CN113487656B - 图像配准方法及装置，训练方法及装置，控制方法及装置 - Google Patents
图像配准方法及装置，训练方法及装置，控制方法及装置 Download PDFInfo
- Publication number
- CN113487656B CN113487656B CN202110845109.5A CN202110845109A CN113487656B CN 113487656 B CN113487656 B CN 113487656B CN 202110845109 A CN202110845109 A CN 202110845109A CN 113487656 B CN113487656 B CN 113487656B
- Authority
- CN
- China
- Prior art keywords
- marker
- medical image
- transformation
- coordinate system
- segmentation
- 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 83
- 238000012549 training Methods 0.000 title claims abstract description 27
- 239000003550 marker Substances 0.000 claims abstract description 285
- 230000009466 transformation Effects 0.000 claims abstract description 255
- 230000011218 segmentation Effects 0.000 claims abstract description 244
- 238000013519 translation Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 106
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 22
- 238000013145 classification model Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 7
- 230000001373 regressive effect Effects 0.000 claims 1
- 210000000056 organ Anatomy 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 13
- 238000002591 computed tomography Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000844 transformation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Abstract
本申请公开了一种图像配准方法及装置，训练方法及装置，控制方法及装置。该图像配准方法包括：获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置；根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同；将所述医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准，能够实现医学图像建模后形成的器官模型和穿刺针所在的导航装置之间的精准且快速的配准，以避免穿刺针的穿刺路径与器官模型上的虚拟穿刺针的穿刺路径之间不完全对应。
Description
技术领域
本申请涉及图像处理技术领域，具体涉及一种图像配准方法及装置，训练方法及装置，控制方法及装置。
背景技术
在穿刺手术中，医生需要确定目标病灶和穿刺路径。在确定目标病灶和穿刺路径时，通常可以将电脑上的器官模型和穿刺针所在的导航装置进行联动，以在电脑上的器官模型中生成虚拟穿刺针，供医生查看目标病灶和穿刺路径。然而，在将电脑上的器官模型和穿刺针所在的导航装置进行联动时，往往存在精度和速度不够的情况，从而导致穿刺针的穿刺路径与虚拟穿刺针的穿刺路径之间不能够完全对应。
发明内容
有鉴于此，本申请的实施例致力于提供一种图像配准方法及装置，训练方法及装置，控制方法及装置，能够在穿刺手术中避免穿刺针的穿刺路径与虚拟穿刺针的穿刺路径之间不能够完全对应。
根据本申请实施例的第一方面，提供了一种图像配准方法，包括：获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置；根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同；将所述医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准。
在一个实施例中，所述将所述医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准，包括：将所述标记物的分割结果输入所述配准模型中，获得所述标记物的分割结果和所述标准分割之间的旋转变换矩阵，以实现所述标记物的旋转变换；根据所述旋转变换矩阵，将所述标记物的分割结果和所述标准分割配准。
在一个实施例中，所述配准模型包括级联的多个空间变换网络，所述旋转变换矩阵包括多个旋转变换矩阵，一个空间变化网络对应一个旋转变换矩阵。
在一个实施例中，所述获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置，包括：获取所述医学图像上的标记物的粗分割结果；将所述粗分割结果输入第一网络模型中，获得所述医学图像上的标记物的分割结果和所述标记物上的关键点的位置。
在一个实施例中，所述获取所述医学图像上的标记物的粗分割结果，包括：将所述医学图像输入第二网络模型中，获得所述医学图像的多个分割结果；将所述多个分割结果进行连通域处理，得到多个连通域；将所述多个连通域输入分类模型中，对所述多个连通域进行分类，以获得所述医学图像上的标记物的粗分割结果。
在一个实施例中，所述第一网络模型包括并列的多个分支网络，所述多分支网络包括：分割输出网络，回归输出网络，关键点输出网络，其中，所述将所述粗分割结果输入第一网络模型中，获得所述医学图像上的标记物的分割结果和所述标记物上的关键点的位置，包括：将所述粗分割结果输入所述分割输出网络中，获得所述医学图像上的标记物的分割结果；将所述粗分割结果输入所述关键点输出网络中，获得所述标记物上的关键点的初步位置；将所述标记物上的关键点的初步位置输入所述回归输出网络中，获得所述标记物上的关键点的位置。
根据本申请实施例的第二方面，提供了一种配准模型的训练方法，包括：将医学样本图像输入级联的多个空间变换网络中进行空间变换，以获得配准图像，其中，前一个空间变换网络的输出作为后一个空间变换网络的输入，每经过一个空间变换网络，训练学习一次旋转变换；根据所述配准图像和标准分割，获取所述多个空间变换网络的损失函数值；根据所述损失函数值，更新所述多个空间变换网络中的参数，以生成用于配准所述医学样本图像和标准分割的配准模型。
根据本申请实施例的第三方面，提供了一种导航穿刺控制方法，包括：将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针。
在一个实施例中，所述对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵，包括：将所述医学图像上的标记物的关键点与所述标准分割的对应关键点进行平移变换；根据所述配准模型，获取所述标记物的分割结果和所述标准分割之间的旋转变换矩阵；根据所述旋转变换矩阵，确定所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值；根据所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值，确定所述医学图像的坐标系的X、Y以及Z轴相对于医学图像上的标记物的坐标系的X、Y以及Z轴的方向；根据所述方向，确定所述第二转换矩阵。
在一个实施例中，所述配准模型包括级联的多个空间变换网络，所述旋转变换矩阵包括多个旋转变换矩阵，一个空间变化网络对应一个旋转变换矩阵，其中，根据所述旋转变换矩阵，确定所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值，包括：计算所述多个空间变换网络中的每个空间变换网络的输入与输出的交并比；将所述交并比小于预设阈值的空间变换网络所对应的旋转变换矩阵与所述医学图像的坐标系中的预设点的坐标值相乘，以得到所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值。
在一个实施例中，所述预设点包括所述标记物的中点、边缘点和/或轴位点。
根据本申请实施例的第四方面，提供了一种图像配准装置，包括：获取模块，配置为获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置；平移变换模块，配置为根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同；配准模块，配置为将所述医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准。
在一实施例中，所述装置还包括：用于执行上述实施例提及的图像配准方法中的各个步骤的模块。
根据本申请实施例的第五方面，提供了一种配准模型的训练装置，包括：空间变换模块，配置为将医学样本图像输入级联的多个空间变换网络中进行空间变换，以获得配准图像，其中，前一个空间变换网络的输出作为后一个空间变换网络的输入，每经过一个空间变换网络，训练学习一次旋转变换；损失模块，配置为根据所述配准图像和标准分割，获取所述多个空间变换网络的损失函数值；更新模块，配置为根据所述损失函数值，更新所述多个空间变换网络中的参数，以生成用于配准所述医学样本图像和标准分割的配准模型。
根据本申请实施例的第六方面，提供了一种导航穿刺控制装置，包括：第一转换模块，配置为将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；第二转换模块，配置为对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；生成模块，配置为根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针。
根据本申请实施例的第七方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器用于执行上述任一实施例所述的方法。
根据本申请实施例的第八方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的方法。
本申请的实施例所提供的一种图像配准方法，先根据标记物上的关键点的位置和标准分割的对应关键点的位置，实现标记物的平移变换，再将医学图像上的标记物的分割结果输入配准模型中进行旋转变换，可以将标记物的分割结果和所述标准分割配准，能够实现医学图像建模后形成的器官模型和穿刺针所在的导航装置之间的精准且快速的配准，以避免穿刺针的穿刺路径与器官模型上的虚拟穿刺针的穿刺路径之间不完全对应。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请实施例所提供的一种实施环境的示意图。
图2是本申请一个实施例提供的图像配准方法的流程示意图。
图3是本申请一个实施例提供的空间变换网络的示意图。
图4是本申请另一个实施例提供的图像配准方法的流程示意图。
图5是本申请一个实施例提供的配准模型的示意图。
图6是本申请一个实施例提供的配准模型的训练方法的流程示意图。
图7是本申请一个实施例提供的导航穿刺控制方法的流程示意图。
图8是本申请一个实施例提供的坐标系转换过程的示意图。
图9是本申请另一个实施例提供的导航穿刺控制方法的流程示意图。
图10是本申请另一个实施例提供的导航穿刺控制方法的流程示意图。
图11是本申请一个实施例提供的图像配准装置的框图。
图12是本申请一个实施例提供的配准模型的训练装置的框图。
图13是本申请一个实施例提供的导航穿刺控制装置的框图。
图14是本申请一个实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
申请概述
病灶组织的病理学诊断对疾病判断具有重要的指导作用。临床上通常在肺部CT(Computed Tomography，电子计算机断层扫描)图像引导下进行穿刺手术获取病理标本以进行病灶的诊断。在穿刺手术中，医生需要确定目标病灶和穿刺路径。
在穿刺手术过程中，将电脑上的器官模型和穿刺针所在的导航装置进行联动时，能够实时地规划穿刺路径和定位穿刺针。然而，电脑上的器官模型和穿刺针所在的导航装置进行联动时，往往存在精度和速度不够的情况，也就是说，二者无法很好地进行配准，从而导致穿刺针的穿刺路径与电脑上的器官模型上的虚拟穿刺针的穿刺路径之间不能够完全对应。
因此，亟需一种图像配准方法，电脑上的器官模型和穿刺针所在的导航装置进行精准且快速地配准，以避免穿刺针的穿刺路径与电脑上的器官模型上的虚拟穿刺针的穿刺路径之间不完全对应。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1是本申请实施例所提供的一种实施环境的示意图。该实施环境包括CT扫描仪130、服务器120和计算机设备110。计算机设备110可以从CT扫描仪130处获取带有标记物的医学图像，同时，计算机设备110还可以与服务器120之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
将人体组织的对应位置佩戴标记物后，CT扫描仪130对佩戴有标记物的人体组织进行X线扫描，得到人体组织的带有标记物的医学图像。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等，本申请实施例对此不做限定。例如，计算机设备110可以是平板电脑等移动终端设备，或者也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓，上述计算机设备110的数量可以一个或多个，其类型可以相同或者不同。比如上述计算机设备110可以为一个，或者上述计算机设备110为几十个或几百个，或者更多数量。本申请实施例对计算机设备110的数量和设备类型不加以限定。
在一些可选的实施例中，计算机设备110中可以部署有配准模型，用于将医学图像上的标记物的分割结果和标准分割进行配准。计算机设备110可以从CT扫描仪130处获取的带有标记物的医学图像，然后获取医学图像上的标记物的分割结果和标记物上的关键点的位置，再根据标记物上的关键点的位置和标准分割的对应关键点的位置，实现标记物的平移变换，最后将医学图像上的标记物的分割结果输入其上部署的配准模型中进行旋转变换，以将标记物的分割结果和标准分割配准。通过配准模型可以实现医学图像建模后形成的器官模型和穿刺针所在的导航装置之间的精准且快速的配准，以避免穿刺针的穿刺路径与器官模型上的虚拟穿刺针的穿刺路径之间不完全对应。
服务器120是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心。
在一些可选的实施例中，服务器120接收计算机设备110采集到的训练图像，并通过训练图像对神经网络进行训练，以得到配准模型。计算机设备110可以将其从CT扫描仪130处获取到的带有标记物的医学图像发送给服务器120，然后服务器120可以获取医学图像上的标记物的分割结果和标记物上的关键点的位置，再根据标记物上的关键点的位置和标准分割的对应关键点的位置，实现标记物的平移变换，最后将医学图像上的标记物的分割结果输入其上部署的配准模型中进行旋转变换，以将标记物的分割结果和标准分割配准。通过配准模型可以实现医学图像建模后形成的器官模型和穿刺针所在的导航装置之间的精准且快速的配准，以避免穿刺针的穿刺路径与器官模型上的虚拟穿刺针的穿刺路径之间不完全对应。
示例性方法
图2是本申请一个实施例提供的图像配准方法的流程示意图。图2所述的方法由计算设备(例如，服务器)来执行，但本申请实施例不以此为限。服务器可以是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心，本申请实施例对此不作限定。如图2所示，该方法包括如下内容。
S210：获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置。
医学图像可以为电子计算机断层成像(Computed Tomography，CT)、核磁共振成像(Magnetic Resonance Imaging，MRI)、计算机放射成像(Computed Radiography，CR)或数字放射成像(Digital radiography，DR)等医学影像，本申请实施例对此不作具体限定。
医学图像可以为肺部图像、脑部图像、心脏图像等，本申请实施例对此不作具体限定。本申请实施例也并不限定医学图像的具体形式，可以是原始医学图像，也可以是经过预处理后的医学图像，还可以是原始医学图像的一部分。
通过在人体组织上佩戴标记物，可以获取带有标记物的医学图像，然后从该医学图像上将标记物分割出来，以得到医学图像上的标记物的分割结果，同时，从该医学图像上对标记物进行定位，以得到标记物上的关键点的位置。
例如，先获取医学图像上的标记物的粗分割结果，该粗分割结果用于指示标记物在医学图像中的大概位置，但是需要说明的是，本申请实施例并不具体限定如何获取粗分割结果，本领域技术人员可以通过深度学习的方法，进行标记物的粗分割；再将粗分割结果输入第一网络模型中，利用标记物在医学图像中的大概位置，抠取一个固定空间，来获得医学图像上的标记物的分割结果和标记物上的关键点的位置。
因为医学图像上还可能包含其他的与标记物的形状和大小相近的物体，因此，先将医学图像输入第二网络模型中，获得医学图像的多个分割结果，即，一个分割结果对应一个物体；由于第二网络模型无法避免地会出现一些噪点，也就是说，多个分割结果中会包含很多的与噪点相关的分割结果，因此，再将多个分割结果进行连通域处理，得到多个连通域；由于每个连通域的密度和体积信息以及比例信息各不相同，因此将多个连通域输入分类模型中，对多个连通域进行分类，可以获得医学图像上的标记物的粗分割结果，也就是说，该分类模型可以理解为对标记物连通域和噪点连通域的二分类，分类模型可以对医学图像上的标记物对应的属性特征进行特征学习，从而可以区分出哪个区域是标记物连通域，哪个区域是噪点连通域。
将医学图像打散成多个patch，多个patch合并在一起构成医学图像的像素空间。在训练第二网络模型的阶段，将多个patch依次输入第二网络模型。在预测多个分割结果的阶段，按照多个patch的顺序对多个patch依次进行预测，然后将多个patch的结果进行拼接，以形成一个完整的实体，从而能够避免完整的实体的边缘预测不好的情况。
本申请实施例对该分类模型以及网络模型的具体类型不作限定，该分类模型以及网络模型可以是通过机器学习所获得的浅层模型，例如SWM分类器，或线性回归分类器等等，通过机器学习所获得的分类模型可以实现快速的图像分类和分割，以提高模型分类和分割的效率；该分类模型以及网络模型也可以是指通过深度学习获得的深层模型，该分类模型以及网络模型可以由任意类型的神经网络构成，且这些网络可以以ResNet、ResNeXt或DenseNet等为主干网络，通过深度学习所获得的分类模型以及网络模型可以提高模型分类和分割的准确性。可选地，该分类模型以及网络模型可以为卷积神经网络(ConvolutionalNeural Network，CNN)、深度神经网络(Deep Neural Network，DNN)或循环神经网络(Recurrent Neural Network，RNN)等。该分类模型以及网络模型可以包括输入层、卷积层、池化层、连接层等神经网络层，本申请实施例对此不作具体限定。另外，本申请实施例对每一种神经网络层的个数也不作限定。
例如，第一网络模型包括并列的多个分支网络，多分支网络包括：分割输出网络，回归输出网络，关键点输出网络。将所述粗分割结果输入分割输出网络中进行精分割，可以获得医学图像上的标记物的分割结果，该标记物的分割结果是指标记物的精分割结果。将粗分割结果输入关键点输出网络中，可以获得标记物上的关键点的初步位置，也就是说，关键点输出网络用于对标记物上的关键点的初步定位；再将标记物上的关键点的初步位置输入回归输出网络中，可以获得标记物上的关键点的位置，也就是说，回归输出网络用于对于初步定位的结果进行修正。
例如，通过关键点输出网络，可以确定标记物上的关键点在比原图小n倍的特征图上为(x，y)，放缩到原图为(nx，ny)，即，标记物上的关键点的初步位置为(nx，ny)，然后通过回归输出网络，可以得到标记物上的关键点的初步位置的偏移量deltax和deltay，所以，标记物上的关键点的位置为(nx+deltax，ny+deltay)。
但是需要说明的是，本申请实施例并不具体限定标记物上的关键点的具体类型和具体数量，例如，标记物上的关键点为标记物的中点以及标记物的边缘点。本申请实施例并不具体限定标记物上的具体形状，例如，标记物为定位片，标记物的形状为圆形，那么标记物的中点即为圆形的圆点，标记物的边缘点为圆形与外部接线的交点，该外部接线就是指定位片与导航装置相连接的线。
S220：根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同。
由于标记物的物理形状固定，所以标记物和标准分割的物理形状相同，当在相同的物理空间下，理论上标记物的分割结果和标准分割不存在放缩变换。此外，通过将标记物上的关键点和标准分割的对应关键点进行平移，以将标记物上的关键点和标准分割的对应关键点合并在一起，可以实现标记物的平移变换，所以标记物的分割结果和标准分割之间的平移变换也可以通过关键点之间的差得到。优选地，将标记物上的边缘点和标准分割的对应的边缘点进行平移。
S230：将所述医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准。
配准模型可以由空间变换网络(Spatial Transformer Network，STN)训练得到，空间变换网络可以以标准分割为基准，对医学图像上的标记物的分割结果进行空间变换，输出一张新的图像，从而实现标记物的分割结果和标准分割的配准。
空间变换网络的结构如图3所示，其由定位网络(LocalisationNet)、采样网格生成器(Grid Generator)和双线性插值(Sample)组成。定位网络将变换参数预测为输出，变换参数决定了输入图像需要旋转的角度。采样网格生成器通过定位网络所输出的参数和该参数定义的变换方式，确定输入图像和输出图像的映射。双线性插值结合位置映射和变换参数，对输入图像进行选择合并，再利用双线性插值进行输出。
图3中的输入图像可以理解为是本申请的医学图像上的标记物的分割结果，图3中的输出图像可以理解为是本申请的标准分割，通过上述空间变换网络可以完成标记物的分割结果和标准分割的配准。
现有技术中的空间变换网络均是完成三维的仿射变换，即，平移变换、缩放变换和旋转变换，但是在本申请中为了能够提高配准模型的配准效率，将上述的平移变换和缩放变换在将标记物的分割结果输入配准模型之前来完成，因此，配准模型可以仅学习旋转变换，也就是说，空间变换网络中的定位网络的输出仅为旋转的角度。
在本申请另一个实施例中，如图4所示的方法为图2所述的方法的示例，图4所示的方法包括如下内容。
图4所示的方法中的步骤S410和S420分别与图2所示的方法中的步骤S210和S220相同，具体细节将不在此处进行赘述，请参见图2所示的方法中的步骤S210和S220。
S430：将所述标记物的分割结果输入所述配准模型中，获得所述标记物的分割结果和所述标准分割之间的旋转变换矩阵，以实现所述标记物的旋转变换。
在一实施例中，首先将标记物的分割结果输入定位网络中，可以输出三个旋转角度，分别是标准分割的X，Y，Z轴相对于标记物的分割结果的旋转的角度。然后将旋转角度输入采样网格生成器中，可以输出标记物的分割结果和标准分割之间的旋转变换矩阵。
S440：根据所述旋转变换矩阵，将所述标记物的分割结果和所述标准分割配准。
在一实施例中，根据旋转变换矩阵，对标记物的分割结果和标准分割的索引和坐标轴进行仿射变换，得到标准分割中每个点对应到标记物的分割结果的坐标点，然后利用双线性插值，将标准分割中每个坐标点用标记物的分割结果的对应坐标点的像素值进行填充，从而实现标记物的分割结果和标准分割配准。
在本申请另一个实施例中，如图5所示，该配准模型包括级联的多个空间变换网络，多个空间变换网络首尾相连，将输入图像(即，标记物的分割结果)从第一个空间变换网络输入，输出图像(即，标准分割)从最后一个空间变换网络中输出。
一个空间变换网络可以输出一个旋转变换矩阵，因此，图4所示的方法中的旋转变换矩阵的个数为多个。
传统的单个空间变换网络的学习能力存在一定的问题，主要表现在如果定位网络输出的旋转的方向是错误的，则配准模型容易陷入局部无法矫正的情况，因此，为了训练配准模型的稳定性，可以采用级联的多个空间变换网络，使得配准模型每经过一个空间变换网络，学习一个大概正确的旋转方向，经过多个空间变换网络，配准模型会变得更加精确。
图6是本申请一个实施例提供的配准模型的训练方法的流程示意图。图6所述的训练方法由计算设备(例如，服务器)来执行，但本申请实施例不以此为限。服务器可以是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心，本申请实施例对此不作限定。如图6所示，该训练方法包括如下内容。
S610：将医学样本图像输入级联的多个空间变换网络中进行空间变换，以获得配准图像，其中，前一个空间变换网络的输出作为后一个空间变换网络的输入，每经过一个空间变换网络，训练学习一次旋转变换。
在一实施例中，该医学样本图像可以为图2所示的实施例中的医学图像上的标记物的分割结果。通过如图2所示的实施例中的方法来获取医学样本图像，具体细节将不在此处进行赘述，请参见图2所示的实施例。
在一实施例中，如图2所示的实施例所述，为了能够提高配准模型的配准效率，将三维的仿射变换中的平移变换和缩放变换在将医学样本图像输入配准模型之前来完成，因此，配准模型可以仅学习旋转变换。前一个空间变换网络的输出作为后一个空间变换网络的输入，每经过一个空间变换网络，训练学习一次旋转变换。
传统的单个空间变换网络的学习能力存在一定的问题，主要表现在如果定位网络输出的旋转的方向是错误的，则配准模型容易陷入局部无法矫正的情况，因此，为了训练配准模型的稳定性，可以采用级联的多个空间变换网络，使得配准模型每经过一个空间变换网络，学习一个大概正确的旋转方向，经过多个空间变换网络，配准模型会变得更加精确。
在一实施例中，传统的单一空间变换网络中的定位网络的深度仅为几层卷积神经网络，为了使得配准模型的精度更高，可以加深多个空间变换网络中的每个空间变换网络中的定位网络的深度，例如，可以将几层卷积神经网络替换为ResNet结构。
S620：根据所述配准图像和标准分割，获取所述多个空间变换网络的损失函数值。
在一实施例中，利用损失函数，计算配准图像和标准分割之间的重合程度，以得到多个空间变换网络的损失函数值，损失函数值越小，代表配准图像和标准分割之间的重合程度越高，配准模型的配准精度越高。相反，损失函数值越小，代表配准图像和标准分割之间的重合程度越低，配准模型的配准精度越低。
传统的空间变换网络采用的是交叉熵损失函数，但是其主要是关注提高分类的效果。本申请更关注的是配准图像和标准分割的重合程度，所以本申请的空间变换网络采用的是DiceLoss和MSELos。
S630：根据所述损失函数值，更新所述多个空间变换网络中的参数，以生成用于配准所述医学样本图像和标准分割的配准模型。
在一实施例中，每个空间变换网络都会得到自己的损失函数值，只是在更新配准模型的参数时，将最后一个空间变换网络的损失函数值进行梯度反传，以更新多个空间变换网络中的参数，例如权重，偏值等，本申请对此不做限定。
由此可见，通过该训练方法所得到的配准模型的精度和效率会更高。
图7是本申请一个实施例提供的导航穿刺控制方法的流程示意图。图7所述的方法由计算设备(例如，服务器)来执行，但本申请实施例不以此为限。服务器可以是一台服务器，或者由若干台服务器组成，或者是一个虚拟化平台，或者是一个云计算服务中心，本申请实施例对此不作限定。如图7所示，该方法包括如下内容。
S710：将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵。
在一实施例中，导航设备是指电磁导航设备，例如，NDI标准设备，其在磁场范围内可以实时地对物体进行毫米量级的定位。该导航设备的坐标系是指导航设备自身所在的坐标系。
在一实施例中，标记物是指定位片，定位片可以与导航设备连接。该标记物设置在人体的某器官组织上，该人体与导航设备设置在一个空间中。
在一实施例中，通过对人体的某器官组织进行成像，可以形成带有标记物的医学图像。该医学图像上的标记物的坐标系是指图像上的标记物自身所在的坐标系，该医学图像上的标记物的坐标系与人体的某器官组织上的标记物的坐标系相同。
在一实施例中，当定位片处于导航设备的磁场内时，导航设备可以返回定位片的中点和描述定位片姿态的四元数，通过定位片的中点和四元数，对导航设备的坐标系与医学图像上的标记物的坐标系进行转换，可以获得第一转换矩阵。
S720：对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵。
在一实施例中，该医学图像的坐标系与上述任一实施例所述的标准分割的坐标系相同，即，该医学图像的坐标系中的X、Y以及Z轴与上述任一实施例所述的标准分割的坐标系中的X、Y以及Z轴的方向相同。
在一实施例中，先将医学图像上的标记物的关键点与标准分割的对应的关键点进行平移变换，以将这两个关键点合并在一起，然后利用配准模型将医学图像上的标记物的坐标系中的X、Y以及Z轴和标准分割的坐标系中的X、Y以及Z轴进行旋转变换，以确定医学图像上的标记物的坐标系中的X、Y以及Z轴相对于医学图像的坐标系中的X、Y以及Z轴的旋转角度，从而获得第二转换矩阵。
S730：根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针。
如图8所示，利用第一转换矩阵，可以将导航坐标系和标记物坐标系进行转换，利用第二转换矩阵，可以将标记物坐标系和医学图像坐标系进行转换。因此，要想使得电脑上的医学图像建模后形成的器官模型和导航设备产生联动的效果，可以将导航设备坐标系和医学图像坐标系关联起来，这时就可以利用这个中间媒介来实现，即，处于导航设备中的标记物坐标系。
在一实施例中，根据第一转换矩阵，可以确定穿刺针在标记物的坐标系中的位置，根据第二转换矩阵和穿刺针在标记物的坐标系中的位置，可以将穿刺针变换到医学图像的坐标系，以在医学图像上生成模拟穿刺针。
由此可见，通过该配准模型，能够使医学图像建模后的器官模型和穿刺针所在的导航装置进行精准且快速地配准，以避免穿刺针的穿刺路径与电脑上的器官模型上的虚拟穿刺针的穿刺路径之间不完全对应。
在本申请另一个实施例中，如图9所示，图7所示的方法中的步骤S720包括如下内容。
S910：将所述医学图像上的标记物的关键点与所述标准分割的对应关键点进行平移变换。
S920：根据所述配准模型，获取所述标记物的分割结果和所述标准分割之间的旋转变换矩阵。
步骤S910和S920的具体细节与上述图像配准方法的相关实施例相同，将不在此处进行赘述，请参见上述图像配准方法的相关实施例。
S930：根据所述旋转变换矩阵，确定所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值。
在一实施例中，将医学图像的坐标系中的预设点的坐标值与旋转变换矩阵相乘，可以得到医学图像的坐标系中的预设点在医学图像上的标记物的坐标系中对应的坐标值。
S940：根据所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值，确定所述医学图像的坐标系的X、Y以及Z轴相对于医学图像上的标记物的坐标系的X、Y以及Z轴的方向。
在一实施例中，医学图像的坐标系中的预设点在医学图像上的标记物的坐标系中对应的坐标值为医学图像的坐标系中的预设点的新坐标值，也就是说，医学图像的坐标系中的预设点通过旋转转换后，转换到新的坐标系中，即，医学图像上的标记物的坐标系。
但是需要说明的是，本申请实施例并不具体限定预设点的类型和个数，预设点可以包括标记物的中点、边缘点和/或轴位点。
在一实施例中，中点和边缘点定义X轴的方向，而中点和轴位点定义Y轴方向，由X轴叉乘Y轴，可以得到Z轴。因此，根据中点、边缘点和/或轴位点的新坐标值，可以得到医学图像的坐标系的X、Y以及Z轴相对于医学图像上的标记物的坐标系的X、Y以及Z轴的方向。
S950：根据所述方向，确定所述第二转换矩阵。
在一实施例中，第二转换矩阵由医学图像的坐标系的X、Y以及Z轴相对于医学图像上的标记物的坐标系的X、Y以及Z轴的方向构成。或者，第二转换矩阵由医学图像的坐标系的X、Y以及Z轴相对于医学图像上的标记物的坐标系的X、Y以及Z轴的方向和医学图像上的标记物的中点构成。本申请实施例对此并不做具体限定。
在本申请另一个实施例中，所述配准模型包括级联的多个空间变换网络，所述旋转变换矩阵包括多个旋转变换矩阵，一个空间变化网络对应一个旋转变换矩阵，如图10所示，图9所示的方法中的步骤S930包括如下内容。
S1010：计算所述多个空间变换网络中的每个空间变换网络的输入与输出的交并比。
在一实施例中，假如多个空间变换网络的个数为N个，一个空间变换网络会对应一个输入和一个输出，每经过一个空间变换网络，可以产生一个旋转变换矩阵。
在一实施例中，通过计算N个空间变换网络的输入与输出的交并比，可以得到N个结果。
S1020：将所述交并比小于预设阈值的空间变换网络所对应的旋转变换矩阵与所述医学图像的坐标系中的预设点的坐标值相乘，以得到所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值。
在一实施例中，将N个结果按照先后顺序与预设阈值进行比较，当出现某个空间变换网络(例如，第10个空间变换网络)对应的交并比大于或等于预设阈值时，停止比较，将第1个空间变换网络至第10个空间变换网络所对应的旋转变换矩阵(A1至A10)依次与医学图像的坐标系中的预设点的坐标值(x，y，z，1)相乘，即，(x，y，z，1)*A1*A2*…*A10，从而得到医学图像的坐标系中的预设点在医学图像上的标记物的坐标系中对应的坐标值。
在一实施例中，将N个结果分别与预设阈值进行比较，确定N个空间变换网络中哪些空间变换网络对应的交并比大于或等于预设阈值，将交并比大于或等于预设阈值的那些空间变换网络所对应的旋转变换矩阵依次与医学图像的坐标系中的预设点的坐标值相乘，从而得到医学图像的坐标系中的预设点在医学图像上的标记物的坐标系中对应的坐标值。
但是需要说明的是，本申请实施例对交并比小于预设阈值的空间变换网络的选取方式并不做具体限定，本领域技术人员可以根据实际需求，进行不同的选择。
示例性装置
本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图11所示为本申请一个实施例提供的图像配准装置的框图。如图11所示，该装置1100包括：
获取模块1110，配置为获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置；
平移变换模块1120，配置为根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同；
配准模块1130，配置为将所述医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准。
在本申请另一个实施例中，配准模块1130进一步配置为：将所述标记物的分割结果输入所述配准模型中，获得所述标记物的分割结果和所述标准分割之间的旋转变换矩阵，以实现所述标记物的旋转变换；根据所述旋转变换矩阵，将所述标记物的分割结果和所述标准分割配准。
在本申请另一个实施例中，所述配准模型包括级联的多个空间变换网络，所述旋转变换矩阵包括多个旋转变换矩阵，一个空间变化网络对应一个旋转变换矩阵。
在本申请另一个实施例中，获取模块1110进一步配置为：获取所述医学图像上的标记物的粗分割结果；将所述粗分割结果输入第一网络模型中，获得所述医学图像上的标记物的分割结果和所述标记物上的关键点的位置。
在本申请另一个实施例中，获取模块1110在获取所述医学图像上的标记物的粗分割结果时，进一步配置为：将所述医学图像输入第二网络模型中，获得所述医学图像的多个分割结果；将所述多个分割结果进行连通域处理，得到多个连通域；将所述多个连通域输入分类模型中，对所述多个连通域进行分类，以获得所述医学图像上的标记物的粗分割结果。
在本申请另一个实施例中，所述第一网络模型包括并列的多个分支网络，所述多分支网络包括：分割输出网络，回归输出网络，关键点输出网络，获取模块1110在将所述粗分割结果输入第一网络模型中时，进一步配置为：将所述粗分割结果输入所述分割输出网络中，获得所述医学图像上的标记物的分割结果；将所述粗分割结果输入所述关键点输出网络中，获得所述标记物上的关键点的初步位置；将所述标记物上的关键点的初步位置输入所述回归输出网络中，获得所述标记物上的关键点的位置。
图12所示为本申请一个实施例提供的配准模型的训练装置的框图。如图12所示，该训练装置1200包括：
空间变换模块1210，配置为将医学样本图像输入级联的多个空间变换网络中进行空间变换，以获得配准图像，其中，前一个空间变换网络的输出作为后一个空间变换网络的输入，每经过一个空间变换网络，训练学习一次旋转变换；
损失模块1220，配置为根据所述配准图像和标准分割，获取所述多个空间变换网络的损失函数值；
更新模块1230，配置为根据所述损失函数值，更新所述多个空间变换网络中的参数，以生成用于配准所述医学样本图像和标准分割的配准模型。
图13所示为本申请一个实施例提供的导航穿刺控制装置的框图。如图13所示，该装置1300包括：
第一转换模块1310，配置为将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；
第二转换模块1320，配置为对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；
生成模块1330，配置为根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针。
在本申请另一个实施例中，第二转换模块1320进一步配置为：将所述医学图像上的标记物的关键点与所述标准分割的对应关键点进行平移变换；根据所述配准模型，获取所述标记物的分割结果和所述标准分割之间的旋转变换矩阵；根据所述旋转变换矩阵，确定所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值；根据所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值，确定所述医学图像的坐标系的X、Y以及Z轴相对于医学图像上的标记物的坐标系的X、Y以及Z轴的方向；根据所述方向，确定所述第二转换矩阵。
在本申请另一个实施例中，所述配准模型包括级联的多个空间变换网络，所述旋转变换矩阵包括多个旋转变换矩阵，一个空间变化网络对应一个旋转变换矩阵，第二转换模块1320在根据所述旋转变换矩阵，确定所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值时，进一步配置为：计算所述多个空间变换网络中的每个空间变换网络的输入与输出的交并比；将所述交并比小于预设阈值的空间变换网络所对应的旋转变换矩阵与所述医学图像的坐标系中的预设点的坐标值相乘，以得到所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值。
在本申请另一个实施例中，所述预设点包括所述标记物的中点、边缘点和/或轴位点。
示例性电子设备
下面，参考图14来描述根据本申请实施例的电子设备。图14图示了根据本申请实施例的电子设备的框图。
如图14所示，电子设备1400包括一个或多个处理器1410和存储器1420。
处理器1410可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备1400中的其他组件以执行期望的功能。
存储器1420可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器1410可以运行所述程序指令，以实现上文所述的本申请的各个实施例的图像配准方法、配准模型的训练方法、导航穿刺控制方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一转换矩阵和第二转换矩阵等各种内容。
在一个示例中，电子设备1400还可以包括：输入装置1430和输出装置1440，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，该输入装置1430可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置1430可以是通信网络连接器。
此外，该输入设备1430还可以包括例如键盘、鼠标等等。
该输出装置1440可以向外部输出各种信息，包括确定出的旋转变换矩阵等。该输出设备1440可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图14中仅示出了该电子设备1400中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备1400还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像配准方法、配准模型的训练方法、导航穿刺控制方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的图像配准方法、配准模型的训练方法、导航穿刺控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (15)
1.一种图像配准方法，其特征在于，包括：
获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置；
其中，所述医学图像上的标记物是，在人体组织上佩戴定位片之后，进行图像获取，得到的；
根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同；其中，所述标准分割与导航设备对应；
将平移后的医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准；
将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；
基于医学图像上的标记物的关键点与标准分割之间的旋转变换矩阵，对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；其中，所述旋转变换矩阵通过对所述医学图像上的标记物的关键点与标准分割的对应关键点进行平移变换以及配准模型，而构建得到；
根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针。
2.根据权利要求1所述的方法，其特征在于，所述将平移后的医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准，包括：
将所述标记物的分割结果输入所述配准模型中，获得所述标记物的分割结果和所述标准分割之间的旋转变换矩阵，以实现所述标记物的旋转变换；
根据所述旋转变换矩阵，将所述标记物的分割结果和所述标准分割配准。
3.根据权利要求2所述的方法，其特征在于，所述配准模型包括级联的多个空间变换网络，所述旋转变换矩阵包括多个旋转变换矩阵，一个空间变化网络对应一个旋转变换矩阵。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置，包括：
获取所述医学图像上的标记物的粗分割结果；
将所述粗分割结果输入第一网络模型中，获得所述医学图像上的标记物的分割结果和所述标记物上的关键点的位置。
5.根据权利要求4所述的方法，其特征在于，所述获取所述医学图像上的标记物的粗分割结果，包括：
将所述医学图像输入第二网络模型中，获得所述医学图像的多个分割结果；
将所述多个分割结果进行连通域处理，得到多个连通域；
将所述多个连通域输入分类模型中，对所述多个连通域进行分类，以获得所述医学图像上的标记物的粗分割结果。
6.根据权利要求4所述的方法，其特征在于，所述第一网络模型包括并列的多个分支网络，所述多个分支网络包括：分割输出网络，回归输出网络，关键点输出网络，
其中，所述将所述粗分割结果输入第一网络模型中，获得所述医学图像上的标记物的分割结果和所述标记物上的关键点的位置，包括：
将所述粗分割结果输入所述分割输出网络中，获得所述医学图像上的标记物的分割结果；
将所述粗分割结果输入所述关键点输出网络中，获得所述标记物上的关键点的初步位置；
将所述标记物上的关键点的初步位置输入所述回归输出网络中，获得所述标记物上的关键点的位置。
7.一种配准模型的训练方法，其特征在于，包括：
获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置；
其中，所述医学图像上的标记物是，在人体组织上佩戴定位片之后，进行图像获取，得到的；
根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同；其中，所述标准分割与导航设备对应；
将平移后的医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准；
将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；
基于医学图像上的标记物的关键点与标准分割之间的旋转变换矩阵，对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；其中，所述旋转变换矩阵通过对所述医学图像上的标记物的关键点与标准分割的对应关键点进行平移变换以及配准模型，而构建得到；
根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针；
其中，所述配准模型通过如下训练方法训练得到：
将医学样本图像输入级联的多个空间变换网络中进行空间变换，以获得配准图像，其中，前一个空间变换网络的输出作为后一个空间变换网络的输入，每经过一个空间变换网络，训练学习一次旋转变换；
根据所述配准图像和标准分割，获取所述多个空间变换网络的损失函数值；
根据所述损失函数值，更新所述多个空间变换网络中的参数，以生成用于配准所述医学样本图像和标准分割的配准模型。
8.一种导航穿刺控制方法，其特征在于，包括：
将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；
基于医学图像上的标记物的关键点与标准分割之间的旋转变换矩阵，对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；其中，所述旋转变换矩阵通过对所述医学图像上的标记物的关键点与标准分割的对应关键点进行平移变换以及配准模型，而构建得到；
根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针。
9.根据权利要求8所述的方法，其特征在于，所述基于医学图像上的标记物的关键点与标准分割之间的旋转变换矩阵，对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，获得第二转换矩阵，包括：
将所述医学图像上的标记物的关键点与标准分割的对应关键点进行平移变换；
根据配准模型，获取所述标记物的分割结果和所述标准分割之间的旋转变换矩阵；
根据所述旋转变换矩阵，确定所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值；
根据所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值，确定所述医学图像的坐标系的X、Y以及Z轴相对于医学图像上的标记物的坐标系的X、Y以及Z轴的方向；
根据所述方向，确定所述第二转换矩阵。
10.根据权利要求9所述的方法，其特征在于，所述配准模型包括级联的多个空间变换网络，所述旋转变换矩阵包括多个旋转变换矩阵，一个空间变化网络对应一个旋转变换矩阵，
其中，根据所述旋转变换矩阵，确定所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值，包括：
计算所述多个空间变换网络中的每个空间变换网络的输入与输出的交并比；
将所述交并比小于预设阈值的空间变换网络所对应的旋转变换矩阵与所述医学图像的坐标系中的预设点的坐标值相乘，以得到所述医学图像的坐标系中的预设点在所述医学图像上的标记物的坐标系中对应的坐标值。
11.根据权利要求9所述的方法，其特征在于，所述预设点包括所述标记物的中点、边缘点和/或轴位点。
12.一种图像配准装置，其特征在于，包括：
获取模块，配置为获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置；
其中，所述医学图像上的标记物是，在人体组织上佩戴定位片之后，进行图像获取，得到的；
平移变换模块，配置为根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同；
其中，所述标准分割与导航设备对应；
配准模块，配置为将平移后的医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准；
第一转换模块，配置为将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；
第二转换模块，基于医学图像上的标记物的关键点与标准分割之间的旋转变换矩阵，对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；其中，所述旋转变换矩阵通过对所述医学图像上的标记物的关键点与标准分割的对应关键点进行平移变换以及配准模型，而构建得到；
生成模块，配置为根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针。
13.一种配准模型的训练装置，其特征在于，包括：
获取模块，配置为获取医学图像上的标记物的分割结果和所述标记物上的关键点的位置；
其中，所述医学图像上的标记物是，在人体组织上佩戴定位片之后，进行图像获取，得到的；
平移变换模块，配置为根据所述标记物上的关键点的位置和标准分割的对应关键点的位置，实现所述标记物的平移变换，其中，所述标记物和所述标准分割的物理形状相同；
其中，所述标准分割与导航设备对应；
配准模块，配置为将平移后的医学图像上的标记物的分割结果输入配准模型中进行旋转变换，以将所述标记物的分割结果和所述标准分割配准；
第一转换模块，配置为将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；
第二转换模块，基于医学图像上的标记物的关键点与标准分割之间的旋转变换矩阵，对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；其中，所述旋转变换矩阵通过对所述医学图像上的标记物的关键点与标准分割的对应关键点进行平移变换以及配准模型，而构建得到；
生成模块，配置为根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针；
以及，用于训练得到所述配准模型的空间变换模块、损失模块和更新模块，其中：
空间变换模块，配置为将医学样本图像输入级联的多个空间变换网络中进行空间变换，以获得配准图像，其中，前一个空间变换网络的输出作为后一个空间变换网络的输入，每经过一个空间变换网络，训练学习一次旋转变换；
损失模块，配置为根据所述配准图像和标准分割，获取所述多个空间变换网络的损失函数值；
更新模块，配置为根据所述损失函数值，更新所述多个空间变换网络中的参数，以生成用于配准所述医学样本图像和标准分割的配准模型。
14.一种导航穿刺控制装置，其特征在于，包括：
第一转换模块，配置为将导航设备的坐标系与医学图像上的标记物的坐标系进行转换，以获得第一转换矩阵；
第二转换模块，基于医学图像上的标记物的关键点与标准分割之间的旋转变换矩阵，对所述医学图像上的标记物的坐标系与所述医学图像的坐标系进行转换，以获得第二转换矩阵；其中，所述旋转变换矩阵通过对所述医学图像上的标记物的关键点与标准分割的对应关键点进行平移变换以及配准模型，而构建得到；
生成模块，配置为根据所述第一转换矩阵和所述第二转换矩阵，将穿刺针变换到所述医学图像的坐标系中，以在所述医学图像上生成模拟穿刺针。
15.一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1至11中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110845109.5A CN113487656B (zh) | 2021-07-26 | 2021-07-26 | 图像配准方法及装置，训练方法及装置，控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110845109.5A CN113487656B (zh) | 2021-07-26 | 2021-07-26 | 图像配准方法及装置，训练方法及装置，控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113487656A CN113487656A (zh) | 2021-10-08 |
| CN113487656B true CN113487656B (zh) | 2022-11-22 |
Family
ID=77942764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110845109.5A Active CN113487656B (zh) | 2021-07-26 | 2021-07-26 | 图像配准方法及装置，训练方法及装置，控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487656B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742979A (zh) * | 2022-04-15 | 2022-07-12 | 推想医疗科技股份有限公司 | 基于定位贴片的位置识别方法、装置、存储介质及设备 |
| CN114782399B (zh) * | 2022-05-13 | 2024-02-02 | 上海博动医疗科技股份有限公司 | 瓣环自动检测方法、装置、电子设备及存储介质 |
| CN116077155B (zh) * | 2023-04-06 | 2023-06-27 | 深圳惟德精准医疗科技有限公司 | 基于光学追踪设备和机械臂的手术导航方法及相关装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838108A (zh) * | 2019-10-30 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 基于医疗图像的预测模型构建方法、预测方法及装置 |
| CN112767422A (zh) * | 2021-02-01 | 2021-05-07 | 推想医疗科技股份有限公司 | 图像分割模型的训练方法及装置，分割方法及装置，设备 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101609550A (zh) * | 2009-07-10 | 2009-12-23 | 南方医科大学 | 基于流形子空间的图像配准方法 |
| CN101879092B (zh) * | 2010-06-30 | 2015-01-28 | 珠海和佳生物电子科技有限公司 | 一种用于电磁定位手术导航系统的配准组件及其校准方法 |
| CN102024275B (zh) * | 2010-12-21 | 2012-10-24 | 南京大学 | 一种自动检票装置 |
| CN103854276B (zh) * | 2012-12-04 | 2018-02-09 | 东芝医疗系统株式会社 | 图像配准及分割装置和方法，以及医学图像设备 |
| CN104077781B (zh) * | 2014-07-07 | 2017-03-08 | 上海电力学院 | 一种基于形变场的医学图像配准算法评价方法 |
| CN104361333A (zh) * | 2014-12-10 | 2015-02-18 | 东方网力科技股份有限公司 | 一种交通限速标志识别方法和装置 |
| US10169871B2 (en) * | 2016-01-21 | 2019-01-01 | Elekta, Inc. | Systems and methods for segmentation of intra-patient medical images |
| CN105913442A (zh) * | 2016-04-29 | 2016-08-31 | 上海联影医疗科技有限公司 | 自动匹配肺结节的方法 |
| CN106920228B (zh) * | 2017-01-19 | 2019-10-01 | 北京理工大学 | 脑图谱与脑图像的配准方法及装置 |
| CN108294814A (zh) * | 2018-04-13 | 2018-07-20 | 首都医科大学宣武医院 | 一种基于混合现实的颅内穿刺定位方法 |
| CN109272002B (zh) * | 2018-09-30 | 2020-11-24 | 杭州依图医疗技术有限公司 | 一种骨龄片的分类方法及装置 |
| CN109512514A (zh) * | 2018-12-07 | 2019-03-26 | 陈玩君 | 一种混合现实骨科微创手术导航系统及使用方法 |
| CN111145185B (zh) * | 2019-12-17 | 2023-12-22 | 天津市肿瘤医院 | 一种基于聚类关键帧提取ct图像的肺实质分割方法 |
| CN111160367B (zh) * | 2019-12-23 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 图像分类方法、装置、计算机设备和可读存储介质 |
| CN111275749B (zh) * | 2020-01-21 | 2023-05-02 | 沈阳先进医疗设备技术孵化中心有限公司 | 图像配准及其神经网络训练方法及装置 |
| CN111260669A (zh) * | 2020-02-17 | 2020-06-09 | 北京推想科技有限公司 | 基于ct图像的肺叶分割方法和装置 |
| CN111862174B (zh) * | 2020-07-08 | 2023-10-03 | 清华大学深圳国际研究生院 | 一种跨模态医学图像配准方法及装置 |
| CN111862175B (zh) * | 2020-07-13 | 2022-09-13 | 清华大学深圳国际研究生院 | 一种基于循环正则训练的跨模态医学图像配准方法及装置 |
| CN112446877B (zh) * | 2020-12-14 | 2022-11-11 | 清华大学 | 一种三维图像中多分支管状结构分割与标记方法 |
| CN112561973A (zh) * | 2020-12-23 | 2021-03-26 | 维沃移动通信有限公司 | 训练图像配准模型的方法、装置和电子设备 |
-
2021
- 2021-07-26 CN CN202110845109.5A patent/CN113487656B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838108A (zh) * | 2019-10-30 | 2020-02-25 | 腾讯科技（深圳）有限公司 | 基于医疗图像的预测模型构建方法、预测方法及装置 |
| CN112767422A (zh) * | 2021-02-01 | 2021-05-07 | 推想医疗科技股份有限公司 | 图像分割模型的训练方法及装置，分割方法及装置，设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113487656A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113487656B (zh) | 图像配准方法及装置，训练方法及装置，控制方法及装置 | |
| JP6145178B2 (ja) | 医療画像の位置合わせ | |
| US10997466B2 (en) | Method and system for image segmentation and identification | |
| CN106061379A (zh) | 处理设备、处理方法及程序 | |
| US20100293505A1 (en) | Anatomy-related image-context-dependent applications for efficient diagnosis | |
| CN109754396A (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
| JP7101809B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| US20180064409A1 (en) | Simultaneously displaying medical images | |
| JPWO2012073769A1 (ja) | 画像処理装置及び画像処理方法 | |
| JP5072625B2 (ja) | 画像処理装置及びその方法 | |
| CN107752979A (zh) | 对人工投影的自动生成 | |
| CN113610826A (zh) | 穿刺定位方法及装置，电子设备及存储介质 | |
| US20140267269A1 (en) | Image processing apparatus, method and program | |
| CN107633478B (zh) | 图像处理装置、图像处理方法以及计算机可读介质 | |
| CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
| JP2023175011A (ja) | 文書作成支援装置、方法およびプログラム | |
| CN116469545A (zh) | 使用医学图像进行辅助疾病预测的方法、装置及设备 | |
| CN114387317A (zh) | Ct图像和mri三维图像的配准方法、装置 | |
| AU2020223750B2 (en) | Method and System for Image Annotation | |
| JP6734111B2 (ja) | 所見情報作成装置及びシステム | |
| WO2019208130A1 (ja) | 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム | |
| EP2343687B1 (en) | Tomographic image generating apparatus, tomographic image generating method, and program for generating tomographic images | |
| JP2022179433A (ja) | 画像処理装置及び画像処理方法 | |
| CN114565623A (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
| JP2017189384A (ja) | 画像処理装置、画像処理方法、及びプログラム |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240205 Address after: No. 288 Xingcheng Avenue, Hannan District, Wuhan City, Hubei Province (019) Patentee after: Wuhan Longdianjing Intelligent Technology Co.,Ltd. Country or region after: China Address before: Room B401, 4 / F, building 1, No. 12, shangdixin Road, Haidian District, Beijing 100085 Patentee before: Tuxiang Medical Technology Co.,Ltd. Country or region before: China |