JP2009515585A - ボリュメトリック位置合わせのための方法、システムおよびコンピュータプログラム - Google Patents

Abstract

本発明は、浮動画像の基準画像とのボリュメトリック位置合わせのための方法に関する。ステップ２'において、浮動画像及び基準画像がアクセスされる。ステップ４及びステップ６において、変換関数Ｔ及び類似性関数Ｓがアクセスされる。本発明による方法は、先験的知識、特にステップ３においてアクセスされる制限されたパラメータ組を使用する。好適には、制限されたパラメータ組は、訓練画像の組の適切なボリュメトリック位置合わせを実施することによって得られる。訓練組は、好適には、各々の臨床アプリケーションについて、浮動画像及び基準画像のシーケンスを含む。同様に、訓練組は、疾患、年齢、性別、人種等の特定のグループを表す患者グループの画像からなりうる。本発明は更に、ボリュメトリック位置合わせを可能にするシステム及びコンピュータプログラムに関する。

Description

本発明は、浮動画像の基準画像とのボリュメトリックなレジストレーション（以下、位置合わせとする）のための方法であって、
−浮動画像及び基準画像にアクセスするステップと、
−浮動画像を空間的にワープする（ゆがめる）ためのパラメータ化された幾何学的変換関数を選択するステップと、
−ワープされた浮動画像及び基準画像の間の類似性を量的に評価するための類似性関数を選択するステップと、
を含む方法に関する。

本発明は更に、浮動画像の基準画像とのボリュメトリックな位置合わせのためのシステムに関する。

本発明は更に、浮動画像の基準画像とのボリュメトリック画像位置合わせのためのコンピュータプログラムであって、
−浮動画像及び基準画像にアクセスするステップと、
−浮動画像を空間的にワープするためのパラメータ化された幾何学的変換関数を選択するステップと、
−ワープされた浮動画像及び基準画像の間の類似性を量的に評価するための類似性関数を選択するステップと、
をプロセッサに実行させる命令を含む、コンピュータプログラムに関する。

位置合わせ方法はそれ自体、米国特許第５，６３３，９５１号明細書から、表面に基づく方法の形で知られている。冒頭の段落に示されている方法の一実施例は、文献「Adaptive Search Space Scaling in Digital Image Registration」（Venkat R. Mandava et al, IEEE Transactions on Medical Imaging, Vol.8, No. 3, September 1989）から知られている。知られている方法は、浮動画像の基準画像との適当な幾何学的な整合を見つける前に、浮動画像をワープすることによって画像のボリュメトリック位置合わせを実行するように構成される。探索空間の剪定を実現可能なものにするための知られている方法において、探索空間は、Ｎ次元のハイパーキューブに離散化される。遺伝的アルゴリズム又は擬似焼きなまし法のような最適化方法は、位置合わせの間、ワープされた浮動画像及び基準画像の間の幾何学的整合の品質を表す類似性関数の最適解、特に大域的最大値、を探索するために使用される。知られている方法において、これらの最適化アルゴリズムは、低減された探索空間が、動きアーチファクトの複雑さの或る先験的情報に基づいて人間オペレータによって選択される場合、ボリュメトリック位置合わせのために使用される。代替例として、知られている方法は、適応的な探索空間スケーリングを可能にするように構成され、その場合、人間オペレータが、最初に関心領域を規定する必要がある。

多数のパラメータが調整されなければならず、最適化アルゴリズムの多次元の探索空間をもたらすことは、知られている方法の不利益である。この多次元性は、多くの局所的最適解と相関し、このことは、最適化アルゴリズムをトラップし、それが大域的最適解を求めること妨げることがあり、それによってボリュメトリック位置合わせの品質を低減させる。

本発明の目的は、信頼性がありロバストであるボリュメトリック位置合わせのための方法を提供することである。

このために、本発明による方法は、
−先験的知識に基づいて、パラメータ化された幾何学的変換関数のための制限されたパラメータ組を選択するステップと、
−制限されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用して浮動画像を空間的にワープし、ワープされた浮動画像を与えるステップと、
−類似性関数の最適解を見つけるために、制限されたパラメータ組を最適化するステップと、
を含む。

