CN102592137A - 多模态图像配准方法及基于多模态图像配准的手术导航方法 - Google Patents
多模态图像配准方法及基于多模态图像配准的手术导航方法 Download PDFInfo
- Publication number
- CN102592137A CN102592137A CN2011104447720A CN201110444772A CN102592137A CN 102592137 A CN102592137 A CN 102592137A CN 2011104447720 A CN2011104447720 A CN 2011104447720A CN 201110444772 A CN201110444772 A CN 201110444772A CN 102592137 A CN102592137 A CN 102592137A
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- art
- sampling
- magnetic resonance
- 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
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种多模态图像配准方法，包括以下步骤：将参考图像和待配准图像按照第一采样比例进行采样获取具有第一分辨率的参考图像和待配准图像；采用B样条曲面作为变形模型对所述具有第一分辨率的参考图像和待配准图像进行配准、计算配准测度并获得第一配准参数；增大采样比例重复上述步骤直至配准测度达到预设阈值；其中，每次增大采样比例后进行配准时均以上一次的配准参数为初始配准参数。此外还提供一种基于多模态图像配准的手术导航方法。
Description
【技术领域】
本发明涉及图像处理，尤其涉及一种多模态图像配准方法及基于多模态图像配准的手术导航方法。
【背景技术】
现有技术中，国内介入导航***主要针对骨骼和脑科手术，以及多基于超声影像的配准。由于骨骼的刚性特点，使术前影像和病人之间的配准比较容易通过骨骼上的标志点完成刚性配准，也能达到比较好的治疗精度。但对于肝脏等软组织的外科手术，因为呼吸或手术器械的作用，无可避免地会造成肝脏的位移和变形。此时，基于特征点的刚性配准就不再适用了。而且一般的超声图像噪声大和边缘不清晰，由于超声图像的成像技术局限，基于超声的高精度图像配准方法尚处于研究阶段。而且配准速度是针对肝脏等易变形组织的弹性配准技术的技术重点、难点。
因此，目前的介入导航***在配准的实时性、提供三维图像信息、手术路径规划和导航精确性等方面均有所欠缺。由于不同的影像设备采用不同的成像方法采集图像，每种成像原理只能有效地反映某种器官的信息，例如CT能清晰显示人体骨骼，而MRI设备则有利于显示软性组织。目前还没有一种成像技术能够全面地获取人体器官信息，且快速准确的将各种器官信息的图像配准。
【发明内容】
基于此，有必要提供一种快速准确的多模态图像配准方法。
一种多模态图像配准方法，包括以下步骤：
将参考图像和待配准图像按照第一采样比例进行采样获取具有第一分辨率的参考图像和待配准图像；
采用B样条曲面作为变形模型对所述具有第一分辨率的参考图像和待配准图像进行配准、计算配准测度并获得第一配准参数；
增大采样比例重复上述步骤直至配准测度达到预设阈值；其中，每次增大采样比例后进行配准时均以上一次的配准参数为初始配准参数。
优选地，所述对参考图像和待配准图像按照采样比例进行采样的步骤具体包括：
将所述参考图像和待配准图像的像素灰度值进行归一化；
以采样比例对256个灰度级进行采样。
优选地，采样及配准的步骤重复1次，其中，根据参考图像及待配准图像的分辨率设置第一采样比例及重复采样比例。
优选地，采样的方法采用如下方式之一：随机采样、等间隔采样以及金字塔分层采样。
优选地，针对配准优化算法采用梯度下降算法，设置第一采样及重复采样的搜索步长、收敛条件中的松弛因子、最大迭代次数、B样条曲面大小。
优选地，所述计算配准测度的步骤中：
采用归一化的互信息值作为配准测度。
优选地，配准测度达到预设阈值时，将所述参考图像与待配准图像进行绝对配准，其中在绝对配准中定义B样条控制网格。
此外，还有必要提供一种快速准确的基于多模态图像配准的手术导航方法。
一种基于多模态图像配准的手术导航方法，用于根据术前CT图像建立的三维图像和术中的核磁共振图像进行配准后的手术导航，包括如下步骤：
采用数字影像重建技术对术前CT图像进行重建得到DRR(digitallyreconstructed radiography，数字重建图像)图像；
将DRR图像与术中的核磁共振图像进行配准并不断改变DRR图像在模拟X射线成像设备中的空间位置参数，获得空间位置参数不同时的配准测度；
通过优化算法搜索出配准测度到达阈值时的空间位置参数即为DRR图像在模拟X射线的空间定位参数；
获取DRR图像与术中的核磁共振图像相似度最大时的欧拉转换参数作为将术前的CT图像数据转换到核磁共振图像的坐标转换参数；
根据所述坐标转换参数结合所述术前CT图像和术中的核磁共振图像进行手术导航；
其中，所述将DRR图像与术中的核磁共振图像进行配准的步骤包括：
对DRR图像和术中的核磁共振图像按照第一采样比例进行采样获取具有第一分辨率的DRR图像和术中的核磁共振图像；
采用B样条曲面作为变形模型对所述具有第一分辨率的DRR图像和术中的核磁共振图像进行配准、计算配准测度并获得第一配准参数；
增大采样比例重复上述配准步骤直至配准测度达到预设阈值；其中，每次增大采样比例后进行配准时均以上一次的配准参数为初始配准参数。
优选地，所述对DRR图像和术中的核磁共振图像按照第一采样比例进行采样获取具有第一分辨率的DRR图像和术中的核磁共振图像的步骤具体包括：
将所述DRR图像和术中的核磁共振图像的像素灰度值进行归一化；
以所述第一采样比例对256个灰度级进行采样。
优选地，采样及配准的步骤重复1次，其中，根据参考图像及待配准图像的分辨率设置第一采样比例及重复采样比例。
优选地，针对配准优化算法采用梯度下降算法，设置第一采样及重复采样的搜索步长、收敛条件中的松弛因子、最大迭代次数、B样条曲面大小。
优选地，所述计算配准测度的步骤中：
采用归一化的互信息值作为配准测度。
优选地，配准测度达到预设阈值时，将所述DRR图像和术中的核磁共振图像进行绝对配准，其中在绝对配准中定义B样条控制网格。
优选地，所述根据所述坐标转换参数结合所述术前CT图像和术中的核磁共振图像进行手术导航的步骤包括：
将相似度最大的术前的CT图像和术中的核磁共振图像根据空间匹配关系进行图像融合，并根据所述融合后的图像获取手术导航路径。
上述多模态图像配准方法，采用多层分辨率图像配准实现方法，同时以B样条曲面作为变形模型，能够快速准确的将参考图像与待配准图像找到两者的配准测度阈值，实现准确的图像配准。
上述基于多模态图像配准的手术导航方法，采用多层分辨率图像配准实现方法，同时以B样条曲面作为变形模型，能够快速准确的将参考图像与待配准图像找到两者的配准测度阈值，实现准确的图像配准，并对配准后的图像进行融合，可得到多源信道采集的到关于同一目标的数据的各信道中的有利信息。
【附图说明】
图1为多模态图像配准方法的流程图；
图2为提取感兴趣区域的示意图；
图3为缩小B样条网格控制区域的示意图；
图4(a)至图4(c)为多模态图像配准方法实现过程示意图；
图5为基于多模态图像配准的手术导航方法的流程图。
【具体实施方式】
因为多模态图像是取自不同的成像装置和不同拍摄时间下的图像。因此参考图像即术前规划***中的目标图像与待配准图像即术中的图像并不相同，例如，两者不在同一层，或者两种图像会有变形或者位置偏移，因此需要适时校正。因此本发明采用如下的多模态图像配准方法。
如图1所示，为一种多模态图像配准方法的流程图，包括以下步骤：
步骤S110，将参考图像和待配准图像按照第一采样比例进行采样获取具有第一分辨率的参考图像和待配准图像。
在本实施例中，步骤S110中对参考图像和待配准图像按照采样比例进行采样的步骤具体包括：
①将所述参考图像和待配准图像的像素灰度值进行归一化。
②以采样比例对256个灰度级进行采样。
在本实施例中，采样的方法采用如下方式之一：随机采样、等间隔采样以及金字塔分层采样。优选地，采用金字塔分层采样。
图像配准是对取自不同时间、不同传感器或者不同视角的同一场景的多幅图像匹配的过程。一般来说，CT图像和MRI的原始图像分辨率都可以达到各种高分辨率。因此将图像的像素灰度值进行归一化，以一定比例对全部256个灰度级的数据采样，并采用采样子集代替所有像素数据计算相似性测度，即每一次的配准采用不同的图像分辨率。
在本实施例中，在每次采用不同分辨率配准过程中都采用3次B样条曲面作为空间转换函数，且根据不同尺度的配准需要，可以在每层的配准过程中采用大小不同的B样条曲面作为变形模型。优选地，根据多模态图像的实际分辨率采用大小不同的B样条曲面作为变形模型。
步骤S120，采用B样条曲面作为变形模型对所述具有第一分辨率的参考图像和待配准图像进行配准、计算配准测度并获得第一配准参数。
在本实施例中，计算配准测度的步骤中：采用归一化的互信息值作为配准测度。
互信息是信息理论中的一个基本概念，用于描述两个***间的统计相关性，或者是一个***中所包含的另一个***中信息的量。其中，在配准测度中，由于方差和均方差是测度数据变异程度的最重要、最常用的指标，因此常采用归一化的形式。
在本实施例中，针对配准优化算法采用梯度下降算法，设置第一采样及重复采样的搜索步长、收敛条件中的松弛因子、最大迭代次数、B样条曲面大小。
在本实施例中，针对第一采样的配准优化算法采用梯度下降算法，其中搜索步长为10mm、收敛条件中的松弛因子为0.7、最大迭代次数为200、采用5×5的B样条曲面作为形变模型；针对重复采样的配准优化算法采用LBFG算法，其中搜索步长为0.1mm、梯度收敛公差为0.05，最大迭代次数为1000次、采用10×10的B样条曲面作为形变模型。第一配准参数包括：像素、收缩系数及振幅长度等。
步骤S130，增大采样比例重复上述步骤直至配准测度达到预设阈值；其中，每次增大采样比例后进行配准时均以上一次的配准参数为初始配准参数。
将上一次的配准参数作为下一次的初始配准参数，能够提高两次配准的连续性和稳定性。
在本实施例中，采样及配准的步骤重复1次，其中，根据参考图像及待配准图像的分辨率设置第一采样比例及重复采样比例。
在本实施例中，采样及配准的步骤重复1次，其中，第一采样比例为0.3，重复采样比例为0.6。
如表1示，为图像配准结果，包括配准前的互信息值、第一配准结果和第二配准结果配准完成后的配准结果与参考图像的互信息的对比。
| 互信息值 | 配准前 | 第一配准结果 | 第二配准结果 |
| 1 | 1.24257 | 1.27905 | 1.28651 |
表1
如表2所示为CT(512*512)和MRI(512*416)两幅不同模态图像的配准结果，其中最大互信息值作为相似性测度。配准输出参数包括配准前参考图与浮动图的互信息值，第一配准结果和第二配准结果和参考图的互信息值对比以及配准所需时间。从配准前后的互信息值对比中可知互信息值提升较多，说明变形后的浮动图像和参考图像的一致性有所提高，此配准方法对于多模态图像有一定的配准效果。
| 互信息值 | 配准前 | 第一配准结果 | 第二配准结果 | 配准时间 |
| 1 | 0.666575 | 0.924476 | 0.924923 | 208 |
表2
表3为比较本实施例中配准策略与传统单层配准方法的配准速度而设计的实验的结果。该实验中的传统单次配准方法采用相同的配准方法，包括使用B样条曲面作为变形模型、互信息作为相似性测度结合LBFG优化算法寻求最优值的配准策略。在此基础上，可认为两种方法配准收敛条件相同，即配准精度相当。当设置同样的配准收敛条件时，单次配准方法和本文的多层配准方法配准所需时间如下表所示：
| 时间(S)CT/MRI | 传统方法 | 多分辨率 |
| 1 | 451 | 208 |
表3
配准测度达到预设阈值时，将参考图像与待配准图像进行绝对配准，其中在绝对配准中定义B样条控制网格。当参考图像与待配准图像的配准参数间的差值在±5％之间时，认为配准测度达到预设阈值。具体地，采用B样条网格控制区域的方法步骤包括：
①选取参考图像中的感兴趣区域，得到其像素信息，并将像素信息映射到待配准图像的对应区域，同时控制B样条网格变化。
如图2所示为提取感兴趣区域的示意图。感兴趣区域10为参考图像中的变形区域，将感兴趣区域10提取，并映射到待配准图像的对应区域，控制B样条网格变化。优选地，在B样条网格中，感兴趣区域10被缩小。
②将变化后的网格控制区域进行优化计算，达到匹配阈值后嵌入到待配准图像中。
如图3所示，为缩小B样条网格控制区域的示意图。变形区域20是参考图像中的较大变形区域，缩小区域22为变化后的网格控制区域。对缩小区域22进行优化计算，达到匹配阈值后嵌入到待配准图像中。具体实现过程如图4所示：图4a为参考图像。图4b为待配准图像。图4c为配准结果。
接下来为对比多模态图像的多层配准策略与传统单层配准方法的配准速度，设计以下实验。该实验中的传统单层配准方法与分层配准方法采用相同的配准参数，包括同样使用B样条曲面作为变形模型、互信息作为配准测度和LBFG优化算法寻求最优值的配准策略。在此基础上，可认为两种方法配准收敛条件相同，即配准精度相当。当设置同样的配准收敛条件时，单层配准方法和多模态图像的多层配准方法配准所需时间如表4所示。
| 多模态图像 | 传统方法配准时间(s) | 分层配准时间(s) |
| 1 | 451 | 208 |
| 2 | 100 | 28 |
| 3 | 150 | 15 |
表4
在B样条次数，控制B样条网格间距不变的情况，上述方法提高了计算的速度和精度，更适合修正局部较大变形的图像。
基于上述所有实施例，如图5所示，为一种基于多模态图像配准的手术导航方法流程图，用于根据术前CT图像建立的三维图像和术中的核磁共振图像进行配准后的手术导航，包括如下步骤：
步骤S210，采用数字影像重建技术对术前CT图像进行重建得到DRR图像。
采用数字影像重建技术(DRR)对术前的CT图像重建，即采用术前的CT断层数据重建出仿射摄影图像，模拟实际成像的物理过程。
在本实施例中，对术前的CT图像进行重建，是为了实现三维术前规划***将CT切片图像重建成三维。
步骤S220，将DRR图像与术中的核磁共振图像进行配准并不断改变DRR图像在模拟X射线成像设备中的空间位置参数，获得空间位置参数不同时的配准测度。
在本实施例中，采用欧拉旋转控制三维图像的旋转和平移等六个自由度的参数，因此在重采样的过程中，改变欧拉转换参数，会获得不同角度的DRR图像。
在本实施例中，将DRR图像与术中的核磁共振图像进行配准的步骤包括：
①对DRR图像和术中的核磁共振图像按照第一采样比例进行采样获取具有第一分辨率的DRR图像和术中的核磁共振图像。
②采用B样条曲面作为变形模型对所述具有第一分辨率的DRR图像和术中的核磁共振图像进行配准、计算配准测度并获得第一配准参数。
