CN114565646A - 一种图像配准方法、设备、电子设备及可读存储介质 - Google Patents

一种图像配准方法、设备、电子设备及可读存储介质 Download PDF

Info

Publication number
CN114565646A
CN114565646A CN202210172628.4A CN202210172628A CN114565646A CN 114565646 A CN114565646 A CN 114565646A CN 202210172628 A CN202210172628 A CN 202210172628A CN 114565646 A CN114565646 A CN 114565646A
Authority
CN
China
Prior art keywords
image
sub
similarity
drr
value
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.)
Granted
Application number
CN202210172628.4A
Other languages
English (en)
Other versions
CN114565646B (zh
Inventor
沈丽萍
孔方琦
周迪斌
李明
戴维焕
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 Santan Medical Technology Co Ltd
Original Assignee
Hangzhou Santan 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 Hangzhou Santan Medical Technology Co Ltd filed Critical Hangzhou Santan Medical Technology Co Ltd
Priority to CN202210172628.4A priority Critical patent/CN114565646B/zh
Publication of CN114565646A publication Critical patent/CN114565646A/zh
Application granted granted Critical
Publication of CN114565646B publication Critical patent/CN114565646B/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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/60—Memory management
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例提供了一种图像配准方法、设备、电子设备及可读存储介质，涉及图像处理技术领域。方法包括：GPU按照CPU生成的每一空间变换矩阵，生成CT图像对应的DRR图像，并基于多个线程，计算每一DRR图像中的每一子图像区域的区域灰度和值，基于DRR图像中的子图像区域的区域灰度和值，以及X光图像中对应的子图像区域的区域灰度和值，计算DRR图像与X光图像之间的图像相似度并发送至CPU；若存在大于相似度阈值的图像相似度，CPU将大于相似度阈值的图像相似度对应的空间变换矩阵确定为最优空间变换矩阵；否则，CPU重新生成多个空间变换矩阵。能够确定出CT图像对应的最优空间变换矩阵，且提高图像配准的效率。

Description

一种图像配准方法、设备、电子设备及可读存储介质
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像配准方法、设备、电子设备及可读存储介质。
背景技术
目前，在常见医疗机器人辅助手术导航定位过程中，可以基于空间变换矩阵，对采集的目标对象(例如，患者的病灶部位)的三维CT(Computed Tomography，电子计算机断层扫描)图像进行空间变换，得到对应的DRR(Digitally Reconstructed Radiographs，数字重建放射影像)图像，并计算DRR图像与X光图像的相似度，以实现三维CT图像与X光图像的配准。
相关技术中，对三维CT图像和X光图像进行配准的目的是寻找最优空间变换矩阵，其中，基于该最优空间变换矩阵得到的三维CT对应的DRR图像与X光图像之间的相似度满足预设条件。后续，则可以基于该最优空间变换矩阵建立机器人坐标系与手术空间坐标系之间的映射关系，有利于医疗机器人精准寻找病灶。
发明内容
本发明实施例的目的在于提供一种图像配准方法、设备、电子设备及可读存储介质，能够确定出CT图像对应的最优空间变换矩阵，且提高图像配准的效率。具体技术方案如下：
第一方面，为了达到上述目的，本发明实施例公开了一种图像配准方法，所述方法应用于包含CPU和GPU的图像配准设备，所述方法包括：
通过所述CPU生成当前待处理的多个空间变换矩阵，并发送至所述GPU；
针对当前待处理的每一空间变换矩阵，通过所述GPU，按照该空间变换矩阵对待配准的CT图像进行空间变换，得到对应的DRR图像，作为当前待处理的DRR图像；
针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU，基于多个线程，计算该子图像区域的区域灰度和值；其中，一个子图像区域的区域灰度和值为：该子图像区域包含的各像素点的灰度值的总和值；
通过所述GPU，基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度，并将当前待处理的各图像相似度发送至所述CPU；
若当前待处理的各图像相似度中存在大于相似度阈值的图像相似度，则通过所述CPU，将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；
若当前待处理的各图像相似度中不存在大于相似度阈值的图像相似度，则返回执行通过所述CPU生成当前待处理的多个空间变换矩阵，并发送至所述GPU的步骤。
可选的，所述针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU，基于多个线程，计算该子图像区域的区域灰度和值，包括：
针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU中第一预设数目个线程，以并行归约的方式，计算该子图像区域的区域灰度和值；
其中，所述第一预设数目为该子图像区域中像素点的总数目。
可选的，所述针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU中第一预设数目个线程，以并行归约的方式，计算该子图像区域的区域灰度和值，包括：
针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU，分配第一预设数目个第一线程，以获取该子图像区域中各像素点的灰度值；其中，所述第一预设数目个第一线程与该子图像区域中各像素点一一对应；一个第一线程用于获取对应的像素点的灰度值；
分配指定数目个第二线程；其中，所述指定数目为上一次分配的线程的数目的二分之一；
通过每一第二线程，获取上一次开启的每两个线程得到的灰度值的和值，并返回执行所述分配指定数目个第二线程的步骤，直至分配的第二线程的数目为1；
将通过该第二线程得到的灰度值的和值，确定为该子图像区域的区域灰度和值。
可选的，当前待处理的每一DRR图像包含多个子图像区域；
所述基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度，包括：
针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，与所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域与所述X光图像中对应的子图像区域之间的相似度，作为初始相似度；
基于该DRR图像各子图像区域对应的初始相似度，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度。
可选的，所述针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，与所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域与所述X光图像中对应的子图像区域之间的相似度，作为初始相似度，包括：
针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，以及所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域中像素点的灰度值与所述X光图像中对应的子图像区域中像素点的灰度值的互相关系数，作为该子图像区域与所述X光图像中对应的子图像区域之间的初始相似度。
第二方面，为达到上述目的，本发明实施例公开了一种图像处理设备，所述图像处理设备包括CPU和GPU，其中：
所述CPU，用于生成当前待处理的多个空间变换矩阵，并发送至所述GPU；
所述GPU，用于针对当前待处理的每一空间变换矩阵，按照该空间变换矩阵对待配准的CT图像进行空间变换，得到对应的DRR图像，作为当前待处理的DRR图像；
所述GPU，还用于针对当前待处理的每一DRR图像中的每一子图像区域，基于多个线程，计算该子图像区域的区域灰度和值；其中，一个子图像区域的区域灰度和值为：该子图像区域包含的各像素点的灰度值的总和值；
通过所述GPU，基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度，并将当前待处理的各图像相似度发送至所述CPU；
所述CPU，用于若当前待处理的各图像相似度中存在大于相似度阈值的图像相似度，将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；若当前待处理的各图像相似度中不存在大于相似度阈值的图像相似度，则返回执行生成当前待处理的多个空间变换矩阵，并发送至所述GPU的步骤。
可选的，所述GPU，用于针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU中第一预设数目个线程，以并行归约的方式，计算该子图像区域的区域灰度和值；
其中，所述第一预设数目为该子图像区域中像素点的总数目。
可选的，所述GPU，用于针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU，分配第一预设数目个第一线程，以获取该子图像区域中各像素点的灰度值；其中，所述第一预设数目个第一线程与该子图像区域中各像素点一一对应；一个第一线程用于获取对应的像素点的灰度值；
分配指定数目个第二线程；其中，所述指定数目为上一次分配的线程的数目的二分之一；
通过每一第二线程，获取上一次开启的每两个线程得到的灰度值的和值，并返回执行所述分配指定数目个第二线程的步骤，直至分配的第二线程的数目为1；
将通过该第二线程得到的灰度值的和值，确定为该子图像区域的区域灰度和值。
可选的，当前待处理的每一DRR图像包含多个子图像区域；
所述GPU，用于针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，与所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域与所述X光图像中对应的子图像区域之间的相似度，作为初始相似度；
基于该DRR图像各子图像区域对应的初始相似度，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度。
可选的，所述GPU，用于通过所述GPU针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，以及所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域中像素点的灰度值与所述X光图像中对应的子图像区域中像素点的灰度值的互相关系数，作为该子图像区域与所述X光图像中对应的子图像区域之间的初始相似度。
在本发明实施的另一方面，为了达到上述目的，本发明实施例还公开了一种电子设备，包括图像处理设备、通信接口、存储器和通信总线，其中，所述图像处理设备，通信接口，存储器通过通信总线完成相互间的通信；所述图像处理设备包括CPU和GPU；
存储器，用于存放计算机程序；
所述图像处理设备，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被包含有CPU和GPU的图像处理设备执行时实现上述第一方面任一所述的方法步骤。
在本发明提供的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一所述的方法步骤。
本发明实施例有益效果：
本发明实施例提供的图像配准方法，应用于包含CPU和GPU的图像配准设备，CPU生成当前待处理的多个空间变换矩阵，并发送至GPU；针对当前待处理的每一空间变换矩阵，GPU按照该空间变换矩阵对待配准的CT图像进行空间变换，得到对应的DRR图像，作为当前待处理的DRR图像；针对当前待处理的每一DRR图像中的每一子图像区域，GPU基于多个线程，计算该子图像区域的区域灰度和值；其中，一个子图像区域的区域灰度和值为：该子图像区域包含的各像素点的灰度值的总和值；GPU基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度，并将当前待处理的各图像相似度发送至CPU；若当前待处理的各图像相似度中存在大于相似度阈值的图像相似度，则CPU将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；若当前待处理的各图像相似度中不存在大于相似度阈值的图像相似度，则返回执行CPU生成当前待处理的多个空间变换矩阵，并发送至GPU的步骤。
基于上述处理，能够确定出CT图像对应的最优空间变换矩阵，且利用GPU中的多个线程，能够通过并行方式计算子图像区域的区域灰度和值，提高数据计算的效率，进而，提高图像配准的效率。另外，CPU可以一次向GPU发送多个空间变换矩阵，并根据GPU得到的多个DRR图像与X光图像的相似度，确定该多个空间变换矩阵中是否存在最优空间变换矩阵。也就是说，CPU与GPU之间只需要进行两次数据传输，CPU就可以确定多个空间变换矩阵中是否存在最优空间变换矩阵，进而，能够减少CPU与GPU之间传输数据的次数，以进一步提高图像配准的效率。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为相关技术中的一种图像配准方法的流程图；
图2A为本发明实施例提供的一种基于CT体数据生成DRR图像的原理示意图；
图2B为本发明实施例提供的一种X射线穿过CT体数据的示意图；
图3为本发明实施例提供的一种图像配准方法的交互图；
图4为本发明实施例提供的一种图像配准的流程图；
图5为本发明实施例提供的另一种图像配准方法的交互图；
图6为本发明实施例提供的另一种图像配准方法的交互图；
图7为本发明实施例提供的另一种图像配准方法的交互图；
图8为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本发明所获得的所有其他实施例，都属于本发明保护的范围。
如图1，图1为相关技术中的一种图像配准方法的流程图。相关技术中，对CT图像和X光图像进行图像配准可以包括以下步骤：CPU读取CT数据(即，待配准的CT图像)，并向GPU发送该CT数据。在第一次确认最优空间变换矩阵的过程中，由CPU根据优化函数更新参数(即空间变换矩阵)，即，生成一个新的空间变换矩阵，并向GPU发送。基于该空间变换矩阵和CT数据，GPU通过数字重建放射影像技术得到对应的DRR图像，并发送至CPU。CPU计算该DRR图像与X光图像的相似度，并判断该相似度是否满足预设条件，若满足，则确定该空间变换矩阵为最优空间变换矩阵，否则，进行第二次确定最优空间变换矩阵的过程。即，CPU根据优化函数更新参数，即，生成一个新的空间变换矩阵，并向GPU发送。基于新的空间变换矩阵和CT数据，GPU生成对应的新的DRR图像，并把该新的DRR图像发送至CPU。CPU计算该新的DRR图像与X光图像的相似度，并判断该相似度是否满足预设条件；以此类推，直至确定出最优空间变换矩阵。
即，图像配准的目标是确定一个空间变换矩阵，使得基于该空间变换矩阵对CT图像进行处理得到的DRR图像与X光图像的相似度满足预设条件。例如，图像配准的过程可以通过公式(1)和公式(2)实现。
S(T)＝S(x，DRR(T(y))) (1)
T*＝argmax S(T) (2)
其中，S表示相似度函数，T表示空间变换矩阵，x表示X光图像，y表示CT图像，T(y)表示基于空间变换矩阵T对CT图像进行空间变换得到的CT体数据，DRR(T(y))表示对该CT体数据进行数字重建得到的DRR图像，S(T)表示在空间变换矩阵T下的相似度，即，基于空间变换矩阵T得到的DRR图像与X光图像之间的相似度。T*表示满足预设条件的相似度对应的空间变换矩阵。例如，确定出的多个空间变换矩阵中，对应的相似度最大的空间变换矩阵。
在生成DRR图像时，可以按照空间变换矩阵对CT图像进行空间变换，得到变换后的CT图像(可以称为CT体数据)，该CT体数据包含多个体素，各体素分别对应CT图像所拍摄的对象的不同位置。例如，CT图像为患者的图像，则一个体素对应的位置可以为该患者的骨骼的位置，或者为血管的位置，或者，也可以为肌肉的位置。然后，基于数字重建放射影像技术对该CT体数据进行重建，得到DRR图像。
如图2A，图2A为本发明实施例提供的一种基于CT体数据生成DRR图像的原理示意图。具体的，可以模拟一个点光源，该点光源发射的虚拟X射线穿过CT体数据，并投射在指定平面上，得到DRR图像。该指定平面可以根据X光图像的大小确定，使得得到的DRR图像的大小与X光图像一致。
如图2B，图2B为本发明实施例提供的一种X射线穿过CT体数据的示意图，其中，每一个立方体表示CT体数据中的一个体素。由于不同的体素对应的对象的真实位置可能不同，即，不同的体素对虚拟X射线所造成的衰减程度不同，相应的，虚拟X射线从不同的体素穿过后的剩余能量不同。例如，虚拟X射线在穿过CT体数据时的能量(即光学强度)衰减过程可以用公式(1)表示。
Figure BDA0003518982630000071
其中，k表示从点光源至指定平面中一点的长度，u(t)表示从点光源至指定平面中该点之间的光线强度的衰减系数，I0表示点光源发射的虚拟X射线的初始光学强度，I(k)表示点光源发射的虚拟X射线达到指定平面中该点时的光线强度(可以称为目标光线强度)。
进而，将指定平面中各点的目标光线强度归一化至指定范围(例如0-255)内，得到DRR图像。
本发明实施例提供了一种图像配准方法，该方法可以应用于包含CPU和GPU的图像配准设备。该GPU可以基于CUDA(Compute Unified Device Architecture，计算机统一设备架构)框架实现数据处理。本发明实施例中进行图像配准的图像可以包括：医学领域中的CT图像和X光图像，其中，CT图像为术前拍摄的患者的病灶部位的图像，X光图像是术前拍摄的患者的病灶部位的图像。图像配准设备可以根据本发明实施例提供的方法，对获取的CT图像和X光图像进行图像配准，得到最优空间变换矩阵，以根据得到的最优空间变化矩阵，建立医疗机器人坐标系与手术空间坐标系之间的映射关系，有利于医疗机器人精准寻找病灶。
参见图3，图3为本发明实施例提供的一种图像配准方法的交互图，可以包括以下步骤：
S301：CPU生成当前待处理的多个空间变换矩阵。
S302：CPU将生成的当前待处理的多个空间变换矩阵发送至GPU。
S303：针对当前待处理的每一空间变换矩阵，GPU按照该空间变换矩阵对待配准的CT图像进行空间变换，得到对应的DRR图像，作为当前待处理的DRR图像。
S304：针对当前待处理的每一DRR图像中的每一子图像区域，GPU基于多个线程计算该子图像区域的区域灰度和值。
其中，一个子图像区域的区域灰度和值为：该子图像区域包含的各像素点的灰度值的总和值。
S305：GPU基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与X光图像之间的相似度，作为当前待处理的图像相似度。
S306：GPU将当前待处理的各图像相似度发送至CPU。
S307：若当前待处理的各图像相似度中存在大于相似度阈值的图像相似度，CPU将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；若当前待处理的各图像相似度中不存在大于相似度阈值的图像相似度，则返回执行步骤S301。
相关技术中，是由CPU计算DRR图像与X光图像之间的相似度，若要计算图像之间的相似度，则CPU需要计算图像中各像素点的灰度值的和值，且CPU只能通过串行的方式，计算图像中各像素点的灰度值的和值。而本发明实施例提供的图像配准方法，利用GPU中的多个线程，能够通过并行方式计算子图像区域的区域灰度和值，相对于相关技术中，能够提高数据计算的效率，进而，提高图像配准的效率。
与图3相对应，参见图4，图4为本发明实施例提供的一种图像配准的流程图。对CT图像和X光图像进行图像配准可以包括以下步骤：CPU读取CT数据(即，待配准的CT图像)，并向GPU发送该CT数据。在第一次确认最优空间变换矩阵的过程中，由CPU根据优化函数更新多组参数(即空间变换矩阵)，即，生成多个新的空间变换矩阵，并向GPU发送。基于该多个空间变换矩阵和CT数据，GPU通过数字重建放射影像技术得到每一空间变换矩阵对应的DRR图像。GPU计算每一DRR图像与X光图像的相似度，并判断该多个相似度中是否存在满足预设条件的相似度，若存在，则确定该空间变换矩阵为最优空间变换矩阵，否则，进行第二次确定最优空间变换矩阵的过程。即，CPU根据优化函数更新参数，生成多个新的空间变换矩阵，并向GPU发送。基于多个新的空间变换矩阵和CT数据，GPU生成每一新的空间变换矩阵对应的DRR图像。GPU计算每一新的DRR图像与X光图像的相似度，并判断该多个相似度中是否存在满足预设条件的相似度；以此类推，直至确定出最优空间变换矩阵。
对比图1和图4可见，相关技术中GPU与CPU之间需要进行两次数据传输才能确定一个空间变换矩阵是否为最优空间变换矩阵。而本发明实施例提供的图像配准方法中，CPU可以一次向GPU发送多个空间变换矩阵，并根据GPU得到的多个图像相似度，确定该多个空间变换矩阵中是否存在最优空间变换矩阵。即，CPU与GPU之间只需要进行两次数据传输，就可以确定多个空间变换矩阵中是否存在最优空间变换矩阵，相对于相关技术，能够减少CPU与GPU之间传输数据的次数，以进一步提高图像配准的效率。
针对步骤S301-S303，CPU可以通过优化函数生成当前待处理的多个空间变换矩阵。空间变换矩阵用于对CT图像进行空间变换得到DRR图像。基于每一空间变换矩阵，可以得到对应的DRR图像，即，针对CPU一次发送的多个空间变换矩阵，GPU可以分别生成各自对应的DRR图像，也就可以得到多个DRR图像。
其中，优化函数可以包括下降单纯形法、鲍威尔算法，或者，拟牛顿法，但并不限于此。
一种实现方式中，空间变换矩阵可以根据自由度参数确定，例如，自由度参数包括：绕X轴、Y轴、Z轴的旋转角度α、β、γ，以及沿X轴、Y轴、Z轴的平移距离tx、ty、tz。空间变换矩阵包括旋转矩阵和平移矩阵，绕X轴、Y轴、Z轴的旋转矩阵Rx、Ry、Rz可以分别用公式(4)、(5)和(6)表示：
Figure BDA0003518982630000091
Figure BDA0003518982630000092
Figure BDA0003518982630000093
相应的，沿X轴、Y轴、Z轴的距离tx、ty、tz构成的平移矩阵Tl可以用公式(7)表示：
Figure BDA0003518982630000101
也就是说，CPU每次可以生成多组自由度参数，并基于上述公式(4)、(5)、(6)、(7)，得到每一组自由度参数对应的空间变换矩阵，并发送给GPU。
一种实现方式中，针对每一空间变换矩阵，GPU可以按照该空间变换矩阵对待配准的CT图像进行空间变换，得到变换后的CT图像(即CT体数据)，然后，对CT体数据进行数字重建，得到DRR图像。
例如，可以按照公式(8)对CT图像中各像素点进行空间变换，得到CT体数据。
Figure BDA0003518982630000102
其中，
Figure BDA0003518982630000103
表示CT图像中像素点的空间坐标，
Figure BDA0003518982630000104
为CT图像中像素点的空间坐标经过空间变换的空间坐标，即，CT体数据中与CT图像中的像素点对应的体素的空间坐标。
由于每次CPU生成多个空间变换矩阵，GPU可以得到多个DRR图像，也就可以得到多个DRR图像各自与X光图像的图像相似度，进而，CPU就可以根据该多个图像相似度，确定多个空间变换矩阵中是否存在最优空间变换矩阵，进而提高图像配准的效率。
在一个实施例中，在得到多个DRR图像后，GPU可以对多个DRR图像进行拼接，得到DRR图像组。一种实现方式中，可以将多个DRR图像在高度方向上进行拼接。例如，对4张DRR图像进行拼接，其中，每一DRR图像的大小为：高300像素，宽400像素，则在高度方向上进行拼接后的DRR图像组的大小为：高1200像素，宽400像素。
进而，针对拼接后的DRR图像组中的各DRR图像，分别计算与X光图像的图像相似度。
在一个实施例中，可以将CT图像和X光图像写入CPU，然后，GPU可以从CPU中读取X光图像，以计算DRR图像与X光图像之间的图像相似度。
针对步骤S304，GPU可以按照不同的方式对每一DRR图像进行处理，得到对应的区域灰度和值。
一种方式中，针对每一DRR图像，GPU可以将该DRR图像作为一个子图像区域，即，并不对该DRR图像进行区域划分，进而，对整个DRR图像和X光图像进行相似度计算。
另一种方式中，针对每一DRR图像，GPU可以对该DRR图像进行区域划分，划分得到的多个区域，可以称为子图像区域。例如，可以对DRR图像进行均匀区域划分，也可以对DRR图像进行不均匀区域划分。
针对每一子图像区域，GPU通过多个线程，计算该子图像区域的区域灰度和值。其中，线程的数目可以根据需求设置。例如，GPU可以开启多个线程，并按照线程的数目对该子图像区域进行划分，得到多个区域块。每一线程用于计算一个区域块中各像素点的灰度和值。然后，可以计算各线程得到的灰度和值的总和值，得到该子图像区域的区域灰度和值。
针对步骤S305，针对一个DRR图像，如果将该DRR图像作为一个子图像区域，即，并不对该DRR图像进行区域划分。则直接计算整个DRR图像与X光图像的图像相似度。例如，计算DRR图像与X光图像的之间灰度值的互相关系数。
若将该DRR图像划分成多个子图像区域，可以计算该DRR图像中每一子图像区域与X光图像中对应的图像区域的相似度，根据各子图像区域对应的相似度，计算该DRR图像与X光图像的图像相似度。其中，该DRR图像中每一子图像区域与X光图像中对应的图像区域的相似度，可以用该DRR图像中每一子图像区域与X光图像中对应的图像区域之间的灰度值的互相关系数表示。
可以理解的是，在该情况下，可以预先按照对DRR图像的划分方式，对X光图像进行划分。
其中，可以通过公式(9)计算互相关系数。
Figure BDA0003518982630000111
其中，IR表示X光图像，ID表示DRR图像，Cov(IR，ID)表示X光图像与DRR图像的灰度值的协方差，D(IR)表示X光图像的灰度值的方差，D(ID)表示DRR图像的灰度值的方差，ρ(IR，ID)表示X光图像与DRR图像的灰度值的互相关系数。
针对步骤S307，CPU获取GPU计算得到的多个图像相似度后，可以确定其中是否存在大于相似度阈值的图像相似度。若存在，则CPU将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；若不存在，则CPU返回执行步骤S301。即CPU通过优化函数生成多个新的空间变换矩阵并发送至GPU，进而，GPU生成该多个新的空间变换矩阵对应的新的DRR图像，计算多个新的DRR图像与X光图像之间的相似度，并发送至CPU。以此类推，直至CPU确定接收到的多个图像相似度中存在大于相似度阈值的图像相似度，并将该大于相似度阈值的图像相似度对应的空间变换矩阵确定为最优空间变换矩阵。
在一个实施例中，为了进一步提高图像配准效率，参见图5，图5为本发明实施例提供的另一种图像配准方法的交互图，在图3的基础上，上述步骤S304可以包括：
S3041：针对当前待处理的每一DRR图像中的每一子图像区域，通过GPU中第一预设数目个线程，以并行归约的方式，计算该子图像区域的区域灰度和值。
其中，第一预设数目为该子图像区域中像素点的总数目。
基于并行规约的方式可以提高多个数据求和的效率。例如，区域中像素点的个数为128，则可以分配128个线程，每一线程读取一个像素点的灰度值，然后，调用其中64个线程完成每两个像素点灰度值的求和，得到64个和值，进而，调用32个线程完成每两个和值的求和，以此类推，直到调用的线程数为1。此线程求和的结果就是128个像素点的灰度值的总和值。而若采用串行统计求和的方式，则需要进行127次串行的求和运算，并行规约的方式只需要进行7次串行的求和运算，能够降低运算耗时，进而，提高图像配准的效率。
一种实现方式中，可以根据需要分配的线程数，以及图像配准设备的一个Block(线程块)所支持的线程数，确定需要分配的Block的数目。图像配准设备的一个Block所支持的线程数是基于图像配准设备当前的配置确定的。例如，一个Block所支持的线程数为1024，若第一预设数目为102400，则需要在Grid(网格)中分配100个Block。
在一个实施例中，参见图6，图6为本发明实施例提供的另一种图像配准方法的交互图。在图5的基础上，上述步骤S3041可以包括：
S30411：分配第一预设数目个第一线程，以获取该子图像区域中各像素点的灰度值。
其中，第一预设数目个第一线程与该子图像区域中各像素点一一对应；一个第一线程用于获取对应的像素点的灰度值。
S30412：分配指定数目个第二线程。
其中，指定数目为上一次分配的线程的数目的二分之一。
S30413：通过每一第二线程，获取上一次开启的每两个线程得到的灰度值的和值，并返回执行步骤S30412，直至分配的第二线程的数目为1。
S30414：将通过该第二线程得到的灰度值的和值，确定为该子图像区域的区域灰度和值。
在本发明实施例中，针对DRR图像中的每一子图像区域，GPU可以确定该子图像区域中像素点的数目，并分配相同数目个第一线程，每一第一线程与该子图像区域中各像素点一一对应，每一第一线程用于获取对应的像素点的灰度值。
在获取各像素点的灰度值后，可以分配指定数目个第二线程，此时的指定数目为第一数目的二分之一。每一第二线程用于计算每两个像素点的灰度值的和值。然后，重新分配指定数目个第二线程，此时的指定数目为第一数目的四分之一，直至分配的第二线程的数目为1，该第二线程计算的和值，即该子图像区域的区域灰度和值。
基于上述方法，能够利用GPU中的多个线程，通过并行归约方式，计算子图像区域的区域灰度和值，提高数据计算的效率，进而，提高图像配准的效率。
在一个实施例中，当前待处理的每一DRR图像包含多个子图像区域，相应的，参见图7，图7为本发明实施例提供的另一种图像配准方法的交互图，在图3的基础上，步骤S305可以包括：
S3051：针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，与X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域与X光图像中对应的子图像区域之间的相似度，作为初始相似度。
S3052：基于该DRR图像各子图像区域对应的初始相似度，计算该DRR图像与X光图像之间的相似度，作为当前待处理的图像相似度。
在本发明实施例中，若GPU对DRR图像进行均匀划分，例如，将DRR图像平均划分为8×8个子图像区域，相应的，预先也可以将X光图像进行同样的划分。进而，在得到每一子图像区域对应的初始相似度后，计算各子图像区域的初始相似度的平均值。
一种方式中，若GPU对DRR图像进行非均匀划分，则可以按照各子图像区域的权重，计算各子图像区域的初始相似度的加权和。其中，每一子图像区域的权重可以根据该子图像区域在该DRR图像中所占的比例确定。
基于上述方式，先计算DRR图像与X光图像中对应子图像区域的初始相似度，进而，结合各初始相似度，计算DRR图像与X光图像的图像相似度，能够避免图像局部损坏带来的影响，以提高计算的图像相似度的准确度。
在一个实施例中，上述步骤S3051可以包括：针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，以及X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域中像素点的灰度值与X光图像中对应的子图像区域中像素点的灰度值的互相关系数，作为该子图像区域与X光图像中对应的子图像区域之间的初始相似度。
计算子图像区域之间的灰度值的互相关系数的方式，可以参考上述实施例中关于步骤S305的详细介绍。
相应的，则可以计算得到的各互相关系数的加权和，作为DRR图像与X光图像之间的图像相似度(可以称为归一化互相关系数)。
相对于上述方法实施例，本发明实施例还提供了一种图像配准设备，该设备可以包括：CPU和GPU，其中，
CPU用于生成当前待处理的多个空间变换矩阵，并发送至GPU；
GPU用于针对当前待处理的每一空间变换矩阵，按照该空间变换矩阵对待配准的CT图像进行空间变换，得到对应的DRR图像，作为当前待处理的DRR图像；
GPU还用于针对当前待处理的每一DRR图像中的每一子图像区域，基于多个线程，计算该子图像区域的区域灰度和值；其中，一个子图像区域的区域灰度和值为：该子图像区域包含的各像素点的灰度值的总和值；
GPU基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与X光图像之间的相似度，作为当前待处理的图像相似度，并将当前待处理的各图像相似度发送至CPU；
CPU还用于若当前待处理的各图像相似度中存在大于相似度阈值的图像相似度，将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；若当前待处理的各图像相似度中不存在大于相似度阈值的图像相似度，则返回执行生成当前待处理的多个空间变换矩阵，并发送至GPU的步骤。
在一个实施例中，GPU用于针对当前待处理的每一DRR图像中的每一子图像区域，GPU中第一预设数目个线程，以并行归约的方式，计算该子图像区域的区域灰度和值；
其中，第一预设数目为该子图像区域中像素点的总数目。
在一个实施例中，GPU用于针对当前待处理的每一DRR图像中的每一子图像区域，通过GPU，分配第一预设数目个线程，分配第一预设数目个第一线程，以获取该子图像区域中各像素点的灰度值；其中，第一预设数目个第一线程与该子图像区域中各像素点一一对应；一个第一线程用于获取对应的像素点的灰度值；
分配指定数目个第二线程；其中，指定数目为上一次分配的线程的数目的二分之一；
通过每一第二线程，获取上一次开启的每两个线程得到的灰度值的和值，并返回执行分配指定数目个第二线程的步骤，直至分配的第二线程的数目为1；
将通过该第二线程得到的灰度值的和值，确定为该子图像区域的区域灰度和值。
在一个实施例中，当前待处理的每一DRR图像包含多个子图像区域；
GPU，用于针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，与X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域与X光图像中对应的子图像区域之间的相似度，作为初始相似度；
基于该DRR图像各子图像区域对应的初始相似度，计算该DRR图像与X光图像之间的相似度，作为当前待处理的图像相似度。
在一个实施例中，GPU用于通过GPU针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，以及所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域中像素点的灰度值与X光图像中对应的子图像区域中像素点的灰度值的互相关系数，作为该子图像区域与X光图像中对应的子图像区域之间的初始相似度。
本发明实施例还提供了一种电子设备，如图8所示，电子设备可以包括：
图像处理设备801、通信接口802、存储器803和通信总线804，其中，图像处理设备801，通信接口802，存储器803通过通信总线804完成相互间的通信；图像处理设备801包括CPU8011和GPU8012；存储器803，用于存放计算机程序；图像处理设备801，用于执行存储器上所存放的程序时，实现以下步骤：
通过CPU8011生成当前待处理的多个空间变换矩阵，并发送至GPU8012；
针对当前待处理的每一空间变换矩阵，通过GPU8012，按照该空间变换矩阵对待配准的CT图像进行空间变换，得到对应的DRR图像，作为当前待处理的DRR图像；
针对当前待处理的每一DRR图像中的每一子图像区域，通过GPU8012，基于多个线程，计算该子图像区域的区域灰度和值；其中，一个子图像区域的区域灰度和值为：该子图像区域包含的各像素点的灰度值的总和值；
通过GPU8012，基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与X光图像之间的相似度，作为当前待处理的图像相似度，并将当前待处理的各图像相似度发送至CPU8011；
若当前待处理的各图像相似度中存在大于相似度阈值的图像相似度，则通过CPU8011，将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；
若当前待处理的各图像相似度中不存在大于相似度阈值的图像相似度，则返回执行通过CPU8011生成当前待处理的多个空间变换矩阵，并发送至GPU8012的步骤。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被包含有CPU和GPU的图像处理设备执行时可以实现上述实施例中任一所述的图像配准方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的图像配准方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备、计算机可读存储介质，以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (12)

1.一种图像配准方法，其特征在于，所述方法应用于包含CPU和GPU的图像配准设备，所述方法包括：
通过所述CPU生成当前待处理的多个空间变换矩阵，并发送至所述GPU；
针对当前待处理的每一空间变换矩阵，通过所述GPU，按照该空间变换矩阵对待配准的CT图像进行空间变换，得到对应的数字重建放射影像DRR图像，作为当前待处理的DRR图像；
针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU，基于多个线程，计算该子图像区域的区域灰度和值；其中，一个子图像区域的区域灰度和值为：该子图像区域包含的各像素点的灰度值的总和值；
通过所述GPU，基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度，并将当前待处理的各图像相似度发送至所述CPU；
若当前待处理的各图像相似度中存在大于相似度阈值的图像相似度，则通过所述CPU，将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；
若当前待处理的各图像相似度中不存在大于相似度阈值的图像相似度，则返回执行通过所述CPU生成当前待处理的多个空间变换矩阵，并发送至所述GPU的步骤。
2.根据权利要求1所述的方法，其特征在于，所述针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU，基于多个线程，计算该子图像区域的区域灰度和值，包括：
针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU中第一预设数目个线程，以并行归约的方式，计算该子图像区域的区域灰度和值；
其中，所述第一预设数目为该子图像区域中像素点的总数目。
3.根据权利要求2所述的方法，其特征在于，所述针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU中第一预设数目个线程，以并行归约的方式，计算该子图像区域的区域灰度和值，包括：
针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU，分配第一预设数目个第一线程，以获取该子图像区域中各像素点的灰度值；其中，所述第一预设数目个第一线程与该子图像区域中各像素点一一对应；一个第一线程用于获取对应的像素点的灰度值；
分配指定数目个第二线程；其中，所述指定数目为上一次分配的线程的数目的二分之一；
通过每一第二线程，获取上一次开启的每两个线程得到的灰度值的和值，并返回执行所述分配指定数目个第二线程的步骤，直至分配的第二线程的数目为1；
将通过该第二线程得到的灰度值的和值，确定为该子图像区域的区域灰度和值。
4.根据权利要求1所述的方法，其特征在于，当前待处理的每一DRR图像包含多个子图像区域；
所述基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度，包括：
针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，与所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域与所述X光图像中对应的子图像区域之间的相似度，作为初始相似度；
基于该DRR图像各子图像区域对应的初始相似度，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度。
5.根据权利要求4所述的方法，其特征在于，所述针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，与所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域与所述X光图像中对应的子图像区域之间的相似度，作为初始相似度，包括：
针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，以及所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域中像素点的灰度值与所述X光图像中对应的子图像区域中像素点的灰度值的互相关系数，作为该子图像区域与所述X光图像中对应的子图像区域之间的初始相似度。
6.一种图像配准设备，其特征在于，所述图像配准设备包括CPU和GPU，其中：
所述CPU，用于生成当前待处理的多个空间变换矩阵，并发送至所述GPU；
所述GPU，用于针对当前待处理的每一空间变换矩阵，按照该空间变换矩阵对待配准的CT图像进行空间变换，得到对应的DRR图像，作为当前待处理的DRR图像；
所述GPU，还用于针对当前待处理的每一DRR图像中的每一子图像区域，基于多个线程，计算该子图像区域的区域灰度和值；其中，一个子图像区域的区域灰度和值为：该子图像区域包含的各像素点的灰度值的总和值；
所述GPU，还用于基于该DRR图像中的子图像区域的区域灰度和值，以及待配准的X光图像中对应的子图像区域的区域灰度和值，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度，并将当前待处理的各图像相似度发送至所述CPU；
所述CPU，还用于若当前待处理的各图像相似度中存在大于相似度阈值的图像相似度，将该大于相似度阈值的图像相似度对应的空间变换矩阵，确定为最优空间变换矩阵；若当前待处理的各图像相似度中不存在大于相似度阈值的图像相似度，则返回执行生成当前待处理的多个空间变换矩阵，并发送至所述GPU的步骤。
7.根据权利要求6所述的设备，其特征在于，所述GPU，用于针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU中第一预设数目个线程，以并行归约的方式，计算该子图像区域的区域灰度和值；
其中，所述第一预设数目为该子图像区域中像素点的总数目。
8.根据权利要求7所述的设备，其特征在于，所述GPU，用于针对当前待处理的每一DRR图像中的每一子图像区域，通过所述GPU，分配第一预设数目个第一线程，以获取该子图像区域中各像素点的灰度值；其中，所述第一预设数目个第一线程与该子图像区域中各像素点一一对应；一个第一线程用于获取对应的像素点的灰度值；
分配指定数目个第二线程；其中，所述指定数目为上一次分配的线程的数目的二分之一；
通过每一第二线程，获取上一次开启的每两个线程得到的灰度值的和值，并返回执行所述分配指定数目个第二线程的步骤，直至分配的第二线程的数目为1；
将通过该第二线程得到的灰度值的和值，确定为该子图像区域的区域灰度和值。
9.根据权利要求6所述的设备，其特征在于，当前待处理的每一DRR图像包含多个子图像区域；
所述GPU，用于针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，与所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域与所述X光图像中对应的子图像区域之间的相似度，作为初始相似度；
基于该DRR图像各子图像区域对应的初始相似度，计算该DRR图像与所述X光图像之间的相似度，作为当前待处理的图像相似度。
10.根据权利要求9所述的设备，其特征在于，所述GPU，用于通过所述GPU针对当前待处理的每一DRR图像中的每一子图像区域，基于该子图像区域的区域灰度和值，以及所述X光图像中对应的子图像区域的区域灰度和值，计算该子图像区域中像素点的灰度值与所述X光图像中对应的子图像区域中像素点的灰度值的互相关系数，作为该子图像区域与所述X光图像中对应的子图像区域之间的初始相似度。
11.一种电子设备，其特征在于，包括图像处理设备、通信接口、存储器和通信总线，其中，所述图像处理设备，通信接口，存储器通过通信总线完成相互间的通信；所述图像处理设备包括CPU和GPU；
存储器，用于存放计算机程序；
所述图像处理设备，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被包含有CPU和GPU的图像处理设备执行时实现权利要求1-5任一所述的方法步骤。
CN202210172628.4A 2022-02-24 2022-02-24 一种图像配准方法、设备、电子设备及可读存储介质 Active CN114565646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210172628.4A CN114565646B (zh) 2022-02-24 2022-02-24 一种图像配准方法、设备、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210172628.4A CN114565646B (zh) 2022-02-24 2022-02-24 一种图像配准方法、设备、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114565646A true CN114565646A (zh) 2022-05-31
CN114565646B CN114565646B (zh) 2024-03-15

Family

ID=81716163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210172628.4A Active CN114565646B (zh) 2022-02-24 2022-02-24 一种图像配准方法、设备、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114565646B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082534A (zh) * 2022-07-21 2022-09-20 杭州三坛医疗科技有限公司 双平面图像配准方法、装置及机器人

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160260220A1 (en) * 2015-03-05 2016-09-08 Broncus Medical Inc. Gpu-based system for performing 2d-3d deformable registration of a body organ using multiple 2d fluoroscopic views
CN111723836A (zh) * 2019-03-21 2020-09-29 杭州三坛医疗科技有限公司 图像相似度的计算方法及装置、电子设备、存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160260220A1 (en) * 2015-03-05 2016-09-08 Broncus Medical Inc. Gpu-based system for performing 2d-3d deformable registration of a body organ using multiple 2d fluoroscopic views
CN111723836A (zh) * 2019-03-21 2020-09-29 杭州三坛医疗科技有限公司 图像相似度的计算方法及装置、电子设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐建;秦安;卜祥磊;冯前进;: "基于CUDA的2D-3D配准技术的研究", 计算机工程与应用, no. 11, 11 April 2010 (2010-04-11) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082534A (zh) * 2022-07-21 2022-09-20 杭州三坛医疗科技有限公司 双平面图像配准方法、装置及机器人

Also Published As

Publication number Publication date
CN114565646B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
US10198793B2 (en) Image processing apparatus, image processing method, and X-ray diagnosis apparatus
CN111915696B (zh) 三维图像数据辅助的低剂量扫描数据重建方法及电子介质
CN104783825B (zh) 用于产生血管系统的二维投影图像的方法和装置
von Atzigen et al. HoloYolo: A proof‐of‐concept study for marker‐less surgical navigation of spinal rod implants with augmented reality and on‐device machine learning
CN101843954A (zh) 患者定位系统
WO2020087257A1 (zh) 图像引导方法及装置、医疗设备、计算机可读存储介质
CN112598649B (zh) 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法
US11348216B2 (en) Technologies for determining the accuracy of three-dimensional models for use in an orthopaedic surgical procedure
EP4365838A1 (en) Registration method and system
CN115131487A (zh) 医学影像处理方法、系统、计算机设备、存储介质
US9031284B2 (en) Implant identification system and method
CN114565646B (zh) 一种图像配准方法、设备、电子设备及可读存储介质
CN113570648B (zh) 多骨骼影像配准方法、电子装置以及医学导航系统
CN109389577B (zh) X射线图像处理方法和系统及计算机存储介质
Cai et al. A level-wise spine registration framework to account for large pose changes
WO2022229816A1 (en) 3d reconstruction of anatomical images
JP6943884B2 (ja) ハイブリッドｘ線／カメラ介入の動き補償
CN117392230A (zh) Cbct旋转半径的测量方法、装置、设备及存储介质
WO2006108926A1 (en) Tomographic method
CN114187335A (zh) 多视图医学图像的配准方法、装置及设备
CN107799166B (zh) 医学成像系统
US20240185509A1 (en) 3d reconstruction of anatomical images
CN114037775B (zh) 骨骼结构生长方法、装置、电子设备及存储介质
TWI786667B (zh) 人體骨骼關節立體影像數據生成方法與裝置
US20240135519A1 (en) Technologies for determining the accuracy of three-dimensional models for use in an orthopaedic surgical procedure

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