上述采用第二匹配算法进行匹配处理的具体流程可以参见图6b所示。
本实施例提供的多时间点的感兴趣区域匹配方法，若至少两幅医学图像包括第一医学图像和第二医学图像，则在利用第二匹配算法进行匹配时，可以获取第一医学图像的第一感兴趣区域和第二医学图像的第二感兴趣区域，以及各感兴趣区域的特征点集，以及获取为第一感兴趣区域的特征点集中各个特征点设置的概率分布模型，并利用第一感兴趣区域的特征点集中各个特征点的概率分布模型，对第二感兴趣区域的特征点集中各个特征点进行概率计算，并根据计算结果确定候选特征点集，最后根据候选特征点集建立第一感兴趣区域和第二感兴趣区域之间的匹配对应关系，得到匹配结果。在本实施例中，由于根据量化的感兴趣区域复杂度，在任意一幅图像的感兴趣区域复杂度高时，可以选择第二匹配算法进行匹配处理，而该第二匹配算法可以采用特征点进行准确地匹配处理，从而准确地、且相对快速地实现感兴趣区域的匹配。
为了对本申请实施例的方法进行更好的说明，下面以肺结节为例进行说明：
如图7a所示，图7a是同一个病人两个时间点的CT影像，检测算法检出在肺部检测到两个结节，配准过后两个结节的坐标都在同一个坐标系下，图7a的左图中，两个结节坐标为A1[241,138.8,26]，A2[300.7,295.8,25]；图7a的右图中，两个肺结节的坐标为B1[241.3,138.0,32]，B2[293.5,299.1,30]。依据病情复杂程度量化算法，病情复杂度阈值T设置为0.01，通过计算图7a的左图的病情复杂度为0.0,右图的病情复杂度0.0，此时两者的病情复杂度均小于设置的阈值，因此采用第一匹配算法，该第一匹配算法的第一搜索范围设置大小设置为[5,5,5]，第一搜索范围的比例放大因子设置1.5，使用第一匹配算法，可以快速地建立匹配关系：(A1,B1)，(A2,B2)。
如图7b所示，图7b是同一个病人两个时间点的CT影像，检测算法检出在肺部检测到多个肺结节，其中图7b的左图存在8个结节，图7b的右图像7个肺结节，经过配准后所有肺结节的坐标均在同一坐标系下，图7b的左图中肺结节的中心点坐标分别为：A1[72.71,180.1,62]，A2[80.97,176.8,61]，A3[157,166.9,61]，A4[85.92,150.4,60]，A5[252.8,143.8,64]，A6[144.2,104.3,62]，A7[147.8,102.7,62]，A8[148.7,100.8,62]，图7b的右图中肺结节的坐标分别为B1[90.88,223.1,61]，B2[73,180,61]，B3[80.8,177,61]，B4[157.3,168,62]，B5[87.1,152.3,61]，B6[253,144.2,64，B7[161，95.84，62]。依据病情复杂程度量化算法，病情复杂度阈值T设置为0.01，通过计算图7b的左图的病情复杂度为0.012，图7b的右图的病情复杂度0.0，此时图7b的左图的病情复杂度大于设置的阈值，采用第二匹配算法进行处理。在匹配处理时，首先，利用轮廓提取算法提取各个肺结节的轮廓点或者先将肺结节分出来再提取ROI的轮廓点，获得各个肺结节的表面点，它们是一组三维的点集，然后对点集进行稀疏化，即每个病灶的表面点集只取部分点作为代表，这样能大大减少点集的数量同时又不损失结果的准确性，根据两幅图像中的所有肺结节的表面点构建混合高斯分布GMM模型，并利用EM算法对GMM模型进行参数求解，并利用求解后的GMM模型计算任意两个点对相互匹配的概率，如果参考点与其他任意浮动点相互匹配的所有概率中最大的那个概率值大于某个给定的概率阈值，则认为这个点对互相匹配。针对某个肺结节的所有表面点，如果其表面点的匹配点所属于的同一个肺结节，且这样的表面点的数量占该肺结节所有表面点的比率超过了设定的阈值，则认为这两个肺结节相互匹配。按照这一规则，图7b中两个图像中相互匹配的关系为：(A1,B2)，(A2,B3)，(A3,B4)，(A4,B5)，(A5,B6)，(A6,None)，(A7,None)，(A8,None)，(None,B1)，(None,B7)。
应该理解的是，虽然图2-4、5a、6a的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4、5a、6a中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种多时间点的感兴趣区域匹配装置，包括：获取模块10、计算模块11、确定模块12和处理模块13，其中：
获取模块10，用于获取至少两幅医学图像，并对所述至少两幅医学图像进行处理，得到各所述医学图像的感兴趣区域，所述至少两幅医学图像是针对同一对象在不同的时间点采集的图像；