③增大采样比例重复上述配准步骤直至配准测度达到预设阈值；其中，每次增大采样比例后进行配准时均以上一次的配准参数为初始配准参数。
在本实施例中，对DRR图像和术中的核磁共振图像按照第一采样比
例进行采样获取具有第一分辨率的DRR图像和术中的核磁共振图像的步骤具体包括：
①将所述DRR图像和术中的核磁共振图像的像素灰度值进行归一化。
②以采样比例对256个灰度级进行采样。
在本实施例中，采样及配准的步骤重复1次，其中，根据参考图像及待配准图像的分辨率设置第一采样比例及重复采样比例。
在本实施例中，采样及配准的步骤重复1次，其中，第一采样比例为0.3，重复采样比例为0.6。
常用的重采样有最近邻方法、双线性内插方法和三次卷积内插方法。其中，最近邻方法最为简单，计算速度快，但是视觉效应差；双线性插值会使图像轮廓模糊；三次卷积法产生的图像较平滑，有好的视觉效果，但计算量大，较费时。在本实施例中，为了取得好的视觉效果的图像一般会采用三次卷积法进行重采样。
在本实施例中，针对配准优化算法采用梯度下降算法，设置第一采样及重复采样的搜索步长、收敛条件中的松弛因子、最大迭代次数、B样条曲面大小。
在本实施例中，针对第一采样的配准优化算法采用梯度下降算法，其中搜索步长为10mm、收敛条件中的松弛因子为0.7、最大迭代次数为200、采用5×5的B样条曲面作为形变模型；针对重复采样时的配准优化算法采用LBFG算法，其中搜索步长为0.1mm、梯度收敛公差为0.05，最大迭代次数为1000次、采用10×10的B样条曲面作为形变模型。
在本实施例中，配准测度达到预设阈值时，将根据术前CT图像建立的三维图像和术中的核磁共振图像进行绝对配准，其中在绝对配准中定义B样条控制网格。
步骤S230，通过优化算法搜索出配准测度到达阈值时的空间位置参数即为DRR图像在模拟X射线的空间定位参数。
步骤S240，取DRR图像与术中的核磁共振图像相似度最大时的欧拉转换参数作为将术前的CT图像数据转换到核磁共振图像的坐标转换参数。
在本实施例中，当DRR图像与术中的核磁共振图像相似度最大时，可以认为欧拉转换的参数对应的就是术中的核磁共振图像与术前的CT图像的坐标转换矩阵。
步骤S250，根据所述坐标转换参数结合所述术前CT图像和术中的核磁共振图像进行手术导航。
在本实施例中，根据术前CT图像建立的三维图像和术中的核磁共振图像根据空间匹配关系像融合后，能够获得全面显示骨骼和软组织的图像。在获得信息全面的图像后，根据空间坐标关系指引控制机械臂完成介入式治疗，完成治疗导航过程。
上述方法能够提供术前规划、教学训练和机械臂辅助完成治疗。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种多模态图像配准方法，包括以下步骤：
将参考图像和待配准图像按照第一采样比例进行采样获取具有第一分辨率的参考图像和待配准图像；
采用B样条曲面作为变形模型对所述具有第一分辨率的参考图像和待配准图像进行配准、计算配准测度并获得第一配准参数；
增大采样比例重复上述步骤直至配准测度达到预设阈值；其中，每次增大采样比例后进行配准时均以上一次的配准参数为初始配准参数。
2.根据权利要求1所述的多模态图像配准方法，其特征在于，所述对参考图像和待配准图像按照采样比例进行采样的步骤具体包括：
将所述参考图像和待配准图像的像素灰度值进行归一化；
以采样比例对256个灰度级进行采样。
3.根据权利要求1所述的多模态图像配准方法，其特征在于，采样及配准的步骤重复1次，其中，根据参考图像及待配准图像的分辨率设置第一采样比例及重复采样比例。
4.根据权利要求1至3任意一项所述的多模态图像配准方法，其特征在于，采样的方法采用如下方式之一：随机采样、等间隔采样以及金字塔分层采样。
5.根据权利要求3所述的多模态图像配准方法，其特征在于，针对配准优化算法采用梯度下降算法，设置第一采样及重复采样的搜索步长、收敛条件中的松弛因子、最大迭代次数、B样条曲面大小。
6.根据权利要求1所述的多模态图像配准方法，其特征在于，所述计算配准测度的步骤中：
采用归一化的互信息值作为配准测度。
7.根据权利要求1所述的多模态图像配准方法，其特征在于，配准测度达到预设阈值时，将所述参考图像与待配准图像进行绝对配准，其中在绝对配准中定义B样条控制网格。
8.一种基于多模态图像配准的手术导航方法，用于根据术前CT图像建立的三维图像和术中的核磁共振图像进行配准后的手术导航，包括如下步骤：
采用数字影像重建技术对术前CT图像进行重建得到DRR图像；
将DRR图像与术中的核磁共振图像进行配准并不断改变DRR图像在模拟X射线成像设备中的空间位置参数，获得空间位置参数不同时的配准测度；
通过优化算法搜索出配准测度到达阈值时的空间位置参数即为DRR图像在模拟X射线中的空间定位参数；
取DRR图像与术中的核磁共振图像相似度最大时的欧拉转换参数作为将术前的CT图像数据转换到核磁共振图像的坐标转换参数；
根据所述坐标转换参数结合所述术前CT图像和术中的核磁共振图像进行手术导航；
其中，所述将DRR图像与术中的核磁共振图像进行配准的步骤包括：
对DRR图像和术中的核磁共振图像按照第一采样比例进行采样获取具有第一分辨率的DRR图像和术中的核磁共振图像；
采用B样条曲面作为变形模型对所述具有第一分辨率的DRR图像和术中的核磁共振图像进行配准、计算配准测度并获得第一配准参数；
增大采样比例重复上述配准步骤直至配准测度达到预设阈值；其中，每次增大采样比例后进行配准时均以上一次的配准参数为初始配准参数。
9.根据权利要求8所述的基于多模态图像配准的手术导航方法，其特征在于，所述对DRR图像和术中的核磁共振图像按照第一采样比例进行采样获取具有第一分辨率的DRR图像和术中的核磁共振图像的步骤具体包括：
将所述DRR图像和术中的核磁共振图像的像素灰度值进行归一化；
以所述第一采样比例对256个灰度级进行采样。
10.根据权利要求8所述的基于多模态图像配准的手术导航方法，其特征在于，采样及配准的步骤重复1次，其中，根据参考图像及待配准图像的分辨率设置第一采样比例及重复采样比例。
11.根据权利要求10所述的基于多模态图像配准的手术导航方法，其特征在于，针对配准优化算法采用梯度下降算法，设置第一采样及重复采样的搜索步长、收敛条件中的松弛因子、最大迭代次数、B样条曲面大小。
12.根据权利要求8所述的基于多模态图像配准的手术导航方法，其特征在于，所述计算配准测度的步骤中：
采用归一化的互信息值作为配准测度。
13.根据权利要求8所述的基于多模态图像配准的手术导航方法，其特征在于，配准测度达到预设阈值时，将所述DRR图像和术中的核磁共振图像进行绝对配准，其中在绝对配准中定义B样条控制网格。
14.根据权利要求8所述的基于多模态图像配准的手术导航方法，其特征在于，所述根据所述坐标转换参数结合所述术前CT图像和术中的核磁共振图像进行手术导航的步骤包括：
将相似度最大的术前的CT图像和术中的核磁共振图像根据空间匹配关系进行图像融合，并根据所述融合后的图像获取手术导航路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110444772.0A CN102592137B (zh) | 2011-12-27 | 2011-12-27 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110444772.0A CN102592137B (zh) | 2011-12-27 | 2011-12-27 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102592137A true CN102592137A (zh) | 2012-07-18 |
| CN102592137B CN102592137B (zh) | 2014-07-02 |
Family
ID=46480747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110444772.0A Active CN102592137B (zh) | 2011-12-27 | 2011-12-27 | 多模态图像配准方法及基于多模态图像配准的手术导航方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102592137B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020976A (zh) * | 2012-12-31 | 2013-04-03 | 中国科学院合肥物质科学研究院 | 一种基于带权模糊互信息的三维医学图像配准方法及*** |
| CN103345774A (zh) * | 2013-07-17 | 2013-10-09 | 中国人民解放军第三军医大学 | 一种三维多尺度矢量化的建模方法 |
| CN103479397A (zh) * | 2013-10-15 | 2014-01-01 | 哈尔滨工业大学 | 基于松弛算法的彩色超声参数化血流信号提取方法 |
| CN106204561A (zh) * | 2016-07-04 | 2016-12-07 | 西安电子科技大学 | 基于混合模型的***多模态图像非刚性配准方法 |
| CN107742099A (zh) * | 2017-09-30 | 2018-02-27 | 四川云图睿视科技有限公司 | 一种基于全卷积网络的人群密度估计、人数统计的方法 |
| CN109767458A (zh) * | 2018-12-21 | 2019-05-17 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
| CN109767461A (zh) * | 2018-12-28 | 2019-05-17 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
| CN110223220A (zh) * | 2019-06-14 | 2019-09-10 | 北京百度网讯科技有限公司 | 一种处理图像的方法和装置 |
