專利名稱：一種基于共形幾何代數的三維圖像配準方法及裝置的制作方法
技術領域：
本發(fā)明涉及醫(yī)學圖像處理領域，尤其涉及的是一種基于共形幾何代數的三維圖像配準方法及裝置。
背景技術：
從數據維度上，醫(yī)學圖像的配準可以分為2D/2D，2D/3D和3D/3D三種。3D/3D配準，配準數據為立體數據，幾何變換類型更多、更復雜，其優(yōu)化尋參數難度增加，更容易陷入局部最優(yōu)，而且整個配準過程的空間復雜度和時間復雜度要遠高于2D/2D配準。在神經外科手術導航等醫(yī)學應用中，醫(yī)學圖像處理技術非常關鍵，但也面臨著很多問題，尤其在3D/3D型配準方面。從相關文獻中，可以發(fā)現(xiàn)很多解決問題的方法值得我們學習借鑒。如Hsu和 Loew首次提出了一種基于分層特征提取的全自動多模態(tài)醫(yī)學圖像3D配準方法；李文龍等人用非均勻化B樣條變形體代替一般三次B樣條變形體來描述成像組織的非線性運動，提出了基于自由形變的3D非線性醫(yī)學圖像配準；Harm0UChe等人通過計算椎間變形，建立了一種鉸鏈模型用于脊柱的MR和X光的三維配準。在醫(yī)學圖像的配準中，現(xiàn)有的3D配準方案多是假設已知配準點之間的對應關系來分析如何變形，或是已經知道如何變形，僅僅需要獲取配準點的對應關系，很難描述配準的幾何體位置，使得經過配準的醫(yī)學圖像立體顯示不清晰，配準的精度不高。因此，現(xiàn)有技術還有待于改進和發(fā)展。

發(fā)明內容
本發(fā)明要解決的技術問題在于，針對現(xiàn)有技術的上述缺陷，提供一種基于共形幾何代數的三維圖像配準方法及裝置，以便使配準的圖像更加清晰，配準精度更高。本發(fā)明解決技術問題所采用的技術方案如下
一種基于共形幾何代數的三維圖像配準方法，其中，包括以下步驟
A、選定用于配準的參照圖像和浮動圖像，對所述參照圖像和浮動圖像進行邊緣檢測，得出相應的邊緣輪廓，并利用圖像分割算法，提取所述參照圖像和浮動圖像的特征點；
B、根據所述參照圖像和浮動圖像的特征點，在共形幾何代數框架下，生成所述特征點的特征矢量；
C、對所述浮動圖像的特征點的特征矢量進行數次旋轉和平移，并計算每次旋轉和平移后所述參照圖像和所述浮動圖像的特征點的特征矢量的相似測度；
D、當所述相似測度小于一預定閥值或者旋轉和平移的次數大于或者等于預定次數時，輸出所述浮動圖像此時的特征點的特征矢量，生成配準后的浮動圖像，并將配準后的浮動圖像與所述參照圖像融合，得到最終的配準圖像。所述的基于共形幾何代數的三維圖像配準方法，其中，所述步驟A還包括預先將所述參照圖像和浮動圖像的分配率及尺寸范圍范圍處理一致。所述的基于共形幾何代數的三維圖像配準方法，其中，所述步驟A中對所述參照圖像和浮動圖像采用canny算子進行邊緣檢測。所述的基于共形幾何代數的三維圖像配準方法，其中，所述步驟C還包括
Cl、獲取所述浮動圖像上與所述參照圖像的特征點相對應的最近點，并根據所述最近點的特征矢量，計算旋轉算子和平移算子；
C2、根據所述旋轉算子和平移算子，對浮動圖像的特征點的特征矢量進行相應的旋轉和平移。所述的基于共形幾何代數的三維圖像配準方法，其中，所述步驟C中的相似測度通過以下公式計算
. a m
SM,T = 2 jSj= 2 n^mClI XjYy II)
!-I!-I
其中，Sw是所述相似測度，Xi和Yj分別是所述浮動圖像和參考圖像的特征點的特征矢量，Si是Xi和Yj內積最小值，i和j均為自然數。所述的基于共形幾何代數的三維圖像配準方法，其中，所述步驟D還包括
當所述相似測度大于或者等于所述預定閥值并且旋轉和平移的次數小于預定次數時，繼續(xù)對所述浮動圖像的特征點的特征矢量進行旋轉和平移，直至所述相似測度小于一預定閥值或者旋轉和平移的次數大于或等于所述預定次數。所述的基于共形幾何代數的三維圖像配準方法，其中，所述預定閥值為1.0X 10_3，所述預定次數為1000。一種基于共形幾何代數的三維圖像配準裝置，其中，所述裝置包括
特征點提取單元，用于對選定的用于配準的參照圖像和浮動圖像進行邊緣檢測，得出相應的邊緣輪廓，并利用圖像分割算法，提取所述參照圖像和浮動圖像的特征點；
特征矢量轉換單元，用于根據所述特征點提取單元提取的所述參照圖像和浮動圖像的特征點，在共形幾何代數框架下，生成所述特征點的特征矢量；
旋轉平移單元，用于對所述特征點的特征矢量進行旋轉和平移運算；
相似測度計算單元，用于計算所述旋轉平移單元進行每次旋轉和平移運算后所述參照圖像和所述浮動圖像的特征點的特征矢量的相似測度；
配準單元，用于當所述相似測度小于一預定閥值或者旋轉和平移的次數大于或者等于預定次數時，輸出所述浮動圖像此時的特征點的特征矢量，生成配準后的浮動圖像，并將配準后的浮動圖像與所述參照圖像融合，得到最終的配準圖像。所述的基于共形幾何代數的三維圖像配準裝置，其中，所述裝置還包括
圖像預處理單元，用于預先對選定的參照圖像和浮動圖像進行處理，將選定的參照圖像和浮動圖像的分辨率和尺寸范圍處理一致。本發(fā)明所提供的基于共形幾何代數的三維圖像配準方法及裝置，實現(xiàn)了三維數據的直接對齊，能夠較好的定位組織器官的三維位置，使配準的圖像更加清晰，配準精度更高，圖像顯示更加準確。


圖I是本發(fā)明提供的基于共形幾何代數的三維圖像配準方法的流程圖。圖2是本發(fā)明提供的基于共形幾何代數的三維圖像配準方法的一實施例中的CT前8層圖。圖3是本發(fā)明提供的基于共形幾何代數的三維圖像配準方法的一實施例中的MR_Tl前8層圖。圖4是根據圖2所示的CT圖重建的不同角度的三維腦部模型。圖5是根據圖3所示的MR_T1圖重建的不同角度的三維腦部模型。圖6是經過配準的CT和MR_T1融合后不同角度的三維效果圖。圖7是圖6所述三維效果圖的部分切片圖。圖8是本發(fā)明提供的基于共形幾何代數的三維圖像配準裝置的結構框圖。
圖9是本發(fā)明提供的基于共形幾何代數的三維圖像配準裝置的一優(yōu)選實施例的結構框圖。
具體實施例方式本發(fā)明利用共形幾何代數重建了 3D醫(yī)學圖像的位置關系約束問題，分析了醫(yī)學圖像的共形幾何變換，構造了一種新的3D醫(yī)學圖像配準相似測度，基于此提出了 3D醫(yī)學圖像配準算法，用于CT和MR_T1圖像的3D配準，以便實現(xiàn)三維數據的直接對齊、較好的定位組織器官的三維位置、以及直觀的體現(xiàn)配準結果。為使本發(fā)明的目的、技術方案及優(yōu)點更加清楚、明確，以下參照附圖并舉實施例對本發(fā)明進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。參見圖1，圖I是本發(fā)明提供的基于共形幾何代數的三維圖像配準方法的流程圖，包括以下步驟
步驟S100、選定用于配準的參照圖像和浮動圖像，對所述參照圖像和浮動圖像進行邊緣檢測，得出相應的邊緣輪廓，并利用圖像分割算法，提取所述參照圖像和浮動圖像的特征占.
步驟S200、根據所述參照圖像和浮動圖像的特征點，在共形幾何代數框架下，生成所述特征點的特征矢量；
步驟S300、對所述浮動圖像的特征點的特征矢量進行數次旋轉和平移，并計算每次旋轉和平移后所述參照圖像和所述浮動圖像的特征點的特征矢量的相似測度；
步驟S400、當所述相似測度小于一預定閥值或者旋轉和平移的次數大于或者等于預定次數時，輸出所述浮動圖像此時的特征點的特征矢量，生成配準后的浮動圖像，并將配準后的浮動圖像與所述參照圖像融合，得到最終的配準圖像。下面結合具體的實施例對上述步驟進行詳細的說明和描述。首先，選定需要配準的參考圖像=1,2，"·，《}和浮動圖像M= = 1,2,···，《},并且對參考圖像和浮動圖像進行預處理，使在有效區(qū)域內二者的分辨率和尺寸范圍達到一致，以便配準更加準確。在步驟SlOO中，對所述考圖像Ν={Νρ = \Χ…，η}和浮動圖像
2,-,m)采用canny算子進行邊緣檢測，得到相應的邊緣輪廓，根據得到的邊緣輪廓，利用圖像分割算法，提取參考圖像M= = 1,2，···,《}和浮動圖像M= (Mi J = I,2,…中的特征點的集合，分別為tf和M_。為了實現(xiàn)更好的配準，本發(fā)明對上述特征點進行進一步處理，具體為，在共形幾何代數(CGA)框架下，優(yōu)選為空間，將過和M1轉換成x =形式，因此，轉換后
M = {XJ =1,2,-, η},歲={^^/ = 1,2,…,岣。之后對浮動圖像的特性點的特征矢量
M = {XJ =IA-, η}進行K次迭代的旋轉和平移運算，首先計算旋轉算子和平移算子TS其中，Kmin=O, Kmax=IOOO, Rfc和Tfc分別表示第K次迭代的旋轉算子和平移算子。在
計算時，_和_通過公式Si= rim {IIXiYjII }平方和最小為約束條件來求出，其中，Si為Xi
M I只
與I的內積最小值。也即是獲取浮動圖像上與所述參照圖像的特征點相對應的最近點，然 后根據所述最近點的特征矢量，計算旋轉算子及"和平移算子Tfc,在計算出旋轉算子:&^和平移算子護后，對浮動圖像的特征點的特征矢量進行相應的旋轉和平移運算，Xi變換后為Xi=MXjM , M = 。然后計算每次迭代旋轉和平移后\與Y,.的相似測度，計算公式
·ι α J通過述公式計算出相似測度Sw后，對相似測度進行&^判斷，當所述相似測度
小于一預定閥值f (ε= l.OxlfJ3)或者旋轉和平移的次數k大于或者預定次數Kmax=IOOO
時，輸出所述浮動圖像此時的特征點的特征矢量，并生成配準后的浮動圖像，完成初步配準，并將配準后的浮動圖像與參照圖像N融合，得到最終的配準圖像。否則將迭代次數加1，
繼續(xù)進行迭代旋轉和平移運算，直至所述相似測度S-小于預定閥值ε或者旋轉和平移的
次數K大于預定次數Κ_。為了更加具體和直觀的說明上述配準過程，本發(fā)明通過實驗圖像數據進舉例說明。本發(fā)明選取美國Vanderbit 大學的 “The Retrospective Image RegistrationEvaluation Project”中頭部掃描的CT和MR_T1序列進行舉例描述，CT為參照圖像，MR_T1為浮動圖像。具體地，CT圖有28層，在X和y方向上像素大小為O. 65mm，Z方向上為4. 0mm。圖2是CT前8層圖，可以看出由于Z方向位置的不同，每層顯示的人腦骨骼信息都不一樣。對比各個CT圖的相同圖層，可以看出它們具有相似外輪廓，而內部由于成像側重點不同，顯示的組織都有或多或少的差異。從圖2可以看出不同Z軸位置的成像體現(xiàn)了病人組織的不同細節(jié)。]\ _11圖有26層，在1和7方向上像素大小為1.25111111，2方向上為4.0111111。圖3是MR_T1前8層圖，可以看出由于Z方向位置的不同，每層顯示的病人腦部軟組織信息都不一樣。
利用圖2和圖3這些序列圖可以重建三維圖，圖4為根據CT圖重建的不同角度的三維腦部模型，從不同的角度可以看到腦部骨骼的不同部分。圖5為根據MR_T1圖重建的不同角度的三維腦部模型，由于MR_T1圖反映的主要腦部軟組織信息，所以根據MR_T1圖重建的三維模型圖的可透視部分較少，只有在內部組織和骨骼之間留有少量間隙透視。配準前，從五維共形幾何代數的角度，世界坐標系下的CT圖和MR_T1圖相差一個平移算子T和一個旋轉算R，也就是說，MR_T1在平移算子T和一個旋轉算子R的作用下將和CT配準。在實際算法中，由于采用的尋優(yōu)策略是基于ICP算法的，實際上MR_T1是在平移算子Tt和一個旋轉算Rt的連續(xù)的作用下取得配準。配準后，MR_T1和CT圖骨骼部分合并，而MR_T1中的軟組織部分將填入CT圖的骨骼空隙中，圖6是經過配準后的CT和MR_Tl融合的不同角度的三維效果圖。圖7是配準后CT圖和MR_T1圖融合后的部分切片圖，深色部分是屬于CT的組織，淺色部分是屬于MR_T1的組織。從圖7中可以看到配準后的切片是不同于配準前的CT和MR_T1切片的，CT和MR_T1切片中的相同組織對齊融合，而不同組織則在位置上互相補充顯 示。使得最終配準后的圖像能夠較好的定位組織器官的三維位置，使配準結果更加直觀。需要指出的是，上述圖2至圖7僅僅是為了解釋配準過程而使用的效果圖，并不用于限定本實施例?；谏鲜鋈S圖像配準方法，本發(fā)明還提供了一種基于共形幾何代數的三維圖像配準裝置，如圖8所示，其中，所示裝置包括
特征點提取單元10，用于對選定的用于配準的參照圖像和浮動圖像進行邊緣檢測，得出相應的邊緣輪廓，并利用圖像分割算法，提取所述參照圖像和浮動圖像的特征點；
特征矢量轉換單元20，用于根據所述特征點提取單元10提取的所述參照圖像和浮動圖像的特征點，在共形幾何代數框架下，生成所述特征點的特征矢量；
旋轉平移單元30，用于對所述特征點的特征矢量進行旋轉和平移運算；
相似測度計算單元40，用于計算所述旋轉平移單元30進行每次旋轉和平移運算后所述參照圖像和所述浮動圖像的特征點的特征矢量的相似測度；
配準單元50，用于當所述相似測度小于一預定閥值或者旋轉和平移的次數大于或者等于預定次數時，輸出所述浮動圖像此時的特征點的特征矢量，生成配準后的浮動圖像，并將配準后的浮動圖像與所述參照圖像融合，得到最終的配準圖像。進一步地，為了更加準確的進行圖像配準，如圖9所示，所述裝置還包括圖像預處理單元60，用于預先對選定的參照圖像和浮動圖像進行處理，將選定的參照圖像和浮動圖像的分辨率和尺寸范圍處理一致。綜上所述，通過本發(fā)明提供的基于共形幾何代數的三維圖像配準方法及裝置，實現(xiàn)了三維數據的直接對齊，能夠較好的定位組織器官的三維位置，使配準結果更加直觀，配準后的圖像更加清晰，配準精度更高。應當理解的是，本發(fā)明的應用不限于上述的舉例，對本領域普通技術人員來說，可以根據上述說明加以改進或變換，所有這些改進和變換都應屬于本發(fā)明所附權利要求的保護范圍。
權利要求
1.一種基于共形幾何代數的三維圖像配準方法，其特征在于，包括以下步驟 A、選定用于配準的參照圖像和浮動圖像，對所述參照圖像和浮動圖像進行邊緣檢測，得出相應的邊緣輪廓，并利用圖像分割算法，提取所述參照圖像和浮動圖像的特征點； B、根據所述參照圖像和浮動圖像的特征點，在共形幾何代數框架下，生成所述特征點的特征矢量； C、對所述浮動圖像的特征點的特征矢量進行數次旋轉和平移，并計算每次旋轉和平移后所述參照圖像和所述浮動圖像的特征點的特征矢量的相似測度； D、當所述相似測度小于一預定閥值、或者旋轉和平移的次數大于或者等于預定次數時，輸出所述浮動圖像此時的特征點的特征矢量，生成配準后的浮動圖像，并將配準后的浮動圖像與所述參照圖像融合，得到最終的配準圖像。
2.根據權利要求I所述的基于共形幾何代數的三維圖像配準方法，其特征在于，所述步驟A還包括預先將所述參照圖像和浮動圖像的分配率及尺寸范圍范圍處理一致。
3.根據權利要求I所述的基于共形幾何代數的三維圖像配準方法，其特征在于，所述步驟A中對所述參照圖像和浮動圖像采用canny算子進行邊緣檢測。
4.根據權利要求I所述的基于共形幾何代數的三維圖像配準方法，其特征在于，所述步驟C還包括 Cl、獲取所述浮動圖像上與所述參照圖像的特征點相對應的最近點，并根據所述最近點的特征矢量，計算旋轉算子和平移算子； C2、根據所述旋轉算子和平移算子，對浮動圖像的特征點的特征矢量進行相應的旋轉和平移。
5.根據權利要求I所述的基于共形幾何代數的三維圖像配準方法，其特征在于，所述步驟C中的相似測度通過以下公式計算
6.根據權利要求I所述的基于共形幾何代數的三維圖像配準方法，其特征在于，所述步驟D還包括 當所述相似測度大于或者等于所述預定閥值、并且旋轉和平移的次數小于預定次數時，繼續(xù)對所述浮動圖像的特征點的特征矢量進行旋轉和平移，直至所述相似測度小于一預定閥值或者旋轉和平移的次數大于或等于所述預定次數。
7.根據權利要求I所述的基于共形幾何代數的三維圖像配準方法，其特征在于，所述預定閥值為I. OX 10_3，所述預定次數為1000。
8.一種基于共形幾何代數的三維圖像配準裝置，其特征在于，所述裝置包括 特征點提取單元，用于對選定的用于配準的參照圖像和浮動圖像進行邊緣檢測，得出相應的邊緣輪廓，并利用圖像分割算法，提取所述參照圖像和浮動圖像的特征點； 特征矢量轉換單元，用于根據所述特征點提取單元提取的所述參照圖像和浮動圖像的特征點，在共形幾何代數框架下，生成所述特征點的特征矢量；旋轉平移單元，用于對所述特征點的特征矢量進行旋轉和平移運算； 相似測度計算單元，用于計算所述旋轉平移單元進行每次旋轉和平移運算后所述參照圖像和所述浮動圖像的特征點的特征矢量的相似測度； 配準單元，用于當所述相似測度小于一預定閥值或者旋轉和平移的次數大于或者等于預定次數時，輸出所述浮動圖像此時的特征點的特征矢量，生成配準后的浮動圖像，并將配準后的浮動圖像與所述參照圖像融合，得到最終的配準圖像。
9.根據權利要求8所述的基于共形幾何代數的三維圖像配準裝置，其特征在于，所述裝置還包括 圖像預處理單元，用于預先對選定的參照圖像和浮動圖像進行處理，將選定的參照圖像和浮動圖像的分辨率和尺寸范圍處理一致。
全文摘要
本發(fā)明公開了一種基于共形幾何代數的三維圖像配準方法及裝置，利用共形幾何代數重建了3D醫(yī)學圖像的位置關系約束問題，分析了醫(yī)學圖像的共形幾何變換，構造了一種新的3D醫(yī)學圖像配準相似測度，基于此提出了3D醫(yī)學圖像配準算法，用于CT和MR_T1圖像的3D配準。實現(xiàn)了三維數據的直接對齊，能夠較好的定位組織器官的三維位置，使配準結果更加直觀，配準后的圖像更加清晰，配準精度更高。
文檔編號G06T7/00GK102903117SQ20121040932
公開日2013年1月30日 申請日期2012年10月24日 優(yōu)先權日2012年10月24日
發(fā)明者曹文明, 劉輝, 徐晨, 馮記強 申請人:深圳大學