CN115810032A - 图像配准方法及装置、医学图像的运动校正方法及系统 - Google Patents
图像配准方法及装置、医学图像的运动校正方法及系统 Download PDFInfo
- Publication number
- CN115810032A CN115810032A CN202211625782.9A CN202211625782A CN115810032A CN 115810032 A CN115810032 A CN 115810032A CN 202211625782 A CN202211625782 A CN 202211625782A CN 115810032 A CN115810032 A CN 115810032A
- Authority
- CN
- China
- Prior art keywords
- image data
- medical image
- registration
- medical
- candidate
- 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
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了图像配准方法及装置、医学图像的运动校正方法及系统、设备、介质。其中,图像配准方法包括:获取包含目标对象的多个时间点的医学图像数据;确定所述医学图像数据的运动伪影程度,以及根据所述医学图像数据中目标对象的平衡位置确定若干帧候选图像数据;选择所述若干帧候选图像数据中运动伪影程度最低的医学图像数据作为配准参考图像数据;采用所述配准参考图像数据对所述医学图像数据进行图像配准。本发明根据运动伪影程度和平衡位置两个维度自动选取配准参考图像,能够避免选择图像质量较差的图像作为配准参考图像,同时能够减小配准难度和代价,进而可以提高图像配准的质量和效率,还提出一种用于医学图像运动校正的质量控制方案。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像配准方法及装置、医学图像的运动校正方法及系统、设备、介质。
背景技术
目前,图像配准或者运动校正功能通常是需要先设定配准参考图像,然后将其他时间点的图像配准到参考图像所在的空间。参考图像设定方式一般通过用户手动设定某个时间点的图像作为参考图像或参考帧,也有根据灌注采集过程的特点选择第一个时间点或中间时刻、最后时间点作为参考帧。这样的参考图像选择方式容易受到运动伪影的影响,如果配准参考图像存在运动伪影、解剖结构重影等图像质量问题,将使得后续的图像配准结果不可靠。
发明内容
本发明要解决的技术问题是为了克服现有技术中确定配准参考图像的方式会使得后续的图像配准结果不可靠的缺陷,提供一种图像配准方法及装置、医学图像的运动校正方法及系统、设备、介质。
本发明是通过下述技术方案来解决上述技术问题:
第一方面,提供一种图像配准方法,包括:
获取包含目标对象的多个时间点的医学图像数据;
确定所述医学图像数据的运动伪影程度,以及根据所述医学图像数据中目标对象的平衡位置确定若干帧候选图像数据;
选择所述若干帧候选图像中运动伪影程度最低的医学图像数据作为配准参考图像数据;
采用所述配准参考图像数据对所述医学图像数据进行图像配准。
可选地,确定若干帧候选图像数据,包括:
根据特征算子,计算各帧医学图像数据的特征值;所述特征值表征目标对象的空间位置;
根据所述特征值,划分所有医学图像数据,得到至少一个时间点子集合;所述时间点子集合中包含至少两帧空间位置接近的医学图像数据;
将包含医学图像数据的数量最多的时间点子集合确定为候选子集合,并将所述候选子集合中的医学图像数据确定为所述候选图像数据。
可选地,根据所述医学图像数据中目标对象的平衡位置确定若干帧候选图像数据,包括:
对所述各医学图像数据进行特征提取,并基于所提取的特征对所述各医学图像数据进行聚类分析,得到多个聚类簇;
将所述多个聚类簇中包含医学图像数据的数量最多的聚类簇确定为候选簇,并将所述候选簇中的医学图像数据确定为所述候选图像数据。
可选地,确定若干帧候选图像数据,包括:
对于各帧医学图像数据,计算所述医学图像数据与其他各帧医学图像数据的均方误差,以及累加所述均方误差得到对应于各帧医学图像数据的均方误差和;
根据所述均方误差和,确定误差阈值;
将各帧医学图像数据中均方误差和小于所述误差阈值的图像确定为所述帧候选图像数据。
可选地,采用所述配准参考图像数据对所述医学图像数据进行图像配准,包括:
根据对象类型与配准算法之间的对应关系,确定与所述目标对象的对象类型相匹配的目标配准算法;
采用所述配准参考图像数据对所述医学图像数据根据所述目标配准算法进行图像配准。
第二方面,提供一种医学图像的运动校正方法,包括:
采用第一方面提供的图像配准方法对医学图像数据进行图像配准,得到空间配准关系;
根据所述空间配准关系对所述医学图像数据进行运动校正。
可选地,还包括:
输出所述医学图像数据的告警信息;其中,所述告警信息包括以下至少之一:运动伪影程度、运动校正不良的医学图像数据的标识、每帧医学图像数据与所述配准参考图像数据的相似度。
第三方面,提供一种图像配准装置,包括:
获取模块,用于获取包含目标对象的多个时间点的医学图像数据;
确定模块,用于确定所述医学图像数据的运动伪影程度,以及根据所述医学图像数据中目标对象的平衡位置确定若干帧候选图像数据;
选择模块,用于选择所述若干帧候选图像数据中运动伪影程度最低的医学图像数据作为配准参考图像数据;
配准模块,用于采用所述配准参考图像数据对所述医学图像数据进行图像配准。
第四方面,提供一种医学图像的运动校正系统,包括:
第三方面提供的图像配准装置,用于对医学图像数据进行图像配准,得到空间配准关系;
校正装置,用于根据所述空间配准关系对所述医学图像数据进行运动校正。
可选地,还包括:
告警模块,用于输出所述医学图像数据的告警信息;其中,所述告警信息包括以下至少之一:运动伪影程度、运动校正不良的医学图像数据的标识、每帧医学图像数据与所述配准参考图像数据的相似度。
第四方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
第五方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:本发明根据运动伪影程度和平衡位置两个维度确定配准参考图像,能够避免选择图像质量较差的图像作为配准参考图像,同时能够减小配准难度和代价,进而可以提高图像配准的质量和效率。
附图说明
图1为本发明一示例性实施例提供的一种图像配准方法的流程图;
图2为本发明一示例性实施例提供的一种医学图像的运动校正方法的流程图;
图3为本发明一示例性实施例提供的一种图像配准装置的模块示意图;
图4为本发明一示例性实施例提供的一种医学图像的运动校正系统的模块示意图;
图5为本发明一示例实施例示出的一种电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
图1为本发明一示例性实施例提供的一种图像配准方法的流程图,该图像配准方法包括以下步骤:
步骤101、获取包含目标对象的多个时间点的医学图像数据。
其中,一个时间点的医学图像数据也即一帧医学图像数据,也即一个时间点对应一帧医学图像数据,多个时间点则对应多帧医学图像数据。
在一个实施例中,对目标对象进行医学扫描,例如灌注扫描,得到医学图像数据。灌注成像是一种临床上应用越来越广的成像方法,它基于血流动力学,但又不同于血管成像,它反映的是组织微循环或毛细血管网开放的情况,观察的是组织内分子的微观运动。灌注成像过程中,以CT(Computed Tomography,计算机断层扫描)灌注成像为例,基于静脉注入对比剂后对目标对象的感兴趣层面做连续快速多次灌注扫描,从而获得感兴趣区的CT医学图像数据;以MR(Magnetic Resonance,磁核共振)灌注成像为例,采用快速扫描序列进行连续的多层面多次成像,从而获得MR医学图像数据。
除了CT医学图像数据和MR医学图像数据之外,本发明实施例还适用于对PET(Positron Emission Tomography,正电子发射计算机断层显像)/CT医学图像数据、PET/MR医学图像数据、PET医学图像数据、超声医学图像数据等其他类型的医学图像数据进行图像配准。
在一个实施例中,对目标对象进行动态增强扫描,得到医学图像数据。具体的,对目标对象进行4D CT动态增强扫描。
上述医学图像数据包含的图像可以是三维的,也可以是二维的,对此本发明实施例不作特别限定。
步骤102、确定医学图像数据的运动伪影程度,以及根据医学图像数据中目标对象的平衡位置确定若干帧候选图像数据。
其中,候选图像数据为目标对象处于平衡位置(平均位置)的医学图像数据。若干帧候选图像数据为多个时间点对应的多帧医学图像数据中目标对象处于平衡位置的若干帧医学图像数据。
候选图像数据通过对医学图像数据进行平衡位置分析确定。平衡位置分析是指统计所有时间点的医学图像数据的特征数据,基于特征数据计算图像中解剖结构平衡位置出现频率最高的若干个时间点序号。多时间点图像的运动校正是对一组图像执行空间配准对齐的任务,每个时间点图像是一个样本,对所有样本设计表征空间位置的特征算子并计算对应的特征值,设定特征筛选条件,选出空间位置接近的若干个时间点,作为平衡位置的“可选范围”。对于所有时间点图像,可能存在多个空间位置接近的若干个时间点子集合,选择数量较多的那组子集合作为平衡位置的“可选范围”。“可选范围”内的若干个时间点图像在整个灌注扫描过程中出现频率是高的,接近平衡位置,将该簇中的医学图像数据确定为候选图像数据。进而从候选图像数据中筛选出配准参考图像数据,以降低其他时间点的医学图像数据配准至该配准参考图像数据的过程中的难度。
本发明实施例中,为了避免选择图像质量较差的图像数据作为配准参考图像,同时从配准难度和代价的角度出发,根据运动伪影程度和平衡位置两个维度确定配准参考图像数据,从该若干帧候选图像数据中选择配准参考图像数据能够减小配准难度和代价。
在一个实施例中,通过伪影检测算法量化各帧医学图像数据的运动伪影程度。运动伪影指由于病人在扫描过程中存在非预期的运动,如头部颤动摆动、身体移动、呼吸等,导致图像上呈现解剖结构(目标对象)边缘模糊,有重影的现象。本发明实施例中可以但不限于采用以下伪影检测算法:拉普拉斯方差算法、快速傅里叶变换算法、各种基于像素灰度的梯度函数、基于特征的伪影检测算法、基于机器学习的伪影检测算法等。
