CN111754554A - 颅脑多模态医学图像配准方法 - Google Patents
颅脑多模态医学图像配准方法 Download PDFInfo
- Publication number
- CN111754554A CN111754554A CN202010601878.6A CN202010601878A CN111754554A CN 111754554 A CN111754554 A CN 111754554A CN 202010601878 A CN202010601878 A CN 202010601878A CN 111754554 A CN111754554 A CN 111754554A
- Authority
- CN
- China
- Prior art keywords
- image
- floating
- floating image
- individual
- reference image
- 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
Links
Images
Classifications
-
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Abstract
本发明提供了一种颅脑多模态医学图像配准方法,本发明通过(d)对低通滤波后的浮动图像F进行第一空间变换、插值操作,计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,使用所述改进的基于目标空间的头脑风暴优化算法对交叉累计剩余熵的函数寻优直至找到最优配准参数;(e)使用步骤(d)中得到的最优配准参数,对浮动图像F进行第二空间变换、插值操作,将参考图像R与经过第二空间变换、插值操作后的浮动图像F进行融合,得到患者融合影像,可以有效地提升颅脑多模态医学图像配准的精度与速度,为医学图像融合提供良好的基础,为主治医生提供丰富的颅脑病变信息从而有助于对患者疾病的诊断与治疗。
Description
技术领域
本发明涉及一种颅脑多模态医学图像配准方法。
背景技术
颅脑病变难以直接肉眼观察,主治医生必须依赖该患者的医学影像。不同的医学影像设备关注的重点不同,如磁共振成像主要关注软组织,CT成像对骨组织的成像效果较好,而正电子发射型计算机断层显像主要关注组织的代谢情况。然而,单一模态的医学影像无法为医生提供足够的病灶信息,因此通常需要将患者的多模态医学影像进行融合,从而辅助医生进行诊断。
由于患者在不同的成像设备间进行影像拍摄时存在角度、位移等偏差,因此在进行医学图像融合之前需要对患者不同模态的医学影像进行配准,即通过空间变换使得两幅待融合图像达到空间位置的对齐状态。
现有的医学图像配准算法存在配准精度低,收敛速度慢等问题,影响了医学图像融合的效果,尤其是颅脑多模态医学图像配准效果不理想。
发明内容
本发明的目的在于提供一种颅脑多模态医学图像配准方法。
为解决上述问题,本发明提供一种颅脑多模态医学图像配准方法,包括:
(a)对头脑风暴优化算法的个体生成环节进行改进,得到改进的基于目标空间的头脑风暴优化算法;
(b)获取患者的颅脑医学图像,将颅脑医学图像分别记作参考图像R与浮动图像F;
(c)分别对参考图像R和浮动图像F进行低通滤波;
(d)对低通滤波后的浮动图像F进行第一空间变换、插值操作,计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,使用所述改进的基于目标空间的头脑风暴优化算法(IBSO-OS算法)对交叉累计剩余熵的函数寻优直至找到最优配准参数;
(e)使用步骤(d)中得到的最优配准参数,对浮动图像F进行第二空间变换、插值操作,将参考图像R与经过第二空间变换、插值操作后的浮动图像F进行融合,得到患者融合影像。
进一步的,在上述方法中,步骤(a)对头脑风暴优化算法的个体生成环节进行改进,得到改进的基于目标空间的头脑风暴优化算法,包括:
(a1)根据问题边界范围生成随机种群:
popu=range_l+(range_r-range_l)*rand(num,dim) (4)
式(1)中,range_l、range_r分别为生成随机数的左右边界值;num为种群中个体的个数;dim为每个个体的维度;popu为生成的种群,该种群是一个num×dim维的数组;
(a2)根据适应度函数评估新生成种群中每个个体的适应度值,其中,所述适应度函数为交叉累计剩余熵的函数;
(a3)选择前5%的个体作为精英群,将剩余的个体作为普通个体子群;
(a4)依概率从精英子群或者普通子群选择一个个体作为线索,生成新个体,
newIndividuali=selectedIndividuali+ξ(t)×N(0,1) (5)
上式(2)中,newIndividual为新生成个体;selectedIndividual为选中的线索个体;ξ(t)是线索个体所占新生成个体的权重系数;N(0,1)是生成(0,1)间的高斯随机噪声,i表示新生成个体的序号;
