CN117953022A - 基于cuda卷积算法的医学影像配准处理系统及方法 - Google Patents
基于cuda卷积算法的医学影像配准处理系统及方法 Download PDFInfo
- Publication number
- CN117953022A CN117953022A CN202410353785.4A CN202410353785A CN117953022A CN 117953022 A CN117953022 A CN 117953022A CN 202410353785 A CN202410353785 A CN 202410353785A CN 117953022 A CN117953022 A CN 117953022A
- Authority
- CN
- China
- Prior art keywords
- image
- positive side
- dimensional array
- side projection
- gray
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 27
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 31
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 238000003672 processing method Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 210000000988 bone and bone Anatomy 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 230000002401 inhibitory effect Effects 0.000 abstract 2
- 238000011524 similarity measure Methods 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于CUDA卷积算法的医学影像配准处理系统及方法,将数据进行顶帽处理,将图像均匀,降低过曝,增强边界,原始图像减去图像开运算的结果,得到图像的噪声,进而对图像降噪,对三维CT图像进行骨骼边界增强,从而使得基于CT的投影图呈现更加明显的边界,用于术中2d3d配准的时候与CT投影图配准时使用,对图像的骨骼部分表现增强,抑制噪音及非配准区域的表现,对图像的骨骼部分表现增强,抑制噪音及非配准区域的表现,从而增强配准效果,过曝动态补偿算法提高了DR图品质,从而增强配准效果,提高后续2d3d配准的精准度和效率。
Description
技术领域
本发明涉及医学图像处理领域,尤其涉及一种基于CUDA卷积算法的医学影像配准处理系统及方法。
背景技术
DR医学影像是数字化X射线检查,常见的影像学检查方法,需要及时配合医生进行检查,DR属于放射科比较先进的检查方式,在脊柱手术中可以在术中进行比较精确的拍片检查,检查的过程当中可以得到准确的检查结果,具有比较高的分辨率,并且在检查的过程当中辐射较少,可以应用于全身多个部位的检查,但是两者图像的质量有比较巨大的差别,DR图中除存在比较明显的过曝外,同时存在比较多的噪声及软组织部分的干扰,并且CT医学影像具有边界的模糊性和软组织等结构对骨骼边界识别的影响,对2d3d配准存在一定的影响。
专利CN116211464A公开了一种医用图像处理装置,具备:生成部,生成对超声系统的坐标系与超声系统以外的其他模态的坐标系之间的配准关系进行表示的配准信息;取得部,在探头移动过程中,以规定的时间间隔取得被检体的二维超声图像数据,并从各所述二维超声图像数据中分别提取出特征组;计算部,计算当前时刻的所述特征组与前一时刻的所述特征组之间的距离;以及校正部,基于计算出的距离,校正所述配准信息,但是无法处理医学的DR图像过曝和CT图像边界增强问题。
综上所述,需要一种基于CUDA卷积算法的医学影像配准处理方法来解决现有技术中所存在的不足之处。
发明内容
针对现有技术的不足,本发明提供了一种基于CUDA卷积算法的医学影像配准处理系统及方法,旨在解决上述问题。
为实现上述目的,本发明提供如下技术方案:一种基于CUDA卷积算法的医学影像配准处理系统,包括以下模块:
图像获取模块,用于获取术前原始的CT图像和DR图像,以及相关图像数据,
开帽降噪模块,用于对CT图像和DR图像进行开帽降噪处理,
动态补偿处理模块,用于对DR图像进行动态过曝补偿处理,
调整模块,用于调整CT投影图像的投影点和投影方向,
配准模块,用于调整投影点和投影方向的CT投影图像与动态补偿后的DR图像进行配准,获取配准位置。
一种基于CUDA卷积算法的医学影像配准处理方法,包括以下步骤:
步骤S1:获取术前原始的CT图像和DR图像,以及相关图像数据;
步骤S2:对CT图像和DR图像进行开帽降噪处理,得到开帽结果CT图;
步骤S3:对DR图像进行过曝动态补偿处理,处理为:
对开帽结果CT图进行投影,得到正侧位投影图,计算正侧位投影图灰度图像的水平累积一维数组/>,与正侧位投影图灰度图像的水平倒数累积一维数组/>;
进行灰度图像的水平累积二维数组,和灰度图像的水平倒数累积灰度图像二维数组/>的计算;
用和/>的值,逐个窗口,遍历计算卷积核的卷积值,得到图像增强的边界图/>;
将边界增强图结合到DR图像/>中,将/>与/>两个同样尺寸的图的像素值的二维数组按位相乘,得到/>,对DR图像动态补偿;
步骤S4:调整CT投影图像的投影点和投影方向,与动态补偿后的DR图像进行配准,获取配准位置。
可选的,所述步骤S2中对增强CT图像骨骼边界的处理为:
步骤S21:设置卷积核的大小,并通过以下方式进行计算:
,
其中,KCT是开帽结果CT图,是源图像,/>是卷积核,/>表示开帽操作;
步骤S22:计算开帽结果CT图中第n张一个坐标点(a,b)的权重:
,
,
,
,
其中,是KCT第n张坐标点(a,b)的权重,/>是第n-1张KCT片,是第n+1张KCT片,/>是n-1张KCT片中整张片子里的CT值最大值,是n+1张KCT片中整张片子里的CT最大值,/>是n-1张KCT片在以坐标a,b为中心的视窗窗口内的CT值,/>为CT的总页数;
步骤S23:利用开帽结果图对CT图像的边界增强计算为:
,
,
其中,为稳定边缘后的CT图像,/>为KCT片在以坐标a,b为中心的视窗窗口内的CT值,/>为权重值。
可选的,所述步骤S3中正侧位投影图灰度图像的水平累积一维数组和正侧位投影图灰度图像的水平倒数累积一维数组/>的计算方法为:
正侧位投影图灰度图像的水平累积一维数组的j位数值等于正侧位投影图灰度图像的水平累积一维数组/>的j-1位数值与正侧位投影图/>中对应坐标像素商值的和,所述正侧位投影图/>中对应坐标像素商值等于正侧位投影图/>中i、j坐标像素值与正侧位投影图/>中像素最大值的商,水平累积一维数组/>的第0位数值设定为0,正侧位投影图/>中i坐标代表正侧位投影图的行数值,正侧位投影图/>中j坐标代表正侧位投影图的列数值;
正侧位投影图灰度图像的水平倒数累积一维数组的计算方法为:
正侧位投影图灰度图像的水平倒数累积一维数组的j位数值等于正侧位投影图灰度图像的水平倒数累积一维数组/>的j-1位数值与正侧位投影图/>中对应坐标像素倒数商值的和,所述正侧位投影图/>中对应坐标像素倒数商值等于正侧位投影图/>中像素最大值与正侧位投影图/>中i、j坐标像素调整值的商,正侧位投影图/>中i、j坐标像素调整值等正侧位投影图/>中i、j坐标像素值加一,所述正侧位投影图灰度图像的水平倒数累积一维数组/>的第0位数值设定为0。
可选的,所述步骤S3中灰度图像的水平累积二维数组的计算方法为:
灰度图像的水平累积二维数组的i、j位数值等于灰度图像的水平累积二维数组/>的i-1、j位数值与正侧位投影图灰度图像的水平累积一维数组/>的j位数值的和,灰度图像的水平累积二维数组/>的0、j位数值设定位0。
可选的,所述步骤S3中灰度图像的水平倒数累积灰度图像二维数组的计算方法为:
灰度图像的水平倒数累积灰度图像二维数组的i、j位数值等于灰度图像的水平倒数累积灰度图像二维数组/>的i-1、j位数值与正侧位投影图灰度图像的水平倒数累积一维数组/>的j位数值的和,灰度图像的水平倒数累积灰度图像二维数组的0、j位数值设定为0。
可选的,所述步骤S3中卷积核的卷积值,计算为:
,
,
其中,win是窗,Mean是平均,abs是绝对值,u代表遍历视窗的X轴,v代表遍历视窗的Y轴。
可选的,所述步骤S3中加权图二维数组范围到0-1,直接将边界增强图与DR影像/>两个同样尺寸的图的像素值的二维数组按位相乘,公式为:
。
可选的,所述计算和/>是通过卷积核的值计算生成,并采用CUDA加速。
可选的,所述步骤S3中对DR图像动态补偿后是否符合要求的判断步骤为:
步骤S51:找DR增强图像最大值,判断图像最大值是否大于设定阈值;
步骤S52:图像最大值大于设定阈值,执行配准后续操作,反之,则提示增强图不符合要求,未出现骨骼轮廓。
本发明的有益效果:
本发明中,将数据进行开帽处理,将图像均匀,降低过曝,增强边界,原始图像减去图像开运算的结果,得到图像的噪声,进而对图像降噪,对三维CT图像进行骨骼边界增强,从而使得基于CT的投影图呈现更加明显的边界,用于术中2d3d配准的时候与CT投影图配准时使用,对图像的骨骼部分表现增强,抑制噪音及非配准区域的表现,从而增强配准效果,提高后续2d3d配准的精准度和效率;