下面以脑灌注应用场景中采用拉普拉斯(Laplacian)算法为例,对确定医学图像数据的运动伪影程度作进一步说明。在脑灌注图像采集过程中,由于病人头部突发的运动会导致图像模糊,需要识别各个时间点的医学图像数据中是否含有模糊伪影的医学图像数据。采用拉普拉斯方差算法(Variance of the Laplacian)计算医学图像数据中的模糊量,即利用方差值量化医学图像数据的清晰程度,具体步骤是首先是使用Laplacian算子卷积输入医学图像数据,再计算响应图的方差。Laplacian算子用于测量医学图像数据的二阶导数,突出显示医学图像数据中包含快速梯度变化的区域。如果一帧医学图像数据的方差高于方差阈值,也即医学图像数据的方差较高,那么就说明医学图像数据有广泛的响应,这是一幅正常的聚焦医学图像数据的代表。但如果一幅医学图像数据的方差低于方差阈值,也即方差很低,那么就会有很小的响应扩散,这表明医学图像数据中几乎没有边缘。而医学图像数据越模糊,边缘就越少,所以可以用方差来检测医学图像数据是否模糊。
其中,方差阈值的设置与应用到的医学图像数据有关,受医学图像数据的类型不同、使用目的不同等因素决定。这是因为:医学图像数据的类型(包括模态、灰度范围、对比度等)不同,使用目的不同,都影响了图像外观是不同的,所以图像上的边界信息有多有少,通过拉普拉斯算子计算的方差值有差异,因此需要根据的医学图像数据的类型和使用目的设置与其相匹配的方差阈值。在灌注扫描中,通常多个时间点的医学图像数据中只有少量时间点的医学图像数据存在运动伪影、解剖结构模糊重影的情况,可以视为异常值检测、离群点检测问题。
在一个实施例中,通过以下方式确定医学图像数据中的若干帧候选图像数据:对各帧医学图像数据进行特征提取,并基于所提取的特征对各帧医学图像数据进行聚类分析,得到多个聚类簇,将多个聚类簇中包含医学图像数据的数量最多的聚类簇确定为候选簇,并将候选簇中的医学图像数据确定为候选图像数据。
在一个实施例中,通过以下方式确定医学图像数据中的若干帧候选图像数据:根据特征算子,计算各帧医学图像数据的特征值,该特征值表征目标对象的空间位置;根据特征值划分所有医学图像数据,得到至少一个时间点子集合;该时间点子集合中包含至少两帧空间位置接近的医学图像数据;将包含医学图像数据的数量最多的时间点子集合确定为候选子集合,并将候选子集合中的医学图像数据确定为候选图像数据。
示例性的:多时间点图像的运动校正是对一组图像执行空间配准对齐的任务,每个时间点的医学图像数据是一个样本,对所有样本设计表征空间位置的特征算子并计算对应的特征值,设定特征筛选条件,选出空间位置接近的若干帧医学图像数据,将空间位置接近的若干帧医学图像数据划分入相同的时间点子集合,作为平衡位置的“可选范围”。对于所有时间点的医学图像数据,可能存在多个空间位置接近的若干个时间点子集合,选择数量较多的那组子集合作为平衡位置的“可选范围”。
在一个实施例中,通过以下方式确定医学图像数据中的若干帧候选图像数据:对于每帧医学图像数据,计算该医学图像数据与其他各帧医学图像数据的均方误差,以及累加均方误差得到均方误差和;根据均方误差和确定误差阈值,将各帧图像中均方误差和小于误差阈值的医学图像数据确定为帧候选图像数据。优选地,通过对均方误差和进行四分位分析,以确定误差阈值。
从医学图像数据提取的特征为可表征平衡位置的特征,例如,计算每一个时间点的医学图像数据的感兴趣区域(mask区域)的灰度值与其余时间点的医学图像数据的感兴趣区域的灰度值的均方误差(MSE)并累加得到均方误差总和,将该均方误差总和作为该时间点的一种特征。
以5个时间点的医学图像数据为例,分别为图像数据a1~图像数据a5,分别计算图像数据a1与图像数据a2~图像数据a5的均方误差,得到4个均方误差计算结果,累加这4个均方误差,得到对应于图像数据a1的均方误差和;同样分别计算图像数据a2与图像数据a1、图像数据a3~图像数据a5的均方误差,得到4个均方误差计算结果,累加这4个均方误差,得到对应于图像数据a2的均方误差和;依次类推,直至得到对应于图像数据a3的均方误差和,对应于图像数据a4的均方误差和,对应于图像数据a5的均方误差和;图像数据a1的均方误差和表征图像数据a1的一种特征,图像数据a2的均方误差和表征图像数据a2的一种特征,图像数据a3的均方误差和表征图像数据a3的一种特征,图像数据a4的均方误差和表征图像数据a4的一种特征,图像数据a5的均方误差和表征图像数据a5的一种特征。对5个均方误差和进行四分位分析,确定误差阈值,将其中均方误差和小于误差阈值的医学图像数据确定为帧候选图像数据。
进一步地,以CT脑灌注场景为例,在注入造影剂增强过程中,脑组织和血管的灰度值会发生变化,而这种变化与变换头骨运动无关,故可以通过观测骨骼等不受造影剂影响的内部标志物或者外部标志物的空间位置来评估不同时间点的图像中头骨的对齐状态。本实施例中认为头骨的对齐效果可以作为图像配准的评价方式,提取医学图像数据中的骨骼区域生成对应的mask(掩膜)图像,骨mask是通过骨分割方法生成,骨分割方法是指阈值分割、区域生长、深度学习分割算法等分割算法。计算各mask图像与其余时间点mask图像的均方误差(MSE)并累加得到均方误差总和,对得到的所有均方误差总和进行排序,依据四分位法查找第一四分位数(Q1)对应的阈值,将均方误差和低于Q1阈值的图像确定为候选图像数据,记为“可选范围”,“可选范围”内的图像为在整个灌注扫描过程中出现频率是高的,接近平衡位置,使用这样的医学图像数据作为配准参考图像数据,可以降低其他图像数据配准至配准参考图像数据的过程中的难度。
步骤103、选择若干帧候选图像数据中运动伪影程度最低的医学图像数据作为配准参考图像数据。
在一个实施例中,计算所有时间点的医学图像数据的运动伪影程度,在候选图像数据中选择运动伪影程度最低的医学图像数据作为配准参考图像数据。
在一个实施例中,计算若干帧候选图像数据的运动伪影程度,在候选图像数据中选择运动伪影程度最低的医学图像数据作为配准参考图像数据。
候选图像数据,接近平衡位置,从若干帧候选图像数据中选择的图像数据作为配准参考图像数据,可以降低其他图像数据配准至配准参考图像数据的过程中的难度。进一步地,若干帧候选图像数据中运动伪影程度最低的医学图像数据为最清晰的医学图像数据,将其作为配准参考图像数据,能够提高图像配准的质量和效率。
步骤104、采用配准参考图像数据对医学图像数据进行图像配准。
本发明实施例中,根据运动伪影程度和平衡位置两个维度确定配准参考图像数据,能够避免选择图像质量较差的图像数据作为配准参考图像数据,同时能够减小配准难度和代价,进而可以提高图像配准的质量和效率。本发明实施例的图像配准方法适用于灌注成像、动态增强扫描、动态快速(CINE)扫描等的运动校正,具有自动化、质量控制的特点。
动态扫描过程中目标对象是多样的,动态扫描包括灌注成像、动态增强扫描、动态快速(CINE)扫描,目标对象可以但不限于是肝、心脏、头部等器官,不同的器官的运动特征也是不同的,如脑灌注,头部的运动是刚体运动;如肝灌注,肝的位置通常会随着呼吸而改变,呼吸时人体的肝脏可达2到3厘米的移动,是非刚性运动;如心脏灌注,心跳和呼吸共同影响心脏的位置,同层面扫描常常出现心脏位置不同。因此不同类型的目标对象的运动特点不同、图像模态灰度分布不同,需要根据目标对象的类型来匹配不同的配准算法。
在一个实施例中,步骤104包括:根据对象类型与配准算法之间的对应关系,确定与目标对象的对象类型匹配的目标配准算法;采用配准参考图像数据对医学图像数据根据所述目标配准算法进行图像配准。
其中,对应关系中包含的图像配准算法包括以下至少一种:基于像素灰度信息或基于图像特征的医学图像配准算法,或者是基于深度学习的配准算法。基于像素灰度信息的医学图像配准算法中的相似性测度包括互信息、互相关系数或均方误差。
示例性的,根据目标对象的对象类型,选择合适的空间变换模型;根据图像配准算法的空间变换模型的不同,图像配准算法的输出可以分为刚性变换矩阵和密集形变场(也称位移场)两类。
图2为本发明一示例性实施例提供的一种医学图像的运动校正方法的流程图,该运动校正方法包括以下步骤:
步骤201、采用上述任一实施例提供的图像配准方法对医学图像数据进行图像配准,得到空间配准关系。
其中,空间配准关系可以但不限于通过形变场或刚性变换矩阵表征。
步骤202、根据空间配准关系对医学图像数据进行运动校正。
本发明实施例中,在图像配准的过程中,选取的配准参考图像数据为图像质量较好且配准难度和代价较小的医学图像数据,基于该配准参考图像数据能够提高图像配准的效率和质量,消除病人运动导致的解剖结构位置偏差,进而提高运动校正的效率和准确度。本发明实施例提出使用优化的运动校正算法补偿常见的患者运动,适用于灌注成像、动态增强扫描、动态快速(CINE)扫描等后续图像处理的运动校正,能够排除存在严重的运动伪影和较差的扫描质量的医学图像数据,进一步提升后续图像处理的准确性以及处理速度。
在一个实施例中,步骤202之后,还输出医学图像数据的告警信息;其中,该告警信息包括以下至少之一:运动伪影程度、运动校正不良的医学图像数据的标识、每帧医学图像数据与配准参考图像数据的相似度。其中,医学图像数据的标识可以但不限于通过医学图像数据的时间点表征;相似度为运动校正之后的医学图像数据与配准参考图像数据的相似度。
该告警信息可以但不限于采用列表的形式,标注每帧医学图像的运动伪影程度、运动校正不良的医学图像数据的标识、每帧医学图像数据与配准参考图像数据的相似度。
在一个实施例中,当医学图像数据的图像参数不符合预设条件时,才输出医学图像数据的告警信息。图像参数包括以下至少之一:运动伪影程度、运动校正不良的医学图像数据的标识、每帧医学图像数据与配准参考图像数据的相似度。相对应的预设条件包括运动伪影程度小于伪影阈值和/或相似度大于相似度阈值。
可以但不限于采用以下伪影检测算法确定各配准图像的运动伪影程度:拉普拉斯方差算法、快速傅里叶变换算法、各种基于像素灰度的梯度函数、基于特征的伪影检测算法、基于机器学习的伪影检测算法等,本发明实施例对伪影检测算法不作特别限定。
以拉普拉斯方差算法为例,首先使用Laplacian算子卷积输入配准图像数据,再计算响应图的方差,如果方差低于预先定义的阈值,则认为配准图像数据模糊,运动伪影程度较高,输出告警信息。
