CN112102384A - 一种非刚性医学影像配准方法及系统 - Google Patents
一种非刚性医学影像配准方法及系统 Download PDFInfo
- Publication number
- CN112102384A CN112102384A CN202011097668.4A CN202011097668A CN112102384A CN 112102384 A CN112102384 A CN 112102384A CN 202011097668 A CN202011097668 A CN 202011097668A CN 112102384 A CN112102384 A CN 112102384A
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- floating
- floating image
- spline
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000011524 similarity measure Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明属于图像处理领域，提供了一种非刚性医学影像配准方法及系统。其中，非刚性医学影像配准方法包括提取参考图像和浮动图像的特征点，对浮动图像进行粗配准，得到浮动图像的初始位置；将参考图像和浮动图像对应的特征点作为B样条能量场的控制点，采用局部区域多层次非均匀B样条对浮动图像进行精细配准；计算配准后的参考图像和浮动图像的相似性测度，判断是否符合预设相似性测度，若是，则输出配准参数；否则，调整局部区域多层次非均匀B样条参数继续对浮动图像进行精细配准，直至符合预设相似性测度。其采用局部区域多层次非均匀B样条，针对配准效果不佳的区域对网格进一步细化，从而改善配准的精度和效率问题。
Description
技术领域
本发明属于图像处理领域，尤其涉及一种非刚性医学影像配准方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来，服务机器人发展迅速，尤其是医学手术机器人，手术过程中医生压力大，有时很精密的位置需要医生手动进行操作，不仅耗时还有可能出现误操作，自动化程度低。在放疗手术过程中，引入放疗手术机器人辅助医生进行操作，可大大提升手术质量，而穿刺过程中，需要精准找到病例位置，因此希望在术前医学影像中提前规划好路径，然后手术过程中机器人自动根据规划好的路径协助医生进行操作。发明人发现，人体很多器官的形变是不规则的，如肺，肝脏等器官，因此涉及到非刚性配准，影响在手术过程中的机器人规划好的路径与预期待手术路径之间匹配精度以及计算效率。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种非刚性医学影像配准方法及系统，其其采用局部区域多层次非均匀B样条，针对配准效果不佳的区域对网格进一步细化，从而提高配准的精度和效率。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种非刚性医学影像配准方法，其包括：
提取参考图像和浮动图像的特征点，对浮动图像进行粗配准，得到浮动图像的初始位置；
将参考图像和浮动图像对应的特征点作为B样条能量场的控制点，采用局部区域多层次非均匀B样条对浮动图像进行精细配准；
计算配准后的参考图像和浮动图像的相似性测度，判断是否符合预设相似性测度，若是，则输出配准参数；否则，调整局部区域多层次非均匀B样条参数继续对浮动图像进行精细配准，直至符合预设相似性测度。
本发明的第二个方面提供一种非刚性医学影像配准系统，其包括：
粗配准模块，其用于提取参考图像和浮动图像的特征点，对浮动图像进行粗配准，得到浮动图像的初始位置；
精细配准模块，其用于将参考图像和浮动图像对应的特征点作为B样条能量场的控制点，采用局部区域多层次非均匀B样条对浮动图像进行精细配准；
配准评估模块，其用于计算配准后的参考图像和浮动图像的相似性测度，判断是否符合预设相似性测度，若是，则输出配准参数；否则，调整局部区域多层次非均匀B样条参数继续对浮动图像进行精细配准，直至符合预设相似性测度。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的非刚性医学影像配准方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的非刚性医学影像配准方法中的步骤。
与现有技术相比，本发明的有益效果是：
(1)在B样条网格选取过程中，网格间距大，则配准的精度低，网格间距小，则运算效率低且整体效果会粗糙，本发明采用局部区域多层次非均匀B样条对浮动图像进行精细配准，在配准的过程中动态改变网格间距大小，采用局部区域多层次非均匀B样条，针对配准效果不佳的区域对网格进一步细化，从而改善配准的精度和效率问题。