其中,MaxIterations为最大迭代次数;CurrentIteration为当前迭代次数;
(a5)基于所述适应度函数计算新生成个体的适应度函数值,如果适应度函数值优于对应的线索个体则使用新生成个体替换对应的线索个体,循环执行(a2)~(a5)过程直至满足结束条件。
进一步的,在上述方法中,(b)获取患者的颅脑医学图像,将颅脑医学图像分别记作参考图像R与浮动图像F,包括:
(b1)从不同的医学成像设备获取患者的颅脑医学图像;
(b2)将获取的颅脑医学图像根据成像设备分为两类,一类记作参考图像R,另一类记作浮动图像F。
进一步的,在上述方法中,(c)分别对参考图像R和浮动图像F进行低通滤波,包括:
(c1)通过傅里叶变换将参考图像R与浮动图像F分别从空间域变换至频率域;
(c2)使用高斯低通滤波器分别对变换至频率域的参考图像R与浮动图像F进行低通滤波,通过低通滤波器分别去除变换至频率域的参考图像R与浮动图像F的高频部分,得到低通滤波后的参考图像R与浮动图像F;
(c3)利用傅里叶反变换,将低通滤波后的参考图像R与浮动图像F从频率域变换至空间域。
进一步的,在上述方法中,(d)对低通滤波后的浮动图像F进行第一空间变换、插值操作,计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,使用所述改进的基于目标空间的头脑风暴优化算法对交叉累计剩余熵的函数寻优直至找到最优配准参数,包括:
(d1)对低通滤波后的浮动图像F进行第一空间变换,针对第一空间变换后不落在整数坐标格点的浮动图像F中的像素值进行第一插值处理,得到经过第一空间变换、插值操作后的浮动图像F;
(d2)计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,其中,
(d21)交叉累计剩余熵(CCRE)测度函数定义如式(5),
CCRE(R,F)=ε(R)-E[ε(R|F)] (5)
上式(5)中,ε(R)为交叉累计剩余熵的函数如式(6),其中,P(R>u)代表参考图像R的像素点比灰度值u高的概率,
(d22)根据式(5),(6)经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵;
(d3)使用所述改进的基于目标空间的头脑风暴优化算法(IBSO-OS优化算法)对步骤(d2)中的交叉累计剩余熵的函数进行寻优直至找到最优配准参数。
进一步的,在上述方法中,(e)使用步骤(d)中得到的最优配准参数,对浮动图像F进行第二空间变换、插值操作,然后将参考图像R与经过第二空间变换、插值操作后的浮动图像F进行融合,得到患者融合影像,包括:
(e1)使用得到配准参数,对浮动图像F浮动图像进行第二空间变换,插值操作;
(e2)将参考图像R与经过第二空间变换、插值操作后的浮动图像F对应的像素灰度进行加权求和,以得到患者融合影像。
与现有技术相比,本发明通过(a)对头脑风暴优化算法的个体生成环节进行改进,得到改进的基于目标空间的头脑风暴优化算法;(b)获取患者的颅脑医学图像,将颅脑医学图像分别记作参考图像R与浮动图像F;(c)分别对参考图像R和浮动图像F进行低通滤波;(d)对低通滤波后的浮动图像F进行第一空间变换、插值操作,计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,使用所述改进的基于目标空间的头脑风暴优化算法(IBSO-OS算法)对交叉累计剩余熵的函数寻优直至找到最优配准参数;(e)使用步骤(d)中得到的最优配准参数,对浮动图像F进行第二空间变换、插值操作,将参考图像R与经过第二空间变换、插值操作后的浮动图像F进行融合,得到患者融合影像,可以有效地提升颅脑多模态医学图像配准的精度与速度,为医学图像融合提供良好的基础,为主治医生提供丰富的颅脑病变信息从而有助于对患者疾病的诊断与治疗。
附图说明
图1为本发明一实施例的颅脑多模态医学图像配准方法的流程图;
图2为本发明一实施例的颅脑多模态医学图像配准方法IBSO-OS算法流程图;
图3为本发明一实施例的颅脑多模态医学图像配准方法整体配准框架。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种颅脑多模态医学图像配准方法,包括:
(a)对头脑风暴优化算法(Brain Storm Optimization,BSO)的个体生成环节进行改进,得到改进的基于目标空间的头脑风暴优化算法(Improved Brain StormOptimization in Objective Space,IBSO-OS);
(b)获取患者的颅脑医学图像,将颅脑医学图像分别记作参考图像R与浮动图像F;
(c)分别对参考图像R和浮动图像F进行低通滤波;
(d)对低通滤波后的浮动图像F进行第一空间变换、插值操作,计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,使用所述改进的基于目标空间的头脑风暴优化算法(IBSO-OS算法)对交叉累计剩余熵的函数寻优直至找到最优配准参数;
