一种医学图像配准方法及设备与流程

本发明实施例涉及图像处理技术领域，尤其涉及一种医学图像配准方法及设备。

背景技术：

快速精准的非刚性配准算法是医学图像分析的重要需求。将病人术前术后的图像或者将不同个体的图像配准的目的在于，找到使图像之间相似度最大的最优形变场，使图像中对应的像素点反映相同的组织解剖信息。

现有技术中，通过计算测试图像的最优形变场，将得到的最优形变场作用于测试图像，得到中间模板图像(intermediate templates，简称IT图像)，并将IT图像向模板图像配准。其中中间模板图像的生成方式有中间模板生成(intermediate template generation，简称ITG)和中间模板选择(intermediate template selection，简称ITS)两类。ITG方法的目的在于利用当前训练图像集构建新的IT图像。常用的ITG方法，通过对训练集图像与模板图像间对应关系的求解，找到测试图像对应位置的形变场，利用该形变场将测试图像映射从而求解出IT图像，然后再利用常用配准算法将IT图像直接与模板图像进行配准，最终获得匹配后的测试图像。不同于ITG方法，ITS方法中的iTREE算法是利用统计模型在训练集图像的基础上生成更多的图像，将生成的图像与训练图像作为IT图像集，根据IT图像之间的差异建立最小生成树，利用树形结构对所有IT图像进行建模，其中树的根节点为模板图像，然后所有IT图像将沿着树形结构中的边，向模板图像配准，将配准求得的最优形变场保存，在测试阶段，将计算测试图像与所有IT图像之间的差异，找到与测试图像相似度最大的IT图像BMIT，并将它们之间连接，更新建立好的最小生成树，最后将训练阶段求得的BMIT向模板图像配准的形变场作为测试图像的初始形变场，将测试图像向模板图像配准。

从ITG与ITS方法可以看出，基于IT图像的配准算法共同面临的问题在于如何构建丰富的训练集样本，实现对IT图像精准的生成与选择。只有建立了数据丰富的训练集，才能利用训练模型对初始形变场进行准确的预测，否则对初始形变场的估计将存在较大的误差。而一般情况下，并不能获得丰富的训练图像，使存在大量与模板图像差异较小的训练图像，从而图像差异大导致图像配准的精度与速度低的问题。

技术实现要素：

针对现有技术存在的问题，本发明实施例提供一种医学图像配准方法及设备。

本发明实施例提供一种医学图像配准方法，包括：

获取测试图像，在所述测试图像上根据第一预设规则提取多个测试子块；

获取多个最小生成树，所述最小生成树由模板子块和训练子块根据第二预设规则构建，其中，所述模板子块是通过模板图像提取得到的，所述训练子块是通过训练图像提取得到的，且所述模板子块、所述训练子块与所述测试子块大小相同；

计算所述测试子块与所述训练子块的第一相关度，并选择与所述测试子块第一相关度最高的所述训练子块对应的最优形变场；

将所述最优形变场作为所述测试图像的稀疏形变场，并根据所述稀疏形变场构建稠密形变场；

根据所述稠密形变场和所述测试图像向模板图像配准；其中，所述最优形变场由训练子块向模板子块配准获得。

本发明实施例提供一种医学图像配准设备，包括：

提取模块，用于获取测试图像，在所述测试图像上根据第一预设规则提取多个测试子块；

第一构建模块，用于获取多个最小生成树，所述最小生成树由模板子块和训练子块根据第二预设规则构建，其中，所述模板子块是通过模板图像提取得到的，所述训练子块是通过训练图像提取得到的，且所述模板子块、所述训练子块与所述测试子块大小相同；

计算模块，用于计算所述测试子块与所述训练子块的第一相关度，并选择与所述测试子块第一相关度最高的所述训练子块对应的最优形变场；

第二构建模块，用于将所述最优形变场作为所述测试图像的稀疏形变场，并根据所述稀疏形变场构建稠密形变场；

配准模块，用于根据所述稠密形变场和所述测试图像向模板图像配准；其中，所述最优形变场由训练子块向模板子块配准获得。

本发明实施例提供的一种医学图像配准方法及设备，通过提取模板子块和训练子块，根据模板子块和训练子块构建最小生成树，计算测试子块与最小生成树中训练子块的第一相关度并获得稀疏形变场，根据稀疏形变场获得稠密形变场，根据稠密形变场和测试图像向模板图像配准，在提高了配准的精确度的同时，缩短了在线配准时间。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种医学图像配准方法流程示意图；

