CN107133975A - 基于瓣膜对齐及概率图的心脏ct‑tee配准方法 - Google Patents
基于瓣膜对齐及概率图的心脏ct‑tee配准方法 Download PDFInfo
- Publication number
- CN107133975A CN107133975A CN201710242632.2A CN201710242632A CN107133975A CN 107133975 A CN107133975 A CN 107133975A CN 201710242632 A CN201710242632 A CN 201710242632A CN 107133975 A CN107133975 A CN 107133975A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- images
- tee
- mtd
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于瓣膜对齐及概率图的心脏CT‑TEE配准方法,主要解决现有技术中心脏CT与TEE图像由于模态差异巨大而难以配准的问题。其实现过程是:分别对CT与TEE图像进行交互式分割并引入心脏瓣膜端点位置,得到分割图像和心脏瓣膜端点位置,将瓣膜的空间位置作为先验信息;基于先验信息对CT和TEE图像进行基础配准;对CT与TEE图像进行区域增强,并对其分割图进行灰度增强,生成CT和TEE图像的概率图;基于概率图的归一化并采用基础配准的变换矩阵作为最终配准中寻优算法的初始参数,对CT和TEE图像进行最终配准。本发明能更精确实现对CT与TEE心脏图像的配准,可用于对心脏解剖结构的识别与跟踪。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种对心脏CT与TEE图像的配准方法,可用于对心脏解剖结构的识别与跟踪。
背景技术
随着医学成像技术以及计算机处理技术的快速发展,医学成像的模态越来越丰富,如CT、MR、PET、SPECT、超声图像等。不同的成像模态之间具有很大的差异性,多模态医学图像配准通过融合不同模态的成像信息,将多种图像进行结合,在同一幅图像上显示多幅图像的成像信息,其目的是将多种多样的信息准确地融合到同一幅图像中,以便能够更精确地从各个角度观察病灶和解剖结构。
根据不同的衡量准则,图像配准有不同的分类方式,例如,根据空间维数的分类、根据变换方式的分类、根据优化算法的分类、根据算法所基于的特征的分类、根据所采用的相似性测度的分类等;根据空间维度,图像配准可分为2D-2D、2D-3D、3D-3D的配准。根据空间变换方式的不同,可以划分为刚体变换和非刚体变换。图像配准中优化算法的选择也是多样的,通常有梯度下降法、牛顿法、Powell法、遗传算法等。医学图像可以提取的特征非常丰富,通常包括特征点、表面纹理、像素强度以及外部特征等。基于特征点的配准是指通过选取在几何上有特别意义的可以定位的特征点集,比如不连续点,图形的转折点,线交叉点、在医学上具有解剖意义的点等,并进行坐标匹配;基于表面的配准是指通过分割的方式提取出图像感兴趣区域的轮廓作为配准的特征空间;基于像素值的配准是指利用整幅图像的像素值或体素值构成特征空间;对于医学图像,基于外部特征的配准是指通过在受检者体内固定标记物或向体内注入显影物质以获得在图像上的确定的标记点。根据所采用的相似性测度的不同,图像配准又可以分为基于互相关的配准、基于互信息的配准等。
由Collignon等提出的互信息法是近几年研究的热点之一,特别是在多模态医学图像配准领域中。在国外,最先利用互信息法进行医学图像配准的是Viola等。之后又有学者在互信息的基础上提出了许多改进算法,Maes等提出了归一化互信息,降低了传统的互信息作为测度函数对两幅配准图像重叠区域的敏感度。Josien提出了一种互信息结合梯度的相似性度量准则GMI,成功应用到了MR、CT、PET等异源图像的配准上。Fan等人将小波变换与互信息结合,成功地应用到可见光图像和红外光图像的配准上。但在心脏CT与TEE图像的配准上,由于两种成像模态在像素值上差异性显著,且心脏TEE图像的边缘和纹理表现模糊,这些医学图像配准方法均难以对其进行精确有效的配准。
发明内容
本发明的目的在于针对CT和TEE图像成像模态的巨大差异性,提出一种基于瓣膜对齐及概率图的心脏CT-TEE配准方法,通过融合这两种成像模态下的结构和纹理信息,实现对心脏CT-TEE图像的精确配准。
为实现上述目的,本发明包括如下步骤:
(1)分别对心脏CT图像IR(x)及TEE图像IF(x)进行交互式分割,得到CT图像IR(x)的分割图,即感兴趣区域GR(x),以及TEE图像IF(x)的分割图,即感兴趣区域GF(x);
(2)在进行交互式分割的同时引入CT图像IR(x)的3个心脏瓣膜端点或中点位置坐标x1r=(i1r,j1r),x2r=(i2r,j2r),x3r=(i3r,j3r),作为CT图像的3个特征点,同时引入TEE图像IF(x)中与CT图像IR(x)的3个特征点对应的心脏瓣膜端点或中点位置坐标x1f=(i1f,j1f),x2f=(i2f,j2f),x3f=(i3f,j3f),作为TEE图像的3个特征点,将CT图像的3个特征点和TEE图像的3个特征点构成3对特征点对,将这3对特征点对作为基础配准的先验信息;
(3)将CT图像IR(x)作为参考图像,将TEE图像IF(x)作为浮动图像,基于瓣膜先验信息,对参考图像和浮动图像进行基础配准,得到基础配准的变换矩阵T1,并得到基础配准结果S1(x);
(4)设定CT图像IR(x)的增强矩阵VR(x),分别对CT图像IR(x)和感兴趣区域GR(x)进行区域增强,得到增强后的CT图像IRh(x)和增强后的感兴趣区域GRh(x),设定TEE图像IF(x)的增强矩阵VF(x),分别对TEE图像IF(x)和感兴趣区域GF(x)进行区域增强,得到增强后的TEE图像IFh(x)和增强后的感兴趣区域GFh(x);
(5)基于区域增强后的CT图像IRh(x)和增强后的感兴趣区域GRh(x),生成CT图像IR(x)的概率图PR(x),基于区域增强后的TEE图像IFh(x)和增强后的感兴趣区域GFh(x),生成TEE图像IF(x)的概率图PF(x);
(6)对(5)中生成的两个概率图PR(x)和PF(x)进行相似性度量,并将(3)中得到的基础配准的变换矩阵T1作为最终配准中寻优算法的初始参数,基于概率图PR(x)和PF(x)的相似性对CT图像IR(x)和TEE图像IF(x)进行最终配准,求得变换矩阵T2,并得到最终配准结果S2(x)。
本发明与现有技术相比具有以下优点:
1、本发明基于实际应用中对瓣膜位置信息的需求,以及TEE图像中瓣膜成像清晰且CT图像中瓣膜位置可见的现实分析,在基础配准中引入了瓣膜的空间位置信息,以此作为先验信息进行特征点匹配,极大地提高了CT与TEE图像配准的有效性;
2、本发明将基础配准得到的变换矩阵作为最终配准中寻优算法Powell的初始参数,避免了Powell算法因为初始参数选择不合适而进入局部最优的问题,提升了局部寻优算法的效率及准确性;
3、本发明基于对感兴趣部位进行区域增强生成概率图,极大的简化了概率图的生成过程,并且将本发明中生成的概率图与归一化互信息相结合,极大的提升了相似性度量的准确性和可靠性;
附图说明
图1是本发明的实现总流程图;
图2是本发明所使用的心脏CT图像,即配准的参考图像;
图3是本发明所使用的心脏TEE图像,即配准的浮动图像;
图4是本发明中基于图2生成的概率图像;
图5是本发明中基于图3生成的概率图像;
图6是本发明对图2与图3进行基础配准后的配准图像;
图7是本发明对图2与图6进行融合后的融合图像;
图8是本发明对图2与图3进行最终配准后的配准图像;
图9是本发明对图2与图8进行融合后的融合图像。
具体实施方式
以下结合附图,对本发明的具体实施方案和效果作进一步的解释和说明:
参照图1,本发明基于瓣膜对齐及概率图互信息的心脏CT-TEE图像配准方法
其实现步骤如下:
步骤1:对输入的心脏CT图像IR(x)和TEE图像IF(x)进行交互式分割。
1a)输入心脏CT图像IR(x),如图2所示,人为地选取CT图像IR(x)中右心房以及主动脉所在的区域,并选取该区域中少量几个目标像素点以及几个背景点,进行数次迭代,得到CT图像的感兴趣区域GR(x);
1b)输入TEE图像IF(x),如图3所示,人为地选取TEE图像IF(x)中右心房以及主动脉所在的区域,并选取该区域中少量几个目标像素点以及几个背景点,进行数次迭代,得到TEE图像的感兴趣区域GF(x)。
步骤2:获得心脏瓣膜先验信息。
2a)在交互式分割的同时,引入CT图像IR(x)的3个心脏瓣膜端点或中点位置坐标x1r=(i1r,j1r),x2r=(i2r,j2r),x3r=(i3r,j3r),作为CT图像的3个特征点,同时引入TEE图像IF(x)中与CT图像IR(x)的3个特征点对应的心脏瓣膜端点或中点位置坐标x1f=(i1f,j1f),x2f=(i2f,j2f),x3f=(i3f,j3f),作为TEE图像的3个特征点;
2b)根据心脏瓣膜可以分为二尖瓣、三尖瓣、主动脉瓣或肺动脉瓣的特性,用CT图像的3个特征点与TEE图像的3个特征点构成3对特征点对,并将这3对特征点对作为瓣膜先验信息。
步骤3:对CT图像IR(x)和TEE图像IF(x)进行基础配准。
3a)将CT图像IR(x)作为参考图像,将TEE图像IF(x)作为浮动图像;
3b)基于瓣膜先验信息,即基于参考图像的3个特征点的位置坐标x1r=(i1r,j1r),x2r=(i2r,j2r),x3r=(i3r,j3r)和浮动图像的3个特征点的位置坐标x1f=(i1f,j1f),x2f=(i2f,j2f),x3f=(i3f,j3f),按如下公式求得3对特征点对的坐标变换矩阵T1:
3c)基于变换矩阵T1,对浮动图像进行仿射变换,并通过三次插值得到基础配准结果S1(x):S1(x)=T1×IF(x),如图6所示,将图2与图6融合,得到融合图,如图7所示,从图7可以看出,经过基础配准后,参考图像图2与浮动图像图3在物理位置上得到了大致的匹配。
步骤4:对CT图像IR(x)和其感兴趣区域GR(x)进行区域增强。
4a)根据CT图像IR(x)的像素分布设定增强矩阵VR(x):
设定VR(x)的大小与CT图像IR(x)的大小一致,并将VR(x)中与感兴趣区域坐标一致的点均设为一个大于0的固定值,本发明中设定的是80,其余位置的点均设为0;
4b)对CT图像IR(x)和感兴趣区域GR(x)进行灰度增强,得到增强后的CT图像IRh(x)和增强后的感兴趣区域GRh(x):
IRh(x)=IR(x)+VR(x)
GRh(x)=GR(x)+VR(x)。
步骤5:对TEE图像IF(x)和其感兴趣区域GF(x)进行区域增强。
5a)根据TEE图像IF(x)的像素分布设定增强矩阵VF(x):
设定VF(x)的大小与TEE图像IF(x)的大小一致,并将VF(x)中与感兴趣区域坐标一致的点均设为一个大于0的固定值,本发明中设定为80,其余位置的点均设为0;
5b)对TEE图像IF(x)和其感兴趣区域GF(x)进行灰度增强,得到增强后的TEE图像IFh(x)和增强后的感兴趣区域GFh(x):
IFh(x)=IF(x)+VF(x)
GFh(x)=GF(x)+VF(x)。
步骤6:生成CT图像IR(x)的概率图PR(x)。
6a)基于步骤4得到的区域增强后的CT图像IRh(x)和增强后的感兴趣区域GRh(x),生成经过区域增强后的CT图像IRh(x)关于增强后感兴趣区域GRh(x)的概率密度函数:
该概率密度函数相当于一个概率检索表,当输入某个像素点时,输出即为该像素点可能位于感兴趣区域中的概率值;
6b)将区域增强后的CT图像IRh(x)作为概率密度函数fR(i)的输入,得到CT图像IR(x)的概率图PR(x):PR(x)=fR(x),x∈IRh(x),如图4所示。
步骤7:生成TEE图像IF(x)的概率图PF(x)。
7a)基于步骤5得到的区域增强后的TEE图像IFh(x)和增强后的感兴趣区域GFh(x),生成经过区域增强后的TEE图像IFh(x)关于增强后感兴趣区域GFh(x)的概率密度函数:
7b)将区域增强后的TEE图像IFh(x)作为概率密度函数fF(i)的输入,得到TEE图像IF(x)的概率图PF(x):PF(x)=fF(x),x∈IFh(x),如图5所示。
步骤8:对CT图像IR(x)和TEE图像IF(x)进行最终配准。
8a)对概率图PR(x)和PF(x)进行相似性度量
相似性度量准则可以是互信息、归一化互信息、互相关、梯度互信息等,本发明采用的是归一化互信息,其求解过程如下:
8a1)求出图像IR(x)的概率图PR(x)的熵HR(x)和图像IF(x)的概率图PF(x)的熵
HF(x):
其中,P(PR(x))为概率图PR(x)的概率密度函数,P(PF(x))为概率图PF(x)的概率密度函数;
8a2)求出概率图PR(x)和PF(x)的联合熵HR,F(x):
其中,P(PR(x),PF(x))为概率图PR(x)和PF(x)的联合概率密度函数;
8a3)得到概率图PR(x)和PF(x)的归一化互信息NMPI:
8b)对概率图PR(x)和PF(x)的归一化互信息NMPI进行寻优
寻优算法的种类很多,如粒子群算法、模拟退火算法、蚁群算法、梯度下降法、Powell法,本发明中采用的是Powell法,具体实现过程如下:
8b1)将基础配准的变换矩阵T1作为Powell法的初始参数;
8b2)通过Powell法寻优得到当概率图PR(x)和PF(x)的归一化互信息NMPI最大时的坐标变换矩阵T2,通过对TEE图像IF(x)进行坐标变换得到最终配准结果S2(x):S2(x)=T2×IF(x),如图8所示,将图2与图8进行融合,得到融合图,如图9所示。
从图9可以看出来,经过最终配准后,参考图像图2与浮动图像图3得到了精准的配准效果。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于瓣膜对齐及概率图的心脏CT-TEE图像配准,包括:
(1)分别对心脏CT图像IR(x)及TEE图像IF(x)进行交互式分割,得到CT图像IR(x)的感兴趣区域GR(x)和TEE图像IF(x)的感兴趣区域GF(x);
(2)在进行交互式分割的同时引入CT图像IR(x)的3个心脏瓣膜端点或中点位置坐标x1r=(i1r,j1r),x2r=(i2r,j2r),x3r=(i3r,j3r),作为CT图像的3个特征点,同时引入TEE图像IF(x)中与CT图像IR(x)的3个特征点对应的心脏瓣膜端点或中点位置坐标x1f=(i1f,j1f),x2f=(i2f,j2f),x3f=(i3f,j3f),作为TEE图像的3个特征点,将CT图像的3个特征点和TEE图像的3个特征点构成3对特征点对,将这3对特征点对作为基础配准的先验信息;
(3)将CT图像IR(x)作为参考图像,将TEE图像IF(x)作为浮动图像,基于瓣膜先验信息,对参考图像和浮动图像进行基础配准,得到基础配准的变换矩阵T1,并得到基础配准结果S1(x);
(4)设定CT图像IR(x)的增强矩阵VR(x),分别对CT图像IR(x)和感兴趣区域GR(x)进行区域增强,得到增强后的CT图像IRh(x)和增强后的感兴趣区域GRh(x),设定TEE图像IF(x)的增强矩阵VF(x),分别对TEE图像IF(x)和感兴趣区域GF(x)进行区域增强,得到增强后的TEE图像IFh(x)和增强后的感兴趣区域GFh(x);
(5)基于区域增强后的CT图像IRh(x)和增强后的感兴趣区域GRh(x),生成CT图像IR(x)的概率图PR(x),基于区域增强后的TEE图像IFh(x)和增强后的感兴趣区域GFh(x),生成TEE图像IF(x)的概率图PF(x);
(6)对(5)中生成的两个概率图PR(x)和PF(x)进行相似性度量,并将(3)中得到的基础配准的变换矩阵T1作为最终配准中寻优算法的初始参数,基于概率图PR(x)和PF(x)的相似性对CT图像IR(x)和TEE图像IF(x)进行最终配准,求得变换矩阵T2,并得到最终配准结果S2(x)。
2.根据权利要求1所述的方法,其中步骤(3)所述的对参考图像和浮动图像进行基础配准,按如下步骤进行:
(3.1)基于步骤(2)中引入的3个CT图像IR(x)的特征点坐标x1r=(i1r,j1r),x2r=(i2r,j2r),x3r=(i3r,j3r)和3个TEE图像IF(x)的特征点坐标x1f=(i1f,j1f),x2f=(i2f,j2f),x3f=(i3f,j3f)的坐标对应关系,按如下公式求得坐标变换的变换矩阵T1:
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>i</mi>
<mrow>
<mn>1</mn>
<mi>r</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>j</mi>
<mrow>
<mn>1</mn>
<mi>r</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>i</mi>
<mrow>
<mn>2</mn>
<mi>r</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>j</mi>
<mrow>
<mn>2</mn>
<mi>r</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>i</mi>
<mrow>
<mn>3</mn>
<mi>r</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>j</mi>
<mrow>
<mn>3</mn>
<mi>r</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>i</mi>
<mrow>
<mn>1</mn>
<mi>f</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>j</mi>
<mrow>
<mn>1</mn>
<mi>f</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>i</mi>
<mrow>
<mn>2</mn>
<mi>f</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>j</mi>
<mrow>
<mn>2</mn>
<mi>f</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>i</mi>
<mrow>
<mn>3</mn>
<mi>f</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>j</mi>
<mrow>
<mn>3</mn>
<mi>f</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
(3.2)基于变换矩阵T1对浮动图像进行仿射变换,求得基础配准的结果S1(x):
S1(x)=T1×IF(x)。
3.根据权利要求1所述的方法,其中步骤(4)中设定CT图像IR(x)的增强矩阵VR(x),是按CT图像IR(x)的大小设定VR(x)的大小与其一致,并将VR(x)中与感兴趣区域坐标一致的点均设为一个大于0的固定值,其余位置的点均设为0。
4.根据权利要求1所述的方法,其中步骤(4)中分别对CT图像IR(x)和感兴趣区域GR(x)进行区域增强,通过如下公式进行:
IRh(x)=IR(x)+VR(x)
GRh(x)=GR(x)+VR(x)
其中IRh(x)为增强后的CT图像,GRh(x)为增强后的感兴趣区域。
5.根据权利要求1所述的方法,其中步骤(4)中设定TEE图像IF(x)的增强矩阵VF(x),是按TEE图像IF(x)的大小设定VF(x)的大小与其一致,并将VF(x)中与感兴趣区域坐标一致的点均设为一个大于0的固定值,其余位置的点均设为0。
6.根据权利要求1所述的方法,其中步骤(4)中分别对TEE图像IF(x)和感兴趣区域GF(x)进行区域增强,通过如下公式进行:
IFh(x)=IF(x)+VF(x)
GFh(x)=GF(x)+VF(x)
其中IFh(x)为增强后的TEE图像,GFh(x)为增强后的感兴趣区域。
7.根据权利要求1所述的方法,其中步骤(5)中基于区域增强后的CT图像IRh(x)和增强后的感兴趣区域GRh(x),生成CT图像IR(x)的概率图PR(x),按如下步骤进行:
(5.1)生成经过区域增强后的CT图像IRh(x)关于增强后感兴趣区域GRh(x)的概率密度函数fR(i):
(5.2)将区域增强后的CT图像IRh(x)作为概率密度函数fR(i)的输入,得到CT图像IR(x)的概率图PR(x):
PR(x)=fR(x),x∈IRh(x)。
8.根据权利要求1所述的方法,其中步骤(5)中基于区域增强后的TEE图像IFh(x)和增强后的感兴趣区域GFh(x),生成TEE图像IF(x)的概率图PF(x),按如下步骤进行:
(5.3)生成经过区域增强后的TEE图像IFh(x)关于增强后感兴趣区域GFh(x)的概率密度函数fF(i):
(5.4)将区域增强后的TEE图像IFh(x)作为概率密度函数fF(i)的输入,得到TEE图像IF(x)的概率图PF(x):
PF(x)=fF(x),x∈IFh(x)。
9.根据权利要求1所述的方法,其中步骤(6)中对(5)中生成的两个概率图PR(x)和PF(x)进行相似性度量,按如下步骤进行:
(6.1)采用归一化互信息作为概率图PR(x)和PF(x)的相似性度量准则;
(6.2)求出图像IR(x)的概率图PR(x)的熵HR(x)和图像IF(x)的概率图PF(x)的熵HF(x):
<mrow>
<msub>
<mi>H</mi>
<mi>R</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>R</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>R</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>log</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>R</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mi>F</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>F</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>F</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>log</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>F</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,P(PR(x))为概率图PR(x)的概率密度函数,P(PF(x))为概率图PF(x)的概率密度函数;
(6.3)求出概率图PR(x)和PF(x)的联合熵HR,F(x):
<mrow>
<msub>
<mi>H</mi>
<mrow>
<mi>R</mi>
<mo>,</mo>
<mi>F</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>R</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>F</mi>
<mi>h</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>R</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>F</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>log</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>R</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>F</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,P(PR(x),PF(x))为概率图PR(x)和PF(x)的联合概率密度函数;
(6.4)根据概率图PR(x)的熵HR(x)、概率图PF(x)的熵HF(x)、概率图PR(x)和概率图PF(x)的联合熵HR,F(x),得到两个概率图PR(x)和PF(x)的归一化互信息NMPI为:
<mrow>
<mi>N</mi>
<mi>M</mi>
<mi>P</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>H</mi>
<mi>R</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>H</mi>
<mi>F</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mrow>
<mi>R</mi>
<mo>,</mo>
<mi>F</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
10.根据权利要求1所述的方法,其中步骤(6)中将(3)中基于概率图PR(x)和PF(x)的相似性对CT图像IR(x)和TEE图像IF(x)进行最终配准,按如下步骤进行:
(6.5)将基础配准的变换矩阵T1作为Powell法的初始参数;
(6.6)通过Powell法寻优得到当概率图PR(x)和PF(x)的归一化互信息NMPI最大时的坐标变换矩阵T2,通过对TEE图像IF(x)进行坐标变换得到最终配准结果S2(x):
S2(x)=T2×IF(x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710242632.2A CN107133975B (zh) | 2017-04-14 | 2017-04-14 | 基于瓣膜对齐及概率图的心脏ct-tee配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710242632.2A CN107133975B (zh) | 2017-04-14 | 2017-04-14 | 基于瓣膜对齐及概率图的心脏ct-tee配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133975A true CN107133975A (zh) | 2017-09-05 |
