一种高稳定性的脊柱超声与X光图像配准方法技术

本发明专利技术公开了一种高稳定性的脊柱超声与X光图像配准方法，设置从低到高的多分辨率配准网格，采用梯度下降法，以归一化互信息相似性度量函数的倒数为目标函数，按照分辨率从低到高的顺序，分别对不同分辨率配准网格中的控制点进行相互优化计算，得到配准结果X光图像，将前面低分辨率配准网络配准得到的配准结果X光图像作为后续高分辨率配准网络的输入X光图像，最后将最高分辨率配准网格生成的配准结果X光图像，用模糊感知注意力网络进行去模糊操作，输出配准后清晰的X光图像。本发明专利技术能够提升配准精度的同时，保证了配准的稳定性，同时极大的提高了图像的可视性。大的提高了图像的可视性。大的提高了图像的可视性。

【技术实现步骤摘要】
一种高稳定性的脊柱超声与X光图像配准方法


[0001]本申请属于医学图像处理
，具体涉及一种高稳定性的脊柱超声与X光图像配准方法。

技术介绍

[0002]目前，在脊柱侧弯检测中，临床上带有Cobb角测量的站立X光片是评估脊柱侧弯的黄金标准。曲线进展的监测通常涉及整个儿童和青少年时期的常规X光扫描。然而，重复暴露于X光片的辐射会对身体产生影响。与X光照相术相比，超声具有无辐射、实时和低成本的优势。在筛查大量患者、监测进展和评估治疗效果方面很有前景。然而，由于超声不能穿透骨质结构，它使用表面反射进行成像，不能提供骨质细节。相比之下，X光片可以呈现更多的细节。因此，将实时超声图像与之前的X光片进行配准，可以帮助医生更好地了解患者的脊柱测凸情况，在临床应用上具有重要的意义。
[0003]图像配准是为了找到最佳的几何变换，使浮动图像与固定图像最佳地对齐。现有的配准方法分为基于深度学习的配准方法与基于传统的配准算法。深度学习技术中，监督变换估计配准与无监督变换估计配准都得到了广泛的应用。然而基于深度学习的算法往往在大量的数据上才能表现良好，而且可解释性不高。在训练数据量少或者训练数据不平衡的状况下，不能产生较为精确的结果图像。
[0004]传统的医学图像配准算法中，基于特征提取与特征匹配的配准方法，因为特征点的质量取决于图像的质量，在医学图像配准任务中并不具有普适性。基于图像灰度的配准方法，以图像信息为基础，不需要对多模态图像进行复杂的预处理，在医学诊断和治疗中被广泛使用。然而在基于灰度的配准方法中，基于Demons的配准因为光流模型会引起拓扑结构的变化，并不适用于大变形图像的配准任务。基于FFD的配准算法，优越的局部形变的建模能力与不受限制的自由度的特点能够描述复杂的几何形体，更好的配准不规则的医学图像，然而配准的稳定性较差。
[0005]脊柱具有多节段、多曲度、多形态的总特征，人体脊柱可分为颈、胸、腰、骶四部分，具体包括7节颈椎，12节胸椎，5节腰椎和5节合一的骶椎，构成脊椎的基本解剖结构还包括棘突、横突、关节突、椎板、椎弓根等，且不同节段脊椎的结构存在较大差异，对配准的稳定性的要求比较高，精确的配准脊柱超声和X光图像仍然具有挑战性。现有的传统配准方法不能解决配准中的骨组织异化等问题，也不能很好地显示病灶信息，无法较好的适配脊柱超声与X光图像的配准任务。

