用于体积配准的方法、系统和计算机程序技术方案

本发明专利技术涉及一种对浮动图像和参考图像进行体积配准的方法。在步骤２’中，存取浮动图像和参考图像。在步骤４和步骤６中，存取变换函数Ｔ和相似性函数（Ｓ）。根据本发明专利技术所述的方法，使用了先验知识，特别是约束参数集，其中，在步骤３中存取该约束参数集。优选地，通过对一组训练图像执行适当的体积配准，来获得该约束参数集。优选地，该训练集包括关于每一个临床应用的一系列浮动图像和参考图像。同样地，该训练集可由一个病人组的图像组成，该图像病人组某一组疾病、年龄、性别、种族等。本发明专利技术还涉及用于进行体积配准的一种系统和一种计算机程序。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及一种对浮动图像和参考图像进行体积配准的方法，包括以 下步骤-存取所述浮动图像和所述参考图像；-选择一参数化几何变换函数，用以在空间上扭曲所述浮动图像； -选择一相似性函数，用以定量地估计扭曲的浮动图像与所述参考图像 之间的相似性。本专利技术还涉及一种用于对浮动图像和参考图像进行体积配准的系统。 本专利技术还涉及一种用于对浮动图像和参考图像进行体积配准的计算机 程序，包括用于使处理器执行以下步骤的指令 -存取所述浮动图像和所述参考图像；-选择一参数化几何变换函数，用以在空间上扭曲所述浮动图像； -选择一相似性函数，用以在数量上估计扭曲的浮动图像与所述参考图 像之间的相似性。
技术介绍
配准方法本身是己知的，例如，按照US 5，633，951中以表面为基础的 形式。在开篇中阐述的方法的实施例已知来自于1989年9月的IEEE Transactions on Medical Imaging第8巻第3期中由Venkat R. Mandava等所 著标题为"Adaptive Search Space Scaling in Digital Image"的文献。该己知 方法被设置为执行对图像的体积配准，这是通过在找到一个浮动图像与参 考图像的适当几何匹配之前扭曲该浮动图像来实现的。在该已知方法中， 为了使得搜索空间可以进行消减，使搜索空间离散为N维超立方体。在配 准过程中，利用如遗传算法或模拟退火这样的优化方法来搜索对相似性函 数的优化，特别是全局最大化，其中，该相似性函数表示扭曲的浮动图像 与参考图像之间的几何匹配质量。在已知的方法中，当操作员以关于运动6伪影复杂性的特定先验信息为基础选择了縮小了的搜索空间时，利用这些 优化算法来进行体积配准。可替换地，该已知的方法被配置为实现自适应 的搜索空间縮放，其中，操作员必须一开始就定义所关注区域。该已知方法的一个缺陷在于，必须调整大量参数，导致了优化算法的 搜索空间的多维性。该多维性与多个局部最优相关，这会使优化算法受限 制，并妨碍它查找全局最优，因而减低了体积配准的质量。
技术实现思路
本专利技术的目的是提供一种可靠的和鲁棒性的体积配准方法。 为此，根据本专利技术的方法包括以下步骤-以先验知识为基础，选择用于参数化几何变换函数的约束参数集； -利用具有有限参数集的参数化几何变换函数来扭曲浮动图像，产生扭 曲的浮动图像；-优化约束参数集，以定位相似性函数的最优形式。根据本专利技术所述的方法以如下见地为基础即，优化方法提供了一种 有效的工具，用以在参数空间上定位相似性函数的全局最优形式，特别是 最大化，而且它们关于速度和鲁棒性方面的性能取决于对搜索空间和收敛 策略的定义。要理解的是，更大数量的参数提高了扭曲变换的挠性，而且 还扩大了必须探测的搜索空间，因而导致了可能会妨碍优化算法达到全局 最优的局部最优的数量增加。该约束参数集将该参数集消减到那些对于定 位全局最优而言必不可少的参数。该消减以先验知识为基础，该先验知识 是由 一组表示浮动图像和参考图像的训练图像推导的。在根据本专利技术的方法的一个实施例中，通过分析表示浮动图像和参考 图像的训练图像的体积配准结果，来获得该约束参数集，其中，利用具有 扩大参数集的参数化几何变换函数来执行所述体积配准。优选地，该训练集包括关于每一个临床应用的一系列浮动图像和参考 图像。例如，可以成功地对某一解剖位置或某类病状执行体积配准。同样 地，该训练集可由一个病人组的图像组成，该病人组表示某一组疾病、年 龄、性别、种族等。还预期了以上分类的所有可能组合。根据本专利技术的方 法，由先验准备的训练集推导该先验知识。由于该技术措施，达到了以下有利效果自动调整优化算法，来定位 与考虑中的图像类型对应的相似性函数的全局最优形式，该优化算法特别 是随机搜索策略或随机重新开始确定性优化方法。利用在计算上加强的配 准算法预先配准表示目标应用的一组K个训练图像，例如某个解剖位置的 医学图像，其中，在计算上加强的配准算法使用了具有扩大参数集的参数化几何变换函数。例如，可以根据表征应用区域的参数化运动模型来构造 该几何变换函数。优选地，自动执行该操作。例如，对所得到的扩大参数 集(P卜.Pn)进行主成分分析(PCA)，产生约束参数集Q=(qi...qm)，其定义搜 索空间的新的参数化，其中优选地，m<n。照这样，该新的约束参数集Q 足以近似用于以足够的精确度配准初始训练集的最相关变形模式。因而， 该Q集定义了指导优化算法通过低维度子空间达到全局最优的主要搜索方 向。因而，在从训练图像的扩大参数集中获取了最重要的参数时，将这些 参数用于根据与训练集相同的图像类型进行临床配准的几何变换函数。例 如，应用"脑"将会使用来自于训练集"脑"的约束参数集，依此类推。 然后优化函数将优化该约束参数集，因而该约束参数集就更有效和更精确。 对于优化算法而言，任何局部或全局的收敛优化方法都适用。当选择了本 领域已知的一种随机的优化方法时，获得一种附加的优势即，该约束参 数集提供了一种驱使该搜索朝向全局最优的策略。作为一种附加的优势， 可以根据训练集，估计在该搜索空间上、变形模式的概率分布。将此分布 投射到跨度为Q的子空间上，提供了最相关变形模式的边缘分布，其可用 来确定沿着由Q提供的子空间搜索方向的最佳采样策略。因此，参数化Q 通过更好地界定搜索空间，以及在利用随机优化算法时改善该随机采样策 略的最佳密度分布，来提高根据本专利技术所述在减少了的空间维度内操作的 方法的性能。在根据本专利技术的方法的另一个实施例中，以通过对所述扩大参数集进 行分析而推导的特征为基础来获得所述约束参数集。该特征的适当实例包括数量减少的多个参数、数量减少的多个坐标轴、 各个参数的允许范围、参数的密度分布。在根据本专利技术的方法的再另一个实施例中，该方法还包括以下步骤-检测所述特征中的实质偏差；-更新所述先验知识；-根据更新后的先验知识，推导更新的约束参数集。 根据本专利技术的方法有利地为自适应性的。根据该技术措施所述，体积 配准方法能够自动跟踪和用信号通知浮动图像的变形模式中的足量变化。 如果选定的训练集不再表示临床情况，就通过编辑一个最新的训练集，来 使用一个实质偏差信号更新先验知识，对其应用一种适当的随机体积配准 技术，并推导一个更新的约束参数集，该约束参数集可用于更精确地配准 临床情况。在根据本专利技术的方法的另一个实施例中，该方法还包括以下步骤-利用先验知识，估计在子空间上、浮动图像的变形模式中的预期概率分布；-根据所述估计，确定用于该子空间内的优化函数的采样策略。 如上所述，约束参数集(q卜.qm)定义了指导优化算法通过低维度子空间 达到全局最优的主要搜索方向。另外，可以根据该训练集，估计在搜索空 间上、该变形模式的概率分布，产生附加先验知识。将此分布投射到子空 间(q,...qm)上，提供了最相关变形模式的边缘分布，该最相关变形模式可用 来确定沿着由(q,...qnO提供的子空间搜索方向的最佳采样策略。 根据本专利技术的一种系统包括 输入端，用于-存取所述浮动图像和所述参考图像；-选择一参数化几何变换函数，用以在空间上扭曲所述浮动图像； -选择一相似性函数，用以定量地估计扭曲的浮动图像与所述参考图像 之间的相似性；本文档来自技高网...

