CN1989526A - 用于图像时间序列的运动补偿的方法和系统 - Google Patents
用于图像时间序列的运动补偿的方法和系统 Download PDFInfo
- Publication number
- CN1989526A CN1989526A CNA2005800251583A CN200580025158A CN1989526A CN 1989526 A CN1989526 A CN 1989526A CN A2005800251583 A CNA2005800251583 A CN A2005800251583A CN 200580025158 A CN200580025158 A CN 200580025158A CN 1989526 A CN1989526 A CN 1989526A
- Authority
- CN
- China
- Prior art keywords
- current
- distortion
- gradient
- warping function
- image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 122
- 230000002123 temporal effect Effects 0.000 title claims abstract description 11
- 238000006073 displacement reaction Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 168
- 238000007667 floating Methods 0.000 claims description 120
- 238000005259 measurement Methods 0.000 claims description 71
- 238000005516 engineering process Methods 0.000 claims description 31
- 238000002059 diagnostic imaging Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 22
- 206010028980 Neoplasm Diseases 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 16
- 238000002360 preparation method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000021615 conjugation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 8
- 230000005055 memory storage Effects 0.000 claims description 8
- 230000002441 reversible effect Effects 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 8
- 206010006187 Breast cancer Diseases 0.000 claims description 7
- 208000026310 Breast neoplasm Diseases 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 claims description 6
- 230000000452 restraining effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims 1
- 238000011524 similarity measure Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 7
- 210000000038 chest Anatomy 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000004800 variational method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000928106 Alain Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- 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
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Television Systems (AREA)
Abstract
用于进行图像时间序列的运动补偿的方法和系统包括根据相应区域的局部互相关进行两个图像之间的相似性量度的共轭梯度最大化,以获得用于使图像之一扭曲的位移场。变形的无奇异性是在建立解决方案时通过利用相似性量度的正则化梯度的合成来加以确保的。
Description
相关申请的交叉引用
特此具体引用以Gerardo Hermosillo Valadez(本申请的发明人)的名义于2004年5月25日提交的名称为METHOD AND SYSTEMFOR MOTION COMPENSATION IN A TEMPORAL SEQUENCE OFIMAGES的美国临时专利申请No.60/574037(代理人案卷号2004P08876US),并且要求该美国临时专利申请的优先权权益且其公开内容因此于此被引入作为参考。
技术领域
本申请总体上涉及图像的运动补偿,并且更具体地涉及图像时间序列的运动补偿。
背景技术
医学成像技术在检测病人的癌症或癌症前期状况中得到使用。一项重要的应用是在乳腺癌的肿瘤或潜在肿瘤的检测中的应用。潜在肿瘤难以检测,但是已知的是,与相邻的非肿瘤组织相比,这样的组织典型地显示出对造影剂的更快的吸入(灌入)以及更快的排出。这种特性上的差异允许通过比较在这种灌入(wash-in)和/或排出(wash-out)之前和之后所制作的病人的图像来检测可疑组织。使用这样的通过诸如磁共振成像(MRI)之类的成像技术所制作的时间上连续的图像,可以进行图像之间的比较,以检测因所获取的MR体积的不同区域所显示出的造影剂灌入和排出特性所造成的差异,从而检测出这种可疑组织。
为了方便地进行这种检测,需要跟踪这种体积的时间序列中单个体元的强度。然而,出现这样的困难:病人一般会在连续获得之间移动,并且因此在所获得的图像之间引入与运动相关的差异,从而除非进行运动修正,否则不再能够跟踪空间中的单个点。
本发明的目的是以有利的方式在例如潜在肿瘤的胸部MR检测中解决运动修正问题,其中潜在肿瘤作为具有对造影剂的快速吸入(灌入)以及快速排出的组织来加以检测。
过去解决这一问题的现有技术方法已经计算了两个图像之间的光流,将这两个图像中的任意一个选为该序列的图像中的参考图像。这两个图像是通过计算拉普拉斯算子(Laplacian)金字塔从所获得的图像得到的。光流是通过求解两个拉普拉斯算子图像之间的点到点差异的最小化问题而计算出来的。
估算两个图像之间的几何变形的问题在科技文献中早已出现。用于计算光流的技术可以追溯到像B.K.Horn和B.G.Schunk所著的Determining optical flow(Artificial Intelligence,17:185-203,1981年)这样的论文以及该文中所引用的参考文献。在Olivier Faugeras、Bernard Hotz、Herv Mathieu、Thierry Viville、Zhengyou Zhang、Pascal Fua、Eric Thron、Laurent Moll、Grard Berry、Jean Vuillemin、Patrice Bertin和Catherine Proy所著的“Real time correlation basedstereo:algorithm implementations and applications”(Technical Report2013,INRIA Sophia-Antipolis,法国,1993年)、Olivier Faugeras和Renaud Keriven所著的“Variational principles,surface evolution,PDE′s,level set methods and the stereo problem”(IEEE Transactions onImage Processing,7(3):336-344,1998年3月)、Jacques Bride和GerardoHermosillo所著的“Recalage rigide sans contrainte de preservationd′intensite par regression heteroscdastique”(TAIMA,Hammamet,Tunisie,2001年10月)、P Cachier和X.Pennec所著的“3d non-rigidregistration by gradient descent on a gaussian weighted similaritymeasure using convolutions”(Proceedings of MMBIA,第182-189页,2000年6月)以及T.Netsch、P.Rosch、A.van Muiswinkel和J.Weese所著的“Towards real-time multi-modality 3d medical imageregistration”(Proceedings of the 8th International Conference onComputer Vision,加拿大温哥华,2001年,IEEE Computer Society,IEEE Computer Society Press)中可以找到作为相似性量度的互相关的使用。
已经提出了其它相关的相似性量度、比如相关比(A.Roche、G.Malandain、X.Pennec和N.Ayache所著的“The correlation ratio as newsimilarity metric for multimodal image registration”(W.M.WellsIII);P.Viola、H.Atsumi、S.Nakajima和R.Kikinis所著的“Multi-modalvolume registration by maximization of mutual information”(MedicalImage Analysis,1(1):35-51,1996年,第1115-1124页))和互信息(PaulViola所著的“Alignment by Maximisation of Mutual Information”(博士论文,MIT,1995年);Paul Viola和William M.Wells III所著的“Alignment by maximization of mutual information”(TheInternational Journal of Computer Vision,24(2):137-154,1997年);F.Maes、A.Collignon、D.Vandermeulen、G.Marchal、和P.Suetens所著的“Multimodality image registration by maximization of mutualinformation”(IEEE transactions on Medical Imaging,16(2):187-198,1997年4月);前面引用的W.M.Wells III等人的著作,尤其,R.P.Woods,J.C.Maziotta和S.R.Cherry所著的“MRI-pet registrationwith automated algorithm”(Journal of computer assisted tomography,17(4):536-546,1993年);D.Hill所著的“Combination of 3D medicalimages from multiple modalities”(博士论文,伦敦大学(University ofLondon),1993年12月);G.Penney、J.Weese、J.A.Little、P.Desmedt、D.LG.Hill和D.J.Hawkes所著的“A comparison of similarity measuresfor use in 2d-3d medical image registration”(J.van Leeuwen G.Goos,J.Hartmanis编辑的First International Conference on Medical ImageComputing and Computer-Assisted Intervention,《Lecture Notes inComputer Science》第1496卷,施普林格(Springer),1998年);以及M.E.Leventon和W.E.L.Grimson所著的“Multi-Modal VolnmeRegistration Using Joint Intensity Distributions”(W.M.Wells、A.Colchester和S.Delp编辑的《Lecture Notes in Computer Science》第1496号,Carnbridge,MA,美国,1998年10月,Springer))。