本発明による方法は、最適化方法が、パラメータ空間にわたる類似性関数の大域的最適解、特に最大値、を見つけるための効率的なツールを提示し、スピード及びロバストネスに関するそれらの性能が、探索空間及び収縮戦略の規定に依存するという洞察に基づく。増加する数のパラメータは、ワープ変換の柔軟性を増やすだけでなく、探索されなければならない探索空間をも増やし、最適化アルゴリズムが大域的最適解に達することを妨げうる増加する数の局所的最適解をまねくことが理解される。制限されたパラメータ組は、大域的最適解を見つけるために最も重要であるパラメータに、パラメータ組を剪定する。この剪定は、浮動画像及び基準画像を表す訓練画像の組から導き出される先験的知識に基づく。

本発明による方法の一実施例において、制限されたパラメータ組は、浮動画像及び基準画像を表す訓練画像のボリュメトリック位置合わせの結果を解析することによって得られ、前記ボリュメトリック位置合わせは、拡大されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用して実施される。

訓練組は、好適には、各々の臨床アプリケーションについて、浮動画像及び基準画像のシーケンスを含む。例えば、特定の解剖学的部位について又は特定のタイプの病理について、ボリュメトリック位置合わせが首尾よく実施されることができる。同様に、訓練組は、疾患、年齢、性別、人種等の特定のグループを表す患者グループの画像からなりうる。上述のカテゴリのすべての可能な組み合わせも同様に企図される。本発明の方法によれば、予備知識は、先験的に準備された訓練組から導き出される。

この技術的な方策のため、以下の有利な効果が達成される。すなわち、最適化アルゴリズム、特に確率論的な探索戦略又はランダムにリスタートされる決定論的最適化方法が、考察中の画像のタイプに対応する類似性関数の大域的最適解を見つけるために自動的に同調される。例えば特定の解剖学的部位の医用画像のような、対象アプリケーションを表すｋ個の訓練画像の組は、拡大されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用する計算集約的な位置合わせアルゴリズムを使用して、事前に位置合わせされる。幾何学的変換関数は、例えばアプリケーション領域に特徴的なパラメータ化された動きモデルに基づいて、構成されることができる。この処理は自動的に実施されることが好ましい。結果として得られる拡大されたパラメータ組（ｐ_１...ｐ_ｎ）は、例えば探索空間の新しいパラメタリゼーションを規定するパラメータの制限された組Ｑ＝（ｑ_１...ｑ_ｍ）をもたらす主成分分析（ＰＣＡ）を受ける。ここで、好適にはｍ＜ｎである。このようにして、新しい制限されたパラメータ組Ｑは、十分な精度をもって初期の訓練組の位置合わせのための最も関連する変形パターンを近似するのに十分である。組Ｑは、こうして、最適化アルゴリズムを低次元のサブ空間を通じて大域的最適解に向かうように導く主探索方向を規定する。こうして、訓練画像の拡大されたパラメータ組から最も重要なパラメータが得られると、これらのパラメータは、訓練組と同じ画像クラスからの臨床的な位置合わせの幾何学的変換関数のために使用される。例えば、アプリケーション「脳」は、訓練組「脳」からの制限されたパラメータ組を使用する等である。最適化関数は、制限されたパラメータ組を最適化し、ゆえに最適化された制限されたパラメータ組はより効果的であり且つ正確である。最適化アルゴリズムのために、任意の局所的な又は大域的な収束最適化方法が適切である。当分野においてそれ自体知られている確率論的最適化方法が選択される場合、付加の利点が達成される。すなわち、制限されたパラメータ組は、大域的最適解の方へ探索を向かわせる戦略を提供する。付加の利点として、探索空間にわたる変形パターンの確率分布は、訓練組から評価されることができる。Ｑによってスパンされるサブ空間へのこの分布の投影は、Ｑによって与えられるサブ空間探索方向に沿って最適サンプリング戦略を決定するために使用されることができる最も関連する変形パターンの周辺分布を提供する。従って、パラメタリゼーションＱは更に、探索空間の範囲をよりよく定めるとともに、確率論的最適化アルゴリズムとともに適用される場合に確率論的なサンプリング戦略のための最適密度分布を改善することによって、低減された空間次元において機能する本発明による方法の性能を改善する。

本発明による方法の更なる実施例において、制限されたパラメータ組は、拡大されたパラメータ組の解析から導き出されるフィーチャに基づいて得られる。

フィーチャの適切な例は、低減された数のパラメータ、低減された数の座標軸、個々のパラメータの許容レンジ、パラメータの密度分布を含む。

本発明による方法の更なる実施例において、方法は更に、
−フィーチャの実質的なずれを検出するステップと、
−予備知識を更新するステップと、
−更新された予備知識から、更新された制限されたパラメータ組を導き出すステップと、を含む。

