CN112508881A - 一种颅内血管图像配准方法 - Google Patents

一种颅内血管图像配准方法 Download PDF

Info

Publication number
CN112508881A
CN112508881A CN202011324178.3A CN202011324178A CN112508881A CN 112508881 A CN112508881 A CN 112508881A CN 202011324178 A CN202011324178 A CN 202011324178A CN 112508881 A CN112508881 A CN 112508881A
Authority
CN
China
Prior art keywords
image
blood
pyramid
bright
gaussian
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.)
Withdrawn
Application number
CN202011324178.3A
Other languages
English (en)
Inventor
贾艳楠
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.)
Xian Cresun Innovation Technology Co Ltd
Original Assignee
Xian Cresun Innovation Technology 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 Xian Cresun Innovation Technology Co Ltd filed Critical Xian Cresun Innovation Technology Co Ltd
Priority to CN202011324178.3A priority Critical patent/CN112508881A/zh
Publication of CN112508881A publication Critical patent/CN112508881A/zh
Withdrawn legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种颅内血管图像配准方法，包括：获取颅内血管待配准的若干个图像对，每个图像对包括一个亮血图像和一个增强黑血图像；对每个图像对中的亮血图像和增强黑血图像进行预处理，得到该图像对的第一亮血图像和第一黑血图像；选取预处理后的部分图像对作为测试图像对；对每个测试图像对中的第一亮血图像和第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中第一亮血图像对应的旋转矩阵；获得所有测试图像对的旋转矩阵的均值；利用旋转矩阵的均值，对除测试图像对之外的、其余预处理后的图像对中的第一亮血图像进行坐标变换，完成图像配准。本发明方法可提高颅内血管图像的配准精度和配准速度。

Description

一种颅内血管图像配准方法
技术领域
本发明属于图像处理领域，具体涉及一种颅内血管图像配准方法。
背景技术
在2019年6月，《柳叶刀》上发表的一篇论文深入分析了中国共34个省份的居民在近三十年间的死亡原因，经研究发现，高居中国人死亡原因第一位的是中风。中风又称为脑卒中，是由于颅内血管堵塞或发生破裂，影响血液正常流通，进而导致的梗死性疾病，如脑出血、脑梗等，如果治疗不及时，患者很可能发生死亡；而即使治疗及时，也有可能导致患者残疾。
目前临床上对于颅内血管病变程度与血管狭窄化程度的评估，通常使用基于管腔成像的方法，如数字减影血管造影术(Digital Subtraction Angiography,DSA)、CT血管成像(Computed Tomography Angiography,CTA)、磁共振血管成像(Magnetic ResonanceAngiography,MRA)以及高分辨率磁共振血管成像(High-Resolution Magnetic ResonanceAngiography,HRMRA)等。
颅内动脉血管与颈动脉和椎动脉相连，在脑底部形成环状结构，结构形态特殊，走形曲折，且管壁厚度极薄。通过磁共振血管成像技术(MRA或HRMRA)，能够清晰地描绘出颅内动脉血管的路径。根据磁共振图像中血液的亮暗程度，扫描序列可以分为亮血序列和黑血序列两种，亮血序列中的血液显示为亮色，周围组织为黑色；黑血序列中的血液显示为黑色，周围组织为亮色。亮血序列对应的亮血图像可以准确地描述血液状态，但由于管壁结构为低信号，不能清晰地观测到血管壁结构；黑血序列使用预饱和技术，消除血液的磁共振信号，激励血管壁结构来产生高信号，对应的黑血图像更有利于观测管壁结构。因此，医生一般是通过观察两种序列的图像，对颅内血管的病变位置以及病变程度进行综合判断。
但是黑血序列和亮血序列的扫描方向不同，导致最终的磁共振成像层面不同。因此，医生在观察这两种图像时，需要进行必要的空间想象来理解，这无疑加大了处理难度和处理时间，不利于医生简便、快速地得到诊断所需的综合信息。
发明内容
为了方便医生理解黑血序列和亮血序列对应的颅内血管图像，简便、快速地得到诊断所需的综合信息。本发明实施例提供了一种颅内血管图像配准方法。包括：
获取颅内血管待配准的若干个图像对，每个图像对包括一个亮血图像和一个增强黑血图像；
对每个图像对中的所述亮血图像和所述增强黑血图像进行预处理，得到该图像对的第一亮血图像和第一黑血图像；
选取预处理后的部分图像对作为测试图像对；
对每个测试图像对中的所述第一亮血图像和所述第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵；
获得所有测试图像对的旋转矩阵的均值；
利用所述旋转矩阵的均值，对除所述测试图像对之外的、其余预处理后的图像对中的所述第一亮血图像进行坐标变换，完成图像配准。
可选的，所述对每个图像对中的所述亮血图像和所述增强黑血图像进行预处理，得到该图像对的第一亮血图像和第一黑血图像，包括：
针对每个图像对，以所述增强黑血图像为基准，将所述亮血图像进行坐标变换和图像插值，使用基于互信息的相似性度量，并采用预定搜索策略，得到预配准后的第一亮血图像；
从所述增强黑血图像中，提取与所述第一亮血图像的扫描范围相同的区域内容，形成第一黑血图像。
可选的，所述从所述增强黑血图像中，提取与所述第一亮血图像的扫描范围相同的区域内容，形成第一黑血图像，包括：
获得所述第一亮血图像中血管的边缘轮廓信息；
在所述边缘轮廓信息中，提取横坐标、纵坐标的最小值和最大值，基于获得的四个坐标值确定初始提取边框；
在所述第一亮血图像的尺寸范围内，将所述初始提取边框沿四个方向分别扩大预设数量个像素大小，得到最终提取边框；
在所述增强黑血图像中提取所述最终提取边框中对应的区域内容，形成第一黑血图像。
可选的，所述选取预处理后的部分图像对作为测试图像对，包括：
采用高斯分布抽样选取预处理后的部分图像对作为测试图像对。
可选的，所述对每个测试图像对中的所述第一亮血图像和所述第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵，包括：
针对每个测试图像对，基于下采样处理，由所述第一亮血图像得到亮血高斯金字塔，由所述第一黑血图像得到黑血高斯金字塔；其中，所述亮血高斯金字塔和所述黑血高斯金字塔中包括从下至上分辨率依次变小的m个图像；m为大于3的自然数；
基于上采样处理，利用所述亮血高斯金字塔得到亮血拉普拉斯金字塔，利用所述黑血高斯金字塔得到黑血拉普拉斯金字塔；其中，所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中包括从下至上分辨率依次变小的m-1个图像；
