CN112884765A - 一种基于轮廓特征的2d图像与3d图像配准方法 - Google Patents

一种基于轮廓特征的2d图像与3d图像配准方法 Download PDF

Info

Publication number
CN112884765A
CN112884765A CN202110319662.5A CN202110319662A CN112884765A CN 112884765 A CN112884765 A CN 112884765A CN 202110319662 A CN202110319662 A CN 202110319662A CN 112884765 A CN112884765 A CN 112884765A
Authority
CN
China
Prior art keywords
image
contour
point
function
point clouds
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.)
Pending
Application number
CN202110319662.5A
Other languages
English (en)
Inventor
白景峰
吉翔
杨聪
周赟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110319662.5A priority Critical patent/CN112884765A/zh
Publication of CN112884765A publication Critical patent/CN112884765A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10088—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种基于轮廓特征的2D图像与3D图像配准方法，包括：(1)获取3D图像，提取3D图像中目标的3D轮廓；(2)获取多张不同成像平面的2D图像，提取各张2D图像中同一目标的2D轮廓；(3)根据各张2D图像的相对位置关系，组合各个2D轮廓；(4)使用迭代最近点算法，配准获得的轮廓点云，根据点云配准得到的空间变换关系，配准融合2D图像与3D图像。本发明能够实现2D图像与3D图像的配准，可应用于术前高质量3D医学图像与术中2D导航图像的配准融合，增强术中导航图像的质量，从而解决术中2D导航图像噪声强、质量低、目标轮廓不清晰的问题。

