CN113421226B - 基于互信息的ct-dr多模态食管图像配准方法及系统 - Google Patents
基于互信息的ct-dr多模态食管图像配准方法及系统 Download PDFInfo
- Publication number
- CN113421226B CN113421226B CN202110619727.8A CN202110619727A CN113421226B CN 113421226 B CN113421226 B CN 113421226B CN 202110619727 A CN202110619727 A CN 202110619727A CN 113421226 B CN113421226 B CN 113421226B
- Authority
- CN
- China
- Prior art keywords
- image
- mutual information
- registration
- drr
- esophageal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000009466 transformation Effects 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 210000003238 esophagus Anatomy 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000010845 search algorithm Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 62
- 210000001519 tissue Anatomy 0.000 description 21
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 10
- 238000001959 radiotherapy Methods 0.000 description 10
- 238000011524 similarity measure Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 210000005015 mediastinal lymph node Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 1
- 239000002671 adjuvant Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 201000004101 esophageal cancer Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002786 image-guided radiation therapy Methods 0.000 description 1
- 238000002675 image-guided surgery Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008054 signal transmission 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G06T5/70—
-
- 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30096—Tumor; Lesion
Abstract
本公开提供了一种基于互信息的CT‑DR多模态食管图像配准方法及系统,包括:分别获取食管图像的CT图像和DR图像,并进行预处理;基于自适应切片3D纹理映射方法,将所述3D的CT图像中的纹理像素映射到2D空间,获得DRR图像;以最大化所述DRR图像与DR图像间的互信息测度为目标,利用最佳邻域搜索算法对所述CT图像与DR图像间的坐标变换进行迭代优化;将最优坐标变换应用于DR图像,获得CT图像和DR图像的配准结果。所述方案通过互信息度量的方法比较三维CT生成的DRR图像与DR图像的相似度,并通过最佳邻域搜索算法不断优化投影空间参数,找到最优配准图像形变的矢量场,最终实现CT‑DR的多模态配准。
Description
技术领域
本公开属于医学图像处理技术领域,尤其涉及一种基于互信息的CT-DR多模态食管图像配准方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
