CN114926513A - 图像配准融合方法、装置、系统、计算机设备和存储介质 - Google Patents
图像配准融合方法、装置、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114926513A CN114926513A CN202210679920.5A CN202210679920A CN114926513A CN 114926513 A CN114926513 A CN 114926513A CN 202210679920 A CN202210679920 A CN 202210679920A CN 114926513 A CN114926513 A CN 114926513A
- Authority
- CN
- China
- Prior art keywords
- image
- modality
- modality image
- new
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002591 computed tomography Methods 0.000 description 21
- 238000002600 positron emission tomography Methods 0.000 description 19
- 238000012549 training Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/10068—Endoscopic image
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及医学图像处理领域,特别是涉及一种图像配准融合方法、装置、系统、计算机设备和存储介质,所述方法包括:获取目标对象的第一模态图像数据以及第二模态图像;对所述第一模态图像数据进行重建及运动校正,得到第一模态图像;将所述第一模态图像经模态转换处理得到新的第一模态图像;其中,所述新的第一模态图像为类第二模态图像;将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息;基于所述配准信息,将所述第一模态图像与所述第二模态图像进行融合。本发明由于新的第一模态图像为类第二模态图像,因此配准效率和配准精度更高,从而提高了图像融合的效率和精度。
Description
技术领域
本申请涉及医学图像处理领域,特别是涉及一种图像配准融合方法、装置、系统、计算机设备和存储介质。
背景技术
在PET-CT的成像过程中,需要利用CT图像对PET图像数据进行衰减校正,同时由于目标对象在扫描CT和扫描PET之间产生的身体运动(如呼吸运动等)会导致PET图像和CT图像的偏差,因此后期需要对PET图像和CT图像进行融合显示,利于医生诊断。而对于PET-MR成像以及PET-衰减校正图成像同样需要进行配准融合。
以PET-CT成像为例,现有技术中,通常直接对PET图像和CT图像进行配准融合,由于PET图像和CT图像属于两种模态所生成的图像,因此配准效率较低且配准精度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种图像配准融合方法、装置、系统、计算机设备和存储介质。
第一方面,本发明实施例提出一种图像配准融合方法,所述方法包括:
获取目标对象的第一模态图像数据以及第二模态图像;
对所述第一模态图像数据进行重建及运动校正,得到第一模态图像;
将所述第一模态图像经模态转换处理得到新的第一模态图像;其中,所述新的第一模态图像为类第二模态图像;
将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息;
基于所述配准信息,将所述第一模态图像与所述第二模态图像进行融合。
在一实施例中,所述对所述第一模态图像数据进行重建及运动校正,得到第一模态图像包括:
基于所述第一模态图像数据,得到重建图像;
基于所述重建图像,确定第一运动向量场;
基于所述重建图像以及所述第一运动向量场,利用运动校正算法,得到所述第一模态图像。
在一实施例中,所述对所述第一模态图像数据进行重建及运动校正,得到第一模态图像包括:
基于所述第一模态图像数据,得到重建图像;
基于所述重建图像,确定第一运动向量场;
基于所述第一模态图像数据以及所述第一运动向量场,利用运动补偿图像重建算法,得到所述第一模态图像。
在一实施例中,所述将所述第一模态图像经模态转换处理得到新的第一模态图像包括:
将所述第一模态图像输入模态转换模型,输出得到所述新的第一模态图像;
其中,所述模态转换模型以第一模态图像集作为模型的输入,第二模态图像集作为模型的输出训练得到。
在一实施例中,所述将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息包括:
利用配准方法,将所述新的第一模态图像与所述第二模态图像进行配准,得到第二运动向量场。
在一实施例中,所述第一模态图像为PET图像,所述第二模态图像为CT图像或MR图像。
第二方面,本发明实施例提出一种图像配准融合装置,所述装置包括:
获取模块,用于获取目标对象的第一模态图像数据以及第二模态图像;
重建校正模块,用于对所述第一模态图像数据进行重建及运动校正,得到第一模态图像;
模态转换模块,用于所述第一模态图像经模态转换处理得到新的第一模态图像;其中,所述新的第一模态图像为类第二模态图像;
配准模块,用于将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息;
融合模块,用于基于所述配准信息,将所述第一模态图像与所述第二模态图像进行融合。
第三方面,本发明实施例提出一种图像扫描系统,其特征在于,所述系统包括用于扫描目标对象得到第一模态图像数据和第二模态图像数据的扫描设备,以及与所述扫描设备连接的如第二方面所述的图像配准融合装置,所述第二模态图像数据用于生成第二模态图像。
第四方面,本发明实施例提出一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行第一方面所述的步骤。
第五方面,本发明实施例提出一种计算机可读存储介质,其上存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的步骤。
相比于现有技术,上述方法、装置、系统、计算机设备和存储介质,对第一模态图像数据进行重建及运动校正提高后续第一模态图像与第二模态图像配准融合的精度,将第一模态图像经模态转换处理得到新的第一模态图像,将新的第一模态图像与所述第二模态图像进行配准,得到配准信息,基于所述配准信息,将第一模态图像与第二模态图像进行融合,由于新的第一模态图像为类第二模态图像,因此新的第一模态图像与第二模态图像的配准效率和配准精度更高,从而提高了第一模态图像与第二模态图像的图像融合的效率和精度。
附图说明
图1为一实施例中图像扫描系统的结构示意图;
图2为一实施例中图像配准融合方法的流程示意图;
图3为一实施例中重建及运动校正方法的流程示意图;
图4为另一实施例中重建及运动校正方法的流程示意图;
图5为一示例实施例中图像配准融合装置的模块连接示意图;
图6为一实施例中计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本发明应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在计算设备和/或处理器上。模块仅是说明性的,并且系统和方法的不同方面可以使用不同模块。
应当理解的是,当单元或模块被描述为“连接”、“耦接”其它单元、模块或块时,其可以指直接连接或耦接,或者与其它单元、模块或块通信,或者可以存在中间的单元、模块或块,除非上下文明确指明其它方式。本文所使用的术语“和/或”可包括一个或多个相关列出项目的任意与所有组合。
如图1所示,图像扫描系统可以包括扫描设备110、图像配准融合装置120、存储设备140和显示设备150。所述图像扫描系统中各设备可以通过网络130互相连接或通信。
扫描设备110可以对一个对象进行扫描。所述对象可以是物体、人体、器官、组织等。所述扫描设备可以是一个医学图像设备。在一些实施例中,所述扫描设备110可以是磁共振成像仪(magnetic resonance imaging,MRI)、电子计算机断层扫描仪(computedtomography,CT)、正电子发射型计算机断层显像仪(positrone mission computedtomography,PET)、B超仪(b-scan ultrasonography)、热断层扫描仪(Thermal texturemaps,TTM)、医用电子内窥镜(medical electronic endoscope,MEE)等。在一些实施例中,所述扫描设备110也可以是上述多种设备的结合,如PET-CT扫描仪,PET-MRI扫描仪等。扫描设备110可以在扫描后产生与该对象对应的图像数据。进一步地,扫描设备110可以将获取的图像数据通过网络130发送至图像配准融合装置120、存储设备140或显示设备150。
图像配准融合装置120可以对图像数据进行处理。所述图像数据可以通过扫描设备110扫描获得,也可以从存储设备140中获得。在一些实施例中,图像数据可以是表示扫描对象的解剖和/或功能信息的二维或三维图像数据。所述处理可以包括对图像数据进行重建以生成图像。所述重建的方法可以包括但不限于滤波反投影(filtered backprojection,FBP)、迭代重建、深度学习的重建、多平面重建(multiplanar reformatting,MPR)、容积再现(volume rendering,VR)、多平面容积再现(multiplanar volumereformation,MPVR)、曲面重建(curved planar reformatting,CPR)、最大密度投影(maximum intensity projection,MIP)、表面遮盖法(shaded surface display,SSD)等中的一种或多种的组合。所述处理也可以包括对图像数据或者生成的图像进行配准融合处理。图像配准融合装置120可以将配准融合后的图像发送至存储设备140进行存储。
网络130可以是任何连接两个或多个设备的连接方式。例如,网络130可以是有线网络或者无线网络。在一些实施例中,网络130可以是单一网络,也可以是多种网络的组合。例如,所述网络130可以包括局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、公用电话网络等中的一种或几种的组合。图像扫描系统中的各模块可以通过连接网络130,实现信息的交互。
存储设备140可以存储数据和/或信息。例如,存储设备140可以存储扫描设备110生成的图像数据,也可以存储图像配准融合装置120所得到的图像,也可以存储显示设备150所接收的用户输入或指令。在一些实施例中,存储设备140可以是本地的存储,外接的存储,云存储等。
显示设备150可以用于将图像进行显示。所述显示设备150可以包括显示屏、触摸屏等。在一些实施例中,所述显示设备150可以包括一个交互界面,该交互界面可以接收用户或医生的输入。在一些实施例中,所述显示设备150可以包括一个输入设备,如触摸板、触摸屏、鼠标、键盘、麦克风等。显示设备150可以将用户的输入发送至图像配准融合装置120进行处理或者发送至存储设备140进行存储。
