CN113298853A - 一种逐级递进的二阶段医学图像配准方法 - Google Patents
一种逐级递进的二阶段医学图像配准方法 Download PDFInfo
- Publication number
- CN113298853A CN113298853A CN202110719973.0A CN202110719973A CN113298853A CN 113298853 A CN113298853 A CN 113298853A CN 202110719973 A CN202110719973 A CN 202110719973A CN 113298853 A CN113298853 A CN 113298853A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- progressive
- floating
- images
- 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
- 230000000750 progressive effect Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000009466 transformation Effects 0.000 claims abstract description 54
- 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 abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 9
- 238000011524 similarity measure Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000002610 neuroimaging Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T7/30—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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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]
-
- 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
- G06T2207/20212—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出了一种逐级递进的二阶段医学图像配准方法,用以解决传统配准方法在进行图像配准时存在精度不够高的问题。本发明的步骤为:将待配准的参考图像和浮动图像进行融合,生成多个中间递进图像;利用SURF算法和仿射变换将浮动图像和中间递进图像进行配准得到粗配准结果;利用SURF算法和仿射变换将参考图像和粗配准结果进行配准得到精确配准结果;重复迭代,比较各个中间递进图像得到的精确配准结果,选择最优配准结果作为最终的配准图像。在脑影像学联合配准中,本发明的互信息、归一化互相关系数、均方差和归一化互信息均优于现有配准算法;本发明基于逐级递进策略进行图像配准,可以有效地提升医学图像配准的精度。
Description
技术领域
本发明涉及医学图像配准的技术领域,尤其涉及一种逐级递进的二阶段医学图像配准方法。
背景技术
随着计算机技术和医学技术的快速发展,利用电子计算机断层扫描、核磁共振等影像设备可以获取多种模态的医学图像。近些年,图像配准技术广泛应用在病灶定位、病人的康复治疗、术中指导和放射诊断中,因此,医学图像配准技术在临床应用中受到广泛的关注。
图像配准技术可分为基于图像灰度的方法和基于图像特征的方法。基于图像灰度的配准方法在医学疾病的诊断和治疗中发挥着重要的作用。20世纪末以来,国内外的众多学者为此提出了许多相关的图像配准算法,例如,Vercauteren等人利用李群理论在连续域上进行空间变换,提出一种微分同胚Demons配准算法;Maes等人提出将互信息作为一种相似性测度用于医学图像的配准中;汲光明提出利用Demons算法先行配准结合B样条技术的局部修正进行医学图像配准;在基于特征的图像配准方法中,首先提取图像的特征点,并对特征点进行匹配,通过计算特征之间的匹配关系得出图像间的变换参数,最终完成图像之间的配准。其存在很多经典的特征匹配算法,例如,在1999年D.G.Lowe等人提出尺度不变特征变换(scale invariant feature transform,SIFT)算法;H.Bay等人在Sift算法的基础上引入积分图像减少特征点的计算量,提出了SURF(speeded-up robust features)算法,该算法不仅具有Sift算法在图像尺度缩放、亮度变化等方面的优越性,还减少了图像特征点的计算量。
与近年来深受大众欢迎的深度学习配准方法相比,以上可以归结为传统的图像配准技术。深度学习方法在医学图像领域中往往存在训练时间过长、对硬件要求高、模型可移植性差等共性问题,而传统配准技术存在配准效果不如意、精度较低的问题。传统方法配准不精确的原因往往在于浮动图像和参考图像之间的巨大差距。因此,本发明基于逐级递进图像结合效果杰出的SURF算法进行脑影像学图像配准。
在基于特征点的图像配准过程中,首先提取到浮动图像F和参考图像R的特征点,获取两幅图像匹配点对的坐标值;根据得到特征点的空间坐标,建立图像间的映射关系并得出需要进行仿射变换的参数;然后将浮动图像做空间变换,目的是使两幅图像处于同一坐标系中;最后利用双三次插值算法对浮动图像进行重新赋值,完成两幅图像的配准全过程。尽管SURF算法具有杰出的性能,但仍然存在配准精度低的问题。产生这种情况的原因是:SURF算法是直接对原图像进行操作,原图像受到外界环境的干扰,因此获得的图像质量较差,提取特征变得困难,导致有效特征点的数量和准确度下降,从而影响匹配结果。为了解决医学图像配准过程中结构差异较大的问题,本发明采用生成中间逐级递进图像,实现逐级递进配准的方式。
发明内容
针对传统配准方法在进行图像配准时存在精度不够高的技术问题,本发明提出一种逐级递进的二阶段医学图像配准方法,通过生成多个中间递进图像,利用SURF算法提取特征进行逐级配准以达到精确配准的效果,应用于脑影像学单一模态图像的配准和多模态之间图像的联合配准,取得了不错的配准结果,具有较强的鲁棒性。
为了达到上述目的,本发明的技术方案是这样实现的:一种逐级递进的二阶段医学图像配准方法,其步骤如下:
步骤一:将待配准的参考图像和浮动图像进行融合,生成多个中间递进图像;
步骤二:利用SURF算法和仿射变换将浮动图像、中间递进图像进行配准得到粗配准结果;
步骤三:利用SURF算法和仿射变换将参考图像、粗配准结果进行配准得到精确配准结果;
步骤四:重复迭代步骤二和步骤三,比较各个中间递进图像得到的精确配准结果,选择最优配准结果作为最终的配准图像。
所述步骤一中进行融合的方法为:
对待配准的浮动图像F和参考图像R的每个对应像素点求均值,生成的结果图像为两幅图像的中间递进图像M0,且M0(x,y)=(R(x,y)+F(x,y))/2;
其中,R(x,y)、F(x,y)、M0(x,y)分别是参考图像R、浮动图像F和中间递进图像M0的像素点(x,y)的像素值;
生成的中间递进图像分别与对待配准的浮动图像F或参考图像R进行融合,生成多个中间递进图像M0、M1、…、Ml,l为中间递进图像的个数。
所述多个中间递进图像的获取方法为:将生成的中间递进图像作为中间配准过程中的参考图像与浮动图像F进行融合得到中间递进图像,或者,生成的中间递进图像作为中间配准过程中的浮动图像与参考图像R进行融合得到中间递进图像。
所述步骤二粗配准结果的实现方法为:
步骤1:将中间递进图像Mk作为参考图像,利用SURF算法分别提取浮动图像F和中间递进图像Mk的特征点,k=0,1,2…l;
步骤2:对特征点进行描述得到特征向量,利用特征向量的相似度进行特征点匹配;
步骤3:采用仿射变换对浮动图像F进行空间变换,利用最小二乘法计算变换参数;利用求得的变换参数,将浮动图像F变换到参考图像R的坐标系下,使用双三次插值函数完成变换后浮动图像F和参考图像R的配准,得到初配准结果即粗配准结果。
其中,I(x′,y′)表示原图像,对原图像I(x′,y′)中所有像素点进行一遍扫描,得到积分图像;
所述SURF算法构建Hessian矩阵生成图像稳定的边缘点:当Hessian矩阵的判别式取得局部极大值时,判定当前点是比周围邻域内其他点更亮或更暗的点,从而定位关键点的位置。
对Hessian矩阵进行高斯滤波,经过滤波后的Hessian矩阵为:
所述SURF算法利用尺度递增的盒子滤波器与浮动图像卷积建立图像金字塔,形成尺度空间,将经过Hessian矩阵处理的每个像素点与图像空间和尺度空间邻域内的26个点进行比较,初步定位出关键点,再经过滤除能量比较弱的关键点以及错误定位的关键点,筛选出最终的稳定的特征点。
所述步骤2中对对特征点进行描述分为2个步骤:首先是特征点方向分配:以特征点为中心,计算半径为6s邻域内的点在x、y方向上的Haar小波的响应值,对得到的x和y方向上的Haar小波响应值进行因子为2s的高斯加权,加权后的值分别表示在水平和垂直方向上的方向分量,s为特征点所在的尺度值;以特征点为中心,张角为π/3的扇形滑动,计算窗口内的Haar小波响应值dx、dy的累加,将最大值那个扇形的方向作为特征点的主方向;然后以特征点为中心,选取边长为20s的正方形框,将区域的主方向旋转到特征点的主方向,将区域划分为16个子区域,对每一个子区域选取25个采样点,计算其对应的Haar小波响应值dx和dy;对4个更小子区域的Haar小波响应值及其绝对值进行求和,得到四维向量∑dx、∑dy、∑|dx|和∑|dy|,将16个子区域的向量分别加入特征向量中,得到一个64维的特征向量描述子。
所述特征点匹配转换为每个特征描述子之间的相似度,通过2个特征向量之间的欧式距离来决定匹配度;设浮动图像F和中间递进图像Ml的特征点分别为x=(x1,x2,...,xt),x′=(x1′,x2′,...,xt′),则特征点x和x′欧式距离:
仿射变换本质上为线性变换和平移变换的简单叠加,它的变化主要包括:缩放、平移、旋转、反射、错切。仿射变换是二维平面中一种重要的变换方式,在图像配准领域有广泛的应用,在二维图像变换中,仿射变换为:
即:x=R00x′+R01y′+Tx,y=R10x′+R11y′+Ty;
其中,M是仿射变换矩阵,x、y表示参考图像R中对应匹配点的坐标,x'、y'表示浮动图像F中对应匹配点坐标;
将浮动图像F变换到参考图像R的坐标系下后,采用间接重采样方法保证配准后的图像中不会出现像素点的覆盖现象。
所述浮动图像与参考图像配准效果的相似性测度包括:
互信息衡量随机变量之间相互依赖程度的度量,参考图像R和浮动图像F的互信息为:
MI(R,F)=H(R)+H(F)-H(R,F);
式中,H(R)、H(F)分别代表参考图像R、浮动图像F包含的信息,H(R,F)为参考图像R和浮动图像F的联合熵,且
H(R)=-∑PR(r)log2PR(r),
H(F)=-∑PF(f)log2PF(f),
H(R,F)=-∑PRF(r,f)log2PRF(r,f);
其中,PR(r)、PF(f)分别表示参考图像和浮动图像内像素信息的独立概率分布,PRF(r,f)为联合概率分布;
归一化互信息度量两幅图像相似度的一种表达方式,且归一化互信息:
归一化互相关系数为:
均方差是一种利用参考图像和浮动图像之间的灰度差值的相似性测度,均方差为:
其中,R(x,y)和F(x,y)分别表示参考图像R和浮动图像F中点(x,y)的灰度,N表示图像中像素的总个数,m*n表示图像的大小。
本发明的有益效果:分为3个步骤:1)将参考图像和浮动图像进行融合,生成多个递进图像;2)将浮动图像和递进图像进行配准得到粗配准结果,该过程涉及SURF算法建立特征点匹配关系、结合仿射变换实现图像配准;3)将参考图像和粗配准结果进行配准得到精确配准结果,该过程涉及SURF算法建立特征点匹配关系、结合仿射变换实现图像配准。而且,在同种类型脑影像学数据配准中,与互信息算法、Demons算法、Demons结合B样条算法和SURF算法相比,本发明的归一化相关系数较以上4种算法分别提升了19.6%、9.8%、39%和13.2%。在脑影像学联合配准中,互信息、归一化互相关系数、均方差和归一化互信息均优于上述4种配准算法;实验结果表明,本发明基于逐级递进策略进行图像配准,可以有效地提升医学图像配准的精度。
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为本发明的流程示意图。
图2为本发明递进图像的评价效果示意图,其中,(a)为MI值,(b)为NCC值,(c)为MSD值,(d)为NMI值。
图3为本发明图像特征点匹配效果的示意图,其中,(a)为浮动图像与参考图像,(b)为粗配准,(c)为精配准。
图4为单模态图像的配准结果,其中,(a)为浮动图像,(b)为参考图像,(c)为互信息算法,(d)为Demons算法,(e)为Demons+B样条算法,(f)为SURF算法,(g)为本发明的配准结果。
图5为多模态图像的配准结果,其中,(a)为浮动图像,(b)为参考图像,(c)为互信息算法,(d)为Demons算法,(e)为Demons+B样条算法,(f)为SURF算法,(g)为本发明的配准结果。
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种逐级递进的二阶段医学图像配准方法,首先利用参考图像和浮动图像生成中间递进图像,采用SURF算法对待配准的浮动图像和中间递进图像进行初配准,以减小图像之间的结果差异;然后利用生成的配准结果的图像与参考图像进行精确配准,从而提高配准精度,具体步骤如下:
步骤一:将待配准的参考图像和浮动图像进行融合,生成多个中间递进图像。
步骤1:对待配准的浮动图像F和参考图像R的每个对应像素点求均值,生成的结果图像为两幅图像的中间递进图像M0,计算公式如(1)所示。
M0(x,y)=(R(x,y)+F(x,y))/2 (1)
其中,R(x,y)、F(x,y)、M0(x,y)分别是参考图像R、浮动图像F和中间递进图像M0的像素点(x,y)的像素值。
步骤2:生成的中间递进图像分别与对待配准的浮动图像F或参考图像R重复步骤1的过程,生成多个中间递进图像M0、M1、…、Ml,l为中间递进图像的个数,将中间递进图像作为中间配准过程中的参考图像或浮动图像,即将生成的中间递进图像作为中间配准过程中的参考图像与浮动图像F进行融合得到中间递进图像,或者,将生成的中间递进图像作为中间配准过程中的浮动图像F与参考图像R进行融合得到中间递进图像。
步骤二:利用SURF算法和仿射变换将浮动图像和中间递进图像进行配准得到粗配准结果。
步骤3:将中间递进图像Mk作为参考图像,利用SURF算法分别提取浮动图像F和中间递进图像Mk的特征点,k=0,1,2…l。
首先,利用SURF算法中积分图像能够快速计算矩形区域的像素和。对于图像中的任一像素点(x,y)的值I(x,y),则对应的积分图像的值I∑(x,y)定义如式(2)所示。
其中,I(x′,y′)表示原图像,利用公式(2)对原图像I(x′,y′)中所有像素点进行一遍扫描,得到积分图像。借助积分图像,图像与高斯二阶微分函数的滤波转化为对积分图像的加减运算,可以显著提高计算速度。
构建Hessian矩阵目的是为了生成图像稳定的边缘点,当Hessian矩阵的判别式取得局部极大值时,判定当前点是比周围邻域内其他点更亮或更暗的点,由此来定位关键点的位置。设图像函数为f(x,y),则Hessian矩阵的判别式为:
因为特征点需要具备尺度不变性,所以在进行Hessian矩阵构建前,需要对其进行高斯滤波,经过滤波后的Hessian矩阵其定义如式(3)所示。
式中,σ为空间尺度因子。SURF算法为了保持图像大小不变,利用尺度递增的盒子滤波器与浮动图像卷积建立图像金字塔,形成尺度空间。将经过Hessian矩阵处理的每个像素点与图像空间和尺度空间邻域内的26个点进行比较,初步定位出关键点,再经过滤除能量比较弱的关键点以及错误定位的关键点,筛选出最终的稳定的特征点。
步骤4:在完成图像特征点的提取后,对特征点进行描述得到特征向量,利用特征向量的相似度进行特征点匹配。
在完成图像特征点的提取后,对特征点进行描述,主要分为2个步骤:首先是特征点方向分配,目的是保证算法的旋转不变性。以特征点为中心,计算半径为6s邻域内的点在x,y方向上的Haar小波的响应值,s为特征点所在的尺度值,对得到的x和y方向上的Haar小波响应值进行因子为2s的高斯加权,加权后的值分别表示在水平和垂直方向上的方向分量,接着以特征点为中心,张角为π/3的扇形滑动,计算窗口内的Haar小波响应值dx、dy的累加,最后将最大值那个扇形的方向作为特征点的主方向。确定特征点的主方向后,以特征点为中心,选取边长为20s的正方形框,然后将区域的主方向旋转到特征点的主方向。将区域划分为16个子区域,对每一个子区域选取25个采样点,计算其对应的Haar小波响应值dx和dy。对4个更小子区域的Haar小波响应值及其绝对值进行求和,得到四维向量∑dx、∑dy、∑|dx|和∑|dy|,将16个子区域的向量分别加入特征向量中,得到一个64维的特征向量描述子。
特征点匹配可以转换为每个特征描述子之间的相似度,通过2个特征向量之间的欧式距离来决定匹配度,欧氏距离越短,代表两个特征点的匹配度越好。浮动图像F和中间递进图像Ml的特征点分别为x=(x1,x2,...,xt),x′=(x1′,x2′,...,xt′),则x和x′欧式距离计算式如(5)所示。
步骤5:采用仿射变换对浮动图像F进行空间变换,利用最小二乘法计算变换参数;利用求得的变换参数,将浮动图像F变换到参考图像R的坐标系下,使用双三次插值函数完成变换后浮动图像F和参考图像R的配准,得到初配准结果。
仿射变换本质上为线性变换和平移变换的简单叠加,它的变化主要包括:缩放、平移、旋转、反射、错切。仿射变换是二维平面中一种重要的变换方式,在图像配准领域有广泛的应用,在二维图像变换中,一般表达式如(6)所示。