医学图像有多种成像技术,例如电子计算机断层扫描(CT)成像,直接数字化X射线摄影(DR)成像。在进行医学图像分析时,通常需要将同一患者的多幅不同类型图像放在一起进行对比分析,从而获得该患者病灶的病变程度等动态信息。而在对不同图像做定量对比分析时,首先就需要进行图像的多模态配准。2D-3D多模态图像配准在图像引导手术和图像引导放射治疗系统中起着关键作用,它通过将一个或多个二维图像配准到三维图像中,建立术前3D CT图像与术中2D DR图像空间之间的协调关系。特别是在放射治疗中,由于高精度的信号传输和先进成像技术的快速发展,它在IGRT中的病人精确放射治疗方面的应用变得越来越重要。
辅助性放射治疗(CRT)的目的是改善靶区剂量分布,减少对正常组织的损伤,所以精确地描绘食管癌肿瘤体积和纵隔淋巴结是必要的。传统的CRT放疗规划成像模式是计算机断层扫描(CT)。然而,CT不能准确区分食管的恶性肿瘤和正常食管组织的近端和远端界限,CT也不能很好地确定纵隔淋巴结的范围。但是直接数字化X射线摄影(DR)能够提供清晰的食管组织与纵隔淋巴结的图像,所以有效地将3D CT图像与2D DR图像进行多模态图像配准,可以辅助CRT放疗规划,减少对正常食管组织的损伤。
发明人发现,在现有的图像配准技术中有一些是基于特征的方法,另一些是基于强度的方法。其中,基于特征的方法需要比较图像中的点和平面,并试图找到与两个对象重叠的变换,其缺陷是,该方法需要一个必要的分割阶段,并且容易出错,很难自动实现,分割中的错误可能导致最终配准中的错误。而基于强度的方法通常不需要或几乎不需要人工提取特征,因为它们直接使用图像强度值进行比较,但是由于输入图像的维数不同,需要重建3D图像或者模拟2D投影图像,其中,模拟的2D投影图像被称为数字重建放射图像(DRR:Digitally Reconstructured Radiograph),并且它们是从3D CT图像计算得到的,并在配准期间与相应的2D DR图像进行相似性比较,而现有相似性度量方法准确性较低。
发明内容
本公开为了解决上述问题,提供了一种基于互信息的CT-DR多模态食管图像配准方法及系统,所述方案通过互信息度量的方法比较三维CT生成的DRR图像与DR图像的相似度,并通过最佳邻域搜索算法不断优化投影空间参数,找到最优配准图像形变的矢量场,最终实现CT-DR的多模态配准。利用配准后的图像可以准确找到食管组织所在的位置,从而在制定放疗计划时辅助医生预判正常食管组织的位置,以减少射线对正常食管组织的损伤。
根据本公开实施例的第一个方面,提供了一种基于互信息的CT-DR多模态食管图像配准方法,包括:
分别获取食管图像的CT图像和DR图像,并进行预处理;
基于自适应切片3D纹理映射方法,将所述3D的CT图像中的纹理像素映射到2D空间,获得DRR图像;
以最大化所述DRR图像与DR图像间的互信息测度为目标,利用最佳邻域搜索算法对所述CT图像与DR图像间的坐标变换进行迭代优化;
将最优坐标变换应用于DR图像,获得CT图像和DR图像的配准结果。
进一步的,所述自适应切片3D纹理映射方法,具体包括:将三维的CT数据中感兴趣区域的体素进行渲染,并执行硬件支持的强度转移,根据CT图像内容对体数据进行自适应切片;并通过平移CT图像体素周围的相邻区域,找到局部变换,从最低分辨率的图像到最高分辨率的图像,将这些局部变换转化为连续的整体变换,最终获得DRR图像。
进一步的,所述最佳邻域搜索算法采用Powell共轭方向法,将其应用于经过互信息测度之后的DRR图像与DR图像的比较,通过利用CT图像的空间坐标对DRR图像进行变换,使DRR图像与DR图像的互信息达到最大。
进一步的,所述预处理包括:划分食管周围组织来确定感兴趣区域,去除对配准产生负面影响的区域;通过低通滤波来去除三维CT图像中的斑点与噪声,利用模糊化来校正图像间的分辨率差异;使用双线性内插法的重采样校正DR图像中的灰度不均匀情况。
根据本公开实施例的第二个方面,提供了一种基于互信息的CT-DR多模态食管图像配准系统,包括:
数据获取单元,其用于分别获取食管图像的CT图像和DR图像,并进行预处理;
降维单元,其用于基于自适应切片3D纹理映射方法,将所述3D的CT图像中的纹理像素映射到2D空间,获得DRR图像;
变换矩阵优化单元,其用于以最大化所述DRR图像与DR图像间的互信息测度为目标,利用最佳邻域搜索算法对所述CT图像与DR图像间的坐标变换进行迭代优化;
配准单元,其用于将最优坐标变换应用于DR图像,获得CT图像和DR图像的配准结果。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于互信息的CT-DR多模态食管图像配准方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于互信息的CT-DR多模态食管图像配准方法。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案涉及食管组织的DR图像和CT图像的多模态配准,能够把DR图像中食管组织的位置映射到CT图像中,即二者医学图像之间的空间配准和叠加,这些图像经过必要的变换处理,使它们的空间位置坐标达到匹配,叠加后获得互补信息及增加信息,把有价值的生理信息与精确的解剖结构结合在一起,能够准确的找到食管组织所在的位置,从而在制定放疗计划时可以辅助医生预判正常食管组织的位置,可以减少射线对正常食管组织的损伤。
(2)本公开所述的基于互信息的CT-DR多模态食管图像配准方法是将CT的三维数据通过数字影像重建技术投影生成数字重建放射图像(DRR),通过互信息度量的方法比较DRR图像与DR图像的相似度,再不断优化投影空间参数,生成新的DRR图像继续与DR图像比较,直至某一投影位置下生成的DRR图像和DR图像间的互信息相似性测度达到最大,此时得到的3D CT数据的空间参数,就是2DDR图像所对应3D实体中的空间位置,当生成DRR图像的起始空间参数即初始位置越接近3D实体的真实位置,配准的成功率就越高,配准时间也越短。
(3)本公开所述方案通过基于互信息的CT-DR多模态食管图像配准方法在获得较高配准速度的同时,也确保较高的配准精度和鲁棒性,从而保证实施放射治疗的过程中减少对食管部位的损伤。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的基于互信息的CT-DR多模态食管图像配准方法的流程图;
图2为本公开实施例一中所述的基于互信息的相似性测度单元的实现过程示意图;
图3(a)为本公开实施例一中所述的经过预处理裁剪后的食管CT图像;
图3(b)为本公开实施例一中所述的标记食管位置的DR图像;
图3(c)为本公开实施例一中所述的配准后的输出图像;
其中,图3(a)及图3(b)为输入图像,图3(c)为输出图像,且图像中标记位置为食管位置。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供一种基于互信息的CT-DR多模态食管图像配准方法。
一种基于互信息的CT-DR多模态食管图像配准方法,包括:
分别获取食管图像的CT图像和DR图像,并进行预处理;
基于自适应切片3D纹理映射方法,将所述3D的CT图像中的纹理像素映射到2D空间,获得DRR图像;
以最大化所述DRR图像与DR图像间的互信息测度为目标,利用最佳邻域搜索算法对所述CT图像与DR图像间的坐标变换进行迭代优化;
将最优坐标变换应用于DR图像,获得CT图像和DR图像的配准结果。
具体的,为了便于理解,以下结合附图对本公开所述方案进行详细说明:
本公开所述方案涉及食管组织的DR图像和CT图像的多模态配准,能够把DR图像中食管组织的位置映射到CT图像中,通过互信息测度的方法比较三维CT生成的DRR图像与DR图像的相似度,将图像强度与空间坐标相结合,再通过最佳邻域搜索算法不断优化投影空间参数,找到最优配准图像形变的矢量场,最终实现CT-DR的多模态配准;所述方案可以准确的找到食管组织所在的位置,从而在制定放疗计划时可以辅助医生预判正常食管组织的位置,以减少射线对正常食管组织的损伤。
所述方案基本思路是把高维图像进行降维处理,把3D的CT图像进行数字影像重建产生2D的DRR图像。该方法是将2D-3D图像配准问题转换为2D-2D图像配准,将三维CT模型转换为二维的DRR图像,然后将DRR图像与X-ray产生的DR图像进行相似度比较,找出相似性最佳的图像变换。互信息测度通过把来自不同模态、不同来源的CT图像和DR图像进行几何变换,把二维的DR图像映射到三维的CT图像中,使得两种图像中相关的组织或器官达到空间上的一致,以便给医生在制定放疗计划时提供包含两种图像信息的综合图像。如图1所述,一种基于互信息的CT-DR多模态食管图像配准方法,具体如下所示:
(1)对3D CT图像与2D DR图像的预处理
为了提高配准速度,在配准前对图像进行预处理操作,具体操作如下:
(a)划定感兴趣区域(ROI),通过划分食管周围组织来确定感兴趣区域,排除可能对配准产生负面影响的区域或结构。
(b)医学图像存在着模糊与不均匀的区域,通过低通滤波来去除三维CT图像中的斑点与噪声,使用模糊化来校正图像间的分辨率差异,使用双线性内插法的重采样校正图像的灰度不均匀。
(2)3D纹理映射加速DRR的生成
由于DRR图像生成是配准过程中的主要操作,为了快速生成DRR图像,采用了一种硬件加速技术-自适应切片3D纹理映射,从3D CT数据中生成DRR图像。该步骤将3D CT数据中感兴趣区域的体素进行渲染,并执行硬件支持的强度转移,根据CT图像内容对体数据进行自适应切片,进一步加速DRR生成过程。通过平移CT图像体素周围的相邻区域,找到局部变换,从最低分辨率的图像到最高分辨率的图像,并将这些局部变换转化为连续的整体变换。在特征提取过程中,使用Gabor滤波器提取图像的纹理特征,通过提取DR图像和CT图像的Gabor特征来构造图像之间的相似性度量。
(3)使用互信息测度进行配准
使用互信息测度将3D CT生成的DRR图像与相应的2D DR图像进行比较,以测量图像的相似性。该步骤结合了CT图象中的空间坐标,能够通过修改参数来恢复原始姿态。待配准的DR正位图像作为固定图像,CT正位图像作为移动图像,通过Powell优化搜索算法实现对固定图像平面参数的搜索,当两个图像的互信息相似性测度数值最大时,配准图像与待配准正位图像完成一次配准。由于相邻区域的形变不是独立的,每个区域的形变不能一次估算出来,所以这个过程需要反复进行。当互信息的增量改变低于设定阈值时,迭代过程停止。由于拓扑结构必须保持不变,因此不能跳过其任何变换的相邻节点,需要适当地重新缩放形变场的增量。
进一步的,将3D CT生成的DRR图像与相应的2D DR图像进行比较,以测量图像的相似性。互信息测度已经成功地应用于3D-3D图像配准中,并且被证明是稳定的。互信息是信息论中衡量一个随机变量包含关于另一个随机变量的信息量。当两幅图像按几何方向排列时,它们的互信息最大。该测度的优点在于其通用性,因为它不假定配准图像中的灰度值之间存在一定的关系。根据核密度(Parzen窗)计算图像中的灰度与强度的满阶带宽矩阵,来确定模型中的未知参数。DRR图像与DR图像进行比较时,随机选取对应的像素点来进行估计,通过一种描述DRR图像与DR图像灰度关系的S型曲线的非线性函数,并将其参数与形变场参数集成到优化问题中,从而可以更可靠地计算互信息。
按概率分布的定义来说,两个随机变量X和Y的互信息被定义为:
其中,P(X)、P(Y)是随机变量X、Y的概率分布,P(X,Y)是随机变量X和Y的联合概率分布,I(X,Y)是随机变量X和Y的互信息。在图像配准的过程中,P(X)和P(Y)是图像X和图像Y的归一化直方图,P(X,Y)是它们的联合归一化直方图。然后,将相似性度量S(x)定义为DRR图像与DR图像互信息的平均值。
其中,x=[rx,ry,rz]T,表示从3D CT生成DRR的起始空间位置。DR图像的直方图在配准开始时计算一次,并在搜索优化期间重复使用,因为DR图像在配准期间不会发生变化。
本公开所述方法的目标是计算一个使互信息泛函最大化的形变场。分别为每个图像中相邻节点计算它们的联合直方图和边缘直方图的增量变化。由于互信息的统计性质,要在配准过程中计算DRR图像的离散点阵{Xi[i=1,...,n]}(n是维数),为每个离散点定义中心邻域。然后,通过将图像划分为重叠的邻域区域,分别对每个邻域区域进行平移操作,对图像进行局部变换,从而增加两个图像的互信息。由于相邻区域的形变不是独立的,每个区域的形变不可能一次估算出来,所以这个过程需要反复进行。当互信息的增量改变低于设定阈值时,迭代过程停止。由于拓扑结构必须保持不变,因此不能跳过其任何变换的相邻节点,需要适当地重新缩放形变场的增量。互信息测度在配准时只假设两个图像中最可能值的共同出现。然而,互信息只考虑了两幅图像的强度,这意味着丢失大量有价值的空间信息。因此,将额外的空间坐标作为约束添加到互信息测度中。
(4)采用最佳邻域搜索的优化过程
在此过程中将DRR图像作为初始变换,并通过改变参数来扩展它的邻域范围。在邻域搜索中生成的六个最接近的相邻变换,每个变换都由成本函数评估。然后扩展到成本函数定义的最佳值邻域,依此类推,直到无法进行下一步的搜索为止。在估计形变场时利用平滑正则化约束,避免配准过程中的局部极小值,可以对形变场进行迭代优化,使用平滑正则化约束空间坐标变换的范围,避免过度形变。为了提高算法的速度,对上述方法进行了一些近似。在移动相邻区域时不考虑子体素的平移,以避免额外的插值,以最大限度提高DRR图像和DR图像之间的相似性。
具体的,所述最佳邻域搜索是一种局部搜索方法,该方法应用于经过互信息测度之后的配准图像与原始图像的比较中。优化的目的是使图像互信息最大化,即DRR图像和相应的DR图像之间的相似度达到最大。Powell共轭方向法是利用共轭方向能够加快收敛速度的性质形成的直接搜索方法。该方法不需要对目标函数进行求导,当目标函数的导数不连续时也可以应用。在优化过程中,Powell算子把整个计算过程分成若干个阶段,每一轮迭代有若干次搜索组成。在此过程中将DRR图像作为初始变换,并通过改变参数来扩展它的邻域范围。在邻域搜索中生成六个最接近的相邻变换,每个变换都由成本函数评估。然后扩展到成本函数定义的最佳值邻域,依此类推,直到无法进行下一步的搜索为止。我们还对该算法进行了增强,在估计形变场时利用平滑正则化约束,避免配准过程中的局部极小值,可以对形变场进行迭代优化,使用平滑正则化约束空间坐标变换的范围,避免过度形变。以最大限度提高固定图像和配准图像之间的相似性。
最后,将最优坐标变换应用于DR图像,获得CT图像和DR图像的配准结果。
实施例二:
本实施例的目的是一种基于互信息的CT-DR多模态食管图像配准系统,包括:
(1)图像预处理单元,其用于分别获取食管图像的CT图像和DR图像,并进行预处理;
具体的,所述图像预处理单元通过划定感兴趣区域(ROI)来排除可能对配准产生负面影响的区域或结构。通过划分食管周围组织来确定感兴趣区域,使用低通滤波来去除三维CT图像中的斑点与噪声,使用模糊化来校正图像间的分辨率差异,使用双线性内插法的重采样校正图像的灰度不均匀。
(2)DRR图像生成单元,其用于基于自适应切片3D纹理映射方法,将所述3D的CT图像中的纹理像素映射到2D空间,获得DRR图像;
具体的,3D纹理映射是将3D纹理空间中的纹理像素映射到2D空间的过程。由于DRR图像生成是配准过程中的主要操作,为了快速生成DRR图像,采用了一种硬件加速技术-自适应切片3D纹理映射,从3D CT数据中生成DRR图像。该方法将3DCT数据中感兴趣区域的体素进行渲染,并执行硬件支持的强度转移,根据CT图像内容对体数据进行自适应切片,进一步加速DRR生成过程。在特征提取过程中,使用Gabor滤波器提取图像的纹理特征,通过提取DR图像和CT图像的Gabor特征来构造图像之间的相似性度量。
(3)变换矩阵优化单元,其用于以最大化所述DRR图像与DR图像间的互信息测度为目标,利用最佳邻域搜索算法对所述CT图像与DR图像间的坐标变换进行迭代优化;
具体的,所述变换矩阵优化单元具体执行以下步骤:
将3D CT生成的DRR图像与相应的2D DR图像进行比较,以测量图像的相似性。互信息测度已经成功地应用于3D-3D图像配准中,并且被证明是稳定的。互信息是信息论中衡量一个随机变量包含关于另一个随机变量的信息量。当两幅图像按几何方向排列时,它们的互信息最大。该测度的优点在于其通用性,因为它不假定配准图像中的灰度值之间存在一定的关系。根据核密度(Parzen窗)计算图像中的灰度与强度的满阶带宽矩阵,来确定模型中的未知参数。DRR图像与DR图像进行比较时,随机选取对应的像素点来进行估计,通过一种描述DRR图像与DR图像灰度关系的S型曲线的非线性函数,并将其参数与形变场参数集成到优化问题中,从而可以更可靠地计算互信息。
按概率分布的定义来说,两个随机变量X和Y的互信息被定义为:
其中,P(X)、P(Y)是随机变量X、Y的概率分布,P(X,Y)是随机变量X和Y的联合概率分布,I(X,Y)是随机变量X和Y的互信息。在图像配准的过程中,P(X)和P(Y)是图像X和图像Y的归一化直方图,P(X,Y)是它们的联合归一化直方图。然后,将相似性度量S(x)定义为DRR图像与DR图像互信息的平均值。
其中,x=[rx,ry,rz]T,表示从3D CT生成DRR的起始空间位置。DR图像的直方图在配准开始时计算一次,并在搜索优化期间重复使用,因为DR图像在配准期间不会发生变化。
所述配准系统的目标是计算一个使互信息泛函最大化的形变场。分别为每个图像中相邻节点计算它们的联合直方图和边缘直方图的增量变化。由于互信息的统计性质,要在配准过程中计算DRR图像的离散点阵{Xi[i=1,...,n]}(n是维数),为每个离散点定义中心邻域。然后,通过将图像划分为重叠的邻域区域,分别对每个邻域区域进行平移操作,对图像进行局部变换,从而增加两个图像的互信息。由于相邻区域的形变不是独立的,每个区域的形变不可能一次估算出来,所以这个过程需要反复进行。当互信息的增量改变低于设定阈值时,迭代过程停止。由于拓扑结构必须保持不变,因此,不能跳过其任何变换的相邻节点,需要适当地重新缩放形变场的增量。互信息测度在配准时只假设两个图像中最可能值的共同出现。然而,互信息只考虑了两幅图像的强度,这意味着丢失大量有价值的空间信息。因此,将额外的空间坐标作为约束添加到互信息测度中。
进一步的,所述最佳邻域搜索是一种局部搜索方法,该方法应用于经过互信息测度之后的配准图像与原始图像的比较中,优化的目的是使图像互信息最大化,即DRR图像和相应的DR图像之间的相似度达到最大。Powell共轭方向法是利用共轭方向能够加快收敛速度的性质形成的直接搜索方法。该方法不需要对目标函数进行求导,当目标函数的导数不连续时也可以应用。在优化过程中,Powell算子把整个计算过程分成若干个阶段,每一轮迭代有若干次搜索组成。在此过程中将DRR图像作为初始变换,并通过改变参数来扩展它的邻域范围。在邻域搜索中生成六个最接近的相邻变换,每个变换都由成本函数评估。然后扩展到成本函数定义的最佳值邻域,依此类推,直到无法进行下一步的搜索为止。我们还对该算法进行了增强,在估计形变场时利用平滑正则化约束,避免配准过程中的局部极小值,可以对形变场进行迭代优化,使用平滑正则化约束空间坐标变换的范围,避免过度形变。以最大限度提高固定图像和配准图像之间的相似性。
(4)配准单元,其用于将最优坐标变换应用于DR图像,获得CT图像和DR图像的配准结果。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
上述实施例提供的一种基于互信息的CT-DR多模态食管图像配准方法及系统可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (8)
1.一种基于互信息的CT-DR多模态食管图像配准方法,其特征在于,包括:
分别获取食管图像的CT图像和DR图像,并进行预处理;
基于自适应切片3D纹理映射方法,将所述3D的CT图像中的纹理像素映射到2D空间,获得DRR图像;
以最大化所述DRR图像与DR图像间的互信息测度为目标,利用最佳邻域搜索算法对所述CT图像与DR图像间的坐标变换进行迭代优化;
将最优坐标变换应用于DR图像,获得CT图像和DR图像的配准结果;
所述自适应切片3D纹理映射方法,具体包括:将三维的CT数据中感兴趣区域的体素进行渲染,并执行硬件支持的强度转移,根据CT图像内容对体数据进行自适应切片;并通过平移CT图像体素周围的相邻区域,找到局部变换,从最低分辨率的图像到最高分辨率的图像,将这些局部变换转化为连续的整体变换,最终获得DRR图像。
2.如权利要求1所述的一种基于互信息的CT-DR多模态食管图像配准方法,其特征在于,所述最佳邻域搜索算法采用Powell共轭方向法,将其应用于经过互信息测度之后的DRR图像与DR图像的比较,通过利用CT图像的空间坐标对DRR图像进行变换,使DRR图像与DR图像的互信息达到最大。
3.如权利要求1所述的一种基于互信息的CT-DR多模态食管图像配准方法,其特征在于,所述预处理包括:划分食管周围组织来确定感兴趣区域,去除对配准产生负面影响的区域;通过低通滤波来去除三维CT图像中的斑点与噪声,利用模糊化来校正图像间的分辨率差异;使用双线性内插法的重采样校正DR图像中的灰度不均匀情况。
4.一种基于互信息的CT-DR多模态食管图像配准系统,其特征在于,包括:
数据获取单元,其用于分别获取食管图像的CT图像和DR图像,并进行预处理;
降维单元,其用于基于自适应切片3D纹理映射方法,将所述3D的CT图像中的纹理像素映射到2D空间,获得DRR图像;所述自适应切片3D纹理映射方法,具体包括:将三维的CT数据中感兴趣区域的体素进行渲染,并执行硬件支持的强度转移,根据CT图像内容对体数据进行自适应切片;并通过平移CT图像体素周围的相邻区域,找到局部变换,从最低分辨率的图像到最高分辨率的图像,将这些局部变换转化为连续的整体变换,最终获得DRR图像;
变换矩阵优化单元,其用于以最大化所述DRR图像与DR图像间的互信息测度为目标,利用最佳邻域搜索算法对所述CT图像与DR图像间的坐标变换进行迭代优化;
配准单元,其用于将最优坐标变换应用于DR图像,获得CT图像和DR图像的配准结果。
5.如权利要求4所述的一种基于互信息的CT-DR多模态食管图像配准系统,其特征在于,所述最佳邻域搜索算法采用Powell共轭方向法,将其应用于经过互信息测度之后的DRR图像与DR图像的比较,通过利用CT图像的空间坐标对DRR图像进行变换,使DRR图像与DR图像的互信息达到最大。
6.如权利要求4所述的一种基于互信息的CT-DR多模态食管图像配准系统,其特征在于,所述预处理包括:划分食管周围组织来确定感兴趣区域,去除对配准产生负面影响的区域;通过低通滤波来去除三维CT图像中的斑点与噪声,利用模糊化来校正图像间的分辨率差异;使用双线性内插法的重采样校正DR图像中的灰度不均匀情况。
7.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3任一项所述的基于互信息的CT-DR多模态食管图像配准方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3任一项所述的基于互信息的CT-DR多模态食管图像配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619727.8A CN113421226B (zh) | 2021-06-03 | 2021-06-03 | 基于互信息的ct-dr多模态食管图像配准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619727.8A CN113421226B (zh) | 2021-06-03 | 2021-06-03 | 基于互信息的ct-dr多模态食管图像配准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421226A CN113421226A (zh) | 2021-09-21 |
CN113421226B true CN113421226B (zh) | 2022-11-01 |
Family
ID=77713799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110619727.8A Active CN113421226B (zh) | 2021-06-03 | 2021-06-03 | 基于互信息的ct-dr多模态食管图像配准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421226B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920178B (zh) * | 2021-11-09 | 2022-04-12 | 广州柏视医疗科技有限公司 | 一种基于标记点的多视觉2d-3d图像配准方法及系统 |
CN113920179B (zh) * | 2021-11-09 | 2022-04-29 | 广州柏视医疗科技有限公司 | 一种基于标记点的多视觉2d-3d图像非刚性配准方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107886508A (zh) * | 2017-11-23 | 2018-04-06 | 上海联影医疗科技有限公司 | 差分减影方法和医学图像处理方法及系统 |
CN110148160A (zh) * | 2019-05-22 | 2019-08-20 | 合肥中科离子医学技术装备有限公司 | 一种正交x射线影像快速2d-3d医学图像配准方法 |
CN111723836A (zh) * | 2019-03-21 | 2020-09-29 | 杭州三坛医疗科技有限公司 | 图像相似度的计算方法及装置、电子设备、存储介质 |
CN112184782A (zh) * | 2020-09-21 | 2021-01-05 | 上海交通大学 | 一种骨关节的自动配准定位方法及装置 |
CN112308765A (zh) * | 2020-10-13 | 2021-02-02 | 杭州三坛医疗科技有限公司 | 投影参数的确定方法及装置 |
CN112785632A (zh) * | 2021-02-13 | 2021-05-11 | 常州市第二人民医院 | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637061A (zh) * | 2015-01-30 | 2015-05-20 | 中国科学院自动化研究所 | 一种二维三维医学图像配准方法 |
WO2021067403A1 (en) * | 2019-10-01 | 2021-04-08 | Immunomedics, Inc. | Biomarkers for antibody-drug conjugate monotherapy or combination therapy |
-
2021
- 2021-06-03 CN CN202110619727.8A patent/CN113421226B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107886508A (zh) * | 2017-11-23 | 2018-04-06 | 上海联影医疗科技有限公司 | 差分减影方法和医学图像处理方法及系统 |
CN111723836A (zh) * | 2019-03-21 | 2020-09-29 | 杭州三坛医疗科技有限公司 | 图像相似度的计算方法及装置、电子设备、存储介质 |
CN110148160A (zh) * | 2019-05-22 | 2019-08-20 | 合肥中科离子医学技术装备有限公司 | 一种正交x射线影像快速2d-3d医学图像配准方法 |
CN112184782A (zh) * | 2020-09-21 | 2021-01-05 | 上海交通大学 | 一种骨关节的自动配准定位方法及装置 |
CN112308765A (zh) * | 2020-10-13 | 2021-02-02 | 杭州三坛医疗科技有限公司 | 投影参数的确定方法及装置 |
CN112785632A (zh) * | 2021-02-13 | 2021-05-11 | 常州市第二人民医院 | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 |
Non-Patent Citations (1)
Title |
---|
基于医学影像三维二维配准的肺部肿瘤定位方法研究;郑德磊;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20210215(第2期);正文第13、18、20-21、26-31、34-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113421226A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2651437C (en) | Methods and systems for segmentation using boundary reparameterization | |
US7881516B2 (en) | Method and system of image fusion for radiation therapy | |
US7940999B2 (en) | System and method for learning-based 2D/3D rigid registration for image-guided surgery using Jensen-Shannon divergence | |
