CN114187337B - 图像配准方法、分割方法、装置、电子设备以及存储介质 - Google Patents
图像配准方法、分割方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114187337B CN114187337B CN202111483502.0A CN202111483502A CN114187337B CN 114187337 B CN114187337 B CN 114187337B CN 202111483502 A CN202111483502 A CN 202111483502A CN 114187337 B CN114187337 B CN 114187337B
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- registered
- model
- rigid body
- 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 98
- 230000011218 segmentation Effects 0.000 title claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 33
- 238000013519 translation Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000012528 membrane Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002960 lipid emulsion Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001835 viscera Anatomy 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T3/60—Rotation of whole images or parts thereof
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像配准方法、分割方法、装置、电子设备以及存储介质。图像配准方法包括：获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像。通过本发明实施例公开的技术方案，实现了降低计算过程中的复杂度，提高配准结果的配准精度，且配准方法具有较高的鲁棒性。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像配准方法、分割方法、装置、电子设备以及存储介质。
背景技术
图像配准是把两幅或多幅对同一目标的不同图像对齐到同一个坐标系的过程，其中不同的图像可能从不同时间、不同角度或不同影像设备拍摄得到。图像配准是许多图像处理及应用的基础。在众多性能指标中，配准精度是最为重要的，它将直接影响后续处理的效果及性能。
因此，如何集各种影像之间的综合利用具有空前的研究意义，其中，如何把基于同一场景或相似场景中获得的影像进行融合是获取不同影像之间的综合利用价值的关键过程。
然而，相关技术中直接对不同影像之间进行配准的方法，在影像的初始姿态与目标姿态相差较大的情况下极易造成错误配准，导致配准结果的准确性低下；此外，基于全局优化搜索算法的配准过程，诸如蚁群算法、模拟退火算法等，则由于迭代过程中的计算时间过长而导致配准效率低下。
发明内容
本发明提供一种图像配准方法、分割方法、装置、电子设备以及存储介质，以实现降低计算过程中的复杂度，提高配准结果的配准精度，且配准方法具有较高的鲁棒性。
第一方面，本发明实施例提供了一种图像配准方法，该方法包括：
获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；
依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；
基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；
基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像。
可选的，所述基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数，包括：
将所述待配准图像和所述参考图像输入至所述预配准子模型中，得到所述预配准子模型输出的初始配准参数；其中，所述初始配准参数包括初始旋转矩阵；所述初始旋转矩阵用于控制所述参考图像进行反向旋转，以使所述参考图像反向配准于所述待配准图像。
可选的，所述依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数，包括：
依据所述初始旋转矩阵对所述参考图像进行反向旋转，得到所述参考图像反向配准后的配准参考图像；
将所述配准参考图像和所述待配准图像输入至所述刚体配准子模型中，得到所述刚体配准子模型输出的刚体配准参数。
可选的，所述刚体配准参数包括刚体旋转矩阵和刚体平移矩阵；
相应的，所述基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数，包括：
基于所述初始配准参数中的初始旋转矩阵和所述刚体旋转矩阵，确定所述目标配准参数的目标旋转矩阵；
基于所述刚体平移矩阵确定所述目标配准参数的目标平移矩阵。
可选的，所述配准模型基于所述预配准子模型和所述刚体配准子模型联合训练得到；其中，所述配准模型在训练过程中的模型损失函数包括第一损失函数、第二损失函数和第三损失函数；
所述第一损失函数依据所述预配准子模型的预配准标签和预配准参数结果所确定，并对所述预配准子模型进行参数调节；
所述第二损失函数依据所述刚体配准子模型的刚体配准标签和刚体配准参数所确定，并对所述刚体配准子模型进行参数调节；
所述第三损失函数依据所述待配准图像和所述待配准图像的配准图像之间的相关度所确定，并同步对所述预配准子模型和所述刚体配准子模型进行参数调节；其中，所述配准图像基于所述待配准图像依据所述目标配准参数进行配准得到。
第二方面，本发明实施例提供了一种配准图像的分割方法，该方法包括：
获取待配准图像和预设的参考图像，并确定所述参考图像的参考分割结果；
基于所述参考图像和配准模型确定所述待配准图像的目标配准参数，并基于所述目标配准参数确定所述待配准图像的配准图像；其中，所述目标配准参数基于上述任一发明实施例所述的图像配准方法所确定；
基于所述参考图像的参考分割结果对所述配准图像进行分割结果映射，得到所述配准图像的目标分割结果。
第三方面，本发明实施例还提供了一种图像配准装置，该装置包括：
初始配准参数确定模块，用于获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；
刚体配准参数确定模块，用于依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；
目标配准参数确定模块，用于基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；
配准图像获取模块，用于基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像。
第四方面，本发明实施例还提供了一种配准图像的分割装置，该装置包括：
参考分割结果确定模块，用于获取待配准图像和预设的参考图像，并确定所述参考图像的参考分割结果；
配准图像确定模块，用于基于所述参考图像和配准模型确定所述待配准图像的目标配准参数，并基于所述目标配准参数确定所述待配准图像的配准图像；其中，所述目标配准参数基于上述任一发明实施例所述的图像配准方法所确定；
目标分割结果获取模块，用于基于所述参考图像的参考分割结果对所述配准图像进行分割结果映射，得到所述配准图像的目标分割结果。
第五方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的图像配准方法。
第六方面，本发明实施例还提供了一种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本发明任意实施例提供的图像配准方法。
本发明实施例的技术方案具体包括获取待配准图像和预设的参考图像，并基于参考图像和配准模型中的预配准子模型确定待配准图像的初始配准参数；其中，初始配准参数包括初始旋转矩阵；初始旋转矩阵用于控制参考图像进行反向旋转，以使参考图像反向配准于待配准图像；依据初始配准参数、参考图像和配准模型中刚体配准子模型，确定待配准图像的刚体配准参数；进一步的，基于初始配准参数和刚体配准参数，确定待配准图像的目标配准参数；基于目标配准参数对待配准图像进行配准，得到待配准图像的配准图像。通过使用预配准模型先得到初始配准参数，并基于初始配置参数进行了参考图像的旋转，解决了大角度的难配准误匹配问题，进一步地基于刚体配准模型得到更加精确的刚体配准参数；基于初始配准参数和刚体配准参数确定目标配准参数，并基于该目标配准参数得到配准图像，从而实现降低计算过程中的复杂度，提高配准结果的配准精度，且配准方法具有较高的鲁棒性。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的一种图像配准方法的流程示意图；
图2是本发明实施例一提供的一种配准图像的分割方法的流程示意图；
图3是本发明实施例一提供的一种图像配准装置的结构示意图；
图4是本发明实施例一提供的一种配准图像的分割装置的结构示意图；
图5为本发明实施例一提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像配准方法的流程图，本实施例可适用于对不同的医学影像图像进行图像配准的情况。该方法可以由图像配准装置来执行，该装置可以由软件和/或硬件的方式来实现。
在对本发明实施例的技术方案进行介绍之前，先对实施本实施例的技术方案的应用场景进行示例性的介绍。当然，下述应用场景只是作为可选应用场景，本实施例的还可以在其他应用场景进行实施，本实施例对实施的技术方法的应用场景不加以限制。具体的，应用场景包括：图像配准是把两幅或多幅对同一目标的不同图像对齐到同一个坐标系的过程，其中不同的图像可能从不同时间、不同角度或不同影像设备拍摄得到。图像配准是许多图像处理及应用的基础。在众多性能指标中，配准精度是最为重要的，它将直接影响后续处理的效果及性能。因此，如何集各种影像之间的综合利用具有空前的研究意义，其中，如何把基于同一场景或相似场景中获得的影像进行融合是获取不同影像之间的综合利用价值的关键过程。然而，相关技术中直接对不同影像之间进行配准的方法，在影像的初始姿态与目标姿态相差较大的情况下极易造成错误配准，导致配准结果的准确性低下；此外，基于全局优化搜索算法的配准过程，诸如蚁群算法、模拟退火算法等，则由于迭代过程中的计算时间过长而导致配准效率低下。
基于上述技术问题，本发明实施例的技术方案针对于一步完成大位移配准中的难预测误匹配等问题，基于由粗到精的两步法策略，先基于粗旋转角度对参考图像进行补偿，并且，本发明实施例的技术方案在之后的刚体配准模型中，将旋转的角度回归量修改为增量，然后将回归的增量和1相加、得到最终的配准参数，并基于最终的配准参数对待配准图像进行配准，基于一步配准操作进一步提高配准精度。