在一个实施例中,对运动校正后的所有时间点的医学图像数据进行相似度分析,识别出运动校正不良的时间点。经过了运动校正的处理,通常只有少量时间点存在配准不良的情况,这是因为使用的配准算法一般存在固定的内部参数设定,对于大尺度位置变化或者是超出算法开发时预期的变化范围的场景,可能存在优化过程未收敛、配准失败的情况;还有可能是图像质量不佳,导致配准算法结果不可靠。从一组图像中识别出最不相似的配准图像,可以视为是异常图像,或者离群点检测问题,因此可以通过相似度排除伪影程度不符合预设要求的配准图像数据。本发明实施例中提出设计相似性测度指标用于量化配准参考图像数据与其它时间点的医学图像数据之间的相似性或者是差异性。
相似性指标可以但不限于通过以下参数表征:均方误差、提取特征计算特征矢量距离、互信息、归一化互相关等。
在一个实施例中,使用四分位法对所有的相似性度量值进行排序(升序或降序),查找第一四分位数(Q1)、第三四分位数(Q3),计算四分位距(InterQuartile Range,IQR,第三四分位数与第一四分位数的差距),相似度阈值为Q1-1.5IQR,若相似度小于Q1-1.5IQR,则确定对应的配准图像数据离群,需要输出告警信息。
在一个实施例中,计算各配准图像数据与配准参考图像数据的差异性,使用四分位法对所有的差异性进行排序(升序或降序),查找第一四分位数(Q1)、第三四分位数(Q3),计算四分位距(InterQuartile Range,IQR,第三四分位数与第一四分位数的差距),差异阈值为Q3+1.5IQR,若差异性大于Q3+1.5IQR,则确定对应的配准图像数据离群,需要输出告警信息。
下面举个具体实例对运动校正过程作进一步说明。
在脑灌注图像采集过程中,由于病人头部突发的运动会导致图像模糊,需要识别各个时间点图像中是否含有模糊伪影的图像。采用拉普拉斯方差算法(Variance of theLaplacian)计算图像中的模糊量,即利用方差值量化图像的清晰程度,具体步骤是首先是使用Laplacian算子卷积输入图像,再计算响应图的方差。Laplacian算子用于测量图像的二阶导数,突出显示图像中包含快速梯度变化的区域。如果一幅图像的方差较高,那么就说明图像有广泛的响应,这是一幅正常的聚焦图像的代表。但如果方差很低,那么就会有很小的响应扩散,这表明图像中几乎没有边缘。而图像越模糊,边缘就越少,所以可以用方差来检测图像是否模糊。
对所有时间点图像使用平衡位置分析方法计算出具有平衡位置的时间点序号。实施例是CT脑灌注场景,在注入造影剂增强过程中,脑组织和血管的灰度值会发生变化,而这种变化与病人头部运动无关,故应该通过观测骨骼等不受造影剂影响的内部标志物或者外部标志物的空间位置来评估不同时间点头部的对齐状态。实施例中认为头骨的对齐效果可以作为运动校正的评价方式,提取各个时间点图像中的骨骼生成对应的mask(掩膜)图像,骨mask是通过骨分割方法生成,骨分割方法是指阈值分割、区域生长、深度学习分割算法等分割算法。计算每一个时间点mask图像与其余时间点mask图像的均方误差(MSE)并累加得到均方误差总和,对所有时间点的均方误差总和进行排序,依据四分位法查找第一四分位数(Q1)对应的阈值,将均方误差总和低于Q1阈值的时间点记为“可选范围”,表明“可选范围”内的若干个时间点图像在整个灌注扫描过程中出现频率是高的,接近平衡位置,使用这样的图像作为参考图像,可以降低其他时间点配准至参考图像的过程中的难度。接下来从“可选范围”内再依据伪影检测阶段得到的伪影量化结果,挑选出方差最大,即最清晰的图像作为参考图像。
在执行运动校正阶段,根据器官的运动特点、图像模态灰度分布来设定不同的运动校正算法方案。在实施例中,CT脑灌注图像,灰度信息丰富,运动校正采用基于互信息的图像配准算法,针对头部刚性运动特点,预判旋转角度和平移的尺度,设定适合的配准算法参数。
运动校正结束后,对运动校正后的所有时间点图像进行质量控制,输出伪影警告列表、运动警告列表。实施例中,在脑灌注图像采集过程中,由于病人头部突发的运动会导致图像模糊,需要在后续的灌注计算中排除此类含模糊伪影的图像。使用拉普拉斯方差算法(Variance of the Laplacian)可计算图像中的模糊量,首先是使用Laplacian算子卷积输入图像,再计算响应图的方差,如果方差低于预先定义的阈值,则认为图像模糊。阈值的设置与应用到的图像集有关,受图像集不同、使用目的不同等因素决定,阈值的设置存在主观不确定性。在灌注扫描中,通常只有少量时间点存在运动伪影、解剖结构模糊重影的情况,可以视为异常值检测、离群点检测问题,这里提出使用四分位法对量化的伪影测度(模糊量)进行从小到大排序,查找第一四分位数(Q1)、第三四分位数(Q3),计算四分位距(InterQuartile Range,IQR,第三四分位数与第一四分位数的差距),异常值被定义为小于Q1-1.5IQR的值,满足异常值定义的时间点被归为伪影警告列表。在脑灌注中,评估头骨的对齐效果可以作为运动校正的评价方式,故提取运动校正后的各个时间点图像中的骨骼生成对应的mask(掩膜)图像,骨mask是通过骨分割方法生成,骨分割方法是指阈值分割、区域生长、深度学习分割算法等分割算法。使用骨骼结构信息计算均方误差,作为相似性测度。计算每一个时间点mask图像与参考时间点的mask图像之间的均方误差(MSE),这里提出使用四分位法对所有的均方误差进行从小到大排序,查找第一四分位数(Q1)、第三四分位数(Q3),计算四分位距(InterQuartile Range,IQR,第三四分位数与第一四分位数的差距),将均方误差大于Q3+1.5IQR的值的时间点归为运动警告列表。
与前述图像配准方法、医学图像的运动校正方法实施例相对应,本发明还提供了图像配准装置、医学图像的运动校正系统的实施例。
图3为本发明一示例性实施例提供的一种图像配准装置的模块示意图,该图像配准装置包括:
获取模块31,用于获取包含目标对象的多个时间点的医学图像数据;
确定模块32,用于确定所述医学图像数据的运动伪影程度,以及根据所述医学图像数据中目标对象的平衡位置确定若干帧候选图像数据;
选择模块33,用于选择所述若干帧候选图像数据中运动伪影程度最低的医学图像数据作为配准参考图像数据;
配准模块34,用于采用所述配准参考图像数据对所述医学图像数据进行图像配准。
可选地,确定模块包括:
聚类单元,用于对所述各医学图像数据进行特征提取,并基于所提取的特征对所述各医学图像数据进行聚类分析,得到多个聚类簇;
确定单元,用于将所述多个聚类簇中包含医学图像数据的数量最多的聚类簇确定为候选簇,并将所述候选簇中的医学图像数据确定为所述候选图像数据。
可选地,确定模块包括:
计算单元,用于根据特征算子,计算各帧医学图像数据的特征值;所述特征值表征目标对象的空间位置;
划分单元,用于根据所述特征值,划分所有医学图像数据,得到至少一个时间点子集合;所述时间点子集合中包含至少两帧空间位置接近的医学图像数据;
确定单元,用于将包含医学图像数据的数量最多的时间点子集合确定为候选子集合,并将所述候选子集合中的医学图像数据确定为所述候选图像数据。
可选地,确定模块包括:
计算单元,用于对于各帧医学图像数据,计算所述医学图像数据与其他各帧医学图像数据的均方误差,以及累加所述均方误差得到对应于各帧医学图像数据的均方误差和;
确定单元,用于根据所述均方误差和,确定误差阈值,并将各帧医学图像数据中均方误差和小于所述误差阈值的图像确定为所述帧候选图像数据。
可选地,还包括:
特征提取模块,用于确定各帧图像中的骨骼区域,对所述骨骼区域进行特征提取。
可选地,配准模块包括:
确定单元,同于根据对象类型与配准算法之间的对应关系,确定与所述目标对象的对象类型匹配的目标配准算法;
配准单元,用于采用所述配准参考图像数据对所述医学图像数据根据所述目标配准算法进行图像配准。
图4为本发明一示例性实施例提供的一种医学图像的运动校正系统的模块示意图,该医学图像的运动校正系统包括:
上述实施例提供的图像配准装置41,用于对医学图像数据进行图像配准,得到空间配准关系;
校正装置42,用于根据所述空间配准关系对所述医学图像数据进行运动校正。
可选地,还包括:
告警模块,用于输出所述医学图像数据的告警信息;其中,所述告警信息包括以下至少之一:运动伪影程度、运动校正不良的医学图像数据的标识、每帧医学图像数据与所述配准参考图像数据的相似度。
图5为本发明一示例实施例示出的一种电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备50的框图。图5显示的电子设备50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备50可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备50的组件可以包括但不限于:上述至少一个处理器51、上述至少一个存储器52、连接不同系统组件(包括存储器52和处理器51)的总线53。
总线53包括数据总线、地址总线和控制总线。
存储器52可以包括易失性存储器,例如随机存取存储器(RAM)521和/或高速缓存存储器522,还可以进一步包括只读存储器(ROM)523。
存储器52还可以包括具有一组(至少一个)程序模块524的程序工具525(或实用工具),这样的程序模块524包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器51通过运行存储在存储器52中的计算机程序,从而执行各种功能应用以及数据处理,例如上述任一实施例所提供的方法。
电子设备50也可以与一个或多个外部设备54(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口55进行。并且,模型生成的电子设备50还可以通过网络适配器56与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器56通过总线53与模型生成的电子设备50的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的电子设备50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一实施例所提供的方法。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明实施例还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现上述任一实施例的方法。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种图像配准方法,其特征在于,包括:
获取包含目标对象的多个时间点的医学图像数据;