图2为本发明另一实施例提供的一种医学图像配准方法流程示意图；

图3为本发明实施例提供的一种医学图像配准设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种医学图像配准方法流程示意图，如图1所示，所述方法，包括：

步骤101：获取测试图像，在所述测试图像上根据第一预设规则提取多个测试子块；

具体地，获取测试图像，并根据第一预设规则在测试图像上提取多个测试子块，其中，测试子块的大小可以根据实际情况进行设定。

步骤102：获取多个最小生成树，所述最小生成树由模板子块和训练子块根据第二预设规则构建，其中，所述模板子块是通过模板图像提取得到的，所述训练子块是通过训练图像提取得到的，且所述模板子块、所述训练子块与所述测试子块大小相同；

具体地，在获取到的模板图像上提取模板子块，并且在训练图像上提取训练子块，模板子块、训练子块与上述测试子块大小相同，利用模板子块和训练子块根据第二预设规则构建最小生成树，可以理解的是，模板图像上有多个模板子块，每个模板子块对应多个训练子块，且每个模板子块对应一颗最小生成树。

步骤103：计算所述测试子块与所述训练子块的第一相关度，并选择与所述测试子块第一相关度最高的所述训练子块对应的最优形变场；

具体地，利用归一化互信息的方法计算测试子块与所有训练子块的第一相关度，并选择第一相关度最高的训练子块对应的最优形变场。应当说明的是，最优形变场是最小生成树中训练子块向模板子块配准得到的，且为一个最优变换矩阵，通过获取到的最优形变场，对测试图像进行变换，可以减小与模板图像间的差异，提高配准的效率。

步骤104：将所述最优形变场作为所述测试图像的稀疏形变场，并根据所述稀疏形变场构建稠密形变场；

具体地，测试图像中的每一个测试子块对应一个最优形变场，因此测试图像上的所有测试子块对应的多个最优形变场构成了稀疏形变场，由于测试子块没有覆盖整个测试图像，所以测试图像中有的区域没有对应的最优形变场，因此称为稀疏形变场。根据插值的方法，计算测试图像中没有被测试子块覆盖的区域对应的最优形变场，从而构成了稠密形变场。

步骤105：根据所述稠密形变场和所述测试图像向模板图像配准；其中，所述最优形变场由训练子块向模板子块配准获得。

具体地，将测试图像根据稠密形变场进行变换，获得变换后的中间模板图像，并将中间模板图像向模板图像配准。

本发明实施例通过提取模板子块和训练子块，根据模板子块和训练子块构建最小生成树，计算测试子块与最小生成树中训练子块的第一相关度并获得稀疏形变场，根据稀疏形变场获得稠密形变场，根据稠密形变场和测试图像向模板图像配准，在提高了配准的精确度的同时，缩短了在线配准时间。

在上述实施例的基础上，所述最小生成树由模板子块和训练子块根据第二预设规则构建，包括：

获取模板图像，在所述模板图像中获取像素点对应的曲率大于第一阈值的作为模板关键点，以所述模板关键点为中心，获取以预设像素个数构成的模板子块；

获取训练图像，将所述训练图像向模板图像配准，获取与所述模板图像上所述模板关键点相对应的训练关键点，以所述训练关键点为中心获取预设个数的所述训练子块构成训练子块组；

根据所述训练子块组计算加权平均子块，计算所述模板子块和所述加权平均子块的第二相关度，根据所述第二相关度构建最小生成树。

具体地，获取模板图像，模板图像可以是一个正常的、健康的人的医学图像，也可以是一个典型病人的医学图像，模板图像可根据实际情况来选择，本实施例不作具体限定。模板图像由多个像素点组成，获取模板图像上像素点对应的曲率大于第一阈值的作为模板关键点，且模板关键点为多个，以模板关键点为中心，获取预设像素个数构成的模板子块；获取多个训练图像，将获取到的训练图像向模板图像配准，并在训练图像上提取与模板关键点相对应的训练关键点，并以训练关键点为中心获取预设个数的与模板子块大小相同的训练子块，预设个数的训练子块构成训练子块组；并对训练子块组利用非区域平均算法进行加权平均计算，获得加权平均子块，计算加权平均子块与模板子块的第二相关度，根据第二相关度构建模板子块和训练子块的最小生成树。可以理解的是，最小生成树的根节点为模板子块，子叶节点为训练子块，且一个模板子块对应一颗最小生成树。应当说明的是，训练子块组的加权平均计算方法为：例如训练子块A、训练子块B、训练子块C构成了训练子块组，且训练子块A对应的权值为ω1，训练子块B对应的权值为ω2，训练子块C对应的权值为ω3，则计算得到的加权平均子块为ω1×A+ω2×B+ω3×C，且ω1+ω2+ω3＝1。