在William H.Press、Brian P.Flannery、Saul A.Teukolsky和William T.Vetterling所著的“Numerical Recipes in C”(CambridgeUniversity Press,1988年)中描述了共轭梯度最小化。所设想的变形的类型(或族系)是任何运动修正算法的第二个关键要素。参数变换是最普遍使用的。参见Chuck Meyer、Jennifer Boes、Boklye Kim和PeytonBland所著的“Evaluation of control point selection in automatic,mutualinformation driven,3d warping”(J.van Leeuwen G.Goos、J.Hartmanis编辑的First International Conference on Medical Image Computingand Computer-Assisted Intervention,Proceedings,《Lecture Notes inComputer Science》第1496卷,1998年10月);D.Rückert、C.Hayes、C.Studholme、P.Summers、M.Leach和D.J.Hawkes所著的“Non-rigidregistration of breast MR images using mutual information”(W.M.Wells、A.Colchester和S.Delp编辑的《Lecture Notes in ComputerScience》第1496卷,Carnbridge,MA,美国,1998年10月,Springer);Paul Viola所著的“Alignment by Maximisation of Mutual Information”(博士论文,MIT,1995年);W.M.Wells III、P.Viola、H.Atsumi、S.Nakajima和R.Kikinis所著的“Multi-modal volume registration bymaximization of mutual information”(Medical Image Analysis,1(1):35-51,1996年);以及Paul Viola和William M.Wells III所著的“Alignement by maximization of mutual information”(TheInternational Journal of Computer Vision,24(2):137-154,1997年)。
当变形不以参数形式来定义时,族系通常是通过要求位移场的某一平滑度(可能保留不连续性)来加以约束的。参见J.P.Thirion所著的“Image matching as a diffusion process:An analogy with Maxwell′sdemons”(Medical Image Analysis,2(3):243-260,1998年);L.Alvarez、R.Deriche、J.Weickert和J.Sánchez所著的“Dense disparity mapestimation respecting image discontinuities:A PDE and scale-spacebased approach”(International Journal of Visual Communication andImage Representation,Special Issue on Partial Differential Equatiohs inImage Processing,Computer Vision and Computer Graphics,2000年);M.Proesmans、L.Van Gool、E.Pauwels和A.Oosterlinck所著的“Determination of Optical Flow and its Discontinuities using Non-Linear Diffusion”(Proceedings of the 3rd ECCV,II,number 801 inLecture Notes in Computer Science,第295-304页,Springer-Verlag,1994年);以及L.Alvarez、J.Weickert和J.Sánchez所著的“ReliableEstimation of Dense Optical Flow Fields with Large Displacements”(Technical report,Cuadernos del Instituto Universitario de Ciencias yTecnologias Ciberneticas,2000:a revised version has appeared at IJCV39(1):41-56,2000年);E.Mmin和P.Prez所著的“A multigrid approachfor hierarchical motion estimation”(Proceedings of the 6thInternational Conference on Computer Vision,第933-938页,IEEEComputer Society Press,印度孟买,1998年1月);E.Mmin和P.Prez所著的“Dense/parametric estimation of fluid flows”(IEEE Int.Conf.on Image Processing,ICIP′99,日本神户,1999年10月);G.Aubert、R.Deriche和P.Kornprobst所著的“Computing optical flow viavariational techniques”(SIAM Journal of Applied Mathematics,60(1):156-182,1999年);G.Aubert和P.KorRprobst所著的“A mathematicalstudy of the relaxed optical flow problem in the space BV”(SIAMJournal on Mathematical Analysis,30(6):1282-1308,1999年);以及R.Deriche、P.Kornprobst和G.Aubert所著的“Optical flow estimationwhile preserving its discontinuities:A variational approach”(Proceedings of the 2nd Asian Conference on Computer Vision,第2卷,第71-80页,新加坡,1995年12月)。
某些正则化方法基于场的明显平滑,如在J.P.Thirion所著的
“Image matching as a diffusion process:An analogy with Maxwell′sdemons”(Medical Image Analysis,2(3):243-260,1998年);以及Christophe Chefd′hotel、Gerardo Hermosillo和Olivier Faugeras所著的“Flows of Diffeomorphisms for Multimodal Image Registration”(International Symposium on Biomedical Imaging.IEEE,2002年)中那样,而其他正则化方法考虑误差准则中产生(可能各向异性的)扩散项的附加项,参见G.Aubert和P.Kornprobst所著的“MathematicalProblems in Image Processing:Partial Differential Equations and theCalculus of Variations”(《Applied Mathematical Sciences》第147卷,Springer-Verlag,2002年1月);J.Weickert和C.Schnrr所著的“Atheoretical framework for convex regularizers in pde-based computationof image motion”(The International Journal of Computer Vision,45(3):245-264,2001年12月);Gerardo Hermosillo、ChristopheChefd′hotel和Olivier Faugeras所著的“Variational methods formultimodal image matching”(The International Journal of ComputerVision,50(3):329-343,2002年11月);G.Hermosillo和O.Faugeras所著的“Dense image matching with global and local statistical criteria:avariational approach”(Proceedings of CVPR′01,2001年);以及Gerardo Hermosillo所著的“Variational Methods for Multimodal ImageMatching”(博士论文,INRIA:可以以ftp://ftp-sop.inria.fr/robotvis/html/Papers/hermosillo:02.ps.gz访问该文献,2002年)。
流体法利用单个参数来确定变形的期望平滑度或流度的量。参见Christophe Chefd′hotel、Gerardo Hermosillo和Olivier Faugeras所著的“Flows of Diffeomorphisms for Multimodal Image Registration”(International Symposium on Biomedical Imaging,IEEE,2002年);Gary Christensen、MI Miller和MW Vannier所著的“A 3D deformablemagnetic resonance textbook based on elasticity”(Proceedings of theAmetican Association for Artificial Intelligence,Symposium:Applications of Computer Vision in Medical Image Processing,1994年);以及Alain Trouv所著的“Diffeomorphisms groups and patternmatching in image analysis”(International Journal of Computer Vision,28(3):213-21,1998年)。
以前也研究过多分辨率方法。参见L.Alvarez、J.Weickert和J.Sánchez所著的“Reliable Estimation of Dense Optical Flow Fieldswith Large Displacements”(Technical report,Cuadernos del InstitutoUniversitario de Ciencias y Tecnologias Ciberneticas,2000年)。在IJCV39(1):41-56,2000中出现了修订版。在前面引用的L.Alvarez等人的著作中,使用了尺度空间聚焦策略。大多数现有方法要么没有解决强度变化,要么局限于参数变换。
向解决强度变化的更加复杂的变换的扩展包括依赖于块匹配策略(参见J.B.A.Maintz、H.W.Meijering和M.A.Viergever所著的“General multimodal elastic registration based on mutualinformation”(Medical Imaging 1998-Image Processing,第3338卷,第144-154页,SPIE,1998年);T.Gaens、F.Maes D.Vandermeulen和P.Suetens所著的“Non-rigid multimodal image registration usingmutual information”(J.van Leeuwen G.Goos、J.Hartmanis编辑的First International Conference on Medical Image Computing andComputer-Assisted Intervention,《Lecture Notes in Computer Science》的第1496卷,Springer,1998年);以及N.Hata、T.Dohi、S.Warfield、W.Wells III、R.Kikinis和F.A.Jolesz所著的“Multi-modalitydefbrmable registration of pre-and intra-operative images for MRI-guided brain surgery”(J.van Leeuwen G.Goos、J.Hartmanis编辑的First International Conference on Medical Image Computing andComputer-Assisted Intervention,《Lecture Notes in Computer Science》的第1496卷,Springer,1998年))或者参数强度修正(参见A.Roche、A.Guimond、J.Meunier和N.Ayache所著的“Multimodal ElasticMatching of Brain Images”(Proceedings of tne 6th EuropeanConference on Computer Vision,爱尔兰都柏林,2000年6月))的方法。
某些新近的方法依赖于局部互相关的梯度的计算。参见P.Cachier和X.Pennec所著的“3d non-rigid registration by gradient descent on agaussian weighted similarity measure using convolutions”(Proceedingsof MMBIA,第182-189页,2000年6月);T.Netsch、P.Rosch、A.vanMuiswinkel和J.Weese所著的“Towards real-time multi-modality 3Dmedical image registration”(Proceedings of the 8th InternationalConference on Computer Vision,加拿大温哥华,2001年,IEEEComputer Society,IEEE Computer Society Press);GerardoHermosillo、Christophe Chefd′hotel和Olivier Faugeras所著的《(Variational methods for multimodal image matching.》(TheInternational Journal of Computer Vision,50(3):329-343,2002年11月);G.Hermosillo和O.Faugeras所著的“Dense image matching withglobal and local statistical criteria:a variational approach”(Proceedings of CVPR′01,2001年);Gerardo Hermosillo所著的“Variational Methods for Multimodal Image Matching”(博士论文,INRIA:可以以ftp://ftp-sop.inria.fr/robotvis/html/Papers/hermosillo:02.ps.gz访问该文献,2002年);以及Christophe Chefd′hotel、GerardoHermosillo和Olivier Faugeras所著的“Flows of Diffeomorphisms forMultimodal Image Registration”(International Symposium onBiomedical Imaging.IEEE,2002年)。
在与图像处理有关的教科书和出版物中可以找到关于光流和关于图像金字塔的一般的背景材料。可用于提供有助于更好地理解本发明的背景材料的教科书例如包括Arthur R.Weeks所著的《(FUNDAMENTALS OF IMAGE PROCESSING》(SPIE OpticalEngineering Press&IEEE Press,1996年);Milan Sonka等人所著的《(IMAGE PROCESSING,ANALYSIS,AND MACHINE VISION》(Second Edition )(PWS Publishing,1999年);以及Rafael C.Gonzalez等人所著的《DIGITAL IMAGE PROCESSING》(Second Edition)(Prentice Hall,2002年)。
发明内容
这里认识到,在使用这种公知的现有技术时,变形的无奇异性得不到确保。因此,对于运动修正步骤来说,有可能将肿瘤缩小到一个点,并且从而将其隐藏起来而检测不出来。
本发明的一个目的是提供一种用于对在两个具有一般相似性并且在不同时间被获得的图像之间发生的运动进行补偿的有效方法。
按照本发明的一个方面,在此公开并描述用于进行图像时间序列的运动补偿的方法和系统。该补偿是通过根据每个点周围的相应区域的局部互相关进行两个图像之间的相似性量度的共轭梯度最大化来实现的。在建立解决方案时通过特殊的合成技术来确保变形的无奇异性。
按照本发明的一个方面,用于图像的运动补偿的方法利用可逆变形的公知数学特性,即,可逆变形的合成得到本身可逆的总变形。这里认识到,分量变形必须足够小,以避免奇异性问题。
按照本发明的一个方面,利用共轭梯度优化与小且平滑的位移的合成的组合,这在确保变形保持无奇异的同时实现快速收敛。
按照本发明的一个方面,变形的无奇异性是在建立解决方案时通过特殊的合成技术来得到确保的。将局部互相关用作两个图像之间的相似性量度比点对点比较更加稳健。
按照本发明的另一个方面,多分辨率金字塔的特殊处理(仅仅减小切片的尺寸)相对于在所有方向上进行减小提高了精度。
按照本发明的另一个方面,利用序列的全局处理和多分辨率方法。该系统被设计用于对作为输入的一组图像起作用以便识别由于造影剂的相对快速的吸入和/或排出而产生的图像之间的差异,其中这一组图像被假设为相似图像的时间序列,例如在不同时间点获得的同一病人的图像。如上面所提到的,这种差异可以指示病人身体的相应的癌变或可能癌变的区域。尤其对于胸部MR应用来说,典型地以两到三分钟的时间间隔获得六到十四个图像。每个图像都是粗略地覆盖病人的胸部区域的标量值的三维阵列。该系统的输出又是一组“经过运动修正的”图像(与输入图像一一对应)。输入图像彼此相似,但是主要由于以下三个因素而有所不同:
在获得之间病人的运动;
由于血液对所注射的造影剂的摄取而造成的强度改变;和噪声。
输出序列通过以下方式来获得:从输入序列中选择参考图像,并且针对剩余图像中的每一个找到应用于所考虑的具体图像的、补偿相对于参考图像所发生的运动的空间非刚性变形。在图1中以有条理的图解形式描述了这一整个过程。
按照本发明的一个方面,一种用于通过计算变形函数来对时间序列中的第一和第二图像进行运动补偿的方法包括:进行所述第一和第二图像之间的相似性量度的共轭梯度最大化;以及通过结合合成标准利用所述梯度最大化来得出所述变形函数,以便确保所述变形函数的无奇异性。
按照本发明的另一个方面,所述共轭梯度最大化基于所述图像中每个点周围的相应区域的局部互相关。
按照本发明的另一个方面,合成标准包括:通过对所述相似性量度的多个正则化梯度进行合成来得出所述变形函数,以便所述变形基本上不显示出奇异性。
按照本发明的另一个方面,进行共轭梯度最大化的步骤包括:通过对所述相似性量度的多个正则化梯度进行合成来得出各个变形以便获得所述变形函数。
按照本发明的另一个方面,得出所述变形函数的步骤包括应用算法:
其中运算符Gσ *表示与高斯内核的卷积,
S表示相似性量度,
S表示S相对于φ的梯度,
I1:→R表示参考图像,
I2:→R表示浮动图像,
φ:Ω→R3表示使所述相似度最大的所述变形,
ο表示函数的合成,以及
εk是步长大小,使该步长大小足够小,以确保可逆性。
按照本发明的另一个方面,得出变形的步骤包括通过对与所述图像的大小相比而言小的位移进行合成来得出变形。
按照本发明的另一个方面,得出变形的步骤包括通过对所述相似性量度的各个正则化梯度进行合成来得出变形。
按照本发明的另一个方面,扭曲(warp)步骤包括计算与所述浮动图像合成在一起的变形。
按照本发明的另一个方面,扭曲步骤包括计算(I2οφ)(x),其中I2:→R表示所述浮动图像,φ:Ω→R3表示使所述相似性量度最大的变形,而ο表示函数的合成。
按照本发明的另一个方面,计算步骤包括在正被扭曲的所述浮动图像的各个体元处利用三线性内插。
按照本发明的另一个方面,获得参考图像和浮动图像的步骤包括:利用医学成像技术,该医学成像技术包括磁共振成像(MRI)、X射线成像和CT扫描成像中的任何一种。
按照本发明的另一个方面,获得参考图像和浮动图像的步骤包括:利用医学成像技术来检测乳腺癌的肿瘤和潜在肿瘤中的至少一种。
按照本发明的另一个方面,获得参考图像和浮动图像的步骤包括:利用医学成像技术来获得指示可疑组织的图像,其中与相邻的非肿瘤组织相比,可疑组织显示出(a)对造影剂的更快速的吸入或灌入和(b)更快速的排出中的至少一种。
按照本发明的另一个方面,一种方法包括利用经过运动修正的图像以通过比较在这种灌入和排出中的至少一种之前和之后所制作的病人的图像来检测可疑组织的步骤。
按照本发明的另一个方面,共轭梯度最大化基于所述图像中每个点周围的相应区域的局部互相关。
按照本发明的另一个方面,合成标准包括通过对所述相似性量度的多个正则化梯度进行合成来得出所述变形函数,以便所述变形基本上不显示出奇异性。
按照本发明的另一个方面,进行共轭梯度最大化的步骤包括:通过对所述相似性量度的多个正则化梯度进行合成来得出各个变形以便获得所述变形函数。
按照本发明的另一个方面,一种用于通过从初始变形函数开始计算变形函数来进行参考图像与初始浮动图像之间的图像运动补偿的方法包括:
(a)将所述初始变形函数设置为当前变形函数;
(b)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(c)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(d)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(e)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(f)(A)在第一次执行这一步骤时,将所述当前正则化梯度设置为当前共轭梯度,并且
(B)在这一步骤的后续迭代过程中,使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(g)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(h)将所述当前变形函数设置为所述后续变形函数;
(i)将所述当前共轭梯度设置为所述后续共轭梯度;
(j)转到步骤(b)并且重复进行,直到达到预定的停止标准;以及
(k)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
按照本发明的另一个方面,所述停止标准包括达到下列项中至少一项:所述步骤序列的预定的最大重复或迭代次数;所述梯度的预定下限;所述梯度的零点;和预定处理时间极限。
按照本发明的另一个方面,一种用于通过从初始变形函数开始计算变形函数来进行参考图像与初始浮动图像之间的图像运动补偿的方法包括:
(a)获得时间序列中的参考图像和初始浮动图像;
(b)将所述初始变形函数设置为当前变形函数;
(c)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(d)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(e)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(f)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(g)将所述当前正则化梯度设置为当前共轭梯度,
(h)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(i)将所述当前变形函数设置为所述后续变形函数;
(j)将所述当前共轭梯度设置为所述后续共轭梯度;
(k)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(l)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(m)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(n)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(o)使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(p)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(q)将所述当前变形函数设置为所述后续变形函数;
(r)将所述当前共轭梯度设置为所述后续共轭梯度;
(s)转到步骤(k)并且重复进行,直到达到预定的停止标准;以及
(t)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
按照本发明的另一个方面,所述迭代以低分辨率等级开始并且以越来越高的分辨率继续进行。
按照本发明的另一个方面,所述预定的停止标准包括达到下列项中的至少一项:所述步骤序列的预定的最大重复或迭代次数;所述梯度的预定下限;所述梯度的零点;和预定处理时间极限。
按照本发明的另一个方面,所述获得参考图像和初始浮动图像的步骤包括:利用医学成像技术,该医学成像技术包括磁共振成像(MRI)、X射线成像和CT扫描成像中的任何一种。
按照本发明的另一个方面,所述获得参考图像和初始浮动图像的步骤包括:利用医学成像技术来检测乳腺癌的肿瘤和潜在肿瘤中的至少一种。
按照本发明的另一个方面,所述获得参考图像和初始浮动图像的步骤包括:利用医学成像技术来获得指示可疑组织的图像,其中与相邻的非肿瘤组织相比,该可疑组织显示出(a)对造影剂的更快速的吸入或灌入以及(b)更快速的排出。
按照本发明的另一个方面,本发明包括利用经过运动修正的最终的扭曲浮动图像以通过比较在这种灌入和/或排出之前和之后所制作的病人的图像来检测可疑组织的步骤。
按照本发明的另一个方面,本发明包括利用从下列项中的任何一项取得的图像中的至少一个的步骤:存储介质、计算机、无线电链路、因特网、红外链路、声学链路、扫描装置和活体成像装置。
按照本发明的另一个方面,一种用于进行图像运动补偿的方法包括:获得参考图像和初始浮动图像;利用给定的初始变形函数使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;计算所述参考图像与所述扭曲浮动图像中的各个相应区域之间的局部互相关;
基于所述互相关进行相似性量度的共轭梯度最大化,以便通过利用共轭梯度优化与位移的合成的组合得出所述相似性量度最大的变形函数,所述位移与所述图像的大小相比而言是小的,由此在确保可逆性的同时实现快速收敛,从而所述变形保持无奇异;以及
按照所述后续变形函数使所述浮动图像扭曲,以便获得经过运动修正的图像。
按照本发明的另一个方面,一种用于进行图像运动补偿的方法包括:
输入给定的图像时间序列I1,...,Ii,...In;
将所述时间序列的下标为k的图像选择为参考图像;
以i=1开始,于是如果i不等于k,则
通过以下方式来进行Ik与I之间的多分辨率运动修正:
进行所述时间序列中的第一和第二图像之间的相似性量度的共轭梯度最大化;
通过结合合成标准利用所述梯度最大化来得出变形函数,以便确保所述变形函数的无奇异性;
利用所述变形函数使所述第一和第二图像之一扭曲;
在这种修正之后,将J1定义为前述的进行多分辨率运动修正的步骤的输出;
在i等于k的情况下,
将Ji定义为Ik并且将i递增1,
将递增后的结果与n进行比较:
在递增后的结果小于或等于n的情况下,
继续重复进行前述步骤,直到递增后的结果大于n,并且因此
终止所述步骤,由此得到各个经过运动补偿的图像的序列J1,J2...Jn。
按照本发明的另一个方面,所述多分辨率运动修正包括:
确定多分辨率金字塔所需要的层数;
以最低分辨率顶层开始下行到具有增大的分辨率的层来构造所述多分辨率金字塔;
在所述金字塔的顶层上将所述变形函数预置为零;
沿着所述金字塔逐层向下地确定所述变形函数,在当前层内基于使用前述变形函数的预置并且按照下列步骤来确定当前变形函数:
如果所述当前层不是底层,则将所述当前变形函数外推到下一较低层,
在所述下一较低层上确定变形函数;以及
当到达所述金字塔的底层时,利用所述下一较低层上的所述变形函数使所述浮动图像扭曲。
按照本发明的另一个方面,一种用于通过从初始变形函数开始计算变形函数来进行时间序列中的图像之间的图像运动补偿的方法,所述方法包括:
(a)获得参考图像和初始浮动图像;
(b)将所述初始变形函数设置为当前变形函数;
(c)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(d)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(e)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(f)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(g)(A)在第一次执行这一步骤时,将所述当前正则化梯度设置为当前共轭梯度,并且
(B)在这一步骤的后续迭代过程中,使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(h)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(i)将所述当前变形函数设置为所述后续变形函数;
(j)将所述当前共轭梯度设置为所述后续共轭梯度;
(k)转到步骤(c)并且重复进行,直到达到预定的停止标准;以及
(l)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
按照本发明的另一个方面,一种用于进行图像运动补偿的系统包括:
存储装置,用于存储程序和其它数据;和
与所述存储装置进行通信的处理器,所述处理器运行所述程序以便执行:
(a)将所述初始变形函数设置为当前变形函数;
(b)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(c)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(d)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(e)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(f)(A)在第一次执行这一步骤时,将所述当前正则化梯度设置为当前共轭梯度,并且
(B)在这一步骤的后续迭代过程中,使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(g)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(h)将所述当前变形函数设置为所述后续变形函数;
(i)将所述当前共轭梯度设置为所述后续共轭梯度;
(j)转到步骤(b)并且重复进行,直到达到预定的停止标准;以及
(k)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
按照本发明的另一个方面,一种计算机程序产品包括计算机可用介质,该计算机可用介质具有记录于其上的用于程序代码的计算机程序逻辑,该程序代码用于通过下列操作来进行图像运动补偿:
(a)将所述初始变形函数设置为当前变形函数;
(b)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(c)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(d)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(e)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(f)(A)在第一次执行这一步骤时,将所述当前正则化梯度设置为当前共轭梯度,并且
(B)在这一步骤的后续迭代过程中,使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(g)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(h)将所述当前变形函数设置为所述后续变形函数;
(i)将所述当前共轭梯度设置为所述后续共轭梯度;
(j)转到步骤(b)并且重复进行,直到达到预定的停止标准;以及
(k)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
附图说明
结合附图,根据随后的示例实施方式的详细描述,将更加充分地理解本发明,其中:
图1以流程图的形式示出按照本发明原理的图像时间序列的运动修正;
图2以流程图的形式示出按照本发明原理的多分辨率运动修正程序流程;
图3以流程图的形式示出按照本发明原理的两个图像之间的位移场的估算;以及
图4以示意形式示出用于实现本发明的可编程数字计算机的应用。
具体实施方式
参照图1,运动修正以给定的图像时间序列I1,...Ii,...In开始;选择下标为k的图像作为参考图像。以i=1开始,于是如果i不等于k,则在Ik与Ii之间进行多分辨率运动修正,如将在下文中详细解释说明并且在图2中概括地给出的那样。在这样的修正之后,将J1定义为前述的进行多分辨率运动修正的步骤的输出。
在i等于k的情况下,将Ji定义为Ik并且将i递增1,然后将递增后的结果与n进行比较:如果递增后的结果小于或等于n,则处理继续,直到递增后的结果大于n,随之处理被终止。前述处理产生一系列相应的经过运动修正的图像J1,J2,...,Jn。下面给出包括多分辨率技术的更加详细的描述。
运动补偿模块的输入是一对图像,其中之一已被定义为如上所述的参考图像,而另一个图像被定义为浮动图像,这个浮动图像是要应用补偿变形的图像。这些计算是使用多分辨率方案进行的,该多分辨率方案使大的全局运动能够以低分辨率迅速得到复原,记住,如前面所提到的那样,这些图像具有一般的相似性。以低分辨率获得的变形或位移被用于预置下一个更精细分辨率步骤中的搜索。将以最精细或最高等级分辨率获得的变形应用于浮动输入图像来产生输出,该输出是所期望的经过运动修正的图像。
图2示出所描述的本发明实施方式的这一部分的步骤,以参考和浮动图像开始。最初,确定之后要构造的多分辨率金字塔所需要的层数。在分辨率最低的金字塔的顶层,将位移场预置为零。按照图3中所示的步骤并且如下面进一步描述的那样在当前层内确定位移场。如果当前层不是底层,则将当前位移场外推到下一较低层,其中接着如在前一步骤中那样确定位移场。当达到金字塔底层时,则使浮动图像扭曲。还应当结合在图2中所示步骤的这一简要描述之后的更加详细的描述对图2进行参照。
更加具体地讲,由于对于胸部MR图像来说平面(或切片)的数量通常比每个切片的列或行的数量小得多,因此在多分辨率金字塔的构造中仅减小平面的大小。这是使用低通滤波器来实现的,该低通滤波器是专门为在通过省略像素来减小平面的大小的时在信息损失最小的情况下将采样频率减小一半而设计的。
然后,结果是从较低分辨率等级外推出来的。因此,将以特定分辨率所估算的运动用作下一更精细分辨率等级中的初始估算值。这是通过使用三线性内插法以两倍的频率对位移场的每个分量进行再采样来实现的。参见下面在提供关于由该算法所使用的具体模块和运算的详情的段落中的一般性定义。下面给出可应用的一般性定义。关于与线性内插有关的材料,参见例如前面提到的由Gonzalez所著的教科书的第64页以及下述等等。
运动估算是在单个分辨率的范围内进行的。作为下面将要进一步描述的后续步骤的准备,给定分辨率等级内的参考和浮动图像之间的补偿变形的估算值是本系统的一个组成部分。它是通过基于每个点周围的相应区域的局部互相关进行两个图像之间的相似性量度的共轭梯度最大化来完成的。在建立解决方案时,变形的无奇异性是通过专用的合成技术来确保的,如在下文中将进一步说明的那样。
在图3中描绘了用于估算两个图像之间的位移场的算法的流程图,其中输入量是参考图像(R)和浮动图像(F)以及位移场的当前估算值(U0)。在当前对图3的描述之后,将对各个步骤进行更加详细的解释说明。下标k最初为零。利用Uk对F进行扭曲,以获得FU,并且计算U与FU之间的相似性量度。关于更多细节,参见下文中关于扭曲、更新过程以及局部互相关及其梯度的计算的部分。在后续步骤中,将GU定义为相似性量度相对于Uk的梯度。参见下文中关于局部互相关及其梯度的计算的部分。如果GU非零并且k等于或大于1,则使GUk与GUk-1共轭,然后利用GUk与GUk-1的共轭确定是否已经找到了最佳步长,其中“最佳”是在与“最佳步长”类型的梯度下降有关的意义上使用的,其中下降路径直接通向局部最小值。关于更多细节,参见下文中关于共轭梯度优化的部分。如果没有找到最佳步长,则处理过程终止。如果找到了最佳步长,则用GUk来更新Uk并且确定是否k≥kmax。关于更多细节,参见下文中关于更新过程的部分。如果k≥kmax,则结束该处理过程的这个部分。如果否,则将k递增1,并且使用k的递增后的值,利用Uk使F扭曲,以获得FU,之后再次进行上述的用于计算相似性量度的步骤,等等。如果GU等于零,则处理过程结束,输出是位移场的改善的版本Uk。
下面的小节提供关于由该算法所使用的具体模块和运算的细节。在许多数学教科书、比如例如Lennart R
de和Bertil Westergren所著的《(Mathematics Handbook for Science and Engineering》(BirkhuserBoston,1995年;第522-523页)以及Garrett Birkhoff和SaundersMac Lane所著的《A Survey of Modern Algebra》(A K Peters,Ltd.,l997年;第486-488页)中可以找到特殊数学符号的列表。
将两个输入图像表示为I1:Ω→R和I2:→R,这意味着要将它们看作从欧几里德三维空间域ΩR3到实数集R的函数。在点x∈Ω上,这些函数的一对值(强度)将被表示为
I(x)≡[I1(x),I2(x)]。
运动修正部分的目标是找到变形φ:Ω→R3,使得I1与I2οφ之间的相似性量度S(在下文加以定义)最大。这里ο表示函数的合成,也就是
(I2οφ)(x)≡I2(φ(x))。
我们使位移场U:Ω→R3与每个变形φ相关联,以便φ=id+U,即,φ(x)=x+φ(x),x∈Ω。换句话说,运动修正模块尝试找到使S(I1,I2οφ)最大的位移场U(该位移场是三维向量的体积)。(按照通常的用法,是全称量词,其中x意味着“对于所有的x来说,...”)
扭曲是计算(I2οφ)(x)的运算。它需要在要加以扭曲的图像的每个体元处进行三线性内插。参见图2中的方框“扭曲浮动图像”。
就更新过程而言,在此原则是:φ是通过小位移的合成明确地获得的。每个小位移vk是I1与I2οφk之间的相似性量度S的正则化梯度。
本发明利用可逆变形的公知数学特性,即,可逆变形的合成产生本身可逆的总变形,以获得用于运动修正的适当图像变形,并且本发明使用被保持足够小以避免奇异性问题的变形步长。上面已经定义了合成并且用符号ο来表示合成。
再次参照图3,对于两个图像之间的位移场的估算来说,可适用的算法是:
运算符Gσ *表示与高斯内核的卷积,而S表示S相对于φ的梯度(见下文),并且εk是步长大小,使这个步长大小足够小,以确保可逆性。
关于局部互相关及其梯度的计算(该计算基本上按照上述算法),这一部分中的结果表示将在本发明人的如下出版物中找到的更加详尽的说明的浓缩,该出版物在此被引入作为参考:
Gerardo Hermosillo,Variational Methods for Multimodal ImageMatching,PhD thesis,INRIA;
该文献也可以以ftp://ftp-sop.inria.fr/robotvis/html/Papers/hermosillo:02.ps.gz,2002来访问。
I1与12之间的局部互相关由下式定义:
其中v1,2(x)、v1(x)和v2(x)分别是在x周围I1和I2的强度的协方差和方差。它的一阶方差是意义明确的并且定义由下式给出的梯度
fCC(x)=fCC(I(x),x)I2(x),
其中
fCC(i,x)=Gγ*LCC(i,x),并且
将函数LCC估算为
LCC(i,x)=(Gγ*f1)(x)i1+(G*f2)(x)i2+(Gγ*f3)(x),其中
所有所需要的空间相关量、比如μ1(x)都是通过与高斯内核进行卷积来计算的(见下文)。
关于共轭梯度优化,使用固定时间步长进行的明确的时间离散化相当于没有线搜索的最陡下降方法,线搜索一般来说效率相当低。按照本发明的系统进行线搜索,以便步长是最佳的,并且它使用Fletcher-Reeves共轭梯度最小化程序,这个程序基本上如William H.Press等人所著的书《Numerical recipes in C》(Cambridge UniversityPress,1988年)中所描述的那样,关于这一传统数学程序的更多细节,请参阅该书。
该共轭梯度法允许所需的总迭代次数减少大约一个数量级。速度增益更加高,因为尽管每次迭代成本稍高的事实,但在最精细等级下迭代次数非常小。
与高斯内核的卷积是通过使用在R.Deriche所著的“Fastalgorithms for low-level vision”(IEEE Transactions on Pattern Analysisand Machine Intelligence,1(12):78-88,1990年1月)中介绍的平滑算子进行递归滤波来加以近似的。共轭梯度法。给定离散1D输入序列x(n),n=1,...,M,它与平滑算子Sα(n)=k(α|n|+1)e-α|n|的卷积如下高效地计算:
y(n)=(Sα*x)(n)=y1(n)+y2(n)
其中
归一化常数k是通过要求∫RSα(t)dt=1来选择的,这个积分式产生k+α/4。
这种方案效率非常高,因为所需的运算次数独立于平滑参数α。通过定义可分滤波器
,可以容易地将这个平滑滤波器推广到n维。
如将显而易见的那样,本发明意图是借助程控(programmed)数字计算机的使用和应用来实现。图4以基本示意形式示出被耦合用于与输入装置、输出装置和用于存储程序以及其它数据的存储装置进行双向数据通信的数字处理器。从广义上来说,输入装置被指定为用于提供一个或多个用来按照本发明进行处理的适当的图像的装置。例如,输入可以来自成像装置(例如包括在CATSCAN、X射线机、MRI或其它装置中的装置),或者所述输入可以是所存储的图像,或者可以是通过借助直接连接、调制红外线束、无线电、陆线、传真或卫星、像例如借助万维网或因特网那样与其它计算机或装置进行通信而得到的,或者可以来自这样的数据的任何其它适当的源。输出装置可以包括使用任何适当设备(例如阴极射线显像管、等离子显示器、液晶显示器等等)的计算机型显示装置,或者它可以或可以不包括用于再现图像的装置,并且可以包括图4的用于存储供进一步处理或者供查看或者供评估(如可能是便利的)的图像的存储装置或该存储装置的一部分,或者它可以利用包括例如上面针对输入装置所述的那些在内的连接或耦合。处理器运行按照本发明建立的、用来实现本发明的步骤的程序。这种程控计算机可以容易地通过诸如陆线、无线电、因特网之类的通信媒介来连接,以便进行图像数据获得和传输。
本发明可以容易地至少部分地被实现在软件存储装置中并且以该形式被包装作为软件产品。这一软件产品可以具有包括计算机可用介质的计算机程序产品的形式,该计算机可用介质具有被记录在其上的用于程序代码的计算机程序逻辑,该程序代码用于利用本发明方法进行图像运动补偿。
虽然本发明已借助例子利用与人胸部潜在肿瘤的MR检测中的图像时间序列的运动补偿有关的说明性示例实施方式进行了解释说明,但是本发明也可一般性地应用于解决其它领域中需要空间对准的问题,例如、但不限于PET-CT配准的例子。
应理解的是,借助示例实施方式的说明并非打算用来进行限制,并且在不背离本发明的精神的情况下可以进行各种在本文中没有明确描述的改变和替换,其中本发明的范围是由随后的权利要求来限定的。
Claims (67)
1.一种用于通过计算变形函数来对时间序列中的第一和第二图像进行运动补偿的方法,所述方法包括:
进行所述第一和第二图像之间的相似性量度的共轭梯度最大化;以及
通过结合合成标准利用所述梯度最大化来得出所述变形函数以便确保所述变形函数的无奇异性。
2.按照权利要求1所述的方法,其中所述共轭梯度最大化基于所述图像中每个点周围的相应区域的局部互相关。
3.按照权利要求1所述的方法,其中所述合成标准包括通过对所述相似性量度的多个正则化梯度进行合成来得出所述变形函数以便所述变形基本上不显示出奇异性。
4.按照权利要求1所述的方法,其中所述进行共轭梯度最大化的步骤包括:
通过对所述相似性量度的多个正则化梯度进行合成来得出各个变形以便获得所述变形函数。
6.按照权利要求5所述的方法,其中所述得出变形的步骤包括通过对与所述图像的大小相比而言小的位移进行合成来得出变形。
7.按照权利要求5所述的方法,其中所述得出变形的步骤包括通过对所述相似性量度的各个正则化梯度进行合成来得出变形。
8.按照权利要求5所述的方法,其中所述扭曲的步骤包括计算与所述浮动图像合成在一起的所述变形。
10.按照权利要求9所述的方法,其中所述计算步骤包括在正被扭曲的所述浮动图像的每个体元处利用三线性内插。
11.按照权利要求1所述的方法,其中所述获得参考图像和浮动图像的步骤包括:
利用医学成像技术,该医学成像技术包括磁共振成像(MRI)、X射线成像和CT扫描成像中的任何一种。
12.按照权利要求1所述的方法,其中所述获得参考图像和浮动图像的步骤包括:
利用医学成像技术来检测乳腺癌的肿瘤和潜在肿瘤中的至少一种。
13.按照权利要求1所述的方法,其中所述获得参考图像和浮动图像的步骤包括:
利用医学成像技术来获得指示可疑组织的图像,与相邻的非肿瘤组织相比,该可疑组织显示出(a)对造影剂的更快速的吸入或灌入和(b)更快速的排出中的至少一种。
14.按照权利要求1所述的方法,包括利用所述经过运动修正的图像以通过比较在这种灌入和排出中的至少一种之前和之后所制作的病人的图像来检测可疑组织的步骤。
15.按照权利要求1所述的方法,其中所述共轭梯度最大化基于所述图像中每个点周围的相应区域的局部互相关。
16.按照权利要求1所述的方法,其中所述合成标准包括通过对所述相似性量度的多个正则化梯度进行合成来得出所述变形函数以便所述变形基本上不显示出奇异性。
17.按照权利要求1所述的方法,其中所述进行共轭梯度最大化的步骤包括:
通过对所述相似性量度的多个正则化梯度进行合成来得出各个变形以便获得所述变形函数。
18.一种用于通过从初始变形函数开始计算变形函数来进行参考图像与初始浮动图像之间的图像运动补偿的方法,所述方法包括:
(a)将所述初始变形函数设置为当前变形函数;
(b)利用所述当前变形函数使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(c)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(d)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(e)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(f)(A)在第一次执行这一步骤时,将所述当前正则化梯度设置为当前共轭梯度,并且
(B)在这一步骤的后续迭代过程中,使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(g)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(h)将所述当前变形函数设置为所述后续变形函数;
(i)将所述当前共轭梯度设置为所述后续共轭梯度;
(j)转到步骤(b)并且重复进行,直到达到预定的停止标准;以及
(k)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
19.按照权利要求18所述的方法,其中所述迭代以低分辨率等级开始并且以越来越高的分辨率继续进行。
20.按照权利要求18所述的方法,其中所述停止标准包括达到下列项中的至少一项:
所述步骤序列的预定的最大重复或迭代次数;
所述梯度的预定下限;
所述梯度的零点;和
预定处理时间极限。
21.一种用于通过从初始变形函数开始计算变形函数来进行参考图像与初始浮动图像之间的图像运动补偿的方法,所述方法包括:
(a)获得时间序列中的参考图像和初始浮动图像;
(b)将所述初始变形函数设置为当前变形函数;
(c)利用所述当前变形函数使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(d)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(e)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(f)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(g)将所述当前正则化梯度设置为当前共轭梯度,
(h)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(i)将所述当前变形函数设置为所述后续变形函数;
(j)将所述当前共轭梯度设置为所述后续共轭梯度;
(k)利用所述当前变形函数使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(l)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(m)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(n)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(o)使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(p)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(q)将所述当前变形函数设置为所述后续变形函数;
(r)将所述当前共轭梯度设置为所述后续共轭梯度;
(s)转到步骤(k)并且重复进行,直到达到预定的停止标准;以及
(t)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
22.按照权利要求21所述的方法,其中所述迭代以低分辨率等级开始并且以越来越高的分辨率继续进行。
23.按照权利要求21所述的方法,其中所述停止标准包括达到下列项中的至少一项:
所述步骤序列的预定的最大重复或迭代次数;
所述梯度的预定下限;
所述梯度的零点;和
预定处理时间极限。
24.按照权利要求21所述的方法,其中所述获得参考图像和初始浮动图像的步骤包括:
利用医学成像技术,该医学成像技术包括磁共振成像(MRI)、X射线成像和CT扫描成像中的任何一种。
25.按照权利要求21所述的方法,其中所述获得参考图像和初始浮动图像的步骤包括:
利用医学成像技术来检测乳腺癌的肿瘤和潜在肿瘤中的至少一种。
26.按照权利要求21所述的方法,其中所述获得参考图像和初始浮动图像的步骤包括:
利用医学成像技术来获得指示可疑组织的图像,其中与相邻的非肿瘤组织相比,该可疑组织显示出对造影剂的更快速的吸入或灌入以及更快速的排出。
27.按照权利要求26所述的方法,包括利用所述经过运动修正的最终的扭曲浮动图像以通过比较在这种灌入和/或排出之前和之后所制作的病人的图像来检测可疑组织的步骤。
28.按照权利要求26所述的方法,包括利用从下列项中的任何一项取得的所述图像中的至少一个的步骤:存储介质、计算机、无线电链路、因特网、红外链路、声学链路、扫描装置和活体成像装置。
29.一种用于进行图像运动补偿的方法,包括:
获得参考图像和初始浮动图像;
利用给定的初始变形函数使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
计算所述参考图像与所述扭曲浮动图像中的各个相应区域之间的局部互相关;
基于所述局部互相关进行相似性量度的共轭梯度最大化,以便通过利用共轭梯度优化与位移的合成的组合得出所述相似性量度最大的变形函数,所述位移与所述图像的大小相比而言是小的,由此在确保可逆性的同时实现快速收敛,从而所述变形保持无奇异;以及
利用所述后续变形函数使所述浮动图像扭曲,以便获得经过运动修正的图像。
30.按照权利要求29所述的方法,包括:
在多分辨率金字塔的顶层上预置所述初始变形函数,该多分辨率金字塔具有给定数量的逐渐降低的图像分辨率等级,其中最低分辨率等级在顶部;
将所述变形函数外推到下一较低层;
在所述下一较低层上确定下一较低变形函数;
如果所述下一较低层是最低层,则
利用在所述最低层上所确定的变形函数使所述浮动图像扭曲,而如果否,
则进行包括下列步骤的步骤循环:
将所述下一较低变形函数外推到下一更低层,以及
在所述更低层上确定更低变形函数,按照需要重复进行,直到达到最低层;以及
利用在所述最低层上所确定的变形函数使所述浮动图像扭曲。
31.按照权利要求29所述的方法,包括:
通过逐渐减小在形成所述层时所使用的图像平面的大小来形成所述逐渐降低的分辨率等级。
32.按照权利要求31所述的方法,包括:
通过使用用于将所述图像平面的采样频率减半的低通滤波器来逐渐减小所述图像平面的大小。
33.按照权利要求31所述的方法,其中所述进行所述相似性量度的共轭梯度最大化的步骤包括利用共轭梯度优化与位移的合成的组合,所述位移与所述图像的大小相比而言是小的,由此在确保所述变形保持无奇异的同时实现快速收敛。
34.按照权利要求31所述的方法,其中所述进行所述相似性量度的共轭梯度最大化的步骤包括利用共轭梯度优化与位移的合成的组合,所述位移与所述图像的大小相比而言是小的,由此在确保所述变形保持无奇异的同时实现快速收敛。
35.按照权利要求31所述的方法,其中所述进行所述相似性量度的共轭梯度最大化的步骤包括利用共轭梯度优化与所述相似性量度的各个正则化梯度的合成的组合,由此在确保所述变形保持无奇异的同时实现快速收敛。
36.按照权利要求29所述的方法,其中所述得出变形的步骤包括得出不显示出奇异性的变形。
38.按照权利要求37所述的方法,其中所述得出变形的步骤包括通过对与所述图像的大小相比而言小的位移进行合成来得出变形。
39.按照权利要求37所述的方法,其中所述得出变形的步骤包括通过对所述相似性量度的各个正则化梯度进行合成来得出变形。
40.按照权利要求37所述的方法,其中所述扭曲的步骤包括计算与所述浮动图像合成在一起的所述变形。
42.按照权利要求41所述的方法,其中所述计算步骤包括在正被扭曲的所述浮动图像的每个体元处利用三线性内插。
43.按照权利要求29所述的方法,其中所述获得参考图像和浮动图像的步骤包括:
利用医学成像技术,该医学成像技术包括磁共振成像(MRI)、X射线成像和CT扫描成像中的任何一种。
44.按照权利要求29所述的方法,其中所述获得参考图像和浮动图像的步骤包括:
利用医学成像技术来检测乳腺癌的肿瘤和潜在肿瘤中的至少一种。
45.按照权利要求29所述的方法,其中所述获得参考图像和浮动图像的步骤包括:
利用医学成像技术来获得指示可疑组织的图像,其中与相邻的非肿瘤组织相比,该可疑组织显示出(a)对造影剂的更快速的吸入或灌入和(b)更快速的排出中的至少一种。
46.按照权利要求27所述的方法,包括利用所述经过运动修正的图像以通过比较在这种灌入和排出中的至少一种之前和之后所制作的病人的图像来检测可疑组织的步骤。
47.一种用于进行图像运动补偿的方法,包括:
输入给定的图像时间序列I1,...,Ii,...In;
将所述时间序列的下标为k的图像选择为参考图像;
以i=1开始,于是如果i不等于k,则
通过下列步骤来进行Ik与I之间的多分辨率运动修正:
进行所述时间序列中的第一和第二图像之间的相似性量度的共轭梯度最大化;
通过结合合成标准利用所述梯度最大化来得出变形函数,以便确保所述变形函数的无奇异性;
利用所述变形函数使所述第一和第二图像之一扭曲;
在这种修正之后,将J1定义为前述进行多分辨率运动修正的步骤的输出,直到:
在i等于k的情况下,
将Ji定义为Ik并且将i递增1,
将递增后的结果与n进行比较:
在递增后的结果小于或等于n的情况下,
继续重复进行前述步骤,直到递增后的结果大于n,并且因此
终止所述步骤,由此得到各个经过运动修正的图像的序列J1,J2...Jn。
48.按照权利要求47所述的方法,其中所述多分辨率运动修正包括:
确定多分辨率金字塔所需要的层数;
以最低分辨率顶层开始下行到具有增大的分辨率的层来构造所述多分辨率金字塔;
在所述金字塔的顶层上将所述变形函数预置为零;
沿着所述金字塔逐层向下地确定所述变形函数,在当前层内基于使用前述变形函数的预置并且按照下列步骤来确定当前变形函数:
如果所述当前层不是底层,则将所述当前变形函数外推到下一较低层,
在所述下一较低层上确定变形函数;以及
当到达所述金字塔的底层时,利用所述下一较低层上的所述变形函数使所述浮动图像扭曲。
49.按照权利要求48所述的方法,其中所述确定所述变形函数的步骤包括:
计算所述参考图像中的区域与所述浮动图像中的相应的各个区域之间的局部互相关;
确定所述参考图像与所述浮动图像之间的相似性量度;以及
根据所述局部互相关进行所述相似性量度的共轭梯度最大化,以便得出所述相似性量度最大的变形函数。
50.按照权利要求49所述的方法,包括:
按照下式进行图像I1和I2之间的所述局部互相关:
其中v1,2(x)、v1(x)和v2(x)分别是在x周围I1和I2的强度的协方差和方差;所述局部互相关的一阶方差定义由下式给出的梯度
ICC(x)=fCC(I(x),x)I2(x)
其中
fCC(i,x)=Gγ*LCC(i,x),并且
将函数LCC估算为
LCC(i,x)=(G,*f2)(x)ii+(G*f2)(x)i2+(Gr*f3)(x),
其中
所有所需要的包括μ1(x)的空间相关量都是通过与高斯内核卷积来计算的。
51.按照权利要求48所述的方法,其中所述确定所述变形函数的步骤包括:
将k的初始值赋值为零;
利用U使F扭曲,以获得F;
计算U和F之间的相似性量度;
将G定义为相似性量度相对于Uk的梯度;
如果GU非零并且k等于或大于1,则使GUk与GUk-1共轭;
利用GUk与GUk-1的共轭来确定是否已经找到了最佳步长;
如果已经找到了最佳步长,则用GUk更新Uk;
确定是否k≥kmax;
如果k≥kmax,则结束处理过程,并且如果否,
则将k递增1;
使用k的递增后的值,利用Uk使F扭曲,以获得FU,
之后再次进行前述的用于计算相似性量度的步骤,以此类推;以及
如果GU等于零,则结束处理过程,由此输出是变形函数的改善的版本Uk。
52.按照权利要求48所述的方法,其中所述构造所述多分辨率金字塔的步骤包括:
在构造所述金字塔的过程中仅仅减小所述图像的大小。
53.按照权利要求52所述的方法,其中所述在构造所述金字塔的过程中仅仅减小所述图像的大小的步骤包括:
使用被设计用于以最小的信息损失将采样频率减半的低通滤波器。
54.一种用于通过从初始变形函数开始计算变形函数来进行时间序列中的图像之间的图像运动补偿的方法,所述方法包括:
(a)获得参考图像和初始浮动图像;
(b)将所述初始变形函数设置为当前变形函数;
(c)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(d)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(e)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(f)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(g)(A)在第一次执行这一步骤时,将所述当前正则化梯度设置为当前共轭梯度,并且
(B)在这一步骤的后续迭代过程中,使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(h)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(i)将所述当前变形函数设置为所述后续变形函数;
(j)将所述当前共轭梯度设置为所述后续共轭梯度;
(k)转到步骤(c)并且重复进行,直到达到预定的停止标准;以及
(l)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
55.按照权利要求54所述的方法,其中所述预定的停止标准包括达到下列项中的至少一项:
所述步骤序列的预定的最大重复或迭代次数;
所述梯度的预定下限;
所述梯度的零点;和
预定处理时间极限。
56.按照权利要求54所述的方法,包括以低分辨率等级开始所述迭代并且以越来越高的分辨率继续进行。
57.按照权利要求54所述的方法,其中所述获得参考图像和初始浮动图像的步骤包括:
利用医学成像技术,该医学成像技术包括磁共振成像(MRI)、X射线成像和CT扫描成像中的任何一种。
58.按照权利要求57所述的方法,其中所述获得参考图像和初始浮动图像的步骤包括:
利用医学成像技术来检测乳腺癌的肿瘤和潜在肿瘤中的至少一种。
59.按照权利要求57所述的方法,其中所述获得参考图像和初始浮动图像的步骤包括:
利用医学成像技术来获得指示可疑组织的图像,其中与相邻的非肿瘤组织相比,可疑组织显示出对造影剂的更快速的吸入(灌入)以及更快速的排出。
60.按照权利要求57所述的方法,包括利用所述经过运动修正的图像以通过比较在这种灌入和/或排出之前和之后所制作的病人的图像来检测可疑组织的步骤。
61.按照权利要求54所述的方法,其中所述获得参考图像和初始浮动图像的步骤包括:
从下列项中的任何一项中取得所述图像中的至少一个:存储介质、计算机、无线电链路、因特网、红外链路、声学链路、扫描装置和活体成像装置。
62.一种用于进行图像运动补偿的系统,包括:
存储装置,用于存储程序和其它数据;和
与所述存储装置进行通信的处理器,所述处理器运行所述程序以便执行:
(a)将所述初始变形函数设置为当前变形函数;
(b)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(c)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(d)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(e)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(f)(A)在第一次执行这一步骤时,将所述当前正则化梯度设置为当前共轭梯度,并且
(B)在这一步骤的后续迭代过程中,使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(g)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(h)将所述当前变形函数设置为所述后续变形函数;
(i)将所述当前共轭梯度设置为所述后续共轭梯度;
(j)转到步骤(b)并且重复进行,直到达到预定的停止标准;以及
(k)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
63.按照权利要求62所述的系统,包括
以低分辨率等级开始并且以越来越高的分辨率继续进行来执行所述迭代。
64.按照权利要求62所述的系统,其中达到所述停止标准包括达到下列项中的至少一项:
所述步骤序列的预定的最大重复或迭代次数;
所述梯度的预定下限;
所述梯度的零点;和
预定处理时间极限。
65.一种计算机程序产品,包括计算机可用介质,该计算机可用介质具有记录于其上的用于程序代码的计算机程序逻辑,所述程序代码通过以下方式来进行图像运动补偿:
(a)将所述初始变形函数设置为当前变形函数;
(b)利用所述当前变形函数来使所述初始浮动图像扭曲,以便获得当前扭曲浮动图像;
(c)计算所述参考图像与所述当前扭曲浮动图像之间的当前相似性量度;
(d)计算所述当前相似性量度相对于所述当前变形函数的当前梯度;
(e)使所述当前梯度正则化以便确保它的可逆性,从而获得当前正则化梯度;
(f)(A)在第一次执行这一步骤时,将所述当前正则化梯度设置为当前共轭梯度,并且
(B)在这一步骤的后续迭代过程中,使所述当前正则化梯度与所述当前共轭梯度共轭,以便获得后续共轭梯度;
(g)将所述后续共轭梯度与所述当前变形函数进行合成,以便获得后续变形函数;
(h)将所述当前变形函数设置为所述后续变形函数;
(i)将所述当前共轭梯度设置为所述后续共轭梯度;
(j)转到步骤(b)并且重复操作,直到达到预定的停止标准;以及
(k)将当前扭曲浮动图像定义为最终的扭曲浮动图像。
66.按照权利要求65所述的计算机程序产品,包括
以低分辨率等级开始并且以越来越高的分辨率继续进行来执行所述迭代。
67.按照权利要求65所述的计算机程序产品,其中所述停止标准包括达到下列项中的至少一项:
所述步骤序列的预定的最大重复或迭代次数;
所述梯度的预定下限;
所述梯度的零点;和
预定处理时间极限。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US57403704P | 2004-05-25 | 2004-05-25 | |
US60/574,037 | 2004-05-25 | ||
US11/133,589 US7616836B2 (en) | 2004-05-25 | 2005-05-20 | Method and system for motion compensation in a temporal sequence of images |
US11/133,589 | 2005-05-20 | ||
PCT/US2005/018267 WO2005116926A2 (en) | 2004-05-25 | 2005-05-25 | Method and system for motion compensation in a temporal sequence of images |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1989526A true CN1989526A (zh) | 2007-06-27 |
CN1989526B CN1989526B (zh) | 2010-08-11 |
Family
ID=35425322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2005800251583A Active CN1989526B (zh) | 2004-05-25 | 2005-05-25 | 用于图像时间序列的运动补偿的方法和系统 |
Country Status (7)
Country | Link |
---|---|
US (1) | US7616836B2 (zh) |
EP (1) | EP1749279A2 (zh) |
JP (1) | JP2008500108A (zh) |
CN (1) | CN1989526B (zh) |
AU (1) | AU2005248846B2 (zh) |
CA (1) | CA2568115C (zh) |
WO (1) | WO2005116926A2 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101642378B (zh) * | 2008-08-06 | 2012-10-10 | 深圳迈瑞生物医疗电子股份有限公司 | 控制谐波成像的发射脉冲频谱的方法和装置 |
CN103236059A (zh) * | 2013-04-25 | 2013-08-07 | 深圳先进技术研究院 | 基于模态转换的微分同胚demons图像配准方法和系统 |
CN103649998A (zh) * | 2010-12-21 | 2014-03-19 | Metaio有限公司 | 确定为确定照相机的姿态和/或为确定至少一个真实对象的三维结构而设计的参数集的方法 |
CN104837436A (zh) * | 2012-11-01 | 2015-08-12 | 阿莱恩技术有限公司 | 三维扫描中的运动补偿 |
CN106569159A (zh) * | 2015-07-13 | 2017-04-19 | 美国西门子医疗解决公司 | 用于mr成像的快速前推运动校正 |
CN107248168A (zh) * | 2013-03-18 | 2017-10-13 | 快图有限公司 | 用于运动估算的方法和装置 |
CN111329479A (zh) * | 2018-12-19 | 2020-06-26 | 西门子保健有限责任公司 | 用于提供mr图像的方法和磁共振成像设备、程序和介质 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7440628B2 (en) * | 2004-08-31 | 2008-10-21 | Siemens Medical Solutions Usa, Inc. | Method and system for motion correction in a sequence of images |
FR2899344B1 (fr) * | 2006-04-03 | 2008-08-15 | Eads Astrium Sas Soc Par Actio | Procede de restitution de mouvements de la ligne de visee d'un instrument optique |
US8098911B2 (en) * | 2006-12-05 | 2012-01-17 | Siemens Aktiengesellschaft | Method and system for registration of contrast-enhanced images with volume-preserving constraint |
KR101411639B1 (ko) * | 2007-09-11 | 2014-06-24 | 삼성전기주식회사 | 영상 정합 방법 및 장치 |
US20090220137A1 (en) * | 2008-02-28 | 2009-09-03 | Siemens Corporate Research, Inc. | Automatic Multi-label Segmentation Of Abdominal Images Using Non-Rigid Registration |
US7933473B2 (en) * | 2008-06-24 | 2011-04-26 | Microsoft Corporation | Multiple resolution image storage |
US8064733B2 (en) * | 2008-06-24 | 2011-11-22 | Microsoft Corporation | Variable resolution images |
US7983512B2 (en) * | 2008-06-24 | 2011-07-19 | Microsoft Corporation | Embedding large images within one another |
EP2338140B1 (en) * | 2008-10-13 | 2012-05-09 | Koninklijke Philips Electronics N.V. | Combined device-and-anatomy boosting |
US9235907B2 (en) * | 2012-03-20 | 2016-01-12 | Juan C. Ramirez Giraldo | System and method for partial scan artifact reduction in myocardial CT perfusion |
US9183618B2 (en) * | 2012-05-09 | 2015-11-10 | Nokia Technologies Oy | Method, apparatus and computer program product for alignment of frames |
US9418427B2 (en) * | 2013-03-15 | 2016-08-16 | Mim Software Inc. | Population-guided deformable registration |
CN103198510B (zh) * | 2013-04-18 | 2015-09-30 | 清华大学 | 数据驱动的模型渐变方法 |
JP6494986B2 (ja) | 2014-01-16 | 2019-04-03 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージング装置及び画像処理装置 |
KR20160049897A (ko) | 2014-10-28 | 2016-05-10 | 삼성전자주식회사 | 연속적인 의료 영상을 이용한 컴퓨터 보조 진단 장치 및 방법 |
CN106384361B (zh) * | 2016-09-14 | 2019-06-14 | 西安理工大学 | 多视环境中基于水平集函数演化的非刚性目标场景流估计方法 |
CN113617698B (zh) * | 2021-08-20 | 2022-12-06 | 杭州海康机器人股份有限公司 | 一种包裹追溯方法、装置、系统、电子设备及存储介质 |
CN115294766B (zh) * | 2022-07-31 | 2023-06-23 | 东风汽车集团股份有限公司 | 虚拟红绿灯构建方法、装置、设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6226418B1 (en) * | 1997-11-07 | 2001-05-01 | Washington University | Rapid convolution based large deformation image matching via landmark and volume imagery |
US6611615B1 (en) * | 1999-06-25 | 2003-08-26 | University Of Iowa Research Foundation | Method and apparatus for generating consistent image registration |
