CN114596344B - 医学图像配准参数的确定方法、装置、设备及存储介质 - Google Patents
医学图像配准参数的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114596344B CN114596344B CN202011402496.7A CN202011402496A CN114596344B CN 114596344 B CN114596344 B CN 114596344B CN 202011402496 A CN202011402496 A CN 202011402496A CN 114596344 B CN114596344 B CN 114596344B
- Authority
- CN
- China
- Prior art keywords
- freedom
- degree
- parameter
- global
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000005070 sampling Methods 0.000 claims abstract description 230
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims description 69
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009194 climbing Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 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
-
- 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
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
- G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种医学图像配准参数的确定方法、装置、设备及存储介质，应用于图像处理技术领域，可以包括：获得待配准的三维医学图像和二维医学图像；将自由度搜索空间划分为多个子空间；计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值；从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；以全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围；从局部搜索范围中得到目标最优自由度参数值，目标最优自由度参数值为医学图像配准参数。能够实现在保证确定的自由度参数的精度的同时提高计算效率。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种医学图像配准参数的确定方法、装置、设备及存储介质。
背景技术
图像配准的目的在于比较或融合同一对象在不同条件下获取的图像，例如来自不同采集设备、不同时间、不同拍摄视角等的图像，有时也需要针对不同对象进行配准。具体来讲，对于一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像映射到另一幅图像，使得两幅图像中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。
图像配准在医学图像处理与分析中有众多具有实用价值的应用。例如，随着医学成像技术的进步，针对人体同一部位，可以采集不同类型的医学图像，将三维体数据图像和获得的病人的影像数据进行配准可以让医生得到全面有用的信息
对三维医学图像和二维医学图像进行配准是基于数字影像重建(DigitallyReconstructed Radiograph，DRR)降维的方式，具体地，通过DRR对三维医学图像进行降维得到三维医学图像对应的二维映射图像，并将该二维映射图像和二维医学图像进行配准。而通过DRR对三维医学图像进行降维有可能会得到不同组自由度参值对应的不同二维映射图像，确定哪一组自由度参数值对应的二维映射图像与二维医学图像进行配准，是对三维医学图像和二维医学图像进行配准的重点也是难点内容。其中，自由度参数值可以理解为医学图像配准参数，具体地可以为不同自由度参数对应的值，如六个自由度对应的值，六个自由度包括沿x、y、z三个直角坐标轴方向的移动自由度和绕这三个坐标轴的转动自由度。
现有方式中通过优化算法对不同组自由度参值进行迭代优化，以得到目标自由度参数值，即确定医学图像的配准参数。现有的优化算法有全局优化算法和局部优化算法，由于算法本身的缺陷，现有的局部优化算法会使得在进行优化的过程中容易陷入局部极值，而全局优化算法的复杂度比较高，会导致计算效率不高。可以看出，现有医学图像配准参数的确定方式无法权衡确定的自由度参数的精度和计算效率。
发明内容
本发明实施例的目的在于提供一种医学图像配准参数的确定方法、装置、设备及存储介质，以实现在保证确定的自由度参数的精度的同时提高计算效率。具体技术方案如下：
第一方面，本发明实施例提供了一种医学图像配准参数的确定方法，包括：
获得待配准的三维医学图像和二维医学图像；
将自由度搜索空间划分为多个子空间，其中，所述自由度搜索空间包含各个自由度参数的全局搜索范围；所述各个自由度参数的全局搜索范围分别被划分为多个子范围，每个子空间包含各个自由度参数的子范围；
针对各个子空间，产生所述子空间对应的多个第一采样点，每个第一采样点包括一组自由度参数值，所述一组自由度参数值包括各个自由度参数对应的自由度参数值，所述自由度参数值位于所述子空间对应的各个自由度参数的子范围内；
计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值；
将所述各个子空间，作为所述自由度搜索空间的全局采样点，将各个子空间的自由度参数均值，作为各个全局采样点的自由度参数值；
分别基于各个全局采样点的自由度参数值对应的二维映射图像和所述二维医学图像的相似度值，从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；任一全局采样点的自由度参数值对应的二维映射图像，是基于所述自由度参数值将所述三维医学图像映射得到的二维图像；
以所述全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围，所述各个自由度参数的局部搜索范围中包含所述自由度参数均值；
从所述局部搜索范围中得到目标最优自由度参数值，所述目标最优自由度参数值为医学图像配准参数，所述目标医学图像配准参数用于所述三维医学图像和所述二维医学图像的配准。
第二方面，本发明实施例提供了一种医学图像配准参数的确定装置，包括：
获得模块，用于获得待配准的三维医学图像和二维医学图像；
划分模块，用于将自由度搜索空间划分为多个子空间，其中，所述自由度搜索空间包含各个自由度参数的全局搜索范围；所述各个自由度参数的全局搜索范围分别被划分为多个子范围，每个子空间包含各个自由度参数的子范围；
产生模块，用于针对各个子空间，产生所述子空间对应的多个第一采样点，每个第一采样点包括一组自由度参数值，所述一组自由度参数值包括各个自由度参数对应的自由度参数值，所述自由度参数值位于所述子空间对应的各个自由度参数的子范围内；
计算模块，用于计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值；
搜索模块，用于将所述各个子空间，作为所述自由度搜索空间的全局采样点，将各个子空间的自由度参数均值，作为各个全局采样点的自由度参数值；分别基于各个全局采样点的自由度参数值对应的二维映射图像和所述二维医学图像的相似度值，从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；任一全局采样点的自由度参数值对应的二维映射图像，是基于所述自由度参数值将所述三维医学图像映射得到的二维图像；
确定模块，用于以所述全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围，所述各个自由度参数的局部搜索范围中包含所述自由度参数均值；
得到模块，用于从所述局部搜索范围中得到目标最优自由度参数值，所述目标最优自由度参数值为医学图像配准参数，所述目标医学图像配准参数用于所述三维医学图像和所述二维医学图像的配准。
第三方面，本发明实施例提供了一种医学图像配准参数的确定设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现第一方面所述的方法步骤。
第四方面，本发明实施例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，所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
本发明实施例有益效果：
本发明实施例提供的医学图像配准参数的确定方法、装置、设备及存储介质，可以将各个子空间，作为自由度搜索空间的全局采样点，从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值，即基于各个子空间的自由度参数均值，先针对自由度搜索空间进行全局搜索，得到全局最优自由度参数均值，然后以该全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围，并基于该局部搜索范围进行局部搜索，即从局部搜索范围中得到目标最优自由度参数值作为医学图像配准参数。如此，先基于自由度搜索空间划分得到的多个子空间进行全局搜索，然后基于全局搜索得到的全局最优自由度参数均值确定局部搜索范围，基于该局部搜索范围进行局部搜索，得到目标最优自由度参数值作为医学图像配准参数。可以避免采用局部优化算法导致的陷入局部极值，能够提高确定的医学图像配准参数的精度；同时，能够避免对自由度搜索空间中的各个采样点进行全局搜索而导致的计算复杂度太高，能够提高计算效率，即可以实现实现在保证确定的自由度参数的精度的同时提高计算效率。
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，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的医学图像配准参数的确定方法的流程图；
图2为本发明实施例中从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值的流程图；
图3为本发明实施例中从局部搜索范围中得到目标最优自由度参数值的流程图；
图4为本发明实施例中从局部搜索空间的多个第二采样点中，搜索出目标最优自由度参数值作为医学图像配准参数的流程图；
图5A1为利用传统的CMA_ES算法进行优化的初始效果图；
图5A2为利用传统的CMA_ES算法进行优化迭代50次的效果图；
图5A3为利用传统的CMA_ES算法进行优化迭代100次的效果图；
图5B1为本发明实施例中结合梯度损失函数进行优化的初始效果图；
图5B2为本发明实施例中结合梯度损失函数进行优化迭代50次的效果图；
图5B3为本发明实施例中结合梯度损失函数进行优化迭代100次的效果图；
图6A表示利用传统的CMA_ES算法进行优化的优化效果图；
图6B表示利用本发明实施例提供的医学图像配准参数的确定方法进行优化的优化效果图；
图7A1为一个2D-X射线图像；
图7A2为图7A1对应的DRR投影图像；
图7B1为另一个2D-X射线图像；
图7B2为图7B1对应的DRR投影图像；
图8为本发明实施例的一个具体实施例的流程图；
图9为本发明实施例提供的医学图像配准参数的确定装置的结构示意图；
图10为本发明实施例提供的医学图像配准参数的确定装置的结构示意图。
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，都属于本发明保护的范围。
本发明实施例提供的医学图像配准参数的确定方法的执行主体可以是电子设备，具体地，电子设备可以是服务器、终端等。
本发明实施例提供了一种医学图像配准参数的确定方法，可以包括：
获得待配准的三维医学图像和二维医学图像；
将自由度搜索空间划分为多个子空间，其中，自由度搜索空间包含各个自由度参数的全局搜索范围；各个自由度参数的全局搜索范围分别被划分为多个子范围，每个子空间包含各个自由度参数的子范围；
针对各个子空间，产生子空间对应的多个第一采样点，每个第一采样点包括一组自由度参数值，一组自由度参数值包括各个自由度参数对应的自由度参数值，自由度参数值位于子空间对应的各个自由度参数的子范围内；
计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值；
将各个子空间，作为自由度搜索空间的全局采样点，将各个子空间的自由度参数均值，作为各个全局采样点的自由度参数值；
分别基于各个全局采样点的自由度参数值对应的二维映射图像和二维医学图像的相似度值，从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；任一全局采样点的自由度参数值对应的二维映射图像，是基于自由度参数值将三维医学图像映射得到的二维图像；
以全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围，各个自由度参数的局部搜索范围中包含自由度参数均值；
从局部搜索范围中得到目标最优自由度参数值，目标最优自由度参数值为医学图像配准参数，目标医学图像配准参数用于三维医学图像和二维医学图像的配准。
本发明实施例中，可以先基于自由度搜索空间划分得到的多个子空间进行全局搜索，然后基于全局搜索得到的全局最优自由度参数均值确定局部搜索范围，基于该局部搜索范围进行局部搜索，得到目标最优自由度参数值作为医学图像配准参数。可以避免采用局部优化算法导致的陷入局部极值，能够提高确定的医学图像配准参数的精度；同时，能够避免对自由度搜索空间中的各个采样点进行全局搜索而导致的计算复杂度太高，能够提高计算效率，即可以实现实现在保证确定的自由度参数的精度的同时提高计算效率。
本发明实施例提供了一种医学图像配准参数的确定方法，如图1所示，可以包括：
S101，获得待配准的三维医学图像和二维医学图像。
可以实时采集三维医学图像和二维医学图像。也可以从预先保存的图像集中获取三维医学图像和二维医学图像。
一种可实现方式中，三维医学图像可以为3D(3Dimension)-计算机断层扫描(Computed Tomography，CT)投影图像，二维医学图像可以为2D(2Dimension)-X射线图像。
S102，将自由度搜索空间划分为多个子空间。
其中，自由度搜索空间包含各个自由度参数的全局搜索范围；各个自由度参数的全局搜索范围分别被划分为多个子范围，每个子空间包含各个自由度参数的子范围。
自由度搜索空间包含各个自由度参数的取值范围。全局搜索范围即可以理解为自由度参数的取值范围。可以理解，每个子空间包含的各个自由度参数的子范围组成成完整的自由度搜索空间。
一种可实现方式中，自由度参数可以包括六自由度的参数，六自由度包括沿x、y、z三个直角坐标轴方向的移动自由度和绕这三个坐标轴的转动自由度。
例如，各个自由度参数的全局搜索范围可以为-180度至+180度，也即[-180，+180]。各个自由度参数的全局搜索范围可以被划分为多个子范围，子范围可以为-180度至+180度中的部分，如[-180，0)、[0，+180]、[-180，+30)和[+30，+90)、[+90，+180]，等等。
可以将六个自由度参数的全局搜索范围分别划分为多段(多段的数量对应子空间的数量)，例如，划分为2个子空间，且平分为两段[-180，0)和[0，+180]，每个子空间对应一段，可以得到2个子空间，其中1个子空间对应的各个自由度参数的子范围可以为：【沿x坐标轴方向的移动自由度[-180，0)、沿y坐标轴方向的移动自由度[-180，0)、沿y坐标轴方向的移动自由度[-180，0)、沿x坐标轴方向的转动自由度[-180，0)、沿y坐标轴方向的转动自由度[-180，0)、沿z坐标轴方向的转动自由度[-180，0)】；另1个子空间对应的各个自由度参数的子范围可以为：【沿x坐标轴方向的移动自由度[0，+180]、沿y坐标轴方向的移动自由度[0，+180]、沿y坐标轴方向的移动自由度[0，+180]、沿x坐标轴方向的转动自由度[0，+180]、沿y坐标轴方向的转动自由度[0，+180]、沿z坐标轴方向的转动自由度[0，+180]】。其中，两段仅是为了描述简便，实际应用中，子空间的数量一般远大于2，例如子空间的数量可以根据实际需求设置，可以为50个等。
每个自由度参数可以按照相同的划分方式进行划分，也可以按照不同的划分方式进行划分，即每个自由度参数划分得到的段的数量是相同的，但是，不同自由度参数对应的每段的子范围可以相同也可以不同。
一种可实现方式中，可以使用分割数据空间k-d树算法，确定自由度搜索空间的超平面信息，超平面信息用于表示分割空间之间的分割平面。基于超平面信息将自由度搜索空间分割得到多个分割空间，并分别将每一个分割空间作为一个子空间。
k-d树(k-dimensional tree)，是一棵二叉树，树中存储的是k维数据。在一个k维数据集合上构建一棵k-d Tree表示对该K维数据集合构成的K维空间的一个划分，即树中的每个结点对应一个k维的超矩形区域(Hyperrectangle)。k-d树算法划分得到子空间的过程可以理解为二元划分。
一种可实现方式中，为了计算方便，可以对自由度搜索空间进行归一化处理。
S103，针对各个子空间，产生子空间对应的多个第一采样点。
每个第一采样点包括一组自由度参数值。
一组自由度参数值包括各个自由度参数对应的自由度参数值，自由度参数值位于子空间对应的各个自由度参数的子范围内。
可以随机产生多个第一采样点。
S104，计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值。
一种可实现方式中，在计算每个子空间的多个第一采样点中各个自由度参数值的平均值之前可以先对多个第一采样点进行高斯分布处理。
可以通过高斯分布处理自由度参数值的范围缩放到[-1，1]之间，以加快采样点的训练速度。一种可实现方式中，高斯分布处理也可以理解为对第一采样点所包括的自由度参数值进行归一化处理。这里的自由度参数值的分布并不一定服从标准的正态分布，只是将自由度参数值的均值变为0，方差变为1。
例如，当前的自由度参数值的坐标为(xr,yr,zr,xp,yp,zp)，而子空间的搜索范围为(180，180，180，200，200，200)，则进行高斯分布处理后的自由度自由度参数值的坐标可以为(xr/180,yr/180,zr/180,xp/180,yp/180,zp/180)。
通过高斯分布处理可以使得处理后的大多数采样点在均值附近，以加快采样点的训练速度。
S105，将各个子空间，作为自由度搜索空间的全局采样点，将各个子空间的自由度参数均值，作为各个全局采样点的自由度参数值。
S106，分别基于各个全局采样点的自由度参数值对应的二维映射图像和二维医学图像的相似度值，从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值。
任一全局采样点的自由度参数值对应的二维映射图像，是基于自由度参数值将三维医学图像映射得到的二维图像。
可以理解为从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值，指的是针对自由度搜索空间进行全局搜索。即遍历各个全局采样点，也即各个子空间，搜索出全局最优自由度参数均值。
各个全局采样点对应的自由度参数值中，该全局最优自由度参数均值对应的二维映射图像和二维医学图像的相似度值最大。从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值，即搜索能够使对应的二维映射图像和二维医学图像的相似度值最大的自由度参数均值。
可以采用爬山法、模拟退火法、禁忌搜索算法、协方差进化算法(CovarianceMatrix Adaptation Evolutionary Strategies，CMA_ES)等优化算法对各个全局采样点的自由度参数值进行迭代优化，得到全局最优自由度参数均值。
二维映射图像和二维医学图像的相似度值可以通过不同的方式来计算。例如，可以根据二维映射图像和二维医学图像中所有像素密度值和空间位置等参数，构造出代价函数，通过该代价函数计算相似度值。或者，通过计算二维映射图像和二维医学图像的熵以及联合熵，得到互信息值。图像的熵与图像的位置无关，图像放置准确时，联合熵的值最小，互信息值最大。可以通过互信息值表示相似度值。或者，也可以利用深度学习网络估计二维映射图像和二维医学图像的相似度值的相似性度量，以通过该相似性度量表示相似度值。
S107，以全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围。
各个自由度参数的局部搜索范围中包含自由度参数均值。
简单理解，以全局搜索得到的全局最优自由度参数均值为基础，确定相比较于全局搜索所针对的自由搜索空间范围小的局部搜索范围。
一种可实现方式中，在得到全局最优自由度参数均值的同时，可以得到该全局最优自由度参数均值对应的全局采样点，也即子空间。该子空间可以包含各个自由度参数的子范围。具体地，可以根据全局最优自由度参数均值和该子空间包含的各个自由度参数的子范围，确定各个自由度参数的局部搜索范围。例如，可以将该该子空间包含的各个自由度参数的子范围，直接确定为各个自由度参数的局部搜索范围；或者，可以将该子空间包含的各个自由度参数的子范围相邻的子空间的子范围和该子空间包含的各个自由度参数的子范围，组成局部搜索范围，等等。
S108，从局部搜索范围中得到目标最优自由度参数值，目标最优自由度参数值为医学图像配准参数。
目标医学图像配准参数用于三维医学图像和二维医学图像的配准。
可以采用爬山法、模拟退火法、禁忌搜索算法、CMA_ES算法等优化算法对局部搜索范围中各个采样点的自由度参数值进行迭代优化，得到目标最优自由度参数值为医学图像配准参数。
可以采用与S106中从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值相同或不同的方式，从局部搜索范围中得到目标最优自由度参数值作为医学图像配准参数。也可以理解，从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值进行全局搜索方式，与从局部搜索范围中得到目标最优自由度参数值作为医学图像配准参数进行局部搜索的方式可以相同，也可以不同。
一种可实现方式中，采用CMA_ES算法从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值，同时，采用CMA_ES算法从局部搜索范围中得到目标最优自由度参数值作为医学图像配准参数。
本发明实施例中，可以先基于自由度搜索空间划分得到的多个子空间进行全局搜索，然后基于全局搜索得到的全局最优自由度参数均值确定局部搜索范围，基于该局部搜索范围进行局部搜索，得到目标最优自由度参数值作为医学图像配准参数。可以避免采用局部优化算法导致的陷入局部极值，能够提高确定的医学图像配准参数的精度；同时，能够避免对自由度搜索空间中的各个采样点进行全局搜索而导致的计算复杂度太高，能够提高计算效率，即可以实现实现在保证确定的自由度参数的精度的同时提高计算效率。
图2为本发明实施例中从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值的流程图。在上述图1所示实施例的基础上，本发明一种可选的实施例中，如图2所示，S106：分别基于各个全局采样点的自由度参数值对应的二维映射图像和二维医学图像的相似度值，从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值，可以包括：
S1061，利用全局采样点的自由度参数均值将三维医学图像进行映射，得到全局采样点对应的二维映射图像。
具体地，可以利用全局采样点的自由度参数均值将三维医学图像进行DRR映射，得到全局采样点对应的二维映射图像。也可以理解为，通过变换体数据空间位置获得DRR投影图像，二维映射图像即为DRR投影图像。其中，变换体数据空间位置即不同的自由度参数。
DRR投影图像的参数可以包括图像的旋转度，平移参数，成像角度，X射线与成像表面的距离，等等。
一种可实现方式中，可以将DRR投影图像的参数保存至数据库中，在待进行配准时，从数据库中获取该DRR投影图像的参数。也可以将该DRR投影图像的参数进行实时显示。
S1062，分别计算全局采样点对应的二维映射图像与二维医学图像之间的相似度值。
可以采用图1所示实施例中S106中计算二维映射图像和二维医学图像的相似度值的方式，计算全局采样点对应的二维映射图像与二维医学图像之间的相似度值。
S1063，将相似度值最大的全局采样点的自由度参数均值作为全局最优自由度参数。
可以理解，一组自由度参数值可以计算得到一个相似度值，比较各个全局采样点的自由度参数均值计算得到的相似度值，可以得到其中相似度值最大的全局采样点的自由度参数均值，将该相似度值最大的全局采样点的自由度参数均值作为全局最优自由度参数。
其中，可以预先设置精度，例如0.001，在判断全局采样点对应的二维映射图像与二维医学图像之间的相似度值是否达到最大的过程中，可以比较多次计算得到的全局采样点的自由度参数均值对应的相似度值之间的差值是否满足该精度，也即是否等于或者小于该精度。若等于或者小于该精度，则将满足该精度的相似度值作为最大的相似度值，该相似度值对应的自由度参数均值，即为相似度值最大的全局采样点的自由度参数均值。
在图2所示实施例基础上，S103：针对各个子空间，产生子空间对应的多个第一采样点，可以包括：
针对各个子空间，根据第一协方差，使用CMA_ES算法，产生子空间对应的多个第一采样点。
第一协方差可以表示使用CMA_ES算法产生的第一采样点的密度分布，不同的第一协方差产生的第一采样点的密度分布不同。第一协方差可以根据实际需求确定，例如，第一协方差可以为0.2。
一种可实现方式中，在一个子空间下，可以根据一个第一协方差，使用CMA_ES算法，随机产生子空间对应的多个第一采样点。因为是随机产生第一采样点，即使是相同的第一协方差，也有可能产生不同组的第一采样点。
另一种可实现方式中，在一个子空间下，可以根据不同的第一协方差，使用CMA_ES算法，分别产生子空间对应的多个第一采样点。此时，一个第一协方差对应一组第一采样点，一组第一采样点可以包括多个第一采样点。
S104：计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值，包括：
分别针对第一协方差对应的多个第一采样点，得到第一协方差对应的自由度参数均值。
S1061：利用全局采样点的自由度参数均值将三维医学图像进行映射，得到全局采样点对应的二维映射图像，可以包括：
针对第一协方差对应的自由度参数均值，利用第一协方差对应的自由度参数均值将三维医学图像进行映射，得到第一协方差对应的二维映射图像。
进而，分别计算全局采样点对应的二维映射图像与二维医学图像之间的相似度值，并将相似度值最大的全局采样点的自由度参数均值作为全局最优自由度参数。
如此，可以针对多组第一采样点进行迭代优化，得到该子空间下第一采样点对应的自由度参数均值，作为该子空间对应的自由度参数均值，也即一全局采样点对应的自由度参数均值，进而可以从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值。
图3为本发明实施例中从局部搜索范围中得到目标最优自由度参数值的流程图。在图1所示实施例的基础上，参照图3，S108：从局部搜索范围中得到目标最优自由度参数值，可以包括：
S1081，基于局部搜索范围对应的局部搜索空间，产生局部搜索空间对应的多个第二采样点。
每个第二采样点包括一组自由度参数值。一组自由度参数值包括各个自由度参数对应的自由度参数值，自由度参数值位于局部搜索空间对应的各个自由度参数的范围内。
可以基于局部搜索范围对应的局部搜索空间，根据第二协方差，使用CMA_ES算法，产生局部搜索空间对应的多个第二采样点。
第二协方差可以表示使用CMA_ES算法产生的第二采样点的密度分布。不同的第二协方差产生的第二采样点的密度分布不同。
一种可实现方式中，第二协方差可以与第一协方差不同。第一协方差可以根据实际需求确定，例如，第二协方差可以为0.1。
一种可实现方式中，在局部搜索空间下，可以根据一个第二协方差，使用CMA_ES算法，随机多个第二采样点。因为是随机产生第二采样点，即使是相同的第二协方差，也有可能产生不同组的第二采样点。
另一种可实现方式中，在局部搜索空间下，可以根据不同的第二协方差，使用CMA_ES算法，分别产生多个第二采样点。此时，一个第二协方差对应一组第二采样点。一组第二采样点可以包括多个第二采样点。
S1082，从局部搜索空间的多个第二采样点中，搜索出目标最优自由度参数值作为医学图像配准参数。
具体地，如图4所示，可以包括如下步骤：
S401，利用第二采样点的自由度参数将三维医学图像进行映射，得到第二采样点对应的二维映射图像。
具体地，可以利用第二采样点的自由度参数将三维医学图像进行DRR映射，得到第二采样点对应的二维映射图像。也可以理解为，通过变换体数据空间位置获得DRR投影图像，二维映射图像即为DRR投影图像。其中，变换体数据空间位置即不同的自由度参数。
S402，分别计算第二采样点对应的二维映射图像与二维医学图像之间的相似度值。
类似于S1062中计算全局采样点对应的二维映射图像与二维医学图像之间的相似度值，S402中可以采用图1所示实施例中S106中计算二维映射图像和二维医学图像的相似度值的方式，分别计算第二采样点对应的二维映射图像与二维医学图像之间的相似度值。
或者，也可以通过上述实施例中S1062中计算相似度值的公式计算第二采样点对应的二维映射图像与二维医学图像之间的相似度值。
S403，将相似度值最大的第二采样点的自由度参数作为目标最优自由度参数值。
其中，也可以预先设置精度，例如0.0001，当判断第二采样点对应的二维映射图像与二维医学图像之间的相似度值是否达到最大，可以比较多次计算得到的第二采样点对应的二维映射图像分别与二维医学图像之间的相似度值之间的差值，是否满足该精度，也即是否等于或者小于该精度。若等于或者小于该精度，则将满足该精度的相似度值作为最大的相似度值，该相似度值对应的自由度参数，即为相似度值最大的第二采样点的自由度参数，也即目标最优自由度参数值。
如此，针对多组第二采样点进行迭代优化，得到相似度值最大时的第二采样点的自由度参数，并将相似度值最大的第二采样点的自由度参数作为目标最优自由度参数值。
一种可实现方式中，在计算相似度的同时，可以计算梯度损失函数，结合相似度值和梯度损失函数计算优化目标，所述梯度损失函数用于结合所述相似度值从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值，以及结合所述相似度值从所述局部搜索范围中得到目标最优自由度参数值。具体地，当相似度值最大时且梯度损失函数满足预设条件时，如该梯度损失函数最小时结束当前迭代，即将相似度值最大且梯度损失函数最小所对应的自由度参数均值作为全局最优自由度参数，或者，将即将相似度值最大且梯度损失函数最小所对应的自由度参数作为目标最优自由度参数值。
具体地，梯度损失函数可以通过如下公式计算：
其中，Lθ表示梯度损失函数，θ表示采样点，M表示采样点个数，Aπ(Si,αi)表示优势函数，度量状态Si下采取行αi的效益，Si表示当前的状态，αi表示下一次迭代的方式(步长，方向)，ai,j表示当前值，μj；θ表示平均值，μj；θ(Si)表示表示当前状态下的平均值，cj；θ(Si)表示当前状态下的协方差矩阵。
梯度损失函数通过改变采样点在下一次迭代的过程中的变化(包括位移，方向，以选取更好的采样点)，可以加快搜索出全局最优自由度参数。
本发明实施例中，该公式可以理解为是标准策略梯度损失，该标准策略梯度损失对具有正优势估计的采样点进行训练，可以确保稳定性。具体地，图5A1至图5A3表示利用传统的CMA_ES算法进行优化时迭代不同次数的效果图，其中，图5A1表示初始效果图，图5A2表示迭代50次的效果图，图5A3表示迭代100次的效果图；图5B1至图5B3表示本发明实施例中结合梯度损失函数进行优化过程中迭代不同次数的效果图，其中，图5B1表示初始效果图，图5B2表示迭代50次的效果图，图5B3表示迭代100次的效果图。图5A1至图5A3，以及和图5B1至图5B3中横坐标为二维平面中x轴坐标，纵坐标为二维平面中y轴坐标，且黑色椭圆301表示策略平均值和标准偏差，根据这些平均值和标准偏差，进行空间搜索，深黑色圆圈302表示正样本(当前迭代过程中根据相似度值选择出的进入下一次迭代的采样点)，浅黑色圆圈303表示负样本(当前迭代过程中不进入下一次迭代的采样点)，黑色圆圈304范围内的采样点为所选中的采样点。图5B1至图5B3中，非填充圆圈305表示由负向里转化为正的演化。
比较图5A1至图5A3和图5B1至图5B3，可以看出，传统的CMA_ES算法限制了收敛前的更新散度，本发明实施例扩大了进展方向上的差异，在随后的迭代中可以改进搜索路径，如此可以加快优化过程，即加快遍历各个采样点，提高计算效率。
图6A表示利用传统的CMA_ES算法进行优化的优化效果图，图6B表示利用本发明实施例提供的医学图像配准参数的确定方法进行优化的优化效果图，图6A和图6B中横坐标为二维平面中x轴坐标，纵坐标为二维平面中y轴坐标，其中，小黑点401表示采样点，大黑点402表示采样点的均值点。
通过图6A和图6B可以得出，本发明实施例中，通过更新协方差的估计在更新均值之前，即在每次迭代时，可以先改变协方差，产生不同密度分布的采样点，不同的采样点可以得到不同的自由度参数均值，如此，可以可以拉长迭代过程中的方差方向，在下一次迭代中改进搜索。
总的来讲，传统的CMA_ES算法过早地缩小了采样/搜索方差，本发明实施例可以动态地扩展系协方差以加速优化进程，只在接近最优自由度参数时缩小方差。如此，能够在保证精度的同时提高迭代效率。
图7A1为一个2D-X射线图像，图7A2为图7A1对应的DRR投影图像，图7B1为另一个2D-X射线图像，图7B2为图7B1对应的DRR投影图像，图7A(也即图7A1和图7A2)和图7B(也即图7B1和图7B2)中横坐标和纵坐标表示图像的大小。图7A1所示的2D-X射线图像的自由度参数值为【5，10，0，0，0，0】，通过本发明实施例提供的医学图像配准参数的确定方法确定的目标最优自由度参数值为【5.00，10.00，-0.00，0.00，0.00，-0.00】，图7A2即为该目标最优自由度参数值对应的DRR投影图像。图7B1所示的2D-X射线图像的自由度参数值为【20，15，20，10，0，0】，通过本发明实施例提供的医学图像配准参数的确定方法确定的目标最优自由度参数值为【20.00，15.00，20.00，9.98，0.02，-0.04】，图7B2即为该目标最优自由度参数值对应的DRR投影图像。
分别比较图7A2和图7A1、7B2和图7B1可以看出，通过本发明实施例提供的医学图像配准参数的确定方法确定的目标最优自由度参数值对应的DRR投影图像与2D-X射线图像的相似度较高，即通过本发明实施例提供的医学图像配准参数的确定方法，能够提高确定的目标最优自由度参数值的准确性。
在上述图1所示实施例的基础上，本发明还提供了一种实施例，如图8所示，
第一步，归一化搜索空间。
搜索空间也即自由度搜索空间。归一化也可以理解为将搜索空间包含的各个自由度参数的搜索范围中各个自由度参数的划分至预设范围内，以便于计算。
第二步，将搜索空间划分N个子空间。
第三步，判断子空间数量是否小于等于N。
如果是，则执行第四步；如果否，则执行第七步。
目标是将搜索空间划分为N个子空间。
本发明实施例使用分割数据空间k-d树算法划分搜索空间，因为k-d树是二叉树，划分得到子空间的过程可以理解为二元划分，划分得到的子空间的数量是2的x次方，x为正整数。而N并不一定是2的x次方。因此，划分子空间后，先对子空间数量进行判断。
第四步，相似度计算。
将X光图像进行图像多分辨率处理，计算经过图像多分辨率处理后的图像和DRR投影图像的相似度。
具体地相似度计算过程可以采用上述实施例中计算相似度值的方式。如可以通过相似度函数计算。
第五步，CMA_ES对相似度函数优化。
第六步，更新搜索阈值。
假设将一个二维平面进行划分得到9个区域，也可以理解为9个子空间，针对一个子空间，查找到一个最佳点的位置，以该最佳点作为均值点，重新得到搜索范围，该搜索范围所对应的边界即更新得到的搜索阈值。
更新搜索阈值后，返回第三步。
第七步，计算搜索阈值。
搜索阈值就是每个子空间上的边界值，也即子空间包含的各个自由度参数的子范围。通过二元划分计算每个子空间的左上角坐标和范围就可以确定子空间的大小。
例如，在二维平面中，坐标为(1，1)范围为(2，2)，可以画出一个矩形框(也可以理解为一个矩形空间)，这个矩形空间就是搜索空间，同理，可以映射到6维的搜索空间。
第八步，计算相似度。
第九步，CMA_ES对相似度函数优化。
具体地，可以利用CMA_ES，基于相似度函数进行全局优化和局部优化。即迭代多次使得相似度函数达到最优，每次迭代过程中采用不同的自由度参数。如此最终可以得到目标最优自由度参数值。
其中，全局优化可以包括如下步骤：
针对各个子空间，根据第一协方差，使用CMA_ES算法，产生子空间对应的多个第一采样点。分别针对第一协方差对应的多个第一采样点，得到第一协方差对应的自由度参数均值。将各个子空间，作为自由度搜索空间的全局采样点，将各个子空间的自由度参数均值，作为各个全局采样点的自由度参数值。可以利用全局采样点的自由度参数均值将三维医学图像进行DRR映射，得到全局采样点对应的二维映射图像。分别计算全局采样点对应的二维映射图像与二维医学图像之间的相似度值。将相似度值最大的全局采样点的自由度参数均值作为全局最优自由度参数。
局部优化可以包括如下步骤：
针对各个子空间，根据第一协方差，使用CMA_ES算法，产生子空间对应的多个第一采样点。
基于局部搜索范围对应的局部搜索空间，根据第二协方差，使用CMA_ES算法，产生局部搜索空间对应的多个第二采样点。利用第二采样点的自由度参数将三维医学图像进行映射，得到第二采样点对应的二维映射图像。分别计算第二采样点对应的二维映射图像与二维医学图像之间的相似度值。将相似度值最大的第二采样点的自由度参数作为目标最优自由度参数值。
第十步，输出自由度参数和相似度值。
对应上述实施例提供的医学图像配准参数的确定方法，本发明还提供一种医学图像配准参数的确定装置，图9为本发明实施例提供的医学图像配准参数的确定装置的结构示意图，参照图9，可以包括：
获得模块901，用于获得待配准的三维医学图像和二维医学图像；
划分模块902，用于将自由度搜索空间划分为多个子空间，其中，自由度搜索空间包含各个自由度参数的全局搜索范围；各个自由度参数的全局搜索范围分别被划分为多个子范围，每个子空间包含各个自由度参数的子范围；
产生模块903，用于针对各个子空间，产生子空间对应的多个第一采样点，每个第一采样点包括一组自由度参数值，一组自由度参数值包括各个自由度参数对应的自由度参数值，自由度参数值位于子空间对应的各个自由度参数的子范围内；
计算模块904，用于计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值；
搜索模块905，用于将各个子空间，作为自由度搜索空间的全局采样点，将各个子空间的自由度参数均值，作为各个全局采样点的自由度参数值；分别基于各个全局采样点的自由度参数值对应的二维映射图像和二维医学图像的相似度值，从自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；任一全局采样点的自由度参数值对应的二维映射图像，是基于自由度参数值将三维医学图像映射得到的二维图像；
确定模块906，用于以全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围，各个自由度参数的局部搜索范围中包含自由度参数均值；
得到模块907，用于从局部搜索范围中得到目标最优自由度参数值，目标最优自由度参数值为医学图像配准参数，目标医学图像配准参数用于三维医学图像和二维医学图像的配准。
可选的，搜索模块905，具体用于利用全局采样点的自由度参数均值将三维医学图像进行映射，得到全局采样点对应的二维映射图像；分别计算全局采样点对应的二维映射图像与二维医学图像之间的相似度值；将相似度值最大的全局采样点的自由度参数均值作为全局最优自由度参数。
可选的，产生模块903，具体用于针对各个子空间，根据第一协方差，使用协方差进化算法CMA_ES算法，产生子空间对应的多个第一采样点；
计算模块904，具体用于分别针对第一协方差对应的多个第一采样点，得到第一协方差对应的自由度参数均值；
搜索模块905，具体用于针对第一协方差对应的自由度参数均值，利用第一协方差对应的自由度参数均值将三维医学图像进行映射，得到第一协方差对应的二维映射图像。
可选的，得到模块907，具体用于基于局部搜索范围对应的局部搜索空间，产生局部搜索空间对应的多个第二采样点；从局部搜索空间的多个第二采样点中，搜索出目标最优自由度参数值作为医学图像配准参数。
可选的，得到模块907，具体用于利用第二采样点的自由度参数将三维医学图像进行映射，得到第二采样点对应的二维映射图像；分别计算第二采样点对应的二维映射图像与二维医学图像之间的相似度值；将相似度值最大的第二采样点的自由度参数作为目标最优自由度参数值。
可选的，得到模块907，具体用于基于局部搜索范围对应的局部搜索空间，根据第二协方差，使用协方差进化算法CMA_ES，产生局部搜索空间对应的多个第二采样点。
可选的，划分模块902，具体用于使用分割数据空间k-d树算法，确定自由度搜索空间的超平面信息，超平面信息用于表示分割空间之间的分割平面；基于超平面信息将自由度搜索空间分割得到多个分割空间，并分别将每一个分割空间作为一个子空间。
可选的，所述装置还包括：
结合模块(图中未示出)，用于在所述从所述局部搜索范围中得到目标最优自由度参数值之前，通过如下公式计算梯度损失函数，其中，所述梯度损失函数用于结合所述相似度值从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；
其中，Lθ表示梯度损失函数，θ表示采样点，M表示采样点个数，Aπ(Si,αi)表示优势函数，度量状态Si下采取行αi的效益，Si表示当前的状态，αi表示下一次迭代的方式(步长，方向)，ai,j表示当前值，μj；θ表示平均值，μj；θ(Si)表示表示当前状态下的平均值，cj；θ(Si)表示当前状态下的协方差矩阵。
对应上述实施例提供的医学图像配准参数的确定方法，本发明实施例还提供一种医学图像配准参数的确定设备，图10为本发明实施例提供的医学图像配准参数的确定装置的结构示意图，参照图10，可以包括处理器1001和机器可读存储介质1002，机器可读存储介质1002存储有能够被处理器1001执行的机器可执行指令，处理器1001被机器可执行指令促使：实现上述实施例中医学图像配准参数的确定方法的方法步骤。
对应上述实施例提供的医学图像配准参数的确定方法，本发明还提供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，所述计算机程序被处理器执行时实现上述实施例中医学图像配准参数的确定方法的方法步骤。
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医学图像配准参数的确定方法的方法步骤。
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，对于装置、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 (18)
1.一种医学图像配准参数的确定方法，其特征在于，包括：
获得待配准的三维医学图像和二维医学图像；
将自由度搜索空间划分为多个子空间，其中，所述自由度搜索空间包含各个自由度参数的全局搜索范围；所述各个自由度参数的全局搜索范围分别被划分为多个子范围，每个子空间包含各个自由度参数的子范围；
针对各个子空间，产生所述子空间对应的多个第一采样点，每个第一采样点包括一组自由度参数值，所述一组自由度参数值包括各个自由度参数对应的自由度参数值，所述自由度参数值位于所述子空间对应的各个自由度参数的子范围内；
计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值；
将所述各个子空间，作为所述自由度搜索空间的全局采样点，将各个子空间的自由度参数均值，作为各个全局采样点的自由度参数值；
分别基于各个全局采样点的自由度参数值对应的二维映射图像和所述二维医学图像的相似度值，从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；任一全局采样点的自由度参数值对应的二维映射图像，是基于所述自由度参数值将所述三维医学图像映射得到的二维图像；
以所述全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围，所述各个自由度参数的局部搜索范围中包含所述自由度参数均值；
从所述局部搜索范围中得到目标最优自由度参数值，所述目标最优自由度参数值为医学图像配准参数，所述目标医学图像配准参数用于所述三维医学图像和所述二维医学图像的配准。
2.根据权利要求1所述的方法，其特征在于，所述分别基于各个全局采样点的自由度参数值对应的二维映射图像和所述二维医学图像的相似度值，从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值，包括：
利用所述全局采样点的自由度参数均值将所述三维医学图像进行映射，得到所述全局采样点对应的二维映射图像；
分别计算所述全局采样点对应的二维映射图像与所述二维医学图像之间的相似度值；
将相似度值最大的全局采样点的自由度参数均值作为全局最优自由度参数。
3.根据权利要求2所述的方法，其特征在于，所述针对各个子空间，产生所述子空间对应的多个第一采样点，包括：
针对各个子空间，根据第一协方差，使用协方差进化算法CMA_ES算法，产生所述子空间对应的多个第一采样点；
所述计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值，包括：
分别针对第一协方差对应的多个第一采样点，得到所述第一协方差对应的自由度参数均值；
所述利用所述全局采样点的自由度参数均值将所述三维医学图像进行映射，得到所述全局采样点对应的二维映射图像，包括：
针对所述第一协方差对应的自由度参数均值，利用所述第一协方差对应的自由度参数均值将所述三维医学图像进行映射，得到所述第一协方差对应的二维映射图像。
4.根据权利要求1所述的方法，其特征在于，所述从所述局部搜索范围中得到目标最优自由度参数值，包括：
基于所述局部搜索范围对应的局部搜索空间，产生所述局部搜索空间对应的多个第二采样点；
从所述局部搜索空间的多个第二采样点中，搜索出所述目标最优自由度参数值作为医学图像配准参数。
5.根据权利要求4所述的方法，其特征在于，所述从所述局部搜索空间的多个第二采样点中，搜索出所述目标最优自由度参数值作为医学图像配准参数，包括：
利用所述第二采样点的自由度参数将所述三维医学图像进行映射，得到所述第二采样点对应的二维映射图像；
分别计算所述第二采样点对应的二维映射图像与所述二维医学图像之间的相似度值；
将相似度值最大的第二采样点的自由度参数作为所述目标最优自由度参数值。
6.根据权利要求5所述的方法，其特征在于，所述基于所述局部搜索范围对应的局部搜索空间，产生所述局部搜索空间对应的多个第二采样点，包括：
基于所述局部搜索范围对应的局部搜索空间，根据第二协方差，使用协方差进化算法CMA_ES，产生所述局部搜索空间对应的多个第二采样点。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述将自由度搜索空间划分为多个子空间，包括：
使用分割数据空间k-d树算法，确定所述自由度搜索空间的超平面信息，所述超平面信息用于表示分割空间之间的分割平面；
基于所述超平面信息将所述自由度搜索空间分割得到多个分割空间，并分别将每一个分割空间作为一个子空间。
8.根据权利要求1至6任一项所述的方法，其特征在于，在所述从所述局部搜索范围中得到目标最优自由度参数值之前，所述方法还包括：通过如下公式计算梯度损失函数，其中，所述梯度损失函数用于结合所述相似度值从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；
其中，Lθ表示梯度损失函数，θ表示采样点，M表示采样点个数，Aπ(Si,αi)表示优势函数，度量状态Si下采取行αi的效益，Si表示当前的状态，αi表示下一次迭代的方式，ai,j表示当前值，μj；θ表示平均值，μj；θ(Si)表示表示当前状态下的平均值，cj；θ(Si)表示当前状态下的协方差矩阵。
9.一种医学图像配准参数的确定装置，其特征在于，包括：
获得模块，用于获得待配准的三维医学图像和二维医学图像；
划分模块，用于将自由度搜索空间划分为多个子空间，其中，所述自由度搜索空间包含各个自由度参数的全局搜索范围；所述各个自由度参数的全局搜索范围分别被划分为多个子范围，每个子空间包含各个自由度参数的子范围；
产生模块，用于针对各个子空间，产生所述子空间对应的多个第一采样点，每个第一采样点包括一组自由度参数值，所述一组自由度参数值包括各个自由度参数对应的自由度参数值，所述自由度参数值位于所述子空间对应的各个自由度参数的子范围内；
计算模块，用于计算每个子空间的多个第一采样点中各个自由度参数值的平均值，得到该子空间的自由度参数均值；
搜索模块，用于将所述各个子空间，作为所述自由度搜索空间的全局采样点，将各个子空间的自由度参数均值，作为各个全局采样点的自由度参数值；分别基于各个全局采样点的自由度参数值对应的二维映射图像和所述二维医学图像的相似度值，从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；任一全局采样点的自由度参数值对应的二维映射图像，是基于所述自由度参数值将所述三维医学图像映射得到的二维图像；
确定模块，用于以所述全局最优自由度参数均值为基础，从各个自由度参数的全局搜索范围中，确定各个自由度参数的局部搜索范围，所述各个自由度参数的局部搜索范围中包含所述自由度参数均值；
得到模块，用于从所述局部搜索范围中得到目标最优自由度参数值，所述目标最优自由度参数值为医学图像配准参数，所述目标医学图像配准参数用于所述三维医学图像和所述二维医学图像的配准。
10.根据权利要求9所述的装置，其特征在于，所述搜索模块，具体用于利用所述全局采样点的自由度参数均值将所述三维医学图像进行映射，得到所述全局采样点对应的二维映射图像；分别计算所述全局采样点对应的二维映射图像与所述二维医学图像之间的相似度值；将相似度值最大的全局采样点的自由度参数均值作为全局最优自由度参数。
11.根据权利要求10所述的装置，其特征在于，所述产生模块，具体用于针对各个子空间，根据第一协方差，使用协方差进化算法CMA_ES算法，产生所述子空间对应的多个第一采样点；
所述计算模块，具体用于分别针对第一协方差对应的多个第一采样点，得到所述第一协方差对应的自由度参数均值；
所述搜索模块，具体用于针对所述第一协方差对应的自由度参数均值，利用所述第一协方差对应的自由度参数均值将所述三维医学图像进行映射，得到所述第一协方差对应的二维映射图像。
12.根据权利要求9所述的装置，其特征在于，所述得到模块，具体用于基于所述局部搜索范围对应的局部搜索空间，产生所述局部搜索空间对应的多个第二采样点；从所述局部搜索空间的多个第二采样点中，搜索出所述目标最优自由度参数值作为医学图像配准参数。
13.根据权利要求12所述的装置，其特征在于，所述得到模块，具体用于利用所述第二采样点的自由度参数将所述三维医学图像进行映射，得到所述第二采样点对应的二维映射图像；分别计算所述第二采样点对应的二维映射图像与所述二维医学图像之间的相似度值；将相似度值最大的第二采样点的自由度参数作为所述目标最优自由度参数值。
14.根据权利要求13所述的装置，其特征在于，所述得到模块，具体用于基于所述局部搜索范围对应的局部搜索空间，根据第二协方差，使用协方差进化算法CMA_ES，产生所述局部搜索空间对应的多个第二采样点。
15.根据权利要求9至14任一项所述的装置，其特征在于，所述划分模块，具体用于使用分割数据空间k-d树算法，确定所述自由度搜索空间的超平面信息，所述超平面信息用于表示分割空间之间的分割平面；基于所述超平面信息将所述自由度搜索空间分割得到多个分割空间，并分别将每一个分割空间作为一个子空间。
16.根据权利要求9至14任一项所述的装置，其特征在于，所述装置还包括：
结合模块，用于在所述从所述局部搜索范围中得到目标最优自由度参数值之前，通过如下公式计算梯度损失函数，其中，所述梯度损失函数用于结合所述相似度值从所述自由度搜索空间的全局采样点中，搜索出全局最优自由度参数均值；
其中，Lθ表示梯度损失函数，θ表示采样点，M表示采样点个数，Aπ(Si,αi)表示优势函数，度量状态Si下采取行αi的效益，Si表示当前的状态，αi表示下一次迭代的方式，ai,j表示当前值，μj；θ表示平均值，μj；θ(Si)表示表示当前状态下的平均值，cj；θ(Si)表示当前状态下的协方差矩阵。
17.一种医学图像配准参数的确定设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现权利要求1-8任一所述的方法步骤。
18.一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，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011402496.7A CN114596344B (zh) | 2020-12-04 | 2020-12-04 | 医学图像配准参数的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011402496.7A CN114596344B (zh) | 2020-12-04 | 2020-12-04 | 医学图像配准参数的确定方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114596344A CN114596344A (zh) | 2022-06-07 |
| CN114596344B true CN114596344B (zh) | 2024-03-19 |
Family
ID=81812024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011402496.7A Active CN114596344B (zh) | 2020-12-04 | 2020-12-04 | 医学图像配准参数的确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114596344B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016202512B3 (de) * | 2016-02-18 | 2017-08-17 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur 2D-3D-Registrierung, Recheneinrichtung und Computerprogramm |
| CN109559296A (zh) * | 2018-10-08 | 2019-04-02 | 广州市本真网络科技有限公司 | 基于全卷积神经网络和互信息的医学图像配准方法及系统 |
| CN111179433A (zh) * | 2019-12-31 | 2020-05-19 | 杭州阜博科技有限公司 | 目标物体的三维建模方法及装置、电子设备、存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8818105B2 (en) * | 2011-07-14 | 2014-08-26 | Accuray Incorporated | Image registration for image-guided surgery |
| US11633146B2 (en) * | 2019-01-04 | 2023-04-25 | Regents Of The University Of Minnesota | Automated co-registration of prostate MRI data |
-
2020
- 2020-12-04 CN CN202011402496.7A patent/CN114596344B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016202512B3 (de) * | 2016-02-18 | 2017-08-17 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur 2D-3D-Registrierung, Recheneinrichtung und Computerprogramm |
| CN109559296A (zh) * | 2018-10-08 | 2019-04-02 | 广州市本真网络科技有限公司 | 基于全卷积神经网络和互信息的医学图像配准方法及系统 |
| CN111179433A (zh) * | 2019-12-31 | 2020-05-19 | 杭州阜博科技有限公司 | 目标物体的三维建模方法及装置、电子设备、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 姚明青 ; 胡靖 ; .基于深度强化学习的多模态医学图像配准.计算机辅助设计与图形学学报.2020,(08),41-52. * |
| 张红颖 ; 孙毅刚 ; .基于改进微粒群优化算法的互信息医学图像配准.中国民航大学学报.2009,(01),6-9. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114596344A (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111795704B (zh) | 一种视觉点云地图的构建方法、装置 | |
| US10288425B2 (en) | Generation of map data | |
| Du et al. | New iterative closest point algorithm for isotropic scaling registration of point sets with noise | |
| CN116309880A (zh) | 基于三维重建的物体位姿确定方法、装置、设备及介质 | |
| CN113034554B (zh) | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 | |
| CN113223173A (zh) | 基于图模型的三维模型重建迁移方法及系统 | |
| CN113393577B (zh) | 一种倾斜摄影地形重建方法 | |
| CN110874849A (zh) | 一种基于局部变换一致的非刚性点集配准方法 | |
| CN108550181B (zh) | 移动设备上在线跟踪与稠密重建方法、系统及设备 | |
| CN116563096B (zh) | 用于图像配准的形变场的确定方法、装置以及电子设备 | |
| CN111241331A (zh) | 基于人工智能的图像搜索方法、装置、设备及介质 | |
| CN116563493A (zh) | 基于三维重建的模型训练方法、三维重建方法及装置 | |
| Wei et al. | Optimization of 3-D pose measurement method based on binocular vision | |
| CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
| CN114596344B (zh) | 医学图像配准参数的确定方法、装置、设备及存储介质 | |
| Miao et al. | Convolutional neural networks for robust and real-time 2-D/3-D registration | |
| CN117710603A (zh) | 一种直线几何结构约束下无人机图像三维建筑物建模方法 | |
| Wang et al. | LiDAR-SLAM loop closure detection based on multi-scale point cloud feature transformer | |
| CN112581511A (zh) | 基于近似直立扫描点云快速配准的三维重建方法及系统 | |
| CN113256693A (zh) | 基于K-means与正态分布变换的多视角配准方法 | |
| CN115147619B (zh) | 一种优化图像添加次序的增量式运动恢复结构方法 | |
| KR102689375B1 (ko) | 다방향 엑스선 영상을 이용한 영상 내 골격 추정 장치 및 방법 | |
| Jiang et al. | Research on defect detection method for thin-walled parts based on point cloud data processing | |
| WO2024055493A1 (zh) | 基于深度相位相关的异构三维观测配准方法、介质及设备 | |
| CN113920180B (zh) | 一种基于正态分布变换假设校验的点云配准优化方法 |
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 |