计算模块11，用于计算各所述医学图像的感兴趣区域复杂度；
确定模块12，用于将各所述医学图像的感兴趣区域复杂度和预设条件进行对比，若各所述医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，所述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，所述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；
处理模块13，用于利用所述目标匹配算法对各所述医学图像的感兴趣区域进行匹配处理，得到匹配结果。
关于多时间点的感兴趣区域匹配装置的具体限定可以参见上文中对于多时间点的感兴趣区域匹配方法的限定，在此不再赘述。
在另一个实施例中，上述确定模块12包括对比单元和确定单元，其中：
对比单元，用于将各所述医学图像的感兴趣区域复杂度分别和预设的复杂度阈值进行对比；
确定单元，用于若各所述医学图像的感兴趣区域复杂度均小于所述预设的复杂度阈值，则确定所述第一匹配算法为目标匹配算法；否则，确定所述第二匹配算法为目标匹配算法。
可选的，上述医学图像包括至少一个感兴趣区域，在上述实施例的基础上，上述计算模块11还用于获取所述医学图像的至少一个感兴趣区域的关键点；计算每个所述关键点的相对距离，并根据计算结果得到所述医学图像的感兴趣区域的复杂度。
可选的，在上述实施例的基础上，上述计算模块11还用于将各个所述关键点的相对距离中的最大值确定为所述医学图像的感兴趣区域的复杂度。
在另一个实施例中，提供了另一种多时间点的感兴趣区域匹配装置，在上述实施例的基础上，若上述至少两幅医学图像包括第一医学图像和第二医学图像，则上述装置还可以包括：第一获取模块、第一匹配模块和第一确定模块，其中：
第一获取模块，用于获取所述第一医学图像的第一感兴趣区域和所述第二医学图像的第二感兴趣区域；获取所述第一感兴趣区域的关键点和所述第二感兴趣区域的关键点；获取为所述第一感兴趣区域的关键点分配的第一搜索范围；
第一匹配模块，用于利用所述第一搜索范围，对所述第二感兴趣区域的关键点进行初始匹配，并根据初始匹配结果确定候选关键点集，所述候选关键点集中的候选关键点为在所述第一搜索范围内的所述第二感兴趣区域的关键点；
第一确定模块，用于根据所述候选关键点集建立所述第一感兴趣区域和所述第二感兴趣区域之间的匹配对应关系，得到所述匹配结果。
可选的，在所述根据初始匹配结果确定候选关键点集之后，上述第一获取模块还用于获取为所述第一感兴趣区域的关键点分配的第二搜索范围；所述第二搜索范围大于所述第一搜索范围；上述第一匹配模块还用于若所述候选关键点集为空，则利用所述第二搜索范围对所述第二感兴趣区域的关键点进行再次匹配处理，并根据再次匹配结果确定目标候选关键点集；所述目标候选关键点集中的目标候选关键点为在所述第二搜索范围内的所述第二感兴趣区域的关键点。
在另一个实施例中，提供了另一种多时间点的感兴趣区域匹配装置，在上述实施例的基础上，若上述至少两幅医学图像包括第一医学图像和第二医学图像，则上述装置还可以包括：第二获取模块、第二匹配模块和第二确定模块，其中：
第二获取模块，用于获取所述第一医学图像的第一感兴趣区域和所述第二医学图像的第二感兴趣区域；获取所述第一感兴趣区域的特征点集和所述第二感兴趣区域的特征点集；获取为所述第一感兴趣区域的特征点集中各个特征点设置的概率分布模型；
第二匹配模块，用于利用所述第一感兴趣区域的特征点集中各个特征点的概率分布模型，对所述第二感兴趣区域的特征点集中各个特征点进行概率计算，并根据计算结果确定候选特征点集，所述候选特征点集中的候选特征点为所述第二感兴趣区域的特征点集中各个特征点的概率计算结果大于阈值的特征点；
第二确定模块，用于根据所述候选特征点集建立所述第一感兴趣区域和所述第二感兴趣区域之间的匹配对应关系，得到所述匹配结果。
可选的，上述第二确定模块还用于统计各所述候选特征点在各所述第一感兴趣区域上的匹配点数量；计算各所述第一感兴趣区域上的匹配点数量占所述第二感兴趣区域的特征点总数的比率；将所述比率和比率阈值进行对比，并根据对比结果建立所述第一感兴趣区域和所述第二感兴趣区域之间的匹配对应关系，得到所述匹配结果。
关于多时间点的感兴趣区域匹配装置的具体限定可以参见上文中对于多时间点的感兴趣区域匹配方法的限定，在此不再赘述。
上述多时间点的感兴趣区域匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取至少两幅医学图像，并对所述至少两幅医学图像进行处理，得到各所述医学图像的感兴趣区域，所述至少两幅医学图像是针对同一对象在不同的时间点采集的图像；