对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中对应层的图像进行配准，得到配准的亮血拉普拉斯金字塔；
利用所述配准的亮血拉普拉斯金字塔作为叠加信息，对所述亮血高斯金字塔和所述黑血高斯金字塔中各层图像进行自上而下的配准，得到配准的亮血高斯金字塔，并得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵。
可选的，所述基于下采样处理，由所述第一亮血图像得到亮血高斯金字塔，由所述第一黑血图像得到黑血高斯金字塔，包括：
获取第i层的输入图像，对所述第i层的输入图像利用高斯内核进行滤波，并删除滤波后图像的偶数行和偶数列，得到高斯金字塔的第i层图像Gi，并将所述第i层图像Gi作为第i+1层的输入图像，得到高斯金字塔的第i+1层图像Gi+1；
其中，i＝1、2，…，m-1；当所述高斯金字塔为亮血高斯金字塔时，第1层的输入图像为所述第一亮血图像，当所述高斯金字塔为黑血高斯金字塔时，第1层的输入图像为所述第一黑血图像。
可选的，所述基于上采样处理，利用所述亮血高斯金字塔得到亮血拉普拉斯金字塔，利用所述黑血高斯金字塔得到黑血拉普拉斯金字塔，包括：
对高斯金字塔的第i+1层图像Gi+1进行上采样，并用数据0填充新增的行和列，得到填充图像；
对所述填充图像利用所述高斯内核进行卷积，获得填充像素的近似值，得到放大图像；
将高斯金字塔的第i层图像Gi与所述放大图像相减，得到拉普拉斯金字塔的第i层图像Li；
其中，当所述高斯金字塔为所述亮血高斯金字塔时，所述拉普拉斯金字塔为所述亮血拉普拉斯金字塔，当所述高斯金字塔为所述黑血高斯金字塔时，所述拉普拉斯金字塔为所述黑血拉普拉斯金字塔。
可选的，所述对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中对应层的图像进行配准，得到配准的亮血拉普拉斯金字塔，包括：
针对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中的每一层，将该层对应的黑血拉普拉斯图像作为参考图像，将该层对应的亮血拉普拉斯图像作为浮动图像，使用基于互信息的相似性度量，，并采用预定搜索策略，实现图像配准，得到配准后的该层亮血拉普拉斯图像；
由配准后的多层亮血拉普拉斯图像，依据分辨率依次减小的顺序，从下至上构成配准的亮血拉普拉斯金字塔；
其中，所述黑血拉普拉斯图像为所述黑血拉普拉斯金字塔中的图像，所述亮血拉普拉斯图像为所述亮血拉普拉斯金字塔中的图像。
可选的，所述利用所述配准的亮血拉普拉斯金字塔作为叠加信息，对所述亮血高斯金字塔和所述黑血高斯金字塔中各层图像进行自上而下的配准，包括：
对所述亮血高斯金字塔和所述黑血高斯金字塔中自上而下的第j层，将该层对应的黑血高斯图像作为参考图像，将该层对应的亮血高斯图像作为浮动图像，使用基于互信息的相似性度量，并采用预定搜索策略，实现图像配准，得到配准后的第j层亮血高斯图像；
将所述配准后的第j层亮血高斯图像进行上采样操作，并与配准后的对应层亮血拉普拉斯图像相加，利用相加后的图像替换所述亮血高斯金字塔中第j+1层的亮血高斯图像；
将第j+1层的黑血高斯图像作为参考图像，将替换后的第j+1层的亮血高斯图像作为浮动图像，使用预定相似性度量及预定搜索策略，实现图像配准，得到配准后的第j+1层亮血高斯图像；
其中j＝1，2，…，m-1，所述黑血高斯图像为所述黑血高斯金字塔中的图像，所述亮血高斯图像为所述亮血高斯金字塔中的图像。
可选的，所述预定搜索策略为(1+1)-ES。
本发明实施例提供的方案中，颅内血管可视为一个刚体，每一张亮血图像的空间坐标变换操作几乎一致，因此可以使用同一个旋转矩阵。因此，一方面选取少量图像对进行亮血图像的图像配准，利用已配准的少量亮血图像的旋转矩阵的均值，对其余图像对的亮血图像进行相同的空间坐标变换，而无需再对其余每张亮血图像求旋转矩阵，因此可以加速图像配准过程。另一方面，在图像配准过程中，基于互信息作为相似性度量，并采用图像金字塔算法增加模型复杂度，可以提高配准精度和速度。相比现有技术中，观察颅内血管的亮血图像和黑血图像需要医生凭着空间想象和主观经验。本发明实施例采用图像配准方法可以将亮血图像和增强黑血图像统一在相同坐标系下，可以方便医生理解黑血序列和亮血序列对应的颅内血管图像，简便、快速地得到诊断所需的综合信息，为后续的医疗诊断、制定手术计划、放射治疗计划等提供准确可靠的参考信息。同时，该图像配准可以作为很多后续图像处理的预处理步骤，如图像分割、图像融合等等，有利于后续对颅内血管图像的进一步处理。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种颅内血管图像配准方法的流程示意图；
图2为本发明实施例的颅内血管磁共振图像坐标变换示意图；
图3为本发明实施例的两种搜索策略配准对比结果；
图4为本发明实施例的颅内血管磁共振图像经过预配准后的结果图；
图5为本发明实施例的颅内血管磁共振图像的待配准区域示意图；
图6分别为本发明实施例的颅内血管磁共振图像的亮血高斯金字塔和黑血高斯金字塔；
图7分别为本发明实施例的颅内血管磁共振图像的亮血拉普拉斯金字塔和黑血拉普拉斯金字塔；
图8为本发明实施例的颅内血管磁共振图像的拉普拉斯金字塔图像的配准结果；
图9为本发明实施例的颅内血管磁共振图像基于互信息的高斯金字塔图像配准步骤示意图；
图10为本发明实施例的不同迭代次数下的归一化互信息；
图11为包含互信息金字塔方法的多种配准方法的颅内血管磁共振图像的配准结果；
图12为本发明实施例方法与互信息金字塔方法的颅内血管磁共振图像的配准结果；
图13为本发明实施例所提供的一种颅内血管图像配准装置的结构示意图；
图14为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
为了方便医生理解黑血序列和亮血序列对应的颅内血管图像，简便、快速地得到诊断所需的综合信息。本发明实施例提供了一种颅内血管图像配准方法。
需要说明的是，本发明实施例所提供的一种颅内血管图像配准方法的执行主体可以为一种颅内血管图像配准装置，该颅内血管图像配准装置可以运行于电子设备中。其中，该电子设备可以为血管成像设备，或者一图像处理设备，当然并不局限于此。
第一方面，本发明实施例提供一种颅内血管图像配准方法。下面，首先对该颅内血管图像配准进行介绍。
如图1所示，本发明实施例所提供的一种颅内血管图像配准方法，可以包括如下步骤：
S1，获取颅内血管待配准的若干个图像对，每个图像对包括一个亮血图像和一个增强黑血图像；
具体的，针对颅内血管部位，获取使用磁共振血管成像技术进行亮血序列扫描得到的若干个亮血图像，获取使用磁共振血管成像技术进行黑血序列扫描得到的若干个增强黑血图像。相同扫描时间的亮血图像和增强黑血图像为一个图像对，从而可以获取颅内血管待配准的若干个图像对。本发明实施例中，磁共振血管成像技术优选为HRMRA。
增强黑血图像为：针对已注入顺磁性造影剂的血管部位，使用黑血序列扫描得到的图像。
黑血序列是测量血管壁厚与识别血管病变的有效方法，在临床上，为更清晰地反映出血管腔的真实解剖形态，常为患者注射顺磁性造影剂，通过减小血液的T1值，减轻血液状态对成像结果的影响，增强血液与静止组织的对比度，从而能够更加清楚地展现使用黑血序列扫描得到的血管结构。本发明实施例使用黑血序列扫描得到的增强黑血图像，相较于直接使用黑血序列扫描得到的黑血图像，颅内血管壁结构显示更加清晰，并且能够清晰地反应动脉斑块的炎症反应与不稳定性。
需要说明的是，为提高本发明实施例的后续配准精度，患者在扫描成像的过程中应该尽量减少身体运动，避免造成太大的空间位置误差，以及生成太多的运动伪影。
S2，对每个图像对中的所述亮血图像和所述增强黑血图像进行预处理，得到该图像对的第一亮血图像和第一黑血图像；
该步骤中，可选的，对每个图像对中的所述亮血图像和所述增强黑血图像进行预处理，得到该图像对的第一亮血图像和第一黑血图像，可以包括：
第一步，针对每个图像对，以所述增强黑血图像为基准，将所述亮血图像进行坐标变换和图像插值，使用基于互信息的相似性度量，并采用预定搜索策略，得到预配准后的第一亮血图像；
该步骤实际上是对亮血图像以增强黑血图像为基准进行的图像预配准。
增强黑血图像是按冠状面扫描成像的，而亮血图像却是按轴状面扫描成像的，序列扫描方向的不同导致两者最终的磁共振成像层面不同，因此需要通过坐标变换来实现在一个标准参考坐标系下观察不同成像层面的磁共振图像。
可以利用医学图像DICOM(Digital Imaging and Communications in Medicine,医学数字成像与通信)文件中的方向信息实现颅内血管图像的坐标变换。DICOM文件是CT或核磁共振等医疗设备的图像保存格式，DICOM标准中存储的内容除了图像信息，还包括患者的个人数据、图像层厚、时间戳、医疗设备信息等。DICOM3.0格式影像文件中含有与成像方向有关的方位标签信息，该信息简要地介绍了患者与影像仪器之间的方位关系，通过其中的数据，可以得知在图像中每个像素准确的位置信息。
具体的，增强黑血图像和亮血图像为待配准的图像，可以根据亮血图像的DICOM文件中的方位标签信息，以增强黑血图像的坐标系为基准，将增强黑血图像作为参考图像，将亮血图像作为浮动图像，将亮血图像进行坐标变换，实现旋转亮血图像至与增强黑血图像相同坐标系的目的，旋转后亮血图像的扫描方向也变为呈冠状面。
对于两幅图像A和B的配准，实际上就是将图像A中的每个坐标位置通过一个映射关系，对应到图像B中。具体的坐标变换方法可以包括刚体变换、仿射变换、投影变换和非线性变换等。由于颅内血管可以看作是一个刚体，因此，本发明实施例选用刚体变换作为坐标变换方法。
但是在坐标变换过程中，浮动图像的坐标系会发生拉伸或形变，经过坐标变换后的图像像素坐标与原图的采样网格并不会完全重合，即原先为整数的像素坐标点经过坐标变换后可能不再是整数，导致图像的有些区域丢失掉部分像素，因此在图像坐标变换的过程中，需要同时对图像进行重采样插值，来确定经过坐标变换后图像像素坐标点的灰度值，便于后续处理。具体的，就是经过坐标变换后的亮血图像坐标可能被映射到了原图的非整数坐标上，所以需要同时对亮血图像进行图像插值。图像插值方法可以采用最近邻插值、双线性插值和双三次插值等方法中的任意一种。
使用图像插值方法将缺失的像素点进行图像恢复之后，还需要使用某种相似性度量来计算参考图像和变化后的浮动图像的相似性，接着利用搜索策略找到最优的相似性度量，循环反复迭代求优，直到两幅图像的相似性度量达到最优时，迭代停止，最后根据旋转矩阵(空间变换矩阵)对浮动图像进行坐标转换，实现图像完全配准。待配准的图像在经历一个迭代算法优化后，能够计算得到两幅图像的空间位置配准关系以及配准图像，使得配准后的浮动图像与参考图像相似度达到最高。
衡量两幅图像之间特征相似性的尺度为相似性度量，选择合适的相似性度量可以提高配准精度，有效抑制噪声等，它在图像的配准中有着非常重要作用。常用的相似性度量主要分为三大类，分别是距离度量、相关度量以及信息熵。
在本发明实施例中，针对颅内血管，其可以看作是一个刚体，几乎不会发生形变，不同于心脏或肺部等器官会随着人的呼吸等运动发生改变，因此针对颅内血管可以选用互信息或归一化互信息作为相似性度量，使配准效果更精确。
互信息和归一化互信息是前文的信息熵中的一种。互信息(Mutual Information,MI)，它衡量了两幅图像之间的相关性，或是互相包含的信息量，用来解释两幅图像是否达到了最优配准，互信息的值越大，表示两幅图像越相似。或者也可以选择归一化互信息(Normalization Mutual Information,NMI)，它是互信息度量的改良，当两幅待配准图像的像素灰度级数类似的时候，使用NMI作为相似性度量，得到的配准图像准确度更高，更加可靠。NMI的取值范围为[0,1]，值越接近于1，表明两幅图像越相似。归一化互信息的概念，解决了当两幅图像的重叠部分较小或者重叠区域大部分为背景信息时，基于互信息的图像配准反而精度不高，配准效果不好的问题，降低了互信息对于图像重叠区域的敏感性；
图像配准实质上是一个多参数的优化问题，即通过使用某种搜索策略对图像进行空间坐标变化，最终使得两幅图像的相似性度量达到最优，其中搜索策略与空间坐标变化在实际计算过程中是彼此交叉进行的。算法思想是在每次迭代中计算两幅图像之间的相似性度量，并通过平移或旋转等坐标变换的操作调整浮动图像，同时对图像进行插值，一直到两幅图像的相似性度量最大为止。目前常用的搜索策略包括梯度下降优化器、基于进化策略(Evolution Strategy,ES)的(1+1)-ES等等。
具体的实验结果如下所示，参见图2，图2为本发明实施例的颅内血管磁共振图像坐标变换示意图，其中第一行分别为增强黑血图像和亮血图像，第二行分别为增强黑血图像和经过坐标变换后的亮血图像，可见，经过坐标变换后，亮血图像与增强黑血图像的扫描方向一致，均呈冠状面。
本发明实施例对亮血图像的图像插值方法进行仿真实验，先将原图缩小50％，然后使用不同插值算法得到与原图大小相同的效果图，并与原图像做对比。表1所示数据为重复100次插值操作的结果平均值，实验共设定了5项评价指标，分别是均方根误差RMSE、峰值信噪比PSNR、归一化互相关系数NCC、归一化互信息NMI以及耗时Time，其中RMSE越小配准越精确，PSNR、NCC与NMI值越高配准越精确。从整体实验数据上看，双三次插值的精度明显优于最近邻插值和双线性插值，虽然双三次插值的插值时间较前两种方法慢，但100次插值操作只比最快的最近邻插值多了0.1秒，即每次操作只慢了0.001秒。因此，权衡之下，本发明实施例采用图像质量较高的双三次插值。
表1图像插值结果分析
Figure BDA0002793823470000101
并且使用梯度下降优化器和(1+1)-ES这两种搜索策略分别对160幅亮血图像与相应扫描层面的160幅增强黑血图像进行配准，其中增强黑血图像为参考图像，亮血图像为浮动图像，配准结果显示如图3所示，图3为本发明实施例的两种搜索策略配准对比结果；图3中左图为未使用优化器配准的两幅图像成对显示结果，中图为使用梯度下降优化器配准的图像成对显示结果，右图为使用(1+1)-ES优化器配准的图像成对显示结果。右图像显示采用蒙太奇效果，使用伪彩色透明处理增强黑血图像与亮血图像，紫色为增强黑血图像，绿色为亮血图像(附图图像是原图灰度处理后的图像，颜色未示出)。从图中可以看出，未使用优化器进行配准的图像中，增强黑血图像与亮血图像并未重合，且阴影较多；当使用梯度下降优化器配准图像时，虽然较左图配准效果较好，但在脑灰质处仍出现了明显的不重合现象；而使用(1+1)-ES优化器的图像中，配准结果精确，图像中不重合的阴影部分完全消失。表2所示数据为配准结果的3项评价指标，分别是归一化互信息NMI、归一化互相关系数NCC与算法耗时Time。从实验结果图上看，(1+1)-ES的配准图像效果显示更清晰，优于梯度下降优化器；从实验数据上看，三项评价指标都表现了(1+1)-ES优化器的良好性能，因此，本发明实施例中，优选的，所述预定搜索策略为(1+1)-ES。
表2不同搜索策略下的结果分析
Figure BDA0002793823470000102
a中的值是基于160幅亮血图像与160幅增强黑血图像配准的评价指标平均值±均方误差
参见图4，图4为本发明实施例的颅内血管磁共振图像经过预配准后的结果图。左图为预配准后的第一亮血图像，其中插值方法采用双三次插值；中图为增强黑血图像，可见两者都为冠状面，右图为两者直接叠加后的效果图，右图可以看到虽然经过了预配准，可在同一冠状面下观测到当前成像层下的亮血图像和增强黑血图像，但两者仍存在不重合现象，因此还需要后续进行图像精配准。