具体的，基于上述技术思路，本发明实施例的技术方案具体包括获取待配准图像和预设的参考图像，并基于参考图像和配准模型中的预配准子模型确定待配准图像的初始配准参数；其中，初始配准参数包括初始旋转矩阵；初始旋转矩阵用于控制参考图像进行反向旋转，以使参考图像反向配准于待配准图像；依据初始配准参数、参考图像和配准模型中刚体配准子模型，确定待配准图像的刚体配准参数；进一步的，基于初始配准参数和刚体配准参数，确定待配准图像的目标配准参数；基于目标配准参数对待配准图像进行配准，得到待配准图像的配准图像。通过使用预配准模型先得到初始配准参数，并基于初始配置参数进行了参考图像的旋转，解决了大角度的难配准误匹配问题，进一步地基于刚体配准模型得到更加精确的刚体配准参数；基于初始配准参数和刚体配准参数确定目标配准参数，并基于该目标配准参数得到配准图像，从而实现降低计算过程中的复杂度，提高配准结果的配准精度，且配准方法具有较高的鲁棒性。
如图1所示，该方法具体包括以下步骤：
S110、获取待配准图像和预设的参考图像，并基于参考图像和配准模型中的预配准子模型确定待配准图像的初始配准参数。
在本发明实施例中，待配准图像可以解释为需要进行配准的图像，参考图像为待配准图像在配准过程中作为参考的图像。例如，本实施例中获取到各参数均为标准值范围的标准人体模型，即标准体模的图像可以解释为参考图像，获取任一用户的参数的实验人体模型，即实验体模的图像作为待配准图像。上述人体模型均为实验员采用脂肪乳等材料按照标准参数或者实验参数配置的人体模型。可选的，上述待配准图像和参考图像可以是人体模型体表的体表图像，也可以是任一器官的器官图像，本实施例中对待配准图像和参考图像的部位不加以限制。
具体的，获取待配准图像和预设的参考图像的方法可以是读取医学影像设备的扫描结果而获取图像，也可以是读取预先存储图像的数据库而获取图像，本实施例对获取待配准图像和参考图像的途径和方式不加以限制。
进一步的，在获取到待配准图像和参考图像之后，可以对图像进行预处理，以便于后续进行图像配准，具体的，以对参考图像进行预处理为例进行介绍，若参考图像中包括医学影像拍摄时的床垫等固定物体，则基于图像中人体模型的体表进行图像分割，得到仅包括模型的体表内部的参考图像。上述操作的有益效果在于，减少图像的冗余数据，从而减小图像的计算复杂度，提升图像的配准效率。需要说明的是，本实施例中图像分割的方法可以是基于人工抠图进行图像分割，也可以是基于预先训练的分割模型进行图像分割，本实施例中对于图像分割的方法不加以限定。
基于配准模型确定配准参数，并基于配准参数对待配准图像进行配准操作，得到配准图像。本实施例中，配准模型包括预配准子模型和刚体配准子模型，预配准子模型用于得到待配准模型的初始配准参数，刚体配准子模型用于得到待配准模型的刚体配准参数，从而基于初始配准参数和刚体配准参数，确定待配准图像的目标配准参数。
可选的，本实施例中基于参考图像和配准模型中的预配准子模型确定待配准图像的初始配准参数的方法包括：将待配准图像和参考图像输入至预配准子模型中，得到预配准子模型输出的初始配准参数。
示例性的，以上述实施例中的实验体模和标准体模的图像均输入至预配准子模型中，得到待配准子模型输出的初始配准参数，即初始旋转矩阵，该初始旋转矩阵包括旋转角度θ、α、β。该旋转角度用于初始旋转矩阵用于控制参考图像进行反向旋转，以使参考图像反向配准于待配准图像。
进一步的，在获取到初始配准参数之后，依据初始配准参数、参考图像和配准模型中刚体配准子模型，确定待配准图像的刚体配准参数。
S120、依据初始配准参数、参考图像和配准模型中刚体配准子模型，确定待配准图像的刚体配准参数。
本发明实施例中，刚体配准子模型可以解释为用于得到参考图像和待配准图像之间精确的配准参数的模型。
可选的，确定待配准图像的刚体配准参数的方法包括：依据初始旋转矩阵对参考图像进行反向旋转，得到参考图像反向配准后的配准参考图像；将配准参考图像和待配准图像输入至刚体配准子模型中，得到刚体配准子模型输出的刚体配准参数。
具体的，在获取到初始旋转角度θ、α、β之后，基于该初始旋转角度，对参考图像进行反向旋转，从而实现对参考图像进行反向配准，得到参考图像反向配准后的配准参考图像，以便于后续基于该配准参考图像、待配准图像和刚体配准模型得到待配准模型的刚体配准参数。示例性的，受制于现有技术的医学影像仪器，本实施例中初始旋转角度包括沿轴位的旋转角度θ、α、β；当然，本实施例中的旋转角度部件局限于沿轴位，还可以根据医学影像仪器的改进从而实现沿各范围的旋转角度，本实施例对上述初始配准参数中的旋转角度不加以限制。
需要说明的是，上述操作中对参考图像进行反向配准的有益效果在于可以是参考图像向待配准图像进行靠近，从实现后续更加快速的精确配准，进一步的，不对待配准图像进行操作为了在之后得到目标配准参数之后一步操作得到配准图像，可以减少两次操作待配准图像所带来的配准误差。
进一步地，将反向旋转后的标准体模图像与实验体模图像输入到刚体配准子模型中，得到模型输出的刚体模型参数。其中，刚体配准参数包括刚体旋转参数和刚体平移参数；具体的，刚体旋转矩阵中包括旋转向量：δθ、δα、δβ，刚体平移就很中包括平移向量：tx、ty、tz。
S130、基于初始配准参数和刚体配准参数，确定待配准图像的目标配准参数。
在本实施例中，目标配准参数包括目标旋转参数和目标平移参数。可选的，确定待配准图像的目标配准参数的方法包括：基于初始配准参数中的初始旋转矩阵和刚体旋转矩阵，确定目标配准参数的目标旋转矩阵；基于刚体平移矩阵确定目标配准参数的目标平移矩阵。
具体的，通过初始配准参数中的初始旋转矩阵和刚体配准参数中的刚体旋转矩阵和刚体平移矩阵，计算得到配准模型的目标配准参数。具体的，目标参数包括x方向的旋转向量、y方向的旋转向量、z方向的旋转向量、x方向的平移向量、y方向的平移向量和z方向的平移向量。
S140、基于目标配准参数对待配准图像进行配准，得到待配准图像的配准图像。
本发明实施例中，在得到目标配准参数中的目标旋转矩阵和目标平移矩阵之后，基于该目标旋转矩阵和目标平移矩阵对待配准图像进行图像配准调整，得到待配准图像对应的配准图像。
在上述实施例的基础上，本发明实施例的技术方案在基于参考图像和配准模型中的预配准子模型确定待配准图像的初始配准参数之前，预先对配准模型进行训练，从而得到训练好的配准模型。
具体，本实施例中的配准模型基于预配准子模型和刚体配准子模型联合训练得到；其中，配准模型在训练过程中的模型损失函数包括第一损失函数、第二损失函数和第三损失函数；第一损失函数依据预配准子模型的预配准标签和预配准参数结果所确定，并对预配准子模型进行参数调节；第二损失函数依据刚体配准子模型的刚体配准标签和刚体配准参数所确定，并对刚体配准子模型进行参数调节；第三损失函数依据待配准图像和待配准图像的配准图像之间的相关度所确定，并同步对预配准子模型和刚体配准子模型进行参数调节；其中，配准图像基于待配准图像依据目标配准参数进行配准得到。
进一步的，基于配准模型的模型损失函数对上述训练中的预配准子模型和刚体配准子模型联合进行重复训练，直到预配准子模型和刚体配准子模型在训练样本中收敛，即预配准子模型和刚体配准子模型的损失值趋于零或者长时间趋于稳定不再随着训练次数的增加而改变，确定此时的预配准子模型和刚体配准子模型满足训练停止条件，即完成模型训练，得到训练完成的配准模型。
在上述各实施例的基础上，本发明实施例还提供了一个可选实施例，用于介绍上述实施例中的配准模型的训练方法。
具体的，可选实施例包括如下内容：
在训练之前只需要一个或者少量的原始数据，且不需要标记，作为训练样本；
1、设置旋转主方向，模型训练时，设置体膜轴位作为主方向，并且在主方向上旋转角度为360度，其他方向最大角度为90。
2、在三个方向的范围内上随机选择一个旋转角θ，α、β，并设置随机设置x,y,z三个平移参数；
3、从训练集中随机选择一个体膜并使用上述参数将其进行旋转处理；
4、先将旋转后的体膜进行小范围的hu值随机抖动，增强模型的鲁棒性；
5、边界填充然后将旋转出CT的边界进行黑边填充，由此即获得了体膜和它对应的旋转数据。可选的，实际使用时，根据应用场景不同，可以将体膜的框更换为肺窗，或者其他位置，当使用内部器官作为bbox时，填充可以添加相关的背景，而不使用单一的黑边填充以增强模型的鲁棒性。
6、训练时，旋转预测模型与刚体配准模型按顺序迭代优化，刚体配准模型的输入为上一级模型的输出与标准体膜。
本发明实施例的技术方案具体包括获取待配准图像和预设的参考图像，并基于参考图像和配准模型中的预配准子模型确定待配准图像的初始配准参数；其中，初始配准参数包括初始旋转矩阵；初始旋转矩阵用于控制参考图像进行反向旋转，以使参考图像反向配准于待配准图像；依据初始配准参数、参考图像和配准模型中刚体配准子模型，确定待配准图像的刚体配准参数；进一步的，基于初始配准参数和刚体配准参数，确定待配准图像的目标配准参数；基于目标配准参数对待配准图像进行配准，得到待配准图像的配准图像。通过使用预配准模型先得到初始配准参数，并基于初始配置参数进行了参考图像的旋转，解决了大角度的难配准误匹配问题，进一步地基于刚体配准模型得到更加精确的刚体配准参数；基于初始配准参数和刚体配准参数确定目标配准参数，并基于该目标配准参数得到配准图像，从而实现降低计算过程中的复杂度，提高配准结果的配准精度，且配准方法具有较高的鲁棒性。
图2为本发明实施例一提供的一种配准图像的分割法的流程图，本实施例可适用于对不同的医学影像图像进行图像配准的情况。该方法可以由图像配准装置来执行，该装置可以由软件和/或硬件的方式来实现。如图2所示，该方法具体包括以下步骤：
S210、获取待配准图像和预设的参考图像，并确定参考图像的参考分割结果。
本发明实施例中，获取图像的方法和分割图像的方法可参考上述实施例中的描述方法，本实施例在此不再进行赘述。
S220、基于参考图像和配准模型确定待配准图像的目标配准参数，并基于目标配准参数确定待配准图像的配准图像。
本发明实施例中，确定目标配准参数，以及基于目标配准参数的方法可以基于上述实施例中的技术方案，本实施例在此不再进行赘述。
S230、基于参考图像的参考分割结果对配准图像进行分割结果映射，得到配准图像的目标分割结果。
在本发明实施例中，参考图像的分割结果可以是对标准体模图像中的各器官的分割结果，也可以是对一个器官中的不同位置的分割，本实施例中对于分割结果的位置和大小不加以限制。
具体的，在获取到参考图像的参考分割结果以后，基于该参考图像和配准图像，将参考图像中的分割结果映射到配准图像，得到配准图像的目标分割结果。可选的，若参考图像和配准图像大小相同，则配准图像的目标分割结果与参考图像的参考分割结果相同；若参考图像和配准图像大小不相同，则基于参考图像和配准图像之间的比对，对参考分割结果进行等比例缩放，得到配准图像的目标分割结果。
本发明实施例的技术方案具体通过获取待配准图像和预设的参考图像，并确定参考图像的参考分割结果；基于参考图像和配准模型确定待配准图像的目标配准参数，并基于目标配准参数确定待配准图像的配准图像；其中，目标配准参数基于上述任一实施例的图像配准方法所确定；基于参考图像的参考分割结果对配准图像进行分割结果映射，得到配准图像的目标分割结果。从而实现降低计算过程中的复杂度，提高配准结果的配准精度，从而提高了配准图像的分割结果的准确性。
以下是本发明实施例提供的图像配准装置和配准图像的分割装置的实施例，该装置与上述各实施例的图像配准方法和配准图像的分割方法属于同一个发明构思，在图像配准装置和配准图像的分割装置的实施例中未详尽描述的细节内容，可以参考上述图像配准方法和配准图像的分割方法的实施例。
图3为本发明实施例一提供的一种图像配准装置的结构示意图，本实施例可适用于对不同的医学影像图像进行图像配准的情况。参见图3，该图像配准装置的具体结构包括：初始配准参数确定模块310、刚体配准参数确定模块320、目标配准参数确定模块330和配准图像获取模块340；其中，
初始配准参数确定模块310，用于获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；
刚体配准参数确定模块320，用于依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；
目标配准参数确定模块330，用于基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；
配准图像获取模块340，用于基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像。
本发明实施例的技术方案具体包括获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；其中，所述初始配准参数包括初始旋转矩阵；所述初始旋转矩阵用于控制所述参考图像进行反向旋转，以使所述参考图像反向配准于所述待配准图像；依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；进一步的，基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像。通过使用预配准模型先得到初始配准参数，并基于初始配置参数进行了参考图像的旋转，解决了大角度的难配准误匹配问题，进一步地基于刚体配准模型得到更加精确的刚体配准参数；基于初始配准参数和所述刚体配准参数确定目标配准参数，并基于该目标配准参数得到配准图像，从而实现降低计算过程中的复杂度，提高配准结果的配准精度，且配准方法具有较高的鲁棒性。
在上述各实施例的基础上，初始配准参数确定模块310，包括：
初始配准参数确定单元，用于将所述待配准图像和所述参考图像输入至所述预配准子模型中，得到所述预配准子模型输出的初始配准参数；其中，所述初始配准参数包括初始旋转矩阵；所述初始旋转矩阵用于控制所述参考图像进行反向旋转，以使所述参考图像反向配准于所述待配准图像。
在上述各实施例的基础上，刚体配准参数确定模块320，包括：
配准参考图像获取单元，用于依据所述初始旋转矩阵对所述参考图像进行反向旋转，得到所述参考图像反向配准后的配准参考图像；
刚体配准参数确定单元，用于将所述配准参考图像和所述待配准图像输入至所述刚体配准子模型中，得到所述刚体配准子模型输出的刚体配准参数。
在上述各实施例的基础上，所述刚体配准参数包括刚体旋转矩阵和刚体平移矩阵；
相应的，目标配准参数确定模块330，包括：
目标旋转矩阵确定单元，用于基于所述初始配准参数中的初始旋转矩阵和所述刚体旋转矩阵，确定所述目标配准参数的目标旋转矩阵；
目标平移矩阵确定单元，用于基于所述刚体平移矩阵确定所述目标配准参数的目标平移矩阵。
在上述各实施例的基础上，所述配准模型基于所述预配准子模型和所述刚体配准子模型联合训练得到；其中，所述配准模型在训练过程中的模型损失函数包括第一损失函数、第二损失函数和第三损失函数；
所述第一损失函数依据所述预配准子模型的预配准标签和预配准参数结果所确定，并对所述预配准子模型进行参数调节；
所述第二损失函数依据所述刚体配准子模型的刚体配准标签和刚体配准参数所确定，并对所述刚体配准子模型进行参数调节；
所述第三损失函数依据所述待配准图像和所述待配准图像的配准图像之间的相关度所确定，并同步对所述预配准子模型和所述刚体配准子模型进行参数调节；其中，所述配准图像基于所述待配准图像依据所述目标配准参数进行配准得到。
本发明实施例所提供的图像配准装置可执行本发明任意实施例所提供的图像配准方法，具备执行方法相应的功能模块和有益效果。
图4为本发明实施例一提供的一种配准图像的分割装置的结构示意图，本实施例可适用于对不同的医学影像图像进行图像配准的情况。参见图4，该图像配准装置的具体结构包括：参考分割结果确定模块410、配准图像确定模块420和目标分割结果获取模块430；其中，
参考分割结果确定模块410，用于获取待配准图像和预设的参考图像，并确定所述参考图像的参考分割结果；
配准图像确定模块420，用于基于所述参考图像和配准模型确定所述待配准图像的目标配准参数，并基于所述目标配准参数确定所述待配准图像的配准图像；其中，所述目标配准参数基于上述任一发明实施例所述的图像配准方法所确定；
目标分割结果获取模块430，用于基于所述参考图像的参考分割结果对所述配准图像进行分割结果映射，得到所述配准图像的目标分割结果。
本发明实施例的技术方案具体通过获取待配准图像和预设的参考图像，并确定所述参考图像的参考分割结果；基于所述参考图像和配准模型确定所述待配准图像的目标配准参数，并基于所述目标配准参数确定所述待配准图像的配准图像；其中，所述目标配准参数基于上述任一实施例所述的图像配准方法所确定；基于所述参考图像的参考分割结果对所述配准图像进行分割结果映射，得到所述配准图像的目标分割结果。从而实现降低计算过程中的复杂度，提高配准结果的配准精度，从而提高了配准图像的分割结果的准确性。
本发明实施例所提供的配准图像的分割装置可执行本发明任意实施例所提供的配准图像的分割方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述图像配准装置和配准图像的分割装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
图5为本发明实施例一提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及样本数据获取，例如实现本发实施例所提供的一种图像配准方法和配准图像的分割方法的步骤；可选的，图像配准方法包括：
获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；
依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；
基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；
基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像。
可选的，配准图像的分割方法包括：
获取待配准图像和预设的参考图像，并确定所述参考图像的参考分割结果；
基于所述参考图像和配准模型确定所述待配准图像的目标配准参数，并基于所述目标配准参数确定所述待配准图像的配准图像；其中，所述目标配准参数基于上述任一发明实施例所述的图像配准方法所确定；
基于所述参考图像的参考分割结果对所述配准图像进行分割结果映射，得到所述配准图像的目标分割结果。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的样本数据获取方法的技术方案。
本实施例一还提供了一种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例如实现本发实施例所提供的一种图像配准方法和配准图像的分割方法的步骤；可选的，图像配准方法包括：
获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；
依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；
基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；
基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像。
可选的，配准图像的分割方法包括：
获取待配准图像和预设的参考图像，并确定所述参考图像的参考分割结果；
基于所述参考图像和配准模型确定所述待配准图像的目标配准参数，并基于所述目标配准参数确定所述待配准图像的配准图像；其中，所述目标配准参数基于上述任一发明实施例所述的图像配准方法所确定；
基于所述参考图像的参考分割结果对所述配准图像进行分割结果映射，得到所述配准图像的目标分割结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种图像配准方法，其特征在于，包括：
获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；
依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；
基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；
基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像；
所述基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数，包括：
将所述待配准图像和所述参考图像输入至所述预配准子模型中，得到所述预配准子模型输出的初始配准参数；其中，所述初始配准参数包括初始旋转矩阵；所述初始旋转矩阵用于控制所述参考图像进行反向旋转，以使所述参考图像反向配准于所述待配准图像；
所述依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数，包括：
依据所述初始旋转矩阵对所述参考图像进行反向旋转，得到所述参考图像反向配准后的配准参考图像；
将所述配准参考图像和所述待配准图像输入至所述刚体配准子模型中，得到所述刚体配准子模型输出的刚体配准参数；
所述预配准子模型用于得到待配准模型的初始配准参数；
所述刚体配准子模型用于得到待配准模型的刚体配准参数。
2.根据权利要求1所述的方法，其特征在于，所述刚体配准参数包括刚体旋转矩阵和刚体平移矩阵；
相应的，所述基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数，包括：
基于所述初始配准参数中的初始旋转矩阵和所述刚体旋转矩阵，确定所述目标配准参数的目标旋转矩阵；
基于所述刚体平移矩阵确定所述目标配准参数的目标平移矩阵。
3.根据权利要求1所述的方法，其特征在于，所述配准模型基于所述预配准子模型和所述刚体配准子模型联合训练得到；其中，所述配准模型在训练过程中的模型损失函数包括第一损失函数、第二损失函数和第三损失函数；
所述第一损失函数依据所述预配准子模型的预配准标签和预配准参数结果所确定，并对所述预配准子模型进行参数调节；
所述第二损失函数依据所述刚体配准子模型的刚体配准标签和刚体配准参数所确定，并对所述刚体配准子模型进行参数调节；
所述第三损失函数依据所述待配准图像和所述待配准图像的配准图像之间的相关度所确定，并同步对所述预配准子模型和所述刚体配准子模型进行参数调节；其中，所述配准图像基于所述待配准图像依据所述目标配准参数进行配准得到。
4.一种配准图像的分割方法，其特征在于，包括：
获取待配准图像和预设的参考图像，并确定所述参考图像的参考分割结果；
基于所述参考图像和配准模型确定所述待配准图像的目标配准参数，并基于所述目标配准参数确定所述待配准图像的配准图像；其中，所述目标配准参数基于上述权利要求1-3任一所述的图像配准方法所确定；
基于所述参考图像的参考分割结果对所述配准图像进行分割结果映射，得到所述配准图像的目标分割结果。
5.一种图像配准装置，其特征在于，包括：
初始配准参数确定模块，用于获取待配准图像和预设的参考图像，并基于所述参考图像和配准模型中的预配准子模型确定所述待配准图像的初始配准参数；
刚体配准参数确定模块，用于依据所述初始配准参数、所述参考图像和所述配准模型中刚体配准子模型，确定所述待配准图像的刚体配准参数；
目标配准参数确定模块，用于基于所述初始配准参数和所述刚体配准参数，确定所述待配准图像的目标配准参数；
配准图像获取模块，用于基于所述目标配准参数对所述待配准图像进行配准，得到所述待配准图像的配准图像；
初始配准参数确定模块，包括：
初始配准参数确定单元，用于将所述待配准图像和所述参考图像输入至所述预配准子模型中，得到所述预配准子模型输出的初始配准参数；其中，所述初始配准参数包括初始旋转矩阵；所述初始旋转矩阵用于控制所述参考图像进行反向旋转，以使所述参考图像反向配准于所述待配准图像；
刚体配准参数确定模块，包括：
配准参考图像获取单元，用于依据所述初始旋转矩阵对所述参考图像进行反向旋转，得到所述参考图像反向配准后的配准参考图像；
刚体配准参数确定单元，用于将所述配准参考图像和所述待配准图像输入至所述刚体配准子模型中，得到所述刚体配准子模型输出的刚体配准参数；
所述预配准子模型用于得到待配准模型的初始配准参数；
所述刚体配准子模型用于得到待配准模型的刚体配准参数。
6.一种配准图像的分割装置，其特征在于，包括：
参考分割结果确定模块，用于获取待配准图像和预设的参考图像，并确定所述参考图像的参考分割结果；
配准图像确定模块，用于基于所述参考图像和配准模型确定所述待配准图像的目标配准参数，并基于所述目标配准参数确定所述待配准图像的配准图像；其中，所述目标配准参数基于上述权利要求1-3任一所述的图像配准方法所确定；
目标分割结果获取模块，用于基于所述参考图像的参考分割结果对所述配准图像进行分割结果映射，得到所述配准图像的目标分割结果。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的图像配准方法和/或权利要求4所述的配准图像的分割方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的图像配准方法和/或权利要求4所述的配准图像的分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111483502.0A CN114187337B (zh) | 2021-12-07 | 2021-12-07 | 图像配准方法、分割方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111483502.0A CN114187337B (zh) | 2021-12-07 | 2021-12-07 | 图像配准方法、分割方法、装置、电子设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114187337A CN114187337A (zh) | 2022-03-15 |
| CN114187337B true CN114187337B (zh) | 2022-08-23 |
Family
ID=80542594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111483502.0A Active CN114187337B (zh) | 2021-12-07 | 2021-12-07 | 图像配准方法、分割方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114187337B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708283A (zh) * | 2022-04-21 | 2022-07-05 | 推想医疗科技股份有限公司 | 图像目标的分割方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103700086A (zh) * | 2012-09-28 | 2014-04-02 | 西门子公司 | 一种图像配准的验证方法及系统 |
| JP6211157B1 (ja) * | 2016-09-01 | 2017-10-11 | 三菱電機株式会社 | キャリブレーション装置およびキャリブレーション方法 |
| CN108765474A (zh) * | 2018-04-17 | 2018-11-06 | 天津工业大学 | 一种针对ct与光学扫描牙齿模型的高效配准方法 |
| CN112614169A (zh) * | 2020-12-24 | 2021-04-06 | 电子科技大学 | 基于深度学习网络的2d/3d脊椎ct层级配准方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8457373B2 (en) * | 2009-03-16 | 2013-06-04 | Siemens Aktiengesellschaft | System and method for robust 2D-3D image registration |
| CN106097247A (zh) * | 2016-06-14 | 2016-11-09 | 南京普爱医疗设备股份有限公司 | 一种基于刚性变换的多模态图像融合方法 |
| US10949987B2 (en) * | 2019-05-31 | 2021-03-16 | Mitsubishi Electric Research Laboratories, Inc. | Robust image registration for multiple rigid transformed images |
| CN110415279A (zh) * | 2019-06-25 | 2019-11-05 | 北京全域医疗技术集团有限公司 | 图像配准方法、装置及设备 |
| 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 |
| CN111640145B (zh) * | 2020-05-29 | 2022-03-29 | 上海商汤智能科技有限公司 | 图像配准方法及其相关的模型训练方法、设备、装置 |
| CN117314985A (zh) * | 2021-05-28 | 2023-12-29 | 上海联影医疗科技股份有限公司 | 一种图像配准方法、装置、设备和介质 |
-
2021
- 2021-12-07 CN CN202111483502.0A patent/CN114187337B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103700086A (zh) * | 2012-09-28 | 2014-04-02 | 西门子公司 | 一种图像配准的验证方法及系统 |
| JP6211157B1 (ja) * | 2016-09-01 | 2017-10-11 | 三菱電機株式会社 | キャリブレーション装置およびキャリブレーション方法 |
| CN108765474A (zh) * | 2018-04-17 | 2018-11-06 | 天津工业大学 | 一种针对ct与光学扫描牙齿模型的高效配准方法 |
| CN112614169A (zh) * | 2020-12-24 | 2021-04-06 | 电子科技大学 | 基于深度学习网络的2d/3d脊椎ct层级配准方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114187337A (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112396640B (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN109191554B (zh) | 一种超分辨图像重建方法、装置、终端和存储介质 | |
| CN110222703B (zh) | 图像轮廓识别方法、装置、设备和介质 | |
| CN111275749A (zh) | 图像配准及其神经网络训练方法及装置 | |
| CN113435522A (zh) | 图像分类方法、装置、设备及存储介质 | |
| CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
| CN109272442B (zh) | 全景球面图像的处理方法、装置、设备和存储介质 | |
| WO2022242127A1 (zh) | 图像特征提取方法、装置、电子设备及存储介质 | |
| CN114187337B (zh) | 图像配准方法、分割方法、装置、电子设备以及存储介质 | |
| CN111476096A (zh) | 一种人脸图像关键点方法、装置、计算机设备及存储介质 | |
| CN110555897B (zh) | 一种图像生成的方法、装置、设备及存储介质 | |
| CN109087357B (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
| CN110717958A (zh) | 一种图像重建方法、装置、设备及介质 | |
| CN114266860A (zh) | 三维人脸模型建立方法、装置、电子设备及存储介质 | |
| CN112634309A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111062944B (zh) | 网络模型训练方法及装置、图像分割方法及装置 | |
| CN113762303A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| WO2021097595A1 (zh) | 图像的病变区域分割方法、装置及服务器 | |
| CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
| CN113255756B (zh) | 图像融合方法、装置、电子设备及存储介质 | |
| CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
| CN112116608B (zh) | 一种导丝分割方法、装置、电子设备及存储介质 | |
| CN115620082A (zh) | 模型训练方法、头部姿态估计方法、电子设备及存储介质 | |
| CN112861940A (zh) | 双目视差估计方法、模型训练方法以及相关设备 | |
| CN111124862A (zh) | 智能设备性能测试方法、装置及智能设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240218 Address after: 430000, 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 |