图2是本发明一实施例提供的一种图像配准融合的流程图。在一些实施例中,流程可以通过图像配准融合装置120实现。在一个实施例中,如图2所示,提出一种图像配准融合方法,包括以下步骤:
S201:获取目标对象的第一模态图像数据以及第二模态图像。
可以理解的是,目标对象指的是被扫描对象的某一部位,例如人体的某一部位,第一模态图像数据、第二模态图像指的是扫描相同部位所得到的图像数据。
在步骤201中,第一模态图像数据可以通过扫描设备110获得,也可以从存储设备140中获取。第二模态图像可以通过扫描设备110获得第二模态图像数据,再处理得到第二模态图像,也可以直接从存储设备140中获取。在一些实施例中,第一模态图像数据为PET图像数据,第二模态图像为CT图像或MR图像。
S202:对第一模态图像数据进行重建及运动校正,得到第一模态图像。
考虑到第一模态图像数据的获取过程中会由于头部运动、肢体/躯干运动、呼吸运动造成第一模态图像与第二模态图像的不匹配,步骤S202用于实现第一模态图像数据的运动校正,提高后续第一模态图像与第二模态图像配准融合的精度。
S203:将第一模态图像经模态转换处理得到新的第一模态图像;其中,新的第一模态图像为类第二模态图像。
新的第一模态图像为CT图像或MR图像或衰减校正图像。
以第一模态图像为PET图像,第二模态图像为CT图像为例,将PET图像经模态转换处理得到CT图像。
考虑到不同模态的图像的配准效率较低且精度较低,例如PET图像与CT图像的配准、PET图像与MR图像的配准等。在本实施例中,第一模态图像经模态转换处理后得到的新的第一模态图像为类第二模态图像(例如新的第一模态图像与第二模态图像都是CT图像),因此新的第一模态图像与第二模态图像的配准效率和配准精度相对更高。
具体的讲,不同模态的图像是指因成像机理不同而能从多种层面提供信息形成的医学图像。
S204:将新的第一模态图像与第二模态图像进行配准,得到配准信息。
利用现有配准方法将所述新的第一模态图像与所述第二模态图像进行配准。配准信息包含新的第一模态图像与第二模态图像的偏移信息。在一些实施例中,偏移信息可以通过运动向量场来表示。
S205:基于配准信息,将第一模态图像与第二模态图像进行融合。
基于步骤S04所获得的配准信息,利用图像融合算法通过变形操作就可以将第一模态图像与第二模态图像融合。
基于上述步骤S201-S205,对第一模态图像数据进行重建及运动校正提高后续第一模态图像与第二模态图像配准融合的精度,将第一模态图像经模态转换处理得到新的第一模态图像,将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息,基于所述配准信息,将所述第一模态图像与所述第二模态图像进行融合,由于新的第一模态图像为类第二模态图像,因此配准效率和配准精度更高,从而提高了图像融合的效率和精度。
在一些实施例中,如图3所示,所述对第一模态图像数据进行重建及运动校正,得到第一模态图像包括以下步骤:
S301:基于第一模态图像数据,得到重建图像;
S302:基于重建图像,确定第一运动向量场;
S303:基于重建图像以及第一运动向量场,利用运动校正算法,得到第一模态图像。
首先基于多帧第一模态图像数据,利用图像重建算法或深度学习算法进行重建得到多帧重建图像,再利用多帧重建图像通过图像配准方法确定第一运动向量场,最后通过运动校正算法对多帧叠加后的重建图像运动校正得到第一模态图像。
运动校正方法是基于图像进行运动变形,或者将运动向量场加入图像重建过程中,实现运动校正。
对于不同运动,具体的运动检测和运动向量场计算的方法如下:对于头部运动,使用基于自适应运动检测方法,以及基于误差平方和相似度为目标方程的刚体配准方法得到头部运动的运动向量场。对于肢体/躯干运动,使用基于自适应运动检测方法,以及基于非刚体配准方法得到肢体/躯干运动的运动向量场。对于呼吸运动,使用基于自适应运动检测方法或者基于外接设备运动检测方法,以及基于非刚体配准方法得到呼吸运动的运动向量场。
在其他一些实施例中,还可以利用运动补偿图像重建算法对第一模态图像数据同时进行运动校正和重建,得到第一模态图像,例如MCIR(motion compensated imagereconstruction,运动补偿图像重建)算法。
具体的,如图4所示,包括以下步骤:
S401:基于第一模态图像数据,得到重建图像;
S402:基于重建图像,确定第一运动向量场;
S403:基于第一模态图像数据以及第一运动向量场,利用运动补偿图像重建算法,得到所述第一模态图像。
基于上述步骤S401-S403,实现对第一模态图像数据同时进行运动校正和重建得到第一模态图像。
在一些实施例中,所述将第一模态图像经模态转换处理得到新的第一模态图像包括以下步骤:
将第一模态图像输入模态转换模型,输出得到新的第一模态图像。
具体的的,以第一模态图像集作为模型的输入,第二模态图像集作为模型的输出,训练得到所述模态转换模型。
在一示例实施例中,以第一模态图像为PET图像,第二模态图像为CT图像为例,选取300套临床PET/CT图像,PET图像和CT图像之间没有明显的运动造成的不匹配。然后使用没有经过衰减校正的PET图像作为模型输入,CT图像作为模型输出,训练一个带有残差模块的U-NET网络来得到由PET图像生成CT图像的回归网络模型。
对于其他模态的图像组合,其模态转换模型的训练过程基本相同,因此不再赘述。
在一些实施例中,所述将新的第一模态图像与第二模态图像进行配准,得到配准信息包括:
利用配准方法,将新的第一模态图像与第二模态图像进行配准,得到第二运动向量场。
需要说明的是,利用配准方法计算运动向量场的方法在上述实施例中已经描述,再次不再赘述。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一些实施例中,如图5所示,本发明提供了一种图像配准融合装置,所述装置包括:
获取模块501,用于获取目标对象的第一模态图像数据以及第二模态图像;
重建校正模块502,用于对所述第一模态图像数据进行重建及运动校正,得到第一模态图像;
模态转换模块503,用于所述第一模态图像经模态转换处理得到新的第一模态图像;其中,所述新的第一模态图像为类第二模态图像;
配准模块504,用于将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息;
融合模块505,用于基于所述配准信息,将所述第一模态图像与所述第二模态图像进行融合。
在一些实施例中,重建校正模块包括:
重建模块,用于基于所述第一模态图像数据,得到重建图像;
确定模块,用于基于所述重建图像,确定第一运动向量场;
重建校正子模块,用于基于所述重建图像以及所述第一运动向量场,利用运动校正算法,得到所述第一模态图像。
在一些实施例中,重建校正模块包括:
重建模块,用于基于所述第一模态图像数据,得到重建图像;
确定模块,用于基于所述重建图像,确定第一运动向量场;
重建校正子模块,用于基于所述重建图像以及所述第一运动向量场,利用运动校正算法,得到所述第一模态图像。
在一些实施例中,模态转换子模块具体用于将所述第一模态图像输入模态转换模型,输出得到所述新的第一模态图像。
在一些实施例中,所述模态转换模型的训练方法包括:以第一模态图像集作为模型的输入,第二模态图像集作为模型的输出,训练得到所述模态转换模型。
在一些实施例中,配准模块具体用于:利用配准方法,将所述新的第一模态图像与所述第二模态图像进行配准,得到第二运动向量场。
在一些实施例中,所述第一模态图像为PET图像,所述第二模态图像为CT图像或MR图像。
关于图像配准融合装置的具体限定可以参见上文中对于图像配准融合方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储动作检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任一项图像配准融合方法实施例中的步骤。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述任一项图像配准融合方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项图像配准融合方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandomAccessMemory,SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像配准融合方法,其特征在于,所述方法包括:
获取目标对象的第一模态图像数据以及第二模态图像;
对所述第一模态图像数据进行重建及运动校正,得到第一模态图像;
将所述第一模态图像经模态转换处理得到新的第一模态图像;其中,所述新的第一模态图像为类第二模态图像;
将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息;
基于所述配准信息,将所述第一模态图像与所述第二模态图像进行融合。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一模态图像数据进行重建及运动校正,得到第一模态图像包括:
基于所述第一模态图像数据,得到重建图像;
基于所述重建图像,确定第一运动向量场;
基于所述重建图像以及所述第一运动向量场,利用运动校正算法,得到所述第一模态图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述第一模态图像数据进行重建及运动校正,得到第一模态图像包括:
基于所述第一模态图像数据,得到重建图像;
基于所述重建图像,确定第一运动向量场;
基于所述第一模态图像数据以及所述第一运动向量场,利用运动补偿图像重建算法,得到所述第一模态图像。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一模态图像经模态转换处理得到新的第一模态图像包括:
将所述第一模态图像输入模态转换模型,输出得到所述新的第一模态图像;
其中,所述模态转换模型以第一模态图像集作为模型的输入,第二模态图像集作为模型的输出训练得到。
5.根据权利要求1所述的方法,其特征在于,所述将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息包括:
利用配准方法,将所述新的第一模态图像与所述第二模态图像进行配准,得到第二运动向量场。
6.根据权利要求1所述的方法,其特征在于,所述第一模态图像为PET图像,所述第二模态图像为CT图像或MR图像。
7.一种图像配准融合装置,其特征在于,所述装置包括:
获取模块,用于获取目标对象的第一模态图像数据以及第二模态图像;
重建校正模块,用于对所述第一模态图像数据进行重建及运动校正,得到第一模态图像;
模态转换模块,用于所述第一模态图像经模态转换处理得到新的第一模态图像;其中,所述新的第一模态图像为类第二模态图像;
配准模块,用于将所述新的第一模态图像与所述第二模态图像进行配准,得到配准信息;
融合模块,用于基于所述配准信息,将所述第一模态图像与所述第二模态图像进行融合。