US6775405B1 (en) * | 2000-09-29 | 2004-08-10 | Koninklijke Philips Electronics, N.V. | Image registration system and method using cross-entropy optimization |
DE10054814A1 (de) * | 2000-11-04 | 2002-05-08 | Philips Corp Intellectual Pty | Verfahren und Vorrichtung zur Registrierung von Bildern |
FR2823969B1 (fr) * | 2001-04-30 | 2003-12-26 | Ge Med Sys Global Tech Co Llc | Procede de prelevement d'un tissu au cours d'un examen par rayons x et dispositif de mise en oeuvre |
US7200251B2 (en) * | 2001-09-28 | 2007-04-03 | The University Of North Carolina | Methods and systems for modeling objects and object image data using medial atoms |
US7787927B2 (en) * | 2003-06-20 | 2010-08-31 | Merge Cad Inc. | System and method for adaptive medical image registration |
US20050113651A1 (en) | 2003-11-26 | 2005-05-26 | Confirma, Inc. | Apparatus and method for surgical planning and treatment monitoring |
-
2005
- 2005-05-20 US US11/133,589 patent/US7616836B2/en not_active Expired - Fee Related
- 2005-05-25 CN CN2005800251583A patent/CN1989526B/zh active Active
- 2005-05-25 CA CA2568115A patent/CA2568115C/en not_active Expired - Fee Related
- 2005-05-25 JP JP2007515273A patent/JP2008500108A/ja active Pending
- 2005-05-25 EP EP05770848A patent/EP1749279A2/en not_active Withdrawn
- 2005-05-25 AU AU2005248846A patent/AU2005248846B2/en not_active Ceased
- 2005-05-25 WO PCT/US2005/018267 patent/WO2005116926A2/en active Application Filing
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101642378B (zh) * | 2008-08-06 | 2012-10-10 | 深圳迈瑞生物医疗电子股份有限公司 | 控制谐波成像的发射脉冲频谱的方法和装置 |
CN103649998A (zh) * | 2010-12-21 | 2014-03-19 | Metaio有限公司 | 确定为确定照相机的姿态和/或为确定至少一个真实对象的三维结构而设计的参数集的方法 |
CN103649998B (zh) * | 2010-12-21 | 2016-08-31 | Metaio有限公司 | 确定为确定照相机的姿态和/或为确定至少一个真实对象的三维结构而设计的参数集的方法 |
US9830715B2 (en) | 2010-12-21 | 2017-11-28 | Apple Inc. | Method for determining a parameter set designed for determining the pose of a camera and/or for determining a three-dimensional structure of the at least one real object |
CN104837436A (zh) * | 2012-11-01 | 2015-08-12 | 阿莱恩技术有限公司 | 三维扫描中的运动补偿 |
CN107248168A (zh) * | 2013-03-18 | 2017-10-13 | 快图有限公司 | 用于运动估算的方法和装置 |
CN103236059A (zh) * | 2013-04-25 | 2013-08-07 | 深圳先进技术研究院 | 基于模态转换的微分同胚demons图像配准方法和系统 |
CN103236059B (zh) * | 2013-04-25 | 2016-06-15 | 深圳先进技术研究院 | 基于模态转换的微分同胚demons图像配准方法和系统 |
CN106569159A (zh) * | 2015-07-13 | 2017-04-19 | 美国西门子医疗解决公司 | 用于mr成像的快速前推运动校正 |
CN111329479A (zh) * | 2018-12-19 | 2020-06-26 | 西门子保健有限责任公司 | 用于提供mr图像的方法和磁共振成像设备、程序和介质 |
CN111329479B (zh) * | 2018-12-19 | 2023-09-29 | 西门子保健有限责任公司 | 用于提供mr图像的方法、磁共振成像设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2005116926A2 (en) | 2005-12-08 |
CA2568115A1 (en) | 2005-12-08 |
US7616836B2 (en) | 2009-11-10 |
AU2005248846B2 (en) | 2009-11-12 |
EP1749279A2 (en) | 2007-02-07 |
US20050265611A1 (en) | 2005-12-01 |
CN1989526B (zh) | 2010-08-11 |
CA2568115C (en) | 2016-07-12 |
JP2008500108A (ja) | 2008-01-10 |
AU2005248846A1 (en) | 2005-12-08 |
WO2005116926A3 (en) | 2006-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1989526B (zh) | 用于图像时间序列的运动补偿的方法和系统 | |
US10977765B2 (en) | Hierarchical neural network image registration | |
US5633951A (en) | Registration of volumetric images which are relatively elastically deformed by matching surfaces | |
US7738705B2 (en) | Hierarchical method and system for pattern recognition and edge detection | |
US20090067755A1 (en) | System and method for geodesic image matching using edge points interpolation | |
Ali et al. | Illumination invariant optical flow using neighborhood descriptors | |
US20060045366A1 (en) | Method and system for motion correction in a sequence of images | |
WO2009150882A1 (ja) | 画像位置合わせ処理装置、領域拡張処理装置及び画質改善処理装置 | |
CN104732485A (zh) | 一种数字化x线图像的拼接方法及系统 | |
Köhler et al. | ToF meets RGB: novel multi-sensor super-resolution for hybrid 3-D endoscopy | |
US20080063300A1 (en) | Image registration using joint spatial gradient maximization | |
Gilliam et al. | Local all-pass filters for optical flow estimation | |
Ali et al. | 3D shape recovery by aggregating 3D wavelet transform-based image focus volumes through 3D weighted least squares | |
Ali et al. | Anisotropic motion estimation on edge preserving Riesz wavelets for robust video mosaicing | |
Hermosillo et al. | A variational approach to multi-modal image matching | |
CN114998106A (zh) | 一种显微子图像拼接方法及其大批量图像的拼接方法 | |
Sun | Multi-resolution stereo matching using maximum-surface techniques | |
Eichhardt et al. | Computer vision meets geometric modeling: multi-view reconstruction of surface points and normals using affine correspondences | |
CN100550056C (zh) | 在图像序列中进行运动校正的方法及系统 | |
Boda | Feature-based image registration | |
Lim | Achieving accurate image registration as the basis for super-resolution | |
Cassisa et al. | Two-frame optical flow formulation in an unwarping multiresolution scheme | |
Szeliski et al. | Motion estimation | |
Madasamy et al. | A Robust Image Registration Using Multi-Scale Feature Extraction Techniques Using Deep Learning | |
Szeliski et al. | Dense motion estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200107 Address after: Erlangen Patentee after: Siemens Medical Co., Ltd. Address before: Pennsylvania, USA Patentee before: American Siemens Medical Solutions Inc. |
|
TR01 | Transfer of patent right |