【技术保护点】
一种用于对浮动图像（Ｆ）和参考图像（Ｒ）进行体积配准的方法，包括以下步骤：存取所述浮动图像（Ｆ）和所述参考图像（Ｒ）；选择一参数化几何变换函数（Ｔ（ｐ↓［１］…ｐ↓［ｎ］）），用以在空间上扭曲所述浮动图像（Ｆ）；选择一相似性函数（Ｓ），用以定量地估计扭曲的浮动图像（Ｆ’）与所述参考图像（Ｒ）之间的相似性；以先验知识为基础，选择用于所述参数化几何变换函数（Ｔ（ｑ↓［１］…ｑ↓［ｍ］，其中ｍ＜ｎ））的约束参数集；利用具有约束参数集（ｑ↓［１］…ｑ↓［ｍ］）的所述参数化几何变换函数（Ｔ（ｑ↓［１］…ｑ↓［ｍ］））在空间上扭曲所述浮动图像，产生扭曲的浮动图像（Ｆ’）；优化所述约束参数集（ｑ↓［１］…ｑ↓［ｍ］），以定位所述相似性函数（Ｓ）的最优形式。

【技术特征摘要】
【国外来华专利技术】...

【专利技术属性】
技术研发人员：IC卡尔森，T内奇，D贝斯特罗夫，
申请(专利权)人：皇家飞利浦电子股份有限公司，
类型：发明
国别省市：NL[]