Description

一种基于轮廓特征的2D图像与3D图像配准方法
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种基于轮廓特征的2D图像与3D图像配准方法。
背景技术
2D-3D的图像配准是指在给定的3D图像中寻找一个切面，该切面与给定的2D图像具有最优的一致性。其一般应用于图像引导的手术治疗中，如射频消融、超声内窥镜检查等。术前获取MRI、CT等3D图像做病情诊断，术中使用B型超声等2D图像监测手术情况，术中2D成像实时、灵活，但图像噪声大、质量差。因此，使用2D-3D图像配准技术融合术前3D图像至术中2D图像，可有效提高术中图像质量，增强术中图像引导效果。
2D-3D配准可看作是3D-3D配准的特殊情况，即其中一个输入是仅有1张切片的3D图像，两个输入具有严重不对等的信息量，加之术中2D实时图像质量低，此类问题难以使用基于灰度信息的配准方法。专利文献CN107854177A公开了一种基于光学定位配准的超声与CT/MR图像融合手术导航***及其方法，其通过在超声成像探头上安装光学定位装置获取2D成像面的位置信息，采集足够的超声图像后进行三维重建，从而将2D-3D图像配准问题转换为3D-3D配准。此方法解决了2D-3D配准中信息量不对等问题，但引入了光学定位设备，要采集足够覆盖目标体积范围的图像才能三维重建。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于轮廓特征的2D图像与3D图像配准方法。
本发明的目的可以通过以下技术方案来实现：
本发明提供的基于轮廓特征的2D图像与3D图像配准方法，包括以下步骤：
步骤1：获取3D图像，提取3D图像中目标的3D轮廓点，得到一组点云；
步骤2：获取多张2D图像，且各2D图像间相对位置已知；
步骤3：提取每张2D图像中相同目标的2D轮廓点，并按照各张2D图像的相对位置关系，在三维空间组合轮廓点，得到另一组点云；
步骤4：使用点云配准算法，配准两组点云，得到空间变换矩阵，实现2D图像与3D图像的配准融合。
进一步地，所述的轮廓特征可以是图像中一个或多个目标物的边界轮廓。
进一步地，步骤1所述的提取3D图像中3D轮廓点的方法，是使用图像分割算法提取出目标的轮廓，得到轮廓上各个点的三维坐标。
进一步地，步骤2所述的2D图像是物体的剖面成像，不是投影成像，且各张2D图像所在的成像平面互不重合，它们的相对位置关系包括但不限于平行、垂直、共轴等。
进一步地，步骤3所述的相同目标的2D轮廓，是3D图像中相同目标在2D图像切面中的轮廓。所述的提取2D图像中2D轮廓点的方法，是使用图像分割算法提取出目标的轮廓，得到轮廓上各个点的二维坐标。
优选地，所述的图像分割算法为基于GAC的水平集算法，其主要步骤为：
(1)设有图像I，计算得图像的速度函数为：
Figure BDA0002992608810000021
上式中，Gσ是标准差为σ的高斯卷积核，其与图像I卷积后可平滑图像；
(2)定义初始水平集函数为：
Figure BDA0002992608810000022
上式中，c0为常数，R0为人为指定的初始轮廓内区域；
(3)定义能量函数为：
Figure BDA0002992608810000023
上式中，λ和α为加权系数，δ为狄力克拉函数，H为海氏函数，Ω为图像域；
(4)按能量函数的负梯度方向迭代更新水平集函数：
Figure BDA0002992608810000024
上式中，Δt为每次迭代更新的时间步长；
(5)满足以下两个条件之一即停止迭代，并取
Figure BDA0002992608810000032
处的曲线为最终输出轮廓：
1)迭代次数超过预设阈值；
2)
Figure BDA0002992608810000033
处曲线所围的图像面积变化值小于预设阈值。
进一步地，步骤3所述的三维空间中组合轮廓点，即首先在多张2D图像所在的三维空间中，定义合适的三维坐标系，三维坐标系可灵活定义，方便2D坐标至3D坐标的转换计算即可；接着，根据2D图像的相对位置，计算得到2D图像内的2D轮廓点在所定义的三维坐标系中的三维坐标。
优选地，步骤4所述的点云配准算法为迭代最近点算法，其以两组点云间的平均距离为优化目标，即对于一组点云中的每个点pi，设另一组点云中与pi最近邻的点为qi，则两组点云间平均距离为
Figure BDA0002992608810000031
不断迭代更新空间变换矩阵，使得前后两次迭代中，点云间的平均距离变化量小于一定阈值，达到配准状态。
与现有技术相比，本发明具有以下优点：
(1)本发明基于提取的轮廓特征进行配准，可应用多模态图像配准，同时能避免图像中噪声对配准的影响。
(2)本发明将多张不同位置2D图像在三维空间内组合，增加了2D图像输入端的可用信息量，同时无需对多张2D图像进行三维重建，仅是2D图像中轮廓点的空间组合。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1的流程图。
图2为本发明实施例1中多张共轴2D图像的位置关系示意图。
图3为本发明实施例2的流程图。
图4为本发明实施例2中多张共轴2D图像的位置关系示意图。
图5为本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实例1
如图1所示，本发明提供的一种基于轮廓特征的2D图像与3D图像配准方法，包括以下步骤：
步骤1：获取3D图像，提取3D图像中目标的3D轮廓点，得到一组点云；
步骤2：获取多张2D图像，且各2D图像间相对位置已知，为共轴；
步骤3：提取每张2D图像中相同目标的2D轮廓点，并按照各张2D图像的相对位置关系，在三维空间组合轮廓点，得到另一组点云；
步骤4：使用点云配准算法，配准两组点云，得到空间变换矩阵，实现2D图像与3D图像的配准融合。
在本实例中，所述的2D图像为B型超声图像，所述的3D图像为MRI图像，所述的轮廓特征是图像中子宫器官的边界轮廓。
在本实例中，步骤1所述的提取3D图像中3D轮廓点的方法，是使用基于GAC的水平集算法分割出子宫器官的轮廓，得到轮廓上各个点的三维坐标。具体地，其主要步骤为：