即:
x=R00x′+R01y′+Tx,y=R10x′+R11y′+Ty (7)
其中,M是仿射变换矩阵,x、y表示参考图像R中对应匹配点的坐标,x'、y'表示浮动图像F中对应匹配点坐标。仿射变换有6个参数,理论上至少需要6个方程。在实际中,匹配对的个数往往大于6,可以用最小二乘法来计算变换参数。
利用求得的变换参数,将浮动图像F变换到参考图像R的坐标系下,目的是与参考图像R的空间位置一致,采用间接重采样方法保证配准后的图像中不会出现像素点的覆盖现象,并使用双三次插值函数完成图像配准,得到初配准结果。
步骤三:利用SURF算法和仿射变换将参考图像和粗配准结果进行配准得到精确配准结果。
步骤6:将初始配准结果作为精配准过程中的浮动图像,与参考图像进行配准。重复进行步骤3、4和5的操作,从而对初始配准结果作为浮动图像与参考图像进一步精确的配准得到最终的配准图像。
步骤四:重复迭代步骤二和步骤三,比较各个中间递进图像得到的精确配准结果,选择最优配准结果作为最终的配准图像。
步骤7:重复步骤3、4、5、6直到配准结果最优。
相似性测度是用来评价图像配准结果好坏的指标。在配准过程中,浮动图像渐渐向参考图像对齐,当相似性测度值处于最大或最小时,两幅图像即浮动图像和参考图像最相似。下面将介绍几种常见的测度。
互信息(Mutual Information,MI)是衡量随机变量之间相互依赖程度的度量,将其用于评价参考图像R和浮动图像F配准效果。参考图像R和浮动图像F的互信息为:
MI(R,F)=H(R)+H(F)-H(R,F) (7)
式中,H(R)、H(F)分别代表参考图像R、浮动图像F包含的信息,如式(8)和(9)所示;H(R,F)为参考图像R和浮动图像F的联合熵,其定义如式(10)所示。
H(R)=-∑PR(r)log2PR(r) (8)
H(F)=-∑PF(f)log2PF(f) (9)
H(R,F)=-∑PRF(r,f)log2PRF(r,f) (10)
其中,PR(r)、PF(f)分别表示参考图像和浮动图像内像素信息的独立概率分布,PRF(r,f)为联合概率分布。
归一化互信息(Normal Mutual Information,NMI)是度量两幅图像相似度的一种表达方式,它的值越大代表两幅图像的相似性越高,通常用来作为图像配准中的评价指标,其定义如式(11)所示。
归一化互相关系数(Normalized Correlation Coefficient,NCC)在图像配准中是一种常用的配准结果指标,它的取值范围最大为1,最小为0,其定义如式(12)所示。
均方差(Mean Square Difference,MSD)是一种利用参考图像和浮动图像之间的灰度差值的相似性测度,当两幅图像最相似时,它们的均方差最小,其定义如式(13)所示。
其中,R(x,y)和F(x,y)分别表示参考图像R和浮动图像F中点(x,y)的灰度,N表示图像中像素的总个数,m*n表示图像的大小。
本发明采用逐级递进结合SURF算法实现医学图像配准任务,生成多个中间递进图像,通过逐级配准方式,逐步提升配准精度。
为了验证本发明所提出算法的准确性与有效性,首先对两幅图像特征点的匹配进行对比实验,然后分别对MRI-MRI单模态与CT-MRI多模态医学图像进行配准实验。实验环境为:Windows10操作系统,Matlab R2019a实验平台。硬件平台为:Intel(R)Core(TM)i7-9750H CPU@2.60GHz、内存32GB。本文算法与4种主流配准算法作为比较算法,这4种算法分别为互信息算法、Demons算法、Demons+B样条算法、SURF算法。
本发明采用生成中间递进图像并利用逐级递进配准方式完成图像间配准,中间递进图像的选择直接影响最终的图像配准精度。因此将浮动图像和参考图像通过公式(1)进行运算得到中间递进图像M0,再结合浮动图像和中间递进图像M0进行公式(1)运算生成中间递进图像M1,依次类推生成递进图像M2、M3、...、M9。利用生成的中间递进图像作为参考图像和浮动图像进行粗配准得到初始的配准结果,再将得到的初始配准结果和参考图像进行精配准获取最终配准结果,通过计算最终配准结果和参考图像之间的MI、NCC、MSD和NMI值,得到的中间递进图像M0、M1、...、M9的上述四个评价指标,如图2所示。
图2中的(a)、(b)、(c)和(d)四个部分分别表示采用中间递进图像M0至M9的MI值、NCC值、MSD值和NMI值,从图2中可以看出,选择中间递进图像M7作为中间递进图像得到的图像配准结果的各个评价指标要优于其它中间递进图像。另一方面,由于MSD值越小,表明两幅图像配准精确性更高,因此图2的(c)部分中中间递进图像M7的MSD值最小。此外,中间递进图像M8和M9生成的最终配准结果效果相较于M7有较大程度下降,原因在于随着生成的中间递进图像越多,进行初配准得到的图像边缘特征点的效果越不理想,影响了空间变换参数的选择,从而降低了图像配准的结果。因此,本发明选择中间递进图像M7作为中间模板来完成逐级图像配准的过程。
根据SURF算法特征提取方法对浮动图像和参考图像进行特征点的提取,实现两幅图像的相应特征点的匹配。对浮动图像直接向参考图像配准特征点匹配效果如图3中(a)部分所示。本发明提出的基于逐级递进的医学图像配准算法特征点匹配效果如图3中(b)和(c)所示。
对比图3中(a)、(b)和(c)可以看出,如果两幅图像选择直接配准,SURF算法提取到的两幅图像边缘特征点比较少,从而影响图像边缘配准效果。另外,在图像内部特征点的匹配中,存在浮动图像中的多个特征点同时指向参考图像同一个特征点的情况,因此获取的浮动图像参数不准确,大大降低了两幅图像配准的精度。相反,本发明提出的逐级递进配准算法利用生成的中间递进图像,先对浮动图像与递进图像进行粗配准,获取更多的图像边缘特征点个数,改进了图像边缘匹配效果,如图3中(b)部分所示。然后利用生成的初配准图像与参考图像进一步精确配准,降低图像内部特征点匹配错误率,从而提升图像整体配准的准确度,特征点匹配效果图如图3中(c)部分所示。
