The invention discloses a hierarchical graph grouping registration method based on Hadoop parallel acceleration. The steps of the invention are as follows: 1. Upload the image to the HDFS file system, determine that the blocksize is 64Mb, the system divides the file into several blocks, and stores the file in three data nodes, each data node stores the image as evenly as possible, and two copies of block information on each data node are stored on other data nodes. 2. Read in the image and calculate the similarity matrix; 3. Cluster all the images into_groups based on MapRedue's distributed AP clustering; 4. Construct the connection system of hierarchical graphs; 5. Compute the deformation field; 6. Registration and write the image; 7. Iterate steps 5 and 6 until the desired number of iterations is reached. The invention improves the running speed of grouping registration of multiple brain images on the premise of guaranteeing the registration accuracy.
【技术实现步骤摘要】
基于Hadoop并行加速的分级图分组配准方法
本专利技术属于三维医学图像配准领域,应用于大规模的医学脑图像配准,具体地来说是基于Hadoop并行加速的分级图分组配准方法。
技术介绍
医学图像配准在分析基于图谱的分析或临床诊断系统方面起到基本的关键作用。在这些研究中,图像配准关键在于,消除群体差异,这些差异包括个体直接按的不同或听一个实验者的结构变异变化(例如与脑部疾病相关的变异),图像配准应用广泛,比如婴儿地图集构建和基于群体的解剖变异性评估。因此通过医学图像配准得到的公认模板,为临床和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。大多数现有技术的配准方法都属于成对配准,即,仅考虑一对图像(个体和模板)。当将成对配准应用于大规模图像数据集时,需要模板并且通常将其作为数据集中的特定图像。其余所有的图像被视为个体并逐个配准到模板中。但是模板的确定非常重要,可能会带来很大偏差。因此出现了分组配准。分组配准能够消除这种系统偏差,因为群体中的所有图像都朝向公共空间扭曲并且同时估计它们的变形。共同空间是在共同配准过程中自发显现。根据图像相似度的度量方法,分组配准可以分为三类,(1)基于组平均图像的分组配准,使用成对配准方法来实现分组配准,构建估计出来的图谱(平均图像)作为数据集的公共空间。(2)基于图论的分组配准,不使用平均图像,而是每个图像可以直接计算其与其他图像的相似性。(3)基于特征的分组配准,可以捕获所有图像特定位置的相关性/不相关性,因此通过最大化图像空间中所有位置的相关性,可以将整个图像数据集配准到公共空间。一种新颖的群组配准方法(eHUGS),它 ...
【技术保护点】
1.基于Hadoop并行加速的分级图分组配准方法,其特征在于包括如下步骤:步骤1.将图像上传至HDFS文件系统中,确定blocksize为64Mb,HDFS文件系统把文件划分成多个块,划分后的块分散地存储于3个数据节点datanode上,为了达到负载均衡,每个datanode尽量均匀存储图像,每个datanode上的块信息复制2份存储于其他datanode上;步骤2.读入图像并计算相似度矩阵2‑1.先调用simpleITK库来读入图像,然后转化为MapReduce可识别的格式ImageInputFormat,键key为图像的编号,value为图像数据;再计算两两图像间的距离矩阵,并将距离矩阵作为两两图像的相似度矩阵;2‑2.并行计算直方图匹配,第一张图像作为标准并且每张图像为一个map,其余图像都与第一张图像进行直方图匹配;从而得到图像数据集合I,I={Ii|i=1,...,N};2‑3.Map函数中最初输入的<key,value>为<I,Ii>,然后将两两图像组合起来输出为<(i,j),(Ii,Ij)>;在Reduce函数使用SSD来度量两两图像的 ...
【技术特征摘要】
1.基于Hadoop并行加速的分级图分组配准方法,其特征在于包括如下步骤:步骤1.将图像上传至HDFS文件系统中,确定blocksize为64Mb,HDFS文件系统把文件划分成多个块,划分后的块分散地存储于3个数据节点datanode上,为了达到负载均衡,每个datanode尽量均匀存储图像,每个datanode上的块信息复制2份存储于其他datanode上;步骤2.读入图像并计算相似度矩阵2-1.先调用simpleITK库来读入图像,然后转化为MapReduce可识别的格式ImageInputFormat,键key为图像的编号,value为图像数据;再计算两两图像间的距离矩阵,并将距离矩阵作为两两图像的相似度矩阵;2-2.并行计算直方图匹配,第一张图像作为标准并且每张图像为一个map,其余图像都与第一张图像进行直方图匹配;从而得到图像数据集合I,I={Ii|i=1,...,N};2-3.Map函数中最初输入的<key,value>为<I,Ii>,然后将两两图像组合起来输出为<(i,j),(Ii,Ij)>;在Reduce函数使用SSD来度量两两图像的相似度dij,即公式得到<key,value>为<(i,j),dij>;2-4.使用累加计数器计算每张图像的相似度总和,最小的那张为全局中心图像IO,即公式步骤3.基于MapRedue的分布式AP聚类,将所有的图像聚类分成Ω个小组图像的距离矩阵的维度为N*N,先将矩阵中的n2个数据分配到3个数据节点上,将吸引度矩阵Ri和归属度矩阵Ai初始化,全都置为0;该方法的AP聚类所用的偏好值如下:3-1.计算吸引度矩阵R,最初吸引度和归属度都初始化为零,第一个Map函数输入<key,value>为<图像i,相似度Si>,<图像i,归属度ai>,输出<图像i,(相似度Si,归属度ai)>;第二个Map函数的输入为第一个Map函数的输出,通过吸引度和图像的相似度计算出吸引度,最后Reduce函数将结果合并输出<图像i,吸引度ri>,3-2.计算归属度矩阵A,Map函数输入<key,value>为<r,r(i,...
【专利技术属性】
技术研发人员:颜成钢,付祖贤,孙垚棋,张勇东,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。