CN114373004B - 一种动态图像配准方法 - Google Patents
一种动态图像配准方法 Download PDFInfo
- Publication number
- CN114373004B CN114373004B CN202210036141.3A CN202210036141A CN114373004B CN 114373004 B CN114373004 B CN 114373004B CN 202210036141 A CN202210036141 A CN 202210036141A CN 114373004 B CN114373004 B CN 114373004B
- Authority
- CN
- China
- Prior art keywords
- registration
- loss
- picture
- network model
- image registration
- 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 53
- 238000006073 displacement reaction Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种动态图像配准方法,通过设立两个位移量不同的三维刚性配准网络模型对待配准图片进行配准,并将配准误差作为判断条件,确定配准循环和配准跳出条件,动态调节配准循环深度,提高了配准的效率。
Description
技术领域
本发明涉及医学影像的人工智能处理领域,尤其涉及一种动态图像配准方法。
背景技术
图像配准通过学习图像之间非线性空间对应关系从而将不同的两张图像在同一坐标下对齐,因此其在医学图像处理中具有广泛的应用。例如对齐在不同时间拍摄的一个对象的医疗图像,将一个对象的图像与某个预定义的坐标系(例如解剖图集)进行匹配。
无监督配准网络例如Airnet,速度较快但是其配准准确率较低,难以实现高精度配准特别是难以达到医疗图像的配准效果要求。因此,本发明针对现有无监督配准网络准确率较低的问题,提出一种新的无监督配准网络及其配准方法,其和传统配准方法达到相似的高精度配准效果的同时实现远超传统方法的配准速度。
发明内容
本发明提出了一种动态图像配准方法,其特征在于,包括下列步骤:
S1:建立两个位移量及旋转角度不同的三维刚性配准网络模型A1和A2并加以训练,其中A1为位移量及旋转角度调整范围大的网络模型,A2为位移量及旋转角度调整范围小的网络模型;并计算待配准图片M与固定图片F之间的初始差别值(F-M),记为Lossini;
S2:使用三维刚性配准网络模型A1对固定图片F和待配准图片M进行配准,得到初配准后图片R0,并计算本轮配准后图片R0与固定图片F之间的差别值(F-R0),记为Losst;
S3:使用三维刚性配准网络模型A2对固定图片F和上轮配准后图片R0进行配准,得到继续配准后图片R1,并计算继续配准后图片R1与固定图片F之间的差别值(F-R1),记为Losst+1;
S4:对Losst+1与Losst进行比较判断:
如果Losst+1大于等于Losst,则分别使用三维刚性配准网络模型A1和A2对继续配准后的结果图片R1和固定图片F进行一轮配准,并计算三维刚性配准网络模型A1和A2配准,得到再次配准后图片R21和R22,计算差别值(F-R21)和(F-R22),并将(F-R21)和(F-R22)的最小值记为Losst+2;
如果Losst+1小于Losst,则使用三维刚性配准网络模型A2对固定图片F和继续配准后图片R1进行配准,并计算配准后图片与固定图片F的差值,直至Losst+1大于Losst;
S5:对Losst+2与Losst进行比较判断:
如果Losst+2大于等于Losst,则把Losst+2对应的配准图片做为输出;
如果Losst+2小于Losst,则等同于Losst+1大于等于Losst的情形进行处理。
进一步的,所述差别值Loss的计算方法为:
用图像配准人工智能网络模型的输出减去固定图片得到的差值即为差别值。
进一步的,获得所述图像配准人工智能网络模型输出的方法为:
所述移动图片减去所述固定图片的差值输入空间变换矩阵网络(Spatialtransformer net)。
进一步的,基于Unet结构构建所述图像配准人工智能网络模型,优选使用CNN网络结构。
进一步的,在Unet结构中使用池化(Pooling)方式实现人工智能网络模型中编码器的降维。
进一步的,在Unet结构中使用Resnet结构的残差块增加单个人工智能网络模型的深度。
进一步的,使用多模型投票的方式对步骤S4中每个循环获得的差别值进行统计,选择出最小差别值对应的图像配准人工智能网络模型。
进一步的,所述差别值为MSE误差。
进一步的,所述图像配准人工智能网络模型Ai中,使用几何变换的方式增加卷积后的参数量,优选几何变换方式为高阶插值法。
进一步的,当所述图像配准人工智能网络模型Ai的数量大于或等于3时,在第2轮配准开始,在每一轮配准过程中都通过投票法来统计出差别值最小的图像配准人工智能网络模型。
上述基于动态图像配准方法,利用位移量不同的人工智能网络对固定图和移动图进行分别配准,基于差别值的概念考察配准结果,并基于配准结果确定级联配准的深度,大幅提高了图像配准的效率,缩短了图像配准的用时。
附图说明
图1为本发明一个实施例使用的大位移模型示意图;
图2为本发明一个实施例使用的小位移模型示意图;
图3为本发明一个实施例与传统方法的配准结果比较;
图4为本发明一个实施例的工作流程图;
图5为本发明一个实施例的移动图、固定图和配准结果;
图6为本发明一个实施例中使用ANTs配准,用于与本发明对比的移动图、固定图和配准结果。
具体实施方式
本发明提出的一种动态图像配准方法,使用位移量不同的图像配准人工智能网络模型,对固定图像和移动图像进行配准,并对配准结果进行判断,基于判断的结果动态调节级联匹配的深度。
在本发明的一个实施例中,使用了大位移和小位移两个位移量不同的图像配准人工智能网络模型对固定图片和移动图片进行配准。所述大位移和小位移人工智能网络模型(下称大“大位移模型”、“小位移模型”)使用U形结构,基于误差,使用多个模型投票解决了级联误差放大的问题。
如图1和图2所示,使用现有技术中对深度学习模型的训练方式对本实施例中的大位移模型和小位移模型进行训练。所述大位移模型和小位移模型的网络结构可以根据需要配准的医学影像格式和配准精度、配准效率要求,在能够实现人工智能功能的网络结构中任选。在本实施例的训练过程中,首先使用人工方式对医学影像进行标注,同时,将未标注的医学影像输入所述大位移模型和小位移模型,使用人工智能网络,基于固定图片F,将待配准图像M进行配准,并基于配准结果调整所述大位移模型和小位移模型的超参数。在训练过程中,将大位移模型设置为随机旋转[0,60],位移范围为0.1;将小位移模型设置为随机旋转[0,15],位移范围为0.05。对所述大位移模型和小位移模型的训练方式具有多种选择,其训练方式并不在本发明的保护范围之内。
在本实施例中,所述大位移模型与小位移模型采用了相同的U形网络结构,本实施例中,选择了经典的CNN网络结构进行配准。在网络结构设计过程中,选择的卷积步长为2。所述U形网络具有4级卷积结构,4级卷积结构的卷积核分别为32、64、128和256。网络结构的学习率设置为le-4。
在实施配准时,首先通过卷积运算,可得到3个旋转参数和3个位移参数。为保证所述配准网络的绝对刚性,本实施例利用几何变换公式将卷积所得的6个参数转为12个参数。所述几何变换公式选择空间变换矩阵,具体实现方式可通过付费购买的SDK进行变换,也可通过现有软件如Matlab进行。所述几何变换公式在本发明中不做具体限制,也不属于本发明技术方案所保护的范围。
在进行参数转化后,将预测计算所得的12个参数连同固定图片F送入空间变换矩阵网络(Spatial transformer net)网络进行配准,并记录待配准图像M与固定图片F的初始差别值。本实施例中,计算两张图片差别值的方式选择了直接计算待配准图像M与固定图片F的差值,具体为计算MSE误差。
在配准过程中,本实施例先使用大位移模型对待配准图像M与固定图片F进行配准,随后基于配准效果,动态调整对大位移模型和小位移模型的迭代使用,达到了提高配准效率的目的。
如图3所示,在开始配准前,首先计算待配准图像M与固定图片F的差值,并记录为Lossini。在第一轮配准中,使用大位移模型对待配准图像M与固定图片F进行配准,得到初配准后的图像R0,将R0与F之间的差值记为Losst。如果Lossini大于等于Losst,则表明配准有效,配准误差并未被放大,可进行下一轮配准。如果Lossini小于Losst,则表明配准无效,配准过程出现误差。由于此时仅进行了一轮匹配,出现上述情况表明匹配过程大概率出现了问题,因此本实施例中,设置动作为系统报错并跳出匹配流程。
进行完第一轮配准后,在结果未报错前题下,则继续使用小位移模型进行第二轮配准。第二轮配准中,将第一轮配准后得到的图像命名为R1,将R1与F之间差值命名为Losst+1。对Losst+1和Losst进行判断:
当Losst+1小于Losst时,表明配准效果正在变优,配准误差正在减小。即,应按照现有路线继续进行配准。因此,则继续使用小位移模型,对上一轮配准后的结果R1与固定图片F进行配准,并计算新一轮配准后的误差。
将本轮的配准误差与上一轮配准误差进行比较。如果本轮的配准误差小于上一轮配准误差,则继续按照前述配准效果变优条件下的处理方式进行处理,否则,按照配准效果变差条件下的处理方式进行处理。
当Losst+1大于等于Losst时,表明配准效果变差,可能出现误差放大现象。即,使用现有大位移模型和小位移模型的配准极限可能出现。因此,分别使用大位移模型和小位移模型对上一轮配准后的结果R1,与固定图片F分别进行配准,并分别得到配准后的图片R21和R22,并分别计算(F-R21)和(F-R22)。令Losst+2为两个图片误差值的最小值。在确定最小值过程中,可使用现有技术中的多个方法进行确定,也可直接进行比较。
将Losst+2与第一轮配准的误差值Losst进行比较。
如果Losst+2大于等于Losst,则表明本轮配准已经达到精确度极限,使用现有模型已经无法继续提高配准的精度。因此,将本轮配准的结果图像作为配准的结果进行输出。
如果Losst+2小于Losst,则表明配准的方式或方向出现了错误,或者在配准计算过程中出现了错误。因此,配准过程需要重新进行。基于本发明“粗配准优先”的思想,在当前条件下,保留最初第一轮使用大位移模型的配准结果,选用小位移模型进行重新配准。并把小位移模型配准后的误差值作为新的Losst+1,与所述Losst进行比较。按照前述条件进行判断,确定后续处理过程。
如图3所示,“●”表示未配准前的初始损失,即Moving image与Fix image的MSE误差;“★”表示本发明的配准结果,表示传统方法的配准结果。上述实现过程与现有的传统配准算法Syn(ANTs库)进行了比较,本发明与传统方法相比,配准精确性大致相同,但本发明所需配准时间仅为传统算法的1/10。
如图5所示,使用本发明方法,以固定图fix_image为基准,对moving_image进行配准,得到的wapped_image。
如图6所示,使用ANTs配准方式,以固定图fix_image为基准,对moving_image进行配准,得到的wapped_image。
由图5和图6可得,使用本发明的配准方式,得到的配准图像与传统配准方式相比,在视觉效果上极为相似,但本发明的配准速度得到了极大的提高。
以上对本发明所提供的一种动态图像配准方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,本说明书内容不应理解为对本发明技术方案的限制。
Claims (10)
1.一种动态图像配准方法,其特征在于,包括下列步骤:
S1:建立两个位移量及旋转角度不同的三维刚性配准网络模型A1和A2并加以训练,其中A1为位移量及旋转角度调整范围大的网络模型,A2为位移量及旋转角度调整范围小的网络模型;并计算待配准图片M与固定图片F之间的初始差别值(F-M),记为Loss ini;
S2:使用三维刚性配准网络模型A1对固定图片F和待配准图片M进行配准,得到初配准后图片R0,并计算本轮配准后图片R0与固定图片F之间的差别值(F- R0),记为Loss t;
S3:使用三维刚性配准网络模型A2对固定图片F和上轮配准后图片R0进行配准,得到继续配准后图片R1,并计算继续配准后图片R1与固定图片F之间的差别值(F- R1),记为Losst+1;
S4:对Loss t+1与Loss t进行比较判断:
如果Loss t+1大于等于Loss t,则分别使用三维刚性配准网络模型A1和A2对继续配准后的结果图片R1和固定图片F进行一轮配准,并计算三维刚性配准网络模型A1和A2配准,得到再次配准后图片R21和R22,计算差别值(F- R21)和(F- R22),并将(F- R21)和(F- R22)的最小值记为Loss t+2;
如果Loss t+1小于Loss t,则使用三维刚性配准网络模型A2对固定图片F和继续配准后图片R1进行配准,并计算配准后图片与固定图片F的差值,直至Loss t+1大于Loss t;
S5:对Loss t+2与Loss t进行比较判断:
如果Loss t+2大于等于Loss t,则把Loss t+2对应的配准图片做为输出;
如果Loss t+2小于Loss t,则等同于Loss t+1大于等于Loss t的情形进行处理。
2.根据权利要求1所述的动态图像配准方法,其特征在于,所述差别值Loss的计算方法为:
用图像配准人工智能网络模型的输出减去固定图片得到的差值即为差别值。
3.根据权利要求2所述的动态图像配准方法,其特征在于,获得所述图像配准人工智能网络模型输出的方法为:
将所述差别值输入空间变换矩阵网络(Spatial transformer net)。
4.根据权利要求3所述的动态图像配准方法,其特征在于,基于Unet结构构建所述图像配准人工智能网络模型,使用CNN网络结构。
5.根据权利要求4所述的动态图像配准方法,其特征在于,在Unet结构中使用池化(Pooling)方式实现人工智能网络模型中编码器的降维。
6.根据权利要求4所述的动态图像配准方法,其特征在于,在Unet结构中使用Resnet结构的残差块增加单个人工智能网络模型的深度。
7.根据权利要求5或6所述的任一种动态图像配准方法,其特征在于,使用多模型投票的方式对步骤S4中每个循环获得的差别值进行统计,选择出最小差别值对应的图像配准人工智能网络模型。
8.根据权利要求7所述的动态图像配准方法,其特征在于,所述差别值为MSE误差。
9.根据权利要求7所述的动态图像配准方法,其特征在于,所述图像配准人工智能网络模型Ai中,使用几何变换的方式增加卷积后的参数量,几何变换方式为高阶插值法。
10.根据权利要求9所述的动态图像配准方法,其特征在于,当所述图像配准人工智能网络模型Ai的数量大于或等于3时,在第2轮配准开始,在每一轮配准过程中都通过投票法来统计出差别值最小的图像配准人工智能网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210036141.3A CN114373004B (zh) | 2022-01-13 | 2022-01-13 | 一种动态图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210036141.3A CN114373004B (zh) | 2022-01-13 | 2022-01-13 | 一种动态图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114373004A CN114373004A (zh) | 2022-04-19 |
CN114373004B true CN114373004B (zh) | 2024-04-02 |
Family
ID=81143670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210036141.3A Active CN114373004B (zh) | 2022-01-13 | 2022-01-13 | 一种动态图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114373004B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457020B (zh) * | 2022-09-29 | 2023-12-26 | 电子科技大学 | 一种融合残差图像信息的2d医学图像配准方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005346654A (ja) * | 2004-06-07 | 2005-12-15 | Glory Ltd | 画像認識装置、画像認識方法およびその方法をコンピュータに実行させるプログラム |
JP2009175344A (ja) * | 2008-01-23 | 2009-08-06 | Ricoh Co Ltd | 画像形成装置 |
CN102283675A (zh) * | 2011-05-27 | 2011-12-21 | 华南理工大学 | 一种医学超声宽景成像中的旋转判断及误差纠正方法 |
KR101655910B1 (ko) * | 2015-05-06 | 2016-09-09 | 재단법인 아산사회복지재단 | 혈관조영영상 정합 방법 및 정합 프로그램 |
CN107798697A (zh) * | 2017-10-26 | 2018-03-13 | 中国科学院深圳先进技术研究院 | 一种基于卷积神经网络的医学图像配准方法、系统及电子设备 |
EP3444777A1 (en) * | 2017-08-17 | 2019-02-20 | Siemens Healthcare GmbH | Automatic change detection in medical images |
KR101957605B1 (ko) * | 2017-11-01 | 2019-03-13 | 숭실대학교산학협력단 | 3d cta 영상 간의 심혈관 강체 정합 방법, 이를 수행하기 위한 기록매체 및 장치 |
CN112348819A (zh) * | 2020-10-30 | 2021-02-09 | 上海商汤智能科技有限公司 | 模型训练方法、图像处理及配准方法以及相关装置、设备 |
CN112767463A (zh) * | 2021-01-12 | 2021-05-07 | 深圳大学 | 一种对抗配准方法、装置、计算机设备及存储介质 |
CN112837357A (zh) * | 2021-02-25 | 2021-05-25 | 平安科技(深圳)有限公司 | 医学影像配准方法、装置、计算机设备及存储介质 |
CN113034439A (zh) * | 2021-03-03 | 2021-06-25 | 北京交通大学 | 一种高速铁路声屏障缺损检测方法及装置 |
CN113643270A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
CN113808178A (zh) * | 2020-06-11 | 2021-12-17 | 通用电气精准医疗有限责任公司 | 图像配准方法及其模型训练方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7673803B2 (en) * | 1998-03-24 | 2010-03-09 | Metrologic Instruments, Inc. | Planar laser illumination and imaging (PLIIM) based engine |
US6907280B2 (en) * | 1999-12-02 | 2005-06-14 | The General Hospital Corporation | Method and apparatus for objectively measuring pain, pain treatment and other related techniques |
US7801708B2 (en) * | 2005-09-13 | 2010-09-21 | Siemens Corporation | Method and apparatus for the rigid and non-rigid registration of 3D shapes |
JP4411339B2 (ja) * | 2007-07-31 | 2010-02-10 | キヤノン株式会社 | カラー画像形成装置およびその制御方法 |
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 |
WO2019227087A2 (en) * | 2018-05-25 | 2019-11-28 | The Trustees Of Columbia University In The City Of New York | Biomarkers of renal osteodystrophy type |
US11080884B2 (en) * | 2019-05-15 | 2021-08-03 | Matterport, Inc. | Point tracking using a trained network |
US20210268313A1 (en) * | 2020-02-27 | 2021-09-02 | Elekta ltd | Image Registration in Treatment Planning |
-
2022
- 2022-01-13 CN CN202210036141.3A patent/CN114373004B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005346654A (ja) * | 2004-06-07 | 2005-12-15 | Glory Ltd | 画像認識装置、画像認識方法およびその方法をコンピュータに実行させるプログラム |
JP2009175344A (ja) * | 2008-01-23 | 2009-08-06 | Ricoh Co Ltd | 画像形成装置 |
CN102283675A (zh) * | 2011-05-27 | 2011-12-21 | 华南理工大学 | 一种医学超声宽景成像中的旋转判断及误差纠正方法 |
KR101655910B1 (ko) * | 2015-05-06 | 2016-09-09 | 재단법인 아산사회복지재단 | 혈관조영영상 정합 방법 및 정합 프로그램 |
EP3444777A1 (en) * | 2017-08-17 | 2019-02-20 | Siemens Healthcare GmbH | Automatic change detection in medical images |
CN107798697A (zh) * | 2017-10-26 | 2018-03-13 | 中国科学院深圳先进技术研究院 | 一种基于卷积神经网络的医学图像配准方法、系统及电子设备 |
KR101957605B1 (ko) * | 2017-11-01 | 2019-03-13 | 숭실대학교산학협력단 | 3d cta 영상 간의 심혈관 강체 정합 방법, 이를 수행하기 위한 기록매체 및 장치 |
CN113808178A (zh) * | 2020-06-11 | 2021-12-17 | 通用电气精准医疗有限责任公司 | 图像配准方法及其模型训练方法 |
CN112348819A (zh) * | 2020-10-30 | 2021-02-09 | 上海商汤智能科技有限公司 | 模型训练方法、图像处理及配准方法以及相关装置、设备 |
CN112767463A (zh) * | 2021-01-12 | 2021-05-07 | 深圳大学 | 一种对抗配准方法、装置、计算机设备及存储介质 |
CN112837357A (zh) * | 2021-02-25 | 2021-05-25 | 平安科技(深圳)有限公司 | 医学影像配准方法、装置、计算机设备及存储介质 |
CN113034439A (zh) * | 2021-03-03 | 2021-06-25 | 北京交通大学 | 一种高速铁路声屏障缺损检测方法及装置 |
CN113643270A (zh) * | 2021-08-24 | 2021-11-12 | 凌云光技术股份有限公司 | 一种基于点云数据的图像配准方法及装置 |
Non-Patent Citations (5)
Title |
---|
GAN-based End-to-End Unsupervised Image Registration for RGB-Infrared Image;Kanti Kumari;《 2020 3rd International Conference on Intelligent Autonomous Systems (ICoIAS)》;全文 * |
基于仿射变换模型的图像配准中的平移、旋转和缩放;曾文锋, 李树山, 王江安;红外与激光工程;20010225(第01期);全文 * |
基于改进SSD算法的双目鱼群图像检测;沈军宇;李林燕;戴永良;胡伏原;;计算机工程与设计(第02期);全文 * |
沈军宇 ; 李林燕 ; 戴永良 ; 胡伏原 ; .基于改进SSD算法的双目鱼群图像检测.计算机工程与设计.2020,(第02期),全文. * |
用于医学影像配准的快速框架;杨安荣;林财兴;李红强;;计算机应用;20100301(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114373004A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717856A (zh) | 一种用于医学成像的超分辨率重建算法 | |
WO2020015330A1 (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
CN114373004B (zh) | 一种动态图像配准方法 | |
CN112862689A (zh) | 一种图像超分辨率重建方法及系统 | |
CN109949217B (zh) | 基于残差学习和隐式运动补偿的视频超分辨率重建方法 | |
CN110136177B (zh) | 一种图像配准方法、设备和存储介质 | |
CN107734333A (zh) | 一种利用生成网络提高视频错误隐藏效果的方法 | |
CN107590530B (zh) | 一种基于生成对抗网络的逐层更新算法 | |
CN112004078B (zh) | 基于生成对抗网络的虚拟现实视频质量评价方法及系统 | |
CN109685772B (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
CN110660099B (zh) | 基于神经网络的遥感影像处理的有理函数模型拟合方法 | |
CN111260706B (zh) | 一种基于单目相机的稠密深度图计算方法 | |
CN112017259B (zh) | 一种基于深度相机与热像仪的室内定位与建图方法 | |
CN108076341A (zh) | 一种视频卫星成像在轨实时稳像方法及系统 | |
CN107516291A (zh) | 夜景影像正射纠正处理方法 | |
CN115759202B (zh) | 一种可变空洞卷积的稠密图像超分辨率方法 | |
CN112419172B (zh) | 倾斜图像校正去模糊的遥感图像处理方法 | |
CN114693755B (zh) | 多模图像最大矩与空间一致性的非刚性配准方法及系统 | |
CN111239731A (zh) | 基于神经网络的合成孔径雷达快速成像方法及装置 | |
CN115690460A (zh) | 一种顾及影像畸变的遥感影像融合方法及计算机可读介质 | |
CN110211059A (zh) | 一种基于深度学习的图像重建方法 | |
CN115965961A (zh) | 局部到全局的多模态融合方法、系统、设备及存储介质 | |
CN112669240B (zh) | 高清图像修复方法、装置、电子设备和存储介质 | |
CN115908491A (zh) | 一种双目序列图像中圆形非编码标志点在线实时跟踪与匹配方法 | |
CN114708315A (zh) | 一种基于深度虚拟对应点生成的点云配准方法及系统 |
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 |