通过该步骤的预配准，可以初步实现在同一坐标系下对比相同扫描层面的磁共振图像，但是由于亮血序列和黑血序列扫描的时间不同，且患者可能在扫描前后发生了轻微的运动，所以上述操作只是一个粗糙的坐标变换，仅通过预配准并不能实现多模态磁共振图像的完全配准，但是该步骤可以为后续的精确配准环节省略不必要的处理过程，提高处理速度。
第二步，从所述增强黑血图像中，提取与所述第一亮血图像的扫描范围相同的区域内容，形成第一黑血图像。
由于血管成像在不同磁共振序列中的扫描范围不同，当亮血图像经过图像坐标变换后，其冠状面的信息并没有增强黑血图像的信息丰富，因此为能够更快速、准确地配准好两种序列下的同一区域，可以根据第一亮血图像的扫描区域，在增强黑血图像中提取出相同的扫描区域，缩小后续图像的配准范围。
可选的，所述从所述增强黑血图像中，提取与所述第一亮血图像的扫描范围相同的区域内容，形成第一黑血图像，可以包括以下步骤：
1.获得第一亮血图像中血管的边缘轮廓信息；
具体可以使用Sobel边缘检测方法等方法获取边缘轮廓信息。边缘轮廓信息包含各个边缘点的坐标值。
2.在边缘轮廓信息中，提取横坐标、纵坐标的最小值和最大值，基于获得的四个坐标值确定初始提取边框；
也就是在边缘轮廓信息中，提取最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值，利用这四个坐标值确定方形边框的四个顶点，从而得到初始提取边框；
3.在第一亮血图像的尺寸范围内，将初始提取边框沿四个方向分别扩大预设数量个像素大小，得到最终提取边框；
其中，四个方向分别是横纵坐标的正负方向；预设数量根据血管图像的类型合理选择，目的是保证扩大后的最终提取边框不超过第一亮血图像的尺寸范围，比如预设数量可以为20等。
4.在增强黑血图像中提取最终提取边框中对应的区域内容，形成第一黑血图像。
依据最终提取边框划定的坐标范围，提取增强黑血图像中对应区域的内容，将提取出的内容形成第一黑血图像。该步骤通过提取待配准区域来获取两种模态下磁共振图像的共同扫描范围，有利于后续的快速配准。
参见图5，图5为本发明实施例的颅内血管磁共振图像的待配准区域示意图，其中左图为预配准后的第一亮血图像，右图为增强黑血图像，方框为增强黑血图像中待提取区域。这个区域包含了在颅内血管磁共振图像中，亮血序列以及黑血序列的共同扫描范围，通过确定待提取区域，能够更快速地关注到有用信息。
本发明实施例的上述两步预处理过程有着非常重要的作用，经过该预处理后的图像可以更多地关注有用信息，排除无关信息，在实际使用中，使用该图像预处理可以提高颅内血管图像配准、识别的可靠性。
可选的，本发明实施例的预处理，还可以包括：
对亮血图像和增强黑血图像进行裁剪、去噪、平滑、滤波、边缘填充等图像增强操作，以增强图像中感兴趣的特征。
S3，选取预处理后的部分图像对作为测试图像对；
可选的，本发明实施例中可以采用高斯分布抽样选取预处理后的部分图像对作为测试图像对。
本发明实施例的待配准图像对的随机选取采用高斯分布抽样，由于亮血图像与增强黑血图像的扫描方向不同，在图像预处理过程中，为在同一成像层面上观测亮血图像与增强黑血图像，亮血图像经过了坐标变换与插值，使得每一张亮血图像与当前层面的增强黑血图像对应；同时由于亮血图像与增强黑血图像的扫描范围不同，亮血图像边缘层的数据可能并不完整。综上原因，扫描中间层的亮血数据与增强黑血数据最丰富，因此选取高斯均值μ为待配准图像总数的一半，使得高斯随机选取到中间层图像配准的概率最大。
S4，对每个测试图像对中的所述第一亮血图像和所述第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵；
该步骤使用基于互信息的相似性度量并引入图像金字塔方法，形成基于互信息和图像金字塔的配准方法。利用基于互信息和图像金字塔的配准方法对每个测试图像对中的所述第一亮血图像和所述第一黑血图像进行图像配准。
可选的，S4步骤可以包括以下步骤：
S41，针对每个测试图像对，基于下采样处理，由所述第一亮血图像得到亮血高斯金字塔，由所述第一黑血图像得到黑血高斯金字塔；
其中，所述亮血高斯金字塔和所述黑血高斯金字塔中包括从下至上分辨率依次变小的m个图像；m为大于3的自然数；在本发明实施例中m可以为4。
为提高图像配准的准确度，避免图像在配准过程中收敛到局部最大值，可以使用多分辨率策略来解决局部极值的问题，同时多分辨率策略可以在满足图像配准精度的条件下，提高算法执行速度，增加鲁棒性。构建图像金字塔就是一种通过增加模型复杂度来提高配准精度和速度的有效方式，即在配准过程中，按从粗配准到精配准的顺序执行，首先对低分辨率的图像进行配准，接着在低分辨率图像配准完成的基础上，对分辨率高的图像进行配准。
可选的一种实施方式中，S41步骤可以包括：
获取第i层的输入图像，对所述第i层的输入图像利用高斯内核进行滤波，并删除滤波后图像的偶数行和偶数列，得到高斯金字塔的第i层图像Gi，并将所述第i层图像Gi作为第i+1层的输入图像，得到高斯金字塔的第i+1层图像Gi+1；
其中，i＝1、2，…，m-1；当所述高斯金字塔为亮血高斯金字塔时，第1层的输入图像为所述第一亮血图像，当所述高斯金字塔为黑血高斯金字塔时，第1层的输入图像为所述第一黑血图像。
具体的，高斯金字塔中的多个图像是同一原图像不同分辨率所对应的图像。高斯金字塔通过高斯滤波和下采样来获取图像，它的每一层构建步骤可以分为两步：首先使用高斯滤波对图像进行平滑滤波，即采用高斯内核进行滤波；接着删除滤波后图像的偶数行和偶数列，即将低一层图像的宽和高缩小一半，得到当前层图像，因此当前层图像为低一层图像大小的四分之一，通过不断地迭代以上步骤，最终可以得到高斯金字塔。
高斯滤波其实是一种低通滤波器，高斯金字塔中的图像频率范围很广，其中低一层图像的截止频率是高一层图像截止频率的2倍。
高斯滤波先使用高斯函数来计算得到一个权重矩阵，再使用该权重矩阵对原图像做卷积运算，一般可以使用二维的高斯模板进行上述处理。虽然使用二维的高斯模板可以实现模糊图像的效果，但是当一个点在边界，周围没有足够的点时，会由于权重矩阵的关系导致边缘图像缺失，因此本发明实施例对二维高斯模板进行优化。可以将二维高斯滤波拆分成两个独立的一维高斯滤波，分别在横纵两个方向上进行图像滤波。将高斯函数分离，不仅能够消除二维高斯模板产生的边缘，还可以极大地加快程序的运行速度。相较于其他模糊滤波器，高斯滤波既可以实现图像的模糊效果，又能更好地保留边际效果。
本步骤中通过对经过预处理后的第一亮血图像和第一黑血图像进行上述处理，可以得到亮血高斯金字塔和黑血高斯金字塔。如图6所示，图6分别为本发明实施例的颅内血管磁共振图像的亮血高斯金字塔和黑血高斯金字塔。
这些分辨率逐渐减小，来源于同一张图像不同分辨率的图像组合，排列起来形似金字塔，因此被称为图像金字塔，其中分辨率最高的图像位于金字塔底部，分辨率最低的图像位于金字塔顶部。在计算机视觉下不同分辨率的图像，恰恰模拟了在不同距离下人眼观测的一幅图像，在图像信息处理上，多分辨率的图像相较于传统的单分辨率图像，更容易获取图像的本质特征。
S42，基于上采样处理，利用所述亮血高斯金字塔得到亮血拉普拉斯金字塔，利用所述黑血高斯金字塔得到黑血拉普拉斯金字塔；
其中，所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中包括从下至上分辨率依次变小的m-1个图像；
由于高斯金字塔是向下采样，即缩小图像，因此会丢失掉图像的一部分数据。因此，本发明实施例为避免图像在缩放过程中的数据缺失，恢复细节数据，使用拉普拉斯金字塔，配合高斯金字塔一起实现图像重建，在高斯金字塔图像的基础上突出细节。
可选的一种实施方式中，S42步骤可以包括：
对高斯金字塔的第i+1层图像Gi+1进行上采样，并用数据0填充新增的行和列，得到填充图像；
