CN111968135A - 一种基于全卷积网络的三维腹部ct图像多器官配准方法 - Google Patents

一种基于全卷积网络的三维腹部ct图像多器官配准方法 Download PDF

Info

Publication number
CN111968135A
CN111968135A CN202010821503.0A CN202010821503A CN111968135A CN 111968135 A CN111968135 A CN 111968135A CN 202010821503 A CN202010821503 A CN 202010821503A CN 111968135 A CN111968135 A CN 111968135A
Authority
CN
China
Prior art keywords
image
abdominal
organ
registration
sequence
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
CN202010821503.0A
Other languages
English (en)
Other versions
CN111968135B (zh
Inventor
赵于前
杨少迪
张帆
杨振
廖苗
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.)
Hunan Tiao Medical Technology Co.,Ltd.
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202010821503.0A priority Critical patent/CN111968135B/zh
Publication of CN111968135A publication Critical patent/CN111968135A/zh
Application granted granted Critical
Publication of CN111968135B publication Critical patent/CN111968135B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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]

Abstract

本发明公开了一种基于全卷积网络的三维腹部CT图像多器官配准方法。首先，获取腹部CT图像数据集。然后，引入注意力机制模块，构建基于全卷积的网络模型，对该网络模型进行训练并获得初步分割结果，再引入全连接条件随机场，进一步优化分割结果，以实现腹部CT序列多器官区域的提取。其次，构建腹部CT序列多器官区域图像对以及基于局部相关系数数据项和空间正则化项的相似性度量函数。最后，采用交替方向乘子法最小化相似性度量函数，实现腹部多器官区域CT图像对配准。本发明采用先分割再配准的两步法策略，消除了外部灰度信息和噪声对腹部目标器官区域配准的干扰，时间消耗少，配准精度高，鲁棒性强。