| CN110415279A (zh) * | 2019-06-25 | 2019-11-05 | 北京全域医疗技术集团有限公司 | 图像配准方法、装置及设备 |
| CN110473233A (zh) * | 2019-07-26 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
| CN112348082A (zh) * | 2020-11-06 | 2021-02-09 | 上海依智医疗技术有限公司 | 深度学习模型构建方法、影像处理方法及可读存储介质 |
| CN112581606A (zh) * | 2020-12-25 | 2021-03-30 | 江苏集萃复合材料装备研究所有限公司 | 一种脊柱椎弓根螺钉植入手术导航方法 |
| WO2023283795A1 (en) * | 2021-07-12 | 2023-01-19 | Shanghaitech University | Method for high-resolution image reconstruction |
| CN116071401A (zh) * | 2023-01-28 | 2023-05-05 | 中日友好医院(中日友好临床医学研究所) | 基于深度学习的虚拟ct图像的生成方法及装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529188B (zh) * | 2016-11-25 | 2019-04-19 | 苏州国科康成医疗科技有限公司 | 应用于手术导航的图像处理方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1975781A (zh) * | 2006-11-29 | 2007-06-06 | 南方医科大学 | 基于有限采样全局优化的图像弹性配准方法 |
-
2011
- 2011-12-27 CN CN201110444772.0A patent/CN102592137B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1975781A (zh) * | 2006-11-29 | 2007-06-06 | 南方医科大学 | 基于有限采样全局优化的图像弹性配准方法 |
Non-Patent Citations (5)
| Title |
|---|
| 《黑龙江大学工程学报》 20110228 金英 《优化的CT图像配准方法的研究与比较》 93-95页 1-14 第2卷, 第1期 * |
| 庞皓文等: "《基于B样条的弹性配准在放疗CT图像间配准的应用》", 《中国医学物理学杂志》, vol. 28, no. 5, 30 September 2011 (2011-09-30), pages 2887 - 2889 * |
| 张红颖等: "《基于层次B样条的医学图像弹性配准方法》", 《天津大学学报》, 31 January 2007 (2007-01-31), pages 37 - 38 * |
| 杨劲，卓彦，陈霖: "《多分辨率的自动MRI图像配准》", 《四川联合大学学报（工程科学版）》, vol. 2, no. 3, 31 May 1998 (1998-05-31), pages 68 - 77 * |
| 金英: "《优化的CT图像配准方法的研究与比较》", 《黑龙江大学工程学报》, vol. 2, no. 1, 28 February 2011 (2011-02-28), pages 93 - 95 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103020976A (zh) * | 2012-12-31 | 2013-04-03 | 中国科学院合肥物质科学研究院 | 一种基于带权模糊互信息的三维医学图像配准方法及*** |
| CN103345774A (zh) * | 2013-07-17 | 2013-10-09 | 中国人民解放军第三军医大学 | 一种三维多尺度矢量化的建模方法 |
| CN103345774B (zh) * | 2013-07-17 | 2015-08-05 | 中国人民解放军第三军医大学 | 一种三维多尺度矢量化的建模方法 |
| CN103479397A (zh) * | 2013-10-15 | 2014-01-01 | 哈尔滨工业大学 | 基于松弛算法的彩色超声参数化血流信号提取方法 |
| CN103479397B (zh) * | 2013-10-15 | 2015-01-07 | 哈尔滨工业大学 | 基于松弛算法的彩色超声参数化血流信号提取方法 |
| CN106204561A (zh) * | 2016-07-04 | 2016-12-07 | 西安电子科技大学 | 基于混合模型的***多模态图像非刚性配准方法 |
| CN106204561B (zh) * | 2016-07-04 | 2019-07-30 | 西安电子科技大学 | 基于混合模型的***多模态图像非刚性配准方法 |
| CN107742099A (zh) * | 2017-09-30 | 2018-02-27 | 四川云图睿视科技有限公司 | 一种基于全卷积网络的人群密度估计、人数统计的方法 |
| CN109767458A (zh) * | 2018-12-21 | 2019-05-17 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
| CN109767458B (zh) * | 2018-12-21 | 2023-01-20 | 西北大学 | 一种半自动分段的顺序优化配准方法 |
| CN109767461B (zh) * | 2018-12-28 | 2021-10-22 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
| CN109767461A (zh) * | 2018-12-28 | 2019-05-17 | 上海联影智能医疗科技有限公司 | 医学影像配准方法、装置、计算机设备和存储介质 |
| CN110223220A (zh) * | 2019-06-14 | 2019-09-10 | 北京百度网讯科技有限公司 | 一种处理图像的方法和装置 |
| CN110415279A (zh) * | 2019-06-25 | 2019-11-05 | 北京全域医疗技术集团有限公司 | 图像配准方法、装置及设备 |
| CN110473233A (zh) * | 2019-07-26 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
| CN110473233B (zh) * | 2019-07-26 | 2022-03-01 | 上海联影智能医疗科技有限公司 | 配准方法、计算机设备和存储介质 |
| CN112348082A (zh) * | 2020-11-06 | 2021-02-09 | 上海依智医疗技术有限公司 | 深度学习模型构建方法、影像处理方法及可读存储介质 |
| CN112581606A (zh) * | 2020-12-25 | 2021-03-30 | 江苏集萃复合材料装备研究所有限公司 | 一种脊柱椎弓根螺钉植入手术导航方法 |
| CN112581606B (zh) * | 2020-12-25 | 2024-03-12 | 江苏集萃复合材料装备研究所有限公司 | 一种脊柱椎弓根螺钉植入手术导航方法 |
| WO2023283795A1 (en) * | 2021-07-12 | 2023-01-19 | Shanghaitech University | Method for high-resolution image reconstruction |
| CN116071401A (zh) * | 2023-01-28 | 2023-05-05 | 中日友好医院(中日友好临床医学研究所) | 基于深度学习的虚拟ct图像的生成方法及装置 |
| CN116071401B (zh) * | 2023-01-28 | 2023-08-01 | 中日友好医院(中日友好临床医学研究所) | 基于深度学习的虚拟ct图像的生成方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102592137B (zh) | 2014-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102592137B (zh) | 多模态图像配准方法及基于多模态图像配准的手术导航方法 | |
| CN111161326B (zh) | 用于可变形图像配准的无监督深度学习的***和方法 | |
| Fischer et al. | A unified approach to fast image registration and a new curvature based registration technique | |
| CN103325143B (zh) | 基于模型匹配的标记点自动注册方法 | |
| JP5584441B2 (ja) | ボリュームデータ間の対応付け方法 | |
| JP4885138B2 (ja) | 一連の画像における動き修正のための方法およびシステム | |
| CN107230223B (zh) | 基于不连续运动的肝部三维多模态图像配准方法 | |
| CN103295234B (zh) | 基于形变表面模型的医学图像分割***及方法 | |
| CN112614169B (zh) | 基于深度学习网络的2d/3d脊椎ct层级配准方法 | |
| CN104268914B (zh) | 一种4d‑ct不同时相序列图像的重建方法 | |