(e)使用步骤(d)中得到的最优配准参数,对浮动图像F进行第二空间变换、插值操作,然后将参考图像R与经过第二空间变换、插值操作后的浮动图像F进行融合,得到患者融合影像。
在此,本发明提供了一种颅脑多模态医学图像配准方法,能够提高颅脑多模态医学图像配准的精准度与提高医学图像配准的速度。本发明可以有效地提升颅脑多模态医学图像配准的精度与速度,为医学图像融合提供良好的基础,为主治医生提供丰富的颅脑病变信息从而有助于对患者疾病的诊断与治疗。
本发明的颅脑多模态医学图像配准方法一实施例中,步骤(a)对头脑风暴优化算法的个体生成环节进行改进,得到改进的基于目标空间的头脑风暴优化算法,包括:
(a1)根据问题边界范围生成随机种群
popu=range_l+(range_r-range_l)*rand(num,dim) (7)
式(1)中,range_l、range_r分别为生成随机数的左右边界值;num为种群中个体的个数;dim为每个个体的维度;popu为生成的种群,该种群是一个num×dim维的数组;
(a2)根据适应度函数评估新生成种群中每个个体的适应度值,其中,所述适应度函数为交叉累计剩余熵的函数;
(a3)选择前5%的个体作为精英群,将剩余的个体作为普通个体子群;
(a4)依概率从精英子群或者普通子群选择一个个体作为线索,生成新个体,
newIndividuali=selectedIndividuali+ξ(t)×N(0,1) (8)
上式(2)中,newIndividual为新生成个体;selectedIndividual为选中的线索个体;ξ(t)是线索个体所占新生成个体的权重系数;N(0,1)是生成(0,1)间的高斯随机噪声,i表示新生成个体的序号;
如式(3)所示,原始算法提出的权重系数ξ(t)是一个S型曲线,该曲线开始和结束阶段舒缓,中间部分陡,且随着最大迭代次数的增加,开始与结束阶段愈加舒缓,这就导致算法在初期与结束期寻优效率低;
为了解决上述问题,本文提出一种新的权重系数如式(4)所示,该系数变化舒缓程度适中,更适用于优化搜索过程,
其中,MaxIterations为最大迭代次数;CurrentIteration为当前迭代次数;
(a5)基于所述适应度函数计算新生成个体的适应度函数值,如果适应度函数值优于对应的线索个体则使用新生成个体替换对应的线索个体,循环执行(a2)~(a5)过程直至满足结束条件。
本发明的颅脑多模态医学图像配准方法一实施例中,(b)获取患者的颅脑医学图像,将颅脑医学图像分别记作参考图像R与浮动图像F,包括:
(b1)从不同的医学成像设备获取患者的颅脑医学图像;
(b2)将获取的颅脑医学图像根据成像设备分为两类,一类记作参考图像R,另一类记作浮动图像F。
本发明的颅脑多模态医学图像配准方法一实施例中,(c)分别对参考图像R和浮动图像F进行低通滤波,包括:
(c1)通过傅里叶变换将参考图像R与浮动图像F分别从空间域变换至频率域;
(c2)使用高斯低通滤波器分别对变换至频率域的参考图像R与浮动图像F进行低通滤波,通过低通滤波器分别去除变换至频率域的参考图像R与浮动图像F的高频部分,得到低通滤波后的参考图像R与浮动图像F;
(c3)利用傅里叶反变换,将低通滤波后的参考图像R与浮动图像F从频率域变换至空间域。
本发明的颅脑多模态医学图像配准方法一实施例中,(d)对低通滤波后的浮动图像F进行第一空间变换、插值操作,计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,使用所述改进的基于目标空间的头脑风暴优化算法对交叉累计剩余熵的函数寻优直至找到最优配准参数,包括:
(d1)对低通滤波后的浮动图像F进行第一空间变换,针对第一空间变换后不落在整数坐标格点的浮动图像F中的像素值进行第一插值处理,得到经过第一空间变换、插值操作后的浮动图像F;
(d2)计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,其中,
(d21)交叉累计剩余熵(CCRE)测度函数定义如式(5),
CCRE(R,F)=ε(R)-E[ε(R|F)] (5)
上式(5)中,ε(R)为交叉累计剩余熵的函数如式(6),其中,P(R>u)代表参考图像R的像素点比灰度值u高的概率,
(d22)根据式(5),(6)经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵;
(d3)使用所述改进的基于目标空间的头脑风暴优化算法(IBSO-OS优化算法)对步骤(d2)中的交叉累计剩余熵的函数进行寻优直至找到最优配准参数。
本发明的颅脑多模态医学图像配准方法一实施例中,(e)使用步骤(d)中得到的最优配准参数,对浮动图像F进行第二空间变换、插值操作,然后将参考图像R与经过第二空间变换、插值操作后的浮动图像F进行融合,得到患者融合影像,包括:
(e1)使用得到配准参数,对浮动图像F浮动图像进行第二空间变换,插值操作。
(e2)将参考图像R与经过第二空间变换、插值操作后的浮动图像F对应的像素灰度进行加权求和,以得到患者融合影像。