(2)配准后的参考图像和浮动图像计算相似性测度，针对多模态医学影像，采用深度学习方法计算相似性测度可得到较好效果，提高配准精度。
(3)针对多参数优化求解问题，考虑到Powell算法不需要进行求导计算，所以运行速度快，局部能力强，但在一些情况下容易陷入局部极值，提出Powell算法和遗传算法结合，通过遗传算法为Powell算法求解初始值，并结合由粗到细的金字塔多分辨率策略，提高了运算速度，并且防止陷入局部极值。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于SURF算法的配准流程图；
图2是本发明实施例的非刚性医学影像配准方法流程图；
图3是本发明实施例的多层次B样条示意图；
图4是本发明实施例的B样条扭曲示意图；
图5是本发明实施例的深度学习计算相似性度量的过程图；
图6是本发明实施例的遗传算法基本流程。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
基于背景技术中提及到的非刚性配准影响在手术过程中的机器人规划好的路径与预期待手术路径之间匹配精度以及计算效率的问题，本实施例结合SURF特征的B样条配准方法，基于SURF特征提取方法，通过提取到的特征点对参考图像粗配准，可去除全局形变，得到浮动图像的初始位置。如图1，对两幅图像进行SURF特征检测，提取特征点进行匹配，后根据相应的特征点求得配准参数和变换关系。提出使用深度学习的方法计算相似性测度，将神经网络插入到该配准框架中，在B样条配准过程中，提出一种控制网格选取策略，可改善网格选取矛盾以及局部配准精度问题，优化方法的选取方面，将Powell算法和遗传算法结合，并采用金字塔多分辨率策略，加快多参数求解的同时防止陷入局部极值问题。在最终对浮动图像进行变换插值后，使用双边滤波去除边缘模糊问题，双边滤波是一种边缘保护的滤波方法，本发明可以较好的配准肺部等不规则形变的医学影像。
具体地，首先对参考图像和浮动图像进行特征点提取，筛选有效的特征点，然后利用两幅图像之间特征点的对应关系，进行仿射变换，去除不同时刻影响造成的全局形变，然后将对应的特征点作为B样条能量场的控制点，又控制点之间的相对位移便可初步求解出浮动图像相对于参考图像的位移场，从而得到对浮动图像预处理后的初始位置。接下来正式使用B样条控制网格对浮动图像进行精细配准，在B样条网格选取过程中，网格间距大，则配准的精度低，网格间距小，则运算效率低且整体效果会粗糙，因此提出一种新的控制网格选取策略，在配准的过程中动态改变网格间距大小，采用局部区域多层次非均匀B样条，针对配准效果不佳的区域对网格进一步细化，从而改善配准的精度和效率问题。配准后的参考图像和浮动图像计算相似性测度，针对多模态医学影像，采用深度学习方法计算相似性测度可得到较好效果，提高配准精度。针对多参数优化求解问题，考虑到Powell算法不需要进行求导计算，所以运行速度快，局部能力强，但在一些情况下容易陷入局部极值，提出Powell算法和遗传算法结合，通过遗传算法为Powell算法求解初始值，并结合由粗到细的金字塔多分辨率策略，提高了运算速度，并且防止陷入局部极值。
参照图2，本实施例的一种非刚性医学影像配准方法，包括：
步骤1：提取参考图像和浮动图像的特征点，对浮动图像进行粗配准，得到浮动图像的初始位置。
在具体实施中，基于SURF特征提取方法提取参考图像和浮动图像的特征点。SURF具有以下的优点：基于积分图计算，快速关键点提取；不同关键点描述；快速描述子匹配；同时具有旋转、尺度、光照不变性。
进行SURF特征提取后，通过Hausdoff距离匹配特征点，对提取的特征点进行筛选，使用随机抽样一致(RANSAC)方法去除误匹配点，针对肺部图像，仍然还会有明显的误匹配点，因此引入一个函数来约束SURF特征匹配点对，去除误匹配点：
(xi,yi)，(x′i,y′i)分别为两幅图对应匹配点的坐标值，τ为消除阈值。引入该函数可明显消除误匹配点，提高准确性。
步骤2：将参考图像和浮动图像对应的特征点作为B样条能量场的控制点，采用局部区域多层次非均匀B样条对浮动图像进行精细配准。
在具体实施中，多层次B样条配准每一层的变换模型为：
其中φl+m,j+n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，u,v,w对应该点与整数坐标点距离，l,m,n为B样条基函数的次数，Bl,Bm,Bn分别表示l次，m次，n次基函数。
将后一层控制网格的形变与前几层的变换相加就是图像的最终非线性变换，如图3。图4是本发明实施例的B样条扭曲示意图。
其中，I为控制网格层数，
表示第i层的控制网格变换，T(x,y)表示总变换。
先使用间距较大的网格进行粗配准，再利用小网格进行局部的细配准，既能确保足够的精度，又能提高配准的效率。在使用B样条对图像变换后，可能会造成图像边缘处的模糊，因此采用双边滤波方法去除模糊，双边滤波在高斯滤波的基础上加入像素值权重项，即考虑距离因素和像素值的差异。可以在滤波的同时防止滤掉边缘信息。