对所述填充图像利用所述高斯内核进行卷积，获得填充像素的近似值，得到放大图像；
将高斯金字塔的第i层图像Gi与所述放大图像相减，得到拉普拉斯金字塔的第i层图像Li；
其中，当所述高斯金字塔为所述亮血高斯金字塔时，所述拉普拉斯金字塔为所述亮血拉普拉斯金字塔，当所述高斯金字塔为所述黑血高斯金字塔时，所述拉普拉斯金字塔为所述黑血拉普拉斯金字塔。
由于拉普拉斯金字塔是图像经过下采样操作后与原图的残差，因此从下至上对比，拉普拉斯金字塔比高斯金字塔结构少一层高层图像。
具体的，生成拉普拉斯金字塔结构的数学公式如(1)所示，其中Li表示第i层拉普拉斯金字塔(亮血拉普拉斯金字塔或黑血拉普拉斯金字塔)，Gi表示第i层高斯金字塔(亮血高斯金字塔或黑血高斯金字塔)，而UP操作为向上采样放大图像，符号
Figure BDA0002793823470000152
是卷积符号，
Figure BDA0002793823470000153
是在构建高斯金字塔中使用的高斯内核。此公式表明了拉普拉斯金字塔实质上是使用原图像减去先缩小、再放大的图像的残差数据构成的，是一种残差预测金字塔，核心思想是用来存储图像经过下采样操作后与原图的差异，保留图像的高频信息，目的是为能够完整地恢复出每一层级进行下采样操作前的图像。由于之前下采样操作丢失的一部分信息并不能通过上采样来完全恢复，即下采样是不可逆的，所以图像先经过下采样，再进行上采样后的显示效果比原图模糊。通过存储图像经过下采样操作后与原图的残差，能够在高斯金字塔图像的基础上给不同频率层的图像增加细节，对细节等进行突出。
Figure BDA0002793823470000151
对应于4层的高斯金字塔，本步骤可以得到图像层数为3的亮血拉普拉斯金字塔和黑血拉普拉斯金字塔。如图7所示，图7分别为本发明实施例的颅内血管磁共振图像的亮血拉普拉斯金字塔和黑血拉普拉斯金字塔。图像显示使用了伽马矫正实现更清晰的效果，伽马值为0.5。
S43，对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中对应层的图像进行配准，得到配准的亮血拉普拉斯金字塔；
可选的一种实施方式中，S43步骤可以包括：
针对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中的每一层，将该层对应的黑血拉普拉斯图像作为参考图像，将该层对应的亮血拉普拉斯图像作为浮动图像，使用基于互信息的相似性度量，，并采用预定搜索策略，实现图像配准，得到配准后的该层亮血拉普拉斯图像；
由配准后的多层亮血拉普拉斯图像，依据分辨率依次减小的顺序，从下至上构成配准的亮血拉普拉斯金字塔；
其中，所述黑血拉普拉斯图像为所述黑血拉普拉斯金字塔中的图像，所述亮血拉普拉斯图像为所述亮血拉普拉斯金字塔中的图像。
该步骤中的配准过程类似于前述的预配准过程，通过对亮血拉普拉斯图像进行坐标变换、图像插值，使用相似性度量及预定搜索策略，实现图像配准，可以得到配准后的亮血拉普拉斯图像。其中，坐标变换、图像插值、相似性度量及预定搜索策略不再赘述。
结果如图8所示，图8为本发明实施例的颅内血管磁共振图像的拉普拉斯金字塔图像的配准结果，左图为黑血拉普拉斯金字塔中的参考图像，中图为亮血拉普拉斯金字塔中已配准好的图像，右图为左、中两幅图像直接叠加后的效果图，叠加图像显示采用蒙太奇效果，使用伪彩色透明处理增强黑血图像与亮血图像，其中紫色为增强黑血拉普拉斯金字塔图像，绿色为亮血拉普拉斯金字塔图像(附图图像是原图经过灰度处理的图像，颜色未示出)。
S44，利用所述配准的亮血拉普拉斯金字塔作为叠加信息，对所述亮血高斯金字塔和所述黑血高斯金字塔中各层图像进行自上而下的配准，得到配准的亮血高斯金字塔，并得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵。
在该步骤的配准中，需要对高斯金字塔中不同分辨率的图像进行配准，由于低分辨率图像的配准可以更容易把握住图像的本质特征，因此本发明实施例在低分辨率图像配准的基础上配准高分辨率图像，即将高斯金字塔图像从上到下配准，将上一层图像的配准结果作为下一层图像配准的输入。
可选的一种实施方式中，S44中利用所述配准的亮血拉普拉斯金字塔作为叠加信息，对所述亮血高斯金字塔和所述黑血高斯金字塔中各层图像进行自上而下的配准，得到配准的亮血高斯金字塔，可以包括：
对所述亮血高斯金字塔和所述黑血高斯金字塔中自上而下的第j层，将该层对应的黑血高斯图像作为参考图像，将该层对应的亮血高斯图像作为浮动图像，使用基于互信息的相似性度量，并采用预定搜索策略，实现图像配准，得到配准后的第j层亮血高斯图像；
将所述配准后的第j层亮血高斯图像进行上采样操作，并与配准后的对应层亮血拉普拉斯图像相加，利用相加后的图像替换所述亮血高斯金字塔中第j+1层的亮血高斯图像；
将第j+1层的黑血高斯图像作为参考图像，将替换后的第j+1层的亮血高斯图像作为浮动图像，使用预定相似性度量及预定搜索策略，实现图像配准，得到配准后的第j+1层亮血高斯图像；
其中j＝1，2，…，m-1，所述黑血高斯图像为所述黑血高斯金字塔中的图像，所述亮血高斯图像为所述亮血高斯金字塔中的图像。
重复以上操作，直至完成底层高斯金字塔图像的高分辨率配准，得到配准的亮血高斯金字塔。在配准过程中，类似于前述的预配准过程。其中，坐标变换、图像插值、相似性度量及预定搜索策略不再赘述。
基于互信息的高斯金字塔图像配准具体步骤如图9所示，图9为本发明实施例的颅内血管磁共振图像基于互信息的高斯金字塔图像配准步骤示意图。首先对顶层的低分辨率的黑血高斯图像和顶层的低分辨率亮血高斯图像进行基于互信息的配准；接着将已配准好的亮血高斯图像进行上采样操作，并与保留了高频信息，且根据上述操作已配准好的对应层的亮血拉普拉斯图像相加，作为下一层亮血高斯图像；接着将上述操作得到的亮血高斯图像作为输入图像，再与对应层的黑血高斯图像进行配准，重复以上操作，直至完成底层高斯金字塔图像的高分辨率配准。
在基于互信息的高斯金字塔图像配准中，需要对每一层亮血高斯图像和黑血高斯图像以归一化互信息作为相似性度量进行配准，通过循环迭代计算两幅图的NMI，直至NMI达到最大。其中当迭代次数太小时，不能完成图像的准确配准，但是当迭代次数太大时，计算量会急剧增加，图10为本发明实施例的不同迭代次数下的归一化互信息，当第一层图像，也就是高斯金字塔中分辨率最高的底层图像配准达到最大NMI值且数据稳定时，停止迭代。
至此，得到配准的亮血高斯金字塔，其中的亮血图像的坐标系与增强黑血图像的坐标系一致，且图像具备较高的相似性，可以完成本发明实施例的血管图像配准过程。
并且，配准后可以得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵。
为验证本发明实施例中的基于互信息和图像金字塔的配准方法(简称为互信息金字塔方法)的有效性与实用性，还进行了对比实验，共使用了五位患者的颅内血管磁共振图像，其中患者A、B、C、D的增强黑血图像与亮血图像分别为160张，患者E的增强黑血图像与亮血图像分别为150张；同时选取仅使用DICOM图像方位标签信息进行配准的算法，以及基于互信息度量的配准算法，与本发明实施例中的互信息金字塔方法进行对比，其中基于互信息度量的算法是通过多参数优化方法寻找参考图像和浮动图像间的最佳变换，使得两幅图像的互信息值最大，并没有使用到图像金字塔算法。