(1)设有图像I，计算得图像的速度函数为：
Figure BDA0002992608810000051
上式中，Gσ是标准差为σ＝0.8的高斯卷积核，其与图像I卷积后可平滑图像；
(2)定义初始水平集函数为：
Figure BDA0002992608810000052
上式中，c0为常数2，R0为人为指定的初始轮廓内区域；
(3)定义能量函数为：
Figure BDA0002992608810000053
上式中，λ＝1和α＝-4为加权系数，δ为狄力克拉函数，H为海氏函数，Ω为图像域；
(4)按能量函数的负梯度方向迭代更新水平集函数：
Figure BDA0002992608810000054
上式中，Δt为每次迭代更新的时间步长，值为1；
(5)满足以下两个条件之一即停止迭代，并取
Figure BDA0002992608810000055
处的曲线为最终输出轮廓：
1)迭代次数超过600次；
2)
Figure BDA0002992608810000056
处曲线所围的像素个数的变化值小于图像总像素个数的0.01％。
在本实例中，步骤2所述的多张2D图像相对位置关系如图2所示，图中超声探头可绕自身中心轴旋转，获得共轴的多角度图像。并基于此定义了图中所示的三维坐标系，超声探头在成像时绕自身中心轴旋转，得到不同角度θ的图像，图像间的相对位置关系为共轴。
在本实例中，步骤3所述的相同目标的2D轮廓，是3D图像中子宫器官在2D图像切面中的轮廓。所述的提取2D图像中2D轮廓点的方法，是使用手动勾画的方式提取轮廓，得到轮廓上各个点的二维坐标。所述的三维空间中组合轮廓点，即在多张2D图像所在的三维空间中，定义如图2所示的三维坐标系，该坐标系的Y轴与探头旋转轴平行，且旋转轴的坐标为(x＝m，z＝0)。
根据2D图像的共轴相对位置，可得到2D图像内的2D轮廓点在所定义的三维坐标系中的三维坐标。设成像角度为θ的2D图像中某一轮廓点坐标为(x2d，y2d)，则其在此世界坐标系中的三维坐标(x3d，y3d，z3d)为：
Figure BDA0002992608810000061
在本实例中，步骤4所述的点云配准算法为迭代最近点算法，其以两组点云间的平均距离为优化目标，即对于一组点云中的每个点pi，设另一组点云中与pi最近邻的点为qi，则两组点云间平均距离为
Figure BDA0002992608810000062
不断迭代更新空间变换矩阵，使得前后两次迭代中，点云间的平均距离变化量小于0.001mm，达到配准状态。
实例2
如图3所示，本发明提供的一种基于轮廓特征的2D图像与3D图像配准方法，包括以下步骤：
步骤1：获取3D图像，提取3D图像中目标的3D轮廓点，得到一组点云；
步骤2：获取多张2D图像，且各2D图像间相对位置已知，为共轴；
步骤3：提取每张2D图像中相同目标的2D轮廓点，并按照各张2D图像的相对位置关系，在三维空间组合轮廓点，得到另一组点云；
步骤4：使用点云配准算法，配准两组点云，得到空间变换矩阵，实现2D图像与3D图像的配准融合。
在本实例中，所述的2D图像为B型超声图像，所述的3D图像为MRI图像，所述的轮廓特征是图像中子宫器官的边界轮廓。
在本实例中，步骤1所述的提取3D图像中3D轮廓点的方法和步骤3所述的提取2D图像中2D轮廓点的方法，均是使用基于GAC算法改进的距离正则化水平集算法(DistanceRegularized Level Set Evolution，DRLSE)分割出子宫器官的轮廓，得到轮廓上各个点的三维坐标。具体地，DRLSE算法主要步骤为：
(1)设有图像I，计算得图像的速度函数为：
Figure BDA0002992608810000071
上式中，Gσ是标准差为σ＝0.8的高斯卷积核，其与图像I卷积后可平滑图像；
(2)定义初始水平集函数为：
Figure BDA0002992608810000072
上式中，c0为常数2，R0为人为指定的初始轮廓内区域；
(3)定义能量函数为：
Figure BDA0002992608810000073
上式中，λ＝1和α＝-4为加权系数，δ为狄力克拉函数，H为海氏函数，Ω为图像域，μ＝0.2；
其中函数p的定义如下式：
Figure BDA0002992608810000074
(4)按能量函数的负梯度方向迭代更新水平集函数：
Figure BDA0002992608810000075
Figure BDA0002992608810000076
Figure BDA0002992608810000077
上式中，Δt为每次迭代更新的时间步长，值为1；
(5)满足以下两个条件之一即停止迭代，并取
Figure BDA0002992608810000078
处的曲线为最终输出轮廓：
1)迭代次数超过600次；
2)
Figure BDA0002992608810000083
处曲线所围的像素个数的变化值小于图像总像素个数的0.01％。
在本实例中，步骤2所述的多张2D图像相对位置关系如图4所示，此成像方式中，超声探头与待成像目标的接触位置固定，探头倾斜摆动成像，获得共轴的多角度图像。并基于此定义了图中所示的三维坐标系，超声探头在成像时与待成像目标的接触位置(即X轴)固定，探头倾斜摆动成像，得到不同角度θ的图像，图像间的相对位置关系为共轴。
在本实例中，步骤3所述的相同目标的2D轮廓，是3D图像中子宫器官在2D图像切面中的轮廓。所述的三维空间中组合轮廓点，即在多张2D图像所在的三维空间中，定义如图4所示的三维坐标系，该坐标系的X轴即为探头与成像目标的固定接触位置，探头平行于YOZ平面做倾斜摆动。
根据2D图像的共轴相对位置，可得到2D图像内的2D轮廓点在所定义的三维坐标系中的三维坐标。设成像角度为θ的2D图像中某一轮廓点坐标为(x2d，y2d)，则其在此世界坐标系中的三维坐标(x3d，y3d，z3d)为：
Figure BDA0002992608810000081
在本实例中，步骤4所述的点云配准算法为迭代最近点算法，其以两组点云间的平均距离为优化目标，即对于一组点云中的每个点pi，设另一组点云中与pi最近邻的点为qi，则两组点云间平均距离为