技术实现思路

[0006]本申请的目的是提供一种高稳定性的脊柱超声与X光图像配准方法，以克服现有技术无法完成对脊柱超声与X光图像高稳定性的配准问题。本申请基于FFD模型，在配准前预处理配准网格，在配准过程中对每个控制点进行相互优化计算，然后进行相互配准，针对多次迭代配准后生成配准结果图像，选择模糊感知注意力网络(BANeT)对其进行去模糊处
理，生成清晰的结果图像，完成高稳定性的配准任务。
[0007]为了实现上述目的，本申请技术方案如下：
[0008]一种高稳定性的脊柱超声与X光图像配准方法，包括：
[0009]设置从低到高的多分辨率配准网格，将脊柱X光图像嵌入到最低分辨率的配准网格，将超声图像嵌入到各个分辨率的配准网格；
[0010]采用梯度下降法，以归一化互信息相似性度量函数的倒数为目标函数，按照分辨率从低到高的顺序，分别对不同分辨率配准网格中的控制点进行相互优化计算，得到配准结果X光图像，将前面低分辨率配准网络配准得到的配准结果X光图像作为后续高分辨率配准网络的输入X光图像；
[0011]将最高分辨率配准网格生成的配准结果X光图像，用模糊感知注意力网络进行去模糊操作，输出配准后清晰的X光图像。
[0012]进一步的，所述高稳定性的脊柱超声与X光图像配准方法，还包括：
[0013]基于输入图像的长宽比自适应的调节配准网格的长宽比，最后将输入图像嵌入到配准网格中。
[0014]进一步的，所述对配准网格中的控制点进行相互优化计算，得到配准结果X光图像，包括：
[0015]进行正向配准：
[0016]采用梯度下降法，以归一化互信息相似性度量函数的倒数为目标函数，以超声图像为参考图像计算X光图像对超声图像的控制点最佳结果，同时以X光图像为参考图像计算超声图像对X光图像的控制点最佳结果；
[0017]对两种控制点最佳结果进行加权运算，生成控制点加权优化结果；
[0018]通过基于Tanh(X)的分段函数，对控制点加权优化结果进行约束，得到控制点最终优化结果集；
[0019]采用最终优化结果集对X光图像进行重采样，得到一次配准后正向的配准结果X光图像；
[0020]进行反向配准：
[0021]采用梯度下降法，以归一化互信息相似性度量函数的倒数为目标函数，以X光图像为参考图像计算超声图像对X光图像的控制点最佳结果，同时以超声图像为参考图像计算X光图像对超声图像的控制点最佳结果；
[0022]对两种控制点最佳结果进行加权运算，生成控制点加权优化结果；
[0023]通过基于Tanh(X)的分段函数，对控制点加权优化结果进行约束，得到控制点最终优化结果集；
[0024]对最终优化结果集做相反数操作，然后采用相反数操作得到的结果集对X光图像进行重采样，得到一次配准后的反向配准结果X光图像。
[0025]采用归一化互信息相似性度量评价指标分别对一次配准后的正向的配准结果X光图像与反向配准结果X光图像进行性能评估，选择优秀的一个配准结果X光图像作为下一次迭代的输入X光图像；
[0026]依次迭代配准，直到达到迭代终止条件，结束迭代，输出最终配准结果X光图像。
[0027]进一步的，所述依次迭代配准，直到达到迭代终止条件，结束迭代，包括：
[0028]当达到设定的迭代次数或者连续预设次数相邻两次配准的配准结果X光图像与超声图像相似性度量指标的绝对差值小于预设数值时，结束迭代，输出配准结果X光图像。
[0029]本申请提供的一种高稳定性的脊柱超声与X光图像配准方法，改进了FFD配准模型，并结合了模糊感知注意力网络(BANet)，提供了一种高稳定性脊柱超声/X光图像配准方法，在实验中取得了很好的效果。在脊柱图像的配准任务预处理配准网格，引入相互优化、相互配准方法，使得能够提升配准精度的同时，保证了配准的稳定性，解决了因过拟合而导致锥体异化变形的问题。结合模糊感知注意力网络(BANet)对上述结果图像进行去模糊处理，极大的提高了图像的可视性，使得结果图像具有较好的临床价值。
附图说明
[0030]图1为本专利技术高稳定性的脊柱超声与X光图像配准方法流程图。
具体实施方式
[0031]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0032]本申请提供了一种高稳定性的脊柱超声与X光图像配准方法，该方法主要用来解决传统的配准方法存在的配准精度不高、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高稳定性的脊柱超声与X光图像配准方法，其特征在于，所述高稳定性的脊柱超声与X光图像配准方法，包括：设置从低到高的多分辨率配准网格，将脊柱X光图像嵌入到最低分辨率的配准网格，将超声图像嵌入到各个分辨率的配准网格；采用梯度下降法，以归一化互信息相似性度量函数的倒数为目标函数，按照分辨率从低到高的顺序，分别对不同分辨率配准网格中的控制点进行相互优化计算，得到配准结果X光图像，将前面低分辨率配准网络配准得到的配准结果X光图像作为后续高分辨率配准网络的输入X光图像；将最高分辨率配准网格生成的配准结果X光图像，用模糊感知注意力网络进行去模糊操作，输出配准后清晰的X光图像。2.根据权利要求1所述的高稳定性的脊柱超声与X光图像配准方法，其特征在于，所述高稳定性的脊柱超声与X光图像配准方法，还包括：基于输入图像的长宽比自适应的调节配准网格的长宽比，最后将输入图像嵌入到配准网格中。3.根据权利要求1所述的高稳定性的脊柱超声与X光图像配准方法，其特征在于，所述对配准网格中的控制点进行相互优化计算，得到配准结果X光图像，包括：进行正向配准：采用梯度下降法，以归一化互信息相似性度量函数的倒数为目标函数，以超声图像为参考图像计算X光图像对超声图像的控制点最佳结果，同时以X光图像为参考图像计算超声图像对X光图像的控制点最佳结果；对两种控制点最佳结果进行加权运算，生成控制点加权优化结果；...

【专利技术属性】
技术研发人员：姜娓娓，解乔林，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：