CN113554647B - 医学图像的配准方法和装置 - Google Patents

医学图像的配准方法和装置 Download PDF

Info

Publication number
CN113554647B
CN113554647B CN202111095757.XA CN202111095757A CN113554647B CN 113554647 B CN113554647 B CN 113554647B CN 202111095757 A CN202111095757 A CN 202111095757A CN 113554647 B CN113554647 B CN 113554647B
Authority
CN
China
Prior art keywords
dimensional
edge
medical image
registration
image sequences
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
Application number
CN202111095757.XA
Other languages
English (en)
Other versions
CN113554647A (zh
Inventor
潘伟凡
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.)
Zhejiang Taimei Medical Technology Co Ltd
Original Assignee
Zhejiang Taimei Medical 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 Zhejiang Taimei Medical Technology Co Ltd filed Critical Zhejiang Taimei Medical Technology Co Ltd
Priority to CN202111095757.XA priority Critical patent/CN113554647B/zh
Publication of CN113554647A publication Critical patent/CN113554647A/zh
Application granted granted Critical
Publication of CN113554647B publication Critical patent/CN113554647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]

Landscapes

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

Abstract

本申请提供了一种医学图像的配准方法及装置。该配准方法包括：获取多个三维医学图像序列；分别对多个三维医学图像序列中的目标进行边缘识别，得到多个三维边缘识别结果，其中目标具有刚性特征；根据多个三维边缘识别结果对多个三维医学图像序列进行三维刚性配准，得到配准结果。本申请的技术方案能够提高医学图像配准的精准度。

