CN113012207A - 一种图像配准方法和装置 - Google Patents
一种图像配准方法和装置 Download PDFInfo
- Publication number
- CN113012207A CN113012207A CN202110308450.7A CN202110308450A CN113012207A CN 113012207 A CN113012207 A CN 113012207A CN 202110308450 A CN202110308450 A CN 202110308450A CN 113012207 A CN113012207 A CN 113012207A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- registered
- sample image
- sample
- 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
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像配准方法和装置。包括:获取待配准的第一图像和第二图像;将所述第一图像和所述第二图像输入至图像配准模型,经所述图像配准模型输出所述第一图像和所述第二图像的配准图像,其中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得。本公开实施例中,基于深度学习的配准方法,能够在保证图像配准稳定效果的同时,显著地提升配准速度。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像配准方法和装置。
背景技术
图像配准是通过一些空间变换,将一幅或多幅原图像映射到目标图像上,并使得原图像和目标图像中对应的物理点(像素点)在配准后的图像上具有相同的空间位置。在对医学图像进行分析时,经常要将同一患者的几幅图像放在一起分析,得到患者多方面的综合信息,使得医生能够从各个角度观察图像中的病灶结构。帮助医生进行医疗诊断、制定手术计划和治疗计划。
图像配准分为刚性配准和柔性配准,其中刚性配准是一种全局的变换,包括对图像中的像素(或体素)进行旋转、缩放、平移等仿射变换,但是,刚性配准无法模拟图像之间局部几何差异。柔性配准则对医学图像中的像素位置进行非线性变换,可以模拟图像之间的局部差异。相关技术中,在刚性配准过程中,常采用梯度下降法、牛顿法、遗传算法等算法,都需要进行完整优化迭代过程,因此,刚性配准配准速度慢,无法满足实际的应用需求。
因此,相关技术中亟需一种有效的图像配准方法以缩短图像配准的时间。
发明内容
为克服相关技术中存在的问题,本公开提供一种图像配准方法和装置。
根据本公开实施例的第一方面,提供一种图像配准方法,包括:
获取待配准的第一图像和第二图像;
将所述第一图像和所述第二图像输入至图像配准模型,经所述图像配准模型输出所述第一图像和所述第二图像的配准图像,其中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得。
在一种可能的实现方式中,所述位置变换关系包括线性位置变换关系和/或非线性位置变换关系。
在一种可能的实现方式中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,确定所述待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
在一种可能的实现方式中,所述图像配准模型包括第一图像配准模型和第二图像配准模型,其中,所述第一图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的线性位置变换关系训练获得,所述第二图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的非线性位置变换关系训练获得。
在一种可能的实现方式中,所述位置变换关系包括第一位置变换关系和第二位置变换关系,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型包括第一图像配准子模型和第二图像配准子模型,且所述第一图像配准子模型和所述第二图像配准子模型设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的第一位置变换关系,将所述待配准的样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第一配准样本图像;
分别对所述第一配准样本图像和所述参考样本图像进行特征提取,基于所述第一配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述第一配准样本图像到所述参考样本图像的第二位置变换关系,将所述第一配准样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第二配准样本图像;
基于所述第二配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
在一种可能的实现方式中,所述将所述待配准图像和所述参考图像输入至图像配准模型,经所述图像配准模型,输出所述待配准图像相对于所述参考图像的配准图像,包括:
获取第一图像的分割标签;
分别将所述第一图像、所述分割标签和所述第二图像输入至图像配准模型,经所述图像配准模型,输出所述第一图像和第二图像的配准图像,以及所述配准图像的分割标签。
在一种可能的实现方式中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像及其分割标签,多个参考样本图像及其分割标签;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
将所述待配准样本图像的分割标签按照所述位置变换关系映射到目标像素位置,得到所述配准图像的分割标签;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异以及所述配准图像的分割标签与所述参考样本图像的分割标签之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
根据本公开实施例的第二方面,提供一种图像配准装置,包括:
获取模块,用于获取待配准的第一图像和第二图像;
配准模块,用于将所述第一图像和所述第二图像输入至图像配准模型,经所述图像配准模型输出所述第一图像和所述第二图像的配准图像,其中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得。
在一种可能的实现方式中,所述位置变换关系包括线性位置变换关系和/或非线性位置变换关系。
在一种可能的实现方式中,所述配准模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,确定所述待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
在一种可能的实现方式中,所述配准模块包括:
第一配准子模块,包括第一配准子模型,所述第一配准子模型被设置为根据待配准样本图像像素到参考样本图像像素的线性位置变换关系训练获得;
第二配准子模块,包括第二配准子模型,所述第二配准子模型被设置为根据经过第一配准子模块处理后的图像像素到参考样本图像像素的非线性位置变换关系训练获得。
在一种可能的实现方式中,所述位置变换关系包括第一位置变换关系和第二位置变换关系,所述配准模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型包括第一图像配准子模型和第二图像配准子模型,且所述第一图像配准子模型和所述第二图像配准子模型设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的第一位置变换关系,将所述待配准的样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第一配准样本图像;
分别对所述第一配准样本图像和所述参考样本图像进行特征提取,基于所述第一配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述第一配准样本图像的特征到所述参考样本图像的对应特征之间的第二位置变换关系,将所述第一配准样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第二配准样本图像;
基于所述第二配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
在一种可能的实现方式中,所述配准模块包括:
获取子模块,用于获取第一图像的分割标签;
配准子模块,用于分别将所述第一图像、所述分割标签和所述第二图像输入至图像配准模型,经所述图像配准模型,输出所述第一图像和第二图像的配准图像,以及所述配准图像的分割标签。
在一种可能的实现方式中,所述配准子模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像及其分割标签,多个参考样本图像及其分割标签;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
将所述待配准样本图像的分割标签按照所述位置变换关系映射到目标像素位置,得到所述配准图像的分割标签;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异以及所述配准图像的分割标签与所述参考样本图像的分割标签之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
根据本公开实施例的第三方面,提供一种图像配准装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行根据本公开实施例任一实施例所述的方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器执行时,使得处理器能够执行根据本公开实施例任一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果:本公开实施例中,基于深度学习的配准方法,能够在保证图像配准稳定效果的同时,显著地提升配准速度。传统刚性配准方法,对每一对输入图像,都需要完整的优化迭代过程,消耗时间。对于某些输入数据,还需要手动调参,才能达到很好的配准效果。本技术方案中,可以在0.25s就可以完成两张128*128*64尺寸图像的配准。速度相比对于传统配准方法,速度提升非常明显。因此,本公开实施例无需对图像进行优化迭代操作,大大节省了图像配准的时间,提高了图像配准的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种图像配准方法的流程图。
图2是根据一示例性实施例示出的一种图像配准装置的框图。
图3是根据一示例性实施例示出的一种图像配准模型训练方法的流程图。
图4是根据一示例性实施例示出的一种图像配准装置的框图。
图5是根据一示例性实施例示出的一种图像配准装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
下面结合附图1对本公开所述的图像配准方法进行详细的说明。图1是根据一示例性实施例示出的一种图像配准方法的流程图。虽然本公开提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本公开实施例提供的执行顺序。
具体的,本公开提供的一种图像配准方法一种实施例如图1所示,所述方法可以应用于终端或服务器包括:
步骤S101,获取待配准的第一图像和第二图像;
步骤S102,将所述第一图像和所述第二图像输入至图像配准模型,经所述图像配准模型输出所述第一图像和所述第二图像的配准图像,其中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得。
本公开实施例中,所述第一图像和第二图像可以包括医学图像,例如通过电子计算机断层扫描获得的CT(Computed Tomography)图像,通过核磁共振扫描仪获得的MRI(Magnetic Resonance Imaging)图像,所述CT图像又可以包括SPECT(单光子发射计算机断层成像术,Single-Photon Emission Computed Tomography)图像和PET(正电子发射断层成像术,Positron Emission Tomography)图像。在一个示例中,所述第一图像和所述第二图像可以包括二维图像或三维图像。所述第一图像和第二图像之间包括相同的物理对象,例如两图像均为脑部的图像、或者两图像均为心脏的图像。所述配准图像可以包括将第一图像的像素映射到第二图像对应像素的位置上,也可以包括将第二图像的像素映射到第一图像对应像素的位置上。通过在图像配准模型输入前,将第一图像设置为待配准图像,将第二图像设置为参考图像,输入图像配准模型后,得到将第一图像的像素映射到第二图像对应像素的位置上的配准图像;相应的,将第二图像设置为待配准图像,将第一图像设置为参考图像,输入图像配准模型后,得到将第二图像的像素映射到第一图像对应像素的位置上的配准图像。
本公开实施例中,所述位置变换关系可以包括线性位置变换关系和/或非线性位置变换关系,所述线性位置变换关系对应于图像的刚性配准,所述非线性位置变换关系对应于图像的柔性配准。在一个示例中,所述线性位置变换关系可以包括下述中的至少一种:单应性变换、刚体变换、相似变换、仿射变换、透视变换。所述单应性变换,又称作投影变换,包括齐次坐标下非奇异的线性变换;所述刚体变换包括旋转和平移变换;所述相似变换包括旋转变换、平移变换和缩放变换;所述仿射变换包括旋转变换、平移变换和缩放变换,不同于相似变换具有单一旋转因子和单一缩放因子,仿射变换具有两个旋转因子和两个缩放因子;所述透视变换包括利用透视中心、像点、目标点三点共线的条件,按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度,破坏原有的投影光线束,仍能保持承影面上投影几何图形不变的变换将图像从原平面投影到一个新的视平面。所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,其中训练的方法可以包括深度学习中有监督的神经网络学习算法和无监督的神经网络学习算法。
本公开实施例中,基于深度学习的配准方法,能够在保证图像配准稳定效果的同时,显著地提升配准速度。传统刚性配准方法,对每一对输入图像,都需要完整的优化迭代过程,消耗时间。对于某些输入数据,还需要手动调参,才能达到很好的配准效果。本技术方案中,可以在0.25s就可以完成两张128*128*64尺寸图像的配准。速度相比对于传统配准方法,速度提升非常明显。因此,本公开实施例无需对图像进行优化迭代操作,大大节省了图像配准的时间,提高了图像配准的准确度。
在一种可能的实现方式中,所述位置变换关系包括线性位置变换关系和/或非线性位置变换关系。在一个示例中,所述位置关系可以包括单一种类的线性位置变换关系,对应的图像配准模型可以进行单一的刚性配准;所述位置关系可以包括单一种类的非线性位置变换关系,对应的图像配准模型可以进行单一的柔性配准。在一个示例中,所述位置关系可以同时包括线性位置变换关系和非线性位置变换关系,对应于图像配准模型,该图像配准模型可以既对图像进行刚性配准,又对图像进行柔性配准。在一个示例中,所述位置关系可以同时包括多种线性位置变换,对应的图像配准模型可以对图像进行多次刚性配准,提高图像的配准准确度。在一个示例中,所述位置关系可以同时包括多种线性位置变换关系以及非线性位置变换关系,对应的图像配准模型可以对图像进行多次刚性配准以及柔性配准。
在一种可能的实现方式中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,确定所述待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
本公开实施例中,所述待配准样本图像记作IM,所述参考样本图像记作IF,在一个示例中,所述位置变换关系包括仿射变换,构建图像配准模型,所述图像配准模型可以采用AIRNet(仿射变换网络)网络结构,所述图像配准模型中设置有训练参数。所述分别对所述待配准的样本图像和所述参考样本图像进行特征提取,确定所述待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系,包括:分别对待配准的样本图像和参考样本图像进行卷积处理,所述卷积处理包括二维卷积处理和三维卷积处理,以解决三维图像中存在的尺度相差过大的问题,这是因为在三维图像中,最后一维可能很小,比如一张尺寸为512x512x32的图像,如果此时对这张图像的三维卷积操作,其每个维度都进行相同尺寸的缩减(如缩减8倍),则该操作的输出为64x64x4。此时最后一个维度的信息丢失过多。而如果使用二维卷积只对前两个维度进行操作,则会得到尺寸为64x64x32的输出,最后一维的信息得以保存。所以,同时使用二维卷积和三维卷积可以有效的保证图像层数不变的情况下,将图像在高宽维度上进行有效的缩减。所述二维卷积处理包括利用尺寸为3×3的卷积核进行二维卷积处理,可以将卷积处理的结果通过批量的正态处理后,使用线性整流函数以及步长为2的最大池化操作进行处理。将多次二维卷积处理的结果不断的堆叠(特征拼接),从而提取较多的图像特征。接下来对二维卷积处理的结果利用尺寸为3×3×3的卷积核进行三维卷积处理,并对三维卷积的结果进行批量的正态处理,以及使用线性整流函数进行最大池化操作。
在一个示例中,可以对上述卷积的结果使用分通道的累加操作,旨在固定卷积结果的输出长度。所述分通道的累加操作可以按照下述方式,例如以二维图像为例,对于两个彩色图像,卷积结果分别为50×50×3,60×60×3,其中,50×50表示该彩色图像长度和宽度方向特征的个数,3对应RGB三基色,表示通道数为3。对两个彩色图像的卷积结果进行分通道的累加,包括对于R、G、B三个通道,第一个图像进行50×50个R通道特征值的加法,50×50个G通道特征值的加法,50×50个B通道特征值的加法。第二个图像进行60×60个R通道特征值的加法,60×60个G通道特征值的加法,60×60个B通道特征值的加法。两个图像分别有3个特征值。在IF和IM为灰度图像的情况下,其通道数为1,使用上述卷积以及分通道累加操作后,分别得到两个固定长度的特征。合并所述两个特征,并利用全连接网络对合并后的特征进行特征提取,得到待配准样本图像特征到参考样本图像对应特征之间的仿射矩阵。具体的,在全连接网络中可以对合并后的特征进行批量正态化处理,并利用线性整流函数对全连接网络的输出进行处理,全连接网络的输出为一个12维的向量,将该向量中的元素进行重新排列为一个3×4的矩阵,该矩阵为仿射变换矩阵,记作A。Ai,j为矩阵A中的元素。设IF的坐标为(xF,yF,zF),设IA为待配准的样本图像IM的像素按照所述仿射变换映射到目标像素位置得到的配准样本图像,其坐标表示为(xA,yA,zA),经仿射变换可以得到IA的坐标,表示为:
本公开实施例中,将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像。在一个示例中,可以利用重采样器从图像IM中求得IA的像素值。所述重采样器可以使用最近邻重采样。
本公开实施例中,基于所述配准图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。在一个示例中,对配准图像IA与参考样本图像IF使用均方误差衡量图像间的差异:
其中,n表示配准图像的个数,该损失函数LA可以直接衡量两张图像之间的相似程度,通过优化该损失函数,可以对刚性配准网络进行有效的调参。
在一种可能的实现方式中,所述位置变换关系可以包括单应性变换、刚体变换、相似变换、透视变换,与上述实施例不同的是,对应的变换矩阵分别为单应性变换矩阵、刚体变换矩阵、相似变换矩阵和透视变换矩阵。所述单应性变换矩阵、刚体变换矩阵、相似变换矩阵和透视变换矩阵的表现形式为现有技术的内容,在这里不再赘述。
在一种可能的实现方式中,所述位置变换关系可以包括非线性变换。在一个示例中,构建图像配准模型,所述图像配准模型可以采用3D UNet网络结构。所述分别对所述待配准的样本图像和所述参考样本图像进行特征提取,确定所述待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系,包括:对于3D UNet网络结构的编码器端,对待配准样本图像IM和参考样本图像记作IF同时进行卷积处理,所述卷积处理可以包括利用尺寸为3×3×3的卷积核进行步长为2的卷积处理,可以利用带泄露的线性整流单元进行特征图像特征提取。对于3D UNet网络结构的解码器端,包括对编码器输出的特征利用转置卷积进行上采样,将上采样的输出结果与相对应的编码器阶段的输出进行特征融合(特征拼接),对融合后的特征继续进行多次转置卷积的上采样以及特征融合后,得到待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系。3D UNet的输出为三个矩阵ΔX,ΔY,ΔZ,且设IO为待配准的样本图像IM的像素按照所述非线性变换映射到目标像素位置得到的配准图像,其坐标表示为:(xO,yO,zO)。
本公开实施例中,将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准图像。在一个示例中,可以利用重采样器从图像IM中求得IO的像素值。所述重采样器可以使用最近邻重采样。
本公开实施例中,基于所述配准图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。在一个示例中,对配准图像IO与参考样本图像IF,利用互相关性损失函数Lcc来衡量配准图像与参考图像之间的相关性。
在一种可能的实现方式中,所述图像配准模型包括第一图像配准模型和第二图像配准模型,其中,所述第一图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的线性位置变换关系训练获得,所述第二图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的非线性位置变换关系训练获得。
本公开实施例中,所述第一图像配准模型和第二图像配准模型是分开独立训练获得的模型。在应用的时候,首先将待配准的第一图像和第二图像输入至第一图像配准模型,输出两图像的初步配准图像。由于第一图像配准模型根据待配准样本图像像素到参考样本图像像素的线性位置变换关系训练获得,因此,该初步配准图像为刚性配准图像。将该初步配准图像输入第二图像配准模型,输出配准图像。由于第二配准模型根据待配准样本图像像素到参考样本图像像素的非线性位置变换关系训练获得,因此该配准图像为前期刚性配准与后期柔性配准的配准结果。通过本公开实施例的方法,能够对待配准图像在全局上和局部上均进行配准,配准准确度高,并且通过人工神经网络训练的刚性配准,在应用时,不需要对其进行优化,因而大大节省了配准时间。
图3是根据一示例性实施例示出的一种图像配准模型训练方法的流程图。参考图3所示,所述位置变换关系包括第一位置变换关系和第二位置变换关系,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型包括第一图像配准子模型和第二图像配准子模型,且所述第一图像配准子模型和所述第二图像配准子模型设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的第一位置变换关系,将所述待配准的样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第一配准样本图像;
分别对所述第一配准样本图像和所述参考样本图像进行特征提取,基于所述第一配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述第一配准样本图像的特征到所述参考样本图像的第二位置变换关系,将所述第一配准样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第二配准样本图像;
基于所述第二配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
本公开实施例中,所述图像配准模型包括第一图像配准子模型和第二图像配准子模型,所述图像配准模型通过对第一图像配准子模型和第二图像配准子模型联合训练获得。具体的,参照图2所示,所述第一图像配准子模型包括图中的关于参考图像的第一编码器301部分,权重共享302部分,回归层303部分,所述第二图像配准子模型包括第二编码器304部分和第二解码器305部分。
本公开实施例中,对于第一图像配准子模型,可以采用分别对待配准的样本图像和参考样本图像进行二维卷积处理或三维卷积处理,以提取待配准的样本图像和所述参考样本图像的图像特征。所述二维卷积处理包括利用尺寸为3×3的卷积核进行二维卷积处理,可以将卷积处理的结果通过批量的正态处理后,使用线性整流函数以及步长为2的最大池化操作进行处理。将多次二维卷积处理的结果不断的堆叠(特征拼接),从而提取较多的图像特征。接下来对二维卷积处理的结果利用尺寸为3×3×3的卷积核进行三维卷积处理,并对三维卷积的结果进行批量的正态处理,以及使用线性整流函数进行最大池化操作。对上述卷积的结果使用分通道的累加操作。得到两个固定长度的特征。合并所述两个特征,并利用全连接网络对合并后的特征进行特征提取,得到待配准样本图像特征到参考样本图像对应特征之间的第一位置变换矩阵。利用重采样器从待配准样本图像中求得第一配准样本图像的像素值。
本公开实施例中,对于第二图像配准子模型,对所述第一配准样本图像和参考图像同时进行卷积处理,所述卷积处理可以包括利用尺寸为3×3×3的卷积核进行步长为2的卷积处理,可以利用带泄露的线性整流单元进行特征图像特征提取。对于3D UNet网络结构的解码器端,包括对编码器输出的特征利用转置卷积进行上采样,将上采样的输出结果与相对应的编码器阶段的输出进行特征融合(特征拼接),对融合后的特征继续进行多次转置卷积的上采样以及特征融合后,得到待配准样本图像的特征到所述参考样本图像的对应特征之间的第二位置变换矩阵。利用重采样器从第一配准样本图像中求得第二配准样本图像的像素值。
本公开实施例中,对于第一图像配准子模型的损失函数可以利用上述公式(2)表示,式(2)中的IA在本实施例中表示第一配准样本图像。对于第二图像配准子模型的损失函数可以利用上述公式(4)表示。则配准图像模型的损失函数为:
L=αLA+βLCC (5)
本公开实施例中,在训练的过程中,将第一图像配准子模型的输出,输入至第二图像配准子模型。同时在构建损失函数的时候,同时包含两个模型的损失函数。该训练方式不仅可以得到稳定的第一配准结果,同样也可以得到很好的第二配准结果。本公开将刚性配准和柔性配准进行整合。灵活的训练策略降低了训练的难度。同时,本公开实施例可以实现无监督训练,极大地降低了数据准备的难度。
在一种可能的实现方式中,所述将所述待配准图像和所述参考图像输入至图像配准模型,经所述图像配准模型,输出所述待配准图像相对于所述参考图像的配准图像,包括:
获取第一图像的分割标签;
分别将所述第一图像、所述分割标签和所述第二图像输入至图像配准模型,经所述图像配准模型,输出所述第一图像和第二图像的配准图像,以及所述配准图像的分割标签。
本公开实施例中,考虑到某些应用场景下,例如,医生对病人的医学图像进行分析时,常会对医学图像进行分类(分割标签),以确定患病部位所属的组织结构,供血区域会影响哪些区域等。手动的对每个图像进行分类非常耗费医生的时间。因此,可以利用所述图像配准模型对图像进行分类。需要说明的是,所述图像分类的应用不限于上述举例,例如,医学研究的其他运算等,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
本公开实施例中所述图像配准模型可以包括按照上述任一实施例中图像配准模型的训练方式获得。本公开实施例中,将第一图像、第一图像的分割标签和第二图像输入至图像配准模型,经所述图像配准模型,输出所述第一图像和第二图像的配准图像,以及所述配准图像的分割标签。其中,将第一图像和第二图像输入至图像配准模型得到第一图像和第二图像的配准图像的过程和上述实施例相同,在这里不再赘述。与上述实施例不同的是,本公开实施例对第一图像的分割标签进行与第一图像相同的配准处理,得到配准图像的分割标签。由于配准图像与第二图像相同像素的位置是相同的,因此配准图像的分割标签和第二图像的分割标签也相同。因此,通过本公开实施例中的图像配准模型,能够自动的对第二图像进行图像分类,确定其分割标签。
在一种可能的实现方式中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像及其分割标签,多个参考样本图像及其分割标签;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
将所述待配准样本图像的分割标签按照所述位置变换关系映射到目标像素位置,得到所述配准图像的分割标签;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异以及所述配准图像的分割标签与所述参考样本图像的分割标签之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
与上述图像配准模型的训练方法不同的是,本公开实施例增加了分类损失函数Lseg,用于衡量参考图像的分割标签以及配准样本图像的分割标签之间的差异,以此来优化分割标签的配准效果。因此,图像配准模型的损失函数可以表示成:
L=αLA+λ1Lcc+λ2Lseg
其中,LA表示图像配准模型中线性变换(刚性配准)的损失函数,Lcc表示图像配准模型中非线性变化(柔性变化)的损失函数,Lseg表示分类损失函数。α、λ1、λ2为训练参数。
图2是根据一示例性实施例示出的一种图像配准装置200的框图。参照图2,该装置包括获取模块201和配准模块202。
获取模块201,用于获取待配准的第一图像和第二图像;
配准模块202,用于将所述第一图像和所述第二图像输入至图像配准模型,经所述图像配准模型输出所述第一图像和所述第二图像的配准图像,其中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得。
在一种可能的实现方式中,所述位置变换关系包括线性位置变换关系和/或非线性位置变换关系。
在一种可能的实现方式中,所述配准模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,确定所述待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
在一种可能的实现方式中,所述配准模块包括:
第一配准子模块,包括第一配准子模型,所述第一配准子模型被设置为根据待配准样本图像像素到参考样本图像像素的线性位置变换关系训练获得;
第二配准子模块,包括第二配准子模型,所述第二配准子模型被设置为根据经过第一配准子模块处理后的图像像素到参考样本图像像素的非线性位置变换关系训练获得。
在一种可能的实现方式中,所述位置变换关系包括第一位置变换关系和第二位置变换关系,所述配准模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型包括第一图像配准子模型和第二图像配准子模型,且所述第一图像配准子模型和所述第二图像配准子模型设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的第一位置变换关系,将所述待配准的样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第一配准样本图像;
分别对所述第一配准样本图像和所述参考样本图像进行特征提取,基于所述第一配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述第一配准样本图像的特征到所述参考样本图像的对应特征之间的第二位置变换关系,将所述第一配准样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第二配准样本图像;
基于所述第二配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
在一种可能的实现方式中,所述配准模块包括:
获取子模块,用于获取第一图像的分割标签;
配准子模块,用于分别将所述第一图像、所述分割标签和所述第二图像输入至图像配准模型,经所述图像配准模型,输出所述第一图像和第二图像的配准图像,以及所述配准图像的分割标签。
在一种可能的实现方式中,所述配准子模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像及其分割标签,多个参考样本图像及其分割标签;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
将所述待配准样本图像的分割标签按照所述位置变换关系映射到目标像素位置,得到所述配准图像的分割标签;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异以及所述配准图像的分割标签与所述参考样本图像的分割标签之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种图相配准装置400的框图。例如,装置400可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,装置400可以包括以下一个或多个组件:处理组件402,存储器404,电源组件406,多媒体组件408,音频组件410,输入/输出(I/O)的接口412,传感器组件414,以及通信组件416。
处理组件402通常控制装置400的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件402可以包括一个或多个模块,便于处理组件402和其他组件之间的交互。例如,处理组件402可以包括多媒体模块,以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理***,一个或多个电源,及其他与为装置400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如,音频组件410包括一个麦克风(MIC),当装置400处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中,音频组件410还包括一个扬声器,用于输出音频信号。
I/O接口412为处理组件402和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器,用于为装置400提供各个方面的状态评估。例如,传感器组件414可以检测到装置400的打开/关闭状态,组件的相对定位,例如所述组件为装置400的显示器和小键盘,传感器组件414还可以检测装置400或装置400一个组件的位置改变,用户与装置400接触的存在或不存在,装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件416经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件416还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器404,上述指令可由装置400的处理器420执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图5是根据一示例性实施例示出的一种用于图相配准装置500的框图。例如,装置500可以被提供为一服务器。参照图5,装置500包括处理组件522,其进一步包括一个或多个处理器,以及由存储器532所代表的存储器资源,用于存储可由处理组件522的执行的指令,例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件522被配置为执行指令,以执行上述方法。
装置500还可以包括一个电源组件526被配置为执行装置500的电源管理,一个有线或无线网络接口550被配置为将装置500连接到网络,和一个输入输出(I/O)接口558。装置500可以操作基于存储在存储器532的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器532,上述指令可由装置500的处理组件522执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (16)
1.一种图像配准方法,其特征在于,包括:
获取待配准的第一图像和第二图像;
将所述第一图像和所述第二图像输入至图像配准模型,经所述图像配准模型输出所述第一图像和所述第二图像的配准图像,其中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得。
2.根据权利要求1所述的方法,其特征在于,所述位置变换关系包括线性位置变换关系和/或非线性位置变换关系。
3.根据权利要求1所述的方法,其特征在于,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,确定所述待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
4.根据权利要求1所述的方法,其特征在于,所述图像配准模型包括第一图像配准模型和第二图像配准模型,其中,所述第一图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的线性位置变换关系训练获得,所述第二图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的非线性位置变换关系训练获得。
5.根据权利要求1所述的方法,其特征在于,所述位置变换关系包括第一位置变换关系和第二位置变换关系,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型包括第一图像配准子模型和第二图像配准子模型,且所述第一图像配准子模型和所述第二图像配准子模型设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的第一位置变换关系,将所述待配准的样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第一配准样本图像;
分别对所述第一配准样本图像和所述参考样本图像进行特征提取,基于所述第一配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述第一配准样本图像到所述参考样本图像的第二位置变换关系,将所述第一配准样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第二配准样本图像;
基于所述第二配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
6.根据权利要求1所述的方法,其特征在于,所述将所述待配准图像和所述参考图像输入至图像配准模型,经所述图像配准模型,输出所述待配准图像相对于所述参考图像的配准图像,包括:
获取第一图像的分割标签;
分别将所述第一图像、所述分割标签和所述第二图像输入至图像配准模型,经所述图像配准模型,输出所述第一图像和第二图像的配准图像,以及所述配准图像的分割标签。
7.根据权利要求6所述的方法,其特征在于,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得,包括:
获取样本集合,所述样本集合包括多个待配准样本图像及其分割标签,多个参考样本图像及其分割标签;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
将所述待配准样本图像的分割标签按照所述位置变换关系映射到目标像素位置,得到所述配准图像的分割标签;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异以及所述配准图像的分割标签与所述参考样本图像的分割标签之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
8.一种图像配准装置,其特征在于,包括:
获取模块,用于获取待配准的第一图像和第二图像;
配准模块,用于将所述第一图像和所述第二图像输入至图像配准模型,经所述图像配准模型输出所述第一图像和所述第二图像的配准图像,其中,所述图像配准模型被设置为根据待配准样本图像像素到参考样本图像像素的位置变换关系训练获得。
9.根据权利要求8所述的装置,其特征在于,所述位置变换关系包括线性位置变换关系和/或非线性位置变换关系。
10.根据权利要求8所述的装置,其特征在于,所述配准模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,确定所述待配准样本图像的特征到所述参考样本图像的对应特征之间的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
11.根据权利要求8所述的装置,其特征在于,所述配准模块包括:
第一配准子模块,包括第一配准子模型,所述第一配准子模型被设置为根据待配准样本图像像素到参考样本图像像素的线性位置变换关系训练获得;
第二配准子模块,包括第二配准子模型,所述第二配准子模型被设置为根据经过第一配准子模块处理后的图像像素到参考样本图像像素的非线性位置变换关系训练获得。
12.根据权利要求9所述的装置,其特征在于,所述位置变换关系包括第一位置变换关系和第二位置变换关系,所述配准模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像和参考样本图像;
构建图像配准模型,所述图像配准模型包括第一图像配准子模型和第二图像配准子模型,且所述第一图像配准子模型和所述第二图像配准子模型设置有训练参数;
分别对所述待配准的样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的第一位置变换关系,将所述待配准的样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第一配准样本图像;
分别对所述第一配准样本图像和所述参考样本图像进行特征提取,基于所述第一配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述第一配准样本图像的特征到所述参考样本图像的对应特征之间的第二位置变换关系,将所述第一配准样本图像的像素按照所述第一位置变换关系映射到目标像素位置,得到第二配准样本图像;
基于所述第二配准样本图像像素位置与所述参考样本图像像素位置之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
13.根据权利要求8所述的装置,其特征在于,所述配准模块包括:
获取子模块,用于获取第一图像的分割标签;
配准子模块,用于分别将所述第一图像、所述分割标签和所述第二图像输入至图像配准模型,经所述图像配准模型,输出所述第一图像和第二图像的配准图像,以及所述配准图像的分割标签。
14.根据权利要求13所述的装置,其特征在于,所述配准子模块中的图像配准模型被设置为按照如下方式训练获得:
获取样本集合,所述样本集合包括多个待配准样本图像及其分割标签,多个参考样本图像及其分割标签;
构建图像配准模型,所述图像配准模型中设置有训练参数;
分别对所述待配准样本图像和所述参考样本图像进行特征提取,基于所述待配准样本图像的特征与所述参考样本图像的对应特征之间的关系,确定所述待配准样本图像到所述参考样本图像的位置变换关系;
将所述待配准的样本图像的像素按照所述位置变换关系映射到目标像素位置,得到配准样本图像;
将所述待配准样本图像的分割标签按照所述位置变换关系映射到目标像素位置,得到所述配准图像的分割标签;
基于所述配准样本图像像素位置与所述参考样本图像像素位置之间的差异以及所述配准图像的分割标签与所述参考样本图像的分割标签之间的差异,对所述训练参数进行迭代调整,直至所述差异满足预设要求。
15.一种图像配准装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行根据权利要求1至7中任一项所述的方法。
16.一种非临时性计算机可读存储介质,当所述存储介质中的指令由处理器执行时,使得处理器能够执行根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308450.7A CN113012207A (zh) | 2021-03-23 | 2021-03-23 | 一种图像配准方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308450.7A CN113012207A (zh) | 2021-03-23 | 2021-03-23 | 一种图像配准方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113012207A true CN113012207A (zh) | 2021-06-22 |
Family
ID=76405382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110308450.7A Pending CN113012207A (zh) | 2021-03-23 | 2021-03-23 | 一种图像配准方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516697A (zh) * | 2021-07-19 | 2021-10-19 | 北京世纪好未来教育科技有限公司 | 图像配准的方法、装置、电子设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133946A (zh) * | 2017-04-28 | 2017-09-05 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置及设备 |
CN109767460A (zh) * | 2018-12-27 | 2019-05-17 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
CN112102373A (zh) * | 2020-07-29 | 2020-12-18 | 浙江工业大学 | 一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法 |
CN112132878A (zh) * | 2020-11-03 | 2020-12-25 | 贵州大学 | 基于卷积神经网络的端到端大脑核磁共振图像配准方法 |
-
2021
- 2021-03-23 CN CN202110308450.7A patent/CN113012207A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133946A (zh) * | 2017-04-28 | 2017-09-05 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置及设备 |
CN109767460A (zh) * | 2018-12-27 | 2019-05-17 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110599526A (zh) * | 2019-08-06 | 2019-12-20 | 上海联影智能医疗科技有限公司 | 图像配准方法、计算机设备和存储介质 |
CN112102373A (zh) * | 2020-07-29 | 2020-12-18 | 浙江工业大学 | 一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法 |
CN112132878A (zh) * | 2020-11-03 | 2020-12-25 | 贵州大学 | 基于卷积神经网络的端到端大脑核磁共振图像配准方法 |
Non-Patent Citations (3)
Title |
---|
EVELYN CHEE,ET AL.: "AIRNet: Self-Supervised Affine Registration for 3D Medical Images using Neural Networks", 《ARXIV》 * |
孔韦韦,等.: "《图像融合技术 基于多分辨率非下采样理论与方法》", 31 July 2015, 西安电子科技大学出版社 * |
芦玥: "基于优化的多图谱海马体分割研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516697A (zh) * | 2021-07-19 | 2021-10-19 | 北京世纪好未来教育科技有限公司 | 图像配准的方法、装置、电子设备及计算机可读存储介质 |
CN113516697B (zh) * | 2021-07-19 | 2024-02-02 | 北京世纪好未来教育科技有限公司 | 图像配准的方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7085062B2 (ja) | 画像セグメンテーション方法、装置、コンピュータ機器およびコンピュータプログラム | |
CN110348543B (zh) | 眼底图像识别方法、装置、计算机设备及存储介质 | |
CN110148102B (zh) | 图像合成方法、广告素材合成方法及装置 | |
WO2019109801A1 (zh) | 拍摄参数的调整方法、装置、存储介质及移动终端 | |
JP6134446B2 (ja) | 画像分割方法、画像分割装置、画像分割デバイス、プログラム及び記録媒体 | |
TWI755175B (zh) | 圖像分割方法、電子設備和儲存介質 | |
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
US11030733B2 (en) | Method, electronic device and storage medium for processing image | |
EP3979194A1 (en) | Image state determination method and device, apparatus, system, and computer storage medium | |
US10863077B2 (en) | Image photographing method, apparatus, and terminal | |
Weibel et al. | Graph based construction of textured large field of view mosaics for bladder cancer diagnosis | |
WO2021259391A2 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
WO2022110969A1 (zh) | 无监督图像分割方法、电子设备和存储介质 | |
WO2021012520A1 (zh) | 三维mra医学图像拼接方法、装置、电子设备及计算机可读存储介质 | |
CN109784327B (zh) | 边界框确定方法、装置、电子设备及存储介质 | |
KR102273059B1 (ko) | 얼굴 이미지를 강화하는 방법 및 장치, 전자 기기 | |
CN113160277A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113744384A (zh) | 三维人脸重建方法、装置、电子设备及存储介质 | |
CN114140536A (zh) | 位姿数据处理方法、装置、电子设备及存储介质 | |
CN113012207A (zh) | 一种图像配准方法和装置 | |
CN110728621A (zh) | 一种面部图像的换脸方法、装置、电子设备及存储介质 | |
CN115272604A (zh) | 立体图像获取方法及装置、电子设备、存储介质 | |
CN109934168B (zh) | 人脸图像映射方法及装置 | |
CN115147466A (zh) | 图像配准方法及装置、图像处理方法及装置以及存储介质 | |
CN111768393A (zh) | 图像处理方法及装置、电子设备和存储介质 |
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: 20210622 |