Description

一种基于全卷积网络的三维腹部CT图像多器官配准方法
技术领域
本发明涉及医学图像处理领域，具体涉及一种基于全卷积网络的三维腹部CT图像多器官配准方法。
背景技术
图像配准是计算机辅助疾病诊断、手术和治疗的关键步骤，其目的是寻求一种空间变换，通过映射使两个图像的对应点在空间上保持一致。配准技术能对源于相同或不同模态医学图像的腹部器官、组织的形状和大小进行匹配，因此对辅助医生治疗计划、手术导航和疗效评估至关重要。腹部的组织和器官柔软、边缘模糊、器官形态个体差异较大且易受呼吸运动的影响，因此腹部图像配准具有挑战性。目前腹部图像配准方法运算量大、计算复杂度高、缺乏鲁棒性，且在临床应用中难以同时满足配准的实时性和准确性。因此，研究一种快速、精准、鲁棒的腹部CT图像配准方法对于计算机辅助诊断和精准医疗都非常重要。
现有的腹部图像形变配准方法通常可分为基于强度的和基于特征的两大类。基于强度的配准方法直接利用灰度信息构建固定图像和浮动图像之间的相似性度量，主要包括误差平方和、互信息、相关系数和序列相似度检测算法等。该类方法对每个像素点求其位移，无需预处理，配准精度高，但运算量大，计算复杂度高。基于特征的配准方法主要是提取图像的点特征、边缘特征和区域特征等，进行特征匹配。该类方法仅需提取少量重要特征信息，可极大地减少配准过程中的噪声干扰、时耗和计算复杂度，但对特征提取和匹配位置的误差敏感度高，从而降低了配准精度。
发明内容
本发明的目的在于针对腹部CT图像中组织结构纹理复杂、器官轮廓边缘灰度差异小、配准算法时耗长、计算复杂度高等问题，采用先分割腹部CT图像多器官区域再配准的两步法策略，提出了一种快速、精准、鲁棒性强的基于全卷积网络的三维腹部CT图像多器官配准方法。
本发明提出的基于全卷积网络的三维腹部CT图像多器官配准方法包括以下步骤：
(1)获取三维腹部CT图像数据集：
在公开数据库SLIVER07、LiTS和BTCV中随机读取N个腹部CT序列分类标签信息，获取并补齐相应的肝、左肾、右肾和脾的分割掩膜，组成样本训练集和测试集；
(2)提取三维腹部CT序列多器官区域，具体包括以下步骤：
(2-a)引入注意力机制模块，构建基于全卷积网络的分割模型：
改进的全卷积网络共包含四个部分，其中第一部分包含下采样、密集卷积块、注意力机制模块各1个，激活函数3个；第二部分包含下采样、密集卷积块、注意力机制模块、上采样各1个，激活函数3个；第三部分包含下采样、密集卷积块、注意力机制模块、上采样各1个，激活函数2个；第四部分包含融合、卷积层、激活函数、上采样各1个；其中第一至第四部分上、下采样操作主要是对图像进行缩放，并通过缩放比s来控制感受野的大小，以获得图像在不同分辨率下的特征信息；第一至第三部分注意力机制模块通过压缩比r来减少特征学习的通道数量，使之成为轻量级模块；第一、第二、第三部分分别提取不同分辨率层的特征信息后并行输出作为第四部分的输入，密集卷积块由多个密集卷积层组成，每个卷积层的输入由前面所有层的输出拼接而成；
(2-b)训练网络模型，获得三维腹部多器官分割掩膜：
采用步骤(2-a)构建的网络模型对步骤(1)所得的样本训练集进行训练，以获得样本测试集的腹部CT序列多器官分割掩膜结果；
(2-c)优化步骤(2-b)所得分割结果，实现腹部CT序列多器官区域的最终提取；
(3)构建腹部CT序列多器官区域图像对(浮动图像与固定图像)：
根据样本测试集中每个序列相应的多器官提取结果，随机抽取1个序列图像作为参考，并将剩余序列图像依次与其配对，获得多组腹部CT序列多器官区域图像对；
(4)构建配准相似性度量函数：
Figure BDA0002634545530000021
其中，I0为固定图像(参考图像)，I1为浮动图像，T为形变向量场，Sim为配准数据项，Reg为空间正则化项，λ为平衡数据项和正则化项之间误差的常数；
(5)采用交替方向乘子法最小化相似性度量函数，实现腹部多器官区域CT图像对的配准。
在上述步骤(2-c)中，采用全连接条件随机场优化分割结果，满足：