本发明实施例通过获取模板子块和训练子块，并根据模板子块和训练子块构建最小生成树，将配准尺度从整体图像尺度降至子块尺度，从而提高了配准的精确度。

在上述实施例的基础上，所述在所述测试图像上根据第一预设规则提取测试子块，包括：

将所述测试图像上像素点对应的曲率大于第二阈值的作为测试关键点，以所述测试关键点为中心，获取所述测试子块。

具体地，在图像配准时，会选取处于图像轮廓上的像素点对应曲率大于第二阈值的作为测试关键点，以该测试关键点为中心，获取预设个数的像素点所构成的测试子块，例如：选取以测试关键点为中心，预设个数为3个像素的像素点构成3×3的测试子块。可以理解的是，该测试子块与模板子块和训练子块大小相同。

本发明实施例通过选择测试图像上像素点对应的曲率大于第二阈值的作为测试关键点，并根据测试关键点获取与模板子块大小相同的测试子块，选出图像上具有诊断意义的点，使得在配准时的精确度更高。

在上述实施例的基础上，所述计算所述测试子块与所述训练子块的第一相关度，包括：

利用归一化互信息算法计算所述测试子块和所述训练子块的第一相关度。

具体地，利用归一化互信息的算法，计算测试子块与训练图像中所有训练子块的第一相关度，其中第一相关度是表征测试子块与训练子块之间相似度，第一相关度越大，说明测试子块与训练子块越相似。

本发明实施例通过提取模板子块和训练子块，根据模板子块和训练子块构建最小生成树，计算测试子块与最小生成树中训练子块的第一相关度并获得稀疏形变场，根据稀疏形变场获得稠密形变场，根据稠密形变场和测试图像向模板图像配准，在提高了配准的精确度的同时，缩短了在线配准时间。

在上述实施例的基础上，所述根据所述稀疏形变场构建稠密形变场，包括：

根据所述稀疏形变场，利用插值的方法构建稠密形变场。

具体地，通过选择与测试子块第二相关度最大的训练子块对应的最优形变场构成的为稀疏形变场，这是由于测试子块没有覆盖所有的测试图像，因此称为稀疏形变场，利用插值的方法，获取测试图像中没有被测试子块覆盖的区域对应的最优形变场，从而获得稠密形变场。

本发明实施例通过插值的方法构建稠密形变场，使得测试图像上的每块区域都有对应的最优形变场，从而可以实现精准的配准。

图2为本发明另一实施例提供的一种医学图像配准方法流程示意图，如图2所示，所述方法的具体实施步骤如下：

步骤201：模板图像；获取模板图像，其中模板图像可以是根据正常的、健康的人所采集到的医学图像，也可以是典型的病人的医学图像，进行步骤202；

步骤202：提取关键点；在模板图像上提取像素点对应的曲率大于第一阈值的作为模板关键点，进行步骤203；

步骤203：提取子块；以提取到的模板关键点为中心，获取以预设像素个数构成的模板子块，进行步骤204；

步骤204：训练图像；获取多个训练图像，进行步骤205；

步骤205：提取关键点；将训练图像向模板图像配准，获得与模板图像上的模板关键点相对应的训练关键点，进行步骤206；

步骤206：提取子块组；以训练关键点为中心，获取预设个数的训练子块，构成训练子块组，其中训练子块与模板子块大小相同，进行步骤207；

步骤207：计算加权平均子块；组成训练子块组的每个训练子块都占有不同的权重，根据每个训练子块以及每个训练子块的权重利用非区域平均算法计算加权平均子块，进行步骤208；

步骤208：计算第二相关度；计算模板子块与加权平均子块之间的第二相关度，以及加权平均子块之间的第三相关度；其中第二相关度和第三相关度的计算方法是采用归一化互信息，第二相关度越大，表明模板子块与加权平均子块越相似，第三相关度越大，表明加权平均子块之间越相似，进行步骤209；

步骤209：构建最小生成树；根据第二相关度构建模板子块和训练子块的最小生成树，其中，每个模板子块都对应一颗最小生成树，且来自模板图像的模板子块为每棵树的根节点，来自训练图像的训练子块组构成最小生成树的子叶节点，进行步骤210；

步骤210：子块配准；根据建立的最小生成树，处于子叶节点的训练子块沿着最小生成树的边向处于根节点的模板子块配准，从而获得每个训练子块对应的最优形变场，进行步骤211；