计算各所述医学图像的感兴趣区域复杂度；
将各所述医学图像的感兴趣区域复杂度和预设条件进行对比，若各所述医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，所述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，所述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；
利用所述目标匹配算法对各所述医学图像的感兴趣区域进行匹配处理，得到匹配结果。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取至少两幅医学图像，并对所述至少两幅医学图像进行处理，得到各所述医学图像的感兴趣区域，所述至少两幅医学图像是针对同一对象在不同的时间点采集的图像；
计算各所述医学图像的感兴趣区域复杂度；
将各所述医学图像的感兴趣区域复杂度和预设条件进行对比，若各所述医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，所述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，所述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；
利用所述目标匹配算法对各所述医学图像的感兴趣区域进行匹配处理，得到匹配结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种多时间点的感兴趣区域匹配方法，其特征在于，所述方法包括：
获取至少两幅医学图像，并对所述至少两幅医学图像进行处理，得到各所述医学图像的感兴趣区域，所述至少两幅医学图像是针对同一对象在不同的时间点采集的图像；
计算各所述医学图像的感兴趣区域复杂度；
将各所述医学图像的感兴趣区域复杂度和预设条件进行对比，若各所述医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，所述第一匹配算法能够对感兴趣区域复杂度满足预设条件的医学图像进行匹配，所述第二匹配算法能够对感兴趣区域复杂度不满足预设条件的医学图像进行匹配；
利用所述目标匹配算法对各所述医学图像的感兴趣区域进行匹配处理，得到匹配结果。
2.根据权利要求1所述的方法，其特征在于，所述将各所述医学图像的感兴趣区域复杂度和预设条件进行对比，若各所述医学图像的感兴趣区域复杂度满足预设条件，则将第一匹配算法确定为目标匹配算法，否则，将第二匹配算法确定为目标匹配算法，包括：
将各所述医学图像的感兴趣区域复杂度分别和预设的复杂度阈值进行对比；
若各所述医学图像的感兴趣区域复杂度均小于所述预设的复杂度阈值，则确定所述第一匹配算法为目标匹配算法；
否则，确定所述第二匹配算法为目标匹配算法。
3.根据权利要求1或2所述的方法，其特征在于，所述至少两幅医学图像包括第一医学图像和第二医学图像，所述第一匹配算法，包括：
获取所述第一医学图像的第一感兴趣区域和所述第二医学图像的第二感兴趣区域；
获取所述第一感兴趣区域的关键点和所述第二感兴趣区域的关键点；
获取为所述第一感兴趣区域的关键点分配的第一搜索范围；
利用所述第一搜索范围，对所述第二感兴趣区域的关键点进行初始匹配，并根据初始匹配结果确定候选关键点集，所述候选关键点集中的候选关键点为在所述第一搜索范围内的所述第二感兴趣区域的关键点；
根据所述候选关键点集建立所述第一感兴趣区域和所述第二感兴趣区域之间的匹配对应关系，得到所述匹配结果。
4.根据权利要求3所述的方法，其特征在于，在所述根据初始匹配结果确定候选关键点集之后，所述方法还包括：
获取为所述第一感兴趣区域的关键点分配的第二搜索范围；所述第二搜索范围大于所述第一搜索范围；
若所述候选关键点集为空，则利用所述第二搜索范围对所述第二感兴趣区域的关键点进行再次匹配处理，并根据再次匹配结果确定目标候选关键点集；所述目标候选关键点集中的目标候选关键点为在所述第二搜索范围内的所述第二感兴趣区域的关键点。
5.根据权利要求1或2所述的方法，其特征在于，所述至少两幅医学图像包括第一医学图像和第二医学图像，所述第二匹配算法，包括：
获取所述第一医学图像的第一感兴趣区域和所述第二医学图像的第二感兴趣区域；
获取所述第一感兴趣区域的特征点集和所述第二感兴趣区域的特征点集；
获取为所述第一感兴趣区域的特征点集中各个特征点设置的概率分布模型；
利用所述第一感兴趣区域的特征点集中各个特征点的概率分布模型，对所述第二感兴趣区域的特征点集中各个特征点进行概率计算，并根据计算结果确定候选特征点集，所述候选特征点集中的候选特征点为所述第二感兴趣区域的特征点集中各个特征点的概率计算结果大于阈值的特征点；
