CN116563096B - 用于图像配准的形变场的确定方法、装置以及电子设备 - Google Patents
用于图像配准的形变场的确定方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN116563096B CN116563096B CN202310846919.1A CN202310846919A CN116563096B CN 116563096 B CN116563096 B CN 116563096B CN 202310846919 A CN202310846919 A CN 202310846919A CN 116563096 B CN116563096 B CN 116563096B
- Authority
- CN
- China
- Prior art keywords
- image
- initial
- deformation field
- target
- registration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000005457 optimization Methods 0.000 claims description 61
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003176 fibrotic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- 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
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/153—Transformations for image registration, e.g. adjusting or mapping for alignment of images using elastic snapping
-
- 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
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种用于图像配准的形变场的确定方法、装置以及电子设备。该方法包括:接收用户发送的初始待配准图像;通过初始形变场对初始浮动图像进行配准,得到候选配准图像,并计算图像的像素点空间结构信息,得到描述子集合;根据描述子集合确定图像之间的相似度,得到目标相似度,并在目标相似度小于预设相似度的情况下,重复对初始形变场进行更新,并使用更新后的形变场对初始浮动图像进行配准的操作,在目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场。通过本申请,解决了相关技术中在确定医学图像配准使用的形变场时依赖于单一描述子,导致进行医学图像形变配准操作使用的形变场的准确度较低的问题。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种用于图像配准的形变场的确定方法、装置以及电子设备。
背景技术
医学图像配准技术在放射治疗计划、肿瘤诊断、手术引导以及治疗跟踪等方面发挥着重要作用。
形变配准过程是模拟并优化医学图像的形变过程,需要在对待配准图像进行形变后,使得形变后图像与参考图像的相似度达到最大或者差异性达到最小。因此,为了提高配准操作的准确性,需要使得配准操作使用的形变场达到最优,才能使得形变后图像与参考图像的相似度达到最大或者差异性达到最小。
但是,在当前优化形变场的过程中,主要使用单一的图像描述子,比如基于特征的图像描述子和基于灰度的图像描述子,进行相似度计算,但是,该方法在面对多模态或者灰度差距较大的医学图像的形变时,缺乏足够鲁棒性和准确性,从而使得相似度计算结果不准确,进而降低形变场的准确度,影响配准结果。
针对相关技术中在确定医学图像配准使用的形变场时依赖于单一描述子,导致进行医学图像形变配准操作使用的形变场的准确度较低的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种用于图像配准的形变场的确定方法、装置以及电子设备,以解决相关技术中在确定医学图像配准使用的形变场时依赖于单一描述子,导致进行医学图像形变配准操作使用的形变场的准确度较低的问题。
根据本申请的一个方面,提供了一种用于图像配准的形变场的确定方法。该方法包括:接收用户发送的初始待配准图像,其中,初始待配准图像中包括初始参考图像和初始浮动图像,初始参考图像和初始浮动图像为多模态图像;通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像,并计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合;根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度,并在目标相似度小于预设相似度的情况下,根据第一图像描述子集合、第二图像描述子集合、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,直至目标相似度大于等于预设相似度;在目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,目标形变场用于对初始待配准图像中的初始浮动图像进行配准。
可选地,第一图像描述子集合中包括Q组第一图像描述子,每组第一图像描述子为候选配准图像中的一个像素点的P个第一图像描述子,Q为候选配准图像的像素点数量,第二图像描述子集合中包括Q组第二图像描述子,每组第二图像描述子为初始参考图像中的一个像素点的P个第二图像描述子。
可选地,计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合包括:对于任意一个图像中的任意一个像素点,计算像素点的三维结构张量,得到三维结构张量,并对三维结构张量进行奇异值分解,得到特征值;根据特征值计算像素点的边缘强度与角点强度;根据边缘强度与角点强度,计算像素点的权值度量;根据像素点的像素值与权值度量计算像素点的第一特征信息;从像素点的空间结构信息中获取与像素点相邻的P个目标像素点,并计算每个目标像素点的特征信息,得到P个第二特征信息;分别计算第一特征信息与每个第二特征信息之间的距离度量,得到P个距离度量,并根据P个距离度量计算像素点的差异度量;根据P个距离度量和差异度量计算得到像素点的图像描述子,得到像素点的P个图像描述子;将图像中的每个像素点的P个图像描述子进行组合,得到图像描述子集合。
可选地,预设参数优化算法为光流优化算法,根据初始参考图像、候选配准图像、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场包括:根据第一图像描述子集合生成候选配准图像的图像描述子矩阵,得到第一图像描述子矩阵;根据第二图像描述子集合生成初始参考图像的图像描述子矩阵,得到第二图像描述子矩阵,并计算第二图像描述子矩阵的梯度值,得到目标梯度值;通过第一图像描述子矩阵、第二图像描述子矩阵和目标梯度值确定初始形变场的增量,得到形变场增量;将初始形变场和形变场增量代入光流优化算法中,得到下一次配准操作使用的初始形变场。
可选地,根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度包括:计算第一图像描述子集合和第二图像描述子集合中坐标相同的每个像素点的描述子的差值,得到Q个差值集合,其中,每个差值集合中包括P个差值,每个差值为位置对应的第一图像描述子和第二图像描述子之间的差值;计算每个差值集合中的P个差值的绝对值的平均值,得到每个差值对应的像素点的初始相似度;计算Q个初始相似度的平均值,得到图像相似度,并将图像相似度与初始形变场相结合,得到目标相似度。
可选地,在通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像之前,该方法还包括:按照分辨率对初始待配准图像进行分辨率分级操作,得到N层待配准图像,其中,每层待配准图像中包括分辨率相同的一组初始参考图像和初始浮动图像,初始浮动图像为待配准的浮动图像,初始参考图像用于确定初始浮动图像的配准结果,不同层级的待配准图像的分辨率不同,N为正整数;通过第一层的待配准图像中的初始浮动图像执行通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像的步骤。
可选地,重复执行使用初始形变场对初始浮动图像进行配准操作的步骤包括:确定当前配准操作使用的初始浮动图像和初始参考图像所在的层级,得到目标层级;确定对目标层级中的待配准图像进行配准操作的次数,得到目标次数;判断目标次数是否等于预设次数;在目标次数小于预设次数的情况下,使用目标层级中的待配准图像和更新后的初始形变场执行下一次配准操作;在目标次数等于预设次数的情况下,判断目标层级是否为第N层;在目标层级不是第N层的情况下,使用更新后的初始形变场对目标层级的下一层级的待配准图像执行配准操作;在目标层级为第N层的情况下,停止重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,并确定更新后的初始形变场为目标形变场。
可选地,在目标相似度大于等于预设相似度的情况下,该方法还包括:确定当前配准操作使用的初始浮动图像和初始参考图像所在的层级,得到目标层级,并判断目标层级是否为第N层;在目标层级不是第N层的情况下,使用当前配准操作使用的初始形变场对目标层级的下一层级的待配准图像执行配准操作,直至目标层级为第N层;在目标层级为第N层的情况下,确定当前配准操作使用的初始形变场为目标形变场。
根据本申请的另一方面,提供了一种用于图像配准的形变场的确定装置。该装置包括:接收单元,用于接收用户发送的初始待配准图像,其中,初始待配准图像中包括初始参考图像和初始浮动图像,初始参考图像和初始浮动图像为多模态图像;第一配准单元,用于通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像,并计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合;第一确定单元,用于根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度;更新单元,用于在目标相似度小于预设相似度的情况下,根据第一图像描述子集合、第二图像描述子集合、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,直至目标相似度大于等于预设相似度;第二确定单元,用于在目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,目标形变场用于对初始待配准图像中的初始浮动图像进行配准。
根据本发明的另一方面,还提供了一种计算机存储介质,计算机存储介质用于存储程序,其中,程序运行时控制计算机存储介质所在的设备执行一种用于图像配准的形变场的确定方法。
根据本发明的另一方面,还提供了一种电子设备,包含一个或多个处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种用于图像配准的形变场的确定方法。
通过本申请,采用以下步骤:接收用户发送的初始待配准图像,其中,初始待配准图像中包括初始参考图像和初始浮动图像,初始参考图像和初始浮动图像为多模态图像;通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像,并计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合;根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度,并在目标相似度小于预设相似度的情况下,根据第一图像描述子集合、第二图像描述子集合、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,直至目标相似度大于等于预设相似度;在目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,目标形变场用于对初始待配准图像中的初始浮动图像进行配准。解决了相关技术中在确定医学图像配准使用的形变场时依赖于单一描述子,导致进行医学图像形变配准操作使用的形变场的准确度较低的问题。通过计算初始参考图像和初始浮动图像的像素点空间结构信息得到第一图像描述子集合和第二图像描述子集合,并根据第一图像描述子集合和第二图像描述子集合确定配准后的两个图像的相似度,从而根据相似度确定是否完成对形变场的优化,并在未完成对形变场的优化的情况下,通过第一图像描述子集合和第二图像描述子集合以及预设参数优化算法对初始形变场进行更新,从而通过空间结构信息得到的描述子准确确定相似度,并根据描述子对形变场进行优化,进而达到了准确确定用于配准的形变场,提高医学图像配准操作的准确度的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的用于图像配准的形变场的确定方法的流程图;
图2是根据本申请实施例提供的一种可选地图像配准方法的流程图;
图3是根据本申请实施例提供的另一种可选地图像配准方法的流程图;
图4是根据本申请实施例提供的用于图像配准的形变场的确定装置的示意图;
图5为根据本申请实施例提供的一种电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
需要说明的是,本公开所确定的用于图像配准的形变场的确定方法、装置以及电子设备可用于图像处理技术领域,也可用于除图像处理技术领域之外的任意领域,本公开所确定的用于图像配准的形变场的确定方法、装置以及电子设备的应用领域不做限定。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
多模态图像:多模态医学图像是指使用不同的医学成像技术,如计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射计算机断层扫描(PET-CT)等,生成的多个视角和信息的医学图像。利用多模态医学图像可以更全面、准确地诊断疾病、评估病情和指导治疗方案等。例如,结合CT和MRI图像可以更好地展示纤维化病变的形态和位置,同时对于某些病变的治疗也需要综合利用各种不同的成像模态。
图像描述子:用来刻画图像的特征信息,可以为图像中的一个像素的像素点特征信息以及像素点周围的像素点的特征信息。
形变场:用于对图像中的像素点进行方向和距离上的变换。
根据本申请的实施例,提供了一种用于图像配准的形变场的确定方法。
图1是根据本申请实施例提供的用于图像配准的形变场的确定方法的流程图。如图1所示,该方法包括以下步骤:
步骤S102,接收用户发送的初始待配准图像,其中,初始待配准图像中包括初始参考图像和初始浮动图像,初始参考图像和初始浮动图像为多模态图像。
具体的,初始待配准图像可以为用户需要进行配准的图像组,其中包括初始参考图像和初始浮动图像,初始参考图像为基准图像,初始浮动图像为需要进行配准操作的图像,需要说明的是,初始待配准图像中包含的两个图像,指定其中一个图像作为初始参考图像,另一个图像则为初始浮动图像,配准操作的目的是将初始浮动图像进行形变配准后,使得配准后的初始浮动图像和初始参考图像的相似度大于预设相似度,并且,初始待配准图像中包含的两个图像可以为两个不同的医学影像设备拍摄的医学影像,例如,CT设备拍摄到的图像和OCT医疗影像设备拍摄到的图像。
步骤S104,通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像,并计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合。
具体的,在得到初始浮动图像和初始参考图像后,需要通过初始形变场对初始浮动图像进行形变配准操作,在进行形变配准操作的时候,通过初始形变场确定初始浮动图像的每个像素点的形变位移量,并根据形变位移量对对应的像素点进行形变,从而完成对初始浮动图像的配准操作。
需要说明的是,在进行配准操作之前,为了让模型在模拟医学图像的形变过程具有合理性和可解释性,同时减少配准计算量,还可以根据初始参考图像对初始浮动图像进行刚性配准,得到刚性配准后的初始浮动图像,并使用初始形变场对刚性配准后的初始浮动图像进行配准操作,得到候选配准图像。由于初始参考图像和初始浮动图像之间可能存在较大差异,因此,可以先对初始浮动图像进行刚性配准,也即对初始浮动图像进行初步的旋转和移动,使得初始浮动图像和初始参考图像之间的差异值降低,从而在进行后续配准流程的时候,减小配准流程的复杂度。
为了准确的计算候选配准图像和初始参考图像之间的相似度,以及准确对初始形变场进行优化,需要计算图像的像素点空间结构信息。可选地,在本申请实施例提供的用于图像配准的形变场的确定方法中,第一图像描述子集合中包括Q组第一图像描述子,每组第一图像描述子为候选配准图像中的一个像素点的P个第一图像描述子,Q为候选配准图像的像素点数量,第二图像描述子集合中包括Q组第二图像描述子,每组第二图像描述子为初始参考图像中的一个像素点的P个第二图像描述子。
需要说明的是,初始参考图像与候选配准图像的像素点数量相同,均为Q个,每个像素点均包括P个图像描述子,分别为该像素点的搜索范围内的每个像素点与该像素点之间的描述子,也即空间结构特征信息,其中,搜索范围可以为该像素点在二维平面内周围的一圈像素点,也即P=8。在描述子中,通过添加搜索范围内的像素点与该像素点之间的描述子,可以对具有突出结构特征的像素点赋予大的权重,对于平缓结构特征的像素点赋予小的权重,使得图像的空间信息得到有效利用,增强了配准鲁棒性。
步骤S106,根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度,并在目标相似度小于预设相似度的情况下,根据第一图像描述子集合、第二图像描述子集合、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,直至目标相似度大于等于预设相似度。
具体的,在得到候选配准图像后,需要确定候选配准图像与初始参考图像之间的目标相似度,并确定目标相似度是否大于等于预设相似度,在目标相似度小于预设相似度的情况下,表征当前时刻的初始形变场仍未完成优化,需要根据第一图像描述子集合、第二图像描述子集合、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复上述图像配准-相似度计算-初始形变场优化的操作,直至目标相似度大于等于预设相似度。
步骤S108,在目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,目标形变场用于对初始待配准图像中的初始浮动图像进行配准。
具体的,在目标相似度大于等于预设相似度的情况下,则表征通过当前时刻下的初始形变场完成的配准操作已经符合相似度要求,则当前时刻的初始形变场已经完成优化,可以作为最终的形变场对初始浮动图像进行配准操作,此时得到的配准图像则为符合配准要求的配准图像。
本申请实施例提供的用于图像配准的形变场的确定方法,通过接收用户发送的初始待配准图像,其中,初始待配准图像中包括初始参考图像和初始浮动图像,初始参考图像和初始浮动图像为多模态图像;通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像,并计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合;根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度,并在目标相似度小于预设相似度的情况下,根据第一图像描述子集合、第二图像描述子集合、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,直至目标相似度大于等于预设相似度;在目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,目标形变场用于对初始待配准图像中的初始浮动图像进行配准。解决了相关技术中在确定医学图像配准使用的形变场时依赖于单一描述子,导致进行医学图像形变配准操作使用的形变场的准确度较低的问题。通过计算初始参考图像和初始浮动图像的像素点空间结构信息得到第一图像描述子集合和第二图像描述子集合,并根据第一图像描述子集合和第二图像描述子集合确定配准后的两个图像的相似度,从而根据相似度确定是否完成对形变场的优化,并在未完成对形变场的优化的情况下,通过第一图像描述子集合和第二图像描述子集合以及预设参数优化算法对初始形变场进行更新,从而通过空间结构信息得到的描述子准确确定相似度,并根据描述子对形变场进行优化,进而达到了准确确定用于配准的形变场,提高医学图像配准操作的准确度的效果。
为了计算得到一种具有模态独立并且具有空间结构信息的图像描述子,从而提高相似度计算的准确性,可选地,在本申请实施例提供的用于图像配准的形变场的确定方法中,计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合包括:对于任意一个图像中的任意一个像素点,计算像素点的三维结构张量,得到三维结构张量,并对三维结构张量进行奇异值分解,得到特征值;根据特征值计算像素点的边缘强度与角点强度;根据边缘强度与角点强度,计算像素点的权值度量;根据像素点的像素值与权值度量计算像素点的第一特征信息;从像素点的空间结构信息中获取与像素点相邻的P个目标像素点,并计算每个目标像素点的特征信息,得到P个第二特征信息;分别计算第一特征信息与每个第二特征信息之间的距离度量,得到P个距离度量,并根据P个距离度量计算像素点的差异度量;根据P个距离度量和差异度量计算得到像素点的图像描述子,得到像素点的P个图像描述子;将图像中的每个像素点的P个图像描述子进行组合,得到图像描述子集合。
具体的,由于每个图像中的像素点的图像描述子集合均相同,因此,本实施例以计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合为例,详细描述像素点的图像描述子集合的计算流程。
首先,对于任意一个图像中的任意一个像素点A,计算像素点A的三维结构张量,得到三维结构张量,计算流程如公式1所示:
(1)
其中,表示输入三维图像中的任意一个像素点A的坐标,其中/>表示像素点坐标值。三维结构张量由图像梯度定义,表示局部区域的变化方向和沿该方向的变化率。/>为标准方差为/>的高斯函数,/>为卷积运算,/>表示图像的梯度,上标T表示矩阵的转置,/>、/>和/>分别表示图像在x、y和z三个方向上的一阶梯度。/>有效获取了图像三维空间中的任意一个像素点的方向特征信息和边缘特征信息,并且/>是一个三维的对称半正定矩阵,有效避免了平滑梯度带来的消除效应。
进一步的,对三维结构张量进行奇异值分解,得到特征值矩阵,如公式2所示:
(2)
其中,为三维结构张量的非负特征值,分别对应特征向量。特征值可以用来表明当前像素点A的边缘或者角点在对应方向上的变化强度。
进一步的,需要根据特征值、/>、/>计算边缘强度与角点强度,如公式3和公式4所示:
(3)
(4)
其中,为边缘强度、/>为角点强度,/>、/>为预设固定参数,例如,/>的取值可以为0.1,/>的取值可以为0.1,/>、/>用于消除特征值接近于0时对边缘检测产生的干扰。
在完成边缘强度与角点强度的计算后,需要计算边缘强度与角点强度之和,得到归一化因子b,并根据归一化因子和公式5计算该像素点A的权值度量。
(5)
进一步的,为了适用于多模态或者灰度差异较大的医学图像,在得到该像素点A的权值度量后,还需要获取该像素点A的像素值,也即灰度值,并根据像素值和权值度量计算得到该像素点A的第一特征信息/>,其中,h为像素值,I为第一特征信息,C为权值度量。
在得到第一特征信息后,需要计算该像素点A与空间结构信息中的每个相邻的像素点之间的距离度量,得到P个距离度量。其中,距离度量通过公式6进行计算得到:
(6)
其中, r为P个相邻像素点中的任意一个像素点r,为像素点r与像素点A之间的距离度量,/>为像素点A的第一特征信息,/>为像素点r关于像素点A的第一特征信息,像素点r的第一特征信息的计算公式与像素点A相同,仅在使用的数据上不同,也即像素值h和权值度量C不同,其中,像素点r的数量与像素点A的位置相关,像素点A位于图片的角落的时候,像素点r可以存在3个(二位平面),像素点A位于图片的边缘的时候,像素点r存在5个(二位平面),像素点A位于图片的中间的时候,像素点r可以存在8个(二位平面)。
通过公式 6的计算,可以得到像素点A的P个距离度量,其中,每个距离度量对应一个像素点r。将P个距离度量带入公式7中,得到像素点A的差异度量。
(7)
在得到差异度量和距离度量后,即可将差异度量和P个距离度量带入公式8中,得到像素点A的描述子集合,其中,描述子集合中包括P个图像描述子。
(8)
其中,为像素点A和相邻像素点r之间的图像描述子,n是归一化常量,确保CMIND最大值为1,实施时,n取exp计算结果的最大值。
需要说明的是,对任意一个图像中的任意一个像素点的描述子,均可以通过上述流程进行计算得到,后续步骤中使用的相同计算流程不再赘述。
为了准确的对形变场进行更新,可选地,在本申请实施例提供的用于图像配准的形变场的确定方法中,预设参数优化算法为光流优化算法,根据初始参考图像、候选配准图像、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场包括:根据第一图像描述子集合生成候选配准图像的图像描述子矩阵,得到第一图像描述子矩阵;根据第二图像描述子集合生成初始参考图像的图像描述子矩阵,得到第二图像描述子矩阵,并计算第二图像描述子矩阵的梯度值,得到目标梯度值;通过第一图像描述子矩阵、第二图像描述子矩阵和目标梯度值确定初始形变场的增量,得到形变场增量;将初始形变场和形变场增量代入光流优化算法中,得到下一次配准操作使用的初始形变场。