CN107133975B CN107133975B (zh) | 2019-07-23 |
Family
ID=59714950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710242632.2A Active CN107133975B (zh) | 2017-04-14 | 2017-04-14 | 基于瓣膜对齐及概率图的心脏ct-tee配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133975B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492269A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
CN109377520A (zh) * | 2018-08-27 | 2019-02-22 | 西安电子科技大学 | 基于半监督循环gan的心脏图像配准***及方法 |
CN109934861A (zh) * | 2019-01-22 | 2019-06-25 | 广东工业大学 | 一种头颈部多模态医学图像自动配准方法 |
CN110310314A (zh) * | 2019-03-26 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999938A (zh) * | 2011-03-09 | 2013-03-27 | 西门子公司 | 多模态体积图像的基于模型的融合的方法和*** |
CN103284758A (zh) * | 2013-05-20 | 2013-09-11 | 上海交通大学 | 心脏二尖瓣瓣环的自动检测方法 |
CN105849773A (zh) * | 2013-12-17 | 2016-08-10 | 皇家飞利浦有限公司 | 解剖结构的基于模型的分割 |
-
2017
- 2017-04-14 CN CN201710242632.2A patent/CN107133975B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999938A (zh) * | 2011-03-09 | 2013-03-27 | 西门子公司 | 多模态体积图像的基于模型的融合的方法和*** |
CN103284758A (zh) * | 2013-05-20 | 2013-09-11 | 上海交通大学 | 心脏二尖瓣瓣环的自动检测方法 |
CN105849773A (zh) * | 2013-12-17 | 2016-08-10 | 皇家飞利浦有限公司 | 解剖结构的基于模型的分割 |
Non-Patent Citations (1)
Title |
---|
PENCILLA LANG: "Surface-Based CT–TEE Registration", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492269A (zh) * | 2018-03-23 | 2018-09-04 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
CN108492269B (zh) * | 2018-03-23 | 2021-06-25 | 西安电子科技大学 | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 |
CN109377520A (zh) * | 2018-08-27 | 2019-02-22 | 西安电子科技大学 | 基于半监督循环gan的心脏图像配准***及方法 |
CN109377520B (zh) * | 2018-08-27 | 2021-05-04 | 西安电子科技大学 | 基于半监督循环gan的心脏图像配准***及方法 |
CN109934861A (zh) * | 2019-01-22 | 2019-06-25 | 广东工业大学 | 一种头颈部多模态医学图像自动配准方法 |
CN109934861B (zh) * | 2019-01-22 | 2022-10-18 | 广东工业大学 | 一种头颈部多模态医学图像自动配准方法 |
CN110310314A (zh) * | 2019-03-26 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN110310314B (zh) * | 2019-03-26 | 2022-01-25 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107133975B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tran et al. | Extreme 3D Face Reconstruction: Seeing Through Occlusions. | |
Dundar et al. | Domain stylization: A strong, simple baseline for synthetic to real image domain adaptation | |