步骤3：计算配准后的参考图像和浮动图像的相似性测度，判断是否符合预设相似性测度，若是，则输出配准参数；否则，调整局部区域多层次非均匀B样条参数继续对浮动图像进行精细配准，直至符合预设相似性测度。
其中，采用深度学习计算相似性度量，结合B样条变换模型来实现非刚性图像的配准，卷积神经网络模型如图5，传统的度量方法难以用于多模态配准，有的可以但是也存在其他一些不足，深度学习的方法针对多模态图像有较好的效果，优于大部分度量方法，可实现多模影像融合。即使在单模态图像配准中，使用传统度量方法结合深度学习方法可以使最终的配准效果优于单纯使用传统度量方法。深度学习可以补充传统度量方法的不足。
为了确定最优参数集，采用迭代优化策略：
μk+1＝μk+akdk,k＝0,1,2,....
其中，dk是第k次迭代的搜索方向，ak是控制沿搜索方向的步长的标量增益因子。选择搜索方向和增益因子，使得序列{μk}收敛到目标函数的局部最小值。
本实施例提出一种Powell算法结合遗传算法的优化方法，Powell算法是一种无需求导计算目标函数梯度的优化算法，因为这一性质，使其求解极值的计算速度较其他算法更快，很适合这种以互信息为相似性测度的配准求解，但Powell算法也有缺点，容易陷入局部极值，并且最终的优化效果依赖初始点的选取。所以，可以通过遗传算法为Powell算法求解初始值，遗传算法有较好的鲁棒性，可以按照概率进行全局搜索，避免局部极值的产生，弥补了Powell算法的缺点，从而获得全局最优解。遗传算法不需要导数或者其他形式的辅助信息，只需要一个适应度函数，求解目标函数的最大值，可直接让适应度值F(x)等于目标函数f(x)：F(x)＝f(x)，流程图如图6。
实施例二
本实施例提供了一种非刚性医学影像配准系统，其包括：
粗配准模块，其用于提取参考图像和浮动图像的特征点，对浮动图像进行粗配准，得到浮动图像的初始位置；
精细配准模块，其用于将参考图像和浮动图像对应的特征点作为B样条能量场的控制点，采用局部区域多层次非均匀B样条对浮动图像进行精细配准；
配准评估模块，其用于计算配准后的参考图像和浮动图像的相似性测度，判断是否符合预设相似性测度，若是，则输出配准参数；否则，调整局部区域多层次非均匀B样条参数继续对浮动图像进行精细配准，直至符合预设相似性测度。
本实施例的一种非刚性医学影像配准系统中的各个模块的具体实施过程与实施例一所述的一种非刚性医学影像配准方法中的各个步骤的具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的非刚性医学影像配准方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的非刚性医学影像配准方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种非刚性医学影像配准方法，其特征在于，包括：
提取参考图像和浮动图像的特征点，对浮动图像进行粗配准，得到浮动图像的初始位置；
将参考图像和浮动图像对应的特征点作为B样条能量场的控制点，采用局部区域多层次非均匀B样条对浮动图像进行精细配准；
计算配准后的参考图像和浮动图像的相似性测度，判断是否符合预设相似性测度，若是，则输出配准参数；否则，调整局部区域多层次非均匀B样条参数继续对浮动图像进行精细配准，直至符合预设相似性测度。
2.如权利要求1所述的非刚性医学影像配准方法，其特征在于，基于SURF特征提取方法提取参考图像和浮动图像的特征点。
3.如权利要求1所述的非刚性医学影像配准方法，其特征在于，对浮动图像进行粗配准之前，还包括：
筛选有效的特征点。
4.如权利要求3所述的非刚性医学影像配准方法，其特征在于，使用随机抽样一致方法去除误匹配点，筛选出有效的特征点。
5.如权利要求1所述的非刚性医学影像配准方法，其特征在于，将参考图像和浮动图像对应的特征点作为B样条能量场的控制点之前，还包括：
利用参考图像和浮动图像之间特征点的对应关系，进行仿射变换，去除不同时刻影响造成的全局形变。
6.如权利要求1所述的非刚性医学影像配准方法，其特征在于，对浮动图像进行精细配准后得到的图像，采用双边滤波方法去除模糊，双边滤波在高斯滤波的基础上加入像素值权重项。
7.如权利要求1所述的非刚性医学影像配准方法，其特征在于，采用Powell算法结合遗传算法进行计算配准后的参考图像和浮动图像的相似性测度。
8.一种非刚性医学影像配准系统，其特征在于，包括：
粗配准模块，其用于提取参考图像和浮动图像的特征点，对浮动图像进行粗配准，得到浮动图像的初始位置；
精细配准模块，其用于将参考图像和浮动图像对应的特征点作为B样条能量场的控制点，采用局部区域多层次非均匀B样条对浮动图像进行精细配准；