Description

医学图像的配准方法和装置
技术领域
本申请涉及医学图像技术领域，具体涉及一种医学图像的配准方法和装置。
背景技术
医学影像阅片系统提供了针对医学影像阅片的多场景综合解决方案，实现了从影像管理到阅片管理全业务流程的信息化和智能化。在影像管理方面，支持多中心的影像上传，支持影像查询，并对上传影像进行审核和质控管理。在阅片管理方面，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。在整个业务流程中，阅片分析是不可缺少的重要环节，而图像配准是阅片分析的基础。
现有技术一般通过位置的对应坐标对不同的医学图像序列进行配准，然而，生成不同的医学图像序列时，人体的移动会导致该位置的对应坐标不够精确，从而可能会导致配准的精准度较低。
发明内容
有鉴于此，本申请实施例提供了一种医学图像的配准方法及装置，能够提高医学图像配准的精准度。
第一方面，本申请的实施例提供了一种医学图像的配准方法，包括：获取多个三维医学图像序列；分别对多个三维医学图像序列中的目标进行边缘识别，得到多个三维边缘识别结果，其中目标具有刚性特征；根据多个三维边缘识别结果对多个三维医学图像序列进行三维刚性配准，得到配准结果。
在一实施例中，根据多个三维边缘识别结果对多个三维医学图像序列进行三维刚性配准，包括：对多个三维边缘识别结果进行三维平移和/或旋转，以确定多个三维边缘识别结果中像素重合最多的边缘部分，并确定对应的平移量和/或旋转角；将像素重合最多的边缘部分去除，并对剩余部分进行缩放，得到新的多个三维边缘识别结果，并将新的多个三维边缘识别结果作为多个三维边缘识别结果，迭代执行三维平移和/或旋转的步骤和缩放的步骤，直到剩余部分的像素数量少于预设阈值或者迭代的次数大于或等于预设次数；根据各次迭代得到的平移量和/或旋转角，确定三维刚性配准的变换关系；根据三维刚性配准的变换关系，对多个三维医学图像序列进行三维刚性配准。
在一实施例中，根据各次迭代得到的平移量和/或旋转角，确定三维刚性配准的变换关系，包括：根据各次迭代得到的平移量和/或旋转角以及对应的像素数量进行加权平均，确定三维刚性配准的变换关系。
在一实施例中，对剩余部分进行缩放，包括：对具有所述目标的外边缘的医学图像序列的剩余部分进行缩小，或者对所述目标的内边缘的医学图像序列的剩余部分进行放大。
在一实施例中，在分别对多个三维医学图像序列中的目标进行边缘识别之前，该配准方法还包括：对多个医学图像序列进行对数运算，得到对数化后的多个医学图像序列；其中，分别对多个医学图像序列中的目标进行边缘识别，包括：利用边缘检测算法从对数化后的多个医学图像序列确定目标的边缘的轮廓；利用边缘算子对边缘的轮廓进行优化，得到优化结果，并从优化结果中提取目标的边缘。
在一实施例中，边缘检测算法为三维拉普拉斯边缘检测算法。
在一实施例中，该配准方法还包括：利用三维插值算法对配准结果进行三维插值重建，以得到多个医学图像序列最终的相同位置相同切面的医学影像。
在一实施例中，对多个三维医学图像序列为不同种类的三维医学图像序列，多个三维医学图像序列为如下序列中的至少两种：自旋回波序列、快速自旋回波序列、梯度回波序列、反转恢复序列和平面回波序列。
在一实施例中，医学图像为脑部核磁医学图像。
第二方面，本申请的实施例提供了一种医学图像的配准装置，包括：获取模块，用于获取多个三维医学图像序列；识别模块，用于分别对多个三维医学图像序列中的目标进行边缘识别，得到多个三维边缘识别结果，其中目标具有刚性特征；配准模块，用于根据多个三维边缘识别结果对多个三维医学图像序列进行三维刚性配准，得到配准结果。
第三方面，本申请的实施例提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述实施例的配准方法。
第四方面，本申请的实施例提供了一种电子设备，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，其中，处理器用于执行上述实施例的配准方法。
本申请实施例提供了一种医学图像的配准方法和装置，通过对不同三维医学图像序列进行边缘识别，并根据边缘识别结果对三维医学图像序列进行三维刚性配准，实现了不同三维医学图像序列的准确匹配。由于本申请实施例结合目标的边缘的刚性特征进行边缘提取和三维刚性配准，因此，配准的结果不会受生成图像时目标移动的影响，从而有助于提高医学诊断和治疗的水平。
附图说明
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是本申请一示例性实施例提供的医学图像的配准方法的流程示意图。
图3是本申请另一示例性实施例提供的医学图像的配准方法的流程示意图。
图4是本申请另一示例性实施例提供的边缘配准方法的流程示意图。
图5是本申请一示例性实施例提供的不同种类的医学图像序列的示意图。
图6是本申请一示例性实施例提供边缘提取后的边缘图像的示意图。
图7是本申请一示例性实施例提供的边缘优化后边缘图像的示意图。
图8是本申请一示例性实施例提供的医学图像的配准装置的结构示意图。
图9是本申请一示例性实施例提供的用于医学图像配准的电子设备的框图。
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
在做医学图像分析时，经常要将同一患者几幅图像放在一起分析，从而得到该患者的多方面的综合信息，提高医学诊断和治疗的水平。要想对不同的图像作定量分析，首先使得不同的图像严格对齐，即实现图像配准。医学图像配准是指对于一幅医学图像进行空间变换，使其与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体上的同一解剖点在两张匹配图像上具有相同的空间位置。配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点达到匹配。
随着多种类型的医学图像序列的产生，不同医学图像序列之间的影像比对分析，也成为了实际应用中的重要需求。以人脑为例，常常会利用核磁共振图像对人的脑部进行检查。由于核磁共振图像对脂肪和水有特异的敏感性，因此，可以生产不同种类的核磁共振图像序列。不同种类的核磁共振图像序列针对不同组织可能呈现不同的亮度，以体现不同组织内部的细微结构，从而能够很好地分辨颅内的结构，对脑部的骨骼、灰质、白质、脑脊液等各组织以及组织内不同成分的区域进行清晰显像。多样的核磁共振图像序列给了医生多方面的信息，医生会对不同的核磁共振图像序列进行对比分析以对患者进行正确的评估，这就需要精准的图像配准。
本申请的发明人在长期研究中发现，由于不同核磁共振图像序列对不同组织呈现的亮度不同，这样在进行边缘检测时，针对同一部位，有的磁共振图像序列可能检测到了内边缘，而有的磁共振图像序列检测到了外边缘，使得两个磁共振图像序列针对同一部位的边缘识别结果存在差别，从而影响了图像配准的精准度。
另外，在人体影像扫描过程中，被扫描的目标有可能会移动（例如，人脑的转动），使得不同的核磁共振图像序列针对相同部位的边缘识别结果之间可能会有一定程度的相对平移和/或旋转，从而进一步影响了图像配准的精准度。
下面简单介绍图像配准的基本原理和术语。
特征选择
在进行图像配准时，可以选择合适的特征进行配准，例如，可以选取闭合区域、边缘、轮廓、拐角等凸出的、明显的对象作为特征集合。一般要求所选特征集合在两个配准图像中拥有足够多的共同成分。
特征匹配
特征匹配是指在两个配准图像的特征上建立联系。在图像配准时，可以根据图像特征的空间关系，采用各种特征描述和相似性测度。
变换模型的选择
在对准两个配准图像时，可以描述映射关系函数的类型和参数，映射函数的参数可以通过建立特征的联系时获得。
特征空间
特征空间是指从配准图像中提取的可用于配准的特征。在基于图像值的图像配准方法中，特征空间为像素的图像值，而在基于特征的图像配准方法中，特征空间可以是点、真线、曲线、不变矩等。
边缘检测
图像边缘是图像局部特征不连接变化的反映，它标志着一个区域的终结和另一个区域开始。边缘的特征沿边缘走向的像素变化平缓，而垂直于边缘方向的像素变化剧烈。在图像边缘的较小邻域中的像素集，它们的图像值是不连续的，会有较大的跃变。因此，可通过导数来判别图像中像素的图像值是否存在突变，从而检测出边缘。
搜索空间
搜索空间是指在配准过程上对图像进行变换的范围和变换的方式。图像的变换范围可以分为三类：全局、局部的和位移场的。图像的变换方式可以分为线性变换和非线性变换。线性变换又可以分为刚体变换、仿射变换和投影变换。刚性变换使一幅图像中任意两点间的距离变换到另一幅图像后仍然保持不变，主要应用于组织结构比较硬的、不易发生形变的器官。刚体变换可分解为平移、旋转和镜像三种变换形式。
图像插值
在图像配准过程中，需要对图像进行空间变换。在计算机中，图像的像素位置一般采用整数表示，所以经过几何变换后图像可能出现新像素点或图像像素的位置不再是整数。为了重新得到可以在计算机中存储的数字图像，需要将空间变换后的离散数字图像重建为连续图像，再在整数位置上对重建的图像采样，得到最终的图像。图像的重建和再采样过程需要通过插值完成。
在介绍了本申请的基本原理和术语之后，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。该实施环境包括医学成像设备130、服务器120和计算机设备110。计算机设备110可以从医学成像设备130处获取医学图像序列，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。
医学成像设备130用于对人体组织进行扫描成像，得到人体组织的医学图像。在一实施例中，通过医学成像设备130对人脑进行扫描，可以得到人脑医学图像。医学成像设备130可以是CT扫描仪，根据本申请的实施例并不限于此，例如，也可以是MRI设备等断层扫描成像设备。
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。
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。例如，服务器120可以是医学图像阅片系统的一台服务器。
在一些可选的实施例中，计算机设备110或者服务器120中可以部署有医学图像的配准装置，用于对多个医学图像序列进行配准。
示例性方法
图2是本申请一示例性实施例提供的医学图像的配准方法的流程示意图。图2的方法由图1的计算机设备或者服务器来执行。如图2所示，该配准方法包括如下内容。
210：获取多个三维医学图像序列。
具体地，多个三维医学图像序列可以为不同种类的三维医学图像序列。例如，多个三维医学图像序列为如下序列中的至少两种：自旋回波序列、快速自旋回波序列、梯度回波序列、反转恢复序列和平面回波序列。
这里的医学图像可以指断层扫描图像（tomographic images），例如，CT（ComputedTomography，电子计算机断层扫描）图像、MRI（Magnetic Resonance Imaging，磁共振成像）、SPECT（Single Photon Emission Computed Tomography，单光子发射计算机断层扫描）、PET（Positron Emission Computed Tomography，正电子发射型计算机断层显像）等医学图像。本申请的实施例并不于此，也可以应用于其它类型的医学图像。
上述三维医学图像序列可以是存储于医学影像阅片系统的数据库中的医学图像序列，因此，在进行图像配准时可以从数据库中获取三维医学图像序列。可替代地，作为另一实例，也可以在进行图像配准时从医学成像设备直接获取三维医学图像序列。
220：分别对多个三维医学图像序列中的目标进行边缘识别，得到多个三维边缘识别结果，其中该目标具有刚性特征。
具体地，该目标也可以为具有刚性特征的人体部位，例如，该目标可以为人脑。由于人脑的基本结构比起其他的肌肉和软组织而言几乎不会发生整体骨骼形变，可以认为是刚体，因此，采用先进行边缘识别再进行刚体配准的方法对于人脑这一区域的图像配准会非常有效。应理解，该目标也可以是人体的胸部或者其它具有刚性特征的人体部位。
在本实施例中，可以采用边缘检测算子对医学图像序列中的每幅医学图像进行边缘检测或识别，得到的三维边缘识别结果可以包括多幅二维医学图像上的边缘识别结果（也可以称为边缘检测结果）。边缘检测算子例如可以是Sobel、Canny或Laplacian算子等，本申请实施例对边缘检测算子不作限定。
230：根据多个三维边缘识别结果对多个三维医学图像序列进行三维刚性配准，得到配准结果。
具体的，可以对两个三维医学图像序列中对应层的两个二维医学图像分别进行配准，也可以是从整体上对两个三维医学图像序列进行配准。配准的过程可以包括：通过对边缘识别结果进行空间变换来确定重合像素最多时的空间变换量，然后将重合像素去除后对剩余像素迭代执行空间变换确定重合像素最多时的空间变换量的步骤，直到满足迭代中止条件，最后根据得到的空间变换量对两个三维医学图像序列进行配准。例如，空间变换可以包括平移和/或者旋转和/或缩放等过程，本申请的实施例对于空间变换的顺序不作限定，例如，可以是先平移和/或旋转，再进行缩放，也可以是先缩放再进行平移和/或旋转。
根据本申请的实施例，通过对不同三维医学图像序列进行边缘识别，并根据边缘识别结果对三维医学图像序列进行三维刚性配准，实现了不同三维医学图像序列的准确匹配。由于本申请实施例结合目标的边缘的刚性特征进行边缘提取和三维刚性配准，因此，配准的结果不会受生成图像时目标移动的影响，从而有助于提高医学诊断和治疗的水平。
根据本申请的实施例，医学图像可以为脑部医学图像。该脑部医学图像可以是断层扫描图像，例如，CT、MRI、SPECT、PET等医学图像。医学图像也称为医学影像。本申请的实施例并不限于此，例如，医学图像也可以为其它人体医学图像（例如，胸部医学图像）。
在220中，图像配准的过程具体可以包括：对多个三维边缘识别结果进行三维平移和/或旋转，以确定多个三维边缘识别结果中像素重合最多的边缘部分，并确定对应的平移量和/或旋转角；将像素重合最多的边缘部分去除，并对剩余部分进行缩放，得到新的多个三维边缘识别结果，并将新的多个三维边缘识别结果作为多个三维边缘识别结果，迭代执行三维平移和/或旋转的步骤和缩放的步骤，直到剩余部分的像素数量少于预设阈值或者迭代的次数大于或等于预设次数；根据各次迭代得到的平移量和/或旋转角，确定三维刚性配准的变换关系；最后根据三维刚性配准的变换关系，对多个三维医学图像序列进行三维刚性配准。
如前所述，图像配准过程中，可能出现针对同一部位，两个待配准的医学图像序列中一个的边缘结果包括内边缘，而另一个的边缘识别结果包括外边缘，另外，在对目标进行扫描成像时，目标的移动可能会造成这两个医学图像序列存在相对旋转的情况，这都会影响配准的精准度。根据本申请的实施例，可以先对边缘识别结果进行三维平移和/或旋转，并确定像素重合度最高时平移量和旋转角，然后再对剩余的部分进行缩放后，将剩余部分作为边缘识别结果，迭代执行边缘识别结果进行三维平移和/或旋转，并确定像素重合度最高时的平移量和旋转角的步骤，直至剩余部分的像素数量少于预设阈值或者迭代的次数大于或等于预设次数。
根据本申请的实施例，通过对边缘识别结果进行缩放后再确定像素重合度最高时的平移量和旋转角，可以降低两个医学图像序列的边缘识别结果存在边缘差对配准的影响，从而提高了图像配准的精准度。
在一实施例中，根据各次迭代得到的平移量和/或旋转角，确定三维刚性配准的变换关系，包括：根据各次迭代得到的平移量和/或旋转角以及对应的像素数量进行加权平均，确定三维刚性配准的变换关系。
根据本申请的实施例，通过基于各次迭代对应的像素数量对得到的平移量和/或旋转角进行加权平均，使得对三维刚性配准的变换关系的估计更加合理。
根据本申请的实施例，在对剩余部分进行缩放时，可以采用如下过程：对具有目标的外边缘的医学图像序列的剩余部分进行缩小，和/或对目标的内边缘的医学图像序列的剩余部分进行放大。
由于外边缘比内边缘的尺寸大，使得这两部分的像素不重合，但如果不考虑这些像素，可能会让三维刚性配准的变换关系的估计变得不太合理，因此，为了使两者能够匹配或重合，可以将外边缘所在的边缘识别结果缩小，和/或将内边缘所在的边缘识别结果放大，这样可以找到更多重合的像素使得三维刚性配准的变换关系的估计更加合理和准确，进而提高了图像配准的精准度。
可选地，作为另一实施例，在220之前，该配准方法还可以包括：对多个医学图像序列进行对数运算，得到对数化后的多个医学图像序列。在这种情况下，在220中，利用边缘检测算法从对数化后的多个医学图像序列确定目标的边缘的轮廓；利用边缘算子对边缘的轮廓进行优化，得到优化结果，并从优化结果中提取目标的边缘。
由于不同种类的核磁共振图像设置的弛豫时间和回波时间存在差别，因此，核磁共振图像的MRI值往往呈比例变化，例如，原来20,40的值通过参数的变化后可以变为40,80。因此，为了统一边缘识别所采用的阈值，使之不受该比例变化的影响，可以先对核磁共振图像进行对数处理，从而能够提高边缘提取的准确性。
另外，由于实际的医学图像在扫描中会受到噪声的影响，因此可以对当中存在的毛刺进行优化和平滑处理，从而使得识别的边缘干净且连续。
在一实施例中，边缘检测算法为三维拉普拉斯边缘检测算法。
可选地，作为另一实施例，在230之后，该配准方法还包括：利用三维插值算法对配准结果进行三维插值重建，以得到多个医学图像序列的相同位置相同切面的医学图像。
例如，可以利用插值算法（例如，Tri-cubic插值算法等）对配准结果中存在像素缺失或者坐标的计算结果不是整数的像素进行插值重建，最终得到经过图像配准的不同序列的相同位置相同切面（纵切面或横切面）的图像。
图3是本申请另一示例性实施例提供的医学图像的配准方法的流程示意图。该配准方法例为图2的实施例的例子。本实施例以脑部核磁共振图像的配准方法为例进行说明。该配准方法包括如下内容。
310，对多个脑部的三维医学图像序列进行对数运算，得到对数化的多个三维医学图像序列。
本实施例可以先对多个三维医学图像序列中的核磁共振图像进行对数处理，具体方法如下：
Figure 147457DEST_PATH_IMAGE001
，
其中，image(i,j,k)为图像值，m(i,j,k)为对数化后的核磁共振图像的图像值。
320，对经过对数化的多个三维医学图像序列进行边缘检测，得到边缘识别结果，边缘识别结果包括多个三维医学图像序列的边缘图像。
例如，可以利用Laplace边缘检测法对步骤310得到的每个对数化的三维医学图像序列中的医学图像进行边缘提取，得到边缘图像，具体算法为：
Figure 368354DEST_PATH_IMAGE002
，
其中m(i,j,k)为三维医学图像函数，edge(i,j,k)为三维边缘图像函数，i,j，k为正整数，用于表示三维医学图像序列中每层医学图像的位置坐标。三维医学图像的边缘结果可以由下列掩模公式得到：
Figure 721975DEST_PATH_IMAGE003
其中，mask(i,j,k)为掩模，T为阈值。
如图6所示，左侧为医学图像，右侧为边缘提取后的边缘图像的效果图。
330，对边缘识别结果进行边缘优化，得到优化边缘识别结果。
边缘检测算子例如可以是Canny算子（operator）、Sobel算子、Roberts等等。由此得到优化边缘识别结果，也称为精细化掩模（Refinemask），如图7所示，进行边缘优化后的边缘图像更加清楚且连续。
例如，可以选取五层同中心的边缘检测算子：{1*1,3*3,5*5,3*3,1*1}，即五层分别为1*1的矩阵，3*3的矩阵，5*5的矩阵，3*3的矩阵，1*1的矩阵。对边缘图像进行该算子的开闭运算：
Refinemask=close(open(mask(i,j,k),operator))。
340，对优化边缘识别结果进行边缘配准，得到多个三维医学图像序列的三维配准变换关系。该过程可以参见图4的实施例，在此不再赘述。
350，根据三维配准变换关系，对多个三维医学图像序列进行配准，得到配准结果。
根据上述三维配准变换关系，对医学图像进行该三维配准变换关系的映射。
360，对配准结果进行插值计算，得到多个三维医学图像序列匹配准后的同位置同切面的图像。
例如，可以采用Tri-cubic插值算法进行插值计算。在三维条件下，Tri-cubic插值算法需要利用空间内的4个平面上的合计64个（4×4×4个）输入像素点，通过拟合得到插值函数f(x,y,z)，从而实现基于目标位置周围的空间信息得到插值结果。
可以理解，由于Tri-cubic插值算法不局限于目标像素点所在平面内的信息，而是让目标像素点附近的多个平面上的信息均参与到插值运算中，从而能够得到三维空间内的图像值变化趋势，使得插值结果的准确度得到进一步的提高。
下面以脑部的核磁共振图像为例，详细描述如何对核磁共振图像的边缘识别结果进行边缘配准。
脑部的核磁共振图像的配准可以认为是对刚体的特征进行配准（脑部无形变）。然而，由于有的医学图像序列的边缘检测是对目标的外边缘进行检测，而有的医学图像序列的检测是对目标的内边缘进行检测，因此，两个医学图像序列的部分边缘可能存在内外边缘差。本申请的实施例可以通过对这部分边缘进行缩放后再进行刚性配准的方式来解决内外边缘差的问题。
图4是本申请另一示例性实施例提供的边缘配准方法的流程示意图。该边缘配准的方法包括如下内容。
410，获取两个医学图像序列对应的精细化掩模。
例如，医学图像序列可以是图3的实施例中步骤330得到的精细化掩模。
420，对精细化掩模进行三维平移和/或旋转确定像素重合度最高的边缘部分，以确定匹配的平移量(x,y,z)和旋转角(α,β,γ)。
430，将精细化掩模中边缘的重合部分去掉。
440，对精细化掩模中边缘的剩余部分（不重合部分）进行缩放，得到缩放后的精细化掩模。
450，迭代执行步骤420至440，以再次进行确定边缘的重合度最高的边缘部分并确定每次匹配的平移量(x,y,z)和旋转角(α,β,γ)的步骤，直到迭代执行N次或剩余部分的边缘像素数量少于总数量的10%。
例如，缩放的允许比例范围可以小于2。
判断每次匹配的平移量和/或旋转角与上一次匹配的平移量和/或旋转角相比是否具有小于2%的误差，如果是，则表明本次匹配成功；否则，舍弃该结果，并且重新查找次多像素的重合部分。
460，将每次步骤得到的平移量和/或旋转角的度数进行像素数量的加权平均，即假设进行了N次，第k次的平移量为(xk,yk,zk)，旋转角为(αk,βk,γk)，第k次匹配上的像素数为ck，由此可以计算得到最终的三维配准变换关系为：
Figure 894068DEST_PATH_IMAGE004
Figure 624127DEST_PATH_IMAGE005
。
图8是本申请一示例性实施例提供的医学图像的配准装置的结构示意图。如图8所示，该配准装置800包括：获取模块810，识别模块820和配准模块830。
获取模块810用于获取多个三维医学图像序列；识别模块820用于分别对多个三维医学图像序列中的目标进行边缘识别，得到多个三维边缘识别结果，其中目标具有刚性特征；配准模块830用于根据多个三维边缘识别结果对多个三维医学图像序列进行三维刚性配准，得到配准结果。
根据本申请的实施例，通过对不同种类的三维医学图像序列进行边缘识别，并根据边缘识别结果对三维医学图像序列进行三维刚性配准，实现了不同种类的三维医学图像序列的准确匹配。由于本申请实施例结合目标的边缘特征和刚性特征进行边缘提取和三维刚性配准，因此，配准的结果不会受生成图像时脑部移动的影响，从而有助于提高医学诊断和治疗的水平。
根据本申请的实施例中，配准模块830用于对多个三维边缘识别结果进行三维平移和/或旋转，以确定多个三维边缘识别结果中像素重合最多的边缘部分，并确定对应的平移量和/或旋转角；将像素重合最多的边缘部分去除，并对剩余部分进行缩放，得到新的多个三维边缘识别结果，并将新的多个三维边缘识别结果作为多个三维边缘识别结果，迭代执行三维平移和/或旋转的步骤和缩放的步骤，直到剩余部分的像素数量少于预设阈值或者迭代的次数大于或等于预设次数；根据各次迭代得到的平移量和/或旋转角，确定三维刚性配准的变换关系；根据三维刚性配准的变换关系，对多个三维医学图像序列进行三维刚性配准。
在一实施例中，配准模块830根据各次迭代得到的平移量和/或旋转角以及对应的像素数量进行加权平均，确定三维刚性配准的变换关系。
在一实施例中，识别模块820用于在分别对多个三维医学图像序列中的目标进行边缘识别之前，对多个医学图像序列进行对数运算，得到对数化后的多个医学图像序列；其中，分别对多个医学图像序列中的目标进行边缘识别，包括：利用边缘检测算法从对数化后的多个医学图像序列确定目标的边缘的轮廓；利用边缘算子对边缘的轮廓进行优化，得到优化结果，并从优化结果中提取目标的边缘。
在一实施例中，配准模块830还用于利用三维插值算法对配准结果进行三维插值重建，以得到多个医学图像序列的相同位置相同切面的医学影像。
在一实施例中，多个三维医学图像序列为不同种类的三维医学图像序列，多个三维医学图像序列为如下序列中的至少两种：自旋回波序列、快速自旋回波序列、梯度回波序列、反转恢复序列和平面回波序列。
在一实施例中，医学图像为脑部核磁医学图像。
应当理解，上述实施例中的获获取模块810，识别模块820和配准模块830的具体工作过程和功能可以参考上述图2至图3实施例提供的配准方法中的描述，为了避免重复，在此不再赘述。
图9是本申请一示例性实施例提供的用于医学图像的配准的电子设备的框图。
参照图9，电子设备900包括处理组件910，其进一步包括一个或多个处理器，以及由存储器920所代表的存储器资源，用于存储可由处理组件910的执行的指令，例如应用程序。存储器920中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件910被配置为执行指令，以执行上述医学图像的配准方法。
电子设备900还可以包括一个电源组件被配置为执行电子设备900的电源管理，一个有线或无线网络接口被配置为将电子设备900连接到网络，和一个输入输出（I/O）接口。可以基于存储在存储器920的操作系统操作电子设备900，例如Windows ServerTM，Mac OSXTM，UnixTM，LinuxTM，FreeBSDTM或类似。
一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备900的处理器执行时，使得上述电子设备900能够执行医学图像的匹准方法，包括：获取多个三维医学图像序列；分别对多个三维医学图像序列中的目标进行边缘识别，得到多个三维边缘识别结果，其中目标具有刚性特征；根据多个三维边缘识别结果对多个三维医学图像序列进行三维刚性配准，得到配准结果。
上述所有可选技术方案，可采用任意结合形成本申请的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，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申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、（随机存取存储器(RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序校验码的介质。
需要说明的是，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种医学图像的配准方法，其特征在于，包括：
获取多个三维医学图像序列；
分别对所述多个三维医学图像序列中的目标进行边缘识别，得到多个三维边缘识别结果，其中所述目标具有刚性特征；
根据所述多个三维边缘识别结果对所述多个三维医学图像序列进行三维刚性配准，得到配准结果；
其中，所述根据所述多个三维边缘识别结果对所述多个三维医学图像序列进行三维刚性配准，包括：
对所述多个三维边缘识别结果进行三维平移和/或旋转，以确定所述多个三维边缘识别结果中像素重合最多的边缘部分，并确定对应的平移量和/或旋转角；
将所述像素重合最多的边缘部分去除，并对剩余部分进行缩放，得到新的多个三维边缘识别结果，并将所述新的多个三维边缘识别结果作为所述多个三维边缘识别结果，迭代执行所述三维平移和/或旋转的步骤和所述缩放的步骤，直到所述剩余部分的像素数量少于预设阈值或者迭代的次数大于或等于预设次数；
根据各次迭代得到的平移量和/或旋转角，确定三维刚性配准的变换关系；
根据所述三维刚性配准的变换关系，对所述多个三维医学图像序列进行三维刚性配准。
2.根据权利要求1所述的配准方法，其特征在于，所述根据各次迭代得到的平移量和/或旋转角，确定三维刚性配准的变换关系，包括：
根据各次迭代得到的平移量和/或旋转角以及对应的像素数量进行加权平均，确定三维刚性配准的变换关系。
3.根据权利要求1所述的配准方法，其特征在于，所述对剩余部分进行缩放，包括：
对具有所述目标的外边缘的医学图像序列的剩余部分进行缩小，和/或对所述目标的内边缘的医学图像序列的剩余部分进行放大。
4.根据权利要求1所述的配准方法，其特征在于，在所述分别对所述多个三维医学图像序列中的目标进行边缘识别之前，还包括：
对所述多个医学图像序列进行对数运算，得到对数化后的多个医学图像序列；
其中，所述分别对所述多个医学图像序列中的目标进行边缘识别，包括：
利用边缘检测算法从对数化后的多个医学图像序列确定所述目标的边缘的轮廓；
利用边缘算子对所述边缘的轮廓进行优化，得到优化结果，并从所述优化结果中提取所述目标的边缘。
5.根据权利要求4所述的配准方法，其特征在于，所述边缘检测算法为三维拉普拉斯边缘检测算法。
6.根据权利要求1所述的配准方法，其特征在于，还包括：
利用三维插值算法对所述配准结果进行三维插值重建，以得到所述多个医学图像序列最终的相同位置相同切面的医学影像。
7.根据权利要求1至6中的任一项所述的配准方法，其特征在于，所述多个三维医学图像序列为不同种类的三维医学图像序列，所述多个三维医学图像序列为如下序列中的至少两种：自旋回波序列、快速自旋回波序列、梯度回波序列、反转恢复序列和平面回波序列。
8.根据权利要求1至6中的任一项所述的配准方法，其特征在于，所述医学图像为脑部核磁医学图像。
9.一种医学图像的配准装置，其特征在于，包括：
获取模块，用于获取多个三维医学图像序列；
识别模块，用于分别对所述多个三维医学图像序列中的目标进行边缘识别，得到多个三维边缘识别结果，其中所述目标具有刚性特征；
配准模块，用于根据所述多个三维边缘识别结果对所述多个三维医学图像序列进行三维刚性配准，得到配准结果；
其中，所述配准模块进一步用于对所述多个三维边缘识别结果进行三维平移和/或旋转，以确定所述多个三维边缘识别结果中像素重合最多的边缘部分，并确定对应的平移量和/或旋转角；将所述像素重合最多的边缘部分去除，并对剩余部分进行缩放，得到新的多个三维边缘识别结果，并将所述新的多个三维边缘识别结果作为所述多个三维边缘识别结果，迭代执行所述三维平移和/或旋转的步骤和所述缩放的步骤，直到所述剩余部分的像素数量少于预设阈值或者迭代的次数大于或等于预设次数；根据各次迭代得到的平移量和/或旋转角，确定三维刚性配准的变换关系；根据所述三维刚性配准的变换关系，对所述多个三维医学图像序列进行三维刚性配准。
10.一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8中任一项所述的配准方法。
11.一种电子设备，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，
其中，所述处理器用于执行上述权利要求1至8中任一项所述的配准方法。
CN202111095757.XA 2021-09-18 2021-09-18 医学图像的配准方法和装置 Active CN113554647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111095757.XA CN113554647B (zh) 2021-09-18 2021-09-18 医学图像的配准方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111095757.XA CN113554647B (zh) 2021-09-18 2021-09-18 医学图像的配准方法和装置

Publications (2)

Publication Number Publication Date
CN113554647A CN113554647A (zh) 2021-10-26
CN113554647B true CN113554647B (zh) 2021-12-28

Family

ID=78134447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111095757.XA Active CN113554647B (zh) 2021-09-18 2021-09-18 医学图像的配准方法和装置

Country Status (1)

Country Link
CN (1) CN113554647B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630206B (zh) * 2023-07-20 2023-10-03 杭州安劼医学科技有限公司 快速配准的定位方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1780672A1 (en) * 2005-10-25 2007-05-02 Bracco Imaging, S.P.A. Method of registering images, algorithm for carrying out the method of registering images, a program for registering images using the said algorithm and a method of treating biomedical images to reduce imaging artefacts caused by object movement
CN107423773B (zh) * 2016-05-23 2020-02-14 北京师范大学 三维颅骨的自动配准方法和装置
EP3384850A1 (en) * 2017-04-05 2018-10-10 Koninklijke Philips N.V. Method and apparatus for physiological functional parameter determination
CN112308764A (zh) * 2020-10-12 2021-02-02 杭州三坛医疗科技有限公司 图像配准方法及装置
CN113344921B (zh) * 2021-08-04 2022-08-02 浙江太美医疗科技股份有限公司 图像检测方法和装置、计算机可读存储介质和电子设备

Also Published As

Publication number Publication date
CN113554647A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
Kroon et al. MRI modalitiy transformation in demon registration
EP3611699A1 (en) Image segmentation using deep learning techniques
US7653263B2 (en) Method and system for volumetric comparative image analysis and diagnosis
US8437521B2 (en) Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging
CN107886508B (zh) 差分减影方法和医学图像处理方法及系统
EP3447733B1 (en) Selective image reconstruction
US10417777B2 (en) Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
US20070003118A1 (en) Method and system for projective comparative image analysis and diagnosis
US20060110071A1 (en) Method and system of entropy-based image registration
US20070014448A1 (en) Method and system for lateral comparative image analysis and diagnosis
US8682051B2 (en) Smoothing of dynamic data sets
CN112885453A (zh) 用于标识后续医学图像中的病理变化的方法和系统
US9135696B2 (en) Implant pose determination in medical imaging
US20150023575A1 (en) Anatomy Aware Articulated Registration for Image Segmentation
US20110064289A1 (en) Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images
EP4156096A1 (en) Method, device and system for automated processing of medical images to output alerts for detected dissimilarities
Arezoomand et al. A 3D active model framework for segmentation of proximal femur in MR images
JP4964191B2 (ja) 画像処理装置および方法ならびにプログラム
CN113554647B (zh) 医学图像的配准方法和装置
WO2023232067A1 (en) Systems and methods for lesion region identification
US11138736B2 (en) Information processing apparatus and information processing method
US20230154067A1 (en) Output Validation of an Image Reconstruction Algorithm
Wilkie Mutual information based methods to localize image registration
Palma et al. Deformable registration of 3D CT images with partial liver
Alvén Überatlas: Robust speed-up of feature-based registration and multi-atlas based segmentation

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