确定所述医学图像数据的运动伪影程度,以及根据所述医学图像数据中目标对象的平衡位置确定若干帧候选图像数据;
选择所述若干帧候选图像数据中运动伪影程度最低的医学图像数据作为配准参考图像数据;
采用所述配准参考图像数据对所述医学图像数据进行图像配准。
2.根据权利要求1所述的图像配准方法,其特征在于,根据所述医学图像数据中目标对象的平衡位置确定若干帧候选图像数据,包括:
对各帧医学图像数据进行特征提取,并基于所提取的特征对所述各帧医学图像数据进行聚类分析,得到多个聚类簇;
将所述多个聚类簇中包含医学图像数据的数量最多的聚类簇确定为候选簇,并将所述候选簇中的医学图像数据确定为所述候选图像数据。
3.根据权利要求1所述的图像配准方法,其特征在于,确定若干帧候选图像数据,包括:
根据特征算子,计算各帧医学图像数据的特征值;所述特征值表征目标对象的空间位置;
根据所述特征值,划分所有医学图像数据,得到至少一个时间点子集合;所述时间点子集合中包含至少两帧空间位置接近的医学图像数据;
将包含医学图像数据的数量最多的时间点子集合确定为候选子集合,并将所述候选子集合中的医学图像数据确定为所述候选图像数据。
4.根据权利要求1所述的图像配准方法,其特征在于,采用所述配准参考图像数据对所述医学图像数据进行图像配准,包括:
根据对象类型与配准算法之间的对应关系,确定与所述目标对象的对象类型匹配的目标配准算法;
采用所述配准参考图像数据对所述医学图像数据根据所述目标配准算法进行图像配准。
5.一种医学图像的运动校正方法,其特征在于,包括:
采用如权利要求1-4中任一项所述的图像配准方法对医学图像数据进行图像配准,得到空间配准关系;
根据所述空间配准关系对所述医学图像数据进行运动校正。
6.根据权利要求5所述的医学图像的运动校正方法,其特征在于,还包括:
输出所述医学图像数据的告警信息;其中,所述告警信息包括以下至少之一:运动伪影程度、运动校正不良的医学图像数据的标识、每帧医学图像数据与所述配准参考图像数据的相似度。
7.一种图像配准装置,其特征在于,包括:
获取模块,用于获取包含目标对象的多个时间点的医学图像数据;
确定模块,用于确定所述医学图像数据的运动伪影程度,以及根据所述医学图像数据中目标对象的平衡位置确定若干帧候选图像数据;
选择模块,用于选择所述若干帧候选图像数据中运动伪影程度最低的医学图像数据作为配准参考图像数据;
配准模块,用于采用所述配准参考图像数据对所述医学图像数据进行图像配准。
8.一种医学图像的运动校正系统,其特征在于,包括:
权利要求7所述的图像配准装置,用于对医学图像数据进行图像配准,得到空间配准关系;
校正装置,用于根据所述空间配准关系对所述医学图像数据进行运动校正。
9.根据权利要求8所述的医学图像的运动校正系统,其特征在于,还包括:
告警模块,用于输出所述医学图像数据的告警信息;其中,所述告警信息包括以下至少之一:运动伪影程度、运动校正不良的医学图像数据的标识、每帧医学图像数据与所述配准参考图像数据的相似度。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211625782.9A CN115810032A (zh) | 2022-12-13 | 2022-12-13 | 图像配准方法及装置、医学图像的运动校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211625782.9A CN115810032A (zh) | 2022-12-13 | 2022-12-13 | 图像配准方法及装置、医学图像的运动校正方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115810032A true CN115810032A (zh) | 2023-03-17 |
Family
ID=85486093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211625782.9A Pending CN115810032A (zh) | 2022-12-13 | 2022-12-13 | 图像配准方法及装置、医学图像的运动校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115810032A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746344A (zh) * | 2024-02-21 | 2024-03-22 | 厦门农芯数字科技有限公司 | 一种猪场监控视频的事件分析方法、装置以及设备 |
-
2022
- 2022-12-13 CN CN202211625782.9A patent/CN115810032A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746344A (zh) * | 2024-02-21 | 2024-03-22 | 厦门农芯数字科技有限公司 | 一种猪场监控视频的事件分析方法、装置以及设备 |
