專利名稱：：配準(zhǔn)圖像的方法，用于執(zhí)行配準(zhǔn)圖像的方法的算法，用于使用所述算法配準(zhǔn)圖像的程序以...的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及用于配準(zhǔn)圖像的方法，包括下述步驟a)至少提供相同對象的第一和第二幅數(shù)字或數(shù)字化圖像或截面圖像組，所述圖像由像素或體素的二維或三維陣列形成；b)通過選擇被設(shè)置作為標(biāo)記或特征的一定數(shù)量的像素或體素，在第一幅圖像或第一組圖像內(nèi)定義一定數(shù)量的界標(biāo)，也就是特征，以及生成要跟蹤的所述特征的列表；c)通過對被選擇作為特征的每個(gè)像素或體素，確定從第一幅到第二幅圖像或到后面時(shí)刻獲得的圖像或圖像組的位置之間的光流矢量，從第一幅到所述第二幅或到后面時(shí)刻獲得的圖像或圖像組跟蹤被選擇作為特征的每個(gè)像素或體素的位置；d)通過對第二幅圖像或圖像組的像素或體素施加逆光流矢量，來將第一和第二幅圖像或后面時(shí)間獲得的圖像或圖像組配準(zhǔn)。
背景技術(shù)：
：作為時(shí)序的部分的該類圖像配準(zhǔn)方法例如從文獻(xiàn)US6,553,152得知。文獻(xiàn)US6,553,152提供對兩幅圖像的圖像配準(zhǔn)方法，由人類操作員在兩幅圖像上的視覺界標(biāo)識(shí)別和標(biāo)記對應(yīng)的像素來完成。該方法完全將標(biāo)記的選擇留給操作員，并且當(dāng)在圖像中不存在顯著或明確可辨認(rèn)的結(jié)構(gòu)時(shí)尤其非常難以執(zhí)行。考慮到諸如磁共振成像(MRI)或超聲或射線照相圖像的診斷圖像，利用圖像的結(jié)構(gòu)特征進(jìn)行的標(biāo)記的視覺識(shí)別極為困難并且可能導(dǎo)致大錯(cuò)誤。多種不同算法嘗試識(shí)別輪廓，如在Fischer,B.;Modersitzki，J.CurvatureBasedRegistrationwithApplicationstoMRMammography;Springer-VerlagBerlinHeidelberg:ICCS2002,LNCS2331，2002;pp202-206中所公開的，或者識(shí)別已經(jīng)被測量兩次或多次或甚至利用不同模態(tài)研究過的組織/區(qū)域的放射圖像中的標(biāo)記，例如在ShiJ，TomasiC.GoodFeaturestoTrack.1994年計(jì)算機(jī)視覺和模式識(shí)別的IEEE國際會(huì)議(1994IEEEConferenceonComputerVisionandPatternRecognition,CVPR'94)1994;593-600、和在TommasiniT,FusielloA，TruccoE,RobertoV.MakingGoodFeaturesTrackBetter計(jì)算機(jī)視覺和模式識(shí)別的IEEE國際會(huì)議(Proc.IEEEInt.Conf.OnComputerVisionandPatterRecognition,CVPR，98)1998;178-183中、以及在Ruiter，N.V.，Muller,T.O.;Stotzka，R,Kaiser,W.A.Elasticregistrationofx-raymammogramsandthree-dimensionalmagneticresonanceimagingdata.JDigitImaging2001,14，52-55中所公開的。配準(zhǔn)在不同時(shí)間獲得的相同對象的兩個(gè)平面圖像以計(jì)算隨著時(shí)間的對象移動(dòng)，被稱為二維配準(zhǔn)。做法相同但是在三維圖像組上進(jìn)行的算法，該三維圖像組例如MRI或計(jì)算機(jī)X射線斷層攝影(CT)掃描儀的一組截面圖，被稱為三維配準(zhǔn)。界標(biāo)或?qū)ο蟮囊苿?dòng)可能在這些圖像組中的任何方向上發(fā)生。根據(jù)將要比較的成像的不同模態(tài)的數(shù)量，算法可以被劃分為單模態(tài)配準(zhǔn)和多模態(tài)配準(zhǔn)算法。比較兩個(gè)MRI系列是單模態(tài)配準(zhǔn)。通常單模態(tài)配準(zhǔn)算法嘗試識(shí)別在兩幅圖像中的確定的標(biāo)記或復(fù)雜形狀，大多在二維中進(jìn)行。在第二步驟中，比較兩幅圖像中的對應(yīng)標(biāo)記的位置并計(jì)算它們的移動(dòng)矢量。該信息被用于將第二圖像的所有像素移回到新位置，以消除運(yùn)動(dòng)偽影。"剛性配準(zhǔn)"將二維或三維圖像/體積作為單個(gè)單元移到某個(gè)方向中。"非剛性配準(zhǔn)"僅僅將某個(gè)面積/體積的單個(gè)或多個(gè)像素/體素移動(dòng)到不同方向中。至于例如乳腺組織，其是非常柔性的，需要非剛性配準(zhǔn)來消除運(yùn)動(dòng)偽影。因?yàn)槠洳痪哂腥魏涡纬山Y(jié)構(gòu)諸如骨骼的特定堅(jiān)固性，直接相鄰的乳腺的部分可以移動(dòng)到不同方向中。因此，顯然任何配準(zhǔn)算法或任何其他現(xiàn)存方法必需識(shí)別并且在乳腺組織各處散布界標(biāo)。一組算法定義需要被找到的有限數(shù)量的標(biāo)記。這些將由它們的效價(jià)(valence)來分類。關(guān)于乳腺M(fèi)R圖像，因?yàn)樵贛RI中脂肪/空氣之間的高度對比，這些方法經(jīng)常在乳腺的外緣處以及在胸部結(jié)構(gòu)處發(fā)現(xiàn)大量標(biāo)記(Huwer，S.;Rahmel,J.;Wangenheim,A.V.Data-DrivernRegistrationforLacalDeformations.PatternRecognitionLetters1996，17,951-957)。使用壓板或至少通過俯臥位置壓迫雙乳使其固定，通常導(dǎo)致與壓緊裝置直接接觸的皮膚的所有部分的良好固定(圖1)。相反，雙乳的內(nèi)部區(qū)域通過心跳和呼吸而保持輕微移動(dòng)。因?yàn)檩^之外部皮膚/空氣邊界，在脂肪和實(shí)質(zhì)之間的對比度低得多，所以在乳腺中央內(nèi)的有效標(biāo)記數(shù)量在這些算法中保持較低。在界標(biāo)選擇中的一個(gè)一般性問題在于這樣的事實(shí)選擇太少的界標(biāo)可能導(dǎo)致不充分或不準(zhǔn)確的配準(zhǔn)。然而，選擇額外的界標(biāo)不一定保證準(zhǔn)確配準(zhǔn)，因?yàn)槿祟愑^察者或任何程序會(huì)被迫使包括被重新分配的較低確定性的界標(biāo)，例如由乳腺中央中的不同組織類型的較低對比導(dǎo)致的界標(biāo)。提高界標(biāo)數(shù)量總會(huì)顯著增加配準(zhǔn)的計(jì)算復(fù)雜度。尤其適于所謂的非剛性配準(zhǔn)的特征選擇和特征跟蹤算法就是所謂的Lucas&Kanade算法及其特定金字塔實(shí)現(xiàn)(pyramidalimplementation),詳細(xì)地公開于LucasBD，KanadeT.AnIterativeImageRegistrationTechniquewithanapplicationtoStereoVision,IJCAI81;674-6791981中，以及BouguetJY的PyramidalImplementationoftheLucasKanadeFeatureTracker,其作為Intel公司開放的計(jì)算機(jī)視覺庫文獻(xiàn)的部分的技術(shù)報(bào)告，包括在下文中作為附件1。Lucas&Kanade技術(shù)及其金字塔特征跟蹤實(shí)現(xiàn)尤其適于自動(dòng)識(shí)別在圖像中的可靠標(biāo)記以及適于在不同時(shí)間得到的兩幅圖像之間跟蹤它們。所選的特征的位移或漂移被確定作為漂移或所謂的光流矢量。該技術(shù)被廣泛用于例如機(jī)器人學(xué)中的計(jì)算機(jī)視覺，以及是在數(shù)個(gè)基本課程所指導(dǎo)的數(shù)字圖像處理和計(jì)算機(jī)視覺中，技術(shù)人員普通知識(shí)的部分。然而，考慮應(yīng)用于數(shù)字或數(shù)字化診斷圖像以及更具體地應(yīng)用于乳腺的Lucas&Kanade技術(shù)的實(shí)際使用，所述技術(shù)也在感興趣的區(qū)域之外識(shí)別太多特征，并且經(jīng)受例如在乳腺周圍的空氣中的噪聲。以下例子給出上述問題的更詳細(xì)概念。對比增強(qiáng)(CE)磁共振乳腺成像(MRM)是對于浸潤性腫瘤具有敏銳靈敏度的有用且重要的研究。其示出不依賴于乳腺實(shí)質(zhì)密度的高陰性預(yù)測值。近來的多中心研究指出，靈敏度和特異性根據(jù)圖像分析的技術(shù)而不同。使用1.5T掃描器，分別計(jì)算出96、93或86%的靈敏度和30、50或70%的特異性。因此，MRM的主要缺點(diǎn)仍然是高百分比的假陽性診斷。通常在患者處于俯臥位置的同時(shí)，'配有制造商的雙乳房線圈(在美國經(jīng)常是單乳房線圈裝置)的1.0或1.5Tesla成像器上，執(zhí)行MR成像。方案至少包括具有在30和180s之間的某個(gè)獲得時(shí)間、在任何取向上的動(dòng)態(tài)對比增強(qiáng)T1加權(quán)序列。至少一個(gè)測量在釓噴酸葡胺或任何其他順磁性MR造影劑推注之前獲得，以及數(shù)個(gè)測量在推注后獲得。為了計(jì)算乳腺組織區(qū)域攝取的實(shí)際造影劑，需要將造影劑施加前的每個(gè)體素的信號(hào)強(qiáng)度從造影劑施加后的信號(hào)強(qiáng)度中減去。因?yàn)橛珊粑托奶鴮?dǎo)致的雙乳的最小移動(dòng)以及由MR圖像的切片厚度導(dǎo)致的部分容積效應(yīng)，在不同時(shí)間得到的相同圖像位置的體素不精確示出乳腺組織的相同容積。因此，減影圖像不完全是黑的(除了腫瘤)。小移動(dòng)的影響在乳房的外緣出可能演示得最好。因?yàn)橹窘M織的高信號(hào)強(qiáng)度和周圍空氣的信號(hào)強(qiáng)度大約為零，非常小的移動(dòng)就將脂肪置于空氣的之前圖像位置處。通過應(yīng)用CM從脂肪的髙信號(hào)強(qiáng)度減去空氣的零信號(hào)強(qiáng)度貌似高信號(hào)提升。結(jié)果是，減影圖像在成像乳腺的至少部分周圍示出表示造影劑強(qiáng)攝取的白色粗線(圖2-乳腺的白色外邊界由跡象標(biāo)出)。關(guān)于笛卡兒系統(tǒng)定義的三維或容積圖像獲得，除了在x和y方向上的任何移動(dòng)之外，人們總會(huì)找到在z方向(向著胸部)的一些移動(dòng)。這由在研究過程期間的患者放松而導(dǎo)致。為了減少偽影，乳房通常通過一些類型的壓緊方法(取決于制造商)，固定在乳房線圈內(nèi)。但是即使這樣，還總是發(fā)生微小的移動(dòng)。因此，盡管固定了乳房，但是圖像總是顯示出在x、y和z方向上的輕微運(yùn)動(dòng)偽影，該運(yùn)動(dòng)偽影在減影圖像視覺可見作明亮的像素。沒有運(yùn)動(dòng)偽影的話，則減影圖像除了腫瘤組織占據(jù)的區(qū)域外應(yīng)該是全黑的。在周圍空氣的噪聲信號(hào)內(nèi)，在乳腺外部檢測到一定數(shù)量的界標(biāo)。除了所考慮的每個(gè)特征需要被跟蹤以及導(dǎo)致不必要的計(jì)算負(fù)擔(dān)的事實(shí)之外，噪聲是隨機(jī)效應(yīng)，且在噪聲中找到的所有特征或界標(biāo)不會(huì)在第二或后續(xù)圖像中具有對應(yīng)的界標(biāo)。但是，實(shí)際上，在第二或后續(xù)幅圖像或圖像組中，搜索對應(yīng)于之前在噪聲中找到的界標(biāo)的界標(biāo)的算法，將以某種方式重新分配第二圖像或圖像組中一定量的界標(biāo)。這可以導(dǎo)致圖像的不正確配準(zhǔn)并影響結(jié)果。根據(jù)當(dāng)前已知的方法，可以如下執(zhí)行"特征選擇"Bl)定義第一圖像或第一組截面圖像的每個(gè)像素或體素周圍鄰域像素或體素，所述鄰域像素或體素包括有限數(shù)量的像素或體素；在單幅圖像的情況下選擇二維鄰域，在一組截面圖像的情況下選擇三維鄰域；B2)對于每個(gè)像素或體素，確定該像素或體素的所有鄰域像素或體素的平均信號(hào)強(qiáng)度值；B3)定義平均信號(hào)強(qiáng)度閾值；B4)比較步驟B2為每個(gè)鄰域像素或體素確定的平均信號(hào)強(qiáng)度值，以及將所述平均信號(hào)強(qiáng)度值與平均信號(hào)強(qiáng)度閾值做比較；B5)在所述鄰域的平均信號(hào)強(qiáng)度值高于步驟B4的閾值的情況下，該像素或體素被定義作為要跟蹤的特征，并且被添加到要跟蹤的特征的列表中。平均信號(hào)強(qiáng)度閾值可以調(diào)節(jié)且可以改變。經(jīng)驗(yàn)或?qū)嶒?yàn)的標(biāo)準(zhǔn)可用于確定該閾值，例如通過在一組測試或取樣圖像上執(zhí)行該方法，以及比較針對不同閾值獲得的結(jié)果。