配准评估模块，其用于计算配准后的参考图像和浮动图像的相似性测度，判断是否符合预设相似性测度，若是，则输出配准参数；否则，调整局部区域多层次非均匀B样条参数继续对浮动图像进行精细配准，直至符合预设相似性测度。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的非刚性医学影像配准方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的非刚性医学影像配准方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011097668.4A CN112102384B (zh) | 2020-10-14 | 2020-10-14 | 一种非刚性医学影像配准方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011097668.4A CN112102384B (zh) | 2020-10-14 | 2020-10-14 | 一种非刚性医学影像配准方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102384A true CN112102384A (zh) | 2020-12-18 |
| CN112102384B CN112102384B (zh) | 2024-03-15 |
Family
ID=73784208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011097668.4A Active CN112102384B (zh) | 2020-10-14 | 2020-10-14 | 一种非刚性医学影像配准方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102384B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113822796A (zh) * | 2021-09-18 | 2021-12-21 | 长春理工大学 | 基于改进的图像金字塔的多模态脑部影像配准方法 |
| CN114663362A (zh) * | 2022-03-04 | 2022-06-24 | 强联智创（北京）科技有限公司 | 一种融合方法、装置以及设备 |
| CN115359063A (zh) * | 2022-10-24 | 2022-11-18 | 卡本(深圳)医疗器械有限公司 | 基于目标器官三维图像的刚性配准方法及相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1627095A (zh) * | 2003-12-12 | 2005-06-15 | 中国科学院自动化研究所 | 基于非均匀有理基样条的非刚体脑图像配准方法 |
| CN106558073A (zh) * | 2016-11-23 | 2017-04-05 | 山东大学 | 基于图像特征和tv‑l1的非刚性图像配准方法 |
| CN107194956A (zh) * | 2017-05-16 | 2017-09-22 | 山东大学 | 一种非刚性医学图像配准方法 |
| CN108711168A (zh) * | 2018-06-04 | 2018-10-26 | 中北大学 | 基于zmld与gc离散优化的非刚性多模态医学图像配准方法 |
| CN109215064A (zh) * | 2018-08-03 | 2019-01-15 | 华南理工大学 | 一种基于超像素向导的医学图像配准方法 |
-
2020
- 2020-10-14 CN CN202011097668.4A patent/CN112102384B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1627095A (zh) * | 2003-12-12 | 2005-06-15 | 中国科学院自动化研究所 | 基于非均匀有理基样条的非刚体脑图像配准方法 |
| CN106558073A (zh) * | 2016-11-23 | 2017-04-05 | 山东大学 | 基于图像特征和tv‑l1的非刚性图像配准方法 |
| CN107194956A (zh) * | 2017-05-16 | 2017-09-22 | 山东大学 | 一种非刚性医学图像配准方法 |
| CN108711168A (zh) * | 2018-06-04 | 2018-10-26 | 中北大学 | 基于zmld与gc离散优化的非刚性多模态医学图像配准方法 |
| CN109215064A (zh) * | 2018-08-03 | 2019-01-15 | 华南理工大学 | 一种基于超像素向导的医学图像配准方法 |
Non-Patent Citations (2)
| Title |
|---|