根据所述候选特征点集建立所述第一感兴趣区域和所述第二感兴趣区域之间的匹配对应关系，得到所述匹配结果。
6.根据权利要求5所述的方法，其特征在于，所述第一医学图像包括至少一个第一感兴趣区域，所述根据所述候选特征点集建立所述第一感兴趣区域和所述第二感兴趣区域之间的匹配对应关系，得到所述匹配结果，包括：
统计各所述候选特征点在各所述第一感兴趣区域上的匹配点数量；
计算各所述第一感兴趣区域上的匹配点数量占所述第二感兴趣区域的特征点总数的比率；
将所述比率和比率阈值进行对比，并根据对比结果建立所述第一感兴趣区域和所述第二感兴趣区域之间的匹配对应关系，得到所述匹配结果。
7.根据权利要求1所述的方法，其特征在于，所述医学图像包括至少一个感兴趣区域，所述计算各所述医学图像的感兴趣区域复杂度，包括：
获取所述医学图像的至少一个感兴趣区域的关键点；
计算每个所述关键点的相对距离，并根据计算结果得到所述医学图像的感兴趣区域的复杂度。
8.根据权利要求7所述的方法，其特征在于，所述根据计算结果得到所述医学图像的感兴趣区域的复杂度，包括：
将各个所述关键点的相对距离中的最大值确定为所述医学图像的感兴趣区域的复杂度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN201911042954.8A 2019-10-30 2019-10-30 多时间点的感兴趣区域匹配方法、设备和存储介质 Active CN110838104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911042954.8A CN110838104B (zh) 2019-10-30 2019-10-30 多时间点的感兴趣区域匹配方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911042954.8A CN110838104B (zh) 2019-10-30 2019-10-30 多时间点的感兴趣区域匹配方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110838104A true CN110838104A (zh) 2020-02-25
CN110838104B CN110838104B (zh) 2022-08-23

Family

ID=69575978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911042954.8A Active CN110838104B (zh) 2019-10-30 2019-10-30 多时间点的感兴趣区域匹配方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110838104B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415341A (zh) * 2020-03-17 2020-07-14 北京推想科技有限公司 肺炎阶段的评估方法、装置、介质及电子设备
CN111429456A (zh) * 2020-05-06 2020-07-17 上海联影医疗科技有限公司 一种图像数据处理方法、装置、电子设备及存储介质
CN111553883A (zh) * 2020-03-31 2020-08-18 杭州依图医疗技术有限公司 一种医学影像的处理方法及装置、计算机设备及存储介质
CN111968160A (zh) * 2020-07-15 2020-11-20 上海联影智能医疗科技有限公司 图像匹配方法和存储介质
CN113298157A (zh) * 2021-05-28 2021-08-24 上海商汤智能科技有限公司 病灶匹配方法及装置、电子设备和存储介质
CN113506331A (zh) * 2021-06-29 2021-10-15 武汉联影智融医疗科技有限公司 组织器官的配准方法、装置、计算机设备和存储介质
CN113538606A (zh) * 2021-08-17 2021-10-22 数坤(北京)网络科技股份有限公司 图像关联方法、联动显示方法及相关产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013102488A1 (en) * 2012-01-02 2013-07-11 Telecom Italia S.P.A. Method and system for comparing images
US20140200433A1 (en) * 2013-01-16 2014-07-17 Korea Advanced Institute Of Science And Technology Apparatus and method for estimating malignant tumor
CN104751178A (zh) * 2015-03-31 2015-07-01 上海理工大学 基于形状模板匹配结合分类器的肺结节检测装置及方法
CN105869141A (zh) * 2015-12-15 2016-08-17 乐视致新电子科技（天津）有限公司 图像配准方法及装置
CN108428242A (zh) * 2017-02-15 2018-08-21 宏达国际电子股份有限公司 图像处理装置及其方法
CN109754387A (zh) * 2018-11-23 2019-05-14 北京永新医疗设备有限公司 医学图像病灶检测定位方法、装置、电子设备及存储介质
CN110021025A (zh) * 2019-03-29 2019-07-16 上海联影智能医疗科技有限公司 感兴趣区域的匹配和显示方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013102488A1 (en) * 2012-01-02 2013-07-11 Telecom Italia S.P.A. Method and system for comparing images
US20140200433A1 (en) * 2013-01-16 2014-07-17 Korea Advanced Institute Of Science And Technology Apparatus and method for estimating malignant tumor
CN104751178A (zh) * 2015-03-31 2015-07-01 上海理工大学 基于形状模板匹配结合分类器的肺结节检测装置及方法
CN105869141A (zh) * 2015-12-15 2016-08-17 乐视致新电子科技（天津）有限公司 图像配准方法及装置
CN108428242A (zh) * 2017-02-15 2018-08-21 宏达国际电子股份有限公司 图像处理装置及其方法
CN109754387A (zh) * 2018-11-23 2019-05-14 北京永新医疗设备有限公司 医学图像病灶检测定位方法、装置、电子设备及存储介质
CN110021025A (zh) * 2019-03-29 2019-07-16 上海联影智能医疗科技有限公司 感兴趣区域的匹配和显示方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
K.W.CHEUNG等: "Fast Adaptive Bases Algorithm for Non-rigid Image Registration", 《JOURNAL OF IMAGING SCIENCE AND TECHNOLOGY》 *
付振荣: "基于MRM的小动物脑影像处理关键技术的研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 *
吴茜: "精准放射治疗中图像配准关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415341A (zh) * 2020-03-17 2020-07-14 北京推想科技有限公司 肺炎阶段的评估方法、装置、介质及电子设备
CN111553883A (zh) * 2020-03-31 2020-08-18 杭州依图医疗技术有限公司 一种医学影像的处理方法及装置、计算机设备及存储介质
CN111429456A (zh) * 2020-05-06 2020-07-17 上海联影医疗科技有限公司 一种图像数据处理方法、装置、电子设备及存储介质
CN111429456B (zh) * 2020-05-06 2023-09-05 上海联影医疗科技股份有限公司 一种图像数据处理方法、装置、电子设备及存储介质
CN111968160A (zh) * 2020-07-15 2020-11-20 上海联影智能医疗科技有限公司 图像匹配方法和存储介质
CN111968160B (zh) * 2020-07-15 2023-10-27 上海联影智能医疗科技有限公司 图像匹配方法和存储介质
CN113298157A (zh) * 2021-05-28 2021-08-24 上海商汤智能科技有限公司 病灶匹配方法及装置、电子设备和存储介质