具体的,如图1所示:本发明需要从不同的成像设备获取待配准颅脑图像,获取到的待配准图像需要分为两类,一类称作参考图像记作R,一类称作浮动图像记作F。接下来需要对获取到的参考图像R与浮动图像F分别进行高斯滤波,将图像中的高频噪声滤除。然后,对已低通滤波的参考图像R与浮动图像F进行空间变换,插值操作,计算参考图像与浮动图像的交叉累计剩余熵,使用IBSO-OS寻优算法对交叉累计剩余熵函数进行寻优,直至达到最优的对齐效果。最后,使用得到的配准参数对浮动图像进行空间变换,将变换后的浮动图像与参考图像进行融合。
如图2所示:IBSO-OS优化算法是一种基于种群的群智能优化算法,首先随机生成初始化种群,然后使用种群中每个个体作为变换参数分别对浮动图像进行空间变换,计算变换后参考图像与浮动图像的交叉累计剩余熵也称为适应度函数值。适应度函数值前5%的个体记作精英子群,后95%记为普通个体子群。依概率分别从精英子群和普通个体子群挑选个体作为线索,添加随机扰动生成新个体。比较新生成个体与线索个体的适应度函数值,适应度函数值高的个体进入下一次迭代过程,该过程循环直至达到最大迭代代数。
如图3所示:分别将参考图像与浮动图像进行高斯低通滤波,对低通滤波后浮动图像分别进行空间变换与插值操作;然后计算变换后的浮动图像与参考图像的交叉累计剩余熵,使用IBSO-OS优化算法对交叉累计剩余熵函数进行进行寻优,直至交叉累计剩余熵函数值最优结束多模态颅脑医学图像配准过程。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (6)
1.一种颅脑多模态医学图像配准方法,其特征在于,包括:
(a)对头脑风暴优化算法的个体生成环节进行改进,得到改进的基于目标空间的头脑风暴优化算法;
(b)获取患者的颅脑医学图像,将颅脑医学图像分别记作参考图像R与浮动图像F;
(c)分别对参考图像R和浮动图像F进行低通滤波;
(d)对低通滤波后的浮动图像F进行第一空间变换、插值操作,计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,使用所述改进的基于目标空间的头脑风暴优化算法(IBSO-OS算法)对交叉累计剩余熵的函数寻优直至找到最优配准参数;
(e)使用步骤(d)中得到的最优配准参数,对浮动图像F进行第二空间变换、插值操作,将参考图像R与经过第二空间变换、插值操作后的浮动图像F进行融合,得到患者融合影像。
2.如权利要求1所述的颅脑多模态医学图像配准方法,其特征在于,步骤(a)对头脑风暴优化算法的个体生成环节进行改进,得到改进的基于目标空间的头脑风暴优化算法,包括:
(a1)根据问题边界范围生成随机种群:
popu=range_L+(range_r-range_l)*rand(num,dim) (1)
式(1)中,range_l、range_r分别为生成随机数的左右边界值;num为种群中个体的个数;dim为每个个体的维度;popu为生成的种群,该种群是一个num×dim维的数组;
(a2)根据适应度函数评估新生成种群中每个个体的适应度值,其中,所述适应度函数为交叉累计剩余熵的函数;
(a3)选择前5%的个体作为精英群,将剩余的个体作为普通个体子群;
(a4)依概率从精英子群或者普通子群选择一个个体作为线索,生成新个体,
newIndividuali=selectedIndividuali+ξ(t)×N(0,1) (2)
上式(2)中,newIndividual为新生成个体;selectedIndividual为选中的线索个体;ξ(t)是线索个体所占新生成个体的权重系数;N(O,1)是生成(0,1)间的高斯随机噪声,i表示新生成个体的序号;
其中,MaxIterations为最大迭代次数;CurrentIteration为当前迭代次数;
(a5)基于所述适应度函数计算新生成个体的适应度函数值,如果适应度函数值优于对应的线索个体则使用新生成个体替换对应的线索个体,循环执行(a2)~(a5)过程直至满足结束条件。
3.如权利要求1所述的颅脑多模态医学图像配准方法,其特征在于,(b)获取患者的颅脑医学图像,将颅脑医学图像分别记作参考图像R与浮动图像F,包括:
(b1)从不同的医学成像设备获取患者的颅脑医学图像;
(b2)将获取的颅脑医学图像根据成像设备分为两类,一类记作参考图像R,另一类记作浮动图像F。
4.如权利要求1所述的颅脑多模态医学图像配准方法,其特征在于,(c)分别对参考图像R和浮动图像F进行低通滤波,包括:
(c1)通过傅里叶变换将参考图像R与浮动图像F分别从空间域变换至频率域;
(c2)使用高斯低通滤波器分别对变换至频率域的参考图像R与浮动图像F进行低通滤波,通过低通滤波器分别去除变换至频率域的参考图像R与浮动图像F的高频部分,得到低通滤波后的参考图像R与浮动图像F;
(c3)利用傅里叶反变换,将低通滤波后的参考图像R与浮动图像F从频率域变换至空间域。
5.如权利要求1所述的颅脑多模态医学图像配准方法,其特征在于,(d)对低通滤波后的浮动图像F进行第一空间变换、插值操作,计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,使用所述改进的基于目标空间的头脑风暴优化算法对交叉累计剩余熵的函数寻优直至找到最优配准参数,包括:
(d1)对低通滤波后的浮动图像F进行第一空间变换,针对第一空间变换后不落在整数坐标格点的浮动图像F中的像素值进行第一插值处理,得到经过第一空间变换、插值操作后的浮动图像F;
(d2)计算经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵,其中,
(d21)交叉累计剩余熵(CCRE)测度函数定义如式(5),
CCRE(R,F)=ε(R)-E[ε(R|F)] (5)
上式(5)中,ε(R)为交叉累计剩余熵的函数如式(6),其中,P(R>u)代表参考图像R的像素点比灰度值u高的概率,
(d22)根据式(5),(6)经过第一空间变换、插值操作后的浮动图像F与参考图像R的交叉累计剩余熵;
(d3)使用所述改进的基于目标空间的头脑风暴优化算法(IBSO-OS优化算法)对步骤(d2)中的交叉累计剩余熵的函数进行寻优直至找到最优配准参数。
6.如权利要求1所述的颅脑多模态医学图像配准方法,其特征在于,(e)使用步骤(d)中得到的最优配准参数,对浮动图像F进行第二空间变换、插值操作,然后将参考图像R与经过第二空间变换、插值操作后的浮动图像F进行融合,得到患者融合影像,包括:
(e1)使用得到配准参数,对浮动图像F浮动图像进行第二空间变换,插值操作;
(e2)将参考图像R与经过第二空间变换、插值操作后的浮动图像F对应的像素灰度进行加权求和,以得到患者融合影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010601878.6A CN111754554B (zh) | 2020-06-28 | 2020-06-28 | 颅脑多模态医学图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010601878.6A CN111754554B (zh) | 2020-06-28 | 2020-06-28 | 颅脑多模态医学图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754554A true CN111754554A (zh) | 2020-10-09 |
CN111754554B CN111754554B (zh) | 2023-09-15 |
Family
ID=72677778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010601878.6A Active CN111754554B (zh) | 2020-06-28 | 2020-06-28 | 颅脑多模态医学图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754554B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009076218A2 (en) * | 2007-12-07 | 2009-06-18 | University Of Maryland | Composite images for medical procedures |
WO2018000652A1 (zh) * | 2016-06-30 | 2018-01-04 | 华中科技大学 | 一种非刚性多模医学图像的配准方法及系统 |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN107644434A (zh) * | 2017-09-01 | 2018-01-30 | 中原工学院 | 融合梯度信息和广义熵相似度的多模态医学图像配准方法 |
CN110533641A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗系统股份有限公司 | 一种多模态医学图像配准方法和装置 |
-
2020
- 2020-06-28 CN CN202010601878.6A patent/CN111754554B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009076218A2 (en) * | 2007-12-07 | 2009-06-18 | University Of Maryland | Composite images for medical procedures |
WO2018000652A1 (zh) * | 2016-06-30 | 2018-01-04 | 华中科技大学 | 一种非刚性多模医学图像的配准方法及系统 |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN107644434A (zh) * | 2017-09-01 | 2018-01-30 | 中原工学院 | 融合梯度信息和广义熵相似度的多模态医学图像配准方法 |