| CN106952285B (zh) | 基于先验统计运动模型及自适应配准的肺部运动估计方法 | |
| CN104867104A (zh) | 基于xct图像非刚度配准的目标鼠解剖结构图谱获取方法 | |
| Ayatollahi et al. | A new hybrid particle swarm optimization for multimodal brain image registration | |
| CN113506331A (zh) | 组织器官的配准方法、装置、计算机设备和存储介质 | |
| AlZu'bi et al. | Transferable HMM probability matrices in multi‐orientation geometric medical volumes segmentation | |
| Noorda et al. | Subject-specific four-dimensional liver motion modeling based on registration of dynamic MRI | |
| Li et al. | Pulmonary CT image registration and warping for tracking tissue deformation during the respiratory cycle through 3D consistent image registration | |
| CN100411587C (zh) | 基于机器学习的立体核磁共振脑图像弹性配准方法 | |
| Zhou et al. | N-net: 3d fully convolution network-based vertebrae segmentation from ct spinal images | |
| Markel et al. | A 4D biomechanical lung phantom for joint segmentation/registration evaluation | |
| CN103985111A (zh) | 一种基于双字典学习的4d-mri超分辨率重构方法 | |
| EP3234917B1 (en) | Method and system for calculating a displacement of an object of interest | |
| Cao et al. | Registration of medical images using an interpolated closest point transform: method and validation | |
| Deligianni et al. | Non-rigid 2d-3d registration with catheter tip em tracking for patient specific bronchoscope simulation | |
| CN108596900A (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201030 Address after: No.6-10, 5th floor, building 1, No.1, Tidu street, Qingyang District, Chengdu, Sichuan 610000 Patentee after: Beijing fish claw Network Technology Co.,Ltd. Chengdu branch Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue Patentee before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES Effective date of registration: 20201030 Address after: 226000 No. 188 Shijiang Road, South District of Shigang Town Industrial Park, Tongzhou District, Nantong City, Jiangsu Province Patentee after: NANTONG KANGSHENG MEDICAL EQUIPMENT Co.,Ltd. Address before: 610000 no.6-10, 5th floor, building 1, Tidu street, Qingyang District, Chengdu City, Sichuan Province 610000 Patentee before: Beijing fish claw Network Technology Co.,Ltd. Chengdu branch |