8.一种图像扫描系统,其特征在于,所述系统包括用于扫描目标对象得到第一模态图像数据和第二模态图像数据的扫描设备,以及与所述扫描设备连接的如权利要求7所述的图像配准融合装置,所述第二模态图像数据用于生成第二模态图像。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至6中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时,实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679920.5A CN114926513A (zh) | 2022-06-16 | 2022-06-16 | 图像配准融合方法、装置、系统、计算机设备和存储介质 |
US18/302,763 US20230334664A1 (en) | 2022-04-18 | 2023-04-18 | Systems and methods for image generation |
EP23168831.8A EP4266252A3 (en) | 2022-04-18 | 2023-04-19 | Systems and methods for image generation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679920.5A CN114926513A (zh) | 2022-06-16 | 2022-06-16 | 图像配准融合方法、装置、系统、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926513A true CN114926513A (zh) | 2022-08-19 |
Family
ID=82813874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210679920.5A Pending CN114926513A (zh) | 2022-04-18 | 2022-06-16 | 图像配准融合方法、装置、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926513A (zh) |
-
2022
- 2022-06-16 CN CN202210679920.5A patent/CN114926513A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107638188B (zh) | 图像衰减校正方法及装置 | |
CN111223066B (zh) | 运动伪影校正方法、装置、计算机设备和可读存储介质 | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
CN107133996A (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
CN107133946A (zh) | 医学图像处理方法、装置及设备 | |
CN110473269B (zh) | 一种图像重建方法、系统、设备及存储介质 | |
CN111402355A (zh) | Pet图像重建方法、装置和计算机设备 | |
CN110827369A (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
KR101885562B1 (ko) | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 | |
Su et al. | A deep learning method for eliminating head motion artifacts in computed tomography | |
CN113780519A (zh) | 生成对抗网络训练方法、装置、计算机设备和存储介质 | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN113989110A (zh) | 肺部图像配准方法、装置、计算机设备和存储介质 | |
CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
CN110673070B (zh) | 磁共振信号校正网络的训练方法和磁共振信号处理方法 | |
CN110473241B (zh) | 图像配准方法、存储介质及计算机设备 | |
US20230342882A1 (en) | Medical use image processing method, medical use image processing program, medical use image processing device, and learning method | |
CN112365479A (zh) | Pet参数图像处理方法、装置、计算机设备及存储介质 | |
CN115205415A (zh) | Ct均值图像生成方法、装置、系统和计算机设备 | |
US20230099906A1 (en) | Image registration method, computer device, and storage medium | |
CN115836872A (zh) | 扫描舱偏移确定方法、装置、系统、计算机设备及介质 | |
CN114926513A (zh) | 图像配准融合方法、装置、系统、计算机设备和存储介质 | |
CN115761134A (zh) | 孪生模型的生成方法、系统、核磁共振装置和介质 | |
CN115908610A (zh) | 一种基于单模态pet图像获取衰减校正系数图像的方法 | |
CN112669450B (zh) | 人体模型构建方法和个性化人体模型构建方法 |
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 |