圖像配準裝置及其圖像配準的方法
【專利摘要】一種圖像配準裝置，包括：獲取模塊獲取人腦計算機斷層(CT)圖像；分割模塊對人腦CT圖像進行腦分割以得到分割圖像；插值模塊對分割圖像進行插值獲得插值圖像，其中獲取模塊還獲取磁共振(MRI)腦圖譜；配準模塊將所述MRT腦圖譜變形到插值圖像空間以得到初始配準圖像；提取模塊提取初始配準圖像的中矢狀面，其中，配準模塊還對中矢狀面進行配準，得到中矢配準結果，根據(jù)中矢配準結果以及灰度信息對初始配準圖像進行再次配準以獲得再次配準結果，插值模塊還對再次配準結果進行插值以獲得配準圖像。本發(fā)明提高了圖像配準的精準度。
【專利說明】圖像配準裝置及其圖像配準的方法
【技術領域】
[0001]本發(fā)明涉及醫(yī)學圖像處理技術，尤其涉及一種圖像配準裝置及其圖像配準的方法。
【背景技術】
[0002]醫(yī)學影像分析作為一種計算機輔助診斷方式已經(jīng)在臨床上得到了廣泛的應用。對于那些病情復雜，容易誤診的重大疾病，醫(yī)學圖像分析方法與系統(tǒng)可以為診斷提供更為客觀的參考信息和技術支持，一定程度的避免了由于主觀因素造成誤診的情況。
[0003]X射線計算機斷層(CT)圖像和磁共振圖像(MRI)作為當今臨床上兩種重要的影像手段具有很強的互補性。CT圖像的優(yōu)點是空間分辨率高且成像速度快，能清晰地反映出骨骼特征，但是CT圖像不能有效地區(qū)分軟組織信息。MRI的優(yōu)勢在于能提供清晰的軟組織信息，特別適合于軟組織信息豐富的人腦的成像。CT成像設備相對較低廉，有更多的醫(yī)院擁有該設備；MRI設備價格昂貴，只有較少的醫(yī)院擁有該設備；一些疾病的診斷(如腦中風)的首選影像是CT而不是MRI。因此，如何利用現(xiàn)有的技術來解讀軟組織信息不太豐富的頭顱CT圖像具有重大的意義。
[0004]CT (X射線計算機斷層成像)和MRI (磁共振成像)是臨床上用于診斷疾病的兩種重要的手段。由于成像方式的差異，這兩種方式反映了不同的病理信息。臨床上經(jīng)常需要綜合CT圖像的MR(磁共振)圖像的信息來進行診斷，特別是對于人腦這樣結構復雜的器官時，經(jīng)常需要將CT圖像和MRI圖像進行配準融合來獲取更多的信息。
[0005]圖像配準技術是圖像處理領域的一項十分重要而且非常困難的技術，其中多模態(tài)的醫(yī)學圖像配準算法更是研究的熱點。目前的醫(yī)學圖像配準方法大體上可以分為兩類:一類是基于特征的配準方法，這里的特征可以是邊緣和表面特征，也可以是一些特征點。迭代最近點(Iterative Closest Point)算法是基于特征點配準的經(jīng)典的算法?；谔卣鞯呐錅史椒ɡ脠D像的結構信息，速度較快，但是忽略了圖像的灰度信息。另一類配準方法是基于圖像灰度信息進行配準，但是沒有考慮到圖像的結構信息。這兩種方法各有優(yōu)劣，而且具有很大的互補性，因此通過研究混合算法使得在配準過程中兼顧這兩類信息從而獲得高精度的配準具有重要意義，也是當前研究的熱點。
[0006]2001Hsu等提出了一種基于特征的多模態(tài)配準方法。在算法中應用了圖像的表面和邊緣作為特征，然后應用迭代最近點算法將提取出的特征進行配準。
[0007]Vercauteren等在2009年提出了一種基于灰度信息的配準算法。這種算法是在原始的demons算法的基礎上發(fā)展而來的。它使demons算法的優(yōu)化過程在微分同胚空間中進行，解決了大形變的問題。
[0008]Hellier等在2003年提出了一種基于特征點約束和灰度信息的配準算法，該算法是在分割的基礎上進行的。首先提取出腦溝，分割出來的腦溝上的點作為特征點，對應關系可以不嚴格，因此不是作為硬約束作為下一步配準算法的約束。
[0009]Mattes等在2003年提出了一種基于B樣條的自由形變模型的多模態(tài)配準方法。在這個算法中以互信息為相似度準則，以近似牛頓法作為優(yōu)化方法并且在優(yōu)化過程中采用了多分辨率策略。
[0010]Andronache等在2008年提出了一種互信息和相關比結合多模態(tài)配準的方法。此算法中通過不斷地判斷在分層過程中互信息數(shù)值的連續(xù)性來實現(xiàn)從互信息到相關比的轉換，在多模態(tài)如腦部CT和MRI的配準中得到了很好的效果。
[0011]然而，Hsu等提出的方法只考慮到了圖像的結構信息而忽略了圖像的灰度信息，在遠離特征點的區(qū)域配準的結果會很差。
[0012]Vercauteren提出的基于微分同胚的demons算法沒有擺脫demons算法的固有缺陷，該算法只適用于單模態(tài)配準中。
[0013]Hellier等提出的算法利用的形變模型是一種基于光流場的模型，這個模型屬于非參數(shù)模型。該算法同demons算法一樣適用于單一模態(tài)的配準中。而且把腦溝這個解剖結構作為約束也是有局限性的，因為腦溝在一些成像方式如CT圖像上是很難分割出來的。
[0014]Mattes等提出的算法是一種基于灰度信息的方法，該算法忽略了圖像的結構信息。算法中的形變模型使得形變是自由的，這就可能導致某些剛性組織如腦的中矢狀面會發(fā)生非剛性形變。
[0015]Andronache等提出的算法也沒有考慮圖像的結構信息，這樣可能會導致一些圖像上的一些關鍵點(如一些有解剖意義的點)配準不好，從而影響配準精度。

【發(fā)明內容】

[0016]有鑒于此，有必要提供一種圖像配準裝置以及及其圖像配準的方法。
[0017]本發(fā)明提供的圖像配準裝置，包括:獲取模塊、分割模塊、插值模塊、配準模塊以及提取模塊，其中獲取模塊用于獲取人腦計算機斷層(CT)圖像；分割模塊用于對所述人腦CT圖像進行腦分割以得到分割圖像；插值模塊用于對所述分割圖像進行插值獲得插值圖像，其中所述獲取模塊還用于獲取磁共振(MRI)腦圖譜；配準模塊用于將所述MRT腦圖譜變形到所述插值圖像空間以得到初始配準圖像；提取模塊用于提取所述初始配準圖像的中矢狀面，其中，所述配準模塊還用于對所述中矢狀面進行配準，得到中矢配準結果，根據(jù)所述中矢配準結果以及灰度信息對所述初始配準圖像進行再次配準以獲得再次配準結果，所述插值模塊還用于對所述再次配準結果進行插值以獲得配準圖像。
[0018]本發(fā)明提供的圖像配準的方法，包括:獲取人腦計算機斷層(CT)圖像；對所述人腦CT圖像進行腦分割以得到分割圖像；對所述分割圖像進行插值獲得插值圖像；獲取磁共振(MRI)腦圖譜，并將所述MRT腦圖譜變形到所述插值圖像空間以得到初始配準圖像；提取所述初始配準圖像的中矢狀面；對所述中矢狀面進行配準，得到中矢配準結果；根據(jù)所述中矢配準結果以及灰度信息對所述初始配準圖像進行再次配準以獲得再次配準結果；以及對所述再次配準結果進行插值以獲得配準圖像。
[0019]本發(fā)明所提供的圖像配準裝置10及其圖像配準的方法改善了中矢狀面和表面的配準結果，提高了圖像配準的精準度。
【專利附圖】

【附圖說明】
[0020]圖1為本發(fā)明一實施方式中圖像配準裝置的模塊圖；[0021]圖2為本發(fā)明一實施方式中基于仿射變換的初始配準框架；
[0022]圖3為本發(fā)明一實施方式中圖像配準的方法的流程圖。
【具體實施方式】
[0023]下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。
[0024]在本發(fā)明的描述中，術語“內”、“外”、“縱向”、“橫向”、“上”、“下”、“頂”、“底”等指示的方位或位置關系為基于附圖所示的方位或位置關系，僅是為了便于描述本發(fā)明而不是要求本發(fā)明必須以特定的方位構造和操作，因此不能理解為對本發(fā)明的限制。
[0025]請參閱圖1，圖1所示為本發(fā)明一實施方式中圖像配準裝置10的模塊圖。
[0026]在本實施方式中，圖像配準裝置10包括:獲取模塊110、分割模塊120、插值模塊130、配準模塊140以及提取模塊150。
[0027]在本實施方式中，獲取模塊110用于獲取人腦計算機斷層(CT)圖像。在本實施方式中獲取模塊110為CT。
[0028]在本實施方式中，分割模塊120用于對所述人腦CT圖像進行腦分割以得到分割圖像。在本實施方式中，所述腦分割是指去除顱骨，得到腦(包括大腦和小腦)內的灰質、白質與腦脊液。
[0029]在本實施方式中，所述分割模塊120利用模糊c均值算法求取灰度閾值以及利用所述灰度閾值對所述CT圖像進行分割。
[0030]在本實施方式中，插值模塊130用于對所述分割圖像進行插值獲得插值圖像。
[0031]在本實施方式中，CT圖像采用軸向位置掃描，原始的CT圖像的尺寸是512x512x切片數(shù)，切片數(shù)介于10-20之間，對應的X與Y軸方向的像素大小是相同的(約0.5毫米)，Z軸方向的像素大小為5-10毫米。為便于后續(xù)的空間變換(如旋轉、非線性形變等)，在預處理階段需要對CT圖像進行插值操作?？蛇x的插值方法有很多，最簡單的是最鄰近內插法:插值后的圖像在非整數(shù)位置的灰度值是等于與其位置最接近像素的灰度值。為了方便，插值圖像的像素尺寸和圖像大小與MRI圖譜一致，圖像大小為149x188x148 (重采樣去掉了一些不包含腦組織的像素使得所有腦組織的像素都被包含在插值后的圖像中)。
[0032]在本實施方式中，所述獲取模塊110還用于獲取磁共振(MRI)腦圖譜。在本實施方式中，MRT腦圖譜預先存儲在圖像配準裝置10中，是LONI Atlases中的ICBM452TlAtlas。
[0033]在本實施方式中，配準模塊140用于將所述MRT腦圖譜變形到所述插值圖像空間以得到初始配準圖像。
[0034]在本實施方式中，所述初始配準通過仿射變換模型來實現(xiàn)。
[0035]在本實施方式中，仿射變換模型是一種全局形變模型，由12個參數(shù)控制。其中，像素P點(X，y，Ζ)τ處經(jīng)過仿射變換后的坐標變?yōu)?x’，y’，z’)τ,變換公式為:
【權利要求】
1.一種圖像配準裝置，包括: 獲取模塊，用于獲取人腦計算機斷層(CT)圖像； 分割模塊，用于對所述人腦CT圖像進行腦分割以得到分割圖像； 插值模塊，用于對所述分割圖像進行插值獲得插值圖像，其中所述獲取模塊還用于獲取磁共振(MRI)腦圖譜； 配準模塊，用于將所述MRT腦圖譜變形到所述插值圖像空間以得到初始配準圖像； 提取模塊，用于提取所述初始配準圖像的中矢狀面，其中，所述配準模塊還用于對所述中矢狀面進行配準，得到中矢配準結果，根據(jù)所述中矢配準結果以及灰度信息對所述初始配準圖像進行再次配準以獲得再次配準結果，所述插值模塊還用于對所述再次配準結果進行插值以獲得配準圖像。
2.如權利要求1所述的圖像配準裝置，其特征在于，所述腦分割是指去除顱骨，得到腦(包括大腦和小腦)內的灰質、白質與腦脊液。
3.如權利要求2所述的圖像配準裝置，其特征在于，所述分割模塊利用模糊c均值算法求取灰度閾值以及利用所述灰度閾值對所述CT圖像進行分割。
4.如權利要求1所述的圖像配準裝置，其特征在于，所述初始配準通過仿射變換模型來實現(xiàn)。
5.如權利要求1所述的圖像配準裝置，其特征在于，所述中矢狀面是將腦分成左右半腦的曲面的平面逼近，由腦縱裂組成，基于灰度局部對稱性在軸向切片上定位所述腦縱裂。
6.如權利要求5所述的圖像配準裝置，其特征在于，所述配準模塊通過將所述MRI圖譜配準到所述CT圖像的形變場，并對所述形變場進行采樣，得到所述CT圖像與所述初始配準圖像的對應關系，構成中矢狀面約束，其中，所述中矢狀面約束為所述中矢配準結果。
7.一種圖像配準的方法，包括: 獲取人腦計算機斷層(CT)圖像； 對所述人腦CT圖像進行腦分割以得到分割圖像； 對所述分割圖像進行插值獲得插值圖像； 獲取磁共振(MRI)腦圖譜，并將所述MRT腦圖譜變形到所述插值圖像空間以得到初始配準圖像； 提取所述初始配準圖像的中矢狀面； 對所述中矢狀面進行配準，得到中矢配準結果； 根據(jù)所述中矢配準結果以及灰度信息對所述初始配準圖像進行再次配準以獲得再次配準結果；以及 對所述再次配準結果進行插值以獲得配準圖像。
8.如權利要求7所述的圖像配準的方法，其特征在于，所述腦分割是指去除顱骨，得到腦(包括大腦和小腦)內的灰質、白質與腦脊液。
9.如權利要求8所述的圖像配準的方法，其特征在于，所述腦分割包括以下步驟: 利用模糊c均值算法求取灰度閾值； 利用所述灰度閾值對所述CT圖像進行分割。
10.如權利要求7所述的圖像配準的方法，其特征在于，所述初始配準通過仿射變換模型來實現(xiàn)。
11.如權利要求7所述的圖像配準的方法，其特征在于，所述中矢狀面是將腦分成左右半腦的曲面的平面逼近，由腦縱裂組成，基于灰度局部對稱性在軸向切片上定位所述腦縱裂。
12.如權利要求11所述的圖像配準的方法，其特征在于，“對所述中矢狀面進行配準”的步驟包括: 將所述MRI圖譜配準到所述CT圖像的形變場； 對所述形變場進行采樣，得到所述CT圖像與所述初始配準圖像的對應關系，構成中矢狀面約束，其中，所述中矢狀面約束為所述中矢配準結果。
【文檔編號】G06T7/00GK103793904SQ201210424003
【公開日】2014年5月14日 申請日期:2012年10月29日 優(yōu)先權日:2012年10月29日
【發(fā)明者】胡慶茂, 高愛麗, 陳明揚, 張曉東, 羅火靈, 賈富倉 申請人:深圳先進技術研究院