一种基于超像素向导的医学图像配准方法技术

本发明专利技术公开了一种基于超像素向导的医学图像配准方法，包括步骤：1)对参考图像和浮动图像采用基于B样条的FFD配准算法进行刚性预配准，获得预配准后的参考图像和浮动图像；2)对预配准后的参考图像和浮动图像，进行下采样，形成多分辨率金字塔，级数为l；3)多分辨率方案的图像配准从最粗的分辨率开始，由粗至精的逐步配准，在当前分辨率l下，经迭代后，对已获得的空间变换ul进行上采样得到ul‑1，然后利用空间变换ul‑1对金字塔第l‑1级的图像进行变换，将获得的图像再次进入迭代，直到金字塔图像最低层结束；4)将最终获得的空间变换u作用于刚性配准后的浮动图像，获得最终的配准后结果图像。本发明专利技术获得了优于基于B样条的FFD模型、DD模型等当前主流DIR配准模型的配准精度和鲁棒性。

A Medical Image Registration Method Based on Superpixel Wizard

The invention discloses a medical image registration method based on super-pixel guide, which includes steps: 1) rigid pre-registration of reference image and floating image using FFD registration algorithm based on B-spline to obtain reference image and floating image after pre-registration; 2) downsampling of reference image and floating image after pre-registration to form a multi-resolution pyramid with a level of L 3; The image registration of multi-resolution scheme starts with the coarsest resolution and proceeds from coarse to fine step by step. Under the current resolution l, the acquired spatial transform UL is sampled up to get ul_1 after iteration, and then the pyramid level l_1 image is transformed by spatial transform ul_1, and the obtained image is iterated again until the lowest level of the pyramid image ends. The final spatial transformation u is applied to the floating image after rigid registration, and the final registration result image is obtained. The invention obtains better registration accuracy and robustness than the current mainstream DIR registration models such as FFD model based on B spline and DD model.