本発明による方法は、有利には、自己適応的である。この技術的方策によれば、ボリュメトリック位置合わせ方法は、浮動画像の変形パターンの十分な変化を自動的に追跡し、シグナリングすることができる。選択された訓練組が、もはや臨床的なケースを表さない場合、実質的なずれの信号が、新しい最新の訓練組を編集し、それに適切な洗練されたボリュメトリック位置合わせ技法を受けさせ、臨床的なケースをより正確に位置合わせするために使用されることができる更新された制限されたパラメータ組を導き出すことによって、先験的知識を更新するために使用される。

本発明による方法の更なる実施例において、方法は、
−サブ空間にわたる浮動画像の変形パターンの期待される確率分布を評価するために予備知識を使用するステップと、
−前記評価からサブ空間内の最適化関数のためのサンプリング戦略を決定するステップと、を含む。

すでに説明されたように、制限されたパラメータ組（ｑ_１...ｑ_ｍ）は、最適化アルゴリズム、特に確率論的最適化を、低次元のサブ空間を通じて大域的最適解のほうへ導く主探索方向を規定する。更に、探索空間にわたる変形パターンの確率分布は、訓練組から評価されることができ、付加の予備知識を与える。この分布のサブ空間（ｑ_１...ｑ_ｍ）への投影は、（ｑ_１...ｑ_ｍ）によって与えられるサブ空間探索方向に沿って最適サンプリング戦略を決定するために使用されることができる最も関連する変形パターンの周辺分布を提供する。

本発明によるシステムは、
−浮動画像及び基準画像にアクセスし、
−浮動画像を空間的にワープするためのパラメータ化された幾何学的変換関数を選択し、
−ワープされた浮動画像及び基準画像の間の類似性を量的に評価するための類似性関数を選択し、
−先験的知識に基づいてパラメータ化された幾何学的変換関数のための制限されたパラメータ組を選択する、
ための入力部と、
−制限されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用して浮動画像を空間的にワープし、ワープされた浮動画像を与え、
−類似性関数の最適解を見つけるために制限されたパラメータ組を最適化する、
ための処理手段と、を有する。

本発明によるシステムは、有利には、先験的知識が使用される画像のボリュメトリック位置合わせを可能にする。好適には、制限されたパラメータ組は、浮動画像及び基準画像を表す訓練画像のボリュメトリック位置合わせの結果を解析することによって、処理手段によって得られる。前記ボリュメトリック位置合わせは、拡大されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用して実施される。訓練組は、各々の臨床アプリケーションについて、浮動画像及び基準画像のシーケンスを含むことが好ましい。例えば、特定の解剖学的部位について又は特定のタイプの病理について、ボリュメトリック位置合わせが首尾よく実施されることができる。同様に、訓練組は、疾患、年齢、性別、人種等の特定のグループを表す患者グループの画像からなりうる。上述のカテゴリのすべての可能な組み合わせが同様に企図される。更に好適には、本発明によるシステムの処理手段は、拡大されたパラメータ組の解析から導き出されるフィーチャに基づいて、制限されたパラメータ組を得るようにも構成される。適切なフィーチャの例は、低減された数のパラメータ、個々のパラメータの許容レンジ、パラメータの密度分布を含む。更に好適には、本発明によるシステムの処理手段は、フィーチャの実質的なずれを検出し、先験的知識を更新し、更新された先験的知識から更新された制限されたパラメータ組を導き出すようにも構成される。このようにして、訓練組がその表現の実際のデータとの整合性に基づいて更新される自己学習システムが、提供される。本発明によるシステムの更なる利点は図２に記述される。

本発明によるコンピュータプログラムは、
−先験的知識に基づいて、パラメータ化された幾何学的変換関数のための制限されたパラメータ組を選択するステップと、
−制限されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用して浮動画像を空間的にワープし、ワープされた浮動画像を与えるステップと、
−類似性関数の最適解を見つけるための制限されたパラメータ組を最適化するステップと、
をプロセッサに実行させるための命令を含む。