本发明中,DR影像相比传统的DR后处理方法,对图像的骨骼部分表现增强,抑制噪音及非配准区域的表现,从而增强配准效果,过曝动态补偿算法提高了DR图品质,提高了2d3d配准的准确率和效率;
本发明中,计算使用CUDA加速,以满足张数很多的情况下产生的大量边界增强图和DR图像过曝动态补偿运算的需求。
附图说明
图1为本发明系统的一种结构图。
图2为本发明方法的一种流程图。
图3为CT图像边界增强的一种流程图。
图4为开帽处理的一种原CT图像。
图5为开帽处理的一种噪声CT图像。
图6为开帽处理后的一种CT图像。
图7为CT图像边界增强处理前的一种CT图像。
图8为CT图像边界增强处理后的一种CT图像。
图9为DR图像过曝补偿的一种卷积核遍历图。
图10为判断DR图像过曝补偿后DR图像的一种流程图。
图11为DR图像过曝补偿后符合要求的一种DR图像。
图12为DR图像过曝补偿后不符合要求的一种DR图像。
图13为脊柱关节的一种DR图像。
图14为与DR图像进行配准的一种CT图
具体实施方式
为了更清楚地说明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附图。
结合说明书附图1-附图14,对本技术方案进行详细说明。
如图1所示,一种基于CUDA卷积算法的医学影像配准处理系统,包括以下模块:
图像获取模块,用于获取术前原始的CT图像和DR图像,以及相关图像数据,
开帽降噪模块,用于对CT图像和DR图像进行开帽降噪处理,
动态补偿处理模块,用于对DR图像进行动态过曝补偿处理,
调整模块,用于调整CT投影图像的投影点和投影方向,
配准模块,用于调整投影点和投影方向的CT投影图像与动态补偿后的DR图像进行配准,获取配准位置。
如图2-图14所示,一种基于CUDA卷积算法的医学影像配准处理方法,包括以下步骤:
步骤S1:获取术前原始的CT图像和DR图像,以及相关图像数据;
步骤S2:对CT图像和DR图像进行开帽降噪处理,得到开帽结果CT图;
步骤S3:对DR图像进行过曝动态补偿处理;
步骤S4:调整CT投影图像的投影点和投影方向,与动态补偿后的DR图像进行配准,获取配准位置。
如图2-图5,对CT图像进行预处理,增强CT图像骨骼边界,具体计算为:
首先,设置卷积核的大小,进行开帽运算,计算公式为,
,
其中,KCT是开帽结果CT图,是源图像,/>是卷积核,/>表示开帽操作。
再者,如图6、图7,进行CT图像的边界增强,使用的方法为优化的卷积图像增强,同时考虑到CT序列的连贯性,在计算一张图片时加入参考其前序及后续一张CT图,计算像素权值。公式如下:
,
,
,
,
其中,是KCT第n张坐标点(a,b)的权重,/>是第n-1张KCT片,/>是第n+1张KCT片,/>是n-1张KCT片中整张片子里的CT值最大值,/>是n+1张KCT片中整张片子里的CT最大值,/>是n-1张KCT片在以坐标a,b为中心的视窗窗口内的CT值,/>为CT的总页数。这个公式的意思是,某一张CT片某一点的权重由其前后张CT片中的以同样位置为中心,窗为i,j的矩形区域内的值在整张CT片中最大值的比例来统计得出的统计值,权重取得后,继续进行权重计算。
用CT片的前后一片的CT值来稳定当前CT片的边界,计算公式为:
,
,
其中,为稳定边缘后的CT图像,/>为KCT片在以坐标a,b为中心的视窗窗口内的CT值,/>为权重值。
对DR图像进行过曝动态补偿处理,具体为:
如图8所示,对DR影像过曝动态补偿,首先, 为CT投影图。计算正侧位投影图灰度图像的水平累积一维数组/>,与正侧位投影图/>灰度图像的水平倒数累积一维数组/>,其中/>为正侧位投影图/>中像素最大值,/>和/>为正侧位投影图的行数和列数,计算方法如下:
正侧位投影图灰度图像的水平累积一维数组的j位数值等于正侧位投影图灰度图像的水平累积一维数组/>的j-1位数值与正侧位投影图/>中对应坐标像素商值的和,所述正侧位投影图/>中对应坐标像素商值等于正侧位投影图/>中i、j坐标像素值与正侧位投影图/>中像素最大值的商,水平累积一维数组/>的第0位数值设定为0,正侧位投影图/>中i坐标代表正侧位投影图的行数值,正侧位投影图/>中j坐标代表正侧位投影图的列数值;
正侧位投影图灰度图像的水平倒数累积一维数组的计算方法为:
正侧位投影图灰度图像的水平倒数累积一维数组的j位数值等于正侧位投影图灰度图像的水平倒数累积一维数组/>的j-1位数值与正侧位投影图/>中对应坐标像素倒数商值的和,所述正侧位投影图/>中对应坐标像素倒数商值等于正侧位投影图/>中像素最大值与正侧位投影图/>中i、j坐标像素调整值的商,正侧位投影图/>中i、j坐标像素调整值等正侧位投影图/>中i、j坐标像素值加一,所述正侧位投影图灰度图像的水平倒数累积一维数组/>的第0位数值设定为0。
然后进行灰度图像的水平累积二维数组/>,和/>灰度图像的水平倒数累积灰度图像二维数组/>的计算,用于后续卷积使用。其计算方法如下:
灰度图像的水平累积二维数组的i、j位数值等于灰度图像的水平累积二维数组/>的i-1、j位数值与正侧位投影图灰度图像的水平累积一维数组/>的j位数值的和,灰度图像的水平累积二维数组/>的0、j位数值设定位0。
灰度图像的水平倒数累积灰度图像二维数组的计算方法为:
灰度图像的水平倒数累积灰度图像二维数组的i、j位数值等于灰度图像的水平倒数累积灰度图像二维数组/>的i-1、j位数值与正侧位投影图灰度图像的水平倒数累积一维数组/>的j位数值的和,灰度图像的水平倒数累积灰度图像二维数组的0、j位数值设定为0。
定窗口的大小为,计算好/>和/>之后;逐个窗口,遍历计算卷积核遍历的过程。
如图9,用和/>的值,根据遍历计算卷积核的卷积值,得到/>即用于图像增强的边界图,计算卷积核的卷积值的公式如下公式一:
计算卷积核的值的公式为:
其中win是窗,Mean是平均,abs是绝对值,S是结果
,
,公式一,
将边界增强图结合到DR图像中。这里的加权图二维数组范围到0-1,直接将与/>两个同样尺寸的图的像素值的二维数组按位相乘,得到/>,即:
公式二,
这部分的计算卷积核的值生成和计算/>的部分使用CUDA加速;以满足配准过程产生大量CT投影图产生的大量边界增强图对DR图的增强运算的需求。
对DR图像进行动态补偿,补偿过后的DR图骨骼部分边界清晰,暗部减弱,非配准区域的内容不可见,DR图品质接近CT投影图。
对处理的结果进行查看,正常图像中出现骨骼的轮廓。如果处理后的图片出现全黑的情况,认为DR图像处理后的图像不符合要求,或者拍摄出的CT片本身存在问题。
判断逻辑,如图10:
找到补偿后的DR增强图像的最大值,判断图像最大值是否大于100,若是,执行配准后续操作,若否,则提示:增强图不符合要求,未出现骨骼轮廓,DR增强图与投影图毫无关系,结束判断。
如图13,图中显示的为配准的部位为脊柱关节部分,与其配准的CT图为附图14,两者图像的质量有比较巨大的差别,DR图中除存在比较明显的过曝外,同时存在比较多的噪声及软组织部分的干扰,对2d3d配准存在一定的影响。
在调整到比较合适的窗宽窗位的前提下,传统的DR图像的后处理方法与常规可见光图像预处理方法比较多,如全局直方图均衡化,边界增强。本技术方案的目的是对图像的骨骼部分表现增强,抑制噪音及非配准区域的表现,从而增强配准效果。
图11中显示的内容,为说明书附图13对DR图像进行动态补偿后的图像,出现骨骼的轮廓,符合要求,图11中CT坐标系和X光初始坐标系差90度,结果经过90度旋转展示。
如图12,处理后的图片出现全黑的情况,则认定DR图像处理后的图像不符合要求。
首先,第一步骤在术前拍摄3维CT影像数据;
第二步骤,根据3维CT,规划手术计划及具体植入物的在CBCT的位置;
第三步骤,术中,使用DR影像设备拍摄正侧位X光片,手动点选出配准椎节(2节)中心位置,得到3维CT正侧位投影图大致初始位置;
第四步骤,将3维CT影像与2维正侧位DR影像初始位置附近进行搜索配准操作。找到3维CT中一个投影位置,使得投影位置得到的正侧位投影图,与2维正侧位DR影像吻合。将3维CT配准到DR影像坐标系下,这样可以定位植入物在患者体内的位置;
本专利具体实施,是根据第三步骤得到的初值,到第四步骤得到配准准确结果的具体实施过程里。具体是:
1)在3维CT上,根据初始值进行正侧位投影,得到两张投影图。与2维正侧位DR影像两张图,正侧位一一对应进行ncc方法进行相似度测度;
2)为了找到最好的配准结果,需要在初值附近用鲍威尔搜索方法进行搜索。每一次搜索会产生一个新的初值及一对新的3维CT正侧位投影图。完成一次配准大致共产生48000-70000张投影图。本专利在步骤一中正侧位进行相似性测度的过程中。由于DR影像与CT投影图的图像质量存在较大差距,对于相似性测度有一定影响,为了提高相似性测度的有效性提高搜索的准确性和效率,提出本专利的DR图像增强方法。
本发明图像增强方法,首先是对某一张3维CT投影图进行水平累积灰度图像和水平倒数累积灰度图像计算,卷积计算得到边界增强图,用生成的边界增强图增强对应去配准、相似性测度的DR影像图进行图像按位相乘的叠加。这样减弱图像中的非骨骼组织及与噪声等因素。这样在ncc相似性测度时,吻合程度越高的两张图的ncc值越好,给搜索器返回的结果效率越高。
用于术中2d3d配准的时候与CT投影图配准时使用,对图像的骨骼部分表现增强,抑制噪音及非配准区域的表现,从而增强配准效果。
基于CUDA卷积算法的DR影像相比传统的DR后处理方法,对图像的骨骼部分表现增强,抑制噪音及非配准区域的表现,从而增强配准效果,过曝动态补偿算法提高了DR图品质,提高了2d3d配准的准确率和效率
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于CUDA卷积算法的医学影像配准处理系统,包括以下模块:
图像获取模块,用于获取术前原始的CT图像和DR图像,以及相关图像数据,
开帽降噪模块,用于对CT图像和DR图像进行开帽降噪处理,
动态补偿处理模块,用于对DR图像进行动态过曝补偿处理,
调整模块,用于调整CT投影图像的投影点和投影方向,
配准模块,用于调整投影点和投影方向的CT投影图像与动态补偿后的DR图像进行配准,获取配准位置。
2.一种基于CUDA卷积算法的医学影像配准处理方法,其特征在于,包括以下步骤:
步骤S1:获取术前原始的CT图像和DR图像,以及相关图像数据;
步骤S2:对CT图像和DR图像进行开帽降噪处理,得到开帽结果CT图;
步骤S3:对DR图像进行过曝动态补偿处理,处理为:
对开帽结果CT图进行投影,得到正侧位投影图,计算正侧位投影图灰度图像的水平累积一维数组/>,与正侧位投影图灰度图像的水平倒数累积一维数组/>;
进行灰度图像的水平累积二维数组,和灰度图像的水平倒数累积灰度图像二维数组/>的计算;
用和/>的值,逐个窗口,遍历计算卷积核的卷积值,得到图像增强的边界图/>;
将边界增强图结合到DR图像/>中,将/>与/>两个同样尺寸的图的像素值的二维数组按位相乘,得到/>,对DR图像动态补偿;
步骤S4:调整CT投影图像的投影点和投影方向,与动态补偿后的DR图像进行配准,获取配准位置。
3.根据权利要求2所述基于CUDA卷积算法的医学影像配准处理方法,其特征在于,所述步骤S2中对增强CT图像骨骼边界的处理为:
步骤S21:设置卷积核的大小,并通过以下方式进行计算:
,
其中,KCT是开帽结果CT图,是源图像,/>是卷积核,/>表示开帽操作;
步骤S22:计算开帽结果CT图中第n张一个坐标点(a,b)的权重:
,
,
,
,
其中,是KCT第n张坐标点(a,b)的权重,/>是第n-1张KCT片,/>是第n+1张KCT片,/>是n-1张KCT片中整张片子里的CT值最大值,/>是n+1张KCT片中整张片子里的CT最大值,/>是n-1张KCT片在以坐标a,b为中心的视窗窗口内的CT值,/>为CT的总页数;
步骤S23:利用开帽结果图对CT图像的边界增强计算为:
,
,
其中,为稳定边缘后的CT图像,/>为KCT片在以坐标a,b为中心的视窗窗口内的CT值,/>为权重值。
4.根据权利要求3所述基于CUDA卷积算法的医学影像配准处理方法,其特征在于,所述步骤S3中正侧位投影图灰度图像的水平累积一维数组和正侧位投影图灰度图像的水平倒数累积一维数组/>的计算方法为:
正侧位投影图灰度图像的水平累积一维数组的j位数值等于正侧位投影图灰度图像的水平累积一维数组/>的j-1位数值与正侧位投影图/>中对应坐标像素商值的和,所述正侧位投影图/>中对应坐标像素商值等于正侧位投影图/>中i、j坐标像素值与正侧位投影图/>中像素最大值的商,水平累积一维数组/>的第0位数值设定为0,正侧位投影图/>中i坐标代表正侧位投影图的行数值,正侧位投影图/>中j坐标代表正侧位投影图的列数值;
正侧位投影图灰度图像的水平倒数累积一维数组的计算方法为:
正侧位投影图灰度图像的水平倒数累积一维数组的j位数值等于正侧位投影图灰度图像的水平倒数累积一维数组/>的j-1位数值与正侧位投影图/>中对应坐标像素倒数商值的和,所述正侧位投影图/>中对应坐标像素倒数商值等于正侧位投影图/>中像素最大值与正侧位投影图/>中i、j坐标像素调整值的商,正侧位投影图中i、j坐标像素调整值等正侧位投影图/>中i、j坐标像素值加一,所述正侧位投影图灰度图像的水平倒数累积一维数组/>的第0位数值设定为0。
5.根据权利要求4所述基于CUDA卷积算法的医学影像配准处理方法,其特征在于,所述步骤S3中灰度图像的水平累积二维数组的计算方法为:
灰度图像的水平累积二维数组的i、j位数值等于灰度图像的水平累积二维数组/>的i-1、j位数值与正侧位投影图灰度图像的水平累积一维数组/>的j位数值的和,灰度图像的水平累积二维数组/>的0、j位数值设定位0。
6.根据权利要求5所述基于CUDA卷积算法的医学影像配准处理方法,其特征在于,所述步骤S3中灰度图像的水平倒数累积灰度图像二维数组的计算方法为:
灰度图像的水平倒数累积灰度图像二维数组的i、j位数值等于灰度图像的水平倒数累积灰度图像二维数组/>的i-1、j位数值与正侧位投影图灰度图像的水平倒数累积一维数组/>的j位数值的和,灰度图像的水平倒数累积灰度图像二维数组/>的0、j位数值设定为0。
7.根据权利要求6所述基于CUDA卷积算法的医学影像配准处理方法,其特征在于,所述步骤S3中卷积核的卷积值,计算为:
,
,
其中,win是窗,Mean是平均,abs是绝对值,u代表遍历视窗的X轴,v代表遍历视窗的Y轴。
8.根据权利要求7所述基于CUDA卷积算法的医学影像配准处理方法,其特征在于,所述步骤S3中加权图二维数组范围到0-1,直接将边界增强图与DR影像/>两个同样尺寸的图的像素值的二维数组按位相乘,公式为:
。
9.根据权利要求8所述基于CUDA卷积算法的医学影像配准处理方法,其特征在于,所述计算和/>是通过卷积核的值计算生成,并采用CUDA加速。
10.根据权利要求2所述基于CUDA卷积算法的医学影像配准处理方法,其特征在于,所述步骤S3中对DR图像动态补偿后是否符合要求的判断步骤为:
步骤S51:找DR增强图像最大值,判断图像最大值是否大于设定阈值;
步骤S52:图像最大值大于设定阈值,执行配准后续操作,反之,则提示增强图不符合要求,未出现骨骼轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353785.4A CN117953022A (zh) | 2024-03-27 | 2024-03-27 | 基于cuda卷积算法的医学影像配准处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353785.4A CN117953022A (zh) | 2024-03-27 | 2024-03-27 | 基于cuda卷积算法的医学影像配准处理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117953022A true CN117953022A (zh) | 2024-04-30 |
Family
ID=90801818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410353785.4A Pending CN117953022A (zh) | 2024-03-27 | 2024-03-27 | 基于cuda卷积算法的医学影像配准处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117953022A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090097722A1 (en) * | 2007-10-12 | 2009-04-16 | Claron Technology Inc. | Method, system and software product for providing efficient registration of volumetric images |
CN102792336A (zh) * | 2009-05-29 | 2012-11-21 | 电信教育集团-巴黎电信学校 | 量化涉及身体体积变化的疾病、特别是肿瘤的发展的方法 |
US8600190B1 (en) * | 2010-07-29 | 2013-12-03 | Exelis, Inc. | Method for combining two image data sets using fixed distribution |
US20160275684A1 (en) * | 2013-11-14 | 2016-09-22 | Koninklijke Philips N.V. | Registration of medical images |
CN108242049A (zh) * | 2016-12-26 | 2018-07-03 | 河北天地智慧医疗设备股份有限公司 | 一种针对gpu优化的全尺度dr影像增强处理方法 |
CN109934784A (zh) * | 2019-03-12 | 2019-06-25 | 中国科学院长春光学精密机械与物理研究所 | 图像增强方法、装置、设备及计算机可读存储介质 |
CN110009669A (zh) * | 2019-03-22 | 2019-07-12 | 电子科技大学 | 一种基于深度强化学习的3d/2d医学图像配准方法 |
CN111080681A (zh) * | 2019-12-16 | 2020-04-28 | 电子科技大学 | 一种基于LoG算子的3D/2D医学图像配准方法 |
CN113421212A (zh) * | 2021-06-23 | 2021-09-21 | 华侨大学 | 一种医学影像的增强方法、装置、设备和介质 |
CN113421226A (zh) * | 2021-06-03 | 2021-09-21 | 山东师范大学 | 基于互信息的ct-dr多模态食管图像配准方法及系统 |
CN113538209A (zh) * | 2020-04-17 | 2021-10-22 | 成都连心医疗科技有限责任公司 | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 |
WO2023240912A1 (zh) * | 2022-06-14 | 2023-12-21 | 中国人民解放军总医院第一医学中心 | 用于股骨颈骨折手术导航的图像配准方法及系统 |
-
2024
- 2024-03-27 CN CN202410353785.4A patent/CN117953022A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090097722A1 (en) * | 2007-10-12 | 2009-04-16 | Claron Technology Inc. | Method, system and software product for providing efficient registration of volumetric images |
CN102792336A (zh) * | 2009-05-29 | 2012-11-21 | 电信教育集团-巴黎电信学校 | 量化涉及身体体积变化的疾病、特别是肿瘤的发展的方法 |
US8600190B1 (en) * | 2010-07-29 | 2013-12-03 | Exelis, Inc. | Method for combining two image data sets using fixed distribution |
US20160275684A1 (en) * | 2013-11-14 | 2016-09-22 | Koninklijke Philips N.V. | Registration of medical images |
CN108242049A (zh) * | 2016-12-26 | 2018-07-03 | 河北天地智慧医疗设备股份有限公司 | 一种针对gpu优化的全尺度dr影像增强处理方法 |
CN109934784A (zh) * | 2019-03-12 | 2019-06-25 | 中国科学院长春光学精密机械与物理研究所 | 图像增强方法、装置、设备及计算机可读存储介质 |
CN110009669A (zh) * | 2019-03-22 | 2019-07-12 | 电子科技大学 | 一种基于深度强化学习的3d/2d医学图像配准方法 |
CN111080681A (zh) * | 2019-12-16 | 2020-04-28 | 电子科技大学 | 一种基于LoG算子的3D/2D医学图像配准方法 |
CN113538209A (zh) * | 2020-04-17 | 2021-10-22 | 成都连心医疗科技有限责任公司 | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 |
CN113421226A (zh) * | 2021-06-03 | 2021-09-21 | 山东师范大学 | 基于互信息的ct-dr多模态食管图像配准方法及系统 |
CN113421212A (zh) * | 2021-06-23 | 2021-09-21 | 华侨大学 | 一种医学影像的增强方法、装置、设备和介质 |
WO2023240912A1 (zh) * | 2022-06-14 | 2023-12-21 | 中国人民解放军总医院第一医学中心 | 用于股骨颈骨折手术导航的图像配准方法及系统 |
Non-Patent Citations (5)
Title |
---|
HYOUNG SUK PARK等: "Automatic 3D Registration of Dental CBCT and Face Scan Data using 2D Projection Images", ARXIV:2305.10132, 17 May 2023 (2023-05-17) * |
JAVIER ESTEBAN等: "Towards Fully Automatic X-Ray to CT Registration", MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION – MICCAI 2019, 10 October 2019 (2019-10-10), pages 631, XP047522353, DOI: 10.1007/978-3-030-32226-7_70 * |
JULIE DELON: "Midway Image Equalization", JOURNAL OF MATHEMATICAL IMAGING AND VISION, vol. 21, no. 2, 1 September 2004 (2004-09-01), pages 119 - 134 * |
孙磊;陈新;李鑫;: "一种医学图像虚实融合显示的新思路", 现代电子技术, no. 17, 1 September 2007 (2007-09-01) * |
李军伟;汪晓妍;张剑华;何俊丽;管秋;陈胜勇;: "基于颈动脉粥样硬化斑块的多序列MR图像去噪与配准", 中国图象图形学报, no. 07, 16 July 2015 (2015-07-16) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6836570B2 (en) | Method for contrast-enhancement of digital portal images | |
US8345943B2 (en) | Method and apparatus for registration and comparison of medical images | |
CN106296613B (zh) | 一种基于dr机器的双能量减影方法 | |
US20080123929A1 (en) | Apparatus, method and program for image type judgment | |
JP2002527834A (ja) | 画像化方法 | |
CN111353958B (zh) | 图像处理方法、装置及系统 | |
JPH08103439A (ja) | 画像の位置合わせ処理装置及び画像間処理装置 | |
CN117094917B (zh) | 一种心血管3d打印数据处理方法 | |
CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
Mondal et al. | Automatic craniofacial structure detection on cephalometric images | |
CN111161182A (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
CN106447664A (zh) | 确定匹配点对的方法及图像获取方法 | |
JP2006139782A (ja) | 画像を重ね合わせる方法 | |
CN112509060B (zh) | 基于图像深度学习的ct二次扫描定位方法、系统 | |
US7756359B1 (en) | Use of local or global quality of match to estimate cone beam CT reconstruction artifact correction weight in image registration | |
CN117953022A (zh) | 基于cuda卷积算法的医学影像配准处理系统及方法 | |
CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
CN116883372A (zh) | 一种基于血管区域图像自适应识别肿瘤的方法及系统 | |
US20230076352A1 (en) | Systems and methods for image processing | |
US7298923B2 (en) | Method and system for focus-adaptive reconstruction of spine images | |
Kumar et al. | Semiautomatic method for segmenting pedicles in vertebral radiographs | |
Good et al. | Generalized procrustean image deformation for subtraction of mammograms | |
Rashmi et al. | Extended template matching method for region of interest extraction in cephalometric landmarks annotation | |
CN106485650A (zh) | 确定匹配点对的方法及图像获取方法 |
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 |