當(dāng)前，例如通過對二維圖像或作為廣義二維情況的三維圖像應(yīng)用所謂的Lucas&1^1^(16算法，來執(zhí)行自動(dòng)特征選擇。根據(jù)公知的Lucas&Kanade方法的自動(dòng)特征選擇方法更詳細(xì)地記載于LucasBD,KanadeT.AnIterativeImageRegistrationTechiquewithanApplicationtoStereoVision,IJCAI81;674-6791981。在三維中進(jìn)行、并由此在代表數(shù)據(jù)的三維容積的一組截面圖像中進(jìn)行的自動(dòng)特征選擇是Lucas&Kanade二維特征檢測算法的充分?jǐn)U展并在以下描述中更詳細(xì)地進(jìn)行解釋。要強(qiáng)調(diào)，在本描述和權(quán)利要求中，術(shù)語"特征"等效于術(shù)語"可有效跟蹤的界標(biāo)"。在用于自動(dòng)選擇要跟蹤的界標(biāo)或特征的上述方法的協(xié)助下，可以執(zhí)行對象的圖像配準(zhǔn)。得益于配準(zhǔn)，可以補(bǔ)償運(yùn)動(dòng)差異，也稱為運(yùn)動(dòng)偽影。然而，配準(zhǔn)的圖像序列不具有滿意的視覺外觀。在利用以上方法處理圖像之后，圖像呈現(xiàn)不夠清晰或示出其他效應(yīng)。此外，雖然用于有效界標(biāo)或特征的自動(dòng)選擇的方法是有用的工具，其允許根據(jù)客觀標(biāo)準(zhǔn)在圖像中選擇要跟蹤的有效界標(biāo)，而避免"手動(dòng)"執(zhí)行選擇，也就是視覺上依靠人類操作員的技能，但是有效界標(biāo)的識(shí)別僅留有一個(gè)具體標(biāo)準(zhǔn)，該特定標(biāo)準(zhǔn)是梯度矩陣特征值的函數(shù)，通過如下來確定考慮圖像的每個(gè)像素作為靶像素，以及定義每個(gè)靶像素周圍的窗，該窗包括圍繞靶像素的一定數(shù)量的像素。這些方法步驟是一類邊緣檢測，以及在已經(jīng)被識(shí)別具有邊緣的特征的耙像素中，僅僅一些被選擇作為用于配準(zhǔn)過程的有效可跟蹤的界標(biāo)。
發(fā)明內(nèi)容本發(fā)明的目的在于，提供用于配準(zhǔn)圖像、尤其是以二維或三維組織的生物醫(yī)學(xué)診斷圖像的方法，其有效克服了已知配準(zhǔn)方法的缺點(diǎn)，通過能夠跟蹤在二維或三維中的移動(dòng)；減少特別是在數(shù)字或數(shù)字化圖像中感興趣的區(qū)域外的噪聲導(dǎo)致的偽影；以及不依賴于相鄰組織類型的信號(hào)強(qiáng)度中高或低的差異，在乳腺中到處散布界標(biāo)。具體地，本發(fā)明的目的是改進(jìn)選擇要在圖像中跟蹤的有效界標(biāo)的步驟。根據(jù)本發(fā)明，用于配準(zhǔn)圖像的方法包括以下步驟a)提供利用組織或組織區(qū)或者解剖區(qū)域的MRI、超聲或射線照相掃描得到的第一數(shù)字或數(shù)字化圖像或截面圖像組；所述圖像由像素或體素的二維或三維陣列形成；在所述組織或組織區(qū)或在所述解剖區(qū)域中存在造影介質(zhì)的情況下，在任選的第二時(shí)間，提供利用相同組織或組織區(qū)或者相同的解剖區(qū)域的MRI、超聲或射線照相掃描得到的相同解剖區(qū)域的至少第二數(shù)字或數(shù)字化圖像或截面圖像組；b)通過選擇被設(shè)置作為界標(biāo)或特征的一定數(shù)量的像素或體素，以及生成要跟蹤的所述特征的列表，在第一圖像或圖像組中定義一定數(shù)量的界標(biāo)，所謂的特征；c)通過對被選擇作為特征的每個(gè)像素或體素確定從第一到第二幅圖像或圖像組的光流矢量，來從第一到第二圖像或圖像組跟蹤被選擇作為特征的每個(gè)像素或體素的位置；d)通過對第二圖像或圖像組的像素或體素應(yīng)用逆光流，來配準(zhǔn)第一和第二圖像或圖像組。并且其中執(zhí)行自動(dòng)可跟蹤的界標(biāo)選擇步驟是:Bl)定義第一圖像或第一組截面圖像的每個(gè)像素或體素周圍鄰域像素或體素，所述鄰域像素或體素包括有限數(shù)量的像素或體素；B2)對于每個(gè)耙像素或體素，確定一個(gè)或多個(gè)特性參數(shù)，其作為描述所述靶像素或體素以及所述像素或體素窗的每個(gè)或部分像素或體素的外觀的數(shù)字參數(shù)(所謂的數(shù)字外觀參數(shù))的函數(shù)，以及作為表示所述窗的像素或體素的數(shù)字參數(shù)的矩陣或所述數(shù)字矩陣的轉(zhuǎn)換的一個(gè)或多個(gè)特性參數(shù)的函數(shù)被計(jì)算；B3)將存在于有效可跟蹤的界標(biāo)或特征的像素或體素定義為靶像素或體素的所述特性參數(shù)的函數(shù)。根據(jù)本發(fā)明的第一實(shí)施方式，用于判定靶像素或體素是否是要跟蹤的有效界標(biāo)或特征的函數(shù)在于將靶像素或體素的所述特性參數(shù)的每一個(gè)或組合的值與閾值進(jìn)行比較。閾值利用實(shí)驗(yàn)確定，通過在一組測試或取樣圖像上執(zhí)行該方法并比較針對不同閾值獲得的結(jié)果。用于判定靶像素或體素是否是要跟蹤的有效界標(biāo)或特征的備選方法是以矢量形式組織靶像素或體素的特性參數(shù)，所述矢量形式是分類算法的輸入矢量。為了處理包括耙像素或體素的一定數(shù)量的特性參數(shù)作為分量(component)的矢量，分類算法需要被特別安排用于執(zhí)行所述任務(wù)。因此，根據(jù)上述備選的本發(fā)明方法包括以下步驟提供己知情況的一定數(shù)量的圖像，其中，一定數(shù)量的有效界標(biāo)已經(jīng)被識(shí)別為有效可跟蹤的界標(biāo)或特征；通過應(yīng)用在上面公開的步驟Bl)和B2)中的自動(dòng)可跟蹤的界標(biāo)選擇步驟，針對在該一定數(shù)量的圖像中對應(yīng)于所述識(shí)別為有效可跟蹤的界標(biāo)的像素或體素，確定一特性參數(shù)組；生成矢量，該矢量與每個(gè)被識(shí)別為有效可跟蹤的界標(biāo)明確相關(guān)，并且包括與有效可跟蹤界標(biāo)相符的像素或體素的所述特性參數(shù)作為分里；借助變量的預(yù)定數(shù)字值描述有效可跟蹤界標(biāo)的性質(zhì)，以及將所述數(shù)字值與編碼符合有效可跟蹤的界標(biāo)的每個(gè)像素或體素的矢量相關(guān)聯(lián)；編碼符合有效可跟蹤的界標(biāo)的每個(gè)像素或體素的每個(gè)矢量形成用于分類算法的訓(xùn)練數(shù)據(jù)庫(trainingdatabase)的記錄；利用所述數(shù)據(jù)庫來訓(xùn)練分類算法；通過將包括所述靶像素或體素的特性參數(shù)的矢量提供給訓(xùn)練分類算法的輸入，來確定靶像素或體素的有效可跟蹤界標(biāo)的性質(zhì)。根據(jù)改進(jìn)，該訓(xùn)練數(shù)據(jù)庫還包括已知情況的圖像的像素或體素的以矢量形式組織的特性參數(shù)，這些像素或體素與已知不是有效可跟蹤的界標(biāo)的界標(biāo)相符，并且利用變量的預(yù)定數(shù)字值來描述非有效可跟蹤的界標(biāo)的性質(zhì)，該預(yù)定數(shù)字值不同于描述有效可跟蹤界標(biāo)的性質(zhì)的所述變量的值，同時(shí)將描述非有效可跟蹤的界標(biāo)的性質(zhì)的所述數(shù)字值添加到編碼與所述已知非有效可跟蹤界標(biāo)之一相符的每個(gè)像素或體素的矢量。用于通過使用分類算法確定有效可跟蹤界標(biāo)的這種自動(dòng)方法具有另外的優(yōu)點(diǎn)，即還提供指示分類可靠性的統(tǒng)計(jì)量度，諸如擬合度(fitness)或其他類似的統(tǒng)計(jì)指標(biāo)?？梢允褂眠@些算法的任何類型作為分類算法。分類算法的特定情況可以是所謂的聚類算法或人工神經(jīng)網(wǎng)絡(luò)。關(guān)于特性數(shù)字參數(shù)，其作為描述所述靶像素或體素以及所述像素或體素窗的每個(gè)或部分像素或體素的外觀的數(shù)字外觀參數(shù)的函數(shù)，以及作為數(shù)字矩陣或表示所述窗的像素或體素的所述數(shù)字矩陣的轉(zhuǎn)換的一個(gè)或多個(gè)特性參數(shù)的函數(shù)被計(jì)算，許多不同的函數(shù)可以以很多不同組合來使用。用于確定對應(yīng)于特征或有效可跟蹤界標(biāo)的靶像素或體素的特性參數(shù)的第一函數(shù)是所述鄰域像素或體素的所有像素或體素的平均強(qiáng)度值。靶像素或體素的其它特性參數(shù)是表示在步驟B1)定義的所述窗的像素或體素、也就是在靶像素或體素鄰域的一定數(shù)量的像素或體素的數(shù)字矩陣的特性參數(shù)，所述特性參數(shù)是包括所述窗的像素或體素的圖像敎據(jù)的數(shù)字矩陣的奇異值。代替或結(jié)合上述的特性參數(shù)，靶像素或體素的其它特性參數(shù)是表示所述窗的像素或體素的所述數(shù)字矩陣的梯度矩陣的特征值。靶像素或體素的其它特性參數(shù)是表示所述窗的像素或體素的所述數(shù)字矩陣的Hessian矩陣的特征值。可以代替或結(jié)合以上公開提供的靶像素或體素的特性參數(shù)的另一選擇是對應(yīng)于所述窗的像素或體素的數(shù)據(jù)數(shù)字矩陣的小波變換的一個(gè)或多個(gè)系數(shù)。在這種情況下，可以選擇替換或結(jié)合地使用多個(gè)小波基函數(shù)。在附件1中給出小波變換的更詳細(xì)描述。該附件是可以從互聯(lián)網(wǎng)得到的刊文，Duke大學(xué)的BraniVidakovic和PeterMueller提出的標(biāo)題為"WaveletforKids,Atutorialintroduction"。在該文獻(xiàn)中，概述并i寸論了小波理論，并且公開了對于圖像處理的一些應(yīng)用。從公開圖像處理中的小波的章節(jié)可見，執(zhí)行小波分解允許獲得參數(shù)。對于分解的每個(gè)水平，小波變換生成表示平均的一個(gè)矩陣和表示所謂細(xì)節(jié)的三個(gè)矩陣。根據(jù)以上矩陣的一個(gè)或多個(gè)，可以提取一些參數(shù)，通過例如但是不僅僅是取得矩陣的元素的平均值，或者第二個(gè)例子是通過取得該矩陣的奇異值。這些參數(shù)的全部或這些參數(shù)的一些可被用作靶像素或體素的特性參數(shù)，或被用于形成矢量的分量，所述矢量的分量表示每個(gè)耙像素或體素與所選窗中包括的周圍像素或體素的關(guān)系?？梢蕴鎿Q或結(jié)合上面所公開地提供的靶像素或體素的特性參數(shù)的另一選擇是，表示所述窗的像素或體素的所述數(shù)字矩陣的自相關(guān)變換的一個(gè)或多個(gè)系數(shù)。圖像處理中的自相關(guān)通常被用作用于表征圖像紋理的工具以及由兩幅圖像的數(shù)學(xué)評(píng)估組成。該兩幅圖像可以或者在不同時(shí)刻取得，或者可以通過空間轉(zhuǎn)換第一幅圖像并取得結(jié)果作為第二幅圖像來生成。自相關(guān)確定在這兩幅圖像之間的關(guān)系。該數(shù)學(xué)評(píng)估提供在編碼靶像素或體素時(shí)，減少要考慮的參數(shù)數(shù)量的可能性。靶像素或體素的其它特性參數(shù)可以為，表示所述窗的像素或體素的所述數(shù)字矩陣的共生矩陣(或其奇異值)。共生矩陣是被固定空間關(guān)系分開的一對像素的二維灰度直方圖。該矩陣近似一對像素的聯(lián)合概率分布。其通常用于計(jì)算紋理度量，如對比度和熵。根據(jù)耙像素或體素的特性參數(shù)的以上特定例子，由以下的兩個(gè)或多個(gè)的組合或次組合來描述每個(gè)靶像素或體素表示窗的像素或體素的數(shù)字值矩陣的特征值或奇異值；和/或梯度矩陣或表示所述窗的像素或體素的所述數(shù)字的Hessian矩陣的特征值；和/或小波變換的一個(gè)或多個(gè)系數(shù)；和/或自相關(guān)變換的一個(gè)或多個(gè)系數(shù)；和/或共生矩陣的一個(gè)或多個(gè)元或奇異值；和/或所述窗的像素或體素和靶像素或體素的平均強(qiáng)度值。如已經(jīng)公開的，通過為每一個(gè)所述特性參數(shù)或?yàn)樗鰠?shù)的組合定義閾，所述特性參數(shù)可被用于判定靶像素或體素是否可以被認(rèn)為是圖像中的有效可跟蹤界標(biāo)。另一標(biāo)準(zhǔn)可以是以矢量形式組織所述特性參數(shù)，其中，每個(gè)參數(shù)是所述矢量的分量，并通過確定所述矢量的模和將該值與用于所述模的閾值進(jìn)行比較。或者，所述矢量可以通過上面已經(jīng)公開的分類算法進(jìn)行處理。在描述每個(gè)耙像素或體素的數(shù)字值和通過所選像素或體素窗定義的選擇的鄰域像素或體素之間的關(guān)系通過以下來概述原始數(shù)字矩陣的所述不同變換的所述奇異值和/或特征值，該原始數(shù)字矩陣是僅僅表示每個(gè)像素或體素的外觀的值；和/或小波變換的一個(gè)或多個(gè)系數(shù)；和/或自相關(guān)變換的一個(gè)或多個(gè)系數(shù)；和/或共生矩陣的一個(gè)或多個(gè)元素奇異值，并且在每個(gè)矢量中，該關(guān)系由不同的數(shù)字值來定義，所述數(shù)字值尤其適于突出在所選窗內(nèi)圖像的像素或體素之間關(guān)系的某種類型或?qū)Υ遂`敏。所以考慮這些特性參數(shù)的部分或全部，用來對像素或體素確定有效可跟蹤界標(biāo)的性質(zhì)，有助于更好且更完全地考慮該像素或體素與其余圖像的關(guān)系。已經(jīng)提到，以上方法可以用于配準(zhǔn)相同或不同類型掃描器在磁共振成像(MRI)或計(jì)算機(jī)化X射線斷層攝影(CT中得到的兩個(gè)診斷圖像或三維圖像容積。以上公開的配準(zhǔn)方法還與造影介質(zhì)增強(qiáng)的診斷成像方法組合提供，諸如MRI或超聲圖像，尤其是對比增強(qiáng)的磁共振乳腺成像(MRM)。在該方法中，為了計(jì)算乳腺組織區(qū)域攝取的實(shí)際造影劑，造影劑應(yīng)用之前每個(gè)體素的信號(hào)強(qiáng)度必需從造影劑應(yīng)用之后的信號(hào)強(qiáng)度中減去。由此，將在成像組織中不存在造影劑時(shí)取得的第一圖像與在成像組織中存在且灌注造影劑的第二或以后時(shí)間取得的第二圖像配準(zhǔn)，有助于高成功度抑制如果不執(zhí)行配準(zhǔn)的話由于患者移動(dòng)所導(dǎo)致的所述圖像數(shù)據(jù)減影中會(huì)出現(xiàn)的偽影。打算的想法是，將所述兩幅圖像相減將導(dǎo)致對應(yīng)于匯聚造影劑的組織區(qū)的像素或體素的高強(qiáng)度水平。不存在造影劑作用的所有其他區(qū)會(huì)呈現(xiàn)為低強(qiáng)度像素或體素，具體為深灰或黑色。其它的改進(jìn)是從屬權(quán)利要求的主題。本發(fā)明的特征和派生的優(yōu)點(diǎn)從以下更詳細(xì)的方法說明以及從附圖和圖像中更加清楚。圖1示出在乳腺M(fèi)RI中使用的乳房固定裝置的示意性例子；圖2顯示當(dāng)不執(zhí)行配準(zhǔn)步驟時(shí)的減影過程和發(fā)生的運(yùn)動(dòng)偽影在左上和右上是相同MR掃描器位置的乳腺的兩幅截面圖像。第二幅圖像是在第一幅之后造影介質(zhì)施用大約2.5秒后測量的。兩幅圖像都恰好是整個(gè)三維截面圖像組的代表性截面。圖3示意性示出根據(jù)本發(fā)明的配準(zhǔn)方法的步驟。圖4是由10X10像素陣列形成的數(shù)字或數(shù)字化圖像的示意圖。圖5是對應(yīng)于圖4的圖像的圖像數(shù)據(jù)陣列的示意圖，并且在該陣列中，每個(gè)像素的視覺外觀由數(shù)字值描述，例如在灰度級(jí)數(shù)字圖像中像素的強(qiáng)度。圖6示意性示出利用描述像素外觀的數(shù)字值，尤其是所選窗的像素的強(qiáng)度(圖5所示)，根據(jù)技術(shù)狀態(tài)用于編碼靶像素的矢量的第一例子。圖7示意性示出根據(jù)圖6的像素編碼方法，其中，以更一般性的方式來表達(dá)矢量的分量。圖8示出以坐標(biāo)m、n的靶像素為中心的泛(generic)3X3窗、泛梯度矩陣以及計(jì)算數(shù)字偏導(dǎo)數(shù)的一種可能的方法。我們還可以通過使用一些更復(fù)雜的算子，如Sobel算子或Frei-Chen算子(DigitalImageProcessing,W.K.Pratt,JohnWiley&Sons，Inc.NewYork,NY,USA，1991)來計(jì)算導(dǎo)數(shù)。圖9示出泛Hessian矩陣以及計(jì)算數(shù)字二階偏導(dǎo)數(shù)(secondpartialderivative)的一種可能方法。圖IO示意性示出根據(jù)本發(fā)明表示靶像素的矢量。圖11-14示意性示出用于有效可跟蹤界標(biāo)的自動(dòng)確定的方法的例子。圖15-18示意性示出如何執(zhí)行跟蹤。圖19通過顯示在造影介質(zhì)施用前后的不同時(shí)間獲得的兩幅圖像，以及在已經(jīng)執(zhí)行了所述圖像的特征跟蹤和配準(zhǔn)之后將兩者進(jìn)行減影獲得的圖像，與在圖左側(cè)示出的圖2的例子進(jìn)行比較，來描述本發(fā)明的結(jié)果。圖2和19的所有圖像從相同的MR檢查中取得并且不施加除了配準(zhǔn)之外的任何其他處理。圖20示出利用對應(yīng)的特性參數(shù)，用于確定像素的有效或非有效可跟蹤特征的性質(zhì)的步驟的本發(fā)明方法的第一實(shí)施方式。圖21示出利用對應(yīng)的特性參數(shù)，用于確定像素的有效或非有效可跟蹤特征的性質(zhì)的步驟的本發(fā)明方法的第二實(shí)施方式。具體實(shí)施例方式圖像的配準(zhǔn)是重要的處理，其允許執(zhí)行數(shù)種研究，尤其在醫(yī)療診斷的領(lǐng)域中。從以下例子清楚看出，一種情況是配準(zhǔn)在確定成像區(qū)域的所謂灌注狀態(tài)中很重要。在這種情況下，獲得了某個(gè)解剖區(qū)域的圖像序列，該序列的圖像在不同時(shí)刻得到。該序列的第一幅圖像在解剖區(qū)域中沒有造影劑的時(shí)候獲得。該序列的后續(xù)圖像在已經(jīng)將造影劑遞送到該解剖區(qū)域之后并且以不同的時(shí)間間隔獲得。造影劑增強(qiáng)解剖區(qū)域中血管和淋巴流動(dòng)相對于周圍組織的響應(yīng)，從而可以更好的觀察該流動(dòng)。因?yàn)槭艿街T如腫瘤組織或其他損傷的病理影響的組織的特征在于增強(qiáng)的血管再生，測量成像組織的灌注狀態(tài)是用于個(gè)體化該病理組織并且使得其在圖像中被更好看到的手段。在成像解剖區(qū)域的一些區(qū)域中的增強(qiáng)血管再生具有這樣的結(jié)果，即在該區(qū)域中造影劑將比在其他區(qū)域中更集中。此外，因?yàn)閺倪f送時(shí)間起，造影劑需要一些時(shí)間在組織中利用血管和淋巴系統(tǒng)擴(kuò)散，當(dāng)與成像解剖區(qū)域的正常血管再生區(qū)域相比，如果該增強(qiáng)的血管再生存在，則該增強(qiáng)血管再生將提供在該區(qū)域中造影介質(zhì)的更快增加，以及同時(shí)，在已經(jīng)達(dá)到造影劑的最大峰值之后，造影劑的濃度更快降低。因?yàn)楂@得了圖像的時(shí)間序列，其在相對長的時(shí)間間隔上散布，所以成像解剖區(qū)域的運(yùn)動(dòng)可以在一幅圖像和序列中的下一幅圖像之間發(fā)生。該運(yùn)動(dòng)由患者的運(yùn)動(dòng)以及還由諸如心跳和呼吸的生理原因來決定。通過從在成像解剖區(qū)域中遞送了造影劑之后獲得的時(shí)間序列的每個(gè)圖像減影當(dāng)在所述解剖區(qū)域中不存在造影劑時(shí)獲得的圖像，來確定灌注狀態(tài)。除了這樣的事實(shí)以外，即該減影將充分遮住或使得沒有發(fā)生造影劑灌注的圖像區(qū)域的像素為黑色或接近黑色，同時(shí)留下存在造影劑的區(qū)域具有它們的明亮外觀，如圖2中所示，還對每個(gè)減影圖像(如上定義)確定平均強(qiáng)度并在圖中繪制圖像序列的每個(gè)減影圖像的平均強(qiáng)度，這將允許繪制所謂的灌注曲線，其是檢測到了造影劑的區(qū)域的灌注狀態(tài)的量度。當(dāng)施加治療時(shí)，當(dāng)以不同的時(shí)間間隔執(zhí)行成像，以執(zhí)行診斷隨訪或在成像區(qū)域的病理發(fā)展時(shí)期中隨訪時(shí)，配準(zhǔn)也是重要的。這里，在一幅圖像和序列的下一圖像之間的時(shí)間間隔較長，以及在一幅圖像和另一圖像之間的運(yùn)動(dòng)甚至比先前的灌注研究情況更劇烈，因?yàn)榛颊咝枰谌魏螘r(shí)間被相對于設(shè)備再次定位以獲得圖像。在其他情況下，已經(jīng)利用不同的成像技術(shù)獲得的解剖區(qū)域的圖像需要被配準(zhǔn)。這是重要的，因?yàn)椴煌某上窦夹g(shù)經(jīng)常突出或揭示在解剖區(qū)域中的成像對象的不同示象或性質(zhì)，從而相關(guān)或組合圖像可以提供關(guān)于該對象的更完整和詳細(xì)的信息，或提供更好且更清晰的組合圖像。當(dāng)對剛性結(jié)構(gòu)成像時(shí)，配準(zhǔn)可以被認(rèn)為是序列的圖像一個(gè)相對于另一個(gè)的簡單平移或旋移。當(dāng)成像目標(biāo)是或嵌入在軟組織中時(shí)，則可以發(fā)生該成像對象和成像區(qū)域的變形，從而配準(zhǔn)還需要考慮該效應(yīng)。時(shí)間序列診斷圖像的配準(zhǔn)的典型情況是乳腺癌調(diào)查的情況，其通過應(yīng)用灌注狀態(tài)確定方法來執(zhí)行。在圖1中，示出用于固定患者的乳房的典型設(shè)備。通常，在患者處于俯臥位置時(shí)，使用制造商的雙乳房線圈(在美國經(jīng)常是單乳房線圈裝置)，在1.0或1.5Tesla成像器上進(jìn)行MR成像。方案至少包括在大約30和180秒之間的獲得時(shí)間、在任何取向上的動(dòng)態(tài)對比增強(qiáng)T1加權(quán)序列(各個(gè)方案可能不同，另外還可以使用脂肪壓迫)。在推注劑量為0.1mmol/kg體重到0.2mmol/kg體重的釓噴酸葡胺或任何其他順磁性MR造影劑之前獲得至少一個(gè)測量，在其后獲得數(shù)個(gè)測量。在將造影介質(zhì)注入肘前靜脈并由此到達(dá)乳腺組織之前，在時(shí)間to處獲得至少第一容積的MRI圖像。在造影介質(zhì)注射之后，在時(shí)間tl處直接獲得至少另一容積的圖像。通常，獲得時(shí)間延滯的容積序列(例如在造影介質(zhì)應(yīng)用之后，相同的容積直到連續(xù)六次)。圖2示出得自截面圖像的三維容積的兩幅圖像，一幅圖像在造影介質(zhì)遞送之前的時(shí)刻取得，而第二幅圖像則在造影介質(zhì)遞送之后的時(shí)刻tl取得。還示出了減影圖像，也就是通過從第二幅圖像逐個(gè)像素減影第一幅圖像得到的圖像。這里沒有執(zhí)行任何配準(zhǔn)，沒有發(fā)生造影劑攝取之處明顯還有像素保持發(fā)亮，如在箭頭指示的區(qū)域內(nèi)。圖3示出對于傳統(tǒng)配準(zhǔn)方法常見的配準(zhǔn)過程的主要步驟。由方塊表示的圖像容積在不同時(shí)刻t0和tl成像。在圖像容積中，這里由三角形和圓形表示的兩個(gè)對象被選擇作為界標(biāo)。由于運(yùn)動(dòng)，在t0處的圖像容積中兩個(gè)對象的位置不與在tl的圖像中相同對象的位置相對應(yīng)。所以，第一步驟是在圖像中個(gè)體化要跟蹤的界標(biāo)。一旦由三角形和圓形表示的要跟蹤的界標(biāo)已經(jīng)被個(gè)體化，則執(zhí)行跟蹤步驟，其使得所謂運(yùn)動(dòng)矢量的確定。利用這些矢量，可以產(chǎn)生遍布圖像的矢量場，其將成像的解剖區(qū)域的運(yùn)動(dòng)描述為成像的解剖區(qū)域的某個(gè)區(qū)的整體運(yùn)動(dòng)以及還作為局部運(yùn)動(dòng)。對圖像施加反向運(yùn)動(dòng)矢量場，在第一幅圖像的獲取時(shí)間t0和第二幅圖像的獲取時(shí)間tl之間發(fā)生的運(yùn)動(dòng)效應(yīng)將被補(bǔ)償?？梢栽趫D19中領(lǐng)會(huì)在乳腺的灌注檢査的實(shí)例上的配準(zhǔn)效果。這里，左側(cè)圖像序列涉及在t0和tl獲取的乳腺圖像沒有配準(zhǔn)的情況，下部圖像是對應(yīng)于圖2的那一個(gè)的減影圖像。右側(cè)圖像序列示出在時(shí)刻t0和tl獲取的兩幅圖像，但是在tl時(shí)獲取的圖像已經(jīng)利用補(bǔ)償(repent)配準(zhǔn)方法處理過。在對應(yīng)于減影圖像的最后圖像中，可以清楚體會(huì)，其中在左側(cè)減影圖像中依然發(fā)亮的圖像像素的很多區(qū)域已經(jīng)消失，或者對應(yīng)的像素已經(jīng)被完全遮擋或特征為深灰外觀。本發(fā)明涉及改進(jìn)圖像配準(zhǔn)過程的第一步驟，其對于后面步驟來說也是關(guān)鍵的一個(gè)步驟。定義圖像中的可靠界標(biāo)對于達(dá)到更好的配準(zhǔn)結(jié)果是關(guān)鍵的。由此，本發(fā)明的目的是確定具有非常高概率成為有效可跟蹤界標(biāo)的圖像像素或體素的特性性質(zhì)的更精確和完全的方法。參考圖4，以及為了簡化，參考二維情況，利用像素陣列P(n，m)形成數(shù)字或數(shù)字化圖像，其中n,m=l,...,N。每個(gè)像素是在監(jiān)視器或屏幕上或印刷紙件上的一個(gè)小點(diǎn)，該點(diǎn)具有確定的外觀。點(diǎn)的外觀可以由數(shù)字?jǐn)?shù)據(jù)來表示。在所謂的灰度圖像中，每個(gè)點(diǎn)具有確定的強(qiáng)度，其對應(yīng)于在所述灰度中的確定灰度級(jí)。在彩色圖像中，通常需要更多的參數(shù)以利用數(shù)字?jǐn)?shù)據(jù)完整地描述像素的外觀。己經(jīng)定義了多個(gè)系統(tǒng)，用于單一表示彩色圖像中的像素外觀。一個(gè)可能的系統(tǒng)是所謂且公知的HSV(色調(diào)、飽和度、值)或所謂的RGB(紅、綠、藍(lán))系統(tǒng)。在本簡化例子中，僅僅指示了強(qiáng)度I(n，m)，因?yàn)閷τ诩夹g(shù)人員來說明顯的是，如果處理彩色圖像，則這些值需要用對應(yīng)的數(shù)字?jǐn)?shù)據(jù)來替代。因此，如圖5所示的數(shù)字?jǐn)?shù)據(jù)陣列I(n，m)且n，m-l,…，10對應(yīng)于包括像素P(n,m)且n，m-l，...,lO的圖像，因?yàn)閳D1的像素的示意性陣列和數(shù)字?jǐn)?shù)據(jù)陣列是矩陣。每個(gè)像素P(n,m)與數(shù)字描述其外觀的數(shù)字?jǐn)?shù)據(jù)I(n，m)單一相關(guān)，例如，在灰度數(shù)字圖像中像素的灰度級(jí)。三維圖像可以定義為由一定數(shù)量的鄰域截面(二維)圖像形成的容積圖像。在該情況下，圖像由所謂的體素形成，并且陣列是三維的，從而圖像數(shù)據(jù)的數(shù)字陣列也是三維的。實(shí)際上，截面圖像具有定義的厚度，因此該圖像更是切片而不是純粹的二維圖像。在這種觀點(diǎn)下，總是談?wù)擉w素將更加精確。然而，在監(jiān)視器屏幕上的截面圖像的視覺表現(xiàn)是純粹的二維圖像，其中，沒有考慮切片的厚度，從而在這種情況下，像素是圖像點(diǎn)的恰當(dāng)定義。如圖5、6和7所示，圖像的靶像素可以利用矢量來編碼，該矢量的分量還包含關(guān)于所述靶像素周圍的像素的信息。通常，所述周圍區(qū)域由以目標(biāo)像素為中心且尺寸為(2+l)X(2+l)像素的窗組成，其中？是由用戶任意定義的整數(shù)(？=1，2...，N)并且在這里稱為"步"。由周圍像素形成的窗的以上定義等效于梯度為x的周圍像素的定義，其中，x是整數(shù)，并且其中，該整數(shù)指示從耙像素到鄰域像素的步距?？紤]所述窗中央的像素作為靶像素，包括梯度為1的周圍像素的窗是與靶像素直接鄰域的像素的框架(shell),而梯度為2的周圍像素則包括圍繞靶像素的兩個(gè)最近框架的像素，以及對應(yīng)于在形成圖像的像素陣列的各方向上，距靶像素一個(gè)步距和距靶像素兩個(gè)步距。該定義相應(yīng)地也適用于由體素陣列形成的3D圖像。所述窗的最小尺寸為具有3X3大小的像素陣列，并且其中央像素是靶像素，在上面還定義為梯度的步等于1。也可以選擇更大的窗，例如5X5或7X7像素窗，分別應(yīng)用步或梯度=2和=3。為了簡化，在本例子中，選擇對應(yīng)于以靶像素為中心的3X3像素的窗。該窗參考表示圖像像素的數(shù)字?jǐn)?shù)據(jù)的矩陣，在圖5示出。窗W包括9個(gè)像素，其中一個(gè)像素是靶像素。圖5所示的窗以靶像素P(2,2)為中心，并包括由相應(yīng)數(shù)字值表示的像素P(l，l)、P(1，2)、P(1,3)、P(2，1)、P(2，2)、P(2，3)、P(3，1)、P(3，2)、P(3,3)，也就是關(guān)于所述像素的信號(hào)強(qiáng)度的數(shù)字參數(shù)1(1,1)、1(1,2)、1(1,3)、1(2，1)、1(2,2)、1(2，3)、1(3，1)、1(3,2)、1(3,3)。還使用關(guān)于窗W中的鄰域像素的信息來編碼靶像素P(2，2)，從而也要考慮所述靶像素與圖像中的一定周圍區(qū)域的關(guān)系。所述像素的強(qiáng)度連同耙像素P(2,2)的強(qiáng)度都被作為上面定義的矢量的分量，所述分量表示所述靶像素P(2，2)以及周圍像素的關(guān)系。圖6中示意性示出所述矢量。可以清楚看出，表示靶像素的每個(gè)矢量具有9個(gè)分量。圖7示意性示出所述矢量的泛表達(dá)以編碼靶像素。在這種情況下，耙像素由其強(qiáng)度表示并被定義為具有強(qiáng)度I(n,m)的像素P(n，m)。在圖8中，示出表示圖7的矢量的窗W，以及其在所謂的梯度矩陣中的轉(zhuǎn)換。對于技術(shù)人員來說應(yīng)該清楚可見的是，表示像素的數(shù)字值的陣列以及在這種情況下為在窗W內(nèi)的像素的強(qiáng)度數(shù)據(jù)陣列I(m-l，n-l)、I(m-l,n)、I(m-l,n十l)、I(m，n-l)、I(m,n)、I(m，n+1)、I(m+l，n-l)、I(m+l,n)、1(m+l，n+l)是二維對象，從而使得可以定義兩個(gè)方向并且可以為所考慮的窗中的每個(gè)像素評(píng)估在兩個(gè)方向上的梯度。梯度矩陣可對角化，從而在這種情況下其可以由其特征值p且p=l，2來表示。所選窗W的像素的強(qiáng)度I的原始矩陣可以進(jìn)一步處理，并且可以對所述原始矩陣計(jì)算所謂的Hessian矩陣。也是在這種情況下，Hessian矩陣可由其特征值p來表示。當(dāng)考慮所選窗的強(qiáng)度值I的3X3矩陣時(shí)，通常所述矩陣不是可對角化的，并且特征值將不會(huì)如上述那樣有意義。所以，考慮這種更一般的情況，如圖8所示的所選窗W的像素的強(qiáng)度I的原始矩陣可以由所謂的奇異值si來表示。替換或結(jié)合對應(yīng)于所選窗的強(qiáng)度矩陣的梯度矩陣和Hessian矩陣的特征值，使用對應(yīng)于所選窗的強(qiáng)度矩陣的奇異值，可以生成用于單一編碼相應(yīng)耙像素的矢量。所述矢量的分量是對應(yīng)于所選窗的像素的強(qiáng)度值的矩陣的所述奇異值，通過處理對應(yīng)于所選窗的像素的強(qiáng)度值的所述矩陣獲得的梯度矩陣和Hessian矩陣的特征值。雖然示出的例子被限制為對應(yīng)于所選窗的像素強(qiáng)度值的原始矩陣的轉(zhuǎn)換的特定選擇，如在上面已經(jīng)公開，此外，可以替換或結(jié)合地進(jìn)行轉(zhuǎn)換。從而，例如，可以執(zhí)行小波分解，并且可以使用平均和細(xì)節(jié)值的全部或至少部分作為靶像素的編碼矢量的分量。可以替換或組合地使用對應(yīng)于所選窗的像素的強(qiáng)度值的原始矩陣的自相關(guān)轉(zhuǎn)換，以及可以使用所得參數(shù)的全部或至少部分作為用于編碼耙像素的矢量的分量。還可以使用小波變換作為預(yù)處理步驟。然后，獲得的數(shù)字?jǐn)?shù)據(jù)矩陣可以用相應(yīng)的梯度矩陣和/或相應(yīng)的Hessian矩陣處理，以及可以替換地或者組合地確定它們的奇異值和/或特征值?？梢允褂帽硎鞠袼卮暗脑季仃嚨牧硪蛔儞Q，其為所謂的表示所述窗的像素或體素的矩陣的共生變換。在這種情況下，該共生矩陣的奇異值或特征值可用作描述靶像素的參數(shù)。再次強(qiáng)調(diào)，僅僅為了簡化，在包括一定數(shù)量的鄰域像素的所選窗中，用于表征靶像素的數(shù)個(gè)參數(shù)的以上描述被限制在二維情況，所有上述選擇也可以應(yīng)用于三維情況。作為以上描述的結(jié)果，圖像的每個(gè)靶像素或體素可以由一個(gè)或多個(gè)以上公開的參數(shù)來表示。這些參數(shù)潛在考慮了靶像素或體素與所選窗的像素或體素的關(guān)系，并且每個(gè)參數(shù)能夠描述對應(yīng)于所選窗的圖像的某些特征。從而，考慮這些參數(shù)的兩個(gè)或多個(gè)或全部作為數(shù)字值，以判定像素或體素是否是圖像中的有效可跟蹤界標(biāo)或者與其符合，這將提供對于極為可靠的界標(biāo)的識(shí)別。根據(jù)選擇有效可跟蹤界標(biāo)的第一種方法，使用有關(guān)靶像素或靶體素的至少部分上述參數(shù)，對于所述參數(shù)的每一個(gè)可以確定閾，例如，基于實(shí)驗(yàn)數(shù)據(jù)來定義閾的數(shù)字值。一旦已經(jīng)如上所述為每個(gè)參數(shù)定義了閾，所述參數(shù)是編碼每個(gè)耙像素或體素的矢量的分量或分量組，則可以定義函數(shù)，該函數(shù)設(shè)置標(biāo)準(zhǔn)，用于通過對所述參數(shù)或所述參數(shù)組的組合與相應(yīng)閾進(jìn)行比較，來判定靶像素或體素是否對應(yīng)于有效可跟蹤界標(biāo)。為數(shù)非常多的函數(shù)可以定義不同的標(biāo)準(zhǔn)并考慮不同的可能性。最簡單但是很耗時(shí)的解決方案是為編碼像素或體素的矢量的分量每個(gè)參數(shù)的值定義閾；以及就有關(guān)參數(shù)值高于還是低于閾值的事實(shí)，將每個(gè)參數(shù)和相關(guān)閾進(jìn)行比較。獲得對于每個(gè)參數(shù)的比較結(jié)果，其可由數(shù)字值來表示，諸如0和1，分別對應(yīng)于參數(shù)相對于相關(guān)閾更低或更高的事實(shí)，或者比較結(jié)果指示非有效可跟蹤界標(biāo)或有效可跟蹤界標(biāo)的事實(shí)。因?yàn)閷τ谟行Э筛櫧鐦?biāo)，一些特性參數(shù)可能具有負(fù)性比較結(jié)果，也就是比較結(jié)果僅對于所述特性參數(shù)指示界標(biāo)不是有效可跟蹤的，所以可以進(jìn)一步處理其矢量，所述矢量的分量是特性參數(shù)與相關(guān)閾的每個(gè)分開比較的比較結(jié)果的數(shù)字值，以獲得作為數(shù)字值的全局評(píng)估參數(shù)，其歸納每個(gè)特性參數(shù)與其閾的比較結(jié)果。這允許識(shí)別有效可跟蹤界標(biāo)，即便是特性參數(shù)的一個(gè)或亞組的比較結(jié)果做出了界標(biāo)不是有效可跟蹤的相反指示。特性參數(shù)與相關(guān)閾的比較結(jié)果的以上全局評(píng)估可以通過如下來確定作為每個(gè)比較結(jié)果或每個(gè)特性參數(shù)的函數(shù)，計(jì)算全局評(píng)估參數(shù)。例如，全局評(píng)估參數(shù)可以被計(jì)算為一組特性參數(shù)的平均值。該全局評(píng)估參數(shù)然后可以與全局閾比較。在這種情況下，用于全局評(píng)估參數(shù)的全局閾可以被確定為關(guān)于每個(gè)特性參數(shù)的每個(gè)單個(gè)閾的函數(shù)，例如作為閾的平均值。確定全局評(píng)估參數(shù)的另一方法是，定義矢量，其分量由特性參數(shù)形成，以及然后計(jì)算矢量的模，即其長度。要與作為全局評(píng)估參數(shù)的所述矢量的模相比較的全局閾可以計(jì)算為閾矢量的模，該閾矢量的分量由關(guān)于每個(gè)單個(gè)特性參數(shù)的閾來形成。又一方法可以為利用比較評(píng)估變量，每個(gè)特性參數(shù)與相應(yīng)閾的比較結(jié)果的參數(shù)化，該比較評(píng)估變量可以假定兩個(gè)值，例如0或1，其取決于特性參數(shù)與相應(yīng)閾的相應(yīng)比較結(jié)果指示非有效可跟蹤界標(biāo)還是有效可跟蹤界標(biāo)。由此，特性參數(shù)與相應(yīng)閾的每個(gè)比較的結(jié)果可以用數(shù)字表示，以及全局結(jié)果可以采用矢量的形式，該矢量的分量是比較評(píng)估參數(shù)的值。關(guān)于以上例子，其中，全局評(píng)估參數(shù)被定義為具有兩個(gè)離散值0和1中的一個(gè)，比較評(píng)估矢量的分量將是一組O和1的數(shù)字值。類似于上述選項(xiàng)，全局評(píng)估參數(shù)可以計(jì)算為該比較評(píng)估矢量的模或作為其分量的平均值。作為以上方法的另一特征，可以定義特性參數(shù)的一個(gè)或多個(gè)亞組，其用于計(jì)算二次特性參數(shù)，作為所述亞組的特性參數(shù)的函數(shù)。可以使用任何類型的函數(shù)來確定或計(jì)算二次特性參數(shù)。根據(jù)執(zhí)行二次特性參數(shù)的確定的特定方法，特性參數(shù)的每個(gè)亞組包括關(guān)于以下的特性參數(shù)涉及數(shù)字外觀參數(shù)的同類函數(shù)，其描述靶像素或體素以及所述像素或體素窗的每一個(gè)或部分像素或體素的外觀；以及涉及數(shù)字矩陣或所述數(shù)字矩陣的相同變換的一個(gè)或多個(gè)特性參數(shù)的同類函數(shù)，所述數(shù)字矩陣表述窗的像素或體素；由此，特性參數(shù)的全集被劃分為特性參數(shù)的亞組，其由確定為每個(gè)亞組特性參數(shù)的函數(shù)的二次特性參數(shù)來歸納。根據(jù)實(shí)際例子，包括靶像素或體素的某個(gè)窗內(nèi)的像素或體素的強(qiáng)度信號(hào)、以及所述靶像素或體素的強(qiáng)度信號(hào)的值，可以定義為形成了特性參數(shù)的亞組。歸納這些值的二次特性參數(shù)可以被計(jì)算為靶像素或體素和窗中包括的像素或體素的強(qiáng)度信號(hào)的平均強(qiáng)度信號(hào)值?？梢允褂孟嗤钠骄瘮?shù)，從描述窗的像素或體素和靶像素或體素的數(shù)字圖像數(shù)據(jù)的矩陣的奇異值，和/或從梯度矩陣的特征值，或從Hessian矩陣的特征值，或是自相關(guān)矩陣的奇異值，來計(jì)算二次特性參數(shù)。以上步驟在于減少了一組一次特性參數(shù)，該組一次特性參數(shù)在參數(shù)量減少的一組二次特性參數(shù)中，具有一定數(shù)量的參數(shù)。類似于根據(jù)以上可以定義的一次特性參數(shù)的特性參數(shù)組的評(píng)估，二次參數(shù)可用于判定像素或體素對應(yīng)于有效可跟蹤界標(biāo)還是非有效可跟蹤界標(biāo)?？衫脩?yīng)用于一次特性參數(shù)的相同步驟，來處理二次參數(shù)。從而，可以定義二次閾，以及可以執(zhí)行二次參數(shù)與其二次閾的比較步驟。在這種情況下，還可以確定全局比較評(píng)估參數(shù)，其與全局閾進(jìn)行比較。同樣，在所述二次特性參數(shù)的情況下，其通過根據(jù)上面公開的標(biāo)準(zhǔn)對特性參數(shù)進(jìn)行分組而獲得，可以做出單個(gè)二次特性參數(shù)的組合和相應(yīng)閾的組合，例如加權(quán)求和或任何其他類型的加權(quán)組合，并且可以在如此定義的全局二次特性參數(shù)和全局二次特性閾的級(jí)別上執(zhí)行比較。原則上，執(zhí)行主要特性參數(shù)與它們相應(yīng)閾的比較的各個(gè)上述公開方法可應(yīng)用于該組二次特性參數(shù)。特別有利的是提供比較結(jié)果矢量，其包括每個(gè)特性參數(shù)與其相關(guān)閾的每個(gè)比較的不同離散值，例如0和1，取決于二次特性參數(shù)值高于還是低于閾值。然后，可以確定全局結(jié)果作為總和，尤其是比較結(jié)果矢量的分量的加權(quán)和。優(yōu)點(diǎn)是，由于參數(shù)數(shù)量的減少，所以計(jì)算和評(píng)估更簡單。此外，用于確定二次特性參數(shù)的所選功能類型允許限制不正確或位于統(tǒng)計(jì)容差之外的一個(gè)或多個(gè)所述參數(shù)的值的幾率。在確定用于比較的全局評(píng)估參數(shù)時(shí)，還可以定義權(quán)重，利用該權(quán)重，每個(gè)一次或二次參數(shù)與其在確定像素或體素可以認(rèn)為是有效可跟蹤界標(biāo)還是非有效可跟蹤界標(biāo)方面的相關(guān)性對應(yīng)地加權(quán)。圖20是上述步驟的示意圖示，用于通過考慮在以上描述中定義的所述像素或體素的特性特征，來評(píng)估像素或體素對應(yīng)于有效還是非有效可跟蹤界標(biāo)。圖20所示的情況表示這樣的情況，其中，為每個(gè)靶像素或體素確定二次特性參數(shù)，作為這里定義作為一次特性參數(shù)的所述靶像素或體素的特性參數(shù)的所選亞組的函數(shù)。此外，為了簡單，考慮二維情況。然而，如下面解釋的，處理步驟的機(jī)制也可應(yīng)用于一次特性參數(shù)。如參考圖4在上面解釋的，確定一組一次特性參數(shù)。靶像素是以I(m,n)指示的一個(gè)像素。鄰域像素被選擇作為在3X3像素尺寸的窗內(nèi)包括的那些像素。原始特性特征是所選窗內(nèi)鄰域像素的強(qiáng)度I以及靶像素的強(qiáng)度；包括一個(gè)靶像素的所選窗內(nèi)包括的像素強(qiáng)度值的矩陣的奇異值si;包括一個(gè)耙像素的所選窗內(nèi)包括的像素強(qiáng)度值的矩陣的梯度矩陣的特征值；以及包括一個(gè)靶像素的所選窗內(nèi)包括的像素強(qiáng)度值的矩陣的Hessian矩陣的特征值。已經(jīng)強(qiáng)調(diào)，在圖20的例子中選擇的特性參數(shù)類型不是限制性的特征，因?yàn)槿缰懊枋鲋兴龃_定的任何其他特性參數(shù)可以添加到或替代所示特性參數(shù)中的一個(gè)。每一個(gè)所述類型的一次特性參數(shù)類型被定義為特性參數(shù)的亞組。這在圖20中利用波形括號(hào)指示。利用指示為函數(shù)l的函數(shù)，由一次特性參數(shù)的每個(gè)亞組，確定二次特性參數(shù)。用于從相應(yīng)的一次特性參數(shù)亞組確定出二次特性參數(shù)的函數(shù)可以對于每個(gè)亞組相同或不同。函數(shù)的例子可以是平均值函數(shù)或或平方函數(shù)求和的求和函數(shù)或模函數(shù)等。其他類型的函數(shù)可以提供與閾的比較，從而除去一個(gè)亞組的一次特性參數(shù)的至少一些或全部而不是一個(gè)。對于每個(gè)亞組，可以這樣確定二次特性參數(shù)，以及在圖2中，該二次特性參數(shù)以P1、P2、P3、P4來指示。這點(diǎn)上，可以執(zhí)行上面公開的任何步驟，以判定靶像素是否可以被認(rèn)為是有效可跟蹤界標(biāo)。從而，可以為每個(gè)二次特性參數(shù)確定各個(gè)閾，以及可以執(zhí)行每個(gè)二次特性參數(shù)與相應(yīng)閾的單獨(dú)比較。利用如以上已經(jīng)公開的比較全局評(píng)估過程，基于這些比較的結(jié)果，做出像素是否是有效可跟蹤界標(biāo)的決定。在本例子中，確定全局二次特性參數(shù)作為二次特性參數(shù)的函數(shù)，如圖20中函數(shù)2所示。函數(shù)2可以等于函數(shù)1或指示用于函數(shù)1的例子之一。根據(jù)以上已經(jīng)公開的方法之一確定全局閾，例如，通過為每個(gè)二次特性參數(shù)確定各個(gè)閾，然后利用可以與用于確定全局二次特性參數(shù)的函數(shù)2相同或不同的函數(shù)，由該組各個(gè)閾確定出全局閾。利用比較函數(shù)來執(zhí)行全局二次特性參數(shù)與全周閾的比較，以及比較的結(jié)果給出像素I(m，n)可以被認(rèn)為與有效還是非有效可跟蹤界標(biāo)相符的評(píng)估。需要觀察到，作為替換，可以選擇函數(shù)用于從所有一次特性參數(shù)確定出全局評(píng)估參數(shù)，以及另一函數(shù)或相同函數(shù)從為定義每個(gè)一次特性參數(shù)的閾確定出全局閾。然后，將比較函數(shù)應(yīng)用到用于一次特性參數(shù)的該全局閾和全局評(píng)估特性參數(shù)。在優(yōu)選實(shí)施方式中，利用函數(shù)1和函數(shù)2指示的不同函數(shù)可以是線性組合，優(yōu)選是所述一次或二次特性參數(shù)的加權(quán)線性組合，諸如加權(quán)求和。以相同方式，用于二次特性參數(shù)的閾和全局閾可以被計(jì)算為用于每個(gè)一次參數(shù)的閾以及用于每個(gè)二次參數(shù)的閾的分別加權(quán)求和。特別有利的實(shí)施方式包括以下步驟執(zhí)行每個(gè)一次特性參數(shù)與它們的閾的比較，并定義比較結(jié)果矢量，該比較結(jié)果矢量的每個(gè)分量是每個(gè)一次參數(shù)與相應(yīng)閾的比較的結(jié)果。如果一次參數(shù)低于閾，則用值0來定義比較結(jié)果，而如果一次參數(shù)高于相應(yīng)閾，則為l。比較結(jié)果矢量由系列0和1值形成。組合比較結(jié)果矢量的分量。具體地，確定比較結(jié)果矢量的分量的加權(quán)和，并將該結(jié)果與全局閾進(jìn)行比較。全局閾可以利用實(shí)驗(yàn)來確定，或確定為每個(gè)一次特性參數(shù)的閾的標(biāo)準(zhǔn)化加權(quán)和。相對于比較結(jié)果矢量的分量的加權(quán)和與全局閾的比較結(jié)果，判定該像素或體素或該組像素或體素是否為有效可跟蹤標(biāo)記?；蛘撸?dāng)一次參數(shù)一起成組以形成如上公開的二次參數(shù)時(shí)，可以對二次特性參數(shù)施加相同的步驟。在這種情況下，定義比較結(jié)果矢量，該比較結(jié)果矢量的分量是每個(gè)二次特性參數(shù)與相應(yīng)閾的比較的結(jié)果。并且，這里數(shù)字值，具體為0和1，可以被選擇用于描述分別對應(yīng)于其中二次參數(shù)低于或高于相應(yīng)閾的情況的比較結(jié)果。然后，通過將結(jié)果矢量的分量的加權(quán)和與全局閾進(jìn)行比較，來相對于像素或體素或者像素或體素組是否是要被跟蹤的良好界標(biāo)的事實(shí)，判定該像素或體素或者該組像素或體素的有效性。根據(jù)所述特性參數(shù)的類型或它們的數(shù)學(xué)意義，還可以用不同方式評(píng)估特性參數(shù)。所以，考慮例如包括在一次特性參數(shù)列表中的Hessian矩陣的特征值，可以根據(jù)所述Hessian矩陣的特征值的值，來評(píng)估像素或體素的意義。還可以通過考慮小波變換系數(shù)，來評(píng)估圖像的像素或體素的意義。該技術(shù)更詳細(xì)地在以下文檔中公開Wavelet-basedSalientPoints:ApplicationstoImageRetrievalUsingColorandTextureFeatures,E.Loupias,N.Sebe，Visual'00,pp223-232,Lyon,法國；以及ImageRetrievalusingWavelet-basedSalientPoints,Q.Tian，N.Sebe,M.S.Lew,E.Loupias，T.S.Huang,JournalofElectronicImaging,Vol.10，No.4，pp.835-849，2001年10月。到上面公開為止，用于評(píng)估特性特征是否是對應(yīng)于可跟蹤特征或界標(biāo)的像素或體素也就是圖像的像素或體素的閾，就Hessian矩陣的特征值和小波變換的系數(shù)而言，可以利用替換方法來評(píng)估。關(guān)于圖21，示出評(píng)估有效或非有效可跟蹤界標(biāo)的性質(zhì)的另一實(shí)施例。這里，使用所謂的分類算法，諸如聚類算法，或者諸如人工神經(jīng)網(wǎng)絡(luò)的預(yù)測算法，或者統(tǒng)計(jì)算法。為了能夠執(zhí)行該實(shí)施方式，首先需要構(gòu)建對應(yīng)于已知為有效或非有效可跟蹤界標(biāo)的像素的數(shù)據(jù)庫。這里，對于每個(gè)界標(biāo)Li，其中i-l，...，n，構(gòu)建矢量，該矢量的分量是通過應(yīng)用圖像的像素或體素的上述方法步驟來確定的一次或二次特性參數(shù)，所述圖像中，已經(jīng)識(shí)別了所述界標(biāo)Li。矢量的分量還包括有效性變量，其可以假定兩個(gè)不同值，分別指示有效可跟蹤或非有效可跟蹤界標(biāo)的性質(zhì)。所述數(shù)據(jù)庫示意性地在圖21中示出。這里，Li是界標(biāo)，Vi是相應(yīng)特性特征的矢量，以及有效性是描述界標(biāo)Li或與之相符的像素是否'有效可跟蹤的參數(shù)。數(shù)據(jù)庫記錄被用于以通常方式訓(xùn)練分類算法。一旦已經(jīng)訓(xùn)練了算法，則利用它來處理像素I(m,n)的特性參數(shù)，以及分類算法給出有效性變量的值作為輸出，并由此預(yù)測或判定像素I(m，n)與有效或非有效可跟蹤界標(biāo)是否相符。重要的是強(qiáng)調(diào)，還可以應(yīng)用根據(jù)該實(shí)施方式和圖20的前一個(gè)的組合評(píng)估過程。在這種情況下，代替使用一次特性參數(shù)，僅僅使用二次特性參數(shù)以構(gòu)建用于靶像素或體素以及用于訓(xùn)練數(shù)據(jù)庫的界標(biāo)的輸入數(shù)據(jù)矢量。關(guān)于以上公開的不同評(píng)估步驟，還將考慮到，尤其在識(shí)別為有效可跟蹤的兩個(gè)界標(biāo)落入相互一定距離內(nèi)時(shí)的情況下，可以執(zhí)行進(jìn)一步的界標(biāo)確認(rèn)或拋棄步驟。這可以通過如下來完成比較所述兩個(gè)界標(biāo)的一次特性參數(shù)的至少一個(gè)、部分或全部，或者比較其二次特性參數(shù)的至少一個(gè)、部分或全部，以及將描述兩個(gè)界標(biāo)之間選擇標(biāo)準(zhǔn)的選擇函數(shù)應(yīng)用于比較結(jié)果。在下文中，通過圖11到14示出自動(dòng)界標(biāo)識(shí)別的例子。所述圖形例子已經(jīng)參考二維圖像做出，從而便于理解。利用在這里簡單描述的數(shù)學(xué)形式，通過一般性描述給出該方法對三維圖像的推廣。作用于三維并由此作用于表示數(shù)據(jù)的三維容積的一組截面圖像的自動(dòng)特征選擇是Lucas&Kanade的二維特征檢測算法的充分?jǐn)U展。相同患者的兩個(gè)圖像容積，其記錄已經(jīng)隨時(shí)間有些許差異，被定義為I和J。在第一圖像容積I中，需要識(shí)別一定數(shù)量的選擇體素，其將被認(rèn)為是兩個(gè)容積之間要跟蹤的特征。令I(lǐng)是原始/第一圖像容積，以及令J為下一容積，其中，需要找到相應(yīng)的特征。第一步驟由第一圖像容積中的最小特征值的計(jì)算組成。這如下執(zhí)行將第一圖像容積轉(zhuǎn)換為三個(gè)梯度容積Ix、Iy、Iz(描述圖像容積的笛卡兒坐標(biāo)系的x、y和z方向)，而x、y和z是每個(gè)單個(gè)體素的坐標(biāo)。由每個(gè)體素相對于它們鄰域體素的強(qiáng)度梯度計(jì)算出梯度容積，這些鄰域體素包括在所謂的窗內(nèi)，該窗通常具有在x方向上(2x+l)以及在y方向上(2y+l)以及在z方向上的(2z+l)的尺寸，其中，？x,y，？z=l，2,3，4，…,n個(gè)體素。關(guān)于以耙體素為中心的3X3X3體素陣列的鄰域尺寸，三個(gè)梯度容積由下列來定義a)在x方向上的梯度容積,"、'—、—^+i，y")-/("，)^)~、義，W--^b)在y方向上的梯度容積r_、—/(-j+U)-/(x，y-U)、義，y，w_^C)在Z方向上的梯度容積作為用于每個(gè)體素的另一步驟，通過使用如上指示的所有三個(gè)預(yù)先計(jì)算的梯度容積，來設(shè)立梯度矩陣G。44梯度矩陣生成如下:<formula>formulaseeoriginaldocumentpage45</formula>其中對于每個(gè)體素的每個(gè)梯度矩陣，根據(jù)下述由梯度矩陣計(jì)算出最小特征值？min:定義GraphincsGemsIV,PaulS.Heckbert,1994,AcademicPress,S193-98，<formula>formulaseeoriginaldocumentpage45</formula>然后，為特征值m的最小值定義閩。然后，應(yīng)用以下標(biāo)準(zhǔn)來考慮體素是否表示可跟蹤特征。1.如果m大于閾，則將體素的實(shí)際位置存儲(chǔ)在要跟蹤的特征列表中。2.如果m小于特征值的所有最小值m的最大值的百分比，則將其從要跟蹤的特征列表中去除。3.如果另一特征存在于實(shí)際特征周圍的限定區(qū)域內(nèi)(可調(diào)節(jié)，例如3X3X3),則將特征值的最小值m較小的特征從要跟蹤的特征列表中去除。4.如果圍繞特征位置的三維鄰域的平均信號(hào)強(qiáng)度值(例如=1)小于或等于在O附近的非常低的值處的平均信號(hào)強(qiáng)度值閾(例如10)，該特征被認(rèn)為位于乳房外周圍空氣中，并且被從要跟蹤的特征列表中棄去。5.最后，僅僅留下可定義最大數(shù)量的特征。如果更多特征存在于要跟蹤的特征列表上，則從列表中去除最小值m的較小特征。參考二維情況在圖11到14中可見地解釋了這些步驟。在這種情況下，像素陣列被圖解為小方形陣列。指出不同的像素，其對應(yīng)于所選特征的位置，所選特征具有滿足第一標(biāo)準(zhǔn)的特征值的最小值。通過給予相應(yīng)像素不同的外觀，在圖3中突出了這些特征和它們的位置。在圖4中，5X5鄰域利用內(nèi)切于該5X5像素陣列的圓形來突出。在圖11到18的例子中，柵格表示體素陣列。柵格的每個(gè)元素是形成圖像的體素。在圖11中，作為例子，四類體素被個(gè)體化作為界標(biāo)，并根據(jù)相應(yīng)梯度矩陣的最小特征值來分類。以"102"指示的體素是具有最大特征值的梯度，"202"指示具有大特征值的體素，"302"指示具有小特征值的體素，而"402"指示具有最小特征值的體素。在圖12中，對于每個(gè)體素，在被選擇作為特征的中央像素的周圍，定義直徑為5個(gè)像素/體素的歐氏距離內(nèi)的鄰域。所述鄰域選擇利用圓形在圖4中示出。在圖12中，該事件的第一情況由以502'指示的較粗圓形突出。這里，被選擇作為特征的兩個(gè)像素在上文定義為像素的歐氏距離的相同鄰域內(nèi)。這兩個(gè)像素以202，和302，指示，并且根據(jù)以上定義，選擇作為特征的第一像素202，具有特征值大于第二像素302'的特征值的梯度矩陣。由此，拋棄該第二像素302'。圖13示出另一步驟，并且在圖11中被選擇作為特征的像素302，不再存在。這里，在圖13中，像素202"設(shè)有指示其鄰域的圓形。在這里也出現(xiàn)與圖12相似的情況，如在像素202"的鄰域中，存在像素302"，其梯度矩陣的特征值小于像素202"的特征值。因此，同樣在這種情況下，現(xiàn)在從要跟蹤的特征列表中去除被選擇作為特征的像素302"。最后，在圖14的像素陣列中，僅僅存在一些被選擇作為特征的原始像素。現(xiàn)在，在單個(gè)鄰域內(nèi)，不能找到一個(gè)以上的特征。因此，可跟蹤特征已經(jīng)遍布整個(gè)圖像/容積。圖11到14的本例子以及數(shù)學(xué)形式以和用于定義有效可跟蹤像素的標(biāo)準(zhǔn)被限制為一組特性參數(shù)，該組特性參數(shù)是靶像素和選擇窗的像素的強(qiáng)度信號(hào)，以及所述窗的成像數(shù)據(jù)的梯度矩陣的特征值。根據(jù)本發(fā)明的另一步驟，進(jìn)一步研究像素的強(qiáng)度，并且還從對應(yīng)于要跟蹤的特征的像素列表中棄去強(qiáng)度低于預(yù)定值的被選擇作為特征的像素。接近0的非常低的閾被用于表征在周圍空氣內(nèi)找到的特征。該步驟沒有示出，但是其對于本領(lǐng)域技術(shù)人員顯而易見。一旦已經(jīng)確定了要被認(rèn)為是兩幅二維或三維圖像的特征、也就是有效可跟蹤界標(biāo)的像素或體素，則需要執(zhí)行所述特征的跟蹤。根據(jù)本發(fā)明的優(yōu)選實(shí)施方式，這通過使用所謂的"LucasKanade特征跟蹤器的金字塔實(shí)現(xiàn)"來執(zhí)行。詳細(xì)說明已經(jīng)由JeanYvesBouguet在由IntelCorporation,MicroprocessorResearchLabs發(fā)表的文章"PyramidalImplementationoftheLucasKanadeFeatureTracker,DescriptionoftheAlgorithm"給出。在上述出版物中參考二維例子已經(jīng)公開的理論在下文中還適用于三維情況。需要對表示要跟蹤的特征的每個(gè)體素執(zhí)行以下步驟，所述像素已經(jīng)根據(jù)上述方法和算法被個(gè)體化。定義u為容積I內(nèi)的點(diǎn)，以及定義v為容積J內(nèi)的相應(yīng)點(diǎn)。在第一步，需要為容積I和J構(gòu)建兩個(gè)金字塔，其中，IL和JL表示在LO，...,m級(jí)的容積，并且基準(zhǔn)(L=0)表示原始容積。每個(gè)以下層的容積通過將直接鄰域中一定量的像素組合為一個(gè)平均值來減少尺寸。附加層的數(shù)量取決于容積的尺寸。4.2.在以下步驟中，在最高層上初始化所謂的全局金字塔移動(dòng)矢里<formula>formulaseeoriginaldocumentpage48</formula>然后，對于所有級(jí)L計(jì)算得到的移動(dòng)矢量dL。這根據(jù)以下步驟來執(zhí)行a)在每個(gè)容積IL中，點(diǎn)位置uL被計(jì)算為<formula>formulaseeoriginaldocumentpage48</formula>,其中p是實(shí)際的容積位置b)在容積的金字塔表示的每個(gè)級(jí)L處，計(jì)算在笛卡兒坐標(biāo)x、y、z的每個(gè)方向上的梯度。對于笛卡兒坐標(biāo)X，根據(jù)以下等式來計(jì)算容積梯度<formula>formulaseeoriginaldocumentpage49</formula>該等式還相應(yīng)地應(yīng)用于其他兩個(gè)笛卡兒坐標(biāo)y和z:<formula>formulaseeoriginaldocumentpage49</formula>C)然后，容積梯度被用于根據(jù)以下等式來計(jì)算梯度矩陣:<formula>formulaseeoriginaldocumentpage49</formula>這里，值定義影響像素的區(qū)域尺寸或鄰域,該矩陣的元素以與根據(jù)上文指示的定義相似的方式來獲得，也就<formula>formulaseeoriginaldocumentpage49</formula>d)對于每個(gè)級(jí)L，初始化迭代矢量？V—0-fc加Fe)然后，對于k-l到最大計(jì)數(shù)K或直到7的最小位移，計(jì)算以下的容積差光流矢量然后通過下式定義可以使用以上定義的光流矢量來計(jì)算迭代移動(dòng)矢量為<formula>formulaseeoriginaldocumentpage50</formula>并且，這被設(shè)置為等于L級(jí)的最終光流,=v^對于每個(gè)級(jí)重復(fù)以上的步驟直到最終級(jí)L=0。由此，對于下一級(jí)L-1，根據(jù)上面計(jì)算的值來計(jì)算全局光流為<formula>formulaseeoriginaldocumentpage50</formula>f)則最終光流矢量為g)現(xiàn)在，與容積I中的點(diǎn)U對應(yīng)容積J中的點(diǎn)V的坐標(biāo)可以計(jì)算圖15到18試圖給出上述跟蹤方法的效果的圖示和示意性概念，其明顯是真實(shí)的簡化表示。在圖15到18中，在不同時(shí)間T0和Tl得到的兩幅圖像I和J被表示為如圖11到14的例子的二維像素陣列。對應(yīng)于要根據(jù)上面公開方法跟蹤和選擇的特征的像素20在圖像I的二維像素陣列中指出。在沒有成像對象移動(dòng)的情況下，這種情況下是乳房，在圖像J中相同的位置處，像素20"會(huì)對應(yīng)于像素20。像素20，'的像素的某個(gè)像素鄰域由灰色陰影方形指示，該灰色陰影方形對應(yīng)于以像素20"的位置為中心的7X7像素陣列，并且該鄰域由數(shù)字10指示。利用20，指示圖像I的特征20的新位置。這意味著，在像素20的位置處乳腺組織己經(jīng)隨著時(shí)間移動(dòng)到像素20'的位置。顯然，僅僅為了解釋執(zhí)行跟蹤的方式而示出所述像素20'。在實(shí)際情況下，該像素不是已知的，否則將不需要跟蹤。以上已經(jīng)利用數(shù)學(xué)形式描述的跟蹤對應(yīng)于所選特征的像素的一般方法，在下文中通過在附圖中給出的實(shí)際例子進(jìn)行描述，并為了簡化而被限制為二維情況。然而，技術(shù)人員已經(jīng)具備的跟蹤的一般性數(shù)學(xué)表示，可以了解并體會(huì)在三維情況下發(fā)生的跟蹤方式。在跟蹤開始時(shí)，假設(shè)在圖像I中的像素20具有相同的位置，也就是在圖像J中像素20"的位置。在下文中該像素20"被稱為被跟蹤的像素，而被選擇作為特征的圖像I的像素20將被稱為特征像素。首先應(yīng)用算法，計(jì)算某個(gè)區(qū)域的逆梯度矩陣，其對應(yīng)于被跟蹤像素20"的鄰域，并且在本例子的情況下，其是圖像J中以像素20"為中心的所述7X7像素陣列(該值可調(diào)節(jié))。該鄰域?qū)?yīng)于所謂的跟蹤區(qū)域。通過應(yīng)用Lucas&Kanade的特征跟蹤算法的金字塔實(shí)現(xiàn)，其已經(jīng)適用于作用在三維圖像容積上，并且稍后詳細(xì)解釋，可以找到在圖像J上被跟蹤特征的新位置。圖像J中在20，處被跟蹤特征的新位置確定光流矢量。這被定義為在第一迭代步驟中計(jì)算。如從圖15和16的比較看出，被跟蹤區(qū)域以這樣的方式漂移，從而使得跟蹤區(qū)域的中心更接近相同組織區(qū)域20'的新位置。通過重復(fù)計(jì)算在圖像I中表示特征的像素20與在圖像J中的跟蹤區(qū)域中心的新識(shí)別位置之間的失配矢量，進(jìn)一步迭代地應(yīng)用跟蹤。這導(dǎo)致定義新光流矢量，以及導(dǎo)致像素鄰域或跟蹤區(qū)域的新轉(zhuǎn)移，如圖17中所示。進(jìn)行確定在圖像I特征像素20與跟蹤區(qū)域的中心之間的失配矢量的步驟，直到失配矢量達(dá)到可調(diào)節(jié)的最小值。該情況在圖18中示出。關(guān)于圖15到17的圖形展示，像素20'被維持在其位置處，從而突出這樣的事實(shí)跟蹤區(qū)域是漂移的，使得其最終圍繞正確的新位置20'居中，該正確的新位置20'表示與圖像I中像素20相同的乳房部分。僅僅利用由像素表示的一個(gè)特征來執(zhí)行以上的例子。需要對圖像中選擇的每個(gè)特征執(zhí)行以上的步驟。在所有特征已經(jīng)被跟蹤到其新位置之后，存在遍布圖像/容積不同位置處的一定量的光流矢量，但是僅僅在表示乳腺組織的區(qū)域內(nèi)。與其他配準(zhǔn)算法相比的最大進(jìn)步在于這樣的事實(shí)，所述算法已經(jīng)將光流矢量散布于整個(gè)圖像/容積。然后，通過對每個(gè)特征及其對圖像/容積J的周圍鄰域應(yīng)用逆光流矢量，來執(zhí)行成型(morphing)。這得到圖像J'的新的虛擬圖像/容積。圖19示出所述方法對于真實(shí)診斷圖像的效果。左側(cè)的第一組圖像顯示從乳房檢查在未給予造影劑的時(shí)間代碼t0處得到的代表性切片。左側(cè)的第二幅圖像在造影劑給乎之后，在時(shí)間代碼tl處于相同切片位置處獲得。左側(cè)的第三幅圖像可見時(shí)間代碼tl處減去時(shí)間代碼tO處每個(gè)像素的信號(hào)強(qiáng)度的逐像素減影結(jié)果，所謂的減影圖像。在時(shí)間間隔tl-tO期間，沒有乳房的相對移動(dòng)的情況下，得到的圖像將包含呈現(xiàn)黑色且信號(hào)強(qiáng)度為零的廣泛的像素部分，其中沒有發(fā)生造影劑增強(qiáng)。在間隔tl-t0期間的移動(dòng)具有這樣的效果，由圖像/容積I和J的相同位置處的像素生成偽影，不對應(yīng)于成像組織的相同區(qū)域。在該例子中，減影圖像示出一個(gè)乳房，包含以小箭頭指示的對比增強(qiáng)的腫瘤。乳腺大多數(shù)類型的惡性和良性腫瘤示出由血管再生增加所導(dǎo)致的附加造影劑攝取。在雙乳頂部處的附加白色結(jié)構(gòu)屬于移動(dòng)偽影。在雙乳中央中的剩余白色結(jié)構(gòu)由正常乳房實(shí)質(zhì)的弱造影劑攝取結(jié)合移動(dòng)導(dǎo)致。圖19的右側(cè)示出施加了所述配準(zhǔn)算法的對應(yīng)圖像在時(shí)間代碼t0處的圖像不利用算法改變并因此保持不變。但是，在三維特征跟蹤后，計(jì)算新的虛擬圖像容積。右側(cè)在時(shí)間代碼tr處的第二幅圖像示出在應(yīng)用配準(zhǔn)之后，相同切片位置的相應(yīng)虛擬圖像。右側(cè)的最后圖像可見每個(gè)像素在時(shí)間代碼tr處減去時(shí)間代碼to處的信號(hào)強(qiáng)度的逐像素減影的結(jié)果，新的(虛擬)減影圖像。一個(gè)乳房依然顯示出以小箭頭指示的造影增強(qiáng)腫瘤。表示正常乳腺實(shí)質(zhì)的乳房內(nèi)區(qū)域由于移動(dòng)偽影減少而依然顯示出呈現(xiàn)明亮有點(diǎn)低的一些中度造影劑攝取。因?yàn)橐苿?dòng)偽影的補(bǔ)償，在雙乳頂部處的白色結(jié)構(gòu)的大部分已經(jīng)消失。圖19的例子是簡化的，因?yàn)閮H僅考慮了兩幅圖像的序列，一幅圖像在給予造影劑之前取得，而另一幅在之后取得。實(shí)際上，可以在注入造影介質(zhì)之前和之后，以規(guī)則的時(shí)間間隔獲得一系列截面圖像(例如多于50幅)，以及可以在每對序列圖像之間計(jì)算減影圖像。除了在一系列中獲獰多于一幅截面圖像外，還可以一個(gè)接一個(gè)地獲得多于兩個(gè)系列(例如5或甚至更多)。這導(dǎo)致若干減影圖像/容積。當(dāng)然，公開的算法可以被應(yīng)用于系列的所有組合，不管它們在造影劑運(yùn)動(dòng)(movement)之前還是之后獲得都一樣，以減少在之間發(fā)生的任何移動(dòng)。根據(jù)本發(fā)明的上述方法可以通過編碼為可由計(jì)算機(jī)運(yùn)行的算法來執(zhí)行。程序可以被存儲(chǔ)在便攜式或固定的存儲(chǔ)器件上，諸如磁性、光磁或光學(xué)基板，如一個(gè)或多個(gè)軟盤、一個(gè)或多個(gè)磁光盤、一個(gè)或多個(gè)CD-ROM或DVD-ROM，或者也可以在便攜式或固定(stable)硬盤上?；蛘?，程序還可以被保存在諸如筆式驅(qū)動(dòng)器等的固態(tài)電子器件上。權(quán)利要求1.一種配準(zhǔn)生物醫(yī)學(xué)圖像以減少由對象移動(dòng)所導(dǎo)致的成像偽影的方法，其包括以下步驟a)提供相同對象的至少第一幅和第二幅數(shù)字或數(shù)字化圖像或者截面圖像組，所述圖像由像素或體素的二維或三維陣列形成；b)通過選擇被設(shè)置作為界標(biāo)或特征的一定數(shù)量的像素或體素以及生成要跟蹤的所述特征的列表，在所述第一幅圖像或圖像組內(nèi)定義一定數(shù)量的界標(biāo)，即所謂的特征；c)通過為被選擇作為特征的每個(gè)像素或體素確定從所述第一幅到所述第二幅圖像或到在后面時(shí)刻獲得的所述圖像或圖像組的位置之間的光流矢量，從第一幅到第二幅或到后面時(shí)刻獲得的圖像或圖像組跟蹤被選擇作為特征的每個(gè)像素或體素的所述位置；d)通過對所述第二幅圖像或圖像組的像素或體素的所述位置應(yīng)用逆光流矢量，將所述第一幅和第二幅圖像或在后面時(shí)刻獲得的圖像或圖像組進(jìn)行配準(zhǔn)，其特征在于執(zhí)行自動(dòng)可跟蹤界標(biāo)選擇步驟，即B1)定義所述第一幅圖像或第一組截面圖像的每個(gè)像素或體素周圍的像素或體素鄰域，所述像素或體素鄰域包括有限數(shù)量的像素或體素；B2)對于每個(gè)靶像素或體素，確定一個(gè)或多個(gè)特性參數(shù)，其作為描述所述靶像素或體素和所述像素或體素窗的像素或體素的每個(gè)或部分的外觀的數(shù)字參數(shù)即所謂的數(shù)字外觀參數(shù)的函數(shù)，以及作為表示所述窗的像素或體素的數(shù)字參數(shù)的矩陣或所述數(shù)字參數(shù)的矩陣的變換的一個(gè)或多個(gè)特性參數(shù)的函數(shù)被計(jì)算；B3)作為靶像素或體素的所述特性參數(shù)的函數(shù)，確定是有效可跟蹤界標(biāo)或特征的所述像素或體素。2.根據(jù)權(quán)利要求l所述的方法，其特征在于，用于判定所述靶像素或體素是否是要跟蹤的有效界標(biāo)或特征的函數(shù)在于將所述靶像素或體素的所述特性參數(shù)的每一個(gè)值或組合值與閾值進(jìn)行比較。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，對每個(gè)特性參數(shù)確定閾，并執(zhí)行每個(gè)特性參數(shù)與相應(yīng)閾的比較，從作為單個(gè)比較結(jié)果的函數(shù)的全局評(píng)估參數(shù)確定有效可跟蹤或非有效可跟蹤界標(biāo)的性質(zhì)。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，作為每個(gè)特性參數(shù)的閾的函數(shù)確定全局閾，并且所述有效可跟蹤和非有效可跟蹤的界標(biāo)的性質(zhì)通過將所述全局評(píng)估參數(shù)與所述全局閾進(jìn)行比較來確定。5.根據(jù)權(quán)利要求3或4所述的方法，其特征在于，定義有效性變量，用于通過數(shù)字值來描述與有效可跟蹤和非有效可跟蹤界標(biāo)的性質(zhì)相關(guān)的每個(gè)比較的結(jié)果；全局評(píng)估參數(shù)被確定為在部分或每個(gè)特性特征與相應(yīng)閾之間的每個(gè)比較的有效性變量值的函數(shù)；所述有效可跟蹤和非有效可跟蹤界標(biāo)的性質(zhì)由全局評(píng)估參數(shù)的函數(shù)來確定。6.根據(jù)權(quán)利要求5所述的方法，其特征在于，用于從全局評(píng)估參數(shù)確定有效可跟蹤和非有效可跟蹤界標(biāo)的性質(zhì)的函數(shù)是在所述全局評(píng)估參數(shù)與全局閾之間的比較。7.根據(jù)前述一項(xiàng)或多項(xiàng)權(quán)利要求所述的方法，其中，特性參數(shù)組被劃分為一定數(shù)量的特性參數(shù)的亞組，并且對于每個(gè)亞組，作為所述亞組的特性參數(shù)的函數(shù)確定二次特性參數(shù)；為每個(gè)所述二次特性參數(shù)定義閾，并且對于每個(gè)二次特性參數(shù)，有效可跟蹤和非有效可跟蹤界標(biāo)的性質(zhì)由所述二次特性參數(shù)和對應(yīng)閾的函數(shù)來確定。8.根據(jù)權(quán)利要求7所述的方法，其特征在于，對應(yīng)于每個(gè)二次特性參數(shù)的閾被確定為特性參數(shù)的相應(yīng)亞組的特性參數(shù)的閾的函數(shù)。9.根據(jù)權(quán)利要求7或8所述的方法，其特征在于，所述亞組的特性參數(shù)具有至少一個(gè)共同的特征，所述共同特征尤其是數(shù)字外觀參數(shù)，其描述所述靶像素或體素的外觀以及所述像素或體素窗的每個(gè)或部分像素或體素的外觀，或者所述共同特征由表示所述窗的像素或體素的數(shù)字矩陣或所述數(shù)字矩陣的相同變換的一個(gè)或多個(gè)特性參數(shù)的相同函數(shù)來確定。10.根據(jù)前述權(quán)利要求7到IO的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，全局評(píng)估參數(shù)被定義為所述二次特性參數(shù)的函數(shù)，以及有效可跟蹤和非有效可跟蹤界標(biāo)的性質(zhì)由所述全局評(píng)估參數(shù)的函數(shù)和全局閾來確定，所述全局閾是對于二次特性參數(shù)的閾的函數(shù)。11.根據(jù)前述權(quán)利要求2到IO的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，每個(gè)特性參數(shù)和/或每個(gè)二次特性參數(shù)和/或每個(gè)全局閾被加權(quán)，權(quán)重根據(jù)所述特性參數(shù)的相關(guān)性或所述二次特性參數(shù)的相關(guān)性來確定，以確定有效可跟蹤和非有效可跟蹤界標(biāo)的性質(zhì)。12.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，用于確定全局評(píng)估參數(shù)和/或二次特性參數(shù)和/或全局閾的函數(shù)是一個(gè)或多個(gè)特性參數(shù)的模的線性組合，平方值的求和或非線性函數(shù)，利用其處理特性參數(shù)或二次參數(shù)或閾。13.根據(jù)權(quán)利要求12所述的方法，其特征在于，用于確定全局評(píng)估參數(shù)和/或二次特性參數(shù)和/或全局閾的所述函數(shù)進(jìn)一步提供用于處理特性參數(shù)或二次參數(shù)或閾的每一個(gè)的加權(quán)。14.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述靶像素或體素的有效可跟蹤或非有效可跟蹤界標(biāo)的性質(zhì)通過利用分類算法處理所述圖像的每個(gè)像素或體素的特性參數(shù)來確定。15.根據(jù)權(quán)利要求14所述的方法，其特征在于，每個(gè)靶像素被編碼用于按矢量處理，所述矢量的分量是所述像素或體素的一個(gè)或多個(gè)特性參數(shù)。16.根據(jù)權(quán)利要求14或15所述的方法，其特征在于，特性參數(shù)組被劃分為一定數(shù)量的亞組，并且其中，代替所述特性參數(shù)，利用所述分類算法處理二次特性參數(shù)，所述二次特性參數(shù)被確定為一個(gè)亞組的特性參數(shù)的函數(shù)。17.根據(jù)權(quán)利要求14或15所述的方法，其特征在于，通過分類算法對每個(gè)像素或體素處理的輸入矢量的分量是有效性變量，所述有效性變量用數(shù)字描述每一個(gè)特性參數(shù)與相應(yīng)閾或每一個(gè)二次特性參數(shù)與相應(yīng)閾的比較結(jié)果。18.根據(jù)前述權(quán)利要求14到17的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述分類算法是聚類算法或預(yù)測算法。19.根據(jù)權(quán)利要求18所述的方法，其特征在于，所述分類算法是人工神經(jīng)網(wǎng)絡(luò)。20.根據(jù)前述權(quán)利要求14到19的一項(xiàng)或多項(xiàng)所述的方法，其特征在于以下步驟提供已知情況的一定數(shù)量的圖像，其中，一定數(shù)量的有效界標(biāo)已經(jīng)被識(shí)別為有效可跟蹤界標(biāo)或特征；通過應(yīng)用上面B1)和B2)步驟公開的自動(dòng)可跟蹤界標(biāo)選擇步驟，為一定數(shù)量的圖像中對應(yīng)于識(shí)別為有效可跟蹤的所述界標(biāo)的像素或體素確定特性參數(shù)組；生成矢量，所述矢量與每個(gè)識(shí)別為有效可跟蹤的界標(biāo)單一地相關(guān)聯(lián)，并且包括與所述有效可跟蹤界標(biāo)相符的所述像素或體素的特性參數(shù)作為分量；利用變量的預(yù)定數(shù)字值來描述有效可跟蹤界標(biāo)的性質(zhì)，并且將所述數(shù)字值和對與有效可跟蹤界標(biāo)相符的每個(gè)像素或體素編碼的矢量相關(guān)聯(lián)；對與有效可跟蹤界標(biāo)相符的每個(gè)像素或體素編碼的每個(gè)矢量形成用于分類算法的訓(xùn)練數(shù)據(jù)庫的記錄；利用所述數(shù)據(jù)庫來訓(xùn)練分類算法；通過向所述訓(xùn)練的分類算法的輸入提供包括所述靶像素或體素的特性參數(shù)的矢量，來確定靶像素或體素的有效可跟蹤界標(biāo)的性質(zhì)。21.根據(jù)權(quán)利要求20所述的方法，其特征在于，所述訓(xùn)練數(shù)據(jù)庫還包括已知情況的圖像的像素或體素以矢量形式組織的特性參數(shù)，所述像素或體素與已知不是有效可跟蹤界標(biāo)的界標(biāo)相符，并且所述特性參數(shù)利用變量的預(yù)定數(shù)字值來描述非有效可跟蹤界標(biāo)的性質(zhì)，所述變量的預(yù)定數(shù)字值不同于描述有效可跟蹤界標(biāo)的性質(zhì)的所述變量的值，同時(shí)描述非有效可跟蹤界標(biāo)的性質(zhì)的所述數(shù)字值被添加到對與所述已知非有效可跟蹤界標(biāo)之一相符的每個(gè)像素或體素編碼的矢量上。22.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，圖像的所述像素或體素利用所謂的Lucas&Kanade自動(dòng)特征跟蹤方法或算法來預(yù)先或并行處理。23.根據(jù)權(quán)利要求22所述的方法，其特征在于，所述Lucas&Kanade算法包括以下步驟a)提供由三維體素陣列形成的第一個(gè)三維圖像容積I;b)為每個(gè)耙體素定義體素鄰域，所述鄰域圍繞所述靶像素，并且具有以所述靶體素為中心的諸如3X3X3的可調(diào)節(jié)尺寸的體素陣列；c)定義笛卡兒坐標(biāo)系，并且相對于所述笛卡兒坐標(biāo)系的每個(gè)軸計(jì)算所謂的梯度容積，其由所述第一個(gè)圖像容積的每個(gè)體素相對于其鄰域體素的強(qiáng)度梯度形成，所述梯度容積如下定義a)在X方向上的梯度容積f〖r、，-、-,(^+1，y")-/0c-1，);")b)在y方向上的梯度容積、(w一，"")，"")C)在Z方向上的梯度容積d)為每個(gè)靶體素計(jì)算所謂的梯度矩陣，所述梯度矩陣被下列定義:<formula>formulaseeoriginaldocumentpage7</formula>其中Woo=G"'y'。；20二,勤",;y,";w002=《(Ay,miio=^r"y'z)'/Ay(Af，y,z).<formula>formulaseeoriginaldocumentpage7</formula>e)對于三維圖像容積的每個(gè)靶體素的每個(gè)梯度矩陣，通過應(yīng)用以下等式來計(jì)算最小特征值m:定義<formula>formulaseeoriginaldocumentpage7</formula>朋|以及其中，計(jì)算所述梯度矩陣的最小特征值為\=rt*cos8-Z、3、=AZCOS0sin8cos9+A/5sin61"、=min(H、)f)為所述最小特征值m定義閾；g)選擇其相應(yīng)梯度矩陣具有滿足以下標(biāo)準(zhǔn)的最小特征值m的每個(gè)體素，作為在圖像I中要跟蹤的特征i)m大于閾；ii)m不小于所述特征值的所有最小值m的最大值的百分比；iii)如果被選擇作為特征的另一體素存在于也被保留作為選擇特征的靶體素周圍的定義的體素鄰域中，則只選擇其梯度矩陣具有較大的最小特征值m的一個(gè)體素作為特征，另一個(gè)則被從可跟蹤特征的列表中棄去；iv)選擇作為特征的體素周圍的三維鄰域的平均信號(hào)強(qiáng)度值大于可調(diào)節(jié)的平均信號(hào)強(qiáng)度值閾。24.根據(jù)權(quán)利要求23所述的方法，其特征在于，將選擇作為特征的體素的鄰域的平均信號(hào)強(qiáng)度的閾設(shè)置為大約10。25.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述特性參數(shù)是所選窗的像素或體素的強(qiáng)度值，以及耙像素或體素的強(qiáng)度值。26.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述特性參數(shù)替代地或附加地是包括所選窗的像素或體素的圖像數(shù)據(jù)的數(shù)字矩陣的奇異值。27.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述特性參數(shù)替代地或附加地是表示所述窗的像素或體素的所述數(shù)字矩陣的梯度矩陣的特征值。28.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述特性參數(shù)替代地或附加地是表示所述窗的像素或體素的所述數(shù)字矩陣的Hessian矩陣的特征值。29.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述特性參數(shù)替代地或附加地是通過利用一個(gè)或多個(gè)不同的小波基函數(shù)，對所述矩陣進(jìn)行處理獲得的、表示所述窗的像素或體素的所述數(shù)字矩陣的小波變換的系數(shù)的一個(gè)或多個(gè)或組合。30.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述特性參數(shù)替代地或附加地是矩陣的所謂共生變換。31.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述特性參數(shù)替代地或附加地是表示所述窗的像素或體素的所述數(shù)字矩陣的自相關(guān)變換的系數(shù)的一個(gè)或多個(gè)。32.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于，所述特性參數(shù)是表示所述窗的像素或體素的數(shù)字值的矩陣的特征值或奇異值的組合；和/或表示所述窗的像素或體素的所述數(shù)字矩陣的Hessian矩陣或梯度矩陣的特征值的組合；和/或小波變換的一個(gè)或多個(gè)系數(shù)和/或自相關(guān)變換的一個(gè)或多個(gè)系數(shù)的組合；和/或表示所述窗的像素或體素的所述數(shù)字矩陣的共生矩陣的奇異值的組合。33.根據(jù)前述權(quán)利要求的一項(xiàng)或多項(xiàng)所述的方法，其特征在于獲得或提供相同對象的至少兩幅或多幅圖像，所述至少兩幅或多幅圖像在不同時(shí)刻獲得；對于第一圖像容積I中被個(gè)體化為符合有效可跟蹤界標(biāo)的每個(gè)體素，所述特征相對于其在后面第二時(shí)間獲得的相同對象的另一圖像J的體素陣列中的位置來跟蹤，所述跟蹤利用所謂的Lucas&Kanade特征跟蹤器的所謂金字塔實(shí)現(xiàn)來執(zhí)行。34.根據(jù)權(quán)利要求33所述的方法，其特征在于，所謂的Lucas&Kanade特征跟蹤器的所謂金字塔實(shí)現(xiàn)包括以下步驟定義點(diǎn)u為圖像容積I中對應(yīng)于圖像I的三維體素陣列的點(diǎn)，v為圖像容積J中的對應(yīng)點(diǎn)，對應(yīng)于圖像J的三維體素陣列，這些點(diǎn)具有圖像I中被選擇作為特征的體素的坐標(biāo)；—構(gòu)建圖像容積I和J的兩個(gè)理想金字塔，其中，lL和f表示在1^0，...,m級(jí)處的容積，而基準(zhǔn)(L=0)表示原始容積；一通過將直接鄰域中的一定量的像素組合到一個(gè)平均值，來減少每個(gè)隨后層的容積的尺寸；一定義所謂的全局金字塔移動(dòng)矢量g，其在最高層Lm上初始化i)定義點(diǎn)U的位置為UL，并且利用以下等式來計(jì)算所述位置，其中，L具有金字塔的實(shí)際層或級(jí)的值其中，P是實(shí)際容積位置ii)根據(jù)用于容積梯度的以下等式，來計(jì)算在笛卡兒坐標(biāo)系x、y、Z的每個(gè)方向上的容積梯度<formula>formulaseeoriginaldocumentpage10</formula><formula>formulaseeoriginaldocumentpage11</formula>iii)根據(jù)以下等式，使用梯度容積計(jì)算所述梯度矩陣:<formula>formulaseeoriginaldocumentpage11</formula>其中<formula>formulaseeoriginaldocumentpage11</formula>附<formula>formulaseeoriginaldocumentpage11</formula>以及其中，值定義影響表示被跟蹤特征的靶體素的體素的區(qū)域尺寸或鄰域；iv)為每級(jí)L初始化迭代矢量？，所述迭代矢量？由下式定義v-o=[000『v)對于k-l到最大計(jì)數(shù)K或直到^的最小位移，計(jì)算以下的容Vi)根據(jù)以下等式計(jì)算失配矢量<formula>formulaseeoriginaldocumentpage11</formula>vii)根據(jù)以下等式確定光流矢量<formula>formulaseeoriginaldocumentpage11</formula>其中，G"是在步驟iii)確定的逆梯度矩陣Gviii)使用上面定義的光流矢量計(jì)算迭代移動(dòng)矢量為:并且，將其設(shè)置為等于L級(jí)的最終光流<formula>formulaseeoriginaldocumentpage11</formula>ix)對于每級(jí)重復(fù)步驟i)到viii)直到最后級(jí)L=0，達(dá)到由如下等式定義的最終光流矢量x)利用以下等式，來確定容積J中點(diǎn)v的坐標(biāo)，其對應(yīng)于表示容積中要跟蹤的特征的點(diǎn)U:<formula>formulaseeoriginaldocumentpage12</formula>xi)對于對應(yīng)于圖像I中選擇的特征的每個(gè)體素，重復(fù)以上方法。35.根據(jù)權(quán)利要求34所述的方法，其特征在于，通過如下方法來執(zhí)行兩幅圖像I和J的配準(zhǔn)將所述逆光流矢量應(yīng)用于圖像J中的每個(gè)點(diǎn)v，所述點(diǎn)v被識(shí)別為對應(yīng)于表示特征的體素，所述體素對應(yīng)于與圖像I中的選擇特征相應(yīng)的體素的點(diǎn)U;或者將所述光流矢量應(yīng)用于點(diǎn)U，所述點(diǎn)u每一個(gè)對應(yīng)于被識(shí)別為圖像I中的選擇特征的體素。36.根據(jù)前述權(quán)利要求33到35的一項(xiàng)或多項(xiàng)所述的方法，其特征在于其與用于造影介質(zhì)增強(qiáng)診斷成像，尤其是造影介質(zhì)增強(qiáng)MRI或超聲成像的方法結(jié)合地提供，并且該方法包括以下步驟a)提供通過MRI或超聲獲得的相同對象的至少第一和第二幅數(shù)字或數(shù)字化圖像或截面圖像組，所述圖像由像素或體素的二維或三維陣列形成，其中，相同組織或組織區(qū)的掃描或相同解剖區(qū)域的掃描在第二時(shí)間或在任何隨后時(shí)間于所述組織或組織區(qū)中或解剖區(qū)域中存在造影介質(zhì)的情況下執(zhí)行；b)通過選擇被設(shè)置為界標(biāo)或特征的一定數(shù)量的像素或體素，并生成要跟蹤的所述特征的列表，在所述第一幅或圖像組內(nèi)定義一定數(shù)量的界標(biāo)，即所謂的特征；c)通過對于被選擇作為特征的每個(gè)像素或體素確定從第一到第二幅圖像或圖像組的光流矢量，來從所述第一到第二幅圖像或圖像組跟蹤被選擇作為特征的每個(gè)像素或體素的位置；d)通過將逆光流應(yīng)用于所述第二幅圖像或圖像組的像素或體素，配準(zhǔn)所述第一和第二幅圖像或圖像組。37.根據(jù)權(quán)利要求33到36所述的方法，其特征在于，在特征選擇步驟之后且在執(zhí)行特征跟蹤步驟之前，執(zhí)行進(jìn)一步的自動(dòng)特征選擇步驟，即Bl)在第一幅圖像或第一組截面圖像的每個(gè)像素或體素周圍，定義像素或體素鄰域，所述像素或體素鄰域包括有限數(shù)量的像素或體素；在單個(gè)圖像的情況下選擇二維鄰域，在一組截面圖像的情況下選擇三維鄰域；B2)對于每個(gè)像素或體素，確定所述像素或體素的鄰域的所有像素或體素的平均信號(hào)強(qiáng)度值；B3)定義平均信號(hào)強(qiáng)度值閾；B4)將在步驟B2處對每個(gè)像素或體素鄰域確定的平均信號(hào)強(qiáng)度值進(jìn)行比較，并且將所述平均信號(hào)強(qiáng)度值與所述平均信號(hào)強(qiáng)度值閾進(jìn)行比較；B5)在所述鄰域的平均信號(hào)強(qiáng)度值高于在步驟B4處的閾的情況下，所述像素或體素被定義為要跟蹤的特征，且被添加到要跟蹤的特征的列表中。全文摘要在用于配準(zhǔn)諸如相同對象的至少第一和第二幅數(shù)字或數(shù)字化圖像或截面圖像組的生物醫(yī)學(xué)圖像的方法中，在第一幅圖像或圖像組內(nèi)，通過選擇一定數(shù)量的像素或體素，來個(gè)體化一定數(shù)量的界標(biāo)，即所謂的特征。通過對被選擇作為特征的每個(gè)像素或體素確定從第一到第二幅或圖像組的光流矢量，從第一到第二幅或圖像組跟蹤被選擇作為特征的每個(gè)像素或體素的位置。第一和第二幅圖像或圖像組的配準(zhǔn)通過向第二幅圖像或圖像組的像素或體素應(yīng)用逆光流來執(zhí)行。本發(fā)明提供自動(dòng)可跟蹤界標(biāo)選擇步驟，即定義第一幅圖像或第一組截面圖像的每個(gè)像素或體素周圍的像素或體素鄰域；對于每個(gè)靶像素或體素，確定一個(gè)或多個(gè)特性參數(shù)，其作為描述所述靶像素或體素的外觀和所述像素或體素窗的每個(gè)或部分的外觀的參數(shù)的函數(shù)，以及作為表示所述窗的像素或體素的數(shù)字矩陣或所述數(shù)字矩陣的變換的一個(gè)或多個(gè)特性參數(shù)的函數(shù)被計(jì)算。作為靶像素或體素的所述特性參數(shù)的函數(shù)，確定與有效可跟蹤界標(biāo)相符的像素或體素。文檔編號(hào)G06T7/00GK101297321SQ200680039508公開日2008年10月29日申請日期2006年10月24日優(yōu)先權(quán)日2005年10月25日發(fā)明者伊拉里亞·格里,托尼·維爾納沃姆維格,馬爾科·馬蒂烏齊申請人:布拉科成像S.P.A.公司