Figure BDA0002992608810000082
不断迭代更新空间变换矩阵，使得前后两次迭代中，点云间的平均距离变化量小于0.001mm，达到配准状态。
综合以上两个实施例得到如图5所示的本发明的方法流程图。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，该方法包括以下步骤：
步骤1：获取3D图像，提取3D图像中目标的3D轮廓点，得到一组点云；
步骤2：获取多张2D图像，且各2D图像间相对位置已知；
步骤3：提取每张2D图像中相同目标的2D轮廓点，并按照各张2D图像的相对位置关系，在三维空间组合轮廓点，得到另一组点云；
步骤4：使用点云配准算法，配准两组点云，得到空间变换矩阵，实现2D图像与3D图像的配准融合。
2.根据权利要求1所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的轮廓点为图像中一个或多个目标物的边界轮廓。
3.根据权利要求1所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的步骤1中提取3D图像中目标的3D轮廓点的方法包括：采用图像分割算法提取出目标轮廓，得到轮廓上各个点的三维坐标。
4.根据权利要求1所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的步骤2中的2D图像为物体的剖面成像，且各张图像所在的成像平面互不重合，彼此之间的相对位置关系包括平行、垂直或共轴。
5.根据权利要求1所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的步骤3中的相同目标的2D轮廓点为3D图像中相同目标于2D图像切面中的轮廓，提取每张2D图像中2D轮廓点的方法包括：采用图像分割算法提取出目标轮廓，得到轮廓上各个点的二维坐标。
6.根据权利要求3和5中任一项所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的图像分割算法采用基于几何活动轮廓模型的水平集算法，该算法包括以下步骤：
步骤01：设定图像I，并计算该图像的速度函数；
步骤02：定义初始水平集函数以及能量函数；
步骤03：按能量函数的负梯度方向迭代更新水平集函数；
步骤04：当满足设定条件时停止迭代，并取对应曲线为最终输出轮廓。
7.根据权利要求6所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的步骤01中速度函数，其对应的数学描述公式为：
Figure FDA0002992608800000021
式中，g为速度函数，Gσ为标准差为σ的高斯卷积核，其与图像I卷积后可平滑图像；
所述步骤02中的初始水平集函数，其对应的数学描述公式为：
Figure FDA0002992608800000022
式中，c0为常数，R0为指定的初始轮廓内区域，(x,y)为区域内的点，
Figure FDA0002992608800000023
为初始水平集函数；
所述步骤02中的能量函数，其对应的数学描述公式为：
Figure FDA0002992608800000024
式中，
Figure FDA0002992608800000025
为能量函数，λ和α为加权系数，δ为狄力克拉函数，H为海氏函数，Ω为图像域；
所述步骤03中按能量函数的负梯度方向迭代更新水平集函数的过程，对应的数学描述公式为：
Figure FDA0002992608800000026
式中，
Figure FDA0002992608800000027
和
Figure FDA0002992608800000028
分别为t和t+1时刻的水平集函数值，Δt为每次迭代更新的时间步长；
所述步骤04中的设定条件，包括：迭代次数超过预设阈值或水平集函数值为0处曲线所围的图像面积变化值小于预设阈值。
8.根据权利要求1所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的步骤3中的在三维空间组合轮廓点的过程包括以下分步骤：
步骤S1：在多张2D图像所在的三维空间中，定义对应的三维坐标系；
步骤S2：根据2D图像的相对位置，计算得到2D图像内的2D轮廓点在所定义的三维坐标系中的三维坐标。
9.根据权利要求1所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的步骤4中的点云配准算法采用迭代最近点算法，该算法具体包括：以两组点云间的平均距离为优化目标，即对于一组点云中的每个点pi，设另一组点云中与pi最近邻的点为qi，则得到两组点云间平均距离公式，不断迭代更新空间变换矩阵，使得前后两次迭代中，点云间的平均距离变化量小于一定阈值，达到配准状态。
10.根据权利要求9所述的一种基于轮廓特征的2D图像与3D图像配准方法，其特征在于，所述的两组点云间平均距离公式，对应的数学描述公式为：
Figure FDA0002992608800000031
式中，N表示点云中所有点的个数，pi为一组点云中的每个点，qi为另一组点云中与pi最近邻的点。
CN202110319662.5A 2021-03-25 2021-03-25 一种基于轮廓特征的2d图像与3d图像配准方法 Pending CN112884765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110319662.5A CN112884765A (zh) 2021-03-25 2021-03-25 一种基于轮廓特征的2d图像与3d图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110319662.5A CN112884765A (zh) 2021-03-25 2021-03-25 一种基于轮廓特征的2d图像与3d图像配准方法

Publications (1)

Publication Number Publication Date
CN112884765A true CN112884765A (zh) 2021-06-01

Family

ID=76042304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110319662.5A Pending CN112884765A (zh) 2021-03-25 2021-03-25 一种基于轮廓特征的2d图像与3d图像配准方法

Country Status (1)

Country Link
CN (1) CN112884765A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100258A (zh) * 2022-08-29 2022-09-23 杭州三坛医疗科技有限公司 一种髋关节图像配准方法、装置、设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020109813A1 (en) * 2018-11-30 2020-06-04 Oxford University Innovation Limited Reconstruction method of organ vessel centerline
CN111462145A (zh) * 2020-04-01 2020-07-28 重庆大学 基于双权重符号压力函数的活动轮廓图像分割方法
US20210007806A1 (en) * 2018-03-21 2021-01-14 Vikas KARADE A method for obtaining 3-d deformity correction for bones
US20210012492A1 (en) * 2018-03-21 2021-01-14 Vikas KARADE Systems and methods for obtaining 3-d images from x-ray information for deformed elongate bones

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210007806A1 (en) * 2018-03-21 2021-01-14 Vikas KARADE A method for obtaining 3-d deformity correction for bones
US20210012492A1 (en) * 2018-03-21 2021-01-14 Vikas KARADE Systems and methods for obtaining 3-d images from x-ray information for deformed elongate bones
WO2020109813A1 (en) * 2018-11-30 2020-06-04 Oxford University Innovation Limited Reconstruction method of organ vessel centerline
CN111462145A (zh) * 2020-04-01 2020-07-28 重庆大学 基于双权重符号压力函数的活动轮廓图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范虹 等: "基于二维集合经验模式分解的距离正则化水平集磁共振图像分割", 《物理学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100258A (zh) * 2022-08-29 2022-09-23 杭州三坛医疗科技有限公司 一种髋关节图像配准方法、装置、设备以及存储介质

Similar Documents

Publication Publication Date Title
JP6717514B2 (ja) 冠状血管３次元再構築の方法、装置、設備及び記憶媒体
US10242450B2 (en) Coupled segmentation in 3D conventional ultrasound and contrast-enhanced ultrasound images
US20190333253A1 (en) System and method for generating partial surface from volumetric data for registration to surface topology image data
KR101932721B1 (ko) 의료 영상들의 정합 방법 및 장치
US10062174B2 (en) 2D/3D registration
JP5335280B2 (ja) 位置合わせ処理装置、位置合わせ方法、プログラム、及び記憶媒体
CN106934821B (zh) 一种基于icp算法和b样条的锥形束ct和ct图像配准方法
Huang et al. Bezier interpolation for 3-D freehand ultrasound
CN109152566B (zh) 校正超声融合成像***中的探头引起的变形
US9972081B2 (en) Method and system for estimating a deflated lung shape for video assisted thoracic surgery
CN110251231A (zh) 超声三维重建的方法及装置
CN116580068B (zh) 一种基于点云配准的多模态医学配准方法
Cerrolaza et al. Segmentation of kidney in 3D-ultrasound images using Gabor-based appearance models
CN112884765A (zh) 一种基于轮廓特征的2d图像与3d图像配准方法
CN113888698A (zh) 一种面向肝切除术的动态三维重建方法及***
CN109087357A (zh) 扫描定位方法、装置、计算机设备及计算机可读存储介质
CN116612166A (zh) 一种多模态影像的配准融合算法
CN111402221A (zh) 一种图像处理方法、装置及电子设备
Mitra et al. A thin-plate spline based multimodal prostate registration with optimal correspondences
US20200037995A1 (en) Ultrasound diagnostic apparatus, image processing apparatus, and image processing method
Jerald et al. Towards Non-contact 3D Ultrasound for Wrist Imaging
Fakhfakh et al. Automatic registration of pre-and intraoperative data for long bones in Minimally Invasive Surgery
CN114757951B (zh) 体征数据的融合方法、数据融合设备以及可读存储介质
JP5706933B2 (ja) 処理装置および処理方法、プログラム
Babaee et al. 3D reconstruction of vessels from two uncalibrated mammography images

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601