CN113393498B - 图像配准方法、装置、计算机设备和存储介质 - Google Patents
图像配准方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113393498B CN113393498B CN202110578685.8A CN202110578685A CN113393498B CN 113393498 B CN113393498 B CN 113393498B CN 202110578685 A CN202110578685 A CN 202110578685A CN 113393498 B CN113393498 B CN 113393498B
- Authority
- CN
- China
- Prior art keywords
- image
- medical
- medical images
- deformation field
- size
- 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.)
- Active
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种图像配准方法、装置、计算机设备和存储介质。所述方法包括:获取至少两个医学图像;对所述至少两个医学图像进行主成分分析,确定各所述医学图像对应的合成图像;基于各所述医学图像对应的合成图像对各所述医学图像进行配准。采用本方法能够降低图像配准过程的计算量。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像配准方法、装置、计算机设备和存储介质。
背景技术
随着医疗影像技术的不断发展,在患者去医院检查时,医生大多会让患者拍摄医学影像,一般为了对患者进行更好的检查,通常会让患者在不同的情况下拍摄多张医学影像,同时会对这多张医学影像进行配准,之后医生可以通过对配准后的医学影像进行分析,这样就可以得到患者的影像分析结果。
相关技术中,通常会采用RPCA(Robust Principal Component Analysis,稳健主成分分析)方法对多张医学影像进行配准,在配准时,会设置很多超参数,通过反复调节不同的超参数以及迭代调用PCA主成分分析过程,以实现对各张医学影像进行配准,最终得到配准后的多张医学影像。
然而,上述技术在图像配准时,存在配准过程计算量大的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低配准过程计算量的图像配准方法、装置、计算机设备和存储介质。
一种图像配准方法,该方法包括:
获取至少两个医学图像;
对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像;
基于各医学图像对应的合成图像对各医学图像进行配准。
在其中一个实施例中,上述对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像,包括:
对上述至少两个医学图像进行刚性配准,得到各刚性配准医学图像;
对各刚性配准医学图像进行主成分分析,确定各刚性配准医学图像对应的合成图像;
上述基于各医学图像对应的合成图像对各医学图像进行配准,包括:
基于各刚性配准医学图像对应的合成图像对各刚性配准医学图像进行配准。
在其中一个实施例中,上述对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像;基于各医学图像对应的合成图像对各医学图像进行配准,包括:
获取至少两个医学图像的图像尺寸、初始形变场、初始形变场的原始尺寸以及尺寸层级变换参数;
基于上述尺寸层级变换参数、至少两个医学图像的图像尺寸以及初始形变场和初始形变场的原始尺寸,对各医学图像进行主成分分析,确定各医学图像对应的合成图像,并基于各合成图像确定目标形变场;
基于目标形变场对各医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
在其中一个实施例中,上述基于上述尺寸层级变换参数、至少两个医学图像的图像尺寸以及初始形变场和初始形变场的原始尺寸,对各医学图像进行主成分分析,确定各医学图像对应的合成图像,并基于各合成图像确定目标形变场,包括:
执行配准操作,确定候选形变场;上述配准操作包括:按照尺寸层级变换参数、各医学图像的图像尺寸以及初始形变场的原始尺寸,对各医学图像和初始形变场进行缩放,得到各医学图像对应的第一尺寸医学图像和第一尺寸形变场;基于各第一尺寸医学图像进行主成分分析,确定各第一合成图像,并基于各第一合成图像确定候选形变场;对尺寸层级变换参数执行减法操作,得到新的尺寸层级变换参数;
判断新的尺寸层级变换参数是否小于预设的阈值;
若是,则将候选形变场作为新的初始形变场,返回执行上述配准操作,直至新的尺寸层级变换参数小于上述阈值,并将上述新的尺寸层级变换参数小于阈值时的候选形变场确定为目标形变场。
在其中一个实施例中,上述基于各第一尺寸医学图像进行主成分分析,确定各第一合成图像,并基于各第一合成图像确定候选形变场,包括:
利用第一尺寸形变场对各第一尺寸医学图像进行重采样,得到各第一尺寸重采样医学图像;
对各第一尺寸重采样医学图像进行主成分分析,确定各第一尺寸重采样医学图像对应的第一合成图像;
基于各第一尺寸重采样医学图像对应的第一合成图像,对各第一尺寸重采样医学图像进行配准,得到候选形变场。
在其中一个实施例中,上述基于目标形变场对各医学图像进行重采样,得到各医学图像对应的配准后的医学图像,包括:
将目标形变场的尺寸缩放至初始形变场的原始尺寸,并采用缩放后的目标形变场对至少两个医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
在其中一个实施例中,在上述对至少两个医学图像进行刚性配准,得到各刚性配准医学图像之前,上述方法还包括:
对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像;
上述对至少两个医学图像进行刚性配准,得到各刚性配准医学图像,包括:
对各医学图像对应的感兴趣区域图像进行刚性配准,得到各医学图像的感兴趣区域图像对应的刚性配准医学图像。
在其中一个实施例中,在上述对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像之前,上述方法还包括:
对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像;
上述对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像,包括:
对各医学图像对应的感兴趣区域图像进行主成分分析,确定各感兴趣区域图像对应的合成图像;
上述基于各医学图像对应的合成图像对各医学图像进行配准,包括:
基于各感兴趣区域图像对应的合成图像对各感兴趣区域图像进行配准。
一种图像配准装置,该装置包括:
获取模块,用于获取至少两个医学图像;
合成图像确定模块,用于对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像;
图像配准模块,用于基于各医学图像对应的合成图像对各医学图像进行配准。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取至少两个医学图像;
对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像;
基于各医学图像对应的合成图像对各医学图像进行配准。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取至少两个医学图像;
对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像;
基于各医学图像对应的合成图像对各医学图像进行配准。
上述图像配准方法、装置、计算机设备和存储介质,通过对获取的至少两个医学图像分别进行主成分分析,确定各医学图像对应的合成图像,并基于各医学图像对应的合成图像对各医学图像进行配准。在该方法中,由于只需要对每个医学图像进行一次主成分分析,即可通过获得的各合成图像对各医学图像进行配准,这样就不需要调用多次主成分分析以及设置很多超参数,因此大大减少了图像配准过程中的计算量,提高了图像配准的效率。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像配准方法的流程示意图;
图3为另一个实施例中图像配准步骤的流程示意图;
图4为另一个实施例中图像配准方法的流程示意图;
图4a为另一个实施例中图像配准方法的循环过程示例图;
图5为另一个实施例中图像配准方法的流程示意图;
图6为另一个实施例中图像配准方法的流程示意图;
图7为一个实施例中图像配准装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的图像配准方法,可以应用于图像配准系统,该图像配准系统包括相互连接的扫描设备和计算机设备,其中,扫描设备可以对检测对象进行扫描,获得扫描的医学图像,并将扫描的医学图像发送至计算机设备进行处理。该计算机设备可以是终端或服务器,以终端为例,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像配准方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是图像配准装置,也可以是计算机设备,还可以是图像配准系统,以下就以计算机设备为执行主体来对本申请的技术方案进行说明。
在一个实施例中,如图2所示,提供了一种图像配准方法,该方法可以包括以下步骤:
S202,获取至少两个医学图像。
其中,至少两个医学图像为同一感兴趣区域的医学图像,该感兴趣区域可以是检测对象的身体部位,也可以是检测对象身体部位处的病灶等等。
另外,至少两个医学图像可以是不同时间扫描的多个时间点图像、不同的参数配置下扫描的多个图像、不同检测对象的同一解剖结构的图像或者不同模态的图像等等。
具体的,可以是采用扫描设备预先对检测对象扫描,获得检测对象的至少两个医学图像,并将该至少两个医学图像传输至计算机设备,以使计算机设备获得至少两个医学图像;或者,至少两个医学图像也可以预先存储在云端或数据库中,在需要使用时,计算机设备可以直接从云端或数据库中调用该至少两个医学图像即可。
S204,对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像。
其中,主成分分析(Principal Component Analysis,PCA)指的是通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分,即设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息。
在本步骤中,在具体使用PCA对至少两个医学图像进行分析,获得每个医学图像对应的合成图像时,可以采用如下几个步骤进行:
1、假设将至少两个医学图像全部堆叠成一个矩阵,记为Bn,m,其中,n为医学图像的个数,m为每个医学图像上的像素点的个数,取Bn,m的转置,记为Am,n,即
2、对转置矩阵Am,n进行矩阵分解,过程如下:
Am,n=Um,m×Sm,n×Vn,n;
其中,Um,m指的是m×m阶酉矩阵,Sm,n指的是半正定m×n阶对角矩阵,Vn,n指的是n×n阶酉矩阵;
上述对Am,n进行矩阵分解,可以采用奇异值分解(即Singular ValueDecomposition,SVD分解),也可以采用正交三角QR分解、雅克比Jacobi分解等等,其中的Jacobi分解在计算机设备的GPU上运行效率更高。
3、根据上述矩阵分解结果生成各个医学图像的合成图像。假设需要的主成分是k(可以根据实际应用场景进行调整,为已知量),那么通过对上述的矩阵分解结果进行合成处理可以得到如下公式:
其中,Rm,n表示合成矩阵,Um,k表示取矩阵Um,m的m行k列,Sk,k表示取矩阵Sm,n的k行k列,Vk,n表示取矩阵Vn,n的转置矩阵的k行n列;
在得到矩阵Rm,n之后,可以对Rm,n取转置,获得转置矩阵然后将转置矩阵/>进行拆分,获得n个医学图像,每个医学图像中包含m个像素,即得到各个医学图像对应的合成图像。
在本实施例中,对至少两个医学图像进行主成分分析之后,获得每个医学图像的合成图像,合成图像相比于原始的医学图像,尽量消除图像中解剖结构的运动部分,例如运动伪影,尽量保留原始的医学图像的数据信息,保证合成图像和原始的医学图像相似。
S206,基于各医学图像对应的合成图像对各医学图像进行配准。
其中,可以采用配准方法对各医学图像进行配准,这里的配准方法可以是刚性配准方法、非刚性配准方法或其它配准方法。
具体的,在获得每个医学图像对应的合成图像之后,可以采用配准方法对每个医学图像和其对应的合成图像进行一一配准,获得配准后的各个医学图像。配准时,首先对医学图像和对应的合成图像进行特征提取得到特征点,之后通过进行相似性度量找到匹配的特征点对,然后通过匹配的特征点对得到图像空间坐标变换参数,最后由坐标变换参数进行图像配准。
另外,上述在对每个医学图像进行配准时选取的配准方法可以均相同,也可以均不相同,或者也可以部分相同,部分不同。
由上述描述可知,现有技术中在采用迭代PCA方法对图像进行配准时,需要进行多次PCA以及设置很多超参数,这里的超参数例如可以是用于平衡低秩和噪声的λ,这个参数不好控制,往往和具体数据相关,如果设置太小会使得图像配准的效果不好,如果设置太大,这样不仅会去除对象的运动,也会改变图像的灰度信息,反而会适得其反,导致配准效果也不佳。一般在RPCA过程中可以采用AML(增广拉格朗日乘数法)方法求解,AML方法也有一些超参数,比如迭代次数、初始值、学习率等。
上述现有技术中进行多次PCA配准,以及设置很多的超参数,这样会导致整体图像配准的计算量非常大,配准时间变得非常长,即非常耗时。另外,采用迭代PCA每次都会减去图像的灰度均值,而通常配准图像时所关注的噪声是由于对象的运动带来的,并不是灰度信息的不同所带来的,所以如果减去灰度信息,这样会强调了灰度的差异,而导致与实际情况有所不符,通过实验证明,这里如果保留图像灰度信息的话,一次PCA可以达到准确的图像配准。因此,本申请实施例中并没有减去图像上的灰度信息,而采用一次PCA配准即可实现对图像的准确配准。
上述图像配准方法中,通过对获取的至少两个医学图像分别进行主成分分析,确定各医学图像对应的合成图像,并基于各医学图像对应的合成图像对各医学图像进行配准。在该方法中,由于只需要对每个医学图像进行一次主成分分析,即可通过获得的各合成图像对各医学图像进行配准,这样就不需要调用多次主成分分析以及设置很多超参数,因此大大减少了图像配准过程中的计算量,提高了图像配准的效率。
在另一个实施例中,如图3所示,提供了另一种图像配准方法,在上述实施例的基础上,上述S204可以包括以下步骤:
S302,对上述至少两个医学图像进行刚性配准,得到各刚性配准医学图像。
其中,刚性配准主要适用的配准对象是在不同时间间隔内、组织器官内部几乎不发生形变的刚体部位的医学图像。这里的刚性配准方法包括刚体变换配准方法、仿射变换配准方法以及投影变换配准方法等。
具体的,在获得至少两个医学图像之后,可以对至少两个医学图像中的图像进行两两刚性配准,将所有医学图像全部配准到同一个空间位置下。具体配准时,可以将两幅待配准的医学图像中的一个医学图像作为参考图像,另外一个医学图像作为浮动图像,通过特征点提取等过程获得两个医学图像之间的空间变换关系,并通过空间变换关系对浮动图像进行变换,使得浮动图像与参考图像上对应的像素点达到空间位置上的一致,即得到这两个医学图像对应的配准图像,记为刚性配准医学图像。可以按照此方式依次对所有医学图像进行配准,最终获得每个医学图像对应的刚性配准医学图像。
S304,对各刚性配准医学图像进行主成分分析,确定各刚性配准医学图像对应的合成图像。
在本步骤中,在获得每个医学图像对应的刚性配准医学图像之后,可以采用上述S204中的方式,这里的刚性配准医学图像相当于上述S204中的医学图像,这样就可以对各刚性配准医学图像进行主成分分析,获得每个刚性配准医学图像对应的合成图像。
相应地,上述S206可以包括以下S306:
S306,基于各刚性配准医学图像对应的合成图像对各刚性配准医学图像进行配准。
在本步骤中,在采用各合成图像对对各刚性配准医学图像进行再次配准时,采用的配准方法以及配准过程均可以参见上述S206所述的方法和方式,最终完成对每个刚性配准医学图像的再次配准,即完成对各医学图像的配准。
本实施例中,通过对至少两个医学图像进行刚性配准,并对获得的各刚性配准医学图像进行主成分分析,获得每个刚性配准医学图像对应的合成图像,并采用各合成图像对各刚性配准医学图像进行配准,这里将刚性配准和主成分分析过程相结合(也可以称为级联)对医学图像进行配准,可以使配准结果的鲁棒性更高。
在另一个实施例中,如图4所示,提供了另一种图像配准方法,在上述实施例的基础上,上述S204和S206可以包括以下步骤:
S402,获取至少两个医学图像的图像尺寸、初始形变场、初始形变场的原始尺寸以及尺寸层级变换参数。
其中,这里每个医学图像的图像尺寸在进行图像扫描及重建时已经确定好,在需要使用时可以直接获取到,每个医学图像的图像尺寸通常是相等的。
初始形变场一般可以全部设为0,初始形变场的原始尺寸可以根据每个医学图像的图像尺寸设定,也可以根据实际情况设定,例如以初始形变场是三维形变场为例,其原始尺寸可以是128*128*64、64*64*64等等,这些均可以预先设定好,需要使用时直接获取得到。
尺寸层级变换参数,也可以称为金字塔层级参数,可以记为N,其可以包括开始参数Nstart和终止参数Nend,一般也可以预先设定好。例如:Nstart=3,Nend=0,或者,Nstart=5,Nend=1等等。
S404,基于上述尺寸层级变换参数、至少两个医学图像的图像尺寸以及初始形变场和初始形变场的原始尺寸,对各医学图像进行主成分分析,确定各医学图像对应的合成图像,并基于各合成图像确定目标形变场。
在本步骤中,在获得至少两个医学图像的图像尺寸、初始形变场、初始形变场的原始尺寸以及尺寸层级变换参数之后,可以对至少两个医学图像进行多尺度的粗配准以及细配准,达到精细配准多个医学图像的目的。也就是说,在获得上述多个参数之后,可以采用循环的方式,对至少两个医学图像进行多尺度计算,以及多尺度下的形变场计算,利用多尺度下的形变场和图像进行循环配准,循环过程参见如下步骤A1-A3以及图4a:
步骤A1,执行配准操作,确定候选形变场;上述配准操作包括:按照尺寸层级变换参数、各医学图像的图像尺寸以及初始形变场的原始尺寸,对各医学图像和初始形变场进行缩放,得到各医学图像对应的第一尺寸医学图像和第一尺寸形变场;基于各第一尺寸医学图像进行主成分分析,确定各第一合成图像,并基于各第一合成图像确定候选形变场;对尺寸层级变换参数执行减法操作,得到新的尺寸层级变换参数。
在本步骤中,首先可以将各医学图像的图像尺寸以及初始形变场的原始尺寸都缩放到原始尺寸的1/2N层级,N的初始值为Nstart,得到缩放后的各医学图像以及缩放后的形变场,记为各第一尺寸医学图像和第一尺寸形变场。示例地,假设Nstart=3,即N的初始值为3,各医学图像的尺寸均为256*256*256,初始形变场的原始尺寸为128*128*64,那么经过第一次缩放之后,可以得到第一尺寸医学图像的尺寸为32*32*32,第一尺寸形变场的尺寸为16*16*8。这里形变场的尺寸和各医学图像的尺寸可以相等,也可以不相等,也就是说,这里的第一尺寸医学图像和第一尺寸形变场只是一个名称,并不是说第一尺寸医学图像和第一尺寸形变场的尺寸就一定相等。
在获得各第一尺寸医学图像以及第一尺寸形变场之后,可以采用如下步骤A11-A13确定各第一合成图像以及候选形变场:
步骤A11,利用第一尺寸形变场对各第一尺寸医学图像进行重采样,得到各第一尺寸重采样医学图像。
步骤A12,对各第一尺寸重采样医学图像进行主成分分析,确定各第一尺寸重采样医学图像对应的第一合成图像。
步骤A13,基于各第一尺寸重采样医学图像对应的第一合成图像,对各第一尺寸重采样医学图像进行配准,得到候选形变场。
在步骤A11-A13中,这里利用第一尺寸形变场对各第一尺寸医学图像进行重采样,实质上就是对各第一尺寸医学图像进行空间位置变换,这样可以将各第一尺寸医学图像变换到同一个空间,得到的变换后的各个医学图像均可以记为第一尺寸重采样医学图像。然后,可以采用与上述S204相同的主成分分析方法,对各第一尺寸重采样医学图像进行主成分分析,获得每个第一尺寸重采样医学图像对应的合成图像,均记为第一合成图像。之后,采用与上述S206相同的方式,即采用各第一合成图像对各第一尺寸重采样医学图像进行配准,获得所有第一合成图像与所有第一尺寸重采样医学图像之间的坐标变换参数,即获得形变场,这里记为候选形变场。
在获得第一次尺寸缩放后的候选形变场之后,可以将尺寸层级变换参数减一,得到新的尺寸层级变换参数。示例地,以上述尺寸层级变换参数为Nstart=3为例,这里N的初始值为Nstart,即为3,在减一之后,获得的新的尺寸层级变换参数N为3-1=2。
步骤A2,判断新的尺寸层级变换参数是否小于预设的阈值。
其中,这里预设的阈值可以是上述尺寸层级变换参数中的终止参数Nend,也可以是其他根据实际情况设定的阈值。
在上述获得新的尺寸层级变换参数之后,可以判断新的尺寸层级变换参数是否小于预设的阈值,得到判断结果。示例地,假设新的尺寸层级变换参数N为2,预设的阈值为上述尺寸层级变换参数中的终止参数Nend,且Nend=0,那么这里就可以比较2是否小于0,得到判断结果。
步骤A3,若是,则将候选形变场作为新的初始形变场,返回执行上述配准操作,直至新的尺寸层级变换参数小于上述阈值,并将上述新的尺寸层级变换参数小于阈值时的候选形变场确定为目标形变场。
在本步骤中,若上述新的尺寸层级变换参数小于预设的阈值,则说明还需要继续进行尺寸缩放步骤,即需要继续循环进行上述步骤A1中的配准操作,得到新的第一尺寸医学图像以及新的第一尺寸形变场,对新的第一尺寸医学图像进行主成分分析,得到新的第一合成图像以及新的候选形变场。接着再对新的尺寸层级变换参数继续进行减一,然后循环执行上述步骤A1中的配准操作,直至新的尺寸层级变换参数小于预设的阈值为止。
在上述新的尺寸层级变换参数小于预设的阈值时,此时也会有一个对应的候选形变场,这时可以将该候选形变场作为目标形变场,即最终配准采用的形变场。
以上述尺寸层级变换参数N包括Nstart=3,Nend=0,每次缩放1/2N层级,N的初始值为Nstart为例,这里表示需要在各医学图像原始的图像尺寸的1/8、1/4、2/1、1四个尺度下依次进行主成分分析以及图像配准。在循环过程中可以看出,粗尺度的组配准计算出的候选形变场可以作为下一次细尺度的组配准的初始值,迭代每个尺度的医学图像以及候选形变场,直到结束。
S406,基于目标形变场对各医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
在本步骤中,在获得目标形变场之后,可选的,可以将目标形变场的尺寸缩放至初始形变场的原始尺寸,并采用缩放后的目标形变场对至少两个医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
也就是说,本步骤中获得的目标形变场的尺寸可能与初始形变场的原始尺寸不相同,这时可以将目标形变场的尺寸缩放至初始形变场的原始尺寸的大小,然后利用缩放后的目标形变场对各医学图像进行空间位置变换,得到变换后的各医学图像,即获得配准后的各医学图像。
本实施例中,通过获取至少两个医学图像的图像尺寸、初始形变场、初始形变场的原始尺寸以及尺寸层级变换参数,并基于这些参数对各医学图像进行主成分分析,确定各医学图像对应的合成图像以及目标形变场,进而实现对各医学图像进行配准。这里将主成分分析与多尺度相结合,可以适应医学图像有较大形变的场景,即在粗尺度下校正大形变,在细尺度下校正细节,从而扩展了图像配准的应用范围。
在另一个实施例中,如图5所示,提供了另一种图像配准方法,在上述实施例的基础上,在上述S302之前,上述方法还可以包括以下步骤:
S502,对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像。
其中,这里的感兴趣区域可以是检测对象的心脏、肝脏、肾脏等等。
在本步骤中,可以采用人工勾画感兴趣区域或者分割模型进行感兴趣区域分割等方式,实现对感兴趣区域的提取,总之,通过对各医学图像中的感兴趣区域进行提取,可以得到各医学图像对应的感兴趣区域图像。该感兴趣区域图像可以是掩膜图像,也可以其他图像。另外,若一个医学图像上有多个感兴趣区域,那么针对同一个医学图像而言,这多个感兴趣区域可以共同位于同一个感兴趣区域图像上。在获得各医学图像对应的感兴趣区域图像之后,也可以对各感兴趣区域图像进行刚性配准,也就是说,上述S302可以包括以下S504:
S504,对各医学图像对应的感兴趣区域图像进行刚性配准,得到各医学图像的感兴趣区域图像对应的刚性配准医学图像。
在获得各医学图像对应的感兴趣区域图像之后,可以对各感兴趣区域图像中的图像进行两两刚性配准,将所有感兴趣区域图像全部配准到同一个空间位置下,最终获得每个感兴趣区域图像对应的刚性配准医学图像。之后,可以通过对各感兴趣区域图像对应的刚性配准医学图像进行主成分分析,获得每个感兴趣区域图像对应的合成图像,并基于各合成图像实现对各感兴趣区域图像的配准。
本实施例中,通过对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像,并对各感兴趣区域图像进行刚性配准,以及后续采用主成分分析对各感兴趣区域图像进行配准。这里将感兴趣区域提取出来,并采用刚性配准以及主成分分析等方式对感兴趣区域进行配准,可以实现对所关注区域较好的配准效果。同时这样只对感兴趣区域进行配准,计算量小,也可以提高图像配准的效率。
在另一个实施例中,如图6所示,提供了另一种图像配准方法,在上述实施例的基础上,在上述S204之前,上述方法还可以包括以下步骤:
S602,对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像。
本步骤的解释说明可以参见上述S502的解释说明,这里不再赘述。
在获得各医学图像对应的感兴趣区域图像之后,也可以直接对各感兴趣区域图像进行主成分分析以及配准,不进行刚性配准,也就是说,上述S204可以包括以下S604:
S604,对各医学图像对应的感兴趣区域图像进行主成分分析,确定各感兴趣区域图像对应的合成图像。
在获得各医学图像对应的感兴趣区域图像之后,可以采用上述S204的主成分分析方式对各感兴趣区域图像进行分析,获得各感兴趣区域图像对应的合成图像。
相应地,上述S206可以包括以下S606:
S606,基于各感兴趣区域图像对应的合成图像对各感兴趣区域图像进行配准。
在获得各感兴趣区域图像对应的合成图像之后,可以采用上述S206的方式,基于各合成图像对各感兴趣区域图像进行配准,获得配准后的各感兴趣区域图像。
本实施例中,通过对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像,并采用主成分分析对各感兴趣区域图像进行分析,获得各合成图像,采用各合成图像实现对各感兴趣区域图像的配准。这里将感兴趣区域提取出来,并采用主成分分析等方式对感兴趣区域进行配准,可以实现对所关注区域较好的配准效果。同时这样只对感兴趣区域进行配准,计算量小,也可以提高图像配准的效率。
应该理解的是,虽然图2、3、4、5、6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3、4、5、6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种图像配准装置,包括:获取模块10、合成图像确定模块11和图像配准模块12,其中:
获取模块10,用于获取至少两个医学图像;
合成图像确定模块11,用于对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像;
图像配准模块12,用于基于各医学图像对应的合成图像对各医学图像进行配准。
关于图像配准装置的具体限定可以参见上文中对于图像配准方法的限定,在此不再赘述。
在另一个实施例中,提供了另一种图像配准装置,在上述实施例的基础上,上述合成图像确定模块11可以包括刚性配准单元、合成图像确定单元和图像配准单元,其中:
刚性配准单元,用于对上述至少两个医学图像进行刚性配准,得到各刚性配准医学图像;
合成图像确定单元,用于对各刚性配准医学图像进行主成分分析,确定各刚性配准医学图像对应的合成图像;
相应地,图像配准单元,用于基于各刚性配准医学图像对应的合成图像对各刚性配准医学图像进行配准。
在另一个实施例中,提供了另一种图像配准装置,在上述实施例的基础上,上述合成图像确定模块11和图像配准模块12可以包括参数获取单元、目标形变场确定单元和重采样配准单元,其中:
参数获取单元,用于获取至少两个医学图像的图像尺寸、初始形变场、初始形变场的原始尺寸以及尺寸层级变换参数;
目标形变场确定单元,用于基于上述尺寸层级变换参数、至少两个医学图像的图像尺寸以及初始形变场和初始形变场的原始尺寸,对各医学图像进行主成分分析,确定各医学图像对应的合成图像,并基于各合成图像确定目标形变场;
重采样配准单元,用于基于目标形变场对各医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
可选的,上述目标形变场确定单元可以包括循环子单元、判断子单元和目标形变场确定子单元,其中:
循环子单元,用于执行配准操作,确定候选形变场;上述配准操作包括:按照尺寸层级变换参数、各医学图像的图像尺寸以及初始形变场的原始尺寸,对各医学图像和初始形变场进行缩放,得到各医学图像对应的第一尺寸医学图像和第一尺寸形变场;基于各第一尺寸医学图像进行主成分分析,确定各第一合成图像,并基于各第一合成图像确定候选形变场;对尺寸层级变换参数执行减法操作,得到新的尺寸层级变换参数;
判断子单元,用于判断新的尺寸层级变换参数是否小于预设的阈值;
目标形变场确定子单元,用于在新的尺寸层级变换参数不小于预设的阈值的情况下,则将候选形变场作为新的初始形变场,返回执行上述配准操作,直至新的尺寸层级变换参数小于上述阈值,并将上述新的尺寸层级变换参数小于阈值时的候选形变场确定为目标形变场。
可选的,上述循环子单元,具体用于利用第一尺寸形变场对各第一尺寸医学图像进行重采样,得到各第一尺寸重采样医学图像;对各第一尺寸重采样医学图像进行主成分分析,确定各第一尺寸重采样医学图像对应的第一合成图像;基于各第一尺寸重采样医学图像对应的第一合成图像,对各第一尺寸重采样医学图像进行配准,得到候选形变场。
可选的,上述重采样配准单元,具体用于将目标形变场的尺寸缩放至初始形变场的原始尺寸,并采用缩放后的目标形变场对至少两个医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
在另一个实施例中,提供了另一种图像配准装置,在上述实施例的基础上,在上述刚性配准单元对上述至少两个医学图像进行刚性配准,得到各刚性配准医学图像之前,上述装置还可以包括第一提取模块,
该第一提取模块,用于对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像;
上述刚性配准单元,具体用于对各医学图像对应的感兴趣区域图像进行刚性配准,得到各医学图像的感兴趣区域图像对应的刚性配准医学图像。
在另一个实施例中,提供了另一种图像配准装置,在上述实施例的基础上,在上述合成图像确定模块11对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像之前,上述装置还可以包括第二提取模块,
该第二提取模块,用于对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像;
上述合成图像确定模块11,具体用于对各医学图像对应的感兴趣区域图像进行主成分分析,确定各感兴趣区域图像对应的合成图像;
上述图像配准模块12,具体用于基于各感兴趣区域图像对应的合成图像对各感兴趣区域图像进行配准。
关于图像配准装置的具体限定可以参见上文中对于图像配准方法的限定,在此不再赘述。
上述图像配准装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取至少两个医学图像;对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像;基于各医学图像对应的合成图像对各医学图像进行配准。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对上述至少两个医学图像进行刚性配准,得到各刚性配准医学图像;对各刚性配准医学图像进行主成分分析,确定各刚性配准医学图像对应的合成图像;基于各刚性配准医学图像对应的合成图像对各刚性配准医学图像进行配准。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取至少两个医学图像的图像尺寸、初始形变场、初始形变场的原始尺寸以及尺寸层级变换参数;基于上述尺寸层级变换参数、至少两个医学图像的图像尺寸以及初始形变场和初始形变场的原始尺寸,对各医学图像进行主成分分析,确定各医学图像对应的合成图像,并基于各合成图像确定目标形变场;基于目标形变场对各医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
执行配准操作,确定候选形变场;上述配准操作包括:按照尺寸层级变换参数、各医学图像的图像尺寸以及初始形变场的原始尺寸,对各医学图像和初始形变场进行缩放,得到各医学图像对应的第一尺寸医学图像和第一尺寸形变场;基于各第一尺寸医学图像进行主成分分析,确定各第一合成图像,并基于各第一合成图像确定候选形变场;对尺寸层级变换参数执行减法操作,得到新的尺寸层级变换参数;判断新的尺寸层级变换参数是否小于预设的阈值;若是,则将候选形变场作为新的初始形变场,返回执行上述配准操作,直至新的尺寸层级变换参数小于上述阈值,并将上述新的尺寸层级变换参数小于阈值时的候选形变场确定为目标形变场。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
利用第一尺寸形变场对各第一尺寸医学图像进行重采样,得到各第一尺寸重采样医学图像;对各第一尺寸重采样医学图像进行主成分分析,确定各第一尺寸重采样医学图像对应的第一合成图像;基于各第一尺寸重采样医学图像对应的第一合成图像,对各第一尺寸重采样医学图像进行配准,得到候选形变场。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将目标形变场的尺寸缩放至初始形变场的原始尺寸,并采用缩放后的目标形变场对至少两个医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像;对各医学图像对应的感兴趣区域图像进行刚性配准,得到各医学图像的感兴趣区域图像对应的刚性配准医学图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像;对各医学图像对应的感兴趣区域图像进行主成分分析,确定各感兴趣区域图像对应的合成图像;基于各感兴趣区域图像对应的合成图像对各感兴趣区域图像进行配准。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取至少两个医学图像;对至少两个医学图像进行主成分分析,确定各医学图像对应的合成图像;基于各医学图像对应的合成图像对各医学图像进行配准。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对上述至少两个医学图像进行刚性配准,得到各刚性配准医学图像;对各刚性配准医学图像进行主成分分析,确定各刚性配准医学图像对应的合成图像;基于各刚性配准医学图像对应的合成图像对各刚性配准医学图像进行配准。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取至少两个医学图像的图像尺寸、初始形变场、初始形变场的原始尺寸以及尺寸层级变换参数;基于上述尺寸层级变换参数、至少两个医学图像的图像尺寸以及初始形变场和初始形变场的原始尺寸,对各医学图像进行主成分分析,确定各医学图像对应的合成图像,并基于各合成图像确定目标形变场;基于目标形变场对各医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
执行配准操作,确定候选形变场;上述配准操作包括:按照尺寸层级变换参数、各医学图像的图像尺寸以及初始形变场的原始尺寸,对各医学图像和初始形变场进行缩放,得到各医学图像对应的第一尺寸医学图像和第一尺寸形变场;基于各第一尺寸医学图像进行主成分分析,确定各第一合成图像,并基于各第一合成图像确定候选形变场;对尺寸层级变换参数执行减法操作,得到新的尺寸层级变换参数;判断新的尺寸层级变换参数是否小于预设的阈值;若是,则将候选形变场作为新的初始形变场,返回执行上述配准操作,直至新的尺寸层级变换参数小于上述阈值,并将上述新的尺寸层级变换参数小于阈值时的候选形变场确定为目标形变场。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
利用第一尺寸形变场对各第一尺寸医学图像进行重采样,得到各第一尺寸重采样医学图像;对各第一尺寸重采样医学图像进行主成分分析,确定各第一尺寸重采样医学图像对应的第一合成图像;基于各第一尺寸重采样医学图像对应的第一合成图像,对各第一尺寸重采样医学图像进行配准,得到候选形变场。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将目标形变场的尺寸缩放至初始形变场的原始尺寸,并采用缩放后的目标形变场对至少两个医学图像进行重采样,得到各医学图像对应的配准后的医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像;对各医学图像对应的感兴趣区域图像进行刚性配准,得到各医学图像的感兴趣区域图像对应的刚性配准医学图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对各医学图像分别执行感兴趣区域的提取操作,得到各医学图像对应的感兴趣区域图像;对各医学图像对应的感兴趣区域图像进行主成分分析,确定各感兴趣区域图像对应的合成图像;基于各感兴趣区域图像对应的合成图像对各感兴趣区域图像进行配准。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像配准方法,其特征在于,所述方法包括:
获取至少两个医学图像;
对所述至少两个医学图像进行主成分分析,确定各所述医学图像对应的合成图像;所述合成图像相比于各所述医学图像,至少部分消除各所述医学图像中解剖结构的运动部分;
基于各所述医学图像对应的合成图像对各所述医学图像进行配准;
其中,所述对所述至少两个医学图像进行主成分分析,确定各所述医学图像对应的合成图像;基于各所述医学图像对应的合成图像对各所述医学图像进行配准,包括:
获取所述至少两个医学图像的图像尺寸、初始形变场、所述初始形变场的原始尺寸以及尺寸层级变换参数;
基于所述尺寸层级变换参数、所述至少两个医学图像的图像尺寸以及所述初始形变场和所述初始形变场的原始尺寸,对各所述医学图像进行主成分分析,确定各所述医学图像对应的合成图像,并基于各所述合成图像确定目标形变场;
基于所述目标形变场对各所述医学图像进行重采样,得到各所述医学图像对应的配准后的医学图像。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述医学图像对应的合成图像对各所述医学图像进行配准,包括:
对所述至少两个医学图像进行刚性配准,得到各刚性配准医学图像;
对各所述刚性配准医学图像进行主成分分析,确定各所述刚性配准医学图像对应的合成图像;
基于各所述刚性配准医学图像对应的合成图像对各所述刚性配准医学图像进行配准。
3.根据权利要求1所述的方法,其特征在于,所述确定各所述医学图像对应的合成图像,并基于各所述合成图像确定目标形变场,包括:
执行配准操作,确定候选形变场;所述配准操作包括:按照所述尺寸层级变换参数、各所述医学图像的图像尺寸以及所述初始形变场的原始尺寸,对各所述医学图像和所述初始形变场进行缩放,得到各所述医学图像对应的第一尺寸医学图像和第一尺寸形变场;
基于各所述第一尺寸医学图像进行主成分分析,确定各第一合成图像,并基于各所述第一合成图像确定候选形变场;对所述尺寸层级变换参数执行减法操作,得到新的尺寸层级变换参数;
根据所述新的尺寸层级变换参数确定目标形变场。
4.根据权利要求3所述的方法,其特征在于,所述根据所述新的尺寸层级变换参数确定目标形变场,包括:
判断所述新的尺寸层级变换参数是否小于预设的阈值;
若否,则将所述候选形变场作为新的初始形变场,返回执行所述配准操作,直至所述新的尺寸层级变换参数小于所述阈值,并将所述新的尺寸层级变换参数小于所述阈值时的候选形变场确定为目标形变场。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标形变场对各所述医学图像进行重采样,得到各所述医学图像对应的配准后的医学图像,包括:
将所述目标形变场的尺寸缩放至所述初始形变场的原始尺寸;
采用缩放后的目标形变场对各所述医学图像进行重采样,得到各所述医学图像对应的配准后的医学图像。
6.根据权利要求2-5任一项所述的方法,其特征在于,在所述对所述至少两个医学图像进行刚性配准,得到各刚性配准医学图像之前,所述方法还包括:
对各所述医学图像分别执行感兴趣区域的提取操作,得到各所述医学图像对应的感兴趣区域图像;
所述对所述至少两个医学图像进行刚性配准,得到各刚性配准医学图像,包括:
对各所述医学图像对应的感兴趣区域图像进行刚性配准,得到各所述医学图像的感兴趣区域图像对应的刚性配准医学图像。
7.根据权利要求1-5任一项所述的方法,其特征在于,在所述对所述至少两个医学图像进行主成分分析,确定各所述医学图像对应的合成图像之前,所述方法还包括:
对各所述医学图像分别执行感兴趣区域的提取操作,得到各所述医学图像对应的感兴趣区域图像;
对各所述医学图像对应的感兴趣区域图像进行主成分分析,确定各所述感兴趣区域图像对应的合成图像;
基于各所述感兴趣区域图像对应的合成图像对各所述感兴趣区域图像进行配准。
8.一种图像配准装置,其特征在于,所述装置包括:
获取模块,用于获取至少两个医学图像;
合成图像确定模块,用于对所述至少两个医学图像进行主成分分析,确定各所述医学图像对应的合成图像;所述合成图像相比于各所述医学图像,至少部分消除各所述医学图像中解剖结构的运动部分;
图像配准模块,用于基于各所述医学图像对应的合成图像对各所述医学图像进行配准;
其中,所述合成图像确定模块和所述图像配准模块包括参数获取单元、目标形变场确定单元和重采样配准单元;
所述参数获取单元,用于获取所述至少两个医学图像的图像尺寸、初始形变场、所述初始形变场的原始尺寸以及尺寸层级变换参数;
所述目标形变场确定单元,用于基于所述尺寸层级变换参数、所述至少两个医学图像的图像尺寸以及所述初始形变场和所述初始形变场的原始尺寸,对各所述医学图像进行主成分分析,确定各所述医学图像对应的合成图像,并基于各所述合成图像确定目标形变场;
所述重采样配准单元,用于基于所述目标形变场对各所述医学图像进行重采样,得到各所述医学图像对应的配准后的医学图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110578685.8A CN113393498B (zh) | 2021-05-26 | 2021-05-26 | 图像配准方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110578685.8A CN113393498B (zh) | 2021-05-26 | 2021-05-26 | 图像配准方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393498A CN113393498A (zh) | 2021-09-14 |
CN113393498B true CN113393498B (zh) | 2023-07-25 |
Family
ID=77619278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110578685.8A Active CN113393498B (zh) | 2021-05-26 | 2021-05-26 | 图像配准方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393498B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664635B (zh) * | 2023-07-31 | 2023-10-24 | 柏意慧心(杭州)网络科技有限公司 | 构建目标对象的多维动态模型的方法、计算设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0708600D0 (en) * | 2007-05-03 | 2007-06-13 | Ucl Business Plc | Registration method |
CN107705295A (zh) * | 2017-09-14 | 2018-02-16 | 西安电子科技大学 | 一种基于稳健主成分分析法的图像差异检测方法 |
CN111754553A (zh) * | 2020-06-24 | 2020-10-09 | 上海联影医疗科技有限公司 | 多模态扫描图像配准方法、装置、计算机设备和存储介质 |
CN112508869A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 颅内血管图像融合方法和计算机可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6207534B2 (ja) * | 2012-03-15 | 2017-10-04 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | マルチモダリティ・デフォーマブルレジストレーション |
US9542529B2 (en) * | 2013-10-31 | 2017-01-10 | Toshiba Medical Systems Corporation | Medical image data processing apparatus and method |
CN104091337B (zh) * | 2014-07-11 | 2017-07-14 | 北京工业大学 | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 |
GB2536274B (en) * | 2015-03-12 | 2019-10-16 | Mirada Medical Ltd | Method and apparatus for assessing image registration |
CN106846380B (zh) * | 2016-12-26 | 2019-09-03 | 北京理工大学 | 一种医学图像配准方法及设备 |
CN110363800B (zh) * | 2019-06-19 | 2021-08-13 | 西安交通大学 | 一种基于点集数据与特征信息相融合的精确刚体配准方法 |
CN111968160B (zh) * | 2020-07-15 | 2023-10-27 | 上海联影智能医疗科技有限公司 | 图像匹配方法和存储介质 |
-
2021
- 2021-05-26 CN CN202110578685.8A patent/CN113393498B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0708600D0 (en) * | 2007-05-03 | 2007-06-13 | Ucl Business Plc | Registration method |
CN107705295A (zh) * | 2017-09-14 | 2018-02-16 | 西安电子科技大学 | 一种基于稳健主成分分析法的图像差异检测方法 |
CN111754553A (zh) * | 2020-06-24 | 2020-10-09 | 上海联影医疗科技有限公司 | 多模态扫描图像配准方法、装置、计算机设备和存储介质 |
CN112508869A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 颅内血管图像融合方法和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113393498A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trinh et al. | Novel example-based method for super-resolution and denoising of medical images | |
US8942512B2 (en) | Methods and systems for processing a first image with reference to a second image | |
US20200214619A1 (en) | Automated co-registration of prostate mri data | |
CN109523584B (zh) | 图像处理方法、装置、多模态成像系统、存储介质及设备 | |
EP2491531B1 (en) | Alignment of an ordered stack of images from a specimen. | |
Nasir et al. | Singular value decomposition based fusion for super-resolution image reconstruction | |
JP2009520558A (ja) | ポイント・ベースの適応的弾性画像登録 | |
US8867836B2 (en) | Image registration methods and apparatus using random projections | |
US8605118B2 (en) | Matrix generation apparatus, method, and program, and information processing apparatus | |
CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN113256529B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
CN110992243A (zh) | 椎间盘截面图像构建方法、装置、计算机设备及存储介质 | |
CN113393498B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
JP4887491B2 (ja) | 医用画像処理方法及びその装置、プログラム | |
JP2022111704A (ja) | 画像処理装置、医用画像撮像装置、画像処理方法、およびプログラム | |
CN112801908B (zh) | 图像去噪方法、装置、计算机设备和存储介质 | |
Tristán et al. | A fast B-spline pseudo-inversion algorithm for consistent image registration | |
Seibel et al. | Fast and effective geometric k-nearest neighbors multi-frame super-resolution | |
JP2022076346A (ja) | 画像処理装置、画像処理方法、およびプログラム | |
US20230099906A1 (en) | Image registration method, computer device, and storage medium | |
CN111325737B (zh) | 低剂量ct图像处理方法、装置和计算机设备 | |
CN117726838A (zh) | 二维图像目标匹配方法、电子设备和存储介质 |
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 |