CN109754396A - 图像的配准方法、装置、计算机设备和存储介质 - Google Patents
图像的配准方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109754396A CN109754396A CN201811637721.8A CN201811637721A CN109754396A CN 109754396 A CN109754396 A CN 109754396A CN 201811637721 A CN201811637721 A CN 201811637721A CN 109754396 A CN109754396 A CN 109754396A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- floating
- reference picture
- anatomic landmarks
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种图像的配准方法、装置、计算机设备和存储介质。获取待配准的参考图像和浮动图像;对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。该方法解决了现有技术中只能基于单一的语义信息对参考图像和浮动图像进行配准的局限性,大大提高了图像配准的适用范围。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像的配准方法、装置、计算机设备和存储介质。
背景技术
图像配准可以实现将不同时间、不同成像设备或不同条件下获取的两幅或多幅图像进行匹配和叠加,比如可以对电子计算机断层扫描(Computed Tomography,CT)图像和正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET)图像等图像进行匹配和叠加,以在同一图像上显示参与配准的CT图像的信息和PET图像的信息,为临床医学诊断提供较好的辅助作用,是图像处理领域中的一项关键技术。
传统技术中,如果感兴趣区域(Region Of Interest,ROI)为不规则区域,则提取待配准图像中的不规则区域,并基于该不规区域进行配准;如果ROI为关键点,则提取待配准图像中的关键点,并基于该关键点进行配准。
但是,传统技术中在进行图像配准时,只能基于单个语义信息比如不规则区域或关键点等对待配准图像进行配准,导致传统的配准方法的适用范围较低。
发明内容
基于此,有必要针对传统技术只能基于单个语义信息比如不规则区域或关键点等对待配准图像进行配准,导致传统的配准方法的适用范围较低的问题,提供一种图像配准的方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种图像配准方法,该方法可以包括:
获取待配准的参考图像和浮动图像;
对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
在其中一个实施例中,所述语义信息包括:所述浮动图像的分割区域和解剖学标记点中的至少一个,以及所述参考图像的割区域和解剖学标记点中的至少一个;所述预设的图像配准模型包括基于分割的图像配准模型和基于解剖学标记点的配准模型。
在其中一个实施例中,当所述目标图像配准模型为所述基于解剖学标记点的配准模型时,所述根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准,包括:
获取所述标记参考图像的待配准参考解剖学标记点集和所述标记浮动图像的待配准浮动解剖学标记点集;
根据所述待配准参考解剖学标记点集、所述待配准浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准。
在其中一个实施例中,所述根据所述待配准参考解剖学标记点集、所述待配准浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准,包括:
根据所述待配准参考解剖学标记点集和所述待配准浮动解剖学标记点集中各个标记点的名称的匹配结果,确定标记点交集;
根据所述标记点交集,从所述待配准参考解剖学标记点集和所述待配准浮动解剖学标记点集中分别确定初始参考解剖学标记点集和初始浮动解剖学标记点集;
根据所述初始参考解剖学标记点集、所述初始浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准。
在其中一个实施例中,当所述目标图像配准模型为所述基于分割的图像配准模型时,则所述根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准,包括:
获取所述标记参考图像对应的分割参考图像和所述浮动图像对应的分割浮动图像;
根据所述分割参考图像、所述分割浮动图像和所述基于分割的图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
在其中一个实施例中,所述方法还包括:
获取对所述参考图像和所述浮动图像进行图像配准后的配准结果;
根据所述配准结果和预设的图像整合模型,对所述配准结果进行图像整合。
在其中一个实施例中,在所述对所述参考图像和所述浮动图像进行图像配准后,所述方法还包括:
获取所述目标变换矩阵;
根据所述目标变换矩阵、对所述参考图像进行下采样操作后得到的下采样参考图像和对所述浮动图像进行下采样操作后得到的下采样浮动图像,确定所述下采样参考图像和所述下采样浮动图像对应的变换后的浮动图像之间的相似性度量值;
对所述目标变换矩阵进行平移操作、旋转操作、倾斜操作和缩放操作中的至少一个操作,提取所述目标变换矩阵对应的初始参数;
根据所述相似性度量值、所述初始参数和预设的梯度下降法,确定目标参数。
第二方面,本申请实施例提供一种图像配准装置,该装置可以包括:
第一获取模块,用于获取待配准的参考图像和浮动图像;
第一提取模块,用于对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
第一确定模块,用于根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
配准模块,用于根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
第三方面,本申请实施例提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时如下步骤:
获取待配准的参考图像和浮动图像;
对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
第四方面,本申请实施例提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
获取待配准的参考图像和浮动图像;
对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
本实施例提供的图像配准方法、装置、计算机设备和可读存储介质中,计算机设备可以获取待配准的参考图像和浮动图像;并对参考图像和浮动图像进行语义信息的提取,得到包括语义信息的标记参考图像和标记浮动图像;进而根据语义信息,从预设的图像配准模型中确定标记参考图像和标记浮动图像分别对应的目标图像配准模型;最终根据语义信息和目标图像配准模型,对标记参考图像和标记浮动图像进行图像配准。本实施例中,计算机设备可以先提取参考图像和浮动图像的语义信息,从而根据不同的语义信息,采用不同的目标图像配准模型对参考图像和浮动图像进行配准,以完成包括多种语义信息的参考图像和浮动图像的配准,解决了现有技术中只能基于单一的语义信息对参考图像和浮动图像进行配准的局限性,大大提高了图像配准的适用范围。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图2为一个实施例提供的图像配准方法流程示意图;
图3为另一个实施例提供的图像配准方法流程示意图;
图4为又一个实施例提供的图像配准方法流程示意图;
图5为又一个实施例提供的图像配准方法流程示意图;
图6为又一个实施例提供的图像配准方法流程示意图;
