CN114187335A - 多视图医学图像的配准方法、装置及设备 - Google Patents
多视图医学图像的配准方法、装置及设备 Download PDFInfo
- Publication number
- CN114187335A CN114187335A CN202111321395.1A CN202111321395A CN114187335A CN 114187335 A CN114187335 A CN 114187335A CN 202111321395 A CN202111321395 A CN 202111321395A CN 114187335 A CN114187335 A CN 114187335A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- projection
- registration
- floating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000007667 floating Methods 0.000 claims abstract description 135
- 238000011524 similarity measure Methods 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 45
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000004044 response Effects 0.000 claims description 40
- 230000002792 vascular Effects 0.000 claims description 40
- 210000004204 blood vessel Anatomy 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001356 surgical procedure Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 description 9
- 230000002490 cerebral effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 210000003625 skull Anatomy 0.000 description 4
- 238000002583 angiography Methods 0.000 description 3
- 238000007408 cone-beam computed tomography Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000022211 Arteriovenous Malformations Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000005744 arteriovenous malformation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000004865 vascular response Effects 0.000 description 1
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
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-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
- G06T2207/20—Special algorithmic details
- G06T2207/20068—Projection on vertical or horizontal image axis
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
本申请公开了一种多视图医学图像的配准方法、装置及设备，涉及医疗图像技术领域，提供在投射投影的有效区域内使用稠密采样的图像特征进行多视图医学图像进行配准，减少透视投影过程中3D空间信息的折损，提高配准效率。其中方法包括：获取参考图像的特征图像以及浮动图像的特征图像，根据参考图像的特征图像确定透视投影的有效区域，利用透视投影的有效区域对浮动图像的特征图像执行投影，得到至少一个二维投影图像；通过移动浮动图像实施配准，并在实施配准过程中利用至少一个二维投影图像，针对浮动图像所处于的当前空间位置计算配准的相似性测度；若配准的相似性测度满足预设条件，则根据浮动图像所处的当前空间位置输出配准的刚性变换结果。
Description
技术领域
本申请涉及医疗图像技术领域，尤其是涉及到一种多视图医学图像的配准方法、装置及设备。
背景技术
基于图像引导的血管微创介入手术(简称微创介入手术)，因其创长小、术后恢复快、患者普适性强、并发症风险低的特性，逐渐取代传统入侵性强的外科手术治疗。常见于治疗多种类型的脑血管疾病，如血管狭窄或闭塞、动脉瘤或动静脉畸形。
目前，根据实时性和临床可操作性需求，临床医生在微创介入手术中实时获取患者的二维医学图像，并据此在三维空间内直接引导手术器械介入。这不仅需要临床医生具备对三维解剖场景实时重建的专业能力，也需要具备图像与介入器械协同操作的专业技能，其实施难度制约了微创介入手术的安全性和有效性。对此临床上提出了一种解决方案，具体实施步骤如下：1)微创介入手术前采集患者的三维医学图像，获取病灶靶区的三维信息、解剖信息；2)临床医生可以通过三维医学图像规划治疗方案，；3)借助计算机算法，将术前三维信息或治疗方案自动且准确的批准到术中二维医学图像上，补偿二维医学图像损失的空间信息。可见，基于计算机执行3D-2D多模态医学图像配准是临床解决方案的核心技术之一，能够直接影响微创介入手术的疗效。这里3D-2D多模态医学图像配准按配准图像的从属关系可分为两大类：一类是将术前图像作为浮动图像，通过透视投影几何进行降维，建立术前3D图像与术中2D图像的相似性测度，称作正向投影策略。另一类是将术中2D图像作为浮动图像，通过透视投影几何升维，建立术术中2D图像与前3D图像的相似性测度，称作反向投影。此外，3D-2D多模态医学图像配准按参与配准的2D图像数量，可分为3D-2D单视图医学图像的配准，即一幅3D术前图像与一幅2D术中图像进行配准；以及3D-2D多视图医学图像的配准，即一幅3D术前图像与至少一幅2D术中图像进行配准。
相关技术中，针对3D-2D多视图医学图像配准的方法主要包括基于图像灰度信息的配准和基于图像特征信息的配准。然而，基于图像灰度信息的配准方法，因为需要处理浮动图像和参考图像的全局信息，导致配准效率不佳，但配准结果的准确性和鲁棒性相对较高；基于图像特征的配准方法，对图像进行特征项的离散采样，仅利用少量特征项执行配准，运算量显著降低，配准效率提高，但也加剧透视投影过程中3D空间信息的折损，导致配准的准确性和敏感性降低。
发明内容
有鉴于此，本申请提供了一种多视图医学图像的配准方法、装置及设备，主要目的在于解决现有技术中基于图像灰度信息的配准和基于图像特征信息的配准在配准精度和配准效率存在不足的问题。
根据本申请的第一个方面，提供了一种多视图医学图像的配准方法，该方法包括：
获取参考图像的特征图像以及浮动图像的特征图像，所述参考图像为术中采集的至少一个二维医学图像，所述浮动图像为术前采集的三维医学图像；
根据所述参考图像的特征图像确定透视投影的有效区域，利用所述透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像；
通过移动所述浮动图像实施配准，并在实施配准过程中利用所述至少一个二维投影图像，针对所述浮动图像所处于的当前空间位置计算配准的相似性测度；
若所述配准的相似性测度满足预设条件，则根据所述浮动图像所处的当前空间位置输出配准的刚性变换结果。
进一步地，所述参考图像为术中不同视图方向采集的两个二维医学图像，所述获取参考图像的特征图像以及浮动图像的特征图像，具体包括：
针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建的二维图像矩阵确定参考图像的特征图像；
针对所述术前采集的三维医学图像，结合多尺度增强策略构建的三维图像矩阵确定浮动图像的特征图像。
进一步地，所述针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建的二维图像矩阵确定参考图像的特征图像，具体包括：
针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建二维图像矩阵；
利用所述二维图像矩阵分解得到的特征值，生成二维图像在各尺度空间下的血管增强响应；
根据所述二维图像在各尺度空间下的血管增强响应，确定所述两个二维医学图像中二值化的图像；
对所述两个二维医学图像中二值化的图像进行距离变换，得到参考图像的特征图像。
进一步地，所述根据所述二维图像在各尺度空间下的血管增强响应，确定所述两个二维医学图像中二值化的图像，具体包括：
选取所述二维图像在各尺度空间下的血管增强响应对应的极大值，构建为二维图像的血管结构增强图像；
使用阈值分割算法将所述二维图像的血管结构增强图像分割后，选取分割后二维图像的血管结构增强图像中的最大连通域，得到所述两个二维医学图像中二值化的图像。
进一步地，所述针对所述术前采集的三维医学图像，结合多尺度增强策略构建的三维图像矩阵确定浮动图像的特征图像，具体包括：
针对所述术前采集的三维医学图像，结合多尺度增强策略构建三维图像矩阵；
利用所述三维图像矩阵分解得到的特征值，生成三维图像在各尺度空间下的血管增强响应；
选取所述三维图像在各尺度空间下的血管增强响应对应的极大值，构建为浮动图像的特征图像。
进一步地，所述根据所述参考图像的特征图像确定透视投影的有效区域，利用所述透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像，具体包括：
通过归一化所述参考图像的特征图像，确定透视投影的有效区域；
利用所述透视投影的有效区域，在采集所述参考图像对应的至少一个预设视角下对所述浮动图像的特征图像分别执行透视投影，得到至少一个二维投影图像。
进一步地，所述通过归一化所述参考图像的特征图像，确定透视投影的有效区域，具体包括：
通过归一化所述参考图像的特征图像，按照灰度强度将所述参考图像的特征图像进行划分；
选取所述参考图像的特征图像中灰度强度小于预设阈值的图像部分作为透视投影的有效区域。
进一步地，所述利用所述透视投影的有效区域，在采集所述参考图像对应的至少一个预设视角下对所述浮动图像的特征图像分别执行透视投影，得到至少一个二维投影图像，具体包括：
在设备坐标系下确定透视投影射线的源点和多个终点，所述源点为射线源的空间坐标，所述多个终点为处于所述透视投影的有效区域中各体素的空间坐标；
将所述透视投影射线的源点分别和多个终点连接形成参考图像内的多条透视投影射线，遍历投影过程中所述多条透视投影射线经过浮动图像的体素；
选取所述多条透视投影射线经过浮动图像的体素灰度最大值作为投影灰度值，构建至少一个二维投影图像。
进一步地，所述利用所述至少一个二维投影图像，针对所述浮动图像所处于的当前空间位置计算配准的相似性测度，具体包括：
在所述透视投影的有效区域，利用所述至少一个二维投影图像计算在不同视图方向上配准的相似性测度；
选取所述在不同视图方向上配准的相似性测度对应的均值，作为所述浮动图像处于当前空间位置对应的配准的相似性测度。
根据本申请的第二个方面，提供了一种多视图医学图像的配准装置，该装置包括：
获取单元，用于获取参考图像的特征图像以及浮动图像的特征图像，所述参考图像为术中采集的至少一个二维医学图像，所述浮动图像为术前采集的三维医学图像；
投影单元，用于根据所述参考图像的特征图像确定透视投影的有效区域，利用所述透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像；
计算单元，用于通过移动所述浮动图像实施配准，并在实施配准过程中利用所述至少一个二维投影图像，针对所述浮动图像所处于的当前空间位置计算配准的相似性测度；
输出单元，用于若所述配准的相似性测度满足预设条件，则根据所述浮动图像所处的当前空间位置输出配准的刚性变换结果。
进一步地，所述参考图像为术中不同视图方向采集的两个二维医学图像，所述获取单元包括：
第一确定模块，用于针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建的二维图像矩阵确定参考图像的特征图像；
第二确定模块，用于针对所述术前采集的三维医学图像，结合多尺度增强策略构建的三维图像矩阵确定浮动图像的特征图像。
进一步地，所述第一确定模块，具体用于针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建二维图像矩阵；
所述第一确定模块，具体还用于利用所述二维图像矩阵分解得到的特征值，生成二维图像在各尺度空间下的血管增强响应；
所述第一确定模块，具体还用于根据所述二维图像在各尺度空间下的血管增强响应，确定所述两个二维医学图像中二值化的图像；
所述第一确定模块，具体还用于对所述两个二维医学图像中二值化的图像进行距离变换，得到参考图像的特征图像。
进一步地，所述第一确定模块，具体还用于选取所述二维图像在各尺度空间下的血管增强响应对应的极大值，构建为二维图像的血管结构增强图像；
所述第一确定模块，具体还用于使用阈值分割算法将所述二维图像的血管结构增强图像分割后，选取分割后二维图像的血管结构增强图像中的最大连通域，得到所述两个二维医学图像中二值化的图像。
进一步地，所述第二确定模块，具体用于针对所述术前采集的三维医学图像，结合多尺度增强策略构建三维图像矩阵；
所述第二确定模块，具体还用于利用所述三维图像矩阵分解得到的特征值，生成三维图像在各尺度空间下的血管增强响应；
所述第二确定模块，具体还用于选取所述三维图像在各尺度空间下的血管增强响应对应的极大值，构建为浮动图像的特征图像。
进一步地，所述投影单元包括：
第三确定模块，用于通过归一化所述参考图像的特征图像，确定透视投影的有效区域；
投影模块，用于利用所述透视投影的有效区域，在采集所述参考图像对应的至少一个预设视角下对所述浮动图像的特征图像分别执行透视投影，得到至少一个二维投影图像。
进一步地，所述第三确定模块包括：
划分子模块，用于通过归一化所述参考图像的特征图像，按照灰度强度将所述参考图像的特征图像进行划分；
选取子模块，用于选取所述参考图像的特征图像中灰度强度小于预设阈值的图像部分作为透视投影的有效区域。
进一步地，所述投影模块包括：
确定子模块，用于在设备坐标系下确定透视投影射线的源点和多个终点，所述源点为射线源的空间坐标，所述多个终点为处于所述透视投影的有效区域中各体素的空间坐标；
投影子模块，用于将所述透视投影射线的源点分别和多个终点连接形成参考图像内的多条透视投影射线，遍历投影过程中所述多条透视投影射线经过浮动图像的体素；
构建子模块，用于选取所述多条透视投影射线经过浮动图像的体素灰度最大值作为投影灰度值，构建至少一个二维投影图像。
进一步地，所述计算单元包括：
计算模块，用于在所述透视投影的有效区域，利用所述至少一个二维投影图像计算在不同视图方向上配准的相似性测度；
选取模块，用于选取所述在不同视图方向上配准的相似性测度对应的均值，作为所述浮动图像处于当前空间位置对应的配准的相似性测度。
根据本申请的第三个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述多视图医学图像的配准方法。
根据本申请的第四方面，提供了一种多视图医学图像的配准设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述多视图医学图像的配准方法。
借由上述技术方案，本申请提供的一种多视图医学图像的配准方法、装置及设备，通过获取参考图像的特征图像以及浮动图像的特征图像，该参考图像为术中采集的至少一个二维医学图像，浮动图像为术前采集的三维医学图像，并根据参考图像的特征图像确定透视投影的有效区域，利用透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像，通过移动浮动图像实施配准，并在实施配准过程中利用至少一个二维投影图像，针对浮动图像所处于的当前空间位置计算配准的相似性测度，若配准的相似性测度满足预设条件，则根据浮动图像所处的当前空间位置输出配准的刚性变换结果。与目前现有方式中基于图像灰度信息的配准和基于图像特征信息的配准的方式相比，本申请通过选取参考图像的特征图像的方式来明确透视投影的有效区域，一方面在投影仅计算涉及有效区域内的投影图像，大幅减少需要投影的体素数量，提高浮动图像的投影效率，另一方面在使用浮动图像投影后的二维投影图像进行计算相似性测度过程中，仅需遍历有效区域内的体素获取特征信息，降低了相似性测度的计算量和计算复杂度，通过在投射投影的有效区域内使用稠密采样的图像特征进行多视图医学图像进行配准，减少透视投影过程中3D空间信息的折损，保证特征图像中特征项不严重失真、又不加剧配准问题中的病态程度，同时仅在有效区域内稠密采集特征用以迭代优化，保证配准过程中的运算量满足临床需求，提高配准精度和配准效率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种多视图医学图像的配准方法的流程示意图；
图2示出了本申请实施例提供的另一种多视图医学图像的配准方法的流程示意图；
图3示出了本申请实施例提供的多视图医学图像的配准过程的流程框图；
图4示出了本申请实施例提供的一种多视图医学图像的配准装置的结构示意图；
图5示出了本申请实施例提供的另一种多视图医学图像的配准装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
相关技术中，针对3D-2D多视图医学图像配准的方法主要包括基于图像灰度信息的配准和基于图像特征信息的配准。然而，基于图像灰度信息的配准方法，因为需要处理浮动图像和参考图像的全局信息，导致配准效率不佳，但配准结果的准确性和鲁棒性相对较高；基于图像特征的配准方法，对图像进行特征项的离散采样，仅利用少量特征项执行配准，运算量显著降低，配准效率提高，但也加剧透视投影过程中3D空间信息的折损，导致配准的准确性和敏感性降低。
为了解决该问题，本实施例提供了一种多视图医学图像的配准方法，如图1所示，该方法可以应用于图像配准平台的服务端，包括如下步骤：
101、获取参考图像的特征图像以及浮动图像的特征图像。
其中，参考图像为术中采集的至少一个二维医学图像，通常为术中使用不同视角采集的至少一个二维医学图像，对于使用两个二维医学图像的情况这里两个二维医学图像可分别在近似正交视角下采集，正交视角分别为前后向视角(Anterior-posterior View，AP)和侧向视角(Pure Lateral View，LAP)，浮动图像为术前采集的三维医学图像，这里参考图像可以为针对三维X线血管造影图像(3D X-ray Angiography，3DXA)，浮动图像可以为针对二维数字减影血管造影图像(Digital Subtracted Angiography，DSA)。
具体获取参考图像的特征图像过程中，以两个2D-DSA图像为例进行说明，可以结合多尺度增强策略，分别构建2D图像矩阵，该2D图像矩阵可以反映每个2D-DSA图像中的血管特征，进一步对每个2D图像矩阵进行特征值分解，并利用得到的特征值生成各尺度空间下的血管增强响应，并求取2D图像在各尺度空间下血管增强响应的极大值，得到两个2D图像中血管结构增强图像，使用分割算法对两个2D图像中血管增强图进行分割后，并选取图像中的最大连通域作为2D-DSA图像中二值化的血管图像，并对2D-DSA图像中二值化的血管图像进行距离变换，得到两个2D-DSA图像的特征图像。
具体获取浮动图像的特征图像过程中，以3D-DSA图像为例进行说明，可以结合多尺度增强策略，分别构建3D图像矩阵，该3D图像矩阵可以反映3D-DSA图像中的血管特征，进一步对3D图像矩阵进行特征值分解，并利用得到的特征值生成3D图像在各尺度空间下的血管增强响应，并求取3D图像在各尺度空间下血管增强响应的极大值，得到3D-DSA图像的特征图像。
对于本发明实施例的执行主体可以为多视图医学图像的配准装置，具体可以配置在图像配准平台的服务端，通过获取参考图像的特征图像和浮动图像的特征图像，来执行参考图像和浮动图像的配准过程，这里的特征图像可借助灰度值表征血管结构的解剖信息和位置信息，使得图像配准过程中，血管空间位置信息的折损率降低。
102、根据所述参考图像的特征图像确定透视投影的有效区域，利用所述透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像。
具体根据参考图像的特征图像确定透视投影的有效区域过程中，可以对参考图像的图像特征的灰度值取平方后归一化，得到图像特征中的灰度分布情况，根据灰度分布情况选取灰度值小于预设阈值的图像区域作为透视投影的有效区域。
上述透视投影的有效区域作为浮动图像的投影依据，具体在利用透视投影的有效区域对浮动图像的特征图像执行投影过程中，可以利用透视投影的有效区域确定多条透视投影射线，并使用多条透视投影射线遍历投影过程中经过浮动图像的特征图像的体素灰度最大值形成至少一个二维投影图像。
可以理解的是，参考图像的特征图像为使用距离信息所提取，具备配准所需血管结构的解剖信息，同时兼顾配准所需血管空间的位置信息，而利用参考图像的特征图像所确定透视投影的有效区域相比参考图像具有数量级更小的体素像素，大幅减少需要投影的提速数量，提高投影效率。
103、通过移动所述浮动图像实施配准，并在实施配准过程中利用所述至少一个二维投影图像，针对所述浮动图像所处于的当前空间位置计算配准的相似性测度。
由于在对浮动图像的特征图像执行投影过程中，浮动图像的空间位置会实时发生变化，使得投影得到的至少一个二维投影图像也随之发生变化，这里在移动浮动图像实时配准过程中，可以利用浮动图像的当前空间位置所获取的至少一个二维投影图像，来计算浮动图像处于当前空间位置进行配准的相似性测度，这里相似性测度相当于评判配准精度的一个数值，该数值越高，说明配准精度越高。
具体计算针对浮动图像所处于的当前空间位置计算配准的相似性测度过程中，可以在透视投影的有效区域内，针对至少一个二维投影图像和相应参考图像的特征图像对应归一化后的灰度图像进行加权平均，得到配准的相似性测度，这里每个二维投影图像与一个灰度图像会形成一个图像的相似性测度，而考虑到二维投影图像在图像采集阶段所使用不同的视图方向，针对不同视图方向可以设置加权系数，进而根据加权系数将在不同的视图方向上计算得到的至少一个相似性测度进行加权平均，当然为了节省运算量，这里可以直接取至少一个相似性测度的平均值作为配准的相似性测度。
104、若所述配准的相似性测度满足预设条件，则根据所述浮动图像所处的当前空间位置输出配准的刚性变换结果。
可以理解的是，伴随浮动图像处于不同空间位置下配准的相似性测度不同，为了寻找最优的图像配准效果，这里判断最优配准效果的预设条件可以根据配准所需要的精度进行设置，还可以根据相似性测度的数值进行设置，
具体可以使用优化算法来寻找满足预设条件的相似性测度，进而根据浮动图像所处的当前空间位置输出配准的刚性变换结果，该刚性变换结果的输出形式可以为浮动图像的移动位置信息的数值表示或矩阵表示。
本申请实施例提供的多视图医学图像的配准方法，通过获取参考图像的特征图像以及浮动图像的特征图像，该参考图像为术中采集的至少一个二维医学图像，浮动图像为术前采集的三维医学图像，并根据参考图像的特征图像确定透视投影的有效区域，利用透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像，通过移动浮动图像实施配准，并在实施配准过程中利用至少一个二维投影图像，针对浮动图像所处于的当前空间位置计算配准的相似性测度，若配准的相似性测度满足预设条件，则根据浮动图像所处的当前空间位置输出配准的刚性变换结果。与目前现有方式中基于图像灰度信息的配准和基于图像特征信息的配准的方式相比，本申请通过选取参考图像的特征图像的方式来明确透视投影的有效区域，一方面在投影仅计算涉及有效区域内的投影图像，大幅减少需要投影的体素数量，提高浮动图像的投影效率，另一方面在使用浮动图像投影后的二维投影图像进行计算相似性测度过程中，仅需遍历有效区域内的体素获取特征信息，降低了相似性测度的计算量和计算复杂度，通过在投射投影的有效区域内使用稠密采样的图像特征进行多视图医学图像进行配准，减少透视投影过程中3D空间信息的折损，保证特征图像中特征项不严重失真、又不加剧配准问题中的病态程度，同时仅在有效区域内稠密采集特征用以迭代优化，保证配准过程中的运算量满足临床需求，提高配准精度和配准效率。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，本实施例提供了另一种多视图医学图像的配准方法，如图2所示，该方法包括：
201、针对术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建的二维图像矩阵确定参考图像的特征图像。
在该步骤中，具体可以对于术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建二维图像矩阵，利用二维图像矩阵分解得到的特征值，生成二维图像在各尺度空间下的血管增强响应，并根据二维图像在各尺度空间下的血管增强响应，确定两个二维医学图像中二值化的图像，对两个二维医学图像中二值化的图像进行距离变换，得到参考图像的特征图像。
这里在确定两个二维医学图像中二值化的图像的过程中，可以选取二维图像在各尺度空间下的血管增强响应对应的极大值，构建为二维图像的血管结构增强图像，进一步使用阈值分割算法将二维图像的血管结构增强图像分割后，选取分割后二维图像的血管结构增强图像中的最大连通域，得到两个二维医学图像中二值化的图像。
实际应用过程中，对于参考图像为两个正交视角采集的两幅2D-DSA图像IDSA-AP和IDSA-LAT分别进行特征提取，其中，IDSA-AP为术中前后向视角采集的二维医学图像，IDSA-LAT为术前侧向视角采集的二维医学图像，得到两幅2D-DSA图像的特征图像IDTF-AP和IDTF-LAT，同理，IDTF-AP为术中前后向视角采集二维医学图像的图像特征，IDTF-LAT为术前侧向视角采集二维医学图像的图像特征。具体结合多尺度增强策略分别构建的二维图像矩阵确定参考图像的特征图像的过程中，这里二维图像矩阵可以为二维海森矩阵(2D-Hessian)，首先，对2D-DSA图像IDSA-AP和IDSA-LAT，结合多尺度增强策略，分别构建2D-Hessian矩阵H(x,σ),σmin≤σ≤σmax，其中，σ为多尺度空间的平滑因子，σmin为对应需要增强的血管结构的最小半径，σmax为对应需要增强血管结构的最大半径，进一步对2D-Hessian矩阵进行特征值分解，得到特征值eigH(x,σ)→λi,i＝1,2，这里特征值按λ1>λ2排序。然后，利用2D-Hessian矩阵特征值，生成各尺度空间下的血管增强响应υk:[eigH(x,σ)]，σmin≤σ≤σmax，并求取各尺度空间下，血管增强响应的极大值υsup＝sup{υk[eigH(x,σ)]:σmin≤σ≤σmax}，得到血管结构增强图像Ivesselness-AP和Ivesselness-LAT，再使用Otsu分割算法分割血管结血管结构增强图像Ivesselness-AP和Ivesselness-LAT，并选取图像中的最大连通域，得到2D-DSA图像中二值化的脑血管图像ISegVessel-AP和ISegVessel-LAT，并对ISegVessel-AP和ISegVessel-LAT进行距离变换(DistanceTransform,DTF)，得到两幅2D-DSA图像的特征图像IDTF-AP和IDTF-LAT。
202、针对术前采集的三维医学图像，结合多尺度增强策略构建的三维图像矩阵确定浮动图像的特征图像。
在该步骤中，具体可以针对术前采集的三维医学图像，结合多尺度增强策略构建三维图像矩阵，利用三维图像矩阵分解得到的特征值，生成三维图像在各尺度空间下的血管增强响应，并选取三维图像在各尺度空间下的血管增强响应对应的极大值，构建为浮动图像的特征图像。
实际应用过程中，对于浮动图像为即术前采集的3D-DSA图像IVolume进行特征提取，IVolume为术前采集的三维医学图像，得到3D-DSA图像的特征图像IVesselness-Volume。具体结合多尺度增强策略构建的三维图像矩阵确定浮动图像的特征图像的过程中，这里三维图像矩阵可以为三维海森矩阵(3D-Hessian)，首先，对3D-DSA图像IVolume，结合多尺度增强策略，构建3D-Hessian矩阵H(x,σ),σmin≤σ≤σmax，其中，σ为多尺度空间的平滑因子，σmin为对应需要增强的血管结构的最小半径，σmax为对应需要增强的血管结构的最大半径。然后对3D-Hessian矩阵进行特征值分解，得到特征值eigH(x,σ)→λi,i＝1,2,3，这里特征值按λ1>λ2>λ3排序。并利用3D-Hessian矩阵特征值，生成各尺度空间下的血管增强响应υk:[eigH(x,σ)]，σmin≤σ≤σmax，求取各尺度空间下，血管增强响应的极大值，υsup＝sup{υk[eigH(x,σ)]:σmin≤σ≤σmax}，得到3D-DSA图像的特征图像IVesselness-Volume。
203、通过归一化所述参考图像的特征图像，确定透视投影的有效区域。
在该步骤中，具体可以通过归一化参考图像的特征图像，按照灰度强度将所述参考图像的特征图像进行划分，并选取参考图像的特征图像中灰度强度小于预设阈值的图像部分作为透视投影的有效区域。
在实际应用中，可将步骤201中两幅2D-DSA图像的特征图像IDTF-AP和IDTF-LAT灰度值取平方后归一化，得到图像INormDTF-AP和INormDTF-LAT，根据设置的经验阈值，选取灰度值小于经验阈值的部分作为透视投影的有效区域RAP和RLAT。
204、利用所述透视投影的有效区域，在采集所述参考图像对应的至少一个预设视角下对所述浮动图像的特征图像分别执行透视投影，得到至少一个二维投影图像。
在该步骤中，具体可以在设备坐标系下确定透视投影射线的源点和多个终点，所述源点为射线源的空间坐标，这里多个终点为处于透视投影的有效区域中各体素的空间坐标，并将透视投影射线的源点分别和多个终点连接形成参考图像内的多条透视投影射线，遍历投影过程中多条透视投影射线经过浮动图像的体素，选取多条透视投影射线经过浮动图像的体素灰度最大值作为投影灰度值，构建至少一个二维投影图像。
在实际应用中，可在设备坐标系下明确射线源的空间坐标，此为透视投影射线的焦点，也是所有透视投影射线的源点，并将步骤203所确定透视投影的有效区域RAP和RLAT，分别对齐至设备坐标系下，使用有效区域RAP和RLAT中各体素的空间坐标，作为透视投影射线的终点，对浮动图像IVesselness-Volume执行投影，根据源点和多个终点连接的透视投影射线，遍历投影过程中射线经过的IVesselness-Volume体素，将各条透视投影射线遍历的IVesselness-Volume体素灰度最大值，作为透视投影结果中的投影灰度值，得到两幅2D投影图像IDRR-AP和IDRR-LAT。
205、通过移动所述浮动图像实施配准，并在实施配准过程中在所述透视投影的有效区域，利用所述至少一个二维投影图像计算在不同视图方向上配准的相似性测度。
206、选取所述在不同视图方向上配准的相似性测度对应的均值，作为所述浮动图像处于当前空间位置对应的配准的相似性测度。
这里不同视图方向可以包括前后向视角和侧向视角，具体计算相似性测度过程中，对于步骤203所确定透视投影的有效区域RAP和RLAT，以及步骤204所得到的两幅2D投影图像IDRR-AP和IDRR-LAT。
针对前后向视角，在有效区域RAP内，根据IDRR-AP和INormDTF-AP计算前后向视角方向的相似性测度SAP；针对测向视角，在有效区域RLAT内，根据IDRR-LAT和INormDTF-LAT计算侧向视角方向的相似性测度SLAT，并将前后向视角和侧向视角方向的相似性测度的均值，作为最终配准的相似性测度Svessel。
207、若所述配准的相似性测度满足预设条件，则根据所述浮动图像所处的当前空间位置输出配准的刚性变换结果。
具体在判断配准的相似性测度是否满足预设条件时，可使用Brent-Powell优化算法判定当前浮动图像IVolume处于当前空间位置对应的配准的相似性测度Svessel是否达到最优，如果Svessel达到最优，则结束配准，并根据浮动图像IVolume所处的当前空间位置，输出刚性变换结果Trigid，如果Svessel并未达到最优，根据Brent-Powell优化算法迭代过程，调整浮动图像IVolume所处的当前空间位置，直至相似性测度Svessel达到最优后结束配准，或触发Brent-Powell优化算法迭代截止条件后结束配准，输出配准的感性变换结果。
在实际应用场景中，多视图医学图像的配准过程可以如图3所示，具体包括如下步骤：
针对3D-DSA浮动图像，首先，对3D-DSA图像IVolume，结合多尺度增强策略，构建3D-Hessian矩阵：
然后，利用3D-Hessian矩阵特征值，生成各尺度空间下的血管增强响应：
其中，
进一步求取各尺度空间下，血管增强响应的极大值υsup＝sup{υk[eigH(x,σ)]:σmin≤σ≤σmax}，得到3D-DSA图像的特征图像IVesselness-Volume。
针对2D-DSA参考图像，首先，对2D-DSA图像IDSA-AP和IDSA-LAT，结合多尺度增强策略，分别构建2D-Hessian矩阵：
然后，利用2D-Hessian矩阵特征值，生成各尺度空间下σmin≤σ≤σmax的血管增强响应：
其中，
进一步求取各尺度空间下，血管增强响应的极大值，υsup＝sup{υk[eigH(x,σ)]:σmin≤σ≤σmax}，得到脑血管结构增强图像Ivesselness-AP和Ivesselness-LAT。
然后，使用Otsu分割算法分割脑血管结构增强图像，再选取图像中的最大连通域，得到2D-DSA图像中二值化的脑血管图像Ivesselness-AP和ISegVessel-LAT，并对二值化的脑血管图像ISegVessel-AP和ISegVessel-LAT进行距离变换(Distance Transform,DTF)，得到两幅2D-DSA图像的特征图像IDTF-AP和IDTF-LAT。
进一步使用血管增强响应作为浮动图像的特征图像(特征项)，使用距离映射作为参考图像的特征图像(特征项)来作为约束投影区域，将特征图像IDTF-AP和IDTF-LAT灰度值取平方后归一化，得到图像INormDTF-AP和INormDTF-LAT，并根据经验阈值确定DRR投影的有效区域RAP和RLAT，利用DRR投影的有效区域RAP和RLAT执行DRR投影，得到两幅2D投影图像IDRR-AP和IDRR-LAT，并根据两幅2D投影图像IDRR-AP和IDRR-LAT，计算浮动图像处于当前空间位置进行脑血管结构配准的相似性测度，进一步使用Powell算法判断相似度测度是否为最优，若是，输出刚性变换结果，否则，重复执行DRR投影过程，直至相似性测度达到最优。
综上所述，本申请提出的多视图医学图像的配准方法，相比现有技术中基于图像灰度信息的配准和基于图像特征信息的配准，至少具有以下几点有益效果：
1)选择vesselness血管特征增强响应作为3D医学图像的特征项，选择DTF距离信息作为2D医学图像的特征项，这里特征项的选择即保证具备配准所需的脑血管的解剖信息，同时也兼顾配准所需的脑血管空间位置信息，以提升针对脑血管的3D-2D多视图医学图像配准的准确性和有效性。
2)提出基于血管特征的DRR投影方法，使得浮动图像中血管结构更加完整，对比度更高，用以提升针对脑血管的3D-2D多视图医学图像配准的精度。
3)提出新的相似性测度计算方式，该相似度测度的计算量低，但能够保证针对脑血管的3D-2D多视图医学图像配准的精度需求。
4)提出在血管特征区域内使用稠密采样的特征信息进行针对脑血管的3D-2D多视图医学图像配准方法，即保证特征项不严重失真、又不加剧3D-2D配准问题中的病态程度；同时，仅在有效区域内稠密采集特征，用以迭代优化过程，保证配准过程的运算量满足临床需求。
另外，相关技术还提出为了将术前3D图像中脑血管信息配准到术中2D图像上，可以在术中添加采集一组3D CBCT图像。首先，根据术前3D图像和术中3D CBCT图像中的颅骨结构进行3D-3D刚性配准。其次，根据3D图像中，颅骨和脑血管结构的相对空间位置信息，配准脑血管结构。最后，对配准后的术前3D图像进行透视投影。但是，在术中加采一组3DCBCT，会增加患者承受的辐射剂量。而本申请中的图像配准方法，无需术中加采3D影像，对患者友好。此外，为确定3D图像中颅骨与脑血管结构的相对空间位置信息，需要对颅骨和脑血管分别进行准确的分割和定位，加剧配准前预处理环节的复杂度，也不利于血管内介入治疗所需的实时性。
进一步的，作为图1-图2方法的具体实现，本申请实施例提供了一种多视图医学图像的配准装置，如图4所示，该装置包括：获取单元31、投影单元32、计算单元33、输出单元34。
获取单元31，可以用于获取参考图像的特征图像以及浮动图像的特征图像，所述参考图像为术中采集的至少一个二维医学图像，所述浮动图像为术前采集的三维医学图像；
投影单元32，可以用于根据所述参考图像的特征图像确定透视投影的有效区域，利用所述透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像；
计算单元33，可以用于通过移动所述浮动图像实施配准，并在实施配准过程中利用所述至少一个二维投影图像，针对所述浮动图像所处于的当前空间位置计算配准的相似性测度；
输出单元34，可以用于若所述配准的相似性测度满足预设条件，则根据所述浮动图像所处的当前空间位置输出配准的刚性变换结果。
本发明实施例提供的多视图医学图像的配准装置，通过获取参考图像的特征图像以及浮动图像的特征图像，该参考图像为术中采集的至少一个二维医学图像，浮动图像为术前采集的三维医学图像，并根据参考图像的特征图像确定透视投影的有效区域，利用透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像，通过移动浮动图像实施配准，并在实施配准过程中利用至少一个二维投影图像，针对浮动图像所处于的当前空间位置计算配准的相似性测度，若配准的相似性测度满足预设条件，则根据浮动图像所处的当前空间位置输出配准的刚性变换结果。与目前现有方式中基于图像灰度信息的配准和基于图像特征信息的配准的方式相比，本申请通过选取参考图像的特征图像的方式来明确透视投影的有效区域，一方面在投影仅计算涉及有效区域内的投影图像，大幅减少需要投影的体素数量，提高浮动图像的投影效率，另一方面在使用浮动图像投影后的二维投影图像进行计算相似性测度过程中，仅需遍历有效区域内的体素获取特征信息，降低了相似性测度的计算量和计算复杂度，通过在投射投影的有效区域内使用稠密采样的图像特征进行多视图医学图像进行配准，减少透视投影过程中3D空间信息的折损，保证特征图像中特征项不严重失真、又不加剧配准问题中的病态程度，同时仅在有效区域内稠密采集特征用以迭代优化，保证配准过程中的运算量满足临床需求，提高配准精度和配准效率。
在具体的应用场景中，如图5所示，所述获取单元31包括：
第一确定模块311，可以用于针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建的二维图像矩阵确定参考图像的特征图像；
第二确定模块312，可以用于针对所述术前采集的三维医学图像，结合多尺度增强策略构建的三维图像矩阵确定浮动图像的特征图像。
在具体的应用场景中，所述第一确定模块311，具体可以用于针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建二维图像矩阵；
所述第一确定模块311，具体还可以用于利用所述二维图像矩阵分解得到的特征值，生成二维图像在各尺度空间下的血管增强响应；
所述第一确定模块311，具体还可以用于根据所述二维图像在各尺度空间下的血管增强响应，确定所述两个二维医学图像中二值化的图像；
所述第一确定模块311，具体还可以用于对所述两个二维医学图像中二值化的图像进行距离变换，得到参考图像的特征图像。
在具体的应用场景中，所述第一确定模块311，具体还可以用于选取所述二维图像在各尺度空间下的血管增强响应对应的极大值，构建为二维图像的血管结构增强图像；
所述第一确定模块311，具体还可以用于使用阈值分割算法将所述二维图像的血管结构增强图像分割后，选取分割后二维图像的血管结构增强图像中的最大连通域，得到所述两个二维医学图像中二值化的图像。
在具体的应用场景中，所述第二确定模块312，具体可以用于针对所述术前采集的三维医学图像，结合多尺度增强策略构建三维图像矩阵；
所述第二确定模块312，具体还可以用于利用所述三维图像矩阵分解得到的特征值，生成三维图像在各尺度空间下的血管增强响应；
所述第二确定模块312，具体还可以用于选取所述三维图像在各尺度空间下的血管增强响应对应的极大值，构建为浮动图像的特征图像。
在具体的应用场景中，如图5所示，所述投影单元32包括：
第三确定模块321，可以用于通过归一化所述参考图像的特征图像，确定透视投影的有效区域；
投影模块322，可以用于利用所述透视投影的有效区域，在采集所述参考图像对应的至少一个预设视角下对所述浮动图像的特征图像分别执行透视投影，得到至少一个二维投影图像。
在具体的应用场景中，如图5所示，所述第三确定模块321包括：
划分子模块3211，可以用于通过归一化所述参考图像的特征图像，按照灰度强度将所述参考图像的特征图像进行划分；
选取子模块3212，可以用于选取所述参考图像的特征图像中灰度强度小于预设阈值的图像部分作为透视投影的有效区域。
在具体的应用场景中，如图5所示，所述投影模块322包括：
确定子模块3221，可以用于在设备坐标系下确定透视投影射线的源点和多个终点，所述源点为射线源的空间坐标，所述多个终点为处于所述透视投影的有效区域中各体素的空间坐标；
投影子模块3222，可以用于将所述透视投影射线的源点分别和多个终点连接形成参考图像内的多条透视投影射线，遍历投影过程中所述多条透视投影射线经过浮动图像的体素；
构建子模块3223，可以用于选取所述多条透视投影射线经过浮动图像的体素灰度最大值作为投影灰度值，构建至少一个二维投影图像。
在具体的应用场景中，如图5所示，所述计算单元33包括：
计算模块331，可以用于在所述透视投影的有效区域，利用所述至少一个二维投影图像计算在不同视图方向上配准的相似性测度；
选取模块332，可以用于选取所述在不同视图方向上配准的相似性测度对应的均值，作为所述浮动图像处于当前空间位置对应的配准的相似性测度。
需要说明的是，本实施例提供的一种可应用于服务端侧的多视图医学图像的配准装置所涉及各功能单元的其它相应描述，可以参考图1和图2中的对应描述，在此不再赘述。
基于上述如图1-图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1-图2所示的多视图医学图像的配准方法；
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1-图2所示的方法，以及图4-图5所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种服务端实体设备，具体可以为计算机，服务器，或者其他网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1-图2所示的多视图医学图像的配准方法。
可选的，上述实体设备都还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种多视图医学图像的配准的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作***、网络通信模块。操作***是管理上述多视图医学图像的配准的实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，与目前现有方式相比，本申请通过在投射投影的有效区域内使用稠密采样的图像特征进行多视图医学图像进行配准，减少透视投影过程中3D空间信息的折损，保证特征图像中特征项不严重失真、又不加剧配准问题中的病态程度，同时仅在有效区域内稠密采集特征用以迭代优化，保证配准过程中的运算量满足临床需求，提高配准精度和配准效率。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (12)
1.一种多视图医学图像的配准方法，其特征在于，包括：
获取参考图像的特征图像以及浮动图像的特征图像，所述参考图像为术中采集的至少一个二维医学图像，所述浮动图像为术前采集的三维医学图像；
根据所述参考图像的特征图像确定透视投影的有效区域，利用所述透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像；
通过移动所述浮动图像实施配准，并在实施配准过程中利用所述至少一个二维投影图像，针对所述浮动图像所处于的当前空间位置计算配准的相似性测度；
若所述配准的相似性测度满足预设条件，则根据所述浮动图像所处的当前空间位置输出配准的刚性变换结果。
2.根据权利要求1所述的方法，其特征在于，所述参考图像为术中不同视图方向采集的两个二维医学图像，所述获取参考图像的特征图像以及浮动图像的特征图像，具体包括：
针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建的二维图像矩阵确定参考图像的特征图像；
针对所述术前采集的三维医学图像，结合多尺度增强策略构建的三维图像矩阵确定浮动图像的特征图像。
3.根据权利要求2所述的方法，其特征在于，所述针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建的二维图像矩阵确定参考图像的特征图像，具体包括：
针对所述术中不同视图方向采集的两个二维医学图像，结合多尺度增强策略分别构建二维图像矩阵；
利用所述二维图像矩阵分解得到的特征值，生成二维图像在各尺度空间下的血管增强响应；
根据所述二维图像在各尺度空间下的血管增强响应，确定所述两个二维医学图像中二值化的图像；
对所述两个二维医学图像中二值化的图像进行距离变换，得到参考图像的特征图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述二维图像在各尺度空间下的血管增强响应，确定所述两个二维医学图像中二值化的图像，具体包括：
选取所述二维图像在各尺度空间下的血管增强响应对应的极大值，构建为二维图像的血管结构增强图像；
使用阈值分割算法将所述二维图像的血管结构增强图像分割后，选取分割后二维图像的血管结构增强图像中的最大连通域，得到所述两个二维医学图像中二值化的图像。
5.根据权利要求2所述的方法，其特征在于，所述针对所述术前采集的三维医学图像，结合多尺度增强策略构建的三维图像矩阵确定浮动图像的特征图像，具体包括：
针对所述术前采集的三维医学图像，结合多尺度增强策略构建三维图像矩阵；
利用所述三维图像矩阵分解得到的特征值，生成三维图像在各尺度空间下的血管增强响应；
选取所述三维图像在各尺度空间下的血管增强响应对应的极大值，构建为浮动图像的特征图像。
6.根据权利要求1所述的方法，其特征在于，所述根据所述参考图像的特征图像确定透视投影的有效区域，利用所述透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像，具体包括：
通过归一化所述参考图像的特征图像，确定透视投影的有效区域；
利用所述透视投影的有效区域，在采集所述参考图像对应的至少一个预设视角下对所述浮动图像的特征图像分别执行透视投影，得到至少一个二维投影图像。
7.根据权利要求6所述的方法，其特征在于，所述通过归一化所述参考图像的特征图像，确定透视投影的有效区域，具体包括：
通过归一化所述参考图像的特征图像，按照灰度强度将所述参考图像的特征图像进行划分；
选取所述参考图像的特征图像中灰度强度小于预设阈值的图像部分作为透视投影的有效区域。
8.根据权利要求6所述的方法，其特征在于，所述利用所述透视投影的有效区域，在采集所述参考图像对应的至少一个预设视角下对所述浮动图像的特征图像分别执行透视投影，得到至少一个二维投影图像，具体包括：
在设备坐标系下确定透视投影射线的源点和多个终点，所述源点为射线源的空间坐标，所述多个终点为处于所述透视投影的有效区域中各体素的空间坐标；
将所述透视投影射线的源点分别和多个终点连接形成参考图像内的多条透视投影射线，遍历投影过程中所述多条透视投影射线经过浮动图像的体素；
选取所述多条透视投影射线经过浮动图像的体素灰度最大值作为投影灰度值，构建至少一个二维投影图像。
9.根据权利要求1-8中任一项所述的方法，其特征在于，所述利用所述至少一个二维投影图像，针对所述浮动图像所处于的当前空间位置计算配准的相似性测度，具体包括：
在所述透视投影的有效区域，利用所述至少一个二维投影图像计算在不同视图方向上配准的相似性测度；
选取所述在不同视图方向上配准的相似性测度对应的均值，作为所述浮动图像处于当前空间位置对应的配准的相似性测度。
10.一种多视图医学图像的配准装置，其特征在于，包括：
获取单元，用于获取参考图像的特征图像以及浮动图像的特征图像，所述参考图像为术中采集的至少一个二维医学图像，所述浮动图像为术前采集的三维医学图像；
投影单元，用于根据所述参考图像的特征图像确定透视投影的有效区域，利用所述透视投影的有效区域对所述浮动图像的特征图像执行投影，得到至少一个二维投影图像；
计算单元，用于通过移动所述浮动图像实施配准，并在实施配准过程中利用所述至少一个二维投影图像，针对所述浮动图像所处于的当前空间位置计算配准的相似性测度；
输出单元，用于若所述配准的相似性测度满足预设条件，则根据所述浮动图像所处的当前空间位置输出配准的刚性变换结果。
11.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至9中任一项所述的多视图医学图像的配准方法。
12.一种多视图医学图像的配准设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至9中任一项所述的多视图医学图像的配准方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111321395.1A CN114187335A (zh) | 2021-11-09 | 2021-11-09 | 多视图医学图像的配准方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111321395.1A CN114187335A (zh) | 2021-11-09 | 2021-11-09 | 多视图医学图像的配准方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114187335A true CN114187335A (zh) | 2022-03-15 |
Family
ID=80601461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111321395.1A Pending CN114187335A (zh) | 2021-11-09 | 2021-11-09 | 多视图医学图像的配准方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114187335A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116342588B (zh) * | 2023-05-22 | 2023-08-11 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011026958A1 (de) * | 2009-09-07 | 2011-03-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Konzept zur überlagerung eines intraoperativen livebildes eines operationsgebiets mit einem preoperativen bild des operationsgebiets |
| CN103886586A (zh) * | 2014-02-18 | 2014-06-25 | 南京邮电大学 | 一种基于互信息和梯度信息结合的医学图像配准方法 |
| CN109754396A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
| CN112102384A (zh) * | 2020-10-14 | 2020-12-18 | 山东大学 | 一种非刚性医学影像配准方法及*** |
| CN112508872A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 颅内血管图像预处理方法和电子设备 |
| CN113096166A (zh) * | 2019-12-17 | 2021-07-09 | 上海美杰医疗科技有限公司 | 一种医学影像配准的方法和装置 |
-
2021
- 2021-11-09 CN CN202111321395.1A patent/CN114187335A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011026958A1 (de) * | 2009-09-07 | 2011-03-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Konzept zur überlagerung eines intraoperativen livebildes eines operationsgebiets mit einem preoperativen bild des operationsgebiets |
| CN103886586A (zh) * | 2014-02-18 | 2014-06-25 | 南京邮电大学 | 一种基于互信息和梯度信息结合的医学图像配准方法 |
| CN109754396A (zh) * | 2018-12-29 | 2019-05-14 | 上海联影智能医疗科技有限公司 | 图像的配准方法、装置、计算机设备和存储介质 |
| CN113096166A (zh) * | 2019-12-17 | 2021-07-09 | 上海美杰医疗科技有限公司 | 一种医学影像配准的方法和装置 |
| CN112102384A (zh) * | 2020-10-14 | 2020-12-18 | 山东大学 | 一种非刚性医学影像配准方法及*** |
| CN112508872A (zh) * | 2020-11-23 | 2021-03-16 | 西安科锐盛创新科技有限公司 | 颅内血管图像预处理方法和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 王杨: "基于迭代回归的2D_3D多模态医学图像配准", 优秀硕士学位论文库, no. 7, 15 July 2020 (2020-07-15), pages 2 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116342588B (zh) * | 2023-05-22 | 2023-08-11 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Markelj et al. | A review of 3D/2D registration methods for image-guided interventions | |
| Pernus | 3D-2D registration of cerebral angiograms: A method and evaluation on clinical images | |
| US10198793B2 (en) | Image processing apparatus, image processing method, and X-ray diagnosis apparatus | |
| Zhang et al. | A markerless automatic deformable registration framework for augmented reality navigation of laparoscopy partial nephrectomy | |
| CN106651895B (zh) | 一种分割三维图像的方法和装置 | |
| US20070167784A1 (en) | Real-time Elastic Registration to Determine Temporal Evolution of Internal Tissues for Image-Guided Interventions | |
| JP2010246883A (ja) | 患者位置決めシステム | |
| Dumenil et al. | A versatile intensity-based 3D/2D rigid registration compatible with mobile C-arm for endovascular treatment of abdominal aortic aneurysm | |
| US20130070995A1 (en) | 2d/3d image registration method | |
| Schumann et al. | Fast automatic path proposal computation for hepatic needle placement | |
| CN111415404B (zh) | 术中预设区域的定位方法、装置、存储介质及电子设备 | |
| JP7055872B2 (ja) | 二次元／三次元画像コレジストレーションのためにコンピュータによって実現される情報処理方法、プログラム、医用画像分析システム、および、放射線療法治療システム | |
| US9498645B2 (en) | Dose deformation error calculation method and system | |
| US9492124B2 (en) | System and method for treatment planning of organ disease at the functional and anatomical levels | |
| Anas et al. | Bone enhancement in ultrasound using local spectrum variations for guiding percutaneous scaphoid fracture fixation procedures | |
| Mitrović et al. | 3D–2D registration in endovascular image-guided surgery: Evaluation of state-of-the-art methods on cerebral angiograms | |
| Hacihaliloglu et al. | Volume‐specific parameter optimization of 3D local phase features for improved extraction of bone surfaces in ultrasound | |
| CN114187335A (zh) | 多视图医学图像的配准方法、装置及设备 | |
| CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
| US9058651B2 (en) | System and methods for functional analysis of soft organ segments in SPECT-CT images | |
| KR102574757B1 (ko) | 주파수 영역에서 인공지능에 의한 의료영상 변환방법 및 그 장치 | |
| CN116612166A (zh) | 一种多模态影像的配准融合算法 | |
| KR102354701B1 (ko) | 이미지 처리 장치 및 이에 의한 가상의 엑스선 이미지 생성 방법 | |
| JP5632920B2 (ja) | ボケイメージ内のブラーの特性を決定するシステム及び方法 | |
| Yang et al. | Reconstruction of three-dimensional breast-tumor model using multispectral gradient vector flow snake method |
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 |