具体的,在计算得到第一图像描述子集合和第二图像描述子集合后,需要计算第一描述子集合中的每个像素点的描述子的绝对值的平均值,得到Q个描述子,并根据每个像素点在图像中的位置信息,将Q个描述子组合成为候选配准图像的图像描述子矩阵,得到第一图像描述子矩阵,采用同样的方法,可以得到初始参考图像的第二图像描述子矩阵/>。
进一步的,在得到第二图像描述子矩阵后,需要计算第二图像描述子矩阵的梯度值,得到目标梯度值/>,并根据公式9计算形变场的增量/>。
(9)
在得到增量后,获取第M次配准操作使用的形变场,并将形变场和形变场增量代入光流优化算法中,得到下一次配准操作,也即第M+1次配准操作使用的形变场。需要说明的是,CMIND的高响应值表示感兴趣像素的图像块与周围的图像块是相似的,而低响应值则表相似性低。首先,采用气体的扩散模型来模拟浮动图像和参考图像之间的形变过程,将图像的形变配准看成气体的扩散过程并且结合光流模型来优化形变过程,具体的光流优化如公式10所示。
(10)
其中,为第k次优化时的形变场参数;/>为标准方差为/>的高斯函数;/>表示第k-1次优化时的形变场增量。从而通过公式10中的k-1次优化时使用的形变场增量计算得到k次优化时使用的形变场增量,进而可以通过公式10完成对形变场的迭代优化计算。需要说明的是,公式中的k与文字中的M均表示任意一次配准操作,因此,k与M为相同涵义,不存在歧义与不一致的问题。
为了准确的计算图像间的相似度,可选地,在本申请实施例提供的用于图像配准的形变场的确定方法中,根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度包括:计算第一图像描述子集合和第二图像描述子集合中坐标相同的每个像素点的描述子的差值,得到Q个差值集合,其中,每个差值集合中包括P个差值,每个差值为位置对应的第一图像描述子和第二图像描述子之间的差值;计算每个差值集合中的P个差值的绝对值的平均值,得到每个差值对应的像素点的初始相似度;计算Q个初始相似度的平均值,得到图像相似度,并将图像相似度与初始形变场相结合,得到目标相似度。
具体的,在计算得到候选配准图像中的第一图像描述子集合,以及初始参考图像的第二图像描述子集合后,需要计算第一图像描述子集合与第二图像描述子集合中每一组坐标相同的像素点的描述子的差值,得到Q组差值,其中,每组差值中包括P个差值,每个差值由第一图像描述子集合与第二图像描述子集合中位置对应的图像描述子相减得到。
在得到Q组差值后,需要计算每个差值集合中的P个差值的绝对值的平均值,得到每个像素点的初始相似度,如公式11所示:
(11)
其中,为候选配准图像和初始参考图像之间坐标相同的像素点A的相似度,为候选配准图像的图像描述子,/>为初始参考图像的图像描述子,进行相减运算的描述子对应的r相同,也即位置对应的描述子。
在通过上述方法计算得到候选配准图像和初始参考图像之间的每组位置相同的像素点的Q个初始相似度后,即可计算Q个初始相似度的平均值,得到图像相似度,如公式12所示。
(12)
其中,为图像中的像素点总数。
进一步的,在获取到图像相似度后,还可以进一步对目标相似度进行优化,从而提高形变场的平滑性和准确。可以根据当前配准操作使用的初始形变场的参数确定形变场平滑度以及形变场雅克比矩阵系数;分别确定图像相似度、平滑度和雅克比矩阵系数的权值,并根据权值对图像相似度、平滑度和雅克比矩阵系数进行加权求和,得到目标相似度。
需要说明的是,为了优化形变配准效果,进一步的,在相似度的基础上同时融入了形变场平滑度/>以及形变场雅克比矩阵系数/>,形成最终的相似度函数/>。从而改善形变场的平滑度以及优化形变场出现的不合理的折叠点,使得相似度更加准确。
具体的,首先根据当前配准操作使用的初始形变场的参数确定形变场平滑度以及形变场雅克比矩阵系数,其中,形变场平滑度是通过扩散正则化器进行平滑约束并且取均值,作为形变场平滑度约束条件/>,如公式13所示:
(13)
其中,为形变场关于x、y、z三个方向的梯度,由公式14计算得到,其中,Ω为图像中的全部像素点,/>为通过形变配准算法得到的每个像素点A的三个方向上的位移量,即形变场。
(14)
形变场的雅克比矩阵系数,如公式15所示:
(15)
其中,,/>和/>分别为形变场/>的雅克比矩阵的三个方向矩阵,具体如公式16所示。
(16)
在计算得到形变场平滑度以及形变场雅克比矩阵系数后,需要确定图像相似度、平滑度和雅克比矩阵系数的权值,分别为,并根据权值对图像相似度、平滑度和雅克比矩阵系数进行加权求和,得到目标相似度。计算过程如公式17所示:
(17)
为了降低形变场优化和配准时的计算复杂度,可选地,在本申请实施例提供的用于图像配准的形变场的确定方法中,在通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像之前,该方法还包括:按照分辨率对初始待配准图像进行分辨率分级操作,得到N层待配准图像,其中,每层待配准图像中包括分辨率相同的一组初始参考图像和初始浮动图像,初始浮动图像为待配准的浮动图像,初始参考图像用于确定初始浮动图像的配准结果,不同层级的待配准图像的分辨率不同,N为正整数;通过第一层的待配准图像中的初始浮动图像执行通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像的步骤。
具体的,在计算形变场的时候,为了降低计算复杂度,可以利用多分辨率金字塔式的迭代法对参考图像和浮动图像进行多层分辨率分级,获得由高到低的N层分辨率参考图像以及N层分辨率浮动图像,并按照分辨率层级对每层的图像进行配准并计算形变场,并使用上一层的形变场作为下一层的初始形变场,从而依次使用每层图像对形变场进行迭代优化,进而可以由分辨率较低的图像先对形变场进行初步优化,并使用初步优化后的形变场对分辨率高的图像进行配准,从而可以逐步对形变场进行优化,达到了减少每次优化时的计算量的效果。
需要说明的是,在按照分辨率层级进行配准的时候,由于不同分辨率的图像的配准复杂度不同,对形变场的要求也不同,因此,为了减少对形变场的计算强度,需要按照分辨率由小到大的顺序进行配准,从而在计算形变场的时候,可以逐步提高形变场的精度,从而避免在最初计算的时候就需要对形变场进行大量精确的计算,进而达到了降低计算复杂度的效果。
首先,将刚性配准后的初始浮动图像和初始参考图像按照分辨率进行分层,得到N层初始浮动图像和N层初始参考图像,也即对初始待配准图像按照分辨率进行分级操作,例如,在初始待配准图像中的初始参考图像和初始浮动图像的分辨率为512×512的情况下,可以将初始参考图像分级成为:分辨率为:128×128、分辨率为:256×256、分辨率为:512×512三层待配准图像,每层图像中的初始参考图像和初始浮动图像的分辨率相同。
在分层后,可以先使用第一层的待配准图像中的初始浮动图像执行通过初始形变场对初始浮动图像进行配准操作,并依次对每层待配准图像进行配准,从而根据配准结果对形变场进行迭代调整,从而在遍历每层的待配准图像后,得到准确的形变场。
例如,在进行形变场迭代计算的时候,首先对分辨率为:128×128的初始浮动图像和初始参考图像进行配准,并在每次配准后对形变场进行优化,可以在进行预设次数的配准操作和形变场优化操作后,对下一层,也即分辨率为:256×256的初始浮动图像和初始参考图像进行配准,并在每次配准后对形变场进行优化,可以在进行预设次数的配准操作和形变场优化操作后,再对下一层,也即分辨率为:512×512的初始浮动图像和初始参考图像进行配准,并可以在完成预设次数的配准操作和形变场优化操作后,将最后一次配准完成后,根据配准结果进行优化的形变场确定为目标形变场,从而根据每次配准得到的结果,对形变场进行更新,得到下一次配准操作的形变场,并使用更新的形变场进行下一次配准操作,使得在每层进行预设次数的配准后,形变场也优化了预设次数次,并使用该层的最后一次配准后优化的形变场,作为下一层进行配准操作的初始形变场,使得在下一层待配准图像配准后,可以在上一层配准操作中对形变场的优化的基础上,进一步对形变场进行优化,从而得到更加准确的形变场。
可选地,在本申请实施例提供的用于图像配准的形变场的确定方法中,重复执行使用初始形变场对初始浮动图像进行配准操作的步骤包括:确定当前配准操作使用的初始浮动图像和初始参考图像所在的层级,得到目标层级;确定对目标层级中的待配准图像进行配准操作的次数,得到目标次数;判断目标次数是否等于预设次数;在目标次数小于预设次数的情况下,使用目标层级中的待配准图像和更新后的初始形变场执行下一次配准操作;在目标次数等于预设次数的情况下,判断目标层级是否为第N层;在目标层级不是第N层的情况下,使用更新后的初始形变场对目标层级的下一层级的待配准图像执行配准操作;在目标层级为第N层的情况下,停止重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,并确定更新后的初始形变场为目标形变场。
具体的,在每次进行配准操作的时候,首先需要确定当前进行配准的图像是第几层的图像,并在确定目标层级后,获取该层的待配准图像中的初始浮动图像和初始参考图像,得到初始浮动图像和初始参考图像,并通过第M次配准操作的形变场对初始浮动图像进行配准,得到候选配准图像,其中,第M次配准操作的形变场也即根据第M-1次配准操作的结果进行优化后得到的形变场,M可以为任意一次配准操作。
在完成配准并计算目标相似度后,在目标相似度小于预设相似度的情况下,表征当前时刻的形变场仍未达到优化要求,此时,需要确定此次配准操作是在该层中进行的第几次配准操作,也即目标次数,并确定目标次数是否等于预设次数,并在小于预设次数的情况下,表征在该层中仍需继续进行迭代计算,则进行下一次配准操作,但是,在目标次数与预设次数相等的情况下,即使相似度小于预设相似度,也需要结束在本层中的迭代配准操作,并在下一层进行配准操作,从而保证不在同一层级下进行过量的配准计算,进而缩短形变场优化的时间。
需要说明的是,在目标次数与预设次数相等的情况下,还需要确定当前层级是否为最后一层,也即第N层,在不是第N层的情况下,通过当前时刻的形变场对下一层级的待配准图像进行配准操作,在是第N层的情况下,表征经过N组预设次数的迭代优化后,得到的形变场仍无法满足相似度的要求,此时,需要利用预设参数优化算法更新第M次配准操作的形变场,得到目标形变场,从而完成最后一次优化,并通过目标形变场对分层前的初始待配准图像中的浮动图像进行配准,从而得到配准后的浮动图像,也即目标配准图像,从而完成形变场的迭代优化操作,防止出现形变场无限迭代优化的现象。
可选地,在本申请实施例提供的用于图像配准的形变场的确定方法中,在目标相似度大于等于预设相似度的情况下,该方法还包括:确定当前配准操作使用的初始浮动图像和初始参考图像所在的层级,得到目标层级,并判断目标层级是否为第N层;在目标层级不是第N层的情况下,使用当前配准操作使用的初始形变场对目标层级的下一层级的待配准图像执行配准操作,直至目标层级为第N层;在目标层级为第N层的情况下,确定当前配准操作使用的初始形变场为目标形变场。
具体的,在目标相似度大于等于预设相似度的情况下,由于不知道此次配准操作使用的图像是哪层的图像,因此需要先确定首先需要确定当前进行配准的图像是第几层的图像,并在确定层级后,需要确定当前层级是否为第N层,也即是否为最后一层,在是最后一层的情况下,表征此时形变场已经完成优化,因此可以将当前时刻的形变场确定为目标形变场,无需再进行迭代计算直至在第N层进行预测次数的配准操作,从而减少了配准操作的次数。
在当前层级不是最后一层的情况下,表征在该层完成了形变场的优化,此时,需要使用当前形变场作为下一层的初始形变场对下一层级的待配准图像进行配准,从而减少了配准操作的次数,提高了形变场优化的效率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种用于图像配准的形变场的确定装置,需要说明的是,本申请实施例的用于图像配准的形变场的确定装置可以用于执行本申请实施例所提供的用于图像配准的形变场的确定方法。以下对本申请实施例提供的用于图像配准的形变场的确定装置进行介绍。
图2是根据本申请实施例提供的一种可选地图像配准方法的流程图,如图2所示,首先获取初始待配准图像,包括初始参考图像F和初始浮动图像,对初始浮动图像进行刚性配准,得到更新后的初始浮动图像M,基于形变场对M进行形变配准,获取F和形变后M的空间结构特征,并基于CMING获取F和形变后M的描述子,计算描述子的相似度,并确定相似度是否大于等于预设相似度。
在相似度小于预设相似度的情况下,对形变场进行更新,并基于更新后的形变场对初始浮动图像进行形变配准,得到形变配准结果和形变场,并重新执行相似度的计算步骤,直至相似度大于等于预设相似度。
在大于等于预设相似度的情况下,输出形变场并规范形变场尺寸,基于形变场对初始浮动图像进行形变配准,得到形变配准结果和形变场。从而完成形变场的更新以及初始浮动图像的配准。进而达到了通过调优后的形变场对图像进行配准,得到准确的配准结果的效果。
图3是根据本申请实施例提供的另一种可选地图像配准方法的流程图,如图3所示,首先获取初始待配准图像,包括初始参考图像F和初始浮动图像,对初始浮动图像进行刚性配准,得到更新后的初始浮动图像M,基于多分辨率金字塔式的迭代法根据分辨率对数据分成N层,并且初始化形变场,提取第i层的F 和M图像,并基于形变场对M进行形变配准,获取F和形变后M的空间结构特征,并基于CMING获取F和形变后M的描述子,计算描述子的相似度,并确定相似度是否大于等于预设相似度。
在大于等于预设相似度的情况下,判断是否为最后一层图像,是最后一层,则输出形变场并规范形变场尺寸,基于形变场对初始浮动图像进行形变配准,得到形变配准结果和形变场。
在不是最后一层的情况下,i+1并重新进行配准和形变场更新操作。
在相似度小于预设相似度的情况下,在当前层是否完成预设次数的配准,在完成预设次数的配准后,进入i+1层继续进行配准,在未完成预设次数的情况下,在i层进行配准,在当前是最后一层并且完成预设次数的配准的情况下,则输出形变场并规范形变场尺寸,基于形变场对初始浮动图像进行形变配准,得到形变配准结果和形变场,从而完成形变场的更新以及初始浮动图像的配准。通过按照分辨率对初始待配准图像进行分层,并按照分辨率由小到大的顺序依次对每层图像进行配准操作,根据每次配准操作后的结果对形变场进行更新,并在对形变场进行更新的时候,根据参数优化算法对形变场参数进行优化,进而达到了通过调优后的形变场对图像进行配准,得到准确的配准结果的效果。
图4是根据本申请实施例提供的用于图像配准的形变场的确定装置的示意图。如图4所示,该装置包括:接收单元41,第一配准单元42,第一确定单元43,更新单元44,第二确定单元45。
接收单元41,用于接收用户发送的初始待配准图像,其中,初始待配准图像中包括初始参考图像和初始浮动图像,初始参考图像和初始浮动图像为多模态图像。
第一配准单元42,用于通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像,并计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合;
第一确定单元43,用于根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度;
更新单元44,用于在目标相似度小于预设相似度的情况下,根据第一图像描述子集合、第二图像描述子集合、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,直至目标相似度大于等于预设相似度;
第二确定单元45,用于在目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,目标形变场用于对初始待配准图像中的初始浮动图像进行配准。
本申请实施例提供的用于图像配准的形变场的确定装置,通过接收单元41接收用户发送的初始待配准图像,其中,初始待配准图像中包括初始参考图像和初始浮动图像,初始参考图像和初始浮动图像为多模态图像;第一配准单元42通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像,并计算候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算初始参考图像的像素点空间结构信息,得到第二图像描述子集合;第一确定单元43根据第一图像描述子集合和第二图像描述子集合确定候选配准图像与初始参考图像之间的相似度,得到目标相似度;更新单元44在目标相似度小于预设相似度的情况下,根据第一图像描述子集合、第二图像描述子集合、以及预设参数优化算法对初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,直至目标相似度大于等于预设相似度;第二确定单元45在目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,目标形变场用于对初始待配准图像中的初始浮动图像进行配准。解决了相关技术中在确定医学图像配准使用的形变场时依赖于单一描述子,导致进行医学图像形变配准操作使用的形变场的准确度较低的问题,通过计算初始参考图像和初始浮动图像的像素点空间结构信息得到第一图像描述子集合和第二图像描述子集合,并根据第一图像描述子集合和第二图像描述子集合确定配准后的两个图像的相似度,从而根据相似度确定是否完成对形变场的优化,并在未完成对形变场的优化的情况下,通过第一图像描述子集合和第二图像描述子集合以及预设参数优化算法对初始形变场进行更新,从而通过空间结构信息得到的描述子准确确定相似度,并根据描述子对形变场进行优化,进而达到了准确确定用于配准的形变场,提高医学图像配准操作的准确度的效果。
可选地,在本申请实施例提供的用于图像配准的形变场的确定装置中,第一图像描述子集合中包括Q组第一图像描述子,每组第一图像描述子为候选配准图像中的一个像素点的P个第一图像描述子,Q为候选配准图像的像素点数量,第二图像描述子集合中包括Q组第二图像描述子,每组第二图像描述子为初始参考图像中的一个像素点的P个第二图像描述子。
可选地,在本申请实施例提供的用于图像配准的形变场的确定装置中,第一配准单元42包括:第一计算模块,用于对于任意一个图像中的任意一个像素点,计算像素点的三维结构张量,得到三维结构张量,并对三维结构张量进行奇异值分解,得到特征值;第二计算模块,用于根据特征值计算像素点的边缘强度与角点强度;第三计算模块,用于根据边缘强度与角点强度,计算像素点的权值度量;第四计算模块,用于根据像素点的像素值与权值度量计算像素点的第一特征信息;第五计算模块,用于从像素点的空间结构信息中获取与像素点相邻的P个目标像素点,并计算每个目标像素点的特征信息,得到P个第二特征信息;第六计算模块,用于分别计算第一特征信息与每个第二特征信息之间的距离度量,得到P个距离度量,并根据P个距离度量计算像素点的差异度量;第七计算模块,用于根据P个距离度量和差异度量计算得到像素点的图像描述子,得到像素点的P个图像描述子;组合模块,用于将图像中的每个像素点的P个图像描述子进行组合,得到图像描述子集合。
可选地,在本申请实施例提供的用于图像配准的形变场的确定装置中,预设参数优化算法为光流优化算法,更新单元44包括:第一生成模块,用于根据第一图像描述子集合生成候选配准图像的图像描述子矩阵,得到第一图像描述子矩阵;第二生成模块,用于根据第二图像描述子集合生成初始参考图像的图像描述子矩阵,得到第二图像描述子矩阵,并计算第二图像描述子矩阵的梯度值,得到目标梯度值;第一确定模块,用于通过第一图像描述子矩阵、第二图像描述子矩阵和目标梯度值确定初始形变场的增量,得到形变场增量;第八计算模块,用于将初始形变场和形变场增量代入光流优化算法中,得到下一次配准操作使用的初始形变场。
可选地,在本申请实施例提供的用于图像配准的形变场的确定装置中,第一确定单元43包括:第九计算模块,用于计算第一图像描述子集合和第二图像描述子集合中坐标相同的每个像素点的描述子的差值,得到Q个差值集合,其中,每个差值集合中包括P个差值,每个差值为位置对应的第一图像描述子和第二图像描述子之间的差值;第十计算模块,用于计算每个差值集合中的P个差值的绝对值的平均值,得到每个差值对应的像素点的初始相似度;第十一计算模块,用于计算Q个初始相似度的平均值,得到图像相似度,并将图像相似度与初始形变场相结合,得到目标相似度。
可选地,在本申请实施例提供的用于图像配准的形变场的确定装置中,该装置还包括:分级单元,用于按照分辨率对初始待配准图像进行分辨率分级操作,得到N层待配准图像,其中,每层待配准图像中包括分辨率相同的一组初始参考图像和初始浮动图像,初始浮动图像为待配准的浮动图像,初始参考图像用于确定初始浮动图像的配准结果,不同层级的待配准图像的分辨率不同,N为正整数;第二配准单元,用于通过第一层的待配准图像中的初始浮动图像执行通过初始形变场对初始浮动图像进行配准操作,得到候选配准图像的步骤。
可选地,在本申请实施例提供的用于图像配准的形变场的确定装置中,重复执行使用初始形变场对初始浮动图像进行配准操作的步骤包括:第二确定模块,用于确定当前配准操作使用的初始浮动图像和初始参考图像所在的层级,得到目标层级;第三确定模块,用于确定对目标层级中的待配准图像进行配准操作的次数,得到目标次数;判断目标次数是否等于预设次数;第一执行模块,用于在目标次数小于预设次数的情况下,使用目标层级中的待配准图像和更新后的初始形变场执行下一次配准操作;判断模块,用于在目标次数等于预设次数的情况下,判断目标层级是否为第N层;第二执行模块,用于在目标层级不是第N层的情况下,使用更新后的初始形变场对目标层级的下一层级的待配准图像执行配准操作;第四确定模块,用于在目标层级为第N层的情况下,停止重复执行使用初始形变场对初始浮动图像进行配准操作的步骤,并确定更新后的初始形变场为目标形变场。
可选地,在本申请实施例提供的用于图像配准的形变场的确定装置中,该装置还包括:第三确定单元,用于确定当前配准操作使用的初始浮动图像和初始参考图像所在的层级,得到目标层级,并判断目标层级是否为第N层;第三配准单元,用于在目标层级不是第N层的情况下,使用当前配准操作使用的初始形变场对目标层级的下一层级的待配准图像执行配准操作,直至目标层级为第N层;第四确定单元,用于在目标层级为第N层的情况下,确定当前配准操作使用的初始形变场为目标形变场。
上述用于图像配准的形变场的确定装置包括处理器和存储器,上述接收单元41,第一配准单元42,第一确定单元43,更新单元44,第二确定单元45等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决了相关技术中在确定医学图像配准使用的形变场时依赖于单一描述子,导致进行医学图像形变配准操作使用的形变场的准确度较低的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现所述用于图像配准的形变场的确定方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述用于图像配准的形变场的确定方法。
如图5所示,本发明实施例提供了一种电子设备,电子设备50包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述用于图像配准的形变场的确定方法的步骤。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有上述用于图像配准的形变场的确定方法的步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种用于图像配准的形变场的确定方法,其特征在于,包括:
接收用户发送的初始待配准图像,其中,所述初始待配准图像中包括初始参考图像和初始浮动图像,所述初始参考图像和所述初始浮动图像为多模态图像;
通过初始形变场对所述初始浮动图像进行配准操作,得到候选配准图像,并计算所述候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算所述初始参考图像的像素点空间结构信息,得到第二图像描述子集合,包括:对于任意一个图像中的任意一个像素点,通过所述像素点的坐标和像素值计算所述像素点的第一特征信息,并通过在空间结构中与所述像素点相邻的目标像素点的坐标和像素值计算每个目标像素点的第二特征信息,并分别计算所述第一特征信息与每个第二特征信息之间的距离度量,根据所述距离度量确定所述像素点的图像描述子,所述图像描述子用于刻画图像的特征信息;
根据所述第一图像描述子集合和所述第二图像描述子集合确定所述候选配准图像与所述初始参考图像之间的相似度,得到目标相似度,并在所述目标相似度小于预设相似度的情况下,根据所述第一图像描述子集合、所述第二图像描述子集合、以及预设参数优化算法对所述初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对所述初始浮动图像进行配准操作的步骤,直至所述目标相似度大于等于预设相似度,其中,所述预设参数优化算法为光流优化算法;
在所述目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,所述目标形变场用于对所述初始待配准图像中的初始浮动图像进行配准,所述当前时刻为完成最后一次配准操作的时刻;
对所述初始形变场进行更新包括:根据所述第一图像描述子集合和所述第二图像描述子集合计算所述初始形变场的形变场增量,并将所述初始形变场和所述形变场增量代入所述光流优化算法中,得到下一次配准操作使用的初始形变场。