Yuan | Hierarchical convolutional-deconvolutional neural networks for automatic liver and tumor segmentation | |
US11922634B2 (en) | Establishing a contour of a structure based on image information | |
US8270696B2 (en) | Image slice segmentation using midpoints of contour anchor points | |
US8379957B2 (en) | System and method for segmentation of anatomical structures in MRI volumes using graph cuts | |
US20110188715A1 (en) | Automatic Identification of Image Features | |
CN107133975A (zh) | 基于瓣膜对齐及概率图的心脏ct‑tee配准方法 | |
CN109377520A (zh) | 基于半监督循环gan的心脏图像配准***及方法 | |
CN113516659A (zh) | 一种基于深度学习的医学影像自动分割方法 | |
JP2009517163A (ja) | 画像内の参照構造に関連付けられた構造をセグメント化する方法、システム及びコンピュータ・プログラム | |
Ge et al. | Unsupervised histological image registration using structural feature guided convolutional neural network | |
Cai et al. | Accurate weakly supervised deep lesion segmentation on CT scans: Self-paced 3D mask generation from RECIST | |
Dahiya et al. | Integrated 3D anatomical model for automatic myocardial segmentation in cardiac CT imagery | |
Jiang et al. | One shot PACS: Patient specific Anatomic Context and Shape prior aware recurrent registration-segmentation of longitudinal thoracic cone beam CTs | |
Jia et al. | Directed graph based image registration | |
Vittikop et al. | Automatic segmentation of MRI images for brain tumor using unet | |
CN107729863A (zh) | 人体指静脉识别方法 | |
Hognon et al. | Contrastive image adaptation for acquisition shift reduction in medical imaging | |
Dong et al. | Learning stratified 3D reconstruction | |
CN112598669B (zh) | 一种基于数字人技术的肺叶分割方法 | |
Lin et al. | Usformer: a light neural network for left atrium segmentation of 3d lge mri | |
Zhang et al. | A hybrid deep feature-based deformable image registration method for pathological images | |
Veeraraghavan et al. | Nested-block self-attention for robust radiotherapy planning segmentation | |
Schwarz et al. | Multiobject segmentation using coupled shape space models |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20171219 Address after: Xi'an City, Shaanxi province Taibai Road 710071 No. 2 Applicant after: Xidian University Applicant after: Guangdong Prov. Cardiovascular disease Inst. Address before: Taibai Road Shaanxi Yanta District 710071 city of Xi'an province No. 2 Applicant before: Xidian University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |