CN112288787A - 一种基于生物地理优化的多模态医学图像配准方法 - Google Patents
一种基于生物地理优化的多模态医学图像配准方法 Download PDFInfo
- Publication number
- CN112288787A CN112288787A CN202011067248.1A CN202011067248A CN112288787A CN 112288787 A CN112288787 A CN 112288787A CN 202011067248 A CN202011067248 A CN 202011067248A CN 112288787 A CN112288787 A CN 112288787A
- Authority
- CN
- China
- Prior art keywords
- image
- iter
- preprocessed
- patient
- patient part
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06T7/38—Registration of image sequences
-
- 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]
Abstract
本发明提出了一种基于生物地理优化的多模态医学图像配准方法。将同一病人部位的CT图像和MR图像输入到医学图像配准系统中进行预处理得到预处理后病人部位的CT图像和MR图像；根据预处理后病人部位的CT图像计算信息熵，根据预处理后病人部位的MR图像计算信息熵，计算预处理后病人的CT图像与MR图像的联合信息熵，进一步计算标准化互信息；将预处理后病人部位的CT图像与MR图像的标准化互信息作为适应度值，根据适应度值通过优化方法多次迭代更新变化矩阵，当达到最大迭代次数或者适应度值大于适应度阈值则结束迭代得到最优变化矩阵，将MR图像应用最优变换矩阵实现与CT图像的配准。本发明配准精度高，稳定性强。
Description
技术领域
本申请属于医学图像配准技术领域，涉及一种基于生物地理优化的多模态医学图像配准方法。
背景技术
医学影像设备在近年来得到了飞速发展,并广泛应用于临床诊断和治疗。由于设备的成像原理不同,存在着多种模态图像,主要分为解剖图像和功能图像两大类,这两类图像为医生诊断提供了不同的信息。单模态的医学图像不能提供医生所需要的足够信息，因此对于多模态医学图像的配准和融合有着十分重要的意义。多模态医学图像配准是近年来医学图像处理领域中的重要研究问题,通过寻找某种适当的变换模型,使两幅图像达到空间位置上的定位和配准,进而进行图像融合。医学图像配准在临床诊断、治疗、质量保证和疗效评价等方面具有重要的应用价值。
医学图像配准问题主要的过程有：变换，寻找变换模型，相似度评价。其中寻找最优的变换模型是配准问题的关键。目前的研究重点主要集中在寻找最优的变换模型，这是一个优化问题。一般来说，医学图像配准方法可以分为两大类：基于图像特征和基于图像灰度。基于图像特征的配准方法的缺点在于其结果依赖于特征提取算法的可靠性和稳定性。然而，基于图像灰度的配准方法只需要利用图像的像素值信息，可靠性高。因此，基于图像灰度的配准方法是当前研究的重点。
发明内容
本申请针对上述多模态医学图像配准中的优化问题，提出了一种基于生物地理优化的多模态医学图像配准方法，包括以下步骤：
步骤1：获取病人部位的CT图像、病人部位的MR图像，将病人部位的CT图像分别进行预处理得到预处理后病人部位的CT图像，将病人部位的MR图像输入到医学图像配准系统中进行预处理得到预处理后病人部位的MR图像；
步骤2：根据预处理后病人部位的CT图像计算预处理后病人部位的CT图像的信息熵，根据预处理后病人部位的MR图像计算预处理后病人部位的MR图像的信息熵，计算预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵，进一步计算预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息；
步骤3：将预处理后病人部位的CT图像与预处理后病人部位的MR图像的标准化互信息作为适应度值，根据适应度值通过多次迭代更新变化矩阵，当达到最大迭代次数或者适应度值大于适应度阈值则得到最优变化矩阵。
作为优选，步骤1所述将病人部位的CT图像进行预处理，具体为：
将病人部位的CT图像用降采样的方法进行预处理得到dataCT，dataCT进一步通过归一化处理得到预处理后病人部位的CT图像即PX_CT，PX_CT像素值归一化的取值范围是[1,MAX]，MAX为最大像素值；
步骤1所述将病人部位的MR图像进行预处理，具体为：
将病人部位的MR图像用降采样的方法进行预处理得到dataMR，dataMR进一步通过归一化处理得到预处理后病人部位的MR图像即PX_MR，PX_MR像素值归一化的取值范围是[1,MAX]，MAX为最大像素值；
步骤1所述预处理后病人部位的CT图像表示为PX_CT，具体定义为：
PX_CT(i,j,k)
i∈[1,M],j∈[1,N],k∈[1,K]
其中，PX_CT(i,j,k)表示第k个切片CT图像中第i行第j列的像素值，M为CT图像的行数，N为CT图像的列数,K为CT图像的切片数；
步骤1所述预处理后病人部位的MR图像表示为PX_MR，具体定义为：
PX_MR(i,j,k)
i∈[1,M],j∈[1,N],k∈[1,K]
其中，PX_MR(i,j,k)表示第k个切片MR图像中第i行第j列的像素值，M为MR图像的行数，N为MR图像的列数,K为MR图像的切片数；
作为优选，步骤2所述计算预处理后病人部位的CT图像的信息熵表示为：
步骤2所述计算预处理后病人部位的MR图像的信息熵表示为：
其中，P(PX_CT)表示为像素值PX_CT在预处理后病人部位的CT图像中出现的概率，P(PX_MR)表示为像素值PX_MR在预处理后病人部位的MR图像中出现的概率，G∈[1,MAX]，MAX为最大像素值；
步骤2所述计算预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵表示为：
其中，P(PX_CT，PX_MR)表示为(PX_CT，PX_MR)在预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的联合概率；
所述预处理后病人部位的CT图像中出现的概率表示为：
P(PX_CT)＝f(PX_CT)/K*M*N
预处理后病人部位的MR图像中出现的概率表示为：
P(PX_MR)＝f(PX_MR)/K*M*N
其中，K*M*N表示图像的总的像素个数，M为图像行数，N为图像列数，K为图像切片数；f(PX_CT)表示统计像素值PX_CT在预处理后病人部位的CT图像中出现的总次数、f(PX_MR)表示统计像素值PX_MR在预处理后病人部位的MR图像中出现的次数。
所述预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的联合概率表示为：
P(PX_CT，PX_MR)＝f(PX_CT，PX_MR)/2*K*M*N
其中，f(PX_CT,PX_MR)表示统计像素值对(PX_CT,PX_MR)在预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的次数；
步骤2所述进一步计算预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息为：
其中，H(PX_CT)为预处理后病人部位的CT图像的信息熵,H(PX_MR)为预处理后病人部位的MR图像的信息熵，H(PX_CT,PX_MR)为预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵；
预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息也可定义为NMI，NMI的取值范围在[0,1]，NMI的值越逼近1，则两幅图像就越相似；
作为优选，步骤3所述适应度值为NMIiter，iter∈[1,Nmax]，NMIiter表示第iter次迭代的适应度值，Nmax为最大迭代次数；
步骤3所述根据适应度值通过多次迭代更新变化矩阵为：
随机初始化M个体的种群，p1，p2,…pM；
种群中每个个体代表一个解向量为：
SIViter,n＝(txiter,n,tyiter,n,tziter,n,αiter,n，βiter,n，iter,nγ)；
iter∈[1,Nmax]，n∈[1,M]
其中，Nmax为最大迭代次数，M表示种群中个体的数量，txiter,n表示第iter次迭代时种群中第n个个体沿X坐标轴的偏移量，tyiter,n表示第iter次迭代时种群中第n个个体沿Y坐标轴的偏移量，tziter,n表示第iter次迭代时种群中第n个个体沿Z坐标轴的偏移量，αiter,n表示第iter次迭代时种群中第n个个体绕X轴的旋转量，βiter,n表示第iter次迭代时种群中第n个个体绕Y轴的旋转量，γiter,n表示第iter次迭代时种群中第n个个体绕Z轴的旋转量；
种群中个体构建的变换矩阵T表示为：
其中，txiter,n表示第iter次迭代时种群中第n个个体沿X坐标轴的偏移量，tyiter,n表示第iter次迭代时种群中第n个个体沿Y坐标轴的偏移量，tziter,n表示第iter次迭代时种群中第n个个体沿Z坐标轴的偏移量，αiter,n表示第iter次迭代时种群中第n个个体绕X轴的旋转量，βiter,n表示第iter次迭代时种群中第n个个体绕Y轴的旋转量，γiter,n表示第iter次迭代时种群中第n个个体绕Z轴的旋转量；
种群中每个个体分别使用全迁移混合操作算子更新解向量，得到新的变换矩阵T；
预处理后病人部位的MR图像即PX_MR经过Titer变换后与预处理后病人部位的CT图像即PX_CT通过步骤2计算得到标准化互信息作为第iter次迭代的适应度值即NMIiter；
若NMIiter＜NMIiter-1，则使用回退操作算子将不利的迁移操作撤回,SIViter,n＝SIViter-1,n；
对未更新的个体使用粒子群的更新方式更新；
当达到设定的最大迭代次数或者大于等于设定的相似度NMI阈值时，则停止迭代，此时能获得最大NMI的个体得到最优的变换矩阵即Tbest,；
将预处理后病人部位的MR图像即PX_MR经过Tbest变换后实现与预处理后病人部位的CT图像即PX_CT图像之间的配准。
本申请有益效果是：本文提出了一种新的基于生物地理优化的多模态医学图像配准方法，用于医学图像配准系统。本发明是基于灰度值，只需要利用图像的像素信息，可以将不同设备，不同时间采集的病人同一部位的图像融合在一起，配准效果好，方法易于实现。
附图说明
图1：是本发明方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本申请，下面结合附图及实施例对本申请作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本申请，并不用于限定本申请。
请见图1，本发明方法流程图。下面结合图1介绍本发明的具体实施方式：
步骤1：获取病人部位的CT图像、病人部位的MR图像，将病人部位的CT图像分别进行预处理得到预处理后病人部位的CT图像，将病人部位的MR图像输入到医学图像配准系统中进行预处理得到预处理后病人部位的MR图像；
步骤1所述将病人部位的CT图像进行预处理，具体为：
将病人部位的CT图像用降采样的方法进行预处理得到dataCT，dataCT进一步通过归一化处理得到预处理后病人部位的CT图像即PX_CT，PX_CT像素值归一化的取值范围是[1,MAX]，MAX＝255为最大像素值；
步骤1所述将病人部位的MR图像进行预处理，具体为：
将病人部位的MR图像用降采样的方法进行预处理得到dataMR，dataMR进一步通过归一化处理得到预处理后病人部位的MR图像即PX_MR，PX_MR像素值归一化的取值范围是[1,MAX]，MAX＝255为最大像素值；
步骤1所述预处理后病人部位的CT图像表示为PX_CT，具体定义为：
PX_CT(i,j,k)
i∈[1,M],j∈[1,N],k∈[1,K]
其中，PX_CT(i,j,k)表示第k个切片CT图像中第i行第j列的像素值，M为CT图像的行数，N为CT图像的列数,K为CT图像的切片数；
步骤1所述预处理后病人部位的MR图像表示为PX_MR，具体定义为：
PX_MR(i,j,k)
i∈[1,M],j∈[1,N],k∈[1,K]
其中，PX_MR(i,j,k)表示第k个切片MR图像中第i行第j列的像素值，M为MR图像的行数，N为MR图像的列数,K为MR图像的切片数
步骤2：根据预处理后病人部位的CT图像计算预处理后病人部位的CT图像的信息熵，根据预处理后病人部位的MR图像计算预处理后病人部位的MR图像的信息熵，计算预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵，进一步计算预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息；
步骤2所述计算预处理后病人部位的CT图像的信息熵表示为：
步骤2所述计算预处理后病人部位的MR图像的信息熵表示为：
其中，P(PX_CT)表示为像素值PX_CT在预处理后病人部位的CT图像中出现的概率，P(PX_MR)表示为像素值PX_MR在预处理后病人部位的MR图像中出现的概率，G∈[1,MAX]，MAX＝255为最大像素值；
步骤2所述计算预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵表示为：
其中，P(PX_CT，PX_MR)表示为(PX_CT，PX_MR)在预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的联合概率；
所述预处理后病人部位的CT图像中出现的概率表示为：
P(PX_CT)＝f(PX_CT)/K*M*N
预处理后病人部位的MR图像中出现的概率表示为：
P(PX_MR)＝f(PX_MR)/K*M*N
其中，K*M*N表示图像的总的像素个数，M为图像行数，N为图像列数，K为图像切片数；f(PX_CT)表示统计像素值PX_CT在预处理后病人部位的CT图像中出现的总次数、f(PX_MR)表示统计像素值PX_MR在预处理后病人部位的MR图像中出现的次数。
所述预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的联合概率表示为：
P(PX_CT，PX_MR)＝f(PX_CY，PX_MR)/2*K*M*N
其中，f(PX_CT,PX_MR)表示统计像素值对(PX_CT,PX_MR)在预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的次数；
步骤2所述进一步计算预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息为：
其中，H(PX_CT)为预处理后病人部位的CT图像的信息熵,H(PX_MR)为预处理后病人部位的MR图像的信息熵，H(PX_CT,PX_MR)为预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵；
预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息也可定义为NMI，NMI的取值范围在[0,1]，NMI的值越逼近1，则两幅图像就越相似；
步骤3：将预处理后病人部位的CT图像与预处理后病人部位的MR图像的标准化互信息作为适应度值，根据适应度值通过多次迭代更新变化矩阵，当达到最大迭代次数或者适应度值大于适应度阈值则得到最优变化矩阵；
步骤3所述适应度值为NMIiter，iter∈[1,Nmax]，NMIiter表示第iter次迭代的适应度值，Nmax为最大迭代次数；
步骤3所述根据适应度值通过多次迭代更新变化矩阵为：
随机初始化M个体的种群，p1，p2,…pM；
种群中每个个体代表一个解向量为：
SIViter,n＝(txiter,n,tyiter,n,tziter,n,αiter,n，βiter,n，γiter,n)；
iter∈[1,Nmax]，n∈[1,M]
其中，Nmax为最大迭代次数，M表示种群中个体的数量，txiter,n表示第iter次迭代时种群中第n个个体沿X坐标轴的偏移量，tyiter,n表示第iter次迭代时种群中第n个个体沿Y坐标轴的偏移量，tziter,n表示第iter次迭代时种群中第n个个体沿Z坐标轴的偏移量，αiter,n表示第iter次迭代时种群中第n个个体绕X轴的旋转量，βiter,n表示第iter次迭代时种群中第n个个体绕Y轴的旋转量，γiter,n表示第iter次迭代时种群中第n个个体绕Z轴的旋转量；
种群中个体构建的变换矩阵T的齐次矩阵表示为：
其中，txiter,n表示第iter次迭代时种群中第n个个体沿X坐标轴的偏移量，tyiter,n表示第iter次迭代时种群中第n个个体沿Y坐标轴的偏移量，tziter,n表示第iter次迭代时种群中第n个个体沿Z坐标轴的偏移量，αiter,n表示第iter次迭代时种群中第n个个体绕X轴的旋转量，βiter,n表示第iter次迭代时种群中第n个个体绕Y轴的旋转量，γiter,n表示第iter次迭代时种群中第n个个体绕Z轴的旋转量；
种群中每个个体分别使用全迁移混合操作算子更新解向量，得到新的变换矩阵T；
预处理后病人部位的MR图像即PX_MR经过Titer变换后与预处理后病人部位的CT图像即PX_CT通过步骤2计算得到标准化互信息作为第iter次迭代的适应度值即NMIiter；
若NMIiter＜NMIiter-1，则使用回退操作算子将不利的迁移操作撤回,SIViter,n＝SIViter-1,n；
对未更新的个体使用粒子群的更新方式更新；
当达到设定的最大迭代次数或者大于等于设定的相似度NMI阈值时，则停止迭代，此时能获得最大NMI的个体得到最优的变换矩阵即Tbest,；
将预处理后病人部位的MR图像即PX_MR经过Tbest变换后实现与预处理后病人部位的CT图像即PX_CT图像之间的配准。
请见表1，本实验结果表明基于生物地理优化的多模态医学图像配准方法能在更多的场景例子中获得最优结果。
表1：是基于生物地理优化的多模态医学图像配准方法与当前最新的算法从量化的角度的实验结果对比
应当理解的是，本申请书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是
对本申请专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本申请权利要求所保护的范围情况下，还可以做出替换或变形，均落入本申请的保护范围之内，本申请的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种基于生物地理优化的多模态医学图像配准方法，其特征在于，包括以下步骤：
步骤1：获取病人部位的CT图像、病人部位的MR图像，将病人部位的CT图像分别进行预处理得到预处理后病人部位的CT图像，将病人部位的MR图像输入到医学图像配准系统中进行预处理得到预处理后病人部位的MR图像；
步骤2：根据预处理后病人部位的CT图像计算预处理后病人部位的CT图像的信息熵，根据预处理后病人部位的MR图像计算预处理后病人部位的MR图像的信息熵，计算预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵，进一步计算预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息；
步骤3：将预处理后病人部位的CT图像与预处理后病人部位的MR图像的标准化互信息作为适应度值，根据适应度值通过多次迭代更新变化矩阵，当达到最大迭代次数或者适应度值大于适应度阈值则得到最优变化矩阵。
2.根据权利要求1所述的基于生物地理优化的多模态医学图像配准方法，其特征在于：
步骤1所述将病人部位的CT图像进行预处理，具体为：
将病人部位的CT图像用降采样的方法进行预处理得到dataCT，dataCT进一步通过归一化处理得到预处理后病人部位的CT图像即PX_CT，PX_CT像素值归一化的取值范围是[1,MAX]，MAX为最大像素值；
步骤1所述将病人部位的MR图像进行预处理，具体为：
将病人部位的MR图像用降采样的方法进行预处理得到dataMR，dataMR进一步通过归一化处理得到预处理后病人部位的MR图像即PX_MR，PX_MR像素值归一化的取值范围是[1,MAX]，MAX为最大像素值；
步骤1所述预处理后病人部位的CT图像表示为PX_CT，具体定义为：
PX_CT(i,j,k)
i∈[1,M],j∈[1,N],k∈[1,K]
其中，PX_CT(i,j,k)表示第k个切片CT图像中第i行第j列的像素值，M为CT图像的行数，N为CT图像的列数,K为CT图像的切片数；
步骤1所述预处理后病人部位的MR图像表示为PX_MR，具体定义为：
PX_MR(i,j,k)
i∈[1,M],j∈[1,N],k∈[1,K]
其中，PX_MR(i,j,k)表示第k个切片MR图像中第i行第j列的像素值，M为MR图像的行数，N为MR图像的列数,K为MR图像的切片数。
3.根据权利要求1所述的基于生物地理优化的多模态医学图像配准方法，其特征在于：
步骤2所述计算预处理后病人部位的CT图像的信息熵表示为：
步骤2所述计算预处理后病人部位的MR图像的信息熵表示为：
其中，P(PX_CT)表示为像素值PX_CT在预处理后病人部位的CT图像中出现的概率，P(PX_MR)表示为像素值PX_MR在预处理后病人部位的MR图像中出现的概率，G∈[1,MAX]，MAX为最大像素值；
步骤2所述计算预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵表示为：
其中，P(PX_CT，PX_MR)表示为(PX_CT，PX_MR)在预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的联合概率；
所述预处理后病人部位的CT图像中出现的概率表示为：
P(PX_CT)＝f(PX_CT)/K*M*N
预处理后病人部位的MR图像中出现的概率表示为：
P(PX_MR)＝f(PX_MR)/K*M*N
其中，K*M*N表示图像的总的像素个数，M为图像行数，N为图像列数，K为图像切片数；f(PX_CT)表示统计像素值PX_CT在预处理后病人部位的CT图像中出现的总次数、f(PX_MR)表示统计像素值PX_MR在预处理后病人部位的MR图像中出现的次数；
所述预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的联合概率表示为：
P(PX_C，PX_MR)＝f(PX_C，PX_MR)/2*K*M*N
其中，f(PX_CT,PX_MR)表示统计像素值对(PX_CT,PX_MR)在预处理后病人部位的CT图像与预处理后病人部位的MR图像中出现的次数；
步骤2所述进一步计算预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息为：
其中，H(PX_CT)为预处理后病人部位的CT图像的信息熵,H(PX_MR)为预处理后病人部位的MR图像的信息熵，H(PX_C,PX_MR)为预处理后病人部位的CT图像与预处理后病人部位的MR图像的联合信息熵；
预处理后病人部位的CT图像与预处理后病人部位的MR图像标准化互信息也可定义为NMI，NMI的取值范围在[0,1]，NMI的值越逼近1，则两幅图像就越相似。
4.根据权利要求1所述的基于生物地理优化的多模态医学图像配准方法，其特征在于：
步骤3所述适应度值为NMIiter，iter∈[1,Nmax]，NMIiter表示第iter次迭代的适应度值，Nmax为最大迭代次数；
步骤3所述根据适应度值通过多次迭代更新变化矩阵为：
随机初始化M个体的种群，p1，p2,…pM；
种群中每个个体代表一个解向量为：
SIViter,n＝(txiter,n,tyiter,n,tziter,n,αiter,n，βiter,n，iter,nγ)；
iter∈[1,Nmax]，n∈[1,M]
其中，Nmax为最大迭代次数，M表示种群中个体的数量，txiter,n表示第iter次迭代时种群中第n个个体沿X坐标轴的偏移量，tyiter,n表示第iter次迭代时种群中第n个个体沿Y坐标轴的偏移量，tziter,n表示第iter次迭代时种群中第n个个体沿Z坐标轴的偏移量，αiter,n表示第iter次迭代时种群中第n个个体绕X轴的旋转量，βiter,n表示第iter次迭代时种群中第n个个体绕Y轴的旋转量，γiter,n表示第iter次迭代时种群中第n个个体绕Z轴的旋转量；
种群中个体构建的变换矩阵T表示为：
其中，txiter,n表示第iter次迭代时种群中第n个个体沿X坐标轴的偏移量，tyiter,n表示第iter次迭代时种群中第n个个体沿Y坐标轴的偏移量，tziter,n表示第iter次迭代时种群中第n个个体沿Z坐标轴的偏移量，αiter,n表示第iter次迭代时种群中第n个个体绕X轴的旋转量，βiter,n表示第iter次迭代时种群中第n个个体绕Y轴的旋转量，γiter,n表示第iter次迭代时种群中第n个个体绕Z轴的旋转量；
种群中每个个体分别使用全迁移混合操作算子更新解向量，得到新的变换矩阵T；
预处理后病人部位的MR图像即PX_MR经过Titer变换后与预处理后病人部位的CT图像即PX_CT通过步骤2计算得到标准化互信息作为第iter次迭代的适应度值即NMIiter；
若NMIiter＜NMIiter-1，则使用回退操作算子将不利的迁移操作撤回,SIViter,n＝SIViter-1,n；
对未更新的个体使用粒子群的更新方式更新；
当达到设定的最大迭代次数或者大于等于设定的相似度NMI阈值时，则停止迭代，此时能获得最大NMI的个体得到最优的变换矩阵即Tbest,；
将预处理后病人部位的MR图像即PX_MR经过Tbest变换后实现与预处理后病人部位的CT图像即PX_CT图像之间的配准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011067248.1A CN112288787A (zh) | 2020-10-05 | 2020-10-05 | 一种基于生物地理优化的多模态医学图像配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011067248.1A CN112288787A (zh) | 2020-10-05 | 2020-10-05 | 一种基于生物地理优化的多模态医学图像配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288787A true CN112288787A (zh) | 2021-01-29 |
Family
ID=74422903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011067248.1A Pending CN112288787A (zh) | 2020-10-05 | 2020-10-05 | 一种基于生物地理优化的多模态医学图像配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288787A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379811A (zh) * | 2021-06-23 | 2021-09-10 | 武汉大学 | 一种基于烟花算法增强珊瑚礁优化的多模态医学图像配准方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104237961A (zh) * | 2014-09-25 | 2014-12-24 | 同方威视技术股份有限公司 | 一种安检机物品追踪装置和方法 |
| CN106204415A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 一种新型的图像配准方法 |
| 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 |
| CN110580710A (zh) * | 2019-08-21 | 2019-12-17 | 深圳码隆科技有限公司 | 物体追踪方法、装置、计算机可读存储介质和计算机设备 |
-
2020
- 2020-10-05 CN CN202011067248.1A patent/CN112288787A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104237961A (zh) * | 2014-09-25 | 2014-12-24 | 同方威视技术股份有限公司 | 一种安检机物品追踪装置和方法 |
| CN106204415A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 一种新型的图像配准方法 |
| 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 |
| CN110580710A (zh) * | 2019-08-21 | 2019-12-17 | 深圳码隆科技有限公司 | 物体追踪方法、装置、计算机可读存储介质和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| YILINCHEN ET AL.: "A full migration BBO algorithm with enhanced population quality bounds for multimodal biomedical image registration", 《APPLIED SOFT COMPUTING》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379811A (zh) * | 2021-06-23 | 2021-09-10 | 武汉大学 | 一种基于烟花算法增强珊瑚礁优化的多模态医学图像配准方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
| CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
| CN110544285B (zh) | 一种矫正头部ct图像中头部位置的方法 | |
| CN108520542B (zh) | 一种pet/ct数据时相匹配的重建方法 | |
| CN113826143A (zh) | 特征点检测 | |
| CN111311655B (zh) | 多模态图像配准方法、装置、电子设备、存储介质 | |
| Cates et al. | Particle-based shape analysis of multi-object complexes | |
| US20200105414A1 (en) | Information processing apparatus, information processing system, information processing method, and non-transitory computer-readable storage medium | |
| US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
| CN109741254B (zh) | 字典训练及图像超分辨重建方法、系统、设备及存储介质 | |
| CN114334130B (zh) | 一种基于脑对称性的pet分子影像计算机辅助诊断系统 | |
| CN112288787A (zh) | 一种基于生物地理优化的多模态医学图像配准方法 | |
| EP4293618A1 (en) | Brain identifier positioning system and method | |
| Nguyen et al. | 3D Unet generative adversarial network for attenuation correction of SPECT images | |
| CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
| CN113989110A (zh) | 肺部图像配准方法、装置、计算机设备和存储介质 | |
| US20040101180A1 (en) | Automated method of patient recognition using chest radiographs | |
| CN116721289A (zh) | 基于自监督聚类对比学习的宫颈oct图像分类方法及系统 | |
| Ünlü et al. | Classification of skin images with respect to melanoma and nonmelanoma using the deep neural network | |
| CN113379811A (zh) | 一种基于烟花算法增强珊瑚礁优化的多模态医学图像配准方法 | |
| Xu et al. | Metal artifact reduction for oral and maxillofacial computed tomography images by a generative adversarial network | |
| CN113920177A (zh) | 一种三维影像迭代配准方法 | |
| JP2023019113A (ja) | 画像処理装置、画像処理方法およびプログラム | |
| CN109712152B (zh) | 基于矢量值活动轮廓模型的多模态医学图像分割方法 | |
| CN111863205A (zh) | 一种精准图像识别系统及图像识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |