CN113538426A - 医学图像处理方法及装置、病灶定位方法及装置 - Google Patents

医学图像处理方法及装置、病灶定位方法及装置 Download PDF

Info

Publication number
CN113538426A
CN113538426A CN202111083290.7A CN202111083290A CN113538426A CN 113538426 A CN113538426 A CN 113538426A CN 202111083290 A CN202111083290 A CN 202111083290A CN 113538426 A CN113538426 A CN 113538426A
Authority
CN
China
Prior art keywords
dimensional
registered
medical image
target
image sequence
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.)
Pending
Application number
CN202111083290.7A
Other languages
English (en)
Inventor
蔡鑫
崔亚轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Taimei Xingcheng Pharmaceutical Technology Co Ltd
Original Assignee
Hangzhou Taimei Xingcheng Pharmaceutical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Taimei Xingcheng Pharmaceutical Technology Co Ltd filed Critical Hangzhou Taimei Xingcheng Pharmaceutical Technology Co Ltd
Priority to CN202111083290.7A priority Critical patent/CN113538426A/zh
Publication of CN113538426A publication Critical patent/CN113538426A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种医学图像处理方法及装置、病灶定位方法及装置，涉及医学影像处理技术领域。该医学图像处理方法包括：基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域；确定三维目标图像区域和三维待配准图像区域之间的光流信息；基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息。本申请能够实现像素级别的图像配准，有效提高配准结果的准确性，图像处理速度快且计算资源小。此外，本申请极大地提高了图像配准的效率，为预测病灶的发展提供重要的风险评估依据。

Description

医学图像处理方法及装置、病灶定位方法及装置
技术领域
本申请涉及医学影像处理技术领域，具体涉及一种医学图像处理方法及装置、病灶定位方法及装置。
背景技术
图像配准技术在肿瘤检测、病变定位等领域都有广泛的应用。目前主要利用整体配准方法以及刚性和非刚性配准方法实现医学图像的配准。
在整体配准方法中，由于刚性结构和非刚性结构的配准场不一样，配准过程会互相影响，进而导致配准效果较差。此外，基于全部区域进行配准的整体配准方法会增大数据量，消耗大量时间。在刚性和非刚性配准方法中，通常根据CT密度影像阈值来区分刚性区域和非刚性区域，区分出来之后，由于刚性不产生形变，所以使用平移变换基本可以实现配准。由于非刚性会产生形变，大多使用仿射变换进行配准。两个区域配准以后再进行融合，从而得到最后的配准结果。但是刚性结构和非刚性结构的过渡区域很难根据一个值来进行判断。而且对于一些非刚性结构（例如头皮）并不会产生大量形变。除此之外，分开配准再融合的过程中也会涉及一些刚性结构和非刚性结构的重合，所以会对配准结果产生影响。
发明内容
为了解决上述技术问题，提出了本申请。本申请实施例提供了一种医学图像处理方法及装置、病灶定位方法及装置。
根据本申请的一个方面，本申请一实施例提供的一种医学图像处理方法，包括：基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域，其中，目标医学图像序列和待配准医学图像序列的图像模态相同；确定三维目标图像区域和三维待配准图像区域之间的光流信息；基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息。
结合第一方面，在第一方面的某些实现方式中，确定三维目标图像区域和三维待配准图像区域之间的光流信息，包括：确定三维目标图像区域和三维待配准图像区域各自对应的M个采样点，其中，M个采样点分别在三维目标图像区域和三维待配准图像区域中呈三维分布关系，其中，M为正整数；确定M个采样点各自对应的三维信息，其中，三维信息包括M个采样点在三维目标图像区域中的坐标信息和像素信息，以及M个采样点在三维待配准图像区域中的坐标信息和像素信息；基于所述M个采样点各自对应的三维信息，确定M个采样点各自对应的光流矢量信息；基于M个采样点各自对应的光流矢量信息，确定光流信息；其中，将三维待配准图像区域配准到三维目标图像区域，以确定配准信息，包括：将M个采样点在三维待配准图像区域中的坐标信息和像素信息，基于光流信息进行变换，以得到配准信息。
结合第一方面，在第一方面的某些实现方式中，目标医学图像序列对应目标部位，待配准医学图像序列对应待配准部位，基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域，包括：基于目标医学图像序列，确定目标部位对应的目标特征点；基于目标特征点对目标医学图像序列进行分割，确定三维目标图像区域；基于待配准医学图像序列，确定待配准部位对应的待配准特征点；基于待配准特征点对待配准医学图像序列进行分割，确定三维待配准图像区域。
结合第一方面，在第一方面的某些实现方式中，基于目标特征点对目标医学图像序列进行分割，确定三维目标图像区域，包括：基于目标特征点对目标医学图像序列进行三维空间像素填充，分割得到三维目标图像区域。
结合第一方面，在第一方面的某些实现方式中，基于目标特征点对目标医学图像序列进行三维空间像素填充，分割得到三维目标图像区域，包括：将目标特征点作为目标医学图像序列的当前像素点，确定目标医学图像序列的当前像素点像素信息；基于目标医学图像序列的当前像素点像素信息，确定当前像素点对应的六邻域像素信息和/或二十六邻域像素信息；基于当前像素点像素信息、六邻域像素信息和/或二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到三维目标图像区域。
结合第一方面，在第一方面的某些实现方式中，基于待配准特征点对待配准医学图像序列进行分割，确定三维待配准图像区域，包括：基于待配准特征点对待配准医学图像序列进行三维空间像素填充，分割得到三维待配准图像区域。
结合第一方面，在第一方面的某些实现方式中，基于待配准特征点对待配准医学图像序列进行三维空间像素填充，分割得到三维待配准图像区域，包括：将待配准特征点作为待配准医学图像序列的当前像素点，确定待配准医学图像序列的当前像素点像素信息；基于待配准医学图像序列的当前像素点像素信息，确定当前像素点对应的六邻域像素信息和/或二十六邻域像素信息；基于当前像素点像素信息、六邻域像素信息和/或二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到三维待配准图像区域。
结合第一方面，在第一方面的某些实现方式中，在基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域之前，还包括：获取受试者对应的初始目标医学图像序列和初始待配准医学图像序列；若初始目标医学图像序列的图像数量与初始待配准医学图像序列的图像数量不同，则对初始目标医学图像序列和初始待配准医学图像序列中的图像数量少的医学图像序列进行图像插值操作，以确定目标医学图像序列和待配准医学图像序列，其中，目标医学图像序列的图像数量和待配准医学图像序列的图像数量相同。
第二方面，本申请一实施例提供了一种病灶定位方法，包括：确定将三维待配准图像区域配准到三维目标图像区域的配准信息，其中，配准信息基于上述第一方面提及的医学图像处理方法确定；基于配准信息确定三维目标图像区域和三维待配准图像区域对应的病灶定位信息。
第三方面，本申请一实施例提供了一种医学图像处理装置，包括：第一确定模块，用于基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域，其中，目标医学图像序列和待配准医学图像序列的图像模态相同；第二确定模块，用于确定三维目标图像区域和三维待配准图像区域之间的光流信息；第三确定模块，用于基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息。
第四方面，本申请一实施例提供了一种病灶定位装置，包括：第四确定模块，用于确定将三维待配准图像区域配准到三维目标图像区域的配准信息，其中，配准信息基于上述第一方面提及的医学图像处理方法确定；第五确定模块，用于基于配准信息确定三维目标图像区域和三维待配准图像区域对应的病灶定位信息。
第五方面，本申请一实施例提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述第一方面和/或第二方面所提及的方法。
第六方面，本申请一实施例提供了一种电子设备，该电子设备包括：处理器；用于存储处理器可执行指令的存储器；该处理器用于执行上述第一方面和/或第二方面所提及的方法。
本申请实施例提供的一种医学图像处理方法，利用光流信息确定将三维待配准图像区域配准到三维目标图像区域的配准信息，进而能够实现像素级别的图像配准，有效提高配准结果的准确性。除此之外，基于三维目标图像区域和三维待配准图像区域进行配准，有效限制了配准区域，图像处理速度快且计算资源小，不需要占用额外硬件资源，极大地提高了图像配准的效率，为预测病灶的发展提供重要的风险评估依据。
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所示为本申请实施例所适用的一场景示意图。
图2所示为本申请实施例所适用的另一场景示意图。
图3所示为本申请一实施例提供的医学图像处理方法的流程示意图。
图4所示为本申请一实施例提供的三维目标图像区域和三维待配准图像区域以及配准信息的示意图。
图5所示为本申请另一实施例提供的医学图像处理方法的流程示意图。
图6所示为本申请又一实施例提供的医学图像处理方法的流程示意图。
图7所示为本申请又一实施例提供的医学图像处理方法的流程示意图。
图8所示为本申请又一实施例提供的医学图像处理方法的流程示意图。
图9所示为本申请一实施例提供的六邻域空间像素填充算法原理示意图。
图10所示为本申请一实施例提供的目标医学图像序列以及三维目标图像区域的示意图。
图11所示为本申请又一实施例提供的医学图像处理方法的流程示意图。
图12所示为本申请又一实施例提供的医学图像处理方法的流程示意图。
图13所示为本申请又一实施例提供的医学图像处理方法的流程示意图。
图14所示为本申请又一实施例提供的医学图像处理方法的流程示意图。
图15所示为本申请一实施例提供的医学图像处理装置的结构示意图。
图16所示为本申请一实施例提供的第一确定模块的结构示意图。
图17所示为本申请一实施例提供的第三确定单元的结构示意图。
图18所示为本申请一实施例提供的第一确定子单元的结构示意图。
图19所示为本申请一实施例提供的第五确定单元的结构示意图。
图20所示为本申请一实施例提供的第二确定单元的结构示意图。
图21所示为本申请另一实施例提供的医学图像处理装置的结构示意图。
图22所示为本申请一实施例提供的病灶定位装置的结构示意图。
图23所示为本申请一实施例提供的电子设备的结构示意图。
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作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
在临床诊断中，医生常常需要将不同种类的医学图像（如CT，MRI等）在同一个坐标（基准）下加以比较。将一种或者多种医学图像实现坐标空间上的一致，这种技术称之为配准技术。医学图像配准的使用范围很广，例如，融合不同模态的信息以便于医生诊断；同一个受试者在两次的影像上由于受试者的拍摄姿势（比如躺的位置和角度）和受试者的状态（比如肠胃中饱腹和空腹差别）的差异会导致病变区域的变化，通过将病变区域进行配准，以便医生观察病变区域的尺寸，强度，位置变化等；通过融合神经图像和肿瘤图像以便手术过程中避开神经结构。
本申请实施例提供的医学图像处理方法，基于受试者对应的模态相同的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域；继而确定三维目标图像区域和三维待配准图像区域之间的光流信息；最后基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息，从而实现像素级别的图像配准，有效提高配准结果的准确性。
示例性应用场景
图1所示为本申请实施例所适用的一场景示意图。如图1所示，本申请实施例所适用的场景中包括服务器1和图像采集设备2，其中，服务器1和图像采集设备2之间存在通信连接关系。
具体而言，图像采集设备2用于采集受试者对应的目标医学图像序列和待配准医学图像序列。图像采集设备2可以是CT扫描仪，目标医学图像序列和待配准医学图像序列可以均为CT图像序列。CT扫描仪用于对人体部位进行X线扫描，得到人体待配准组织器官对应的CT图像序列。
服务器1可以是一台服务器，也可以是多台服务器组成的服务器组，还可以是一个虚拟化平台或者一个云计算服务中心，本申请对服务器1的类型不做具体限定。服务器1用于基于图像采集设备2采集的受试者对应的目标医学图像序列和待配准医学图像序列，确定将三维待配准图像区域配准到三维目标图像区域的配准信息。即，该场景实现了一种医学图像处理方法。由于图1所示的上述场景利用服务器1实现了医学图像处理方法，因此，该场景不但能够提高场景的适应能力，而且能够有效降低图像采集设备2的计算量。
需要说明的是，本公开还适用于另一场景。图2所示为本申请实施例所适用的另一场景示意图。具体地，该场景中包括图像处理设备3，其中，图像处理设备3包括图像采集模块31和计算模块32，并且，图像采集模块31和计算模块32之间存在通信连接关系。
具体而言，图像处理设备3中的图像采集模块31用于采集受试者对应的目标医学图像序列和待配准医学图像序列，图像处理设备3中的计算模块32用于基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域，继而确定三维目标图像区域和三维待配准图像区域之间的光流信息；最后基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息。即，该场景实现了一种医学图像处理方法。由于图2所示的上述场景利用图像处理设备3实现了图像处理方法，无需与服务器等相关装置进行数据传输操作，因此，上述场景能够保证图像处理方法的实时性。
示例性地，本申请的医学图像处理方法可以应用于医学图像阅片系统（MedicalImaging Reading System，MIRS）。MIRS用于图像管理和阅片管理。在图像管理方面，MIRS支持多中心的图像上传和图像查询，并对上传的图像进行审核和质控管理。在阅片管理方面，MIRS支持阅片流程设计，多层级阅片的分配、跟踪和查询，支持多重阅片。
示例性地，基于本申请的医学图像处理方法得到的配准信息可以展示出来。例如，可以采用Java Script Augular 1.0在浏览器上进行展示。也可以通过调用OpenCV的库实现图形描绘，从而显示配准部位。
示例性方法
图3所示为本申请一实施例提供的医学图像处理方法的流程示意图。如图3所示，该医学图像处理方法包括如下步骤。
步骤101：基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域。其中，目标医学图像序列和待配准医学图像序列的图像模态相同。
示例性地，目标医学图像序列和待配准医学图像序列属于同一受试者对应的两个图像序列。目标医学图像序列和待配准医学图像序列均包括目标部位，比如待评估的病变器官。其中，三维目标图像区域通过对目标医学图像序列进行三维分割得到。三维待配准图像区域通过对待配准医学图像序列进行三维分割得到。三维目标图像区域和三维待配准图像区域均对应目标部位。在配准过程中，三维目标图像区域作为配准的固定模板，三维待配准图像区域用于配准到三维目标图像区域。
应当理解，目标医学图像序列和待配准医学图像序列为图像模态相同的医学图像序列。医学图像序列可以包括电子计算机断层成像（Computed Tomography，CT）图像序列、核磁共振成像（Magnetic Resonance Imaging，MRI）图像序列、计算机放射成像（ComputedRadiography，CR）图像序列或数字放射成像（Digital radiography，DR）图像序列等，本申请实施例对此不做具体限定，只要目标医学图像序列和待配准医学图像序列的图像模态相同即可。
示例性地，三维目标图像区域和三维待配准图像区域可以包括以下区域：口部区域，食道区域，胃区域，肠区域，肝脏区域，胆囊区域，胰脏区域、脑部区域等。本申请对此不做具体限定。
本申请实施例并不限定目标医学图像序列和待配准医学图像序列的具体形式，可以是原始医学图像序列，也可以是经过预处理后的医学图像序列，还可以是原始医学图像中的部分图像序列，即原始医学图像的一部分。
步骤102，确定三维目标图像区域和三维待配准图像区域之间的光流信息。
示例性地，光流信息包括三维目标图像区域和三维待配准图像区域之间的三维光流场。三维光流场可以理解为三维目标图像区域和三维待配准图像区域之间的配准场。
步骤103，基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息。
示例性地，配准信息为利用光流信息将三维待配准图像区域配准到三维目标图像区域上得到的关于目标部位的匹配结果。
具体而言，通过确定三维目标图像区域和三维待配准图像区域之间存在的三维光流场，利用三维光流场，将三维待配准图像区域配准到三维目标图像区域上，从而得到配准结果。
应当理解，本申请实施例提供的医学图像处理方法还可以应用于同一基线不同访视的组织器官配准。
在实际应用过程中，首先基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域；继而确定三维目标图像区域和三维待配准图像区域之间的光流信息；最后基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息。
本申请实施例提供的医学图像处理方法，利用光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息，能够实现像素级别的配准，有效提高配准结果的准确性。除此之外，基于三维目标图像区域和三维待配准图像区域进行配准，有效限制了配准区域，有利于提高图像匹配效率和精度。
图4所示为本申请一实施例提供的三维目标图像区域和三维待配准图像区域以及配准信息的示意图。本申请实施例以受试者的脑部区域为例说明，图4中的（a）为包括脑部的三维目标图像区域，图4中的（b）为包括脑部的三维待配准图像区域。以三维目标图像区域为配准的固定模板，利用光流信息将三维待配准图像区域配准到三维目标图像区域上，即可得到如图中的4（c）所示的配准信息对应的二维切片图像。
本申请实施例提供的医学图像处理方法，基于脑部对应的三维目标图像区域和三维待配准图像区域进行配准，可以精确配准医生所需要的部位，减少了对无关部位的配准，进一步提高了配准速度和配准结果的准确性，以便辅助医生对病变区域进行评估。
图5所示为本申请另一实施例提供的医学图像处理方法的流程示意图。如图5所示，确定三维目标图像区域和三维待配准图像区域之间的光流信息（步骤102），包括下列步骤。
步骤1031，确定三维目标图像区域和三维待配准图像区域各自对应的M个采样点，其中，M个采样点分别在三维目标图像区域和三维待配准图像区域中呈三维分布关系，其中，M为正整数。
示例性地，采样点可以理解为三维目标图像区域和三维待配准图像区域中的像素点。采样点的数量不做具体限定，可以是三维目标图像区域和三维待配准图像区域中的全部像素点，也可以是三维目标图像区域和三维待配准图像区域中的部分像素点。本申请对此不做具体限定。
步骤1032，确定M个采样点各自对应的三维信息，其中，三维信息包括M个采样点在三维目标图像区域中的坐标信息和像素信息，以及M个采样点在三维待配准图像区域中的坐标信息和像素信息。
示例性地，M个采样点在三维目标图像区域中的坐标信息可以理解为M个采样点在三维目标图像区域中的位置信息。M个采样点在三维目标图像区域中的像素信息可以理解为M个采样点在三维目标图像区域中的亮度值。同理，M个采样点在三维待配准图像区域中的坐标信息可以理解为M个采样点在三维待配准图像区域中的位置信息。M个采样点在三维待配准图像区域中的像素信息可以理解为M个采样点在三维待配准图像区域中的亮度值。
步骤1033，基于M个采样点各自对应的三维信息，确定M个采样点各自对应的光流矢量信息。
示例性地，步骤1033中的光流矢量信息为M个采样点各自对应的光流矢量。
步骤1034，基于M个采样点各自对应的光流矢量信息，确定光流信息。
具体而言，在确定M个采样点各自对应的光流矢量信息后，即可确定三维目标图像区域和三维待配准图像区域之间的三维光流场。
其中，基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息，包括：
步骤1035，将M个采样点在三维待配准图像区域中的坐标信息和像素信息，基于光流信息进行变换，以得到配准信息。
示例性地，可以利用3D光流法配准三维图像，确定配准信息。
具体而言，三维待配准图像区域的M个采样点各自对应的坐标信息和像素信息可以理解为三维待配准图像区域的三维像素信息。在确定三维目标图像区域和三维待配准图像区域之间的三维光流场之后，将三维待配准图像区域的三维像素信息根据三维光流场进行变换即可得到配准信息。
举例说明，根据光流法的设定，假设fixed_img时间为t，moved_img时间为t+δt。则fixed_img中的像素点I(x, y, z, t)在moved_img中的位置为
Figure 751245DEST_PATH_IMAGE001
。其中fixed_img表示三维目标图像区域，moved_img表示三维待配准图像区域。三维目标图像区域和三维待配准图像区域的图像模态相同，所以亮度值也相同。根据亮度恒定假设可以得出下述公式（1）。
Figure 728560DEST_PATH_IMAGE002
（1）
根据小运动假设，将上述公式（1）右侧用泰勒级数展开，可得下述公式（2）。
Figure 766923DEST_PATH_IMAGE003
（2）
其中，H.O.T是泰勒级数展开式的高阶项，小运动情况下可以忽略为0。
基于上述公式（1）和公式（2）可以得出下述公式（3）。
Figure 573205DEST_PATH_IMAGE004
（3）
上述公式（3）可以用下述公式（4）表示。
Figure 764146DEST_PATH_IMAGE005
（4）
其中，
Figure 630471DEST_PATH_IMAGE006
，
Figure 890551DEST_PATH_IMAGE007
表示光流的向量，
Figure 516835DEST_PATH_IMAGE008
是图像在像素点I（x,y,z,t,）处的梯度，
Figure 545971DEST_PATH_IMAGE009
是fixed_img和moved_img三维图像之间的差值。上述公式（4）可以用下述公式（5）表示。
Figure 848777DEST_PATH_IMAGE010
（5）
假设光流(Vx,Vy,Vz)在一个大小为m*m*m(m>1)的小窗中是一个常数，那么从像素1...n , n = m*m*m可以得到下列一组方程，即下述公式（6）。
Figure 330574DEST_PATH_IMAGE011
（6）
…
Figure 494970DEST_PATH_IMAGE012
（7）
也可以写成：
Figure 378612DEST_PATH_IMAGE013
（8）
Figure 852319DEST_PATH_IMAGE014
（9）
根据最小二乘法可以得到下述公式（10）。
Figure 821412DEST_PATH_IMAGE015
（10）
对上述公式（10）进行求解得出
Figure 523920DEST_PATH_IMAGE016
，即为像素点（x,y,z）对应的光流矢量（u,v,w）。即根据光流矢量即可求出fixed_img与moved_img之间的三维光流场，将moved_img的三维像素信息根据所求三维光流场进行变换即可得到配准结果。
在实际应用过程中，首先确定三维待配准图像区域对应的M个采样点；继而确定M个采样点各自对应的坐标信息和像素信息；最终基于M个采样点各自对应的坐标信息和像素信息、以及光流信息，实现确定配准信息的目的。
本申请实施例提供的医学图像处理方法，通过将三维待配准图像区域的三维像素信息利用三维光流场进行变换，从而得到三维目标图像区域和三维待配准图像区域的配准结果。由于三维光流场的引入，进一步将图像配准扩展到三维医学图像领域，同时实现了高效率、高精度的图像配准。
图6所示为本申请又一实施例提供的医学图像处理方法的流程示意图。如图6所示，目标医学图像序列对应目标部位，待配准医学图像序列对应待配准部位，基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域（步骤101），包括下列步骤。
步骤1011，基于目标医学图像序列，确定目标部位对应的目标特征点。
示例性地，目标医学图像序列对应目标部位，医生选取目标医学图像序列中目标部位上的一个点作为目标特征点。
步骤1012，基于目标特征点对目标医学图像序列进行分割，确定三维目标图像区域。
具体而言，首先获取目标特征点的坐标信息和像素信息，继而基于目标特征点的坐标信息和像素信息，对目标医学图像序列对应的灰度值进行三维分割，从而得到待配准部位对应的三维目标图像区域。
步骤1013，基于待配准医学图像序列，确定待配准部位对应的待配准特征点。
示例性地，待配准部位与目标部位对应同一个待配准的组织器官，医生选取的目标部位对应的目标特征点与待配准部位对应的待配准特征点可以为同一个特征点。
步骤1014，基于待配准特征点对待配准医学图像序列进行分割，确定三维待配准图像区域。
具体而言，首先获取待配准特征点的坐标信息和像素信息，继而基于待配准特征点的坐标信息和像素信息，对待配准医学图像序列对应的灰度值进行三维分割，从而得到待配准部位对应的三维待配准图像区域。
在实际应用过程中，首先基于目标医学图像序列，确定目标部位对应的目标特征点；基于目标特征点对目标医学图像序列进行分割，确定三维目标图像区域；继而基于待配准医学图像序列，确定待配准部位对应的待配准特征点；最后基于待配准特征点对待配准医学图像序列进行分割，实现确定三维待配准图像区域的目的。
本申请实施例提供的医学图像处理方法，实现了分割出同一受试者的两个图像序列对应的三维目标图像区域和三维待配准图像区域的目的，为后续进行像素级别的配准提供了前提基础条件。除此之外，通过分割出三维目标图像区域和三维待配准图像区域，可以精确配准医生所需要的部位，减少了对无关部位的配准，这样不仅大大减少了图像配准的计算量以及耗费的时间，而且也避免了因配准其他部位造成的误差。
图7所示为本申请又一实施例提供的医学图像处理方法的流程示意图。如图7所示，基于目标特征点对目标医学图像序列进行分割，确定三维目标图像区域（步骤1012），包括下列步骤。
步骤1112，基于目标特征点对目标医学图像序列进行三维空间像素填充，分割得到三维目标图像区域。
具体而言，基于目标特征点利用三维区域分割算法对目标医学图像序列进行三维分割，以得到三维目标图像区域。
示例性地，因为每个组织器官在边缘都会有灰度的变化，所以本申请实施例提及的三维区域分割算法以漫水填充原理为基础进行改进，以指定颜色进行区域颜色填充，从而标记或分割出三维目标图像区域，以便做进一步分析和处理。
本申请实施例提供的医学图像处理方法，依靠三维区域分割算法对目标医学图像序列进行三维空间像素填充，实现分割出三维目标图像区域的目的，为后续的三维图像配准提供匹配模板。
图8所示为本申请又一实施例提供的医学图像处理方法的流程示意图。如图8所示，基于目标特征点对目标医学图像序列进行三维空间像素填充，分割得到三维目标图像区域（步骤1112），包括下列步骤。
步骤1113，将目标特征点作为目标医学图像序列的当前像素点，确定目标医学图像序列的当前像素点像素信息。
示例性地，当前像素点可以是目标医学图像序列的中心像素点。当前像素点像素信息包括当前像素点的灰度值。
步骤1114，基于目标医学图像序列的当前像素点像素信息，确定当前像素点对应的六邻域像素信息和/或二十六邻域像素信息。
示例性地，六邻域像素信息包括目标医学图像序列的当前像素点的前、后、左、右、上、下六个方向对应的六个像素的灰度值。二十六邻域像素信息包括目标医学图像序列的当前像素点的二十六个邻域的二十六个像素对应的灰度值。
步骤1115，基于当前像素点像素信息、六邻域像素信息和/或二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到三维目标图像区域。
示例性地，利用六邻域空间像素填充算法或者二十六邻域空间像素填充算法，对目标医学图像序列进行三维空间像素填充，从而分割得到三维目标图像区域。
图9所示为本申请一实施例提供的六邻域空间像素填充算法原理示意图。以六邻域空间像素填充算法为例，其像素填充算子如图9所示，中心点像素点为P，对在其前、后、左、右、上、下六个方向的六个像素的灰度值进行差值判断，如果两者的灰度值差值位于20以内，则认定属于同一区域并对其进行填充，然后开始遍历该六个像素各自对应的六邻域空间像素，基于差值判断进行填充，直至同一区域完全被新颜色填充，即分割得到三维目标图像区域。
图10所示为本申请一实施例提供的目标医学图像序列以及三维目标图像区域的示意图。以受试者的脑部区域为例，图10中的（a）为包括脑部的目标医学图像序列，图10中的（b）为包括脑部的三维目标图像区域。使用空间像素填充算法对目标医学图像序列进行分割，能够分割出待配准的脑部区域，即可得到如图10中的（b）所示的三维目标图像区域对应的二维切片图像。
在实际应用过程中，首先将目标特征点作为目标医学图像序列的当前像素点，确定目标医学图像序列的当前像素点像素信息；基于目标医学图像序列的当前像素点像素信息，确定当前像素点对应的六邻域像素信息和/或二十六邻域像素信息；继而基于当前像素点像素信息、六邻域像素信息和/或二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到三维目标图像区域。
本申请实施例提供的医学图像处理方法，根据医生选取的目标特征点，使用空间像素填充算法能够分割出待配准的组织器官，有效限制了配准区域，以便进行准确而有效的三维图像配准。
图11所示为本申请又一实施例提供的医学图像处理方法的流程示意图。如图11所示，基于待配准特征点对待配准医学图像序列进行分割，确定三维待配准图像区域（步骤1014），还包括下列步骤。
步骤1024，基于待配准特征点对待配准医学图像序列进行三维空间像素填充，分割得到三维待配准图像区域。
示例性地，基于待配准特征点利用三维区域分割算法对待配准医学图像序列进行分割，从而得到三维待配准图像区域。
具体而言，三维区域分割算法以漫水填充原理为基础进行改进，自动选中三维空间中与待配准特征点相连的区域，对该区域进行填充，以分割得到三维待配准图像区域。
本申请实施例提供的医学图像处理方法，依靠三维区域分割算法对待配准医学图像序列进行三维空间像素填充，实现分割得到三维待配准图像区域的目的，为后续的三维图像配准提供前提基础条件。
图12所示为本申请又一实施例提供的医学图像处理方法的流程示意图。如图12所示，基于待配准特征点对待配准医学图像序列进行三维空间像素填充，分割得到三维待配准图像区域（步骤1024），还包括下列步骤。
步骤1025，将待配准特征点作为待配准医学图像序列的当前像素点，确定待配准医学图像序列的当前像素点像素信息。
示例性地，当前像素点可以是待配准医学图像序列的中心像素点。当前像素点像素信息包括当前像素点的灰度值。
步骤1026，基于待配准医学图像序列的当前像素点像素信息，确定当前像素点对应的六邻域像素信息和/或二十六邻域像素信息。
示例性地，六邻域像素信息包括待配准医学图像序列的当前像素点的前、后、左、右、上、下六个方向的六个像素的灰度值。二十六邻域像素信息包括待配准医学图像序列的当前像素点的二十六个邻域的二十六个像素的灰度值。
步骤1027，基于当前像素点像素信息、六邻域像素信息和/或二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到三维待配准图像区域。
示例性地，利用六邻域空间像素填充算法或者二十六邻域空间像素填充算法，从当前像素点开始遍历附近像素点，属于同一区域则填充成新的颜色，直至同一区域内所有像素点都被填充成新颜色为止，从而分割出三维待配准图像区域。
在实际应用过程中，首先将待配准特征点作为待配准医学图像序列的当前像素点，确定待配准医学图像序列的当前像素点像素信息；继而基于待配准医学图像序列的当前像素点像素信息，确定当前像素点对应的六邻域像素信息和/或二十六邻域像素信息；最后基于当前像素点像素信息、六邻域像素信息和/或二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到三维待配准图像区域。
本申请实施例提供的医学图像处理方法，根据医生选取的待配准特征点，使用空间像素填充算法能够分割出待配准的组织器官，有效限制了配准区域，省去了对不相关区域进行计算和配准的过程，有利于实现高效率且准确的图像配准。
图13所示为本申请又一实施例提供的医学图像处理方法的流程示意图。如图13所示，在基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域（步骤101）之前，还包括如下步骤。
步骤100，获取受试者对应的初始目标医学图像序列和初始待配准医学图像序列；若初始目标医学图像序列的图像数量与初始待配准医学图像序列的图像数量不同，则对初始目标医学图像序列和初始待配准医学图像序列中的图像数量少的医学图像序列进行图像插值操作，以确定目标医学图像序列和待配准医学图像序列，其中，目标医学图像序列的图像数量和待配准医学图像序列的图像数量相同。
具体而言，初始目标医学图像序列和初始待配准医学图像序列为同一受试者对应的两个医学图像序列。获取受试者对应的初始目标医学图像序列和初始待配准医学图像序列之后，需要对两个图像序列的图像数量进行比较，如果两个图像序列的图像数量相等，则初始目标医学图像序列和初始待配准医学图像序列可以直接进行下一步的三维分割。当初始目标医学图像序列的图像数量与初始待配准医学图像序列的图像数量不相等时，对其中图像数量较少的图像序列进行图像插值操作，从而保证两个图像序列的数量相等。
示例性地，可以利用双三次插值、最近邻插值、双线性插值、双平方插值、双立方插值以及其他高阶方法进行图像插值操作。最优算法为双三次插值。
在一实施例中，采用Bicubic插值（即双三次插值），双三次插值是对双线性插值的改进，是一种较为复杂的插值方式，它不仅考虑到周围四个直接相邻像素点灰度值的影响，还考虑到它们灰度值变化率的影响。该算法利用待采样点附近16个像素点的灰度值作三次插值进行计算，该方法利用三次多项式
Figure 527648DEST_PATH_IMAGE017
求逼近理论上最佳插值函数
Figure 172256DEST_PATH_IMAGE018
, 其数学表达式如下述公式（11）所示。
Figure 628645DEST_PATH_IMAGE019
（11）
待求像素的灰度值基于下述公式（12）计算得到。
Figure 400423DEST_PATH_IMAGE020
（12）
其中，上述公式（12）中的A可以用下述公式（13）表示，B可以用下述公式（14）表示，C可以由下述公式（15）表示。
Figure 993078DEST_PATH_IMAGE021
（13）
Figure 808588DEST_PATH_IMAGE022
（14）
Figure 503005DEST_PATH_IMAGE023
（15）
待求像素
Figure 62163DEST_PATH_IMAGE024
的灰度值可以根据其周围16个像素灰度值加权内插得到。
本申请实施例提供的医学图像处理方法，获取受试者对应的初始目标医学图像序列和初始待配准医学图像序列；若初始目标医学图像序列的图像数量与初始待配准医学图像序列的图像数量不同，则对初始目标医学图像序列和初始待配准医学图像序列中的图像数量少的医学图像序列进行图像插值操作，从而保证目标医学图像序列和待配准医学图像序列的图像数量相等，有利于后续进行三维分割和三维配准。
图14所示为本申请又一实施例提供的医学图像处理方法的流程示意图。如图14所示，针对同一病人的两个图像序列，首先判断图像个数是否一样，如果图像数量不相同，则对图像数量少的图像序列进行插值操作，医生选取两个序列的相同组织器官或者病灶上的一个点，根据两个点的坐标和灰度值对两个图像序列对应的部位（组织器官或病灶）进行3D分割，得到待配准组织器官对应的两个分割区域，将两个分割区域进行3D光流法配准，从而得到配准结果。依靠3D区域分割算法，分割出同一病人不同影像的当前组织器官标记区域，然后使用3D光流法进行像素级别的配准。
本申请一实施例提供了一种病灶定位方法，包括：确定将三维待配准图像区域配准到三维目标图像区域的配准信息，其中，配准信息基于上述任一实施例提及的医学图像处理方法确定；基于配准信息确定三维目标图像区域和三维待配准图像区域对应的病灶定位信息。通过将病变区域进行配准，基于配准信息对病灶进行定位，以便医生观察病变区域的尺寸，强度，位置变化等信息，为预测病灶的发展提供重要的风险评估依据。
示例性装置
上文结合图1至图14，详细描述了本申请的方法实施例，下面结合图15至图23，详细描述本申请的装置实施例。应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。
图15所示为本申请一实施例提供的医学图像处理装置的结构示意图。如图15所示，该医学图像处理装置1000包括第一确定模块1100、第二确定模块1101以及第三确定模块1102。第一确定模块1100用于基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域，其中，目标医学图像序列和待配准医学图像序列的图像模态相同。第二确定模块1101用于确定三维目标图像区域和三维待配准图像区域之间的光流信息。第三确定模块1102用于基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息。
在本申请一实施例中，第二确定模块1101还用于确定三维目标图像区域和三维待配准图像区域各自对应的M个采样点，其中，M个采样点分别在三维目标图像区域和三维待配准图像区域中呈三维分布关系，其中，M为正整数；确定M个采样点各自对应的三维信息，其中，三维信息包括M个采样点在三维目标图像区域中的坐标信息和像素信息，以及M个采样点在三维待配准图像区域中的坐标信息和像素信息；基于所述M个采样点各自对应的三维信息，确定M个采样点各自对应的光流矢量信息；基于M个采样点各自对应的光流矢量信息，确定光流信息；其中，基于光流信息将三维待配准图像区域配准到三维目标图像区域，以确定配准信息，包括：将M个采样点在三维待配准图像区域中的坐标信息和像素信息，基于光流信息进行变换，以得到配准信息。
图16所示为本申请一实施例提供的第一确定模块的结构示意图。如图16所示，第一确定模块1100包括第二确定单元2100、第三确定单元2101、第四确定单元2102以及第五确定单元2103。第二确定单元2100用于基于目标医学图像序列，确定目标部位对应的目标特征点。第三确定单元2101用于基于目标特征点对目标医学图像序列进行分割，确定三维目标图像区域。第四确定单元2102用于基于待配准医学图像序列，确定待配准部位对应的待配准特征点。第五确定单元2103用于基于待配准特征点对待配准医学图像序列进行分割，确定三维待配准图像区域。
图17所示为本申请一实施例提供的第三确定单元的结构示意图。如图17所示，第三确定单元2101包括第一确定子单元2111。第一确定子单元2111用于基于目标特征点对目标医学图像序列进行三维空间像素填充，分割得到三维目标图像区域。
图18所示为本申请一实施例提供的第一确定子单元的结构示意图。如图18所示，第一确定子单元2111包括第二确定子单元2112、第三确定子单元2113以及第四确定子单元2114。第二确定子单元2112用于将目标特征点作为目标医学图像序列的当前像素点，确定目标医学图像序列的当前像素点像素信息。第三确定子单元2113用于基于目标医学图像序列的当前像素点像素信息，确定当前像素点对应的六邻域像素信息和/或二十六邻域像素信息。第四确定子单元2114用于基于当前像素点像素信息、六邻域像素信息和/或二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到三维目标图像区域。
图19所示为本申请一实施例提供的第五确定单元的结构示意图。如图19所示，第五确定单元2103包括第五确定子单元2114。第五确定子单元2114用于基于待配准特征点对待配准医学图像序列进行三维空间像素填充，分割得到三维待配准图像区域。
图20所示为本申请一实施例提供的第二确定单元的结构示意图。如图20所示，第五确定子单元2114包括第六确定子单元2115、第七确定子单元2116以及第八确定子单元2117。第六确定子单元2115用于将待配准特征点作为待配准医学图像序列的当前像素点，确定待配准医学图像序列的当前像素点像素信息。第七确定子单元2116用于基于待配准医学图像序列的当前像素点像素信息，确定当前像素点对应的六邻域像素信息和/或二十六邻域像素信息。第八确定子单元2117用于基于当前像素点像素信息、六邻域像素信息和/或二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到三维待配准图像区域。
图21所示为本申请另一实施例提供的医学图像处理装置的结构示意图。如图21所示，该医学图像处理装置1000还包括图像插值模块1110。图像插值模块1110用于获取受试者对应的初始目标医学图像序列和初始待配准医学图像序列；若初始目标医学图像序列的图像数量与初始待配准医学图像序列的图像数量不同，则对初始目标医学图像序列和初始待配准医学图像序列中的图像数量少的医学图像序列进行图像插值操作，以确定目标医学图像序列和待配准医学图像序列，其中，目标医学图像序列的图像数量和待配准医学图像序列的图像数量相同。
图22所示为本申请一实施例提供的病灶定位装置的结构示意图。如图22所示，该病灶定位装置2000包括第四确定模块2001以及第五确定模块2002。第四确定模块2001用于确定将三维待配准图像区域配准到三维目标图像区域的配准信息，其中，配准信息基于上述实施例提及的医学图像处理方法确定。第五确定模块2002用于基于配准信息确定三维目标图像区域和三维待配准图像区域对应的病灶定位信息。
示例性电子设备
下面，参考图23来描述根据本申请实施例的电子设备。图23所示为本申请一实施例提供的电子设备的结构示意图。
电子设备200包括一个或多个处理器201和存储器202。
处理器201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200中的其他组件以执行期望的功能。
存储器202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201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医学图像处理方法和/或病灶定位方法以及其他期望的功能。
在一个示例中，电子设备200还可以包括：输入装置203和输出装置204，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203可以是上述的检测目标医学图像序列和待配准医学图像序列的仪器。
该输出装置204可以向外部输出各种信息，例如将三维待配准图像区域配准到三维目标图像区域的配准信息等等，该输出装置204可以包括例如显示器、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23中仅示出了该电子设备200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200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部分中描述的根据本申请各种实施例的医学图像处理方法和/或病灶定位方法中的步骤。
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，还包括常规的步骤式程序设计语言，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描述的根据本申请各种实施例的医学图像处理方法和/或病灶定位方法中的步骤。
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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。
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 (13)

1.一种医学图像处理方法，其特征在于，包括：
基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域，其中，所述目标医学图像序列和所述待配准医学图像序列的图像模态相同；
确定所述三维目标图像区域和所述三维待配准图像区域之间的光流信息；
基于所述光流信息将所述三维待配准图像区域配准到所述三维目标图像区域，以确定配准信息。
2.根据权利要求1所述的方法，其特征在于，所述确定所述三维目标图像区域和所述三维待配准图像区域之间的光流信息，包括：
确定所述三维目标图像区域和所述三维待配准图像区域各自对应的M个采样点，其中，所述M个采样点分别在所述三维目标图像区域和所述三维待配准图像区域中呈三维分布关系，其中，M为正整数；
确定所述M个采样点各自对应的三维信息，其中，所述三维信息包括所述M个采样点在所述三维目标图像区域中的坐标信息和像素信息，以及所述M个采样点在所述三维待配准图像区域中的坐标信息和像素信息；
基于所述M个采样点各自对应的三维信息，确定所述M个采样点各自对应的光流矢量信息；
基于所述M个采样点各自对应的光流矢量信息，确定所述光流信息；
其中，所述基于所述光流信息将所述三维待配准图像区域配准到所述三维目标图像区域，以确定配准信息，包括：
将所述M个采样点在所述三维待配准图像区域中的坐标信息和像素信息，基于所述光流信息进行变换，以得到所述配准信息。
3.根据权利要求1或2所述的方法，其特征在于，所述目标医学图像序列对应目标部位，所述待配准医学图像序列对应待配准部位，所述基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域，包括：
基于所述目标医学图像序列，确定所述目标部位对应的目标特征点；
基于所述目标特征点对所述目标医学图像序列进行分割，确定所述三维目标图像区域；
基于所述待配准医学图像序列，确定所述待配准部位对应的待配准特征点；
基于所述待配准特征点对所述待配准医学图像序列进行分割，确定所述三维待配准图像区域。
4.根据权利要求3所述的方法，其特征在于，所述基于所述目标特征点对所述目标医学图像序列进行分割，确定所述三维目标图像区域，包括：
基于所述目标特征点对所述目标医学图像序列进行三维空间像素填充，分割得到所述三维目标图像区域。
5.根据权利要求4所述的方法，其特征在于，所述基于所述目标特征点对所述目标医学图像序列进行三维空间像素填充，分割得到所述三维目标图像区域，包括：
将所述目标特征点作为所述目标医学图像序列的当前像素点，确定所述目标医学图像序列的当前像素点像素信息；
基于所述目标医学图像序列的当前像素点像素信息，确定所述当前像素点对应的六邻域像素信息和/或二十六邻域像素信息；
基于所述当前像素点像素信息、所述六邻域像素信息和/或所述二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到所述三维目标图像区域。
6.根据权利要求3所述的方法，其特征在于，所述基于所述待配准特征点对所述待配准医学图像序列进行分割，确定所述三维待配准图像区域，包括：
基于所述待配准特征点对所述待配准医学图像序列进行三维空间像素填充，分割得到所述三维待配准图像区域。
7.根据权利要求6所述的方法，其特征在于，所述基于所述待配准特征点对所述待配准医学图像序列进行三维空间像素填充，分割得到所述三维待配准图像区域，包括：
将所述待配准特征点作为所述待配准医学图像序列的当前像素点，确定所述待配准医学图像序列的当前像素点像素信息；
基于所述待配准医学图像序列的当前像素点像素信息，确定所述当前像素点对应的六邻域像素信息和/或二十六邻域像素信息；
基于所述当前像素点像素信息、所述六邻域像素信息和/或所述二十六邻域像素信息，逐步进行三维空间像素填充，直至分割得到所述三维待配准图像区域。
8.根据权利要求1或2所述的方法，其特征在于，在所述基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域之前，还包括：
获取所述受试者对应的初始目标医学图像序列和初始待配准医学图像序列；
若所述初始目标医学图像序列的图像数量与所述初始待配准医学图像序列的图像数量不同，则对所述初始目标医学图像序列和所述初始待配准医学图像序列中的图像数量少的医学图像序列进行图像插值操作，以确定所述目标医学图像序列和所述待配准医学图像序列，其中，所述目标医学图像序列的图像数量和所述待配准医学图像序列的图像数量相同。
9.一种病灶定位方法，其特征在于，包括：
确定将三维待配准图像区域配准到三维目标图像区域的配准信息，其中，所述配准信息基于上述权利要求1至8任一项所述的医学图像处理方法确定；
基于所述配准信息确定所述三维目标图像区域和所述三维待配准图像区域对应的病灶定位信息。
10.一种医学图像处理装置，其特征在于，包括：
第一确定模块，用于基于受试者对应的目标医学图像序列和待配准医学图像序列，确定三维目标图像区域和三维待配准图像区域，其中，所述目标医学图像序列和所述待配准医学图像序列的图像模态相同；
第二确定模块，用于确定所述三维目标图像区域和所述三维待配准图像区域之间的光流信息；
第三确定模块，用于基于所述光流信息将所述三维待配准图像区域配准到所述三维目标图像区域，以确定配准信息。
11.一种病灶定位装置，其特征在于，包括：
第四确定模块，用于确定将三维待配准图像区域配准到三维目标图像区域的配准信息，其中，所述配准信息基于上述权利要求1至8任一项所述的医学图像处理方法确定；
第五确定模块，用于基于所述配准信息确定所述三维目标图像区域和所述三维待配准图像区域对应的病灶定位信息。
12.一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权利要求1至9任一项所述的方法。
13.一种电子设备，所述电子设备包括：
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9任一项所述的方法。
CN202111083290.7A 2021-09-16 2021-09-16 医学图像处理方法及装置、病灶定位方法及装置 Pending CN113538426A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111083290.7A CN113538426A (zh) 2021-09-16 2021-09-16 医学图像处理方法及装置、病灶定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111083290.7A CN113538426A (zh) 2021-09-16 2021-09-16 医学图像处理方法及装置、病灶定位方法及装置

Publications (1)

Publication Number Publication Date
CN113538426A true CN113538426A (zh) 2021-10-22

Family

ID=78123190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111083290.7A Pending CN113538426A (zh) 2021-09-16 2021-09-16 医学图像处理方法及装置、病灶定位方法及装置

Country Status (1)

Country Link
CN (1) CN113538426A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101297321A (zh) * 2005-10-25 2008-10-29 布拉科成像S.P.A.公司 配准图像的方法，用于执行配准图像的方法的算法，用于使用所述算法配准图像的程序以及处理生物医学图像以减少由对象移动导致的成像伪影的方法
CN102306373A (zh) * 2011-08-17 2012-01-04 深圳市旭东数字医学影像技术有限公司 一种腹部器官的三维医学图像分割方法及系统
CN103871056A (zh) * 2014-03-11 2014-06-18 南京信息工程大学 基于各向异性光流场与去偏移场的脑部mr图像配准方法
CN104050666A (zh) * 2014-06-10 2014-09-17 电子科技大学 基于分割的脑部mr图像配准方法
CN105389811A (zh) * 2015-10-30 2016-03-09 吉林大学 一种基于多级阈值分割的多模态医学图像处理方法
CN106780377A (zh) * 2016-12-07 2017-05-31 天津大学 一种医学图像分割中基于Freeman链码的轮廓平滑方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101297321A (zh) * 2005-10-25 2008-10-29 布拉科成像S.P.A.公司 配准图像的方法，用于执行配准图像的方法的算法，用于使用所述算法配准图像的程序以及处理生物医学图像以减少由对象移动导致的成像伪影的方法
CN102306373A (zh) * 2011-08-17 2012-01-04 深圳市旭东数字医学影像技术有限公司 一种腹部器官的三维医学图像分割方法及系统
CN103871056A (zh) * 2014-03-11 2014-06-18 南京信息工程大学 基于各向异性光流场与去偏移场的脑部mr图像配准方法
CN104050666A (zh) * 2014-06-10 2014-09-17 电子科技大学 基于分割的脑部mr图像配准方法
CN105389811A (zh) * 2015-10-30 2016-03-09 吉林大学 一种基于多级阈值分割的多模态医学图像处理方法
CN106780377A (zh) * 2016-12-07 2017-05-31 天津大学 一种医学图像分割中基于Freeman链码的轮廓平滑方法

Similar Documents

Publication Publication Date Title
CN106056537B (zh) 一种医学图像拼接方法及装置
CN110010249B (zh) 基于视频叠加的增强现实手术导航方法、系统及电子设备
JP5643304B2 (ja) 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システムおよび方法並びに肺画像セグメント化システムおよび方法
Bergen et al. Stitching and surface reconstruction from endoscopic image sequences: a review of applications and methods
CN107886508B (zh) 差分减影方法和医学图像处理方法及系统
JP4576228B2 (ja) 生理学的モデルに基づく非剛体画像位置合わせ
Weibel et al. Graph based construction of textured large field of view mosaics for bladder cancer diagnosis
JP2005521502A (ja) 胸部および腹部の画像モダリティの重ね合わせ
JP2004105737A (ja) 心臓磁気共振潅流データのための統合的画像記録方法
US20180064409A1 (en) Simultaneously displaying medical images
CN111754553A (zh) 多模态扫描图像配准方法、装置、计算机设备和存储介质
JP5194138B2 (ja) 画像診断支援装置およびその動作方法、並びに画像診断支援プログラム
JP6505078B2 (ja) 画像レジストレーション
US11798161B2 (en) Method and apparatus for determining mid-sagittal plane in magnetic resonance images
KR20210000542A (ko) 의료영상에서의 특정연골 분할 방법 및 장치
US9020215B2 (en) Systems and methods for detecting and visualizing correspondence corridors on two-dimensional and volumetric medical images
CN107705350B (zh) 医学图像生成方法、装置及设备
US11423554B2 (en) Registering a two-dimensional image with a three-dimensional image
CN116051553B (zh) 一种在三维医学模型内部进行标记的方法和装置
CN112150419A (zh) 图像处理方法、装置及电子设备
JP2005270635A (ja) 画像処理方法及び処理装置
CN115761134A (zh) 孪生模型的生成方法、系统、核磁共振装置和介质
CN113538426A (zh) 医学图像处理方法及装置、病灶定位方法及装置
JP6642048B2 (ja) 医療画像表示システム、医療画像表示プログラム及び医療画像表示方法
CN114565623A (zh) 肺血管分割方法、装置、存储介质及电子设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211022

RJ01 Rejection of invention patent application after publication