Figure BDA0002634545530000031
其中，xi、xj分别为体素点i、j的图像标签；ψ(xi)代表单点势能函数ψ(xi)＝-logP(xi|I)，P(xi|I)为体素点对应网络模型的输出结果；ψij(xi,xj)代表成对点势能函数，且
Figure BDA0002634545530000032
λm为权重参数，μ(xi,xj)＝[xi≠xj]为标签兼容性函数，以确保体素的能量只能在相同标签属性下相互传递，km(·)为高斯核能量函数，Fi和Fj为成对体素点的特征向量。
在上述步骤(4)中，考虑到腹部各器官之间的形变相对独立，该情况下采用全局相似度度量，计算量大且易引起形变场的错误估计，逐一以每个体素为中心，将输入图像分割成小块，引入局部相关系数(Local Correlation Coefficient,LCC)，构建配准数据项Sim：
Figure BDA0002634545530000033
每小块的局部相关系数的计算为：
Figure BDA0002634545530000034
其中，[x]表示以x为中心体素点的图像块，v为像素体积，
Figure BDA0002634545530000035
为浮动图像I1在形变向量场T作用下的空间变换，×代表逐个元素相乘；
Figure BDA0002634545530000036
Figure BDA0002634545530000037
Figure BDA0002634545530000038
表示卷积操作，Wgaussian为高斯核滑窗函数，
Figure BDA0002634545530000039
为I0与
Figure BDA00026345455300000310
之间的局部相关性，且
Figure BDA00026345455300000311
在上述步骤(4)中，为了避免配准形变场过光滑问题，对配准数据项Sim进行合理约束，构建空间正则化项Reg：
Figure BDA00026345455300000312
其中，K为图像的总像素点个数，D为图像的维度，×代表逐个元素相乘。
步骤(1)数据集相关参数设置中，优选N为30～200之间的整数。
步骤(2-a)分割模型相关参数设置中，优选s为0～20之间的正实数，优选r为2～32之间的整数。
步骤(4)相似性度量函数相关参数设置中，优选λ为大于0小于1的常数。
步骤(5)交替方向乘子法相关参数设置中，优选迭代次数为50～150之间的整数。
本发明具有如下优点：
(1)本发明采用的基于全卷积网络的三维腹部CT图像多器官配准方法，引入了轻量级注意力机制模块，通过在各分辨率层添加该模块，调节特征图中目标器官区域的权重，对网络模型进行优化，提高了网络模型的分割精度；
(2)本发明针对基于全卷积网络模型将特征图还原为原始图像大小时，其上采样操作会丢失部分特征信息从而影响分割精度，引入全连接条件随机场，对上采样后的分割掩膜进行校准和优化，从而进一步提高腹部多器官分割的精度；
(3)本发明通过提取腹部多器官区域，消除了围绕腹部目标器官轮廓附近的灰度信息干扰，降低了计算复杂度，避免了基于强度的腹部配准方法运算量大、时耗长的缺点；
(4)本发明针对全局相似度度量计算量大、易引起形变场的错误估计的问题，采用基于局部相关系数的相似性度量函数，引入空间正则化项对其加以约束，提高了腹部多器官配准精度，鲁棒性强。
附图说明
图1本发明实施方式的基于全卷积网络的三维腹部CT图像多器官配准流程图；
图2本发明实施方式的改进的全卷积网络框架图；
图3本发明实施方式的腹部CT序列多器官区域分割结果图；
图4本发明实施方式的腹部CT序列原始图像对及其多器官区域图像对配准差分图。
具体实施方式
下面说明本发明具体实施方式：
实施例1
图1为本发明所实施的基于全卷积网络的三维腹部CT图像多器官配准方法流程图。首先，获取三维腹部CT图像数据集。然后，为了增强目标器官区域的权重，引入轻量级注意力机制，构建基于全卷积网络的分割模型，对该网络模型进行训练并获得腹部多器官分割掩膜，再引入全连接条件随机场，进一步优化分割掩膜，实现腹部CT序列多器官区域的提取。接着，构建腹部CT序列多器官区域图像对以及基于局部相关系数数据项和空间正则化项的相似性度量函数，以避免配准形变场过光滑问题。最后，采用交替方向乘子法最小化相似性度量函数，实现腹部多器官区域CT图像对的配准。