Markelj et al. | Robust gradient-based 3-D/2-D registration of CT and MR to X-ray images | |
US9282944B2 (en) | C-arm pose estimation using intensity-based registration of imaging modalities | |
CN112508965B (zh) | 医学影像中正常器官的轮廓线自动勾画系统 | |
CN113421226B (zh) | 基于互信息的ct-dr多模态食管图像配准方法及系统 | |
CN110599447B (zh) | 一种肝癌病灶数据的处理方法、系统和存储介质 | |
EP4365838A1 (en) | Registration method and system | |
Jimenez-Carretero et al. | Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints | |
CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
Rossi et al. | Image‐based shading correction for narrow‐FOV truncated pelvic CBCT with deep convolutional neural networks and transfer learning | |
Shao et al. | Automatic liver tumor localization using deep learning‐based liver boundary motion estimation and biomechanical modeling (DL‐Bio) | |
US20080285822A1 (en) | Automated Stool Removal Method For Medical Imaging | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
KR20200083122A (ko) | 전역 변형 저감화 기법을 이용한 저선량 콘빔 전산화 단층 촬영 시스템 | |
Roy et al. | MDL-IWS: multi-view deep learning with iterative watershed for pulmonary fissure segmentation | |
Losnegård et al. | Semi-automated segmentation of the sigmoid and descending colon for radiotherapy planning using the fast marching method | |
Hoogendoorn et al. | A groupwise mutual information metric for cost efficient selection of a suitable reference in cardiac computational atlas construction | |
Al Abboodi et al. | Supervised Transfer Learning for Multi Organs 3D Segmentation With Registration Tools for Metal Artifact Reduction in CT Images | |
CN112308764A (zh) | 图像配准方法及装置 | |
Alam et al. | Generalizable cone beam ct esophagus segmentation using in silico data augmentation | |
Wodzinski et al. | Usage of ICP algorithm for initial alignment in B-splines FFD image registration in breast cancer radiotherapy planning | |
Trabelsi et al. | 3D Active Shape Model for CT-scan liver segmentation | |
Leavens et al. | Validation of automatic landmark identification for atlas-based segmentation for radiation treatment planning of the head-and-neck region |
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 |