单模态医学配准图像采用蒙特利尔神经医学部Brainweb数据库。如图4所示,图4(a)是选取MRI-T1加权图像作为浮动图像F,图4(b)选取MRI-PD图像作为参考图像R。实验配准所用的对比标准图均为经过人工配准过的图像,对每种对比算法各进行100次实验,统计其互信息、归一化相关系数、均方差和归一化互信息的平均值。图4中(c)-(g)分别为基于互信息算法、Demons算法、Demons+B样条算法、SURF算法和本发明对浮动图像配准后的结果。
单模态配准结果如表1所示。综合来看,与Demons算法与Demons+B样条算法相比,本发明的互信息、归一化相关系数和归一化互信息均得到了一定的提升,均方差较前两种配准算法分别降低了91.9%和92.5%。
表1单模态图像配准实验结果对比
多模态配准图像采用Kaggle(https://www.kaggle.comct-images)官方提供的人脑MR和CT图像数据集。配准结果采用MI、NCC、MSD和NMI值这4种相似性测度函数作为指标对配准结果进行评价,其中互信息、归一化相关系数和归一化互信息的值越高代表参考图像与浮动图像配准效果越好。
表2为5种配准算法对参考图像与浮动图像分别使用MI、NCC、MSD、NMI值作为测度函数进行100次配准实验结果的平均值。配准结果显示本发明的MI、NCC、MSD、NMI均优于其他5种配准算法。图5(a)为MR浮动图像,图5(b)为CT参考图像,图5(c)-(g)分别为基于互信息算法、基于Demons算法、Demons+B样条算法、SURF算法和本发明对浮动图像配准后的结果。
表2多模态图像配准实验结果对比
单模态和多模态实验配准结果表明,本发明与互信息算法、Demons算法、Demons+B样条配准算法和SURF算法相比,在配准精度方面得到了一定幅度的提升,这主要利用了参考图像与浮动图像生成了中间递进图像,因此SURF算法可以提取到更多关于两幅图像之间的特征点,两幅图像之间匹配的特征点就会增多,从而进一步提升配准结果的精度。从配准结果来看,本发明各项指标均有不同幅度的提升,相较上述4种配准算法精度更高,具有更高的临床使用价值。
从实验验证结果可以看出,本发明比其他配准方法更加强大和鲁棒,验证了所提出的逐级递进配准机制的有效性。
采用逐级递进配准机制是本发明的关键,如图3中(a)部分所示,浮动图像直接向参考图像配准,两幅图像获取的对应特征点匹配对数较少并且匹配正确率较低,这是因为SURF算法通过计算图像中的极值点并将它作为特征点来完成两幅图像特征匹配的过程,在这一过程中有一些特征点,比如:亮区域的暗点或者暗区域的亮点没有被SURF算法检测到,导致一些关键图像特征点丢失。在图3中(a)部分中,浮动图像和参考图像之间的特征点配准对对数为30对,其中误配对对数为16对,正确配对对数为14对,正确配对率为47%,配准结果的精度不高。然而,采用逐级递进配准机制,通过生成中间递进图像,让浮动图像与中间递进图像进行初配准,两幅图像特征点匹配结果如图3中(b)部分所示。其中,浮动图像和中间递进图像之间的特征点配准对对数为30对,其中误配对对数为7对,正确配对对数为33对,正确配对率为77%,接下来将初始图像配准结果继续与参考图像进行特征点的匹配,匹配结果如图3中(c)所示。其中,浮动图像和中间递进图像之间的特征点配准对对数为39对,其中误配对对数为13对,正确配对对数为16对,正确配对率为55%。从上述数据可以看出,相较于浮动图像直接向参考图像配准,采用逐级递进配准机制后,两幅图像之间特征点配准对数在初配准阶段正确配对对数相同,误配对对数减少了9对,正确配对对数增加了9对,正确配对率增加了30%。经过图像的初始配准之后,在两幅图像精配准过程中,虽然特征点配对对数有所减少,但正确配对对数增加,其中正确配对率增加了8%。另一方面,相较于两幅图像间的直接配准,采用本发明的浮动图像经过粗配准和精配准之后,一定程度上剔除了多个特征点同时指向一个特征点的情况,为接下来的空间变换提供了可靠的坐标。
本发明的对比算法中,包括了基于图像灰度的配准算法,比如:互信息算法、Demons算法和Demons+B样条算法,其中互信息算法通过计算两幅图像的熵,来反映他们之间信息的相互包含程度,当两幅图像相似度越高或者重合部分越大,它们之间的互信息越大,表明图像配准的结果越理想。然而,互信息对两幅图像之间的重叠区域比较敏感,当两幅图像的重叠区太小,互信息就小,配准精度随之降低。Demons算法和Demons+B样条算法是基于两幅图像灰度守恒的原理,而多模态图像不能简单使用灰度守恒以灰度差来计算驱动力。SURF算法是基于图像特征的配准算法,它具有运算效率高的特点,能有效节约配准时间。然而,SURF算法再寻找特征点时具有不稳定性,再进行点对之间匹配时,容易造成较多的错误匹配,从而对配准正确率造成影响。本文发明通过逐级递进配准机制,既保证了基于灰度配准的图像精确性,又兼顾了基于特征配准的高效率。
本发明的中间递进图像的获取是通过公式(1)计算得到,选择中间递进图像个数决定了整个配准过程需要花费的时间。针对传统的医学图像配准算法配准精度低的问题,本发明提出了一种基于逐级递进结合SURF算法的医学图像配准方法,通过生成多个中间递进图像,结合SURF算法实现浮动图像一步一步向参考图像精确配准的过程。二维单模态和二维多模态图像配准实验表明,本发明构建的中间递进图像逐级配准取得了不错的配准结果,具有较强的鲁棒性。与其他传统的算法相比,本发明在配准精度方面有不同程度的提高,对临床应用中的医学图像配准具有一定的使用价值和借鉴性。但是由于中间生成了多个中间递进图像,配准所消耗的时间比较长,所以在一定程度上降低了配准效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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)
1.一种逐级递进的二阶段医学图像配准方法,其特征在于,其步骤如下:
步骤一:将待配准的参考图像和浮动图像进行融合,生成多个中间递进图像;
步骤二:利用SURF算法和仿射变换将浮动图像、中间递进图像进行配准得到粗配准结果;