CN110533641A (zh) * | 2019-08-20 | 2019-12-03 | 东软医疗系统股份有限公司 | 一种多模态医学图像配准方法和装置 |
Non-Patent Citations (1)
Title |
---|
梁志刚;顾军华;: "改进头脑风暴优化算法与Powell算法结合的医学图像配准", 计算机应用, no. 09 * |
Also Published As
Publication number | Publication date |
---|---|
CN111754554B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827216A (zh) | 图像去噪的多生成器生成对抗网络学习方法 | |
BR112019015216A2 (pt) | método de segmentação de imagem de várias classes | |
JP2011041656A (ja) | ボリュームデータ間の対応付け方法 | |
CN106886982A (zh) | Cbct图像环形伪影去除方法 | |
Vunckx et al. | Heuristic modification of an anatomical Markov prior improves its performance | |
Yang et al. | Super-resolution of medical image using representation learning | |
Jiang et al. | CT image super resolution based on improved SRGAN | |
US20220138936A1 (en) | Systems and methods for calcium-free computed tomography angiography | |
Huang et al. | Multi-modal feature-fusion for CT metal artifact reduction using edge-enhanced generative adversarial networks | |
WO2024083112A1 (zh) | 一种磁共振平面回波成像伪影仿真方法及系统 | |
CN114187181A (zh) | 基于残差信息精炼的双路径肺部ct图像超分辨率方法 | |
CN111754554A (zh) | 颅脑多模态医学图像配准方法 | |
CN111028147B (zh) | 基于级联空洞卷积的三维医学图像超分辨率重建方法 | |
CN111612782B (zh) | 一种颅脑医学图像配准方法 | |
CN110570355B (zh) | 多尺度自动聚焦超分辨率处理系统和方法 | |
Talbi et al. | Predator prey optimizer and DTCWT for multimodal medical image fusion | |
Yim et al. | A deep convolutional neural network for simultaneous denoising and deblurring in computed tomography | |
EP4179548A1 (en) | Method for ai applications in mri simulation | |
Xie et al. | Super-Resolution reconstruction of Bone Micro-Structure Micro-CT Image based on Auto-Encoder Structure | |
CN113379682A (zh) | 一种心脏mri影像耦合水平集分割方法及系统 | |
Liu et al. | HARP tracking refinement using seeded region growing | |
Zhao et al. | Perception-oriented generative adversarial network for retinal fundus image super-resolution | |
Song et al. | Parallel Alternating Iterative Optimization for Cardiac Magnetic Resonance Image Blind Super-Resolution | |
CN114445311B (zh) | 基于域变换保边滤波器的多源医学图像融合方法和系统 | |
WO2024095434A1 (ja) | 画像処理プログラム、画像処理方法、検出プログラム、検出方法、および情報処理装置 |
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 |