CN113506331A (zh) * 2021-06-29 2021-10-15 武汉联影智融医疗科技有限公司 组织器官的配准方法、装置、计算机设备和存储介质
CN113538606A (zh) * 2021-08-17 2021-10-22 数坤(北京)网络科技股份有限公司 图像关联方法、联动显示方法及相关产品
CN113538606B (zh) * 2021-08-17 2022-07-22 数坤(北京)网络科技股份有限公司 图像关联方法、装置、计算机可读存储介质及电子设备

Also Published As

Publication number Publication date
CN110838104B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN110838104B (zh) 多时间点的感兴趣区域匹配方法、设备和存储介质
CN109754396B (zh) 图像的配准方法、装置、计算机设备和存储介质
CN110766730B (zh) 图像配准及随访评估方法、存储介质及计算机设备
CN110211076B (zh) 图像拼接方法、图像拼接设备和可读存储介质
US11017210B2 (en) Image processing apparatus and method
CN110415792B (zh) 图像检测方法、装置、计算机设备和存储介质
Islam et al. Spatially varying label smoothing: Capturing uncertainty from expert annotations
Hu et al. Automatic segmentation of the left ventricle in cardiac MRI using local binary fitting model and dynamic programming techniques
CN111340756B (zh) 一种医学图像病变检出合并方法、系统、终端及存储介质
CN109712163B (zh) 冠脉提取方法、装置、图像处理工作站和可读存储介质
US20150356346A1 (en) Feature point position detecting appararus, feature point position detecting method and feature point position detecting program
US8306354B2 (en) Image processing apparatus, method, and program
Harouni et al. Color image segmentation metrics
Moradi et al. Deformable registration using scale space keypoints
CN114092475A (zh) 病灶长径确定方法、图像标注方法、装置及计算机设备
KR101892949B1 (ko) 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치
CN113160199B (zh) 影像识别方法、装置、计算机设备和存储介质
CN113962957A (zh) 医学图像处理方法、骨骼图像处理方法、装置、设备
KR20200057563A (ko) 폐 운동의 히스토그램 분석을 위한 폐 영상 정합 방법, 그 장치, 그 프로그램 및 정합된 폐 영상의 분석 방법 및 그 프로그램
CN116258725B (zh) 基于特征影像的医学图像处理方法、装置以及存储介质
US9031288B2 (en) Unique cardiovascular measurements for human identification
CN111145152A (zh) 图像检测方法、计算机设备和存储介质
Foncubierta-Rodríguez et al. Benefits of texture analysis of dual energy CT for Computer-Aided pulmonary embolism detection
CN115187521A (zh) 病灶识别方法、装置、计算机设备和存储介质
CN110738664B (zh) 图像定位方法、装置、计算机设备和存储介质

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