实验平台是Matlab R2016b。针对实验的图像配准结果，采用定性分析与定量分析相结合。在定性分析方面，由于多模态医学图像间存在较大的灰度差异，将配准图像与参考图像相减得到的差值图像无法有效地反映出多模态医学图像的配准结果，因此本发明实施例通过将配准图像与参考图像进行重叠，获得可以反映出配准图像和参考图像对齐程度的彩色重叠图像，通过彩色重叠图像对多模态配准算法的配准效果进行定性分析，图11显示了多模态颅内血管磁共振图像的配准结果，图11为包含互信息金字塔方法的多种配准方法的颅内血管磁共振图像的配准结果。其中，(a)为参考图像；(b)为浮动图像；(c)为基于图像方位标签信息的重叠图像；(d)为基于互信息度量的重叠图像；(e)为本发明实施例的互信息金字塔方法的重叠图像。其中附图均为原图的灰度图，彩色未示出。在定量分析方面，由于评价指标均方根误差RMSE和峰值信噪比PSNR并不适用于对灰度变化较大的图像进行评价，所以为了更好地对多模态医学图像的配准结果进行评价，采用归一化互相关系数NCC，归一化互信息NMI作为评价指标，当归一化互相关系数NCC和归一化互信息NMI的值越大时，表示图像配准精度越高，表3显示了不同配准算法的评价指标结果分析。
表3不同配准方法的结果分析
Figure BDA0002793823470000181
Figure BDA0002793823470000191
a中的值是基于患者多幅图像配准的评价指标平均值±均方误差
定性分析：从图11的重叠图像可以明显看出，基于互信息度量的方法出现了较大的配准偏移，分析原因可能是因为仅使用基于互信息度量的方法容易陷入局部最优值，而非全局最优值；基于图像方位标签信息的配准效果表现同样欠佳，图像出现了部分不重叠情况；而互信息金字塔方法的配准图像效果表现良好，图像显示更加清晰，图像几乎完全重叠在一起。
定量分析：由表3可知，从NCC与NMI这两个评价指标来看，相较于只使用DICOM图像的方位标签信息的配准算法，以及基于互信息度量的配准算法，本发明实施例的互信息金字塔方法在配准精度上有所提高，说明本发明实施例提出的基于互信息和图像金字塔的配准方法可以良好地处理多模态颅内血管磁共振图像的配准。
S5，获得所有测试图像对的旋转矩阵的均值；
上一步中，可以获得每个测试图像对中，配准后所述第一亮血图像对应的旋转矩阵，那么，可以计算获得所有测试图像对的旋转矩阵的均值。
S6，利用所述旋转矩阵的均值，对除所述测试图像对之外的、其余预处理后的图像对中的所述第一亮血图像进行坐标变换，完成图像配准。
考虑到患者在使用磁共振亮血序列扫描时，如果发生了轻微的运动，那么亮血序列扫描得到的颅内血管图像坐标位置就会发生轻微的变化，这时需要将每一张亮血图像都进行空间坐标变换操作，才能保持与增强黑血图像具有相同的坐标位置。基于互信息和图像金字塔的配准方法的配准过程中需要不停地迭代计算每两幅待配准图像的互信息，当图像尺寸和数量较大时，耗时会过大，如果对所有待配准的图像对均使用基于互信息和图像金字塔的配准方法会导致计算速度较慢。而发明人考虑到颅内血管可以看作是一个刚体，它不同于心脏或肺部等器官会随着人的呼吸等运动发生改变，所以每一张亮血图像的空间坐标变换操作几乎都是一致的，即几乎使用的是同一个旋转矩阵。参见表4，表4显示了使用基于互信息和图像金字塔的配准方法计算得到的旋转矩阵均值与均方误差，源于患者A的160张400×400增强黑血图像与160张400×400亮血图像，经过基于互信息与金字塔算法的配准之后得到的旋转矩阵，由数据可知旋转矩阵的均方误差很小。那么，可以使用患者的少量几张亮血图像配准计算得到的旋转矩阵，来对所有亮血图像进行相同的空间坐标变换，而无需再对每张亮血图像求旋转矩阵，从而加速图像配准过程。
表4旋转矩阵的均值与均方误差
Figure BDA0002793823470000201
该步骤中，利用所述旋转矩阵的均值，也就是一个新的旋转矩阵，对其余预处理后的图像对中的所述第一亮血图像进行坐标变换，可以快速完成所有图像的配准，极大地提高了配准速度。
关于利用旋转矩阵实现亮血图像的坐标变换、图像插值、使用基于互信息的相似性度量，并采用预定搜索策略实现图像配准的过程可以参见前文所述，也可以结合相关现有技术理解，在此不再赘述。
在该步骤后，可以得到配准后的若干个亮血图像，这些亮血图像和对应的增强黑血图像在同一坐标系下，且相似度较高。
为验证本发明实施例方法的可行性，共使用了五位患者的颅内血管磁共振图像进行配准，其中患者A、B、C、D的增强黑血图像与亮血图像分别为160张，患者E的增强黑血图像与亮血图像分别为150张。针对实验的图像配准结果，由于多模态磁共振图像的获取原理不同，呈现信息不同，现阶段仍没有一个统一的金标准来评价哪一种配准算法最好，应该从具体的配准对象以及应用目的对配准结果的好坏进行评价，所以采用定性分析与定量分析相结合。在定性分析方面，通过对能反映出配准图像和参考图像对齐程度的彩色重叠图像，对配准算法结果进行定性分析，图12显示了多模态颅内血管磁共振图像的配准结果对比。图12为本发明实施例方法与互信息金字塔方法的颅内血管磁共振图像的配准结果。其中(a)为参考图像；(b)为浮动图像；(c)为互信息金字塔方法的重叠图像；(d)为本发明方法的重叠图像，标准差σ取1；(e)为本发明方法的重叠图像，标准差σ取2；(f)为本发明方法的重叠图像，标准差σ取3；(g)为本发明方法的重叠图像，标准差σ取4；(h)为本发明方法的重叠图像，标准差σ取5；(i)为本发明方法的重叠图像，标准差σ取6。各图像为处理后的灰度图，彩色未示出。在定量分析方面，采用归一化互相关系数NCC，归一化互信息NMI作为评价指标，NCC与NMI的值越大时，表示图像配准精度越高。表5分别显示了五位患者所有图像对均使用基于互信息和图像金字塔的配准方法(简称为互信息金字塔方法)，以及使用本发明实施例提出的基于高斯分布抽样的互信息和图像金字塔的配准方法(简称为本发明方法)的配准结果，实验平台是Matlab R2016b。由于本发明实施例提出的基于高斯分布抽样的互信息和图像金字塔的配准方法不需要对所有图像进行配准，只需要随机选取少量几幅图像进行配准即可，因此实验设置高斯分布均值μ为待配准图像总数的一半，标准差σ分别为1，2，3，4，5，6时，随机抽取20幅增强黑血图像与对应的亮血图像进行配准。
表5不同配准算法的结果分析
Figure BDA0002793823470000211
a中的值是基于160幅亮血图像与160幅增强黑血图像配准的评价指标平均值±均方误差
Figure BDA0002793823470000212
a中的值是基于160幅亮血图像与160幅增强黑血图像配准的评价指标平均值±均方误差
Figure BDA0002793823470000221
a中的值是基于160幅亮血图像与160幅增强黑血图像配准的评价指标平均值±均方误差
Figure BDA0002793823470000222
a中的值是基于160幅亮血图像与160幅增强黑血图像配准的评价指标平均值±均方误差
Figure BDA0002793823470000223
a中的值是基于150幅亮血图像与150幅增强黑血图像配准的评价指标平均值±均方误差
从图12的重叠图像可以明显看出，互信息金字塔方法的配准图像与本发明方法的配准图像效果表现均良好，图像都几乎完全重叠在一起；且由表3可知，从NCC与NMI这两个评价指标来看，虽然本发明方法相较于互信息金字塔方法精度较低，但在不同的高斯分布函数设置下，均没有相差太多。当参与配准的图像尺寸较大，数量较多时，互信息金字塔方法计算量较大。本发明方法针对颅内血管的刚性空间变换特征对算法进行改进，利用变换矩阵的相似性对图像配准加速，实验结果证明改进后的算法配准耗时仅为互信息金字塔方法配准时间的五分之一，就能得到很好的配准结果，可大幅度提高配准速度，节约大量的时间成本。因此本发明方法，通过随机选取少量图像进行配准得到的旋转矩阵，来对后续所有亮血图像配准，就已经能够得到较好的配准结果，可以良好地处理多模态颅内血管磁共振图像的配准。