CN117746344B (zh) * | 2024-02-21 | 2024-05-14 | 厦门农芯数字科技有限公司 | 一种猪场监控视频的事件分析方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Modality propagation: coherent synthesis of subject-specific scans with data-driven regularization | |
US8958614B2 (en) | Image-based detection using hierarchical learning | |
CN110766730B (zh) | 图像配准及随访评估方法、存储介质及计算机设备 | |
US8682051B2 (en) | Smoothing of dynamic data sets | |
US20210068676A1 (en) | Method and system for automatically generating and analyzing fully quantitative pixel-wise myocardial blood flow and myocardial perfusion reserve maps to detect ischemic heart disease using cardiac perfusion magnetic resonance imaging | |
EP3888050A1 (en) | Apparatus for identifying regions in a brain image | |
Larrey-Ruiz et al. | Automatic image-based segmentation of the heart from CT scans | |
US9905002B2 (en) | Method and system for determining the prognosis of a patient suffering from pulmonary embolism | |
EP4156096A1 (en) | Method, device and system for automated processing of medical images to output alerts for detected dissimilarities | |
JP2007536054A (ja) | 薬物動力学的画像レジストレーション | |
WO2007034378A2 (en) | Knowledge-based input region of interest definition for pharmacokinetic modeling | |
CN115810032A (zh) | 图像配准方法及装置、医学图像的运动校正方法及系统 | |
CN114266896A (zh) | 图像标注方法、模型训练方法及装置、电子设备、介质 | |
CN117671463B (zh) | 一种多模态医学数据质量校准方法 | |
JP6608110B2 (ja) | 画像位置合わせ装置および方法並びにプログラム | |
US20190019304A1 (en) | Medical image processing apparatus, method, and program | |
Jeon et al. | Maximum a posteriori estimation method for aorta localization and coronary seed identification | |
US20200311940A1 (en) | Probabilistic motion model for generating medical images or medical image sequences | |
Marinelli et al. | Registration of myocardial PET and SPECT for viability assessment using mutual information | |
CN113222985B (zh) | 一种图像处理方法、装置、计算机设备和介质 | |
Ma et al. | Automated quantification and evaluation of motion artifact on coronary CT angiography images | |
US20220398732A1 (en) | Pet quantitative localization system and operation method thereof | |
JP6807981B2 (ja) | 画像位置合わせ装置および方法並びにプログラム | |
JP6765396B2 (ja) | 医用画像処理装置、方法およびプログラム | |
US20230008263A1 (en) | Motion compensation of positron emission tomographic data |
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 |