| 别术林: "基于互信息的医学图像配准算法研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 6, pages 30 - 42 * |
| 秦绪佳 等: "局部更新的分层B 样条医学图像非刚性配准算法", 小型微型计算机系统, vol. 37, no. 10, pages 2338 - 2342 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113822796A (zh) * | 2021-09-18 | 2021-12-21 | 长春理工大学 | 基于改进的图像金字塔的多模态脑部影像配准方法 |
| CN113822796B (zh) * | 2021-09-18 | 2023-12-01 | 长春理工大学 | 基于改进的图像金字塔的多模态脑部影像配准方法 |
| CN114663362A (zh) * | 2022-03-04 | 2022-06-24 | 强联智创（北京）科技有限公司 | 一种融合方法、装置以及设备 |
| CN114663362B (zh) * | 2022-03-04 | 2024-03-29 | 强联智创（北京）科技有限公司 | 一种融合方法、装置以及设备 |
| CN115359063A (zh) * | 2022-10-24 | 2022-11-18 | 卡本(深圳)医疗器械有限公司 | 基于目标器官三维图像的刚性配准方法及相关装置 |
| CN115359063B (zh) * | 2022-10-24 | 2023-01-10 | 卡本(深圳)医疗器械有限公司 | 基于目标器官三维图像的刚性配准方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102384B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135503B (zh) | 一种装配机器人零件深度学习识别方法 | |
| CN112102384A (zh) | 一种非刚性医学影像配准方法及系统 | |
| WO2022166800A1 (zh) | 基于深度学习网络的纵隔淋巴引流区的自动勾画方法 | |
| Yang et al. | Deep learning for the classification of lung nodules | |
| CN111986262B (zh) | 一种图像区域定位方法及装置 | |
| CN112634256B (zh) | 圆检测及拟合方法、装置、电子设备和存储介质 | |
| CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
| CN110619316A (zh) | 人体关键点检测方法、装置和电子设备 | |
| CN112836820B (zh) | 用于图像分类任务的深度卷积网络训练方法、装置及系统 | |
| CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
| CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 | |
| CN115345938A (zh) | 基于全局到局部的头影标记点定位方法、设备及介质 | |
| CN112907603A (zh) | 一种基于Unet和分水岭算法的细胞实例分割方法 | |
| Park et al. | X-ray image segmentation using multi-task learning | |
| CN112489088A (zh) | 一种基于记忆单元的孪生网络视觉跟踪方法 | |
| CN115578320A (zh) | 一种骨科手术机器人全自动空间注册方法及系统 | |
| CN110163132B (zh) | 一种基于最大响应值变化率更新策略的相关滤波跟踪方法 | |
| CN115239760A (zh) | 一种目标跟踪方法、系统、设备及存储介质 | |
| CN113706514B (zh) | 基于模板图像的病灶定位方法、装置、设备及存储介质 | |
| CN112529915B (zh) | 一种脑肿瘤图像分割方法及系统 | |
| CN109559296B (zh) | 基于全卷积神经网络和互信息的医学图像配准方法及系统 | |
| CN112884792A (zh) | 肺部图像分割的方法、装置、电子设备及存储介质 | |
| CN115994933A (zh) | 一种基于一致性学习的部分点云配准方法 | |
| CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
| CN114581340A (zh) | 一种图像校正方法及设备 |
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 |