【技术实现步骤摘要】
一种基于超像素向导的医学图像配准方法
本专利技术涉及医学图像处理及应用的
，尤其是指一种基于超像素向导的医学图像配准方法。
技术介绍
肺癌是当今全世界发病率和死亡率增长最快、对人类健康和生命威胁最大的恶性肿瘤之一。肺癌切除术后胸部随访CT(ComputedTomography,CT)图像之间的配准是预测术后肺功能、监测术后肿瘤的复发和转移情况、评估术后残肺代偿效果以及判断预后并指导治疗等的关键指标。然而，由于肺部固有的易变形性，再加上器官蠕动、呼吸运动及患者移动等特征，使得胸部随访图像之间存在复杂大形变，对它们精确地配准仍然是一项艰巨的任务。近年来，针对肺部的形变图像配准(DeformationImageRegistration，DIR)已经取得了重要进展：该类算法比以往更快，更精确，更易于使用。然而，DIR通常依赖于所寻求的变换是平滑的这一假设，从而阻止对那些不连续性解剖变化(例如组织生长/收缩或肿瘤反应)的正确估计。因此，为了能够处理由肺部代偿生长、肿瘤组织收缩/膨胀以及肿瘤反应等原因引起的复杂大形变，对肺部的生理特性、运动特点和解剖结构等先验知识来向导DIR模型优化进行研究具有重要的理论意义和临床应用价值。当前，Demons模型是肺部图像进行形变配准最流行使用的一类DIR模型。然而，该类DIR模型假设所寻求的变换是平滑的，从而阻止对那些不连续性解剖变化(例如肺部膨胀/收缩、体重减轻/增加或肿瘤反应)的正确估计。因此，为了能够处理由肺部代偿生长、肿瘤组织收缩/膨胀以及肿瘤反应等原因引起的复杂大形变，需要结合肺部的生理特性、运动特点和解剖变化特点等先验知识来向导DIR模型优化，从而提高肺部图像配准的精度和鲁棒性。近年来，一些学者对向导DIR模型进行了研究。例如，Kim等人将人工勾画的器官轮廓和一些特殊点作为约束项结合于基于B样条的FFD模型，目的是建立临床患者数据的基准配准。Kearney等人提出了一种基于标记向导的图像配准(Landmark-GuidedImageRegistration，LGIR)算法，该算法采用梯度相似性度量来建立标记以帮助向导Demons模型的目标函数趋向收敛。Wu等人提出了一种基于生长轨迹或时空对应关系向导的形变配准算法，该算法解决了不同时期婴儿大脑图像的配准难题，并且与现有最先进的配准算法相比产生了更高的配准精度。Gu等人提出了一种基于轮廓向导的形变配准算法(Contour-GuidedDeformableImageRegistration，CG-DIR)，以提高自适应放射治疗的变形向量场的准确性和一致性。该算法使用勾画的结构集对之间的灰度匹配项对原始Demons模型中的目标函数进行正则化，来实现将医生勾画的轮廓线结合进配准模型。然而，不同医生可能产生不同的勾画结果，甚至同一医生不同时间点都可能勾画出不同的轮廓，因此配准结果的精度和一致性受医生主观经验影响很大，并且人工勾画过程耗时较长，对大数据集进行分析可能是非常费力的。本专利技术提供一种基于超像素向导的医学图像配准方法，将肺部的生理特性、运动特点和解剖结构等先验知识结合进微分同胚Demons(DiffeomorphicDemons，DD)模型的目标函数中，构建了一种新配准算法模型。新模型将待配准两图像的超像素二值表示之间距离作为新匹配项以向导基于DD模型的目标函数趋向收敛，克服了DD算法仅依赖灰度信息驱动形变场引起的形变不足问题，有助于提高由边界运动或解剖变化所引起复杂形变的配准精度，同时增强配准鲁棒性。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于超像素向导的医学图像配准方法，获得了优于基于B样条的FFD模型、DD模型等当前主流DIR配准模型的配准精度和鲁棒性，对大形变区域和解剖变化区域的精确匹配具有更重要的临床应用意义和参考价值。为实现上述目的，本专利技术所提供的技术方案为：一种基于超像素向导的医学图像配准方法，包括以下步骤：1)对参考图像和浮动图像采用基于B样条的FFD配准算法进行刚性预配准，获得预配准后的参考图像和浮动图像；2)对预配准后的参考图像和浮动图像，进行下采样，形成多分辨率金字塔，级数为l；3)多分辨率方案的图像配准从最粗的分辨率开始，由粗至精的逐步配准，在当前分辨率l下，经如下迭代过程之后，对已获得的空间变换ul进行上采样得到ul-1，然后利用空间变换ul-1对金字塔第l-1级的图像进行变换，将获得的图像再次进入如下迭代过程，直到金字塔图像最低层结束；其中，所述迭代过程如下：3.1)分别计算当前分辨率l下参考图像和浮动图像的超像素的二值表示B0(x)和B1(x)；3.2)将当前超像素二值表示B0(x)和B1(x)之间的欧氏距离构造的一个新的匹配项结合于经典DD模型的目标能量函数中，构建新目标能量函数；3.3)根据新目标能量函数，利用空间变换ul-1与更新速度场vl-1关系式和新目标能量函数的一阶最优性条件，获取使得新目标函数最小化的空间变换函数；3.4)判断是否达到最大迭代次数，若没有达到，则返回步骤3.1)，继续迭代；否则判断是否达到最大分解级数，若没有达到，则对低分辨率下得到的形变矩阵进行超采样，将其作为上一级高分辨率的初始变换，返回步骤3.1)，否则配准结束，进入步骤4)；4)将最终获得的空间变换u作用于刚性配准后的浮动图像，获得最终的配准后结果图像。在步骤3.1)中，所述参考图像和浮动图像的超像素的二值表示计算，包括以下步骤：3.1.1)初始化聚类种子点，对于一幅有N个像素点的图像I进行SLIC超像素分割，分割块数根据分割对象人为设定，这也是SLIC算法的突出优势之一；如果设定分割的超像素个数为K，即整幅图像被均匀分割为K个网格，那么每一网格内含有N/K像素；网格中心即为初始化的聚类种子点，则相邻超像素之间的步长近似为3.1.2)利用SLIC算法分割获取图像超像素的标签图B(x)；3.1.3)遍历超像素标签图中每一标签，基于梯度边缘检测算法判断是否属于超像素边缘，如果是则将其标记为255，即B(x)＝255，否则标记为0，即B(x)＝0，获得了超像素的二值表示B(x)。在步骤3.2)中，在DD算法模型基础上，采用新目标能量函数：式中，V1和V0分别表示参考图像和浮动图像的灰度值，B1和B0分别表示参考图像和浮动图像的超像素二值表示；γ和β分别表示新添加匹配项和变换函数光滑程度在目标能量函数中所占权重；u为空间变换；c作为辅助的空间变换，目的是简化优化过程，c和u存在关系式其中v表示更新速度向量场；第三项为形变场的偏差项；在步骤3.3)中，对新目标能量函数，利用其一阶最优性条件，获取使得新目标函数最小化的空间变换函数过程中，包括以下步骤：3.3.1)空间变换u和更新速度场v的关系式为3.3.2)将E(u)的三项分别进行一阶泰勒展开，得到如下近似表达式：exp(v)-Id≈v式中，JVP和JBP分别表示第一项和第二项的空间雅克比矩阵；3.3.3)利用E(u)一阶最优性条件获得方程的解，即为更新速度场，即为更新速度场：3.3.4)采用关系式u＝exp(v)得到最优的空间变换函数u。本专利技术与现有技术相比，具有如下优点与有益效果：1、本专利技术首先采用基于像素灰度的刚性配准算本文档来自技高网...

【技术保护点】
1.一种基于超像素向导的医学图像配准方法，其特征在于，包括以下步骤：1)对参考图像和浮动图像采用基于B样条的FFD配准算法进行刚性预配准，获得预配准后的参考图像和浮动图像；2)对预配准后的参考图像和浮动图像，进行下采样，形成多分辨率金字塔，级数为l；3)多分辨率方案的图像配准从最粗的分辨率开始，由粗至精的逐步配准，在当前分辨率l下，经如下迭代过程之后，对已获得的空间变换ul进行上采样得到ul‑1，然后利用空间变换ul‑1对金字塔第l‑1级的图像进行变换，将获得的图像再次进入如下迭代过程，直到金字塔图像最低层结束；其中，所述迭代过程如下：3.1)分别计算当前分辨率l下参考图像和浮动图像的超像素的二值表示B0(x)和B1(x)；3.2)将当前超像素二值表示B0(x)和B1(x)之间的欧氏距离构造的一个新的匹配项结合于经典DD模型的目标能量函数中，构建新目标能量函数；3.3)根据新目标能量函数，利用空间变换ul‑1与更新速度场vl‑1关系式和新目标能量函数的一阶最优性条件，获取使得新目标函数最小化的空间变换函数；3.4)判断是否达到最大迭代次数，若没有达到，则返回步骤3.1)，继续迭代；否则判断是否达到最大分解级数，若没有达到，则对低分辨率下得到的形变矩阵进行超采样，将其作为上一级高分辨率的初始变换，返回步骤3.1)，否则配准结束，进入步骤4)；4)将最终获得的空间变换u作用于刚性配准后的浮动图像，获得最终的配准后结果图像。...

【技术特征摘要】
1.一种基于超像素向导的医学图像配准方法，其特征在于，包括以下步骤：1)对参考图像和浮动图像采用基于B样条的FFD配准算法进行刚性预配准，获得预配准后的参考图像和浮动图像；2)对预配准后的参考图像和浮动图像，进行下采样，形成多分辨率金字塔，级数为l；3)多分辨率方案的图像配准从最粗的分辨率开始，由粗至精的逐步配准，在当前分辨率l下，经如下迭代过程之后，对已获得的空间变换ul进行上采样得到ul-1，然后利用空间变换ul-1对金字塔第l-1级的图像进行变换，将获得的图像再次进入如下迭代过程，直到金字塔图像最低层结束；其中，所述迭代过程如下：3.1)分别计算当前分辨率l下参考图像和浮动图像的超像素的二值表示B0(x)和B1(x)；3.2)将当前超像素二值表示B0(x)和B1(x)之间的欧氏距离构造的一个新的匹配项结合于经典DD模型的目标能量函数中，构建新目标能量函数；3.3)根据新目标能量函数，利用空间变换ul-1与更新速度场vl-1关系式和新目标能量函数的一阶最优性条件，获取使得新目标函数最小化的空间变换函数；3.4)判断是否达到最大迭代次数，若没有达到，则返回步骤3.1)，继续迭代；否则判断是否达到最大分解级数，若没有达到，则对低分辨率下得到的形变矩阵进行超采样，将其作为上一级高分辨率的初始变换，返回步骤3.1)，否则配准结束，进入步骤4)；4)将最终获得的空间变换u作用于刚性配准后的浮动图像，获得最终的配准后结果图像。2.根据权利要求1所述的一种基于超像素向导的医学图像配准方法，其特征在于：在步骤3.1)中，所述参考图像和浮动图像的超像素的二值表示计算，包括以下步骤：3.1.1)初始化聚类种子点，...

【专利技术属性】
技术研发人员：田联房，张莉，李彬，朱文博，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44