本发明实施例提供的方案中，颅内血管可视为一个刚体，每一张亮血图像的空间坐标变换操作几乎一致，因此可以使用同一个旋转矩阵。因此，一方面选取少量图像对进行亮血图像的图像配准，利用已配准的少量亮血图像的旋转矩阵的均值，对其余图像对的亮血图像进行相同的空间坐标变换，而无需再对其余每张亮血图像求旋转矩阵，因此可以加速图像配准过程。另一方面，在图像配准过程中，基于互信息作为相似性度量，并采用图像金字塔算法增加模型复杂度，可以提高配准精度和速度。相比现有技术中，观察颅内血管的亮血图像和黑血图像需要医生凭着空间想象和主观经验。本发明实施例采用图像配准方法可以将亮血图像和增强黑血图像统一在相同坐标系下，可以方便医生理解黑血序列和亮血序列对应的颅内血管图像，简便、快速地得到诊断所需的综合信息，为后续的医疗诊断、制定手术计划、放射治疗计划等提供准确可靠的参考信息。同时，该图像配准可以作为很多后续图像处理的预处理步骤，如图像分割、图像融合等等，有利于后续对颅内血管图像的进一步处理。
本发明实施例提供的方案不同于一般的图像配准方法，本发明实施例是针对颅内血管部位具体提出一种医学图像的配准方法。由于人体内组织结构复杂、器官多样、器官之间的黏连，或人体的呼吸运动所带来的器官的运动，以及成像设备的条件限制，都会使得医学图像出现模糊、灰度分布不均匀、器官边缘不清楚，存在多种伪影等问题；并且，不同个体的同一个器官在图像上的差异也很大，同时在成像过程中使用不同的设备和成像角度的偏差也会造成不同个体同一器官在成像上的不同表现；此外，磁共振图像的同一个器官在不同序列扫描图中，也存在形状亮度、分辨率，以及位置和方向不同等问题。因此相较于普通图像，这类医学图像的配准难度更大，通过本发明实施例提供的方案，可以给其余医学图像配准提供一种较好的参考方式，具有很大的临床应用价值。
可选的，在步骤S6之后，本发明实施例方法还包括：获取配准的图像对，并进行显示，比如可以获取一对或者多对已配准的图像对显示在显示屏幕上，以便于医生进行对比观察。
之后，可选的，还可以将已配准的图像对融合为一张图像。这样，通过将两种图像的信息准确地融合到同一图像中，使医生可以更方便更精确地从各个角度观察血管部位的病灶和结构。这样，可以利用不同模态的图像提供相互补充的信息，将两种图像的信息合成在一起分析，弥补各自的缺点，尽可能得到患者完整的病理信息，为临床诊断、治疗计划的制定以及评价等提供更准确丰富的参考信息。
注：本发明实施例中的患者实验数据均来源于陕西省人民医院，图像可用作一般的科学研究。
第二方面，相应于上述方法实施例，本发明实施例提出了一种颅内血管图像配准装置，参见图13，包括：
图像获取模块1301，用于获取颅内血管待配准的若干个图像对，每个图像对包括一个亮血图像和一个增强黑血图像；
预处理模块1302，用于对每个图像对中的所述亮血图像和所述增强黑血图像进行预处理，得到该图像对的第一亮血图像和第一黑血图像；
抽样模块1303，用于选取预处理后的部分图像对作为测试图像对；
第一配准模块1304，用于对每个测试图像对中的所述第一亮血图像和所述第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵；
旋转矩阵均值获取模块1305，用于获得所有测试图像对的旋转矩阵的均值；
第二配准模块1306，用于利用所述旋转矩阵的均值，对除所述测试图像对之外的、其余预处理后的图像对中的所述第一亮血图像进行坐标变换，完成图像配准。
关于具体内容请参见第一方面的颅内血管图像配准方法的内容，在此不再赘述。
第三方面，相应于上述方法实施例，本发明实施例还提供了一种电子设备，如图14所示，包括处理器1401、通信接口1402、存储器1403和通信总线1404，其中，处理器1401、通信接口1402、存储器1403通过通信总线1404完成相互间的通信，
存储器1403，用于存放计算机程序；
处理器1401，用于执行存储器1403上所存放的程序时，实现前述任意一种颅内血管图像配准方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(PeripheralComponentInterconnect，PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (10)

1.一种颅内血管图像配准方法，其特征在于，包括：
获取颅内血管待配准的若干个图像对，每个图像对包括一个亮血图像和一个增强黑血图像；
对每个图像对中的所述亮血图像和所述增强黑血图像进行预处理，得到该图像对的第一亮血图像和第一黑血图像；
选取预处理后的部分图像对作为测试图像对；
对每个测试图像对中的所述第一亮血图像和所述第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵；
获得所有测试图像对的旋转矩阵的均值；
利用所述旋转矩阵的均值，对除所述测试图像对之外的、其余预处理后的图像对中的所述第一亮血图像进行坐标变换，完成图像配准。
2.根据权利要求1所述的方法，其特征在于，所述对每个图像对中的所述亮血图像和所述增强黑血图像进行预处理，得到该图像对的第一亮血图像和第一黑血图像，包括：
针对每个图像对，以所述增强黑血图像为基准，将所述亮血图像进行坐标变换和图像插值，使用基于互信息的相似性度量，并采用预定搜索策略，得到预配准后的第一亮血图像；
从所述增强黑血图像中，提取与所述第一亮血图像的扫描范围相同的区域内容，形成第一黑血图像。
3.根据权利要求2所述的方法，其特征在于，所述从所述增强黑血图像中，提取与所述第一亮血图像的扫描范围相同的区域内容，形成第一黑血图像，包括：
获得所述第一亮血图像中血管的边缘轮廓信息；
在所述边缘轮廓信息中，提取横坐标、纵坐标的最小值和最大值，基于获得的四个坐标值确定初始提取边框；
在所述第一亮血图像的尺寸范围内，将所述初始提取边框沿四个方向分别扩大预设数量个像素大小，得到最终提取边框；
在所述增强黑血图像中提取所述最终提取边框中对应的区域内容，形成第一黑血图像。
4.根据权利要求1或3所述的方法，其特征在于，所述选取预处理后的部分图像对作为测试图像对，包括：
采用高斯分布抽样选取预处理后的部分图像对作为测试图像对。
5.根据权利要求4所述的方法，其特征在于，所述对每个测试图像对中的所述第一亮血图像和所述第一黑血图像，采用基于互信息和图像金字塔的配准方法进行图像配准，得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵，包括：
针对每个测试图像对，基于下采样处理，由所述第一亮血图像得到亮血高斯金字塔，由所述第一黑血图像得到黑血高斯金字塔；其中，所述亮血高斯金字塔和所述黑血高斯金字塔中包括从下至上分辨率依次变小的m个图像；m为大于3的自然数；
基于上采样处理，利用所述亮血高斯金字塔得到亮血拉普拉斯金字塔，利用所述黑血高斯金字塔得到黑血拉普拉斯金字塔；其中，所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中包括从下至上分辨率依次变小的m-1个图像；
对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中对应层的图像进行配准，得到配准的亮血拉普拉斯金字塔；
利用所述配准的亮血拉普拉斯金字塔作为叠加信息，对所述亮血高斯金字塔和所述黑血高斯金字塔中各层图像进行自上而下的配准，得到配准的亮血高斯金字塔，并得到配准后该测试图像对中所述第一亮血图像对应的旋转矩阵。
6.根据权利要求5所述的方法，其特征在于，所述基于下采样处理，由所述第一亮血图像得到亮血高斯金字塔，由所述第一黑血图像得到黑血高斯金字塔，包括：
获取第i层的输入图像，对所述第i层的输入图像利用高斯内核进行滤波，并删除滤波后图像的偶数行和偶数列，得到高斯金字塔的第i层图像Gi，并将所述第i层图像Gi作为第i+1层的输入图像，得到高斯金字塔的第i+1层图像Gi+1；
其中，i＝1、2，…，m-1；当所述高斯金字塔为亮血高斯金字塔时，第1层的输入图像为所述第一亮血图像，当所述高斯金字塔为黑血高斯金字塔时，第1层的输入图像为所述第一黑血图像。
7.根据权利要求6所述的方法，其特征在于，所述基于上采样处理，利用所述亮血高斯金字塔得到亮血拉普拉斯金字塔，利用所述黑血高斯金字塔得到黑血拉普拉斯金字塔，包括：
对高斯金字塔的第i+1层图像Gi+1进行上采样，并用数据0填充新增的行和列，得到填充图像；
对所述填充图像利用所述高斯内核进行卷积，获得填充像素的近似值，得到放大图像；
将高斯金字塔的第i层图像Gi与所述放大图像相减，得到拉普拉斯金字塔的第i层图像Li；
其中，当所述高斯金字塔为所述亮血高斯金字塔时，所述拉普拉斯金字塔为所述亮血拉普拉斯金字塔，当所述高斯金字塔为所述黑血高斯金字塔时，所述拉普拉斯金字塔为所述黑血拉普拉斯金字塔。
8.根据权利要求7所述的方法，其特征在于，所述对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中对应层的图像进行配准，得到配准的亮血拉普拉斯金字塔，包括：
针对所述亮血拉普拉斯金字塔和所述黑血拉普拉斯金字塔中的每一层，将该层对应的黑血拉普拉斯图像作为参考图像，将该层对应的亮血拉普拉斯图像作为浮动图像，使用基于互信息的相似性度量，并采用预定搜索策略，实现图像配准，得到配准后的该层亮血拉普拉斯图像；
由配准后的多层亮血拉普拉斯图像，依据分辨率依次减小的顺序，从下至上构成配准的亮血拉普拉斯金字塔；
其中，所述黑血拉普拉斯图像为所述黑血拉普拉斯金字塔中的图像，所述亮血拉普拉斯图像为所述亮血拉普拉斯金字塔中的图像。
9.根据权利要求8所述的方法，其特征在于，所述利用所述配准的亮血拉普拉斯金字塔作为叠加信息，对所述亮血高斯金字塔和所述黑血高斯金字塔中各层图像进行自上而下的配准，包括：
对所述亮血高斯金字塔和所述黑血高斯金字塔中自上而下的第j层，将该层对应的黑血高斯图像作为参考图像，将该层对应的亮血高斯图像作为浮动图像，使用基于互信息的相似性度量，并采用预定搜索策略，实现图像配准，得到配准后的第j层亮血高斯图像；
将所述配准后的第j层亮血高斯图像进行上采样操作，并与配准后的对应层亮血拉普拉斯图像相加，利用相加后的图像替换所述亮血高斯金字塔中第j+1层的亮血高斯图像；
将第j+1层的黑血高斯图像作为参考图像，将替换后的第j+1层的亮血高斯图像作为浮动图像，使用预定相似性度量及预定搜索策略，实现图像配准，得到配准后的第j+1层亮血高斯图像；
其中j＝1，2，…，m-1，所述黑血高斯图像为所述黑血高斯金字塔中的图像，所述亮血高斯图像为所述亮血高斯金字塔中的图像。
10.根据权利要求2、8、9中任一项所述的方法，其特征在于，所述预定搜索策略为(1+1)-ES。
CN202011324178.3A 2020-11-23 2020-11-23 一种颅内血管图像配准方法 Withdrawn CN112508881A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011324178.3A CN112508881A (zh) 2020-11-23 2020-11-23 一种颅内血管图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011324178.3A CN112508881A (zh) 2020-11-23 2020-11-23 一种颅内血管图像配准方法

Publications (1)

Publication Number Publication Date
CN112508881A true CN112508881A (zh) 2021-03-16

Family

ID=74959659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011324178.3A Withdrawn CN112508881A (zh) 2020-11-23 2020-11-23 一种颅内血管图像配准方法

Country Status (1)

Country Link
CN (1) CN112508881A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767299A (zh) * 2021-04-07 2021-05-07 成都真实维度科技有限公司 一种多模态三维图像配准融合方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767299A (zh) * 2021-04-07 2021-05-07 成都真实维度科技有限公司 一种多模态三维图像配准融合方法

Similar Documents

Publication Publication Date Title
Mahapatra et al. Image super-resolution using progressive generative adversarial networks for medical image analysis
WO2022105647A1 (zh) 一种颅内血管造影增强三维模型的建立方法
WO2022105623A1 (zh) 一种基于迁移学习的颅内血管病灶识别方法
Mahapatra et al. Progressive generative adversarial networks for medical image super resolution
CN112598619A (zh) 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法
CN112508867A (zh) 一种模拟化三维颅内血管狭窄分析模型的建立方法
US11830193B2 (en) Recognition method of intracranial vascular lesions based on transfer learning
CN114241077B (zh) 一种ct图像分辨率优化方法及装置
CN112634196A (zh) 一种基于智慧医疗的医学图像分割与显示方法
CN112509075A (zh) 基于智慧医疗的颅内血管病灶标记与三维显示方法
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
CN114170151A (zh) 一种基于迁移学习的颅内血管病灶识别方法
CN112508873A (zh) 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法
CN112508881A (zh) 一种颅内血管图像配准方法
US20220164967A1 (en) Method of establishing an enhanced three-dimensional model of intracranial angiography
CN112508880A (zh) 颅内血管图像配准方法、电子设备和计算机可读存储介质
CN112508868A (zh) 一种颅内血管综合图像生成方法
CN112508872A (zh) 颅内血管图像预处理方法和电子设备
CN112509076A (zh) 基于智慧医疗的颅内血管病灶标记与三维显示系统
CN114240841A (zh) 一种模拟化三维血管狭窄分析模型的建立方法
CN112509080A (zh) 一种基于迁移学习的颅内血管模拟三维模型的建立方法
CN112634386A (zh) 一种血管造影增强三维狭窄化分析模型的建立方法
CN112509077A (zh) 一种基于智慧医疗的颅内血管图像分割与显示方法
CN114170337A (zh) 一种基于迁移学习的颅内血管增强三维模型的建立方法
CN112509087A (zh) 一种颅内血管图像流空伪影消除方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210316