2.根据权利要求1所述的方法,其特征在于,所述第一图像描述子集合中包括Q组第一图像描述子,每组第一图像描述子为所述候选配准图像中的一个像素点的P个第一图像描述子,Q为所述候选配准图像的像素点数量,所述第二图像描述子集合中包括Q组第二图像描述子,每组第二图像描述子为所述初始参考图像中的一个像素点的P个第二图像描述子。
3.根据权利要求2所述的方法,其特征在于,计算所述候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算所述初始参考图像的像素点空间结构信息,得到第二图像描述子集合包括:
对于任意一个图像中的任意一个像素点,计算所述像素点的三维结构张量,得到三维结构张量,并对所述三维结构张量进行奇异值分解,得到特征值;
根据所述特征值计算所述像素点的边缘强度与角点强度;
根据所述边缘强度与所述角点强度,计算所述像素点的权值度量;
根据所述像素点的像素值与所述权值度量计算所述像素点的第一特征信息;
从所述像素点的空间结构信息中获取与所述像素点相邻的P个目标像素点,并计算每个目标像素点的特征信息,得到P个第二特征信息;
分别计算所述第一特征信息与每个第二特征信息之间的距离度量,得到P个距离度量,并根据所述P个距离度量计算所述像素点的差异度量;
根据所述P个距离度量和所述差异度量计算得到所述像素点的图像描述子,得到所述像素点的P个图像描述子;
将图像中的每个像素点的P个图像描述子进行组合,得到图像描述子集合。
4.根据权利要求1所述的方法,其特征在于,根据所述第一图像描述子集合和所述第二图像描述子集合计算所述初始形变场的形变场增量包括:
根据所述第一图像描述子集合生成所述候选配准图像的图像描述子矩阵,得到第一图像描述子矩阵;
根据所述第二图像描述子集合生成所述初始参考图像的图像描述子矩阵,得到第二图像描述子矩阵,并计算所述第二图像描述子矩阵的梯度值,得到目标梯度值;
通过所述第一图像描述子矩阵、所述第二图像描述子矩阵和所述目标梯度值确定所述初始形变场的增量,得到所述形变场增量。
5.根据权利要求2所述的方法,其特征在于,根据所述第一图像描述子集合和所述第二图像描述子集合确定所述候选配准图像与所述初始参考图像之间的相似度,得到目标相似度包括:
计算所述第一图像描述子集合和所述第二图像描述子集合中坐标相同的每个像素点的描述子的差值,得到Q个差值集合,其中,每个差值集合中包括P个差值,每个差值为位置对应的第一图像描述子和第二图像描述子之间的差值;
计算每个差值集合中的P个差值的绝对值的平均值,得到每个差值对应的像素点的初始相似度;
计算Q个初始相似度的平均值,得到图像相似度,并将所述图像相似度与所述初始形变场相结合,得到所述目标相似度。
6.根据权利要求1所述的方法,其特征在于,在通过初始形变场对所述初始浮动图像进行配准操作,得到候选配准图像之前,所述方法还包括:
按照分辨率对所述初始待配准图像进行分辨率分级操作,得到N层待配准图像,其中,每层待配准图像中包括分辨率相同的一组初始参考图像和初始浮动图像,所述初始浮动图像为待配准的浮动图像,所述初始参考图像用于确定所述初始浮动图像的配准结果,不同层级的待配准图像的分辨率不同,N为正整数;
通过第一层的待配准图像中的初始浮动图像执行所述通过初始形变场对所述初始浮动图像进行配准操作,得到候选配准图像的步骤。
7.根据权利要求6所述的方法,其特征在于,重复执行使用初始形变场对所述初始浮动图像进行配准操作的步骤包括:
确定当前配准操作使用的初始浮动图像和初始参考图像所在的层级,得到目标层级;
确定对所述目标层级中的待配准图像进行配准操作的次数,得到目标次数;
判断所述目标次数是否等于预设次数;
在所述目标次数小于所述预设次数的情况下,使用所述目标层级中的待配准图像和更新后的初始形变场执行下一次配准操作;
在所述目标次数等于所述预设次数的情况下,判断所述目标层级是否为第N层;
在所述目标层级不是第N层的情况下,使用所述更新后的初始形变场对所述目标层级的下一层级的待配准图像执行配准操作;
在所述目标层级为第N层的情况下,停止重复执行使用初始形变场对所述初始浮动图像进行配准操作的步骤,并确定所述更新后的初始形变场为所述目标形变场。
8.根据权利要求6所述的方法,其特征在于,在所述目标相似度大于等于预设相似度的情况下,所述方法还包括:
确定当前配准操作使用的初始浮动图像和初始参考图像所在的层级,得到目标层级,并判断所述目标层级是否为第N层;
在所述目标层级不是第N层的情况下,使用当前配准操作使用的初始形变场对所述目标层级的下一层级的待配准图像执行配准操作,直至所述目标层级为第N层;
在所述目标层级为第N层的情况下,确定所述当前配准操作使用的初始形变场为目标形变场。
9.一种用于图像配准的形变场的确定装置,其特征在于,包括:
接收单元,用于接收用户发送的初始待配准图像,其中,所述初始待配准图像中包括初始参考图像和初始浮动图像,所述初始参考图像和所述初始浮动图像为多模态图像;
第一配准单元,用于通过初始形变场对所述初始浮动图像进行配准操作,得到候选配准图像,并计算所述候选配准图像的像素点空间结构信息,得到第一图像描述子集合,计算所述初始参考图像的像素点空间结构信息,得到第二图像描述子集合,包括:对于任意一个图像中的任意一个像素点,通过所述像素点的坐标和像素值计算所述像素点的第一特征信息,并通过在空间结构中与所述像素点相邻的目标像素点的坐标和像素值计算每个目标像素点的第二特征信息,并分别计算所述第一特征信息与每个第二特征信息之间的距离度量,根据所述距离度量确定所述像素点的图像描述子,所述图像描述子用于刻画图像的特征信息;
第一确定单元,用于根据所述第一图像描述子集合和所述第二图像描述子集合确定所述候选配准图像与所述初始参考图像之间的相似度,得到目标相似度;
更新单元,用于在所述目标相似度小于预设相似度的情况下,根据所述第一图像描述子集合、所述第二图像描述子集合、以及预设参数优化算法对所述初始形变场进行更新,得到下一次配准操作使用的初始形变场,并重复执行使用初始形变场对所述初始浮动图像进行配准操作的步骤,直至所述目标相似度大于等于预设相似度,其中,所述预设参数优化算法为光流优化算法;
第二确定单元,用于在所述目标相似度大于等于预设相似度的情况下,确定当前时刻下的初始形变场为目标形变场,其中,所述目标形变场用于对所述初始待配准图像中的初始浮动图像进行配准;
对所述初始形变场进行更新包括:根据所述第一图像描述子集合和所述第二图像描述子集合计算所述初始形变场的形变场增量,并将所述初始形变场和所述形变场增量代入所述光流优化算法中,得到下一次配准操作使用的初始形变场。
10.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序,其中,所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至8中任意一项所述的用于图像配准的形变场的确定方法。
11.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至8中任意一项所述的用于图像配准的形变场的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846919.1A CN116563096B (zh) | 2023-07-11 | 2023-07-11 | 用于图像配准的形变场的确定方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846919.1A CN116563096B (zh) | 2023-07-11 | 2023-07-11 | 用于图像配准的形变场的确定方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563096A CN116563096A (zh) | 2023-08-08 |
CN116563096B true CN116563096B (zh) | 2023-09-26 |
Family
ID=87500448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310846919.1A Active CN116563096B (zh) | 2023-07-11 | 2023-07-11 | 用于图像配准的形变场的确定方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563096B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173222B (zh) * | 2023-09-01 | 2024-07-19 | 深圳扬奇医芯智能科技有限公司 | 一种基于扩散模型的配准方法及系统 |
CN118350987A (zh) * | 2024-06-18 | 2024-07-16 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 图像配准方法、装置、存储介质以及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102928A (zh) * | 2014-06-26 | 2014-10-15 | 华中科技大学 | 一种基于纹理基元的遥感图像分类方法 |
CN105719272A (zh) * | 2014-12-05 | 2016-06-29 | 航天信息股份有限公司 | 保持空间结构的图像特征点匹配方法 |
CN106530321A (zh) * | 2016-10-28 | 2017-03-22 | 南方医科大学 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
CN110827334A (zh) * | 2019-11-01 | 2020-02-21 | Oppo广东移动通信有限公司 | 形变场确定方法、确定装置、终端设备及可读存储介质 |
CN111091589A (zh) * | 2019-11-25 | 2020-05-01 | 北京理工大学 | 基于多尺度监督学习的超声和核磁图像配准方法及装置 |
CN112232362A (zh) * | 2020-11-04 | 2021-01-15 | 清华大学深圳国际研究生院 | 一种跨模态医学图像配准方法及计算机可读存储介质 |
CN115409879A (zh) * | 2022-08-24 | 2022-11-29 | 苏州国科康成医疗科技有限公司 | 图像配准的数据处理方法及装置、存储介质、电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016134771A1 (en) * | 2015-02-26 | 2016-09-01 | Brainlab Ag | Adaptation of image data sets to an updated atlas-based reference system |
CN113298853B (zh) * | 2021-06-28 | 2022-05-27 | 郑州轻工业大学 | 一种逐级递进的二阶段医学图像配准方法 |
-
2023
- 2023-07-11 CN CN202310846919.1A patent/CN116563096B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102928A (zh) * | 2014-06-26 | 2014-10-15 | 华中科技大学 | 一种基于纹理基元的遥感图像分类方法 |
CN105719272A (zh) * | 2014-12-05 | 2016-06-29 | 航天信息股份有限公司 | 保持空间结构的图像特征点匹配方法 |
CN106530321A (zh) * | 2016-10-28 | 2017-03-22 | 南方医科大学 | 一种基于方向和尺度描述子的多图谱图像分割方法 |
CN110827334A (zh) * | 2019-11-01 | 2020-02-21 | Oppo广东移动通信有限公司 | 形变场确定方法、确定装置、终端设备及可读存储介质 |
CN111091589A (zh) * | 2019-11-25 | 2020-05-01 | 北京理工大学 | 基于多尺度监督学习的超声和核磁图像配准方法及装置 |
CN112232362A (zh) * | 2020-11-04 | 2021-01-15 | 清华大学深圳国际研究生院 | 一种跨模态医学图像配准方法及计算机可读存储介质 |
CN115409879A (zh) * | 2022-08-24 | 2022-11-29 | 苏州国科康成医疗科技有限公司 | 图像配准的数据处理方法及装置、存储介质、电子设备 |
Non-Patent Citations (1)
Title |
---|
基于颈动脉粥样硬化斑块的多序列MR图像去噪与配准;李军伟;汪晓妍;张剑华;何俊丽;管秋;陈胜勇;;中国图象图形学报(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563096A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Eppenhof et al. | Error estimation of deformable image registration of pulmonary CT scans using convolutional neural networks | |
CN109272443B (zh) | 一种基于全卷积神经网络的pet与ct图像配准方法 | |
US7945117B2 (en) | Methods and systems for registration of images | |
US8396531B2 (en) | System and method for quasi-real-time ventricular measurements from M-mode echocardiogram | |
CN112884820B (zh) | 一种影像初始配准及神经网络的训练方法、装置和设备 | |
US20190332846A1 (en) | Method, apparatus and system for 3d face tracking | |
CN105488767A (zh) | 一种基于最小二乘优化的压缩感知图像快速重建方法 | |
CN110517300B (zh) | 基于局部结构算子的弹性图像配准算法 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN115409879A (zh) | 图像配准的数据处理方法及装置、存储介质、电子设备 | |
CN116385520A (zh) | 融合全光源图像的磨损表面形貌光度立体重建方法及系统 | |
CN109559296B (zh) | 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 | |
Menchón-Lara et al. | Fast 4D elastic group-wise image registration. Convolutional interpolation revisited | |
CN106971389B (zh) | 一种基于统计形状模型的肾皮质定位方法 | |
Barath | On making sift features affine covariant | |
CN116258725A (zh) | 基于特征影像的医学图像处理方法、装置以及存储介质 | |
CN116468761A (zh) | 基于概率分布距离特征描述的配准方法、设备及存储介质 | |
Menchón-Lara et al. | Efficient convolution-based pairwise elastic image registration on three multimodal similarity metrics | |
CN114511631A (zh) | 摄像机视觉物体高度测量方法、装置及计算机可读存储介质 | |
Araújo et al. | Comparing the use of sum and difference histograms and gray levels occurrence matrix for texture descriptors | |
CN115953440B (zh) | 医学图像的配准方法和装置、存储介质及电子设备 | |
CN115861394B (zh) | 医学图像的处理方法和装置、存储介质及电子设备 | |
Tramnitzke et al. | GPU based affine linear image registration using normalized gradient fields | |
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 |
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 |