本発明のコンピュータプログラムによれば、先験的知識が、好適には、浮動画像及び基準画像を表す訓練画像のボリュメトリック位置合わせの結果の解析を含み、前記ボリュメトリック位置合わせが、拡大されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用して実施される、改善されたボリュメトリック位置合わせが可能にされる。本発明によるシステムの更なる有利な実施形態は、請求項１３−１５に与えられる。本発明によるコンピュータプログラムの処理は、図３を参照してより詳しく述べられる。

本発明のこれら及び他の詳細は、図面を参照して更に詳しく記述される。

図１は、本発明による方法のブロックスキームの一実施例を概略的に示している。本発明による方法１のステップ２'において、入力処理が実行される。例えば、ステップ２において、ボリュメトリックに位置合わせされることが企図される２つの浮動画像及び基準画像が、ロードされる。ステップ４において、浮動画像（Ｆ）を空間的にワープするための変換関数Ｔが、アクセスされる。ステップ６において、ワープされた浮動画像（Ｆ'）及び基準画像（Ｒ）の間の類似性を量的に評価するための類似性関数（Ｓ）が、アクセスされる。本発明による方法は、先験的知識、特に制限されたパラメータ組、を使用する。制限されたパラメータ組は、ステップ３においてアクセスされる。好適には、制限されたパラメータ組は、訓練画像の組の適切なボリュメトリック位置合わせを実施することによって得られる。訓練組は、好適には、各々の臨床アプリケーションについて、浮動画像及び基準画像のシーケンスを含む。例えば、特定の解剖学的部位について又は特定のタイプの病理について、ボリュメトリック位置合わせは首尾よく実施されることができる。同様に、訓練組は、疾患、年齢、性別、人種等の特定のグループを表す患者グループの画像から構成されうる。上述のカテゴリのすべての可能な組み合わせが同様に企図される。本発明の方法によれば、予備知識は、先験的に準備された訓練組から導き出される。

この技術的な方策のため、以下の有利な効果が達成される。すなわち、最適化アルゴリズム、特に確率論的探索戦略又はランダムにリスタートされる決定論的最適化方法が、考察中の画像のタイプに対応する類似性関数の大域的最適解を見つけるために自動的に調整される。例えば特定の解剖学的部位の医用画像のような、対象アプリケーションを表すｋ個の訓練画像の組は、拡大されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用する計算集約的な位置合わせアルゴリズムを使用して、事前に位置合わせされる。幾何学的変換関数は、例えば、アプリケーション領域に特徴的なパラメータ化された動きモデルに基づいて、構成されることができる。好適には、この処理は自動的に実施される。結果として得られる拡大されたパラメータ組（ｐ_１...ｐ_ｎ）は、探索空間の新しいパラメタリゼーションを規定するパラメータＱ＝（ｑ_１...ｑ_ｍ）の制限された組をもたらす主成分分析（ＰＣＡ）を受けさせられる。ここで、好適にはｍ＜ｎである。こうして、新しい制限されたパラメータ組Ｑは、十分な精度をもって初期の訓練組の位置合わせのための最も関連する変形パターンを近似するに十分である。こうして、組Ｑは、最適化アルゴリズムを低次元のサブ空間を通じて大域的最適解のほうへ導く主探索方向を規定する。こうして、訓練画像の拡大されたパラメータ組から最も重要なパラメータが得られると、これらのパラメータは、訓練組と同じ画像のクラスからの臨床的な位置合わせの幾何学的変換関数のために使用される。例えば、アプリケーション「脳」は、訓練組「脳」の制限されたパラメータ組を使用する等である。最適化関数は、制限されたパラメータ組を最適化し、ゆえに最適化された制限されたパラメータ組は、より効果的であり且つ正確である。好適には、訓練画像は、浮動及び基準画像に関して同じデータ取得ユニットを使用してステップ７において取得される。

本発明による方法１は、次のように動作する。ステップ８において、浮動画像（Ｆ）は、ステップ３において得られた制限されたパラメータ組を有する変換関数を使用してワープされる。ステップ１０において、制限されたパラメータ組は、類似性関数１２の大域的最適解を見つける目的で最適化される。類似性関数１２は、ワープされた浮動画像１４及び基準画像１６の間の類似性の程度を評価する。類似性のこの程度が品質基準を満たす場合、最適化は、ステップ１７において止められ、方法は、次のステップ１９へ進む。他の場合、制限されたパラメータ組は、ステップ１０において更に最適化され、ループ１０−１２−１７が続く。最適化アルゴリズムのために、いかなる局所的に又は大域的に収束する最適化方法も適切である。当分野においてそれ自体知られている確率論的最適化方法が選択される場合、付加の利点が達成される。すなわち、制限されたパラメータ組は、大域的最適解の方へ探索を導く戦略を提供する。付加な利点として、探索空間にわたる変形パターンの確率分布が、訓練組から評価されることができる。Ｑによってスパンされるサブ空間へのこの分布の投影は、Ｑによって提供されるサブ空間探索方向に沿って最適サンプリング戦略を決定するために使用されることができる最も関連する変形パターンの周辺分布を提供する。従って、パラメタリゼーションＱは更に、探索空間の範囲をよりよく定め、確率論的最適化アルゴリズムとともに適用される場合に確率論的サンプリング戦略のための最適密度分布を改善することによって、低減された空間次元で動作する本発明による方法の性能を改善する。

図２は、本発明によるシステムの一実施例を示している。本発明によるシステム２０は、浮動画像、基準画像、及び図１を参照して議論された方法に従って得られる制限されたパラメータ組（図示せず）にアクセスするように構成される入力部２２を具えるコンピュータ２３を有する。入力部２２は更に、浮動画像を空間的にワープするためのパラメータ化された幾何学的変換関数にアクセスするように構成される。入力部２２は更に、ワープされた入力画像及び基準画像の間の類似性を量的に評価するための類似性関数にアクセスするように構成される。入力部２２は更に、制限されたパラメータ組にわたる類似性関数の大域的最適解を見つけるための適切な最適化アルゴリズムにアクセスするように構成される。本発明によるシステム２０のコンピュータ２３は更に、類似性関数の大域的最適解を見つけるために、制限されたパラメータ組を最適化するように構成されるコンピュータ手段２４を有する。本発明によるシステムの動作は、好適には、図１を参照して説明されたような方法１のステップをプロセッサ２６に実行させる命令を含むコンピュータプログラムによって制御される。本発明によるシステム２０は更に、好適には、少なくとも基準画像を取得するように構成されるデータ取得ユニット２１を有する。データ取得ユニットの適切な例は、ＭＲユニット、ＣＴユニット又はＸ線ユニット、超音波装置等を含む。システム２０は更に、好適には、適切なディスプレイ２８に投影されるボリュメトリック位置合わせ２８の結果を表示するように構成されるビューワ２５を有する。データ取得ユニット２１、コンピュータ２３及び表示ユニット１５は、互いにかなり離れて位置してもよく、この場合、好適にはインターネットのようなデータ伝送リンクによって又は適切なワイヤレスデータ通信によって接続される。

図３は、本発明によるコンピュータプログラムのフローチャートの一実施例を概略的に示している。本発明によるコンピュータプログラム３１の命令３２'に従って、入力処理が実行される。例えば、命令３２は、プロセッサ（図示せず）に、ボリュメトリックに位置合わせされることが企図される浮動画像及び基準画像をロードさせる。命令３４に従って、浮動画像（Ｆ）を空間的にワープするための変換関数Ｔが、アクセスされ、命令３６に従って、ワープされた浮動画像（Ｆ'）及び基準画像（Ｒ）の間の類似性を量的に評価するための類似性関数（Ｓ）がアクセスされる。本発明によるコンピュータプログラムは、先験的知識、特に制限されたパラメータ組を使用する。制限されたパラメータ組は、命令３３に従ってアクセスされる。好適には、制限されたパラメータ組は、一組の訓練画像の適切なボリュメトリック位置合わせを実施することによって得られる。訓練組は、好適には、各々の臨床アプリケーションについて、浮動画像及び基準画像のシーケンスを含む。例えば、特定の解剖学的部位について又は特定のタイプの病理について、ボリュメトリック位置合わせが首尾よく実施されることができる。同様に、訓練組は、疾患、年齢、性別、人種等の特定のグループを表す患者グループの画像からなりうる。上述のカテゴリのすべての可能な組み合わせが同様に企図される。本発明のコンピュータプログラムに従って、先験的知識は、先験的に準備される訓練組から導き出される。

この技術的な方策のため、以下の有利な効果が達成される。すなわち、最適化アルゴリズム、特に確率論的探索戦略又はランダムにリスタートされる決定論的最適化方法が、考察中の画像のタイプに対応する類似性関数の大域的最適解を見つけるために自動的に調整される。例えば特定の解剖学的部位の医用画像である、対象アプリケーションを表すｋ個の訓練画像の組は、拡大されたパラメータ組を有するパラメータ化された幾何学的変換関数を使用する計算集約的な位置合わせアルゴリズムを使用して、事前に位置合わせされる。幾何学的変換関数は、例えばアプリケーション領域に特徴的なパラメータ化された動きモデルに基づいて構成されることができる。好適には、この処理は自動的に実施される。結果として得られる拡大されたパラメータ組（ｐ_１...ｐ_ｎ）は、例えば、探索空間の新しいパラメタリゼーションを規定するパラメータの制限された組Ｑ＝（ｑ_１...ｑ_ｍ）をもたらす主成分分析（ＰＣＡ）を受けさせられる。ここで、好適にはｍ＜ｎである。このようにして、新しい制限されたパラメータ組Ｑは、十分な精度をもって初期の訓練組の位置合わせのための最も関連する変形パターンを近似するに十分である。組Ｑは、こうして、低次元のサブ空間を通じて大域的最適解のほうへ最適化アルゴリズムを導く主探索方向を規定する。こうして、訓練画像の拡大されたパラメータ組から最も重要なパラメータが得られると、これらのパラメータは、訓練組と同じ画像のクラスからの臨床的な位置合わせの幾何学的変換関数のために使用される。例えば、アプリケーション「脳」は、訓練組「脳」からの制限されたパラメータ組を使用する等である。最適化関数は、制限されたパラメータ組を最適化し、ゆえに最適化された制限されたパラメータ組は、より効果的であり且つ正確である。好適には、訓練画像は、浮動画像及び基準画像に関して同じデータ取得ユニットを使用して適切な命令３７によって取得される。

本発明によるコンピュータプログラム３１は、次のように動作する。命令３８は、命令３３により得られた制限されたパラメータ組を有する変換関数を使用して浮動画像（Ｆ）をワープする。命令４０は、ワープされた浮動画像４４及び基準画像４６の間の類似性の程度を評価する類似性関数４２の大域的最適解を見つける目的で、プロセッサ（図示せず）に制限されたパラメータ組を最適化させる。類似性のこの程度が、品質基準をみたす場合、最適化は、命令４７に従って止められ、コンピュータプログラムは、次の命令４９へ進む。他の場合、制限されたパラメータ組は、命令４０に戻ることによって更に最適化され、ループ４０−４２−４７が続く。最適化アルゴリズムのために、いかなる局所的に又は大域的に収束する最適化方法も適切である。当分野においてそれ自体知られている確率論的最適化方法が選択される場合、付加の利点が達成される。すなわち、制限されたパラメータ組は、大域的最適解の方へ探索を導く戦略を提供する。付加の利点として、探索空間にわたる変形パターンの確率分布が、訓練組から評価されることができる。Ｑによってスパンされるサブ空間へのこの分布の投影は、Ｑによって提供されるサブ空間探索方向に沿って最適サンプリング戦略を決定するために使用されることができる最も関連する変形パターンの周辺分布を提供する。従って、パラメタリゼーションＱは更に、低減された空間次元において動作し、従って、探索空間の範囲をよりよく定めるとともに、確率論的最適化アルゴリズムとともに適用される場合に確率論的サンプリング戦略のための最適密度分布を改善することによって、ボリュメトリック位置合わせ方法の性能を改善する。

本発明による方法のブロックスキームの実施例を概略的に示す図。 本発明によるシステムの実施例を概略的に示す図。 本発明によるコンピュータプログラムのフローチャートの実施例を概略的に示す図。

Claims (15)

1. 浮動画像の基準画像とのボリュメトリックな位置合わせのための方法であって、
   前記浮動画像及び前記基準画像にアクセスするステップと、
   前記浮動画像を空間的にワープするためのパラメータ化された幾何学的変換関数を選択するステップと、
   ワープされた浮動画像及び前記基準画像の間の類似性を量的に評価するための類似性関数を選択するステップと、
   先験的知識に基づいて、前記パラメータ化された幾何学的変換関数のための制限されたパラメータ組を選択するステップと、
   前記制限されたパラメータ組を有する前記パラメータ化された幾何学的変換関数を使用して前記浮動画像を空間的にワープし、ワープされた浮動画像を与えるステップと、
   前記類似性関数の最適解を見つけるために前記制限されたパラメータ組を最適化するステップと、
   を含む方法。
2. 前記制限されたパラメータ組は、前記浮動画像及び前記基準画像を表す訓練画像のボリュメトリックな位置合わせの結果を解析することによって得られ、前記ボリュメトリックな位置合わせは、拡大されたパラメータ組を有する前記パラメータ化された幾何学的変換関数を使用して実施される、請求項１に記載の方法。
3. 前記制限されたパラメータ組は、前記拡大されたパラメータ組の解析から導き出されるフィーチャに基づいて得られる、請求項２に記載の方法。
4. 前記フィーチャが、低減された数のパラメータを含む、請求項３に記載の方法。
5. 前記フィーチャが、低減された数の座標軸を含む、請求項３に記載の方法。
6. 前記フィーチャが、個々のパラメータの許容レンジを含む、請求項３に記載の方法。
7. 前記フィーチャが、前記パラメータの密度分布を含む、請求項３に記載の方法。
8. 前記フィーチャの実質的なずれを検出するステップと、
   前記先験的知識を更新するステップと、
   前記更新された先験的知識から、更新された制限されたパラメータ組を導き出すステップと、
   を含む、請求項４乃至請求項７のいずれか１項に記載の方法。
9. サブ空間にわたる前記浮動画像の変形パターンの期待される確率分布を評価するために前記先験的知識を使用するステップと、
   前記評価から前記サブ空間内の前記最適化関数のためのサンプリング戦略を決定するステップと、
   を更に含む、請求項１に記載の方法。
10. 浮動画像の基準画像とのボリュメトリックな位置合わせのためのシステムであって、
    前記浮動画像及び前記基準画像にアクセスし、
    前記浮動画像を空間的にワープするためのパラメータ化された幾何学的変換関数を選択し、
    ワープされた浮動画像及び前記基準画像の間の類似性を量的に評価するための類似性関数を選択し、
    先験的知識に基づいて、前記パラメータ化された幾何学的変換関数のための制限されたパラメータ組を選択する、
    入力部と、
    前記制限されたパラメータ組を有する前記パラメータ化された幾何学的変換関数を使用して前記浮動画像を空間的にワープし、ワープされた浮動画像を与え、
    前記類似性関数の最適解を見つけるために前記制限されたパラメータ組を最適化する、
    処理手段と、
    を有するシステム。
11. 少なくとも前記基準画像を取得するように構成されるデータ取得ユニットを更に有する、請求項１０に記載のシステム。
12. 浮動画像の基準画像とのボリュメトリックな位置合わせのためのコンピュータプログラムであって、
    前記浮動画像及び前記基準画像にアクセスするステップと、
    前記浮動画像を空間的にワープするためのパラメータ化された幾何学的変換関数を選択するステップと、
    ワープされた浮動画像及び前記基準画像の間の類似性を量的に評価するための類似性関数を選択するステップと、
    先験的知識に基づいて、前記パラメータ化された幾何学的変換関数のための制限されたパラメータ組を選択するステップと、
    前記制限されたパラメータ組を有する前記パラメータ化された幾何学的変換関数を使用して前記浮動画像を空間的にワープし、ワープされた浮動画像を与えるステップと、
    前記類似性関数の最適解を見つけるために前記制限されたパラメータ組を最適化するステップと、
    をプロセッサに実行させる命令を含むコンピュータプログラム。
13. 拡大されたパラメータ組の解析から導き出されるフィーチャに基づいて、前記制限されたパラメータ組を得るステップを、前記プロセッサに実行させる命令を更に含む、請求項１２に記載のコンピュータプログラム。
14. 前記フィーチャの実質的なずれを検出するステップと、
    前記先験的知識を更新するステップと、
    前記更新された先験的知識から、更新された制限されたパラメータ組を導き出すステップと、
    を前記プロセッサに実行させる命令を更に含む、請求項１３に記載のコンピュータプログラム。
15. サブ空間にわたる前記浮動画像の変形パターンの期待される確率分布を評価するために前記先験的知識を使用するステップと、
    前記評価から前記サブ空間内の前記最適化関数のためのサンプリング戦略を決定するステップと、
    を前記プロセッサに実行させる命令を更に含む、請求項１２乃至請求項１４のいずれか１項に記載のコンピュータプログラム。

Images