图7为一个实施例提供的图像配准装置结构示意图;
图8为另一个实施例提供的图像配准装置结构示意图;
图9为又一个实施例提供的图像配准装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的图像配准方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过***总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机(personal computer,PC),还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑(portable android device,PAD)、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
需要说明的是,本申请实施例提供的图像配准方法,其执行主体可以是图像配准装置,该图像配准装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
图2为一个实施例提供的图像配准方法流程示意图。本实施例涉及的是计算机设备根据对参考图像和浮动图像进行提取的语义信息确定图像配准模型,并对参考图像和浮动图像进行图像配准的实现过程。如图2所示,该方法可以包括:
S202,获取待配准的参考图像和浮动图像。
具体的,参考图像和浮动图像可以是同模态的图像,也可以是异模态的图像,比如,参考图像和浮动图像可以均为CT图像,也可以一个是CT图像,另一个是PET图像。可选的,计算机设备可以对获得的两幅或多幅图像进行配准,比如将其中一幅图像作为参考图像,其它图像作为浮动图像,将浮动图像映射到参考图像,以实现参考图像与浮动图像在解剖学结构下的对齐。可选的,参考图像和浮动图像可以是同一个体的图像,也可以是不同个体的图像,可以是包含的解剖学结构均相同的图像,也可以是包含部分相同的解剖学结构的图像,本实施例对参考图像和浮动图像的来源并不做限定。可选的,参考图像和浮动图像可以是二维图像,也可以是三维图像,本实施例对此并不做具体限定。
S204,对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像。
具体的,计算机设备获取到输入的参考图像和浮动图像后,可以根据预设的已训练好的神经网络模型对参考图像和浮动图像中的语义信息进行提取,比如,如果检测到肺部对应的区域,计算机设备可以就把肺部对应的区域分割出来,从而提取出肺部对应的语义信息:如果检测到骨骼,就用标记点将骨骼对应的位置标记出来,从而提到骨骼对应的语义信息:解剖学标记点。计算机设备利用预设的神经网络模型对参考图像和浮动图像进行语言信息提取后,可以得到包含提取的语义信息的标记参考图像和标记浮动图像。
S206,根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型。
具体的,上述图像配准模型为用于对提取语义信息后得到的标记参考图像和标记浮动图像进行配准的模型,比如表面匹配算法、互信息法、标准正交化矩阵法和最小二乘法等对应的算法模型。对于包含不同语义信息的标记参考图像和标记浮动图像,计算机设备可以利用不同的配准模型对二者进行配准,即包括分割区域的标记参考图像和标记浮动图像与包括解剖学标记点的标记参考图像和标记浮动图像,可以对应不同的图像配准模型。
可选的,上述语义信息包括:浮动图像的分割区域和解剖学标记点中的至少一个,以及参考图像的割区域和解剖学标记点中的至少一个。其中,上述语义信息可以为参考图像和浮动图像中的解剖学标记点,也可以为参考图像和浮动图像中的分割区域。进一步的,上述解剖学标记点可以是几何标记点,如灰度极值或线性结构交点,也可以是在解剖形态上清晰可见并可精确定位的解剖标记点,如人体组织、器官或病灶的关键标记点或特征点;上述分割区域可以是参考图像和浮动图像对应的曲线或曲面等,如肺部、肝部或不规则区域。
可选的,上述预设的图像配准模型可以包括基于分割的图像配准模型和基于解剖学标记点的配准模型。进一步的,基于分割的图像配准模型为能够对包括上述分割区域的标记参考图像和标记浮动图像进行图像配准的图像配准模型,如表面匹配算法、互信息法、灰度均方差法等方法对应的算法模型;基于解剖学标记点的配准模型为能够对包括上述解剖学标记点的标记参考图像和标记浮动图像进行图像配准的配准模型,如奇异值分解算法、迭代最近点法、标准正交化矩阵法等方法对应的算法模型。
S208,根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
具体的,根据语义信息的不同,计算机设备可以选取对应的目标图像配准模型,对参考图像和浮动图像进行图像配准。可选的,一幅参考图像或一幅浮动图像中可以同时包括分割区域和解剖学点,此时,计算机设备可以先利用解剖学点对应的目标图像配准模型对参考图像和浮动图像中的解剖学点进行配准,再利用分割区域对应的目标图像配准模型对参考图像和浮动图像中的分割区域进行配准;也可以先利用分割区域对应的目标图像配准模型对参考图像和浮动图像中的分割区域进行配准,再利用解剖学点对应的目标图像配准模型对参考图像和浮动图像中的解剖学点进行配准,也可以同时利用解剖学点对应的目标图像配准模型对参考图像和浮动图像中的解剖学点进行配准,并利用分割区域对应的目标图像配准模型对参考图像和浮动图像中的分割区域进行配准,本实施例对此并不做限定。
可选的,计算机设备可以在确保继续使用其中的CPU进行图像配准的相关运算处理的情况下,还可以引入支持并行计算架构(Compute Unified Device Architecture,CUDA)的图形处理器(Graphics Processing Unit,GPU)处理部分运算,以进一步加速上述对参考图像和浮动图像进行配准的配准算法的速度。
本实施例提供的图像配准方法,计算机设备可以获取待配准的参考图像和浮动图像;并对参考图像和浮动图像进行语义信息的提取,得到包括语义信息的标记参考图像和标记浮动图像;进而根据语义信息,从预设的图像配准模型中确定标记参考图像和标记浮动图像分别对应的目标图像配准模型;最终根据语义信息和目标图像配准模型,对标记参考图像和标记浮动图像进行图像配准。本实施例中,计算机设备可以先提取参考图像和浮动图像的语义信息,从而根据不同的语义信息,采用不同的目标图像配准模型对参考图像和浮动图像进行配准,以完成包括多种语义信息的参考图像和浮动图像的配准,解决了现有技术中只能基于单一的语义信息对参考图像和浮动图像进行配准的局限性,大大提高了图像配准的适用范围。
图3为另一个实施例提供的图像配准方法流程示意图。本实施例涉及的是当目标图像配准模型为上述基于解剖学标记点的配准模型时,计算机设备根据基于解剖学标记点的配准模型和语义信息对参考图像和浮动图像进行配准的过程。在上述实施例的基础上,可选的,上述S208可以包括:
S302,获取所述标记参考图像的待配准参考解剖学标记点集和所述标记浮动图像的待配准浮动解剖学标记点集。
具体的,上述待配准参考解剖学标记点集和待配准浮动解剖学标记点集为各个解剖学标记点的坐标信息的集合。可选的,解剖学标记点可以为人工进行预标记的标记点。
S304,根据所述待配准参考解剖学标记点集、所述待配准浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准。
具体的,上述基于解剖学标记点的配准模型可以为奇异值分解算法、迭代最近点算法、标准正交化矩阵法等方法对应的算法模型中的任意一个。计算机设备可以根据获取的待配准参考解剖学标记点集、待配准浮动解剖学标记点集和预设的基于解剖学标记点的配准模型,对参考图像和浮动图像进行图像配准。
可选的,上述S304具体可以包括:根据上述待配准参考解剖学标记点集和上述待配准浮动解剖学标记点集中各个标记点的名称的匹配结果,确定标记点交集;根据上述标记点交集,从上述待配准参考解剖学标记点集和上述待配准浮动解剖学标记点集中分别确定初始参考解剖学标记点集和初始浮动解剖学标记点集;根据上述初始参考解剖学标记点集、上述初始浮动解剖学标记点集和上述基于解剖学标记点的配准模型,对上述参考图像和上述浮动图像进行图像配准。
其中,每个解剖学标记点有唯一的名称,对于待配准参考解剖学标记点集和待配准浮动解剖学标记点集中的解剖学标记点名称相同的解剖学标记点构成二者的标记点交集。可选的,计算机设备也可以将待配准参考解剖学标记点集和待配准浮动解剖学标记点集中的解剖学标记点编号相同的解剖学标记点作为二者的标记点交集。确定标记点交集后,计算机设备可以将待配准参考解剖学标记点集中上述标记点交集对应的点集作为初始参考解剖学标记点集,以及选取待配准浮动解剖学标记点集中上述标记点交集对应的点集作为初始浮动解剖学标记点集,从而可以将初始参考解剖学标记点集和初始浮动解剖学标记点集输入预设的基于解剖学标记点的配准模型,实现参考图像和浮动图像在相同解剖学结构下的对齐。
上述S304的步骤中,计算机设备可以根据从待配准参考解剖学标记点集和待配准浮动解剖学标记点集中选取的初始参考解剖学标记点集和初始浮动解剖学标记点集,并利用基于解剖学标记点的配准模型对所述参考图像和所述浮动图像进行图像配准。可选的,利用基于解剖学标记点的配准模型对所述参考图像和所述浮动图像进行图像配准对参考图像和浮动图像进行图像配准的过程可以分为三个阶段的配准过程,每个阶段可以得到对应的配准结果,三个阶段的配准过程如下:
第一阶段的配准过程可以参见S3042至S3046:
S3042,根据初始参考解剖学标记点集和初始浮动解剖学标记点集和所述基于解剖学标记点的配准模型,确定第一配准结果;所述第一配准结果包括第一配准结果点集和第一变换矩阵。
具体的,计算机设备将初始参考解剖学标记点集和初始浮动解剖学标记点集输入预设的基于解剖学标记点的配准模型后,可以得到待配准浮动解剖学标记点集进行空间变换后的第一配准结果点集和第一变换矩阵。上述第一配准结果点集和第一变换矩阵构成第一配准结果。
S3044,根据第一空间距离集合和预设的比率,确定所述预设的比率内的第一空间距离对应的第一浮动解剖学标记点集;其中,所述第一空间距离集合中记录有所述待配准参考解剖学标记点集与所述第一配准结果点集中各个对应标记点的第一空间距离。
具体的,在得到第一配准结果点集后,计算机设备可以根据公式D1=||Pf1–Pre1||2,计算出待配准参考解剖学标记点集与第一配准结果点集中各个对应标记点的第一空间距离D1,其中,Pf1为待配准参考解剖学标记点集中与第一配准结果点集中对应的标记点构成的点集,Pre1为第一配准结果点集。可选的,上述预设的比率可以为根据需要设定的(0,1]内的任意值。可选的,可以直接选取预设的比率内的第一空间距离对应的第一浮动解剖学标记点集,也可以对第一空间距离中的各个距离进行升序排序,再选取预设的比率内的第一空间距离对应的第一浮动解剖学标记点集,由于待配准参考解剖学标记点集与第一配准结果点集中各个对应标记点的第一空间距离越小,配准结果精度越高,因此,对第一空间距离中的各个距离进行升序排序后再选取预设的比率内的第一空间距离对应的第一浮动解剖学标记点集,可以提高配准的准确度。上述第一浮动解剖学标记点集为从待配准浮动解剖学标记点集中选取的预设的比率内的第一空间距离对应的点集。
S3046,当所述第一浮动解剖学标记点集中的标记点的数目小于所述预设的数目阈值时,则将所述第一变换矩阵作为目标变换矩阵。
具体的,上述目标变换矩阵为标记参考图像和标记浮动图像进行图像配准所用的矩阵,计算机设备可以利用目标变换矩阵实现标记参考图像和标记浮动图像的配准。可选的,计算机设备可以将第一浮动解剖学标记点集中的标记点的数目与预设的数目阈值进行比较,根据比较结果确定是否将上述第一变换矩阵作为目标变换矩阵。可选的,上述预设的数目阈值可以为5。当上述第一浮动解剖学标记点集中的标记点的数目小于预设的数目阈值时,则将第一变换矩阵作为目标变换矩阵,并继续执行S30422。
当上述第一浮动解剖学标记点集中的标记点的数目不小于预设的数目阈值时,需要进行第二阶段的配准过程。
第二阶段的配准过程可以参见S3048至S30416:
S3048,获取所述待配准参考解剖学标记点集中与所述第一浮动解剖学标记点集对应的第一参考解剖学标记点集。
本步骤中,上述第一参考解剖学标记点集为待配准参考解剖学标记点集中的标记点的名称或编号与第一浮动解剖学标记点集中的标记的名称或编号相同的标记点对应的标记点构成的点集。
S30410,根据所述第一参考解剖学标记点集、所述第一浮动解剖学标记点集和所述基于解剖学标记点的配准模型,确定第二变换矩阵。
具体的,和上述确定第一变换矩阵的方法相同,计算机设备可以将第一参考解剖学标记点集和第一浮动解剖学标记点集输入预设的基于解剖学标记点的配准模型,从而得到第二变换矩阵。
S30412,根据所述第二变换矩阵和所述待配准浮动解剖学标记点集,确定第二配准结果点集。
本步骤中,计算机设备可以根据得到的第二变换矩阵与待配准浮动解剖学标记点集的乘积,利用第二变换矩阵对待配准浮动解剖学标记点集进行空间变换,并结合插值法如近邻插值、双线性插值或三线性插值等方法,得到第二配准结果点集。
S30414,根据第二空间距离集合和预设的距离阈值,确定小于所述预设的距离阈值的第二空间距离对应的第二浮动解剖学标记点集;所述第二空间距离集合中记录有所述待配准参考解剖学标记点集与所述第二配准结果点集中各个对应标记点的第二空间距离。
本步骤中,在得到第二配准结果点集后,计算机设备可以根据公式D2=||Pf–Pre2||2,计算出待配准参考解剖学标记点集与第二配准结果点集中各个对应标记点的第二空间距离D2,其中,Pf2为待配准参考解剖学标记点集与第二配准结果点集中各个标记点对应的点集,Pre2为第二配准结果点集。可选的,上述预设的距离阈值可以根据需要设定,比如距离阈值可以根据用户可接受的待配准参考解剖学标记点集与第二配准结果点集中各个对应标记点的实际距离进行确定。上述第二浮动解剖学标记点集为从待配准浮动解剖学标记点集中选取的预设的距离阈值内的第二空间距离对应的点集。
S30416,当所述第二浮动解剖学标记点集中的标记点的数目小于所述预设的阈值数目时,则将所述第二变换矩阵作为所述目标变换矩阵。
本步骤中,计算机设备可以将第二浮动解剖学标记点集中的标记点的数目与预设的数目阈值进行比较,根据比较结果确定是否将上述第二变换矩阵作为目标变换矩阵。当上述第二浮动解剖学标记点集中的标记点的数目小于预设的数目阈值时,则将第二变换矩阵作为目标变换矩阵,并继续执行S30422。
当上述第二浮动解剖学标记点集中的标记点的数目不小于预设的数目阈值时,需要进行第三阶段的配准过程。
第三阶段的配准过程可以参见S30418至S30420:
S30418,获取所述待配准参考解剖学标记点集中与所述第二浮动解剖学标记点集对应的第二参考解剖学标记点集。
本步骤中,第二参考解剖学标记点集为从待配准参考解剖学标记点集中选取的与上述第二浮动解剖学标记点集中标记点的名称或编号相同的标记点对应的点集。
S30420,根据所述第二参考解剖学标记点集、所述第二浮动解剖学标记点集和所述基于解剖学标记点的配准模型,确定第三变换矩阵,并将所述第三变换矩阵作为所述目标变换矩阵。
本步骤中,和上述确定第一变换矩阵和第二变换矩阵的方法相同,计算机设备可以将第二参考解剖学标记点集和第二浮动解剖学标记点集输入预设的基于解剖学标记点的配准模型,从而得到第三变换矩阵,在得到第三变换矩阵后,计算机设备可以直接将该第三变换矩阵作为目标变换矩阵。
S30422,根据所述目标变换矩阵,对所述参考图像和所述浮动图像进行图像配准。
具体的,计算机设备可以根据浮动图像的每个像素点的坐标位置构成的矩阵和目标变换矩阵的乘积,并结合插值法如近邻插值、双线性插值或三线性插值等方法,将标记浮动图像映射到标记参考图像空间下,以实现标记参考图像和标记浮动图像在解剖学结构下的对齐,从而完成对标记参考图像和标记浮动图像的图像配准。
可选的,可以根据如下方式调整上述预设的比率和预设的距离阈值:对待配准的参考图像和浮动图像中的各个标记点加噪声,利用上述三个阶段的配准方式对待配准的参考图像和浮动图像进行配准,得到新的目标变换矩阵,再利用新的目标变换矩阵,对上述参考图像和浮动图像进行图像配准,并根据得到的配准结果,利用预设的相似性度量模型,计算配准后参考图像和浮动图像之间的相似性度量值,根据该相似性度量值与预设的相似性度量阈值进行比较,如果小于预设的相似性度量阈值,则调整上述预设的比率和预设的距离阈值中的至少一个,直到最终得到的相似性度量值大于预设的相似性度量阈值为止,从而将预设的比率和预设的距离阈值调整为合适的值,进而可以使得利用调整的预设的比率和预设的阈值的算法模型进行配准的图像的配准精度更高。需要说明的是,上述添加的噪声的均值、方差和个数均可以随机设置。
本实施例提供的图像配准方法,计算机设备可以获取标记参考图像的待配准参考解剖学标记点集和标记浮动图像的待配准浮动解剖学标记点集;并根据待配准参考解剖学标记点集、待配准浮动解剖学标记点集和基于解剖学标记点的配准模型,分三个阶段对标记参考图像和标记浮动图像进行图像配准,每个阶段利用通过一定的条件比如预设的比率内的标记点或预设的距离阈值内的标记点进行图像配准,而不是用全部标记点进行图像配准,大大减小了计算量,提高了配准速度;另外,每个阶段的标记点集均不同,从而可以降低部分解剖学标记点可能被误检而影响配准精确度的影响,并且每个阶段的标记点均是根据预设的比率或预设的距离阈值等进行筛选确定出的能够提高配准精度的标记点,因此,本实施例提供的分阶段进行配准的方式可以提高图像配准的精度。
当上述目标图像配准模型为基于分割的图像配准模型时,计算机设备可以利用图4所示的又一个实施例提供的图像配准方法对上述标记参考图像和标记浮动图像进行图像配准。本实施例涉及的是计算机设备根据提取的分割区域和对应的基于分割的图像配准模型,对上述标记参考图像和标记浮动图像进行图像配准的实现过程。在上述实施例的基础上,可选的,上述S208的另一种可选的实现方式可以包括:
S402,获取所述标记参考图像对应的分割参考图像和所述浮动图像对应的分割浮动图像。
具体的,上述分割参考图像和分割浮动图像可以为根据上述预设的已训练好的神经网络模型对上述待配准的参考图像和浮动图像进行语义信息提取后对应的图像。可选的,计算机设备可以利用上述预设的已训练好的神经网络模型对待配准的参考图像和浮动图像进行任意区域的分割,以得到分割参考图像和分割浮动图像。
S404,根据所述分割参考图像、所述分割浮动图像和所述基于分割的图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
具体的,上述基于分割的图像配准模型可以为表面匹配算法、互信息法和灰度均方差法等配准方法对应的算法模型中的任意一个。计算机设备可以根据获取的分割参考图像、分割浮动图像和上述基于分割的图像配准模型,确定出目标分割变换矩阵,从而根据该目标分割变换矩阵,将上述待配准的浮动图像映射到参考图像的空间坐标下,完成参考图像和浮动图像的配准。
本实施例提供的图像配准方法,计算机设备可以获取标记参考图像对应的分割参考图像和浮动图像对应的分割浮动图像;并根据分割参考图像、分割浮动图像和基于分割的图像配准模型,对参考图像和浮动图像进行图像配准。本实施例中,计算机设备可以根据进行语义信息提取后获得的分割参考图像和分割浮动图像,直接利用预设的基于分割的图像配准模型对参考图像和浮动图像进行图像配准,实现方式较简单。
图5为又一个实施例提供的图像配准方法。本实施例涉及的是计算机设备根据上述实施例对参考图像和浮动图像进行配准后得到的配准结果,利用预设的图像整合模型,对该配准结果进行图像整合的过程。在上述实施例的基础上,可选的,上述方法还可以包括:
S502,获取对所述参考图像和所述浮动图像进行图像配准后的配准结果。
本步骤中,上述配准结果为对上述参考图像和浮动图像进行图像配准后得到的配准后的参考图像和浮动图像。
S504,根据所述配准结果和预设的图像整合模型,对所述配准结果进行图像整合。
本步骤中,上述预设的图像整合模型可以为三线性插值和B样条插值等方法中的任意一个。图像整合可以为将两幅或两幅以上来自不同成像设备或不同时刻获取的配准图像,采用某种算法,把各个图像有机地结合起来。计算机设备可以利用预设的图像整合模型,将上述配准结果中的参考图像和浮动图像进行整合,以得到参考图像空间下浮动图像与参考图像整合在一起的扭曲图像。
本实施例提供的图像配准方法,计算机设备可以获取对参考图像和浮动图像进行图像配准后的配准结果;从而根据配准结果和预设的图像整合模型,对配准结果进行图像整合,以实现将参考图像和浮动图像整合到一幅图像中,从而将各个图像的优点互补性地有机地结合起来,以获得信息量更丰富的新图像,从而较好地辅助医生利用整合后的图像判断病人的情况。
图6为又一个实施例提供的图像配准方法流程示意图。本实施例涉及的是计算机设备根据上述实施例获得的目标矩阵,以及对参考图像和浮动图像进行下采样后的图像,利用梯度下降法,调整相似性度量值,以确定目标参数的实现过程。在上述实施例的基础上,可选的,上述方法还可以包括:
S602,获取所述目标变换矩阵。
S604,根据所述目标变换矩阵、对所述参考图像进行下采样操作后得到的下采样参考图像和对所述浮动图像进行下采样操作后得到的下采样浮动图像,确定所述下采样参考图像和所述下采样浮动图像对应的变换后的浮动图像之间的相似性度量值。
具体的,计算机设备可以对上述参考图像和浮动图像进行下采样得到下采样后的下采样参考图像和下采样浮动图像,可选的,可以对上述参考图像和浮动图像进行一次下采样操作,得到下采样参考图像和下采样浮动图像,并利用上述目标变换矩阵对下采样浮动图像进行空间变换,得到变换后的浮动图像,进而利用预设的相似性度量值的计算模型如互信息法、灰度均方差法等方法对应的算法模型,确定该变换后的浮动图像与下采样参考图像之间的相似性度量值。
S606,对所述目标变换矩阵进行平移操作、旋转操作、倾斜操作和缩放操作中的至少一个操作,提取所述目标变换矩阵对应的初始参数。
具体的,若参考图像和浮动图像为三维图像,则其对应的目标变换矩阵可以为4*4的矩阵,计算机设备可以对上述目标变换矩阵进行平移操作、旋转操作、倾斜操作和缩放操作,将目标变换矩阵分解为平移矩阵、旋转矩阵、倾斜矩阵和缩放矩阵等四个4*4的矩阵,进而分别根据该四个4*4的矩阵在三维坐标系下的平移距离、旋转角度、倾斜角度和缩放比例等,得到12个目标变换矩阵对应的初始参数。类似的,若参考图像和浮动图像为二维图像,则计算机设备可以得到8个目标变换矩阵对应的初始参数。
S608,根据所述相似性度量值、所述初始参数和预设的梯度下降法,确定目标参数。
具体的,计算机设备可以根据预设的梯度下降法调整上述初始参数,以使得上述相似性度量值达到最优,并将最优的相似性度量值对应的调整后的参数作为目标参数。可选的,计算机设备可以根据目标参数确定该目标参数对应的最终变换矩阵,并利用该最终变换矩阵对参考图像和浮动图像进行配准。
可选的,计算机设备也可以对上述参考图像和浮动图像进行多次下采样操作,比如进行三次下采样并分别得到对应的下采样参考图像和下采样浮动图像。进一步的,下采样参考图像可以包括第一次下采样对应的第一下采样参考图像、第二次下采样对应的第二下采样参考图像和第三次下采样对应的第三下采样参考图像,类似的,下采样浮动图像可以包括第一次下采样对应的第一下采样浮动图像、第二次下采样对应的第二下采样浮动图像和第三次下采样对应的第三下采样浮动图像。此时,可以利用如下方法确定目标参数:第一步:计算机设备可以利用目标变换矩阵对第三下采样浮动图像进行空间变换,使其映射到第三下采样参考图像对应的空间坐标系下,得到变换后的第三浮动图像,并利用预设的相似性度量值的计算模型确定变换后的第三浮动图像进与第三下采样参考图像之间的第一相似性度量值;第二步:计算机设备可以利用预设的梯度下降法调整上述初始参数以使得第一相似性度量值达到最优,并根据最优的第一相似性度量值对应的参数确定新的目标变换矩阵,并对利用新的目标变换矩对第二下采样浮动图像和下采样参考图像继续执行上述第一步和第二步的操作,直至对最初的参考图像和浮动图像执行完上述第一步和第二步的操作,将最终得到的最优的相似性度量值对应的参数作为目标参数,以使得计算机设备可以根据目标参数确定该目标参数对应的最终变换矩阵,并利用该最终变换矩阵对参考图像和浮动图像进行配准。
可选的,计算机设备可以先利用图5所示的实施例对应的图像整合方法,对上述参考图像和上述浮动图像进行图像配准后的配准结果进行图像整合,再利用本实施例提供的利用最终变换矩阵对参考图像和浮动图像进行配准得到的配准结果对图5所示实施例得到的整合的结果进行优化,也可以利用本实施例提供的图像优化方法对上述参考图像和上述浮动图像进行图像配准后的配准结果进行图像优化,再利用图5所示的实施例对应的图像整合方法对本实施例利用最终变换矩阵对参考图像和浮动图像进行配准的配准结果进行图像整合,本实施例对此并不做限定。
本实施例提供的图像配准方法,计算机设备可以获取目标变换矩阵,并根据目标变换矩阵、对参考图像进行下采样操作后得到的下采样参考图像和对浮动图像进行下采样操作后得到的下采样浮动图像,确定下采样参考图像和下采样浮动图像对应的变换后的浮动图像之间的相似性度量值;对目标变换矩阵进行平移操作、旋转操作、倾斜操作和缩放操作中的至少一个操作,提取目标变换矩阵对应的初始参数;进而根据相似性度量值、初始参数和预设的梯度下降法确定目标参数,由于目标参数是最优的相似性度量值对应的参数,因此,根据该目标参数确定出的最终变换矩阵也是较优的,这样利用该最终变换矩阵,对浮动图像和参考图像进行配准的精度也更高,进一步提高了图像配准的精度。
下述通过一个简单的例子,来介绍本申请实施例图像配准方法的过程。具体可以参见如下步骤:
S702,计算机设备获取待配准的参考图像和浮动图像。
S704,计算机设备对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;所述语义信息包括:所述浮动图像的分割区域和解剖学标记点中的至少一个,以及所述参考图像的割区域和解剖学标记点中的至少一个。
S706,计算机设备根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;所述预设的图像配准模型包括基于分割的图像配准模型和基于解剖学标记点的配准模型。
S708,计算机设备判断上述目标图像配准模型是否为所述基于解剖学标记点的配准模型,若是,继续执行S710,若否,执行S740。
S710,计算机设备获取所述标记参考图像的待配准参考解剖学标记点集和所述标记浮动图像的待配准浮动解剖学标记点集。
S712,计算机设备根据所述待配准参考解剖学标记点集和所述待配准浮动解剖学标记点集的匹配结果,确定所述待配准参考解剖学标记点集和所述待配准浮动解剖学标记点集中标记点的名称相同的标记点交集,并选取所述待配准参考解剖学标记点集中的所述标记点交集作为初始参考解剖学标记点集,以及选取所述待配准浮动解剖学标记点集中所述标记点交集作为初始浮动解剖学标记点集。
S714,计算机设备根据所述初始参考解剖学标记点集、所述初始浮动解剖学标记点集和所述基于解剖学标记点的配准模型,确定所述第一配准结果。
S716,计算机设备根据第一空间距离集合和预设的比率,确定所述预设的比率内的第一空间距离对应的第一浮动解剖学标记点集;其中,所述第一空间距离集合中记录有所述待配准参考解剖学标记点集与所述第一配准结果点集中各个对应标记点的第一空间距离。
S718,计算机设备判断所述第一浮动解剖学标记点集中的标记点的数目是否小于所述预设的数目阈值,若是,则继续执行S720,若否,则执行S722。
S720,计算机设备将所述第一变换矩阵作为目标变换矩阵。
S722,计算机设备获取所述待配准参考解剖学标记点集中与所述第一浮动解剖学标记点集对应的第一参考解剖学标记点集。
S724,计算机设备根据所述第一参考解剖学标记点集、所述第一浮动解剖学标记点集和所述基于解剖学标记点的配准模型,确定第二变换矩阵。
S726,计算机设备根据所述第二变换矩阵和所述待配准浮动解剖学标记点集,确定第二配准结果点集。
S728,计算机设备根据第二空间距离集合和预设的距离阈值,确定小于所述预设的距离阈值的第二空间距离对应的第二浮动解剖学标记点集;所述第二空间距离集合中记录有所述待配准参考解剖学标记点集与所述第二配准结果点集中各个对应标记点的第二空间距离。
S730,计算机设备判断所述第二浮动解剖学标记点集中的标记点的数目是否小于所述预设的阈值数目,若是,则继续执行S732,若否,则执行S734。
S732,计算机设备将所述第二变换矩阵作为所述目标变换矩阵。
S734,计算机设备获取所述待配准参考解剖学标记点集中与所述第二浮动解剖学标记点集对应的第二参考解剖学标记点集。
S736,计算机设备根据所述第二参考解剖学标记点集、所述第二浮动解剖学标记点集和所述基于解剖学标记点的配准模型,确定第三变换矩阵,并将所述第三变换矩阵作为所述目标变换矩阵。
S738,计算机设备根据所述目标变换矩阵,对所述参考图像和所述浮动图像进行图像配准;执行完S738后,继续执行S744。
S740,计算机设备获取所述标记参考图像对应的分割参考图像和所述浮动图像对应的分割浮动图像。
S742,计算机设备根据所述分割参考图像、所述分割浮动图像和所述基于分割的图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
S744,计算机设备获取对所述参考图像和所述浮动图像进行图像配准后的配准结果。
S746,计算机设备根据所述配准结果和预设的图像整合模型,对所述配准结果进行图像整合。
S748,计算机设备获取所述目标变换矩阵。
S750,计算机设备根据所述目标变换矩阵、对所述参考图像进行下采样操作后得到的下采样参考图像和对所述浮动图像进行下采样操作后得到的下采样浮动图像,确定所述下采样参考图像和所述下采样浮动图像对应的变换后的浮动图像之间的相似性度量值。
S752,计算机设备对所述目标变换矩阵进行平移操作、旋转操作、倾斜操作和缩放操作中的至少一个操作,提取所述目标变换矩阵对应的初始参数。
S754,计算机设备根据所述相似性度量值、所述初始参数和预设的梯度下降法,确定目标参数。
本实施例提供的图像配准方法的工作原理和技术效果如上述实施例所述,在此不再赘述。
应该理解的是,虽然图2至图6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图7为一个实施例提供的图像配准装置结构示意图。如图7所示,该装置可以包括第一获取模块702、第一提取模块704、第一确定模块706和配准模块708。
具体的,第一获取模块702,用于获取待配准的参考图像和浮动图像;
第一提取模块704,用于对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
第一确定模块706,用于根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
配准模块708,用于根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
可选的,所述语义信息包括:所述浮动图像的分割区域和解剖学标记点中的至少一个,以及所述参考图像的割区域和解剖学标记点中的至少一个;所述预设的图像配准模型包括基于分割的图像配准模型和基于解剖学标记点的配准模型。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在另一个实施例提供的图像配准装置中,在上述图7所示实施例的基础上,当所述目标图像配准模型为所述基于解剖学标记点的配准模型时,可选的,上述配准模块708可以包括第一获取单元和第一配准单元。
具体的,第一获取单元,用于获取所述标记参考图像的待配准参考解剖学标记点集和所述标记浮动图像的待配准浮动解剖学标记点集;
第一配准单元,用于根据所述待配准参考解剖学标记点集、所述待配准浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在又一个实施例提供的图像配准装置中,在上述实施例的基础上,可选的,上述第一配准单元可以包括第一确定子单元、第二确定子单元和配准子单元。
具体的,第一确定子单元,用于根根据所述待配准参考解剖学标记点集和所述待配准浮动解剖学标记点集中各个标记点的名称的匹配结果,确定标记点交集;
第二确定子单元,用于根据所述标记点交集,从所述待配准参考解剖学标记点集和所述待配准浮动解剖学标记点集中分别确定初始参考解剖学标记点集和初始浮动解剖学标记点集;
配准子单元,用于根据所述初始参考解剖学标记点集、所述初始浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在又一个实施例提供的图像配准装置结构中,在上述实施例的基础上,可选的,上述配准模块708还可以包括第二获取单元和第二配准单元。
第二获取单元,用于获取所述标记参考图像对应的分割参考图像和所述浮动图像对应的分割浮动图像;
第二配准单元,用于根据所述分割参考图像、所述分割浮动图像和所述基于分割的图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图8为又一个实施例提供的图像配准装置结构示意图。在上述实施例的基础上,可选的,上述装置还可以包括第二获取模块710和整合模块712。
第二获取模块710,用于获取对所述参考图像和所述浮动图像进行图像配准后的配准结果;
整合模块712,用于根据所述配准结果和预设的图像整合模型,对所述配准结果进行图像整合。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图9为又一个实施例提供的图像配准装置结构示意图。在上述实施例的基础上,可选的,上述装置还可以包括第三获取模块714、第二确定模块716、第二提取模块718和第三确定模块720。
第三获取模块714,用于获取所述目标变换矩阵。
第二确定模块716,用于根据所述目标变换矩阵、对所述参考图像进行下采样操作后得到的下采样参考图像和对所述浮动图像进行下采样操作后得到的下采样浮动图像,确定所述下采样参考图像和所述下采样浮动图像对应的变换后的浮动图像之间的相似性度量值;
第二提取模块718,用于对所述目标变换矩阵进行平移操作、旋转操作、倾斜操作和缩放操作中的至少一个操作,提取所述目标变换矩阵对应的初始参数;
第三确定模块720,用于根据所述相似性度量值、所述初始参数和预设的梯度下降法,确定目标参数。
本实施例提供的图像配准装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待配准的参考图像和浮动图像;
对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待配准的参考图像和浮动图像;
对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像配准方法,其特征在于,所述方法包括:
获取待配准的参考图像和浮动图像;
对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
2.根据权利要求1所述的方法,其特征在于,所述语义信息包括:所述浮动图像的分割区域和解剖学标记点中的至少一个,以及所述参考图像的分割区域和解剖学标记点中的至少一个;所述预设的图像配准模型包括基于分割的图像配准模型和基于解剖学标记点的配准模型。
3.根据权利要求2所述的方法,其特征在于,当所述目标图像配准模型为所述基于解剖学标记点的配准模型时,所述根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准,包括:
获取所述标记参考图像的待配准参考解剖学标记点集和所述标记浮动图像的待配准浮动解剖学标记点集;
根据所述待配准参考解剖学标记点集、所述待配准浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待配准参考解剖学标记点集、所述待配准浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准,包括:
根据所述待配准参考解剖学标记点集和所述待配准浮动解剖学标记点集中各个标记点的名称的匹配结果,确定标记点交集;
根据所述标记点交集,从所述待配准参考解剖学标记点集和所述待配准浮动解剖学标记点集中分别确定初始参考解剖学标记点集和初始浮动解剖学标记点集;
根据所述初始参考解剖学标记点集、所述初始浮动解剖学标记点集和所述基于解剖学标记点的配准模型,对所述参考图像和所述浮动图像进行图像配准。
5.根据权利要求2所述的方法,其特征在于,当所述目标图像配准模型为所述基于分割的图像配准模型时,则所述根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准,包括:
获取所述标记参考图像对应的分割参考图像和所述浮动图像对应的分割浮动图像;
根据所述分割参考图像、所述分割浮动图像和所述基于分割的图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取对所述参考图像和所述浮动图像进行图像配准后的配准结果;
根据所述配准结果和预设的图像整合模型,对所述配准结果进行图像整合。
7.根据权利要求6所述的方法,其特征在于,在所述对所述参考图像和所述浮动图像进行图像配准后,所述方法还包括:
获取所述目标变换矩阵;
根据所述目标变换矩阵、对所述参考图像进行下采样操作后得到的下采样参考图像和对所述浮动图像进行下采样操作后得到的下采样浮动图像,确定所述下采样参考图像和所述下采样浮动图像对应的变换后的浮动图像之间的相似性度量值;
对所述目标变换矩阵进行平移操作、旋转操作、倾斜操作和缩放操作中的至少一个操作,提取所述目标变换矩阵对应的初始参数;
根据所述相似性度量值、所述初始参数和预设的梯度下降法,确定目标参数。
8.一种图像配准装置,其特征在于,所述装置包括:
第一获取模块,用于获取待配准的参考图像和浮动图像;
第一提取模块,用于对所述参考图像和所述浮动图像进行语义信息的提取,得到包括所述语义信息的标记参考图像和标记浮动图像;
第一确定模块,用于根据所述语义信息,从预设的图像配准模型中确定所述标记参考图像和所述标记浮动图像分别对应的目标图像配准模型;
配准模块,用于根据所述语义信息和所述目标图像配准模型,对所述参考图像和所述浮动图像进行图像配准。
9.一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637721.8A CN109754396B (zh) | 2018-12-29 | 2018-12-29 | 图像的配准方法、装置、计算机设备和存储介质 |
CN202110189069.3A CN112967236B (zh) | 2018-12-29 | 2018-12-29 | 图像的配准方法、装置、计算机设备和存储介质 |
PCT/CN2019/127695 WO2020135374A1 (zh) | 2018-12-25 | 2019-12-24 | 图像配准方法、装置、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637721.8A CN109754396B (zh) | 2018-12-29 | 2018-12-29 | 图像的配准方法、装置、计算机设备和存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189069.3A Division CN112967236B (zh) | 2018-12-29 | 2018-12-29 | 图像的配准方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754396A true CN109754396A (zh) | 2019-05-14 |
CN109754396B CN109754396B (zh) | 2021-02-19 |
Family
ID=66404444
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811637721.8A Active CN109754396B (zh) | 2018-12-25 | 2018-12-29 | 图像的配准方法、装置、计算机设备和存储介质 |
CN202110189069.3A Active CN112967236B (zh) | 2018-12-29 | 2018-12-29 | 图像的配准方法、装置、计算机设备和存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110189069.3A Active CN112967236B (zh) | 2018-12-29 | 2018-12-29 | 图像的配准方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN109754396B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110766730A (zh) * | 2019-10-18 | 2020-02-07 | 上海联影智能医疗科技有限公司 | 图像配准及随访评估方法、存储介质及计算机设备 |
WO2020135374A1 (zh) * | 2018-12-25 | 2020-07-02 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备及可读存储介质 |
CN112750152A (zh) * | 2021-01-18 | 2021-05-04 | 上海联影医疗科技股份有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN112766314A (zh) * | 2020-12-31 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 解剖结构的识别方法、电子设备及存储介质 |
CN113616350A (zh) * | 2021-07-16 | 2021-11-09 | 元化智能科技(深圳)有限公司 | 标记点选取位置的验证方法、装置、终端设备和存储介质 |
CN114187335A (zh) * | 2021-11-09 | 2022-03-15 | 北京东软医疗设备有限公司 | 多视图医学图像的配准方法、装置及设备 |
WO2022051977A1 (zh) * | 2020-09-10 | 2022-03-17 | 西安大医集团股份有限公司 | 图像配准方法及装置 |
CN117115220A (zh) * | 2023-08-31 | 2023-11-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像处理方法、服务提供方法、装置、设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024067829A1 (en) * | 2022-09-30 | 2024-04-04 | Shanghai United Imaging Healthcare Co., Ltd. | Methods, systems, and storage medium for image registration |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126722A (zh) * | 2007-09-30 | 2008-02-20 | 西北工业大学 | 基于配准模型仿真的锥束ct射束硬化校正方法 |
CN101241601A (zh) * | 2008-02-19 | 2008-08-13 | 深圳先进技术研究院 | 一种图形处理的关节中心参数估计方法 |
CN103337065A (zh) * | 2013-05-22 | 2013-10-02 | 西安电子科技大学 | 小鼠三维ct图像的非刚性配准方法 |
CN103793915A (zh) * | 2014-02-18 | 2014-05-14 | 上海交通大学 | 神经外科导航中低成本无标记配准***及配准方法 |
CN104160424A (zh) * | 2012-03-08 | 2014-11-19 | 皇家飞利浦有限公司 | 用于改进多模态图像融合中的配准准确度的智能标志选择 |
CN104392426A (zh) * | 2014-10-23 | 2015-03-04 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
CN106920234A (zh) * | 2017-02-27 | 2017-07-04 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
US20180144463A1 (en) * | 2016-11-21 | 2018-05-24 | International Business Machines Corporation | Slice selection for interpolation-based 3d manual segmentation |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101471646B1 (ko) * | 2012-08-21 | 2014-12-26 | 인하대학교 산학협력단 | Gp-gpu를 이용한 3d 의료 영상 정합의 병렬처리방법 |
CN103345741B (zh) * | 2013-06-13 | 2016-07-06 | 华中科技大学 | 一种非刚性多模医学图像精确配准方法 |
CN104287830A (zh) * | 2013-07-18 | 2015-01-21 | 中国科学院深圳先进技术研究院 | 基于Kinect相机的术中实时注册方法 |
CN105303547A (zh) * | 2014-07-11 | 2016-02-03 | 东北大学 | 一种基于网格匹配的Demons算法的多期CT图像配准方法 |
CN104867104B (zh) * | 2015-05-20 | 2017-12-15 | 天津大学 | 基于xct图像非刚度配准的目标鼠解剖结构图谱获取方法 |
CN106611411B (zh) * | 2015-10-19 | 2020-06-26 | 上海联影医疗科技有限公司 | 一种医学图像中肋骨分割的方法及医学图像处理装置 |
US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
CN106934821B (zh) * | 2017-03-13 | 2020-06-23 | 中国科学院合肥物质科学研究院 | 一种基于icp算法和b样条的锥形束ct和ct图像配准方法 |
CN107049475A (zh) * | 2017-04-19 | 2017-08-18 | 纪建松 | 肝癌局部消融方法及*** |
CN107341824B (zh) * | 2017-06-12 | 2020-07-28 | 西安电子科技大学 | 一种图像配准的综合评价指标生成方法 |
CN107451983A (zh) * | 2017-07-18 | 2017-12-08 | 中山大学附属第六医院 | Ct图像的三维融合方法和*** |
CN107610162A (zh) * | 2017-08-04 | 2018-01-19 | 浙江工业大学 | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 |
CN107578434A (zh) * | 2017-08-25 | 2018-01-12 | 上海嘉奥信息科技发展有限公司 | 基于3d点云快速配准的vr渲染方法及*** |
-
2018
- 2018-12-29 CN CN201811637721.8A patent/CN109754396B/zh active Active
- 2018-12-29 CN CN202110189069.3A patent/CN112967236B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126722A (zh) * | 2007-09-30 | 2008-02-20 | 西北工业大学 | 基于配准模型仿真的锥束ct射束硬化校正方法 |
CN101241601A (zh) * | 2008-02-19 | 2008-08-13 | 深圳先进技术研究院 | 一种图形处理的关节中心参数估计方法 |
CN104160424A (zh) * | 2012-03-08 | 2014-11-19 | 皇家飞利浦有限公司 | 用于改进多模态图像融合中的配准准确度的智能标志选择 |
CN103337065A (zh) * | 2013-05-22 | 2013-10-02 | 西安电子科技大学 | 小鼠三维ct图像的非刚性配准方法 |
CN103793915A (zh) * | 2014-02-18 | 2014-05-14 | 上海交通大学 | 神经外科导航中低成本无标记配准***及配准方法 |
CN104392426A (zh) * | 2014-10-23 | 2015-03-04 | 华中科技大学 | 一种自适应的无标志点三维点云自动拼接方法 |
US20180144463A1 (en) * | 2016-11-21 | 2018-05-24 | International Business Machines Corporation | Slice selection for interpolation-based 3d manual segmentation |
CN106920234A (zh) * | 2017-02-27 | 2017-07-04 | 北京连心医疗科技有限公司 | 一种复合式自动放疗计划的方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020135374A1 (zh) * | 2018-12-25 | 2020-07-02 | 上海联影智能医疗科技有限公司 | 图像配准方法、装置、计算机设备及可读存储介质 |
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 |
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 |
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 |
CN110766730A (zh) * | 2019-10-18 | 2020-02-07 | 上海联影智能医疗科技有限公司 | 图像配准及随访评估方法、存储介质及计算机设备 |
CN110766730B (zh) * | 2019-10-18 | 2023-02-28 | 上海联影智能医疗科技有限公司 | 图像配准及随访评估方法、存储介质及计算机设备 |
WO2022051977A1 (zh) * | 2020-09-10 | 2022-03-17 | 西安大医集团股份有限公司 | 图像配准方法及装置 |
CN112766314A (zh) * | 2020-12-31 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 解剖结构的识别方法、电子设备及存储介质 |
CN112766314B (zh) * | 2020-12-31 | 2024-05-28 | 上海联影智能医疗科技有限公司 | 解剖结构的识别方法、电子设备及存储介质 |
CN112750152A (zh) * | 2021-01-18 | 2021-05-04 | 上海联影医疗科技股份有限公司 | 图像配准方法、装置、计算机设备和存储介质 |
CN113616350A (zh) * | 2021-07-16 | 2021-11-09 | 元化智能科技(深圳)有限公司 | 标记点选取位置的验证方法、装置、终端设备和存储介质 |
CN114187335A (zh) * | 2021-11-09 | 2022-03-15 | 北京东软医疗设备有限公司 | 多视图医学图像的配准方法、装置及设备 |
CN117115220A (zh) * | 2023-08-31 | 2023-11-24 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像处理方法、服务提供方法、装置、设备和存储介质 |
CN117115220B (zh) * | 2023-08-31 | 2024-04-26 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像处理方法、服务提供方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112967236A (zh) | 2021-06-15 |
CN112967236B (zh) | 2024-02-27 |
CN109754396B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754396A (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
KR102450931B1 (ko) | 이미지 정합 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
CN108369736A (zh) | 用于根据2d/2.5d术中图像数据计算切除的组织体积的方法和*** | |
CN107592802A (zh) | 通过解剖模型增强引导腹腔镜手术过程的***和方法 | |
CN110111305B (zh) | 处理方案的生成方法、装置、设备和存储介质 | |
CN111080573A (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
CN113112559A (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN104240180A (zh) | 一种实现图像自动调整的方法及装置 | |
US10078906B2 (en) | Device and method for image registration, and non-transitory recording medium | |
US20210256703A1 (en) | Machine learning device, estimation device, non-transitory computer readable medium, and learned model | |
CN108198235A (zh) | 一种三维超声重建方法、装置、设备及存储介质 | |
US20190392552A1 (en) | Spine image registration method | |
CN110992310A (zh) | 一种确定纵隔***所在分区的方法及装置 | |
CN111192268A (zh) | 医学图像分割模型构建方法与cbct图像骨分割方法 | |
CN110533120A (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
CN113129418B (zh) | 基于三维影像的目标表面重建方法、装置、设备和介质 | |
CN112950684B (zh) | 基于表面配准的目标特征提取方法、装置、设备和介质 | |
CN111383236B (zh) | 用于标注感兴趣区域的方法、装置和计算机可读存储介质 | |
CN114093462A (zh) | 医学影像处理方法、图像处理方法、计算机设备、存储介质 | |
CN109685796B (zh) | 医学图像处理方法、装置、设备和存储介质 | |
US11341661B2 (en) | Method and apparatus for registering live medical image with anatomical model | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
CN116012526B (zh) | 一种基于二维影像的三维ct影像病灶重建方法 | |
CN113393500B (zh) | 脊柱扫描参数获取方法、装置、设备和存储介质 | |
CN117495693B (zh) | 用于内窥镜的图像融合方法、***、介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210812 Address after: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232 Patentee after: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. Patentee after: Lianying intelligent medical technology (Beijing) Co.,Ltd. Address before: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232 Patentee before: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. |