如图1所示，本发明的一种基于全卷积网络的三维腹部CT图像多器官配准方法包括以下步骤：
(1)获取三维腹部CT图像数据集：
从公开数据库SLIVER07、LiTS和BTCV中随机读取N个腹部CT序列分类标签信息，获取并补齐相应的肝、左肾、右肾和脾的分割掩膜，组成样本训练集和测试集，N取值为71；
(2)提取三维腹部CT序列多器官区域，具体包括以下步骤：
(2-a)引入注意力机制，构建基于全卷积网络的分割模型：
如图2所示，改进的全卷积网络共包含四个部分，其中第一部分包含下采样、密集卷积块、注意力机制模块各1个，激活函数3个；第二部分包含下采样、密集卷积块、注意力机制模块、上采样各1个，激活函数3个；第三部分包含下采样、密集卷积块、注意力机制模块、上采样各1个，激活函数2个；第四部分包含融合、卷积层、激活函数、上采样各1个；其中第一至第四部分上、下采样操作主要是对图像进行缩放，并通过缩放比s来控制感受野的大小，以获得图像在不同分辨率下的特征信息；第一至第三部分注意力机制模块通过压缩比r来减少特征学习的通道数量，使之成为轻量级模块；第一、第二、第三部分分别提取不同分辨率层的特征信息后并行输出作为第四部分的输入，本实施例第一、第二、第三部分下采样的缩放比s均取值为0.5，第二部分上采样的缩放比s取值为4，第三、四部分上采样的缩放比s均取值为2，注意力机制优选挤压-激励网络模块，该模块中的压缩比r取值为8；
(2-b)训练网络模型，获得三维腹部多器官分割掩膜：
采用步骤(2-a)构建的网络模型对步骤(1)所得的样本训练集进行训练，以获得样本测试集的腹部CT序列多器官分割掩膜结果；
(2-c)采用全连接条件随机场优化步骤(2-b)所得分割结果，实现腹部CT序列多器官区域的最终提取：
Figure BDA0002634545530000061
其中，xi、xj分别为体素点i、j的图像标签；ψ(xi)代表单点势能函数ψ(xi)＝-logP(xi|I)，P(xi|I)为体素点对应网络模型的输出结果；ψij(xi,xj)代表成对点势能函数，且
Figure BDA0002634545530000062
λm为权重参数，μ(xi,xj)＝[xi≠xj]为标签兼容性函数，以确保体素的能量只能在相同标签属性下相互传递，以确保体素的能量只能在相同标签属性下相互传递，km(·)为高斯核能量函数，Fi和Fj为成对体素点的特征向量。
(3)构建腹部CT序列多器官区域图像对(浮动图像与固定图像)：
根据样本测试集中每个序列相应的多器官提取结果，随机抽取1个序列图像作为参考，并将剩余序列图像依次与其配对，获得多组腹部CT序列多器官区域图像对；
(4)构建配准相似性度量函数：
Figure BDA0002634545530000063
其中，I0为固定图像(参考图像)，I1为浮动图像，T为形变向量场，Sim为配准数据项，Reg为空间正则化项，λ为平衡数据项和正则化项之间误差的常数，λ在本实施例中取值为0.005，相似性度量函数的构建具体包括以下步骤：
(4-a)考虑到腹部各器官之间的形变相对独立，该情况下采用全局相似度度量，计算量大且易引起形变场的错误估计，逐一以每个体素为中心，将输入图像分割成小块，引入局部相关系数(Local Correlation Coefficient,LCC)，构建配准数据项Sim：
Figure BDA0002634545530000064
每小块的局部相关系数的计算为：
Figure BDA0002634545530000071
其中，[x]表示以x为中心体素点的图像块，v为像素体积，
Figure BDA0002634545530000072
为浮动图像I1在形变向量场T作用下的空间变换，×代表逐个元素相乘；
Figure BDA0002634545530000073
Figure BDA0002634545530000074
Figure BDA0002634545530000075
表示卷积操作，Wgaussian为高斯核滑窗函数，
Figure BDA0002634545530000076
为I0与
Figure BDA0002634545530000077
之间的局部相关性，且
Figure BDA0002634545530000078
(4-b)为了避免配准形变场过光滑问题，对配准数据项Sim进行合理约束，构建空间正则化项Reg：
Figure BDA0002634545530000079
其中，K为图像的总像素点个数，D为图像的维度，×代表逐个元素相乘。
(5)采用交替方向乘子法最小化相似性度量函数，即采用迭代的方式分别最小化配准数据项Sim和空间正则化项Reg以获得相似性度量函数的最优解，实现腹部多器官区域CT图像对的配准；本实施例迭代次数取值为100。
实施例2
为了验证本发明中分割方法的有效性，采用实施例1中的方法，从公开的数据库SLIVER07、LiTS和BTCV中随机选取71个腹部CT序列，通过读取原始数据库的nii文件给定的标签信息，获取并补齐肝、左肾、右肾和脾的分割掩膜，组成统一尺寸为144×144×144的样本训练集55例和测试集16例，其中测试集中随机选取1例与其余15例逐一配对组成腹部CT原始图像对。
图3给出了随机抽取的一个腹部CT序列多器官区域分割结果图，其中(a)为原始腹部CT序列，(b-1)和(c-1)分别为专家手动分割结果的二维和三维展示图，(b-2)和(c-2)分别为DenseVnet网络分割结果的二维和三维展示图，(b-3)和(c-3)分别为DenseVnet+GCblock网络分割结果的二维和三维展示图，(b-4)和(c-4)分别为本发明分割结果的二维和三维展示图。可以看出，本发明方法的分割精度比其他两种方法的分割精度有一定提高。
为了定量分析本发明中分割方法的有效性，采用Dice指标对DenseVnet网络、DenseVnet+GCblock网络和本发明的分割性能进行评价，其中测试对象为数据库测试集16例腹部CT序列图像，结果如表1所示。可以看出本发明的Dice值最高，表明了本发明方法对腹部CT序列图像多器官分割的结果较精确。
表1本发明与其他两种方法对腹部CT序列多器官分割的平均Dice指标对比
Figure BDA0002634545530000081
实施例3
为了验证本发明配准方法的有效性，采用实施例1中的方法，从实施例2获得15组腹部CT序列原始图像对及其多器官区域图像对进行测试。
图4给出了随机抽取的1组腹部CT序列原始图像对及其多器官区域图像对配准差分图，其中第(a)列为腹部CT序列原始图像对及其多器官区域图像对之间配准前的差分结果，第(b)列为采用Demons方法对腹部CT序列原始图像对及其多器官区域图像对进行配准后的差分结果，第(c)列为采用Hybrid方法对腹部CT序列原始图像对及其多器官区域图像对进行配准后的差分结果，第(d)列为采用MSI方法对腹部CT序列原始图像对及其多器官区域图像对进行配准后的差分结果，第(e)列为本发明对腹部CT序列原始图像对及其多器官区域图像对进行配准后的差分结果。可以明显看出，本发明方法配准误差小，配准精度得到了大大提高。
表2给出了本发明和其他三种方法所得15组腹部CT序列图像对配准结果的性能评价。可以看出，先分割再配准的两步法策略大大提高了本发明及其他方法的配准性能，且本发明的腹部CT序列多器官区域图像对的配准结果均方误差小、峰值信噪比高、结构相似性好，且速度快，时耗短。结果表明，本发明方法能获得快速、精准的腹部CT序列图像多器官配准效果，且鲁棒性好。
表2本发明和其他三种方法对15组腹部CT序列图像对配准结果的性能评价
Figure BDA0002634545530000091
以上所述，只是本发明的实施例而已，本发明并不局限于上述实施方式，只要以相同的手段达到本发明的技术效果，都属于本发明的保护范围。

Claims (8)

1.一种基于全卷积网络的三维腹部CT图像多器官配准方法，其特征在于包括以下步骤：
(1)获取三维腹部CT图像数据集：
在公开数据库SLIVER07、LiTS和BTCV中随机读取N个腹部CT序列分类标签信息，获取并补齐相应的肝、左肾、右肾和脾的分割掩膜，组成样本训练集和测试集；
(2)提取三维腹部CT序列多器官区域，具体包括以下步骤：
(2-a)引入注意力机制模块，构建基于全卷积网络的分割模型：
改进的全卷积网络共包含四个部分，其中第一部分包含下采样、密集卷积块、注意力机制模块各1个，激活函数3个；第二部分包含下采样、密集卷积块、注意力机制模块、上采样各1个，激活函数3个；第三部分包含下采样、密集卷积块、注意力机制模块、上采样各1个，激活函数2个；第四部分包含融合、卷积层、激活函数、上采样各1个；其中第一至第四部分上、下采样操作主要是对图像进行缩放，并通过缩放比s来控制感受野的大小，以获得图像在不同分辨率下的特征信息；第一至第三部分注意力机制模块通过压缩比r来减少特征学习的通道数量，使之成为轻量级模块；第一、第二、第三部分分别提取不同分辨率层的特征信息后并行输出作为第四部分的输入，密集卷积块由多个密集卷积层组成，每个卷积层的输入由前面所有层的输出拼接而成；
(2-b)训练网络模型，获得三维腹部多器官分割掩膜：
采用步骤(2-a)构建的网络模型对步骤(1)所得的样本训练集进行训练，以获得样本测试集的腹部CT序列多器官分割掩膜结果；
(2-c)优化步骤(2-b)所得分割结果，实现腹部CT序列多器官区域的最终提取；
(3)构建腹部CT序列多器官区域图像对(浮动图像与固定图像)：
根据样本测试集中每个序列相应的多器官提取结果，随机抽取1个序列图像作为参考，并将剩余序列图像依次与其配对，获得多组腹部CT序列多器官区域图像对；
(4)构建配准相似性度量函数：
Figure FDA0002634545520000011
其中，I0为固定图像(参考图像)，I1为浮动图像，T为形变向量场，Sim为配准数据项，Reg为空间正则化项，λ为平衡数据项和正则化项之间误差的常数；
(5)采用交替方向乘子法最小化相似性度量函数，实现腹部多器官区域CT图像对的配准。
2.如权利要求1所述的基于全卷积网络的三维腹部CT图像多器官配准方法，其特征在于，所述的步骤(1)中，随机读取的腹部CT序列个数N的取值范围为30～200之间的整数。
3.如权利要求1所述的基于全卷积网络的三维腹部CT图像多器官配准方法，其特征在于，所述的步骤(2-a)中，缩放比s的取值范围为0～20之间的正实数，压缩比r的取值范围为2～32之间的整数。
4.如权利要求1所述的基于全卷积网络的三维腹部CT图像多器官配准方法，其特征在于，所述的步骤(2-c)中，采用全连接条件随机场优化分割结果，满足：
Figure FDA0002634545520000021
其中，xi、xj分别为体素点i、j的图像标签；ψ(xi)代表单点势能函数ψ(xi)＝-logP(xi|I)，P(xi|I)为体素点对应网络模型的输出结果；ψij(xi,xj)代表成对点势能函数，且
Figure FDA0002634545520000022
λm为权重参数，μ(xi,xj)＝[xi≠xj]为标签兼容性函数，以确保体素的能量只能在相同标签属性下相互传递，km(·)为高斯核能量函数，Fi和Fj为成对体素点的特征向量。
5.如权利要求1所述的一种基于全卷积网络的三维腹部CT图像多器官配准方法，其特征在于，所述的步骤(4)中，λ为大于0小于1的常数。
6.如权利要求1所述的一种基于全卷积网络的三维腹部CT图像多器官配准方法，其特征在于，所述的步骤(4)中，考虑到腹部各器官之间的形变相对独立，该情况下采用全局相似度度量，计算量大且易引起形变场的错误估计，逐一以每个体素为中心，将输入图像分割成小块，引入局部相关系数(Local Correlation Coefficient,LCC)，构建配准数据项Sim：
Figure FDA0002634545520000023
每小块的局部相关系数的计算为：
Figure FDA0002634545520000024
其中，[x]表示以x为中心体素点的图像块，v为像素体积，
Figure FDA0002634545520000031
为浮动图像I1在形变向量场T作用下的空间变换，×代表逐个元素相乘；
Figure FDA0002634545520000032
Figure FDA0002634545520000033
Figure FDA0002634545520000034
表示卷积操作，Wgaussian为高斯核滑窗函数，
Figure FDA0002634545520000035
为I0与
Figure FDA0002634545520000036
之间的局部相关性，且
Figure FDA0002634545520000037
7.如权利要求1所述的一种基于全卷积网络的三维腹部CT图像多器官配准方法，其特征在于，所述的步骤(4)中，为了避免配准形变场过光滑问题，对配准数据项Sim进行合理约束，构建空间正则化项Reg：
Figure FDA0002634545520000038
其中，K为图像的总像素点个数，D为图像的维度，×代表逐个元素相乘。
8.如权利要求1所述的一种基于全卷积网络的三维腹部CT图像多器官配准方法，其特征在于，所述的步骤(5)中，交替方向乘子法采用迭代的方式分别最小化配准数据项Sim和空间正则化项Reg以获得相似性度量函数的最优解，迭代次数范围为50～150之间的整数。
CN202010821503.0A 2020-08-15 2020-08-15 一种基于全卷积网络的三维腹部ct图像多器官配准方法 Active CN111968135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010821503.0A CN111968135B (zh) 2020-08-15 2020-08-15 一种基于全卷积网络的三维腹部ct图像多器官配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010821503.0A CN111968135B (zh) 2020-08-15 2020-08-15 一种基于全卷积网络的三维腹部ct图像多器官配准方法

Publications (2)

Publication Number Publication Date
CN111968135A true CN111968135A (zh) 2020-11-20
CN111968135B CN111968135B (zh) 2022-03-08

Family

ID=73388929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010821503.0A Active CN111968135B (zh) 2020-08-15 2020-08-15 一种基于全卷积网络的三维腹部ct图像多器官配准方法

Country Status (1)

Country Link
CN (1) CN111968135B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011304A (zh) * 2021-03-12 2021-06-22 山东大学 一种基于注意力多分辨率网络的人体姿态估计方法及系统
CN113744387A (zh) * 2021-07-27 2021-12-03 上海交通大学 一种医学图像三维重建方法、介质及电子设备
CN116580133A (zh) * 2023-07-14 2023-08-11 北京大学 图像合成方法、装置、电子设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8885887B1 (en) * 2012-01-23 2014-11-11 Hrl Laboratories, Llc System for object detection and recognition in videos using stabilization
US20150317788A1 (en) * 2014-04-30 2015-11-05 Mitsubishi Electric Research Laboratories, Inc. Method for Registering Deformable Images Using Random Markov Fields
CN108062756A (zh) * 2018-01-29 2018-05-22 重庆理工大学 基于深度全卷积网络和条件随机场的图像语义分割方法
EP3432263A1 (en) * 2017-07-17 2019-01-23 Siemens Healthcare GmbH Semantic segmentation for cancer detection in digital breast tomosynthesis
CN109448006A (zh) * 2018-11-01 2019-03-08 江西理工大学 一种注意力机制u型密集连接视网膜血管分割方法
CN109903292A (zh) * 2019-01-24 2019-06-18 西安交通大学 一种基于全卷积神经网络的三维图像分割方法及系统
CN109961028A (zh) * 2019-03-15 2019-07-02 西安电子科技大学 基于三维块匹配和全连接条件随机场的sar检测方法
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN111445481A (zh) * 2020-03-23 2020-07-24 江南大学 一种基于尺度融合的腹部ct多器官的分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8885887B1 (en) * 2012-01-23 2014-11-11 Hrl Laboratories, Llc System for object detection and recognition in videos using stabilization
US20150317788A1 (en) * 2014-04-30 2015-11-05 Mitsubishi Electric Research Laboratories, Inc. Method for Registering Deformable Images Using Random Markov Fields
EP3432263A1 (en) * 2017-07-17 2019-01-23 Siemens Healthcare GmbH Semantic segmentation for cancer detection in digital breast tomosynthesis
CN108062756A (zh) * 2018-01-29 2018-05-22 重庆理工大学 基于深度全卷积网络和条件随机场的图像语义分割方法
CN109448006A (zh) * 2018-11-01 2019-03-08 江西理工大学 一种注意力机制u型密集连接视网膜血管分割方法
CN109903292A (zh) * 2019-01-24 2019-06-18 西安交通大学 一种基于全卷积神经网络的三维图像分割方法及系统
CN109961028A (zh) * 2019-03-15 2019-07-02 西安电子科技大学 基于三维块匹配和全连接条件随机场的sar检测方法
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN111445481A (zh) * 2020-03-23 2020-07-24 江南大学 一种基于尺度融合的腹部ct多器官的分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
廖苗 等: "基于非线性增强和图割的CT序列肝脏肿瘤自动分割", 《计算机辅助设计与图形学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011304A (zh) * 2021-03-12 2021-06-22 山东大学 一种基于注意力多分辨率网络的人体姿态估计方法及系统
CN113744387A (zh) * 2021-07-27 2021-12-03 上海交通大学 一种医学图像三维重建方法、介质及电子设备
CN113744387B (zh) * 2021-07-27 2024-02-09 上海交通大学 一种医学图像三维重建方法、介质及电子设备
CN116580133A (zh) * 2023-07-14 2023-08-11 北京大学 图像合成方法、装置、电子设备和存储介质
CN116580133B (zh) * 2023-07-14 2023-09-22 北京大学 图像合成方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111968135B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN110473196B (zh) 一种基于深度学习的腹部ct图像目标器官配准方法
CN111968135B (zh) 一种基于全卷积网络的三维腹部ct图像多器官配准方法
Qiu et al. Multiple improved residual networks for medical image super-resolution
CN110889853A (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
US20220370033A1 (en) Three-dimensional modeling and assessment of cardiac tissue
CN110363802B (zh) 基于自动分割和骨盆对齐的前列腺图像配准系统及方法
CN113450396B (zh) 基于骨骼特征的三维/二维图像配准方法及装置
CN117078692B (zh) 一种基于自适应特征融合的医疗超声图像分割方法及系统
CN114119689A (zh) 基于深度学习的多模态医学图像无监督配准方法及系统
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
Li et al. 3-D inspection method for industrial product assembly based on single X-ray projections
Dai et al. CAN3D: Fast 3D medical image segmentation via compact context aggregation
CN114663880A (zh) 基于多层级跨模态自注意力机制的三维目标检测方法
CN111476802B (zh) 一种医学图像分割与肿瘤检测方法，设备及可读存储介质
Aja-Fernández et al. Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies
CN116503506B (zh) 一种图像重建方法、系统、装置及存储介质
CN111696167A (zh) 自范例学习引导的单张影像超分辨率重构方法
CN116664590A (zh) 基于动态对比增强磁共振图像的自动分割方法及装置
CN108596900B (zh) 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备
Chen et al. Learning shape priors for single view reconstruction
CN116650115A (zh) 一种基于uwb标记点的骨科手术导航注册方法
CN116128895A (zh) 医学图像分割方法、装置和计算机可读存储介质
CN110570417B (zh) 肺结节分类装置及图像处理设备
CN114708315A (zh) 一种基于深度虚拟对应点生成的点云配准方法及系统
Prabu et al. A statistical deformation model (SDM) based regularizer for non-rigid image registration: application to registration of multimodal prostate MRI and histology

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: 20220606

Address after: 410000 room 105, building 5, R & D headquarters, Central South University Science Park, changzuo Road, Yuelu street, Yuelu District, Changsha City, Hunan Province

Patentee after: Hunan Theo Technology Co.,Ltd.

Address before: 410083 College of automation, No. 932, Lushan South Road, Yuelu District, Changsha City, Hunan Province

Patentee before: CENTRAL SOUTH University

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 410000 room 105, building 5, R & D headquarters, Central South University Science Park, changzuo Road, Yuelu street, Yuelu District, Changsha City, Hunan Province

Patentee after: Hunan Tiao Medical Technology Co.,Ltd.

Address before: 410000 room 105, building 5, R & D headquarters, Central South University Science Park, changzuo Road, Yuelu street, Yuelu District, Changsha City, Hunan Province

Patentee before: Hunan Theo Technology Co.,Ltd.