步骤三:利用SURF算法和仿射变换将参考图像、粗配准结果进行配准得到精确配准结果;
步骤四:重复迭代步骤二和步骤三,比较各个中间递进图像得到的精确配准结果,选择最优配准结果作为最终的配准图像。
2.根据权利要求1所述的逐级递进的二阶段医学图像配准方法,其特征在于,所述步骤一中进行融合的方法为:
对待配准的浮动图像F和参考图像R的每个对应像素点求均值,生成的结果图像为两幅图像的中间递进图像M0,且M0(x,y)=(R(x,y)+F(x,y))/2;
其中,R(x,y)、F(x,y)、M0(x,y)分别是参考图像R、浮动图像F和中间递进图像M0的像素点(x,y)的像素值;
生成的中间递进图像分别与对待配准的浮动图像F或参考图像R进行融合,生成多个中间递进图像M0、M1、…、Ml,l为中间递进图像的个数。
3.根据权利要求1或2所述的逐级递进的二阶段医学图像配准方法,其特征在于,所述多个中间递进图像的获取方法为:将生成的中间递进图像作为中间配准过程中的参考图像与浮动图像F进行融合得到中间递进图像,或者,生成的中间递进图像作为中间配准过程中的浮动图像与参考图像R进行融合得到中间递进图像。
4.根据权利要求3所述的逐级递进的二阶段医学图像配准方法,其特征在于,所述步骤二粗配准结果的实现方法为:
步骤1:将中间递进图像Mk作为参考图像,利用SURF算法分别提取浮动图像F和中间递进图像Mk的特征点,k=0,1,2…l;
步骤2:对特征点进行描述得到特征向量,利用特征向量的相似度进行特征点匹配;
步骤3:采用仿射变换对浮动图像F进行空间变换,利用最小二乘法计算变换参数;利用求得的变换参数,将浮动图像F变换到参考图像R的坐标系下,使用双三次插值函数完成变换后浮动图像F和参考图像R的配准,得到初配准结果即粗配准结果。
7.根据权利要求4所述的逐级递进的二阶段医学图像配准方法,其特征在于,所述SURF算法利用尺度递增的盒子滤波器与浮动图像卷积建立图像金字塔,形成尺度空间,将经过Hessian矩阵处理的每个像素点与图像空间和尺度空间邻域内的26个点进行比较,初步定位出关键点,再经过滤除能量比较弱的关键点以及错误定位的关键点,筛选出最终的稳定的特征点。
8.根据权利要求4或7所述的逐级递进的二阶段医学图像配准方法,其特征在于,所述步骤2中对对特征点进行描述分为2个步骤:首先是特征点方向分配:以特征点为中心,计算半径为6s邻域内的点在x、y方向上的Haar小波的响应值,对得到的x和y方向上的Haar小波响应值进行因子为2s的高斯加权,加权后的值分别表示在水平和垂直方向上的方向分量,s为特征点所在的尺度值;以特征点为中心,张角为π/3的扇形滑动,计算窗口内的Haar小波响应值dx、dy的累加,将最大值那个扇形的方向作为特征点的主方向;然后以特征点为中心,选取边长为20s的正方形框,将区域的主方向旋转到特征点的主方向,将区域划分为16个子区域,对每一个子区域选取25个采样点,计算其对应的Haar小波响应值dx和dy;对4个更小子区域的Haar小波响应值及其绝对值进行求和,得到四维向量∑dx、∑dy、∑|dx|和∑|dy|,将16个子区域的向量分别加入特征向量中,得到一个64维的特征向量描述子。
9.根据权利要求8所述的逐级递进的二阶段医学图像配准方法,其特征在于,所述特征点匹配转换为每个特征描述子之间的相似度,通过2个特征向量之间的欧式距离来决定匹配度;设浮动图像F和中间递进图像Ml的特征点分别为x=(x1,x2,...,xt),x′=(x1′,x2′,...,xt′),则特征点x和x′欧式距离:
仿射变换本质上为线性变换和平移变换的简单叠加,它的变化主要包括:缩放、平移、旋转、反射、错切。仿射变换是二维平面中一种重要的变换方式,在图像配准领域有广泛的应用,在二维图像变换中,仿射变换为:
即:x=R00x′+R01y′+Tx,y=R10x′+R11y′+Ty;
其中,M是仿射变换矩阵,x、y表示参考图像R中对应匹配点的坐标,x′、y′表示浮动图像F中对应匹配点坐标;
将浮动图像F变换到参考图像R的坐标系下后,采用间接重采样方法保证配准后的图像中不会出现像素点的覆盖现象。
10.根据权利要求1或9所述的逐级递进的二阶段医学图像配准方法,其特征在于,所述浮动图像与参考图像配准效果的相似性测度包括:
互信息衡量随机变量之间相互依赖程度的度量,参考图像R和浮动图像F的互信息为:
MI(R,F)=H(R)+H(F)-H(R,F);
式中,H(R)、H(F)分别代表参考图像R、浮动图像F包含的信息,H(R,F)为参考图像R和浮动图像F的联合熵,且
H(R)=-∑PR(r)log2PR(r),
H(F)=-∑PF(f)log2PF(f),
H(R,F)=-∑PRF(r,f)log2PRF(r,f);
其中,PR(r)、PF(f)分别表示参考图像和浮动图像内像素信息的独立概率分布,PRF(r,f)为联合概率分布;
归一化互信息度量两幅图像相似度的一种表达方式,且归一化互信息:
归一化互相关系数为:
均方差是一种利用参考图像和浮动图像之间的灰度差值的相似性测度,均方差为:
其中,R(x,y)和F(x,y)分别表示参考图像R和浮动图像F中点(x,y)的灰度,N表示图像中像素的总个数,m*n表示图像的大小。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719973.0A CN113298853B (zh) | 2021-06-28 | 2021-06-28 | 一种逐级递进的二阶段医学图像配准方法 |
US17/851,066 US20220414903A1 (en) | 2021-06-28 | 2022-06-28 | Medical Image Registration Method Based on Progressive Images |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719973.0A CN113298853B (zh) | 2021-06-28 | 2021-06-28 | 一种逐级递进的二阶段医学图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298853A true CN113298853A (zh) | 2021-08-24 |
CN113298853B CN113298853B (zh) | 2022-05-27 |
Family
ID=77329799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719973.0A Active CN113298853B (zh) | 2021-06-28 | 2021-06-28 | 一种逐级递进的二阶段医学图像配准方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220414903A1 (zh) |
CN (1) | CN113298853B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913479A (zh) * | 2023-09-13 | 2023-10-20 | 西南石油大学 | 一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 |
CN116958132A (zh) * | 2023-09-18 | 2023-10-27 | 中南大学 | 基于视觉分析的手术导航系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11810266B2 (en) * | 2021-03-19 | 2023-11-07 | Apple Inc. | Pattern radius adjustment for keypoint descriptor generation |
CN116563096B (zh) * | 2023-07-11 | 2023-09-26 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 用于图像配准的形变场的确定方法、装置以及电子设备 |
CN116843728B (zh) * | 2023-09-01 | 2023-11-14 | 山东科技大学 | 一种基于仿射变换的光学遥感图像配准方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010022266A1 (de) * | 2010-05-31 | 2011-12-01 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Registrierung von medizinischen Bilddaten |
CN106709867A (zh) * | 2016-11-23 | 2017-05-24 | 电子科技大学 | 一种基于改进surf和改进互信息的医学图像配准方法 |
CN111127353A (zh) * | 2019-12-16 | 2020-05-08 | 重庆邮电大学 | 一种基于块配准和匹配的高动态图像去鬼影方法 |
CN111125416A (zh) * | 2019-12-27 | 2020-05-08 | 郑州轻工业大学 | 一种基于多特征融合的图像检索方法 |
CN111445389A (zh) * | 2020-02-24 | 2020-07-24 | 山东省科学院海洋仪器仪表研究所 | 一种高分辨率图像的宽视角快速拼接方法 |
-
2021
- 2021-06-28 CN CN202110719973.0A patent/CN113298853B/zh active Active
-
2022
- 2022-06-28 US US17/851,066 patent/US20220414903A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010022266A1 (de) * | 2010-05-31 | 2011-12-01 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Registrierung von medizinischen Bilddaten |
CN106709867A (zh) * | 2016-11-23 | 2017-05-24 | 电子科技大学 | 一种基于改进surf和改进互信息的医学图像配准方法 |
CN111127353A (zh) * | 2019-12-16 | 2020-05-08 | 重庆邮电大学 | 一种基于块配准和匹配的高动态图像去鬼影方法 |
CN111125416A (zh) * | 2019-12-27 | 2020-05-08 | 郑州轻工业大学 | 一种基于多特征融合的图像检索方法 |
CN111445389A (zh) * | 2020-02-24 | 2020-07-24 | 山东省科学院海洋仪器仪表研究所 | 一种高分辨率图像的宽视角快速拼接方法 |
Non-Patent Citations (2)
Title |
---|
L. MORARU.ET AL.: "Gaussian mixture model for texture characterization with application to brain DTI images", 《JOURNAL OF ADVANCED RESEARCH》 * |
刘月亮 等: "基于回归预测的肺4D-CT多相位配准", 《中国生物医学工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913479A (zh) * | 2023-09-13 | 2023-10-20 | 西南石油大学 | 一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 |
CN116913479B (zh) * | 2023-09-13 | 2023-12-29 | 西南石油大学 | 一种确定实施pmrt的三阴性乳腺癌患者的方法及装置 |
CN116958132A (zh) * | 2023-09-18 | 2023-10-27 | 中南大学 | 基于视觉分析的手术导航系统 |
CN116958132B (zh) * | 2023-09-18 | 2023-12-26 | 中南大学 | 基于视觉分析的手术导航系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113298853B (zh) | 2022-05-27 |
US20220414903A1 (en) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298853B (zh) | 一种逐级递进的二阶段医学图像配准方法 | |
CN103310453B (zh) | 一种基于子图像角点特征的快速图像配准方法 | |
CN102722890B (zh) | 基于光流场模型的非刚性心脏图像分级配准方法 | |
US10853941B2 (en) | Registration method and system for non-rigid multi-modal medical image | |
JP2007283108A (ja) | 画像の位置合わせを容易にするシステム及び方法 | |
US20030235337A1 (en) | Non-rigid image registration using distance functions | |
Saygili et al. | Confidence estimation for medical image registration based on stereo confidences | |
Zhu et al. | Self-similarity inspired local descriptor for non-rigid multi-modal image registration | |
Shen et al. | 3D Gabor wavelets for evaluating SPM normalization algorithm | |
CN103345741A (zh) | 一种非刚性多模医学图像精确配准方法 | |
Yang et al. | Medical Image Segmentation Using Descriptive Image Features. | |
Cifor et al. | Hybrid feature-based log-demons registration for tumour tracking in 2-d liver ultrasound images | |
Fourcade et al. | Deformable image registration with deep network priors: a study on longitudinal PET images | |
Shams et al. | Gradient intensity-based registration of multi-modal images of the brain | |
Qin et al. | Structure matching driven by joint-saliency-structure adaptive kernel regression | |
Zhang et al. | LPPCO: A novel multimodal medical image registration using new feature descriptor based on the local phase and phase congruency of different orientations | |
Mambo et al. | A review on medical image registration techniques | |
Staib et al. | An integrated approach for locating neuroanatomical structure from MRI | |
Chan et al. | Automatic characteristic-calibrated registration (ACC-REG): Hippocampal surface registration using eigen-graphs | |
Bhattacharya et al. | Registration of CT and MR images of Alzheimer’s patient: a shape theoretic approach | |
Vicory | Shape deformation statistics and regional texture-based appearance models for segmentation | |
Xu et al. | A novel fractional order derivate based log-demons with driving force for high accurate image registration | |
Gu et al. | A consistent deep registration network with group data modeling | |
Ardizzone et al. | Multi-modal non-rigid registration of medical images based on mutual information maximization | |
Li et al. | Appearance modeling using a geometric transform |
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 |