步骤211：测试图像；获取待配准的测试图像，进行步骤212；

步骤212：提取关键点；在测试图像上提取像素点对应的曲率大于第二阈值的作为测试关键点，进行步骤213；

步骤213：提取子块；以提取到的测试关键点为中心，获取与模板子块大小相同的测试子块，进行步骤214；

步骤214：计算第一相关度；计算测试子块与训练子块的第一相关度，其中第一相关度的计算方法与第二相关度一致，此处不再赘述，进行步骤215；

步骤215：获取第一相关度最大的训练子块；在计算出的多个第一相关度中，获取第一相关度最大的对应的最小生成树中的训练子块，进行步骤216；

步骤216：稀疏形变场；通过步骤210，可以获得最小生成树中每个训练子块对应的最优形变场，在测试图像中每个测试子块都可以获得一个最优形变场，这些最优形变场构成了测试图像的稀疏形变场，进行步骤217；

步骤217：稠密形变场；利用插值的方法，根据稀疏形变场获得稠密形变场，进行步骤218；

步骤218：配准；将测试图像根据稠密形变场进行变换，得到中间模板图像，再将中间模板图像向模板图像配准。

本发明实施例通过提取模板子块和训练子块，根据模板子块和训练子块构建最小生成树，计算测试子块与最小生成树中训练子块的第一相关度并获得稀疏形变场，根据稀疏形变场获得稠密形变场，根据稠密形变场和测试图像向模板图像配准，在提高了配准的精确度的同时，缩短了在线配准时间。

图3为本发明实施例提供的一种医学图像配准设备结构示意图，如图3所示，所述设备，包括提取模块301、第一构建模块302、计算模块303、第二构建模块304和配准模块305，其中：

提取模块301用于获取测试图像，在所述测试图像上根据第一预设规则提取多个测试子块；第一构建模块302用于获取多个最小生成树，所述最小生成树由模板子块和训练子块根据第二预设规则构建，其中，所述模板子块是通过模板图像提取得到的，所述训练子块是通过训练图像提取得到的，且所述模板子块、所述训练子块与所述测试子块大小相同；计算模块303用于计算所述测试子块与所述训练子块的第一相关度，并选择与所述测试子块第一相关度最高的所述训练子块对应的最优形变场；第二构建模块304用于将所述最优形变场作为所述测试图像的稀疏形变场，并根据所述稀疏形变场构建稠密形变场；配准模块305用于根据所述稠密形变场和所述测试图像向模板图像配准；其中，所述最优形变场由训练子块向模板子块配准获得。

具体地，提取模块301获取测试图像，并根据第一预设规则在测试图像上提取多个测试子块，其中，测试子块的大小可以根据实际情况进行设定。第一构建模块302在获取到的模板图像上提取模板子块，并且在训练图像上提取训练子块，模板子块、训练子块与上述测试子块大小相同，利用模板子块和训练子块根据第二预设规则构建最小生成树，可以理解的是，模板图像上有多个模板子块，每个模板子块对应多个训练子块，且每个模板子块对应一颗最小生成树。计算模块303利用归一化互信息的方法计算测试子块与所有训练子块的第一相关度，并选择第一相关度最高的训练子块对应的最优形变场。应当说明的是，最优形变场是最小生成树中训练子块向模板子块配准得到的，且为一个最优变换矩阵。测试图像中的每一个测试子块对应一个最优形变场，因此，第二构建模块304根据测试图像上的所有测试子块对应的多个最优形变场构成了稀疏形变场，由于测试子块没有覆盖整个测试图像，所以测试图像中有的区域没有对应的最优形变场，因此称为稀疏形变场。根据插值的方法，计算测试图像中没有被测试子块覆盖的区域对应的最优形变场，从而构成了稠密形变场。配准模块305将测试图像根据稠密形变场进行变换，获得变换后的中间模板图像，并将中间模板图像向模板图像配准。

本发明实施例提供的医学图像配准设备用于执行上述方法，其具体的实施方式与方法的实施方式一致，此处不再赘述。

本发明实施例通过提取模板子块和训练子块，根据模板子块和训练子块构建最小生成树，计算测试子块与最小生成树中训练子块的第一相关度并获得稀疏形变场，根据稀疏形变场获得稠密形变场，根据稠密形变场和测试图像向模板图像配准，在提高了配准的精确度的同时，缩短了在线配准时间。

在上述实施例的基础上，所述第一构建模块具体用于：

获取模板图像，在所述模板图像中获取像素点对应的曲率大于第一阈值的作为模板关键点，以所述模板关键点为中心，获取以预设像素个数构成的模板子块；

获取训练图像，将所述训练图像向模板图像配准，获取与所述模板图像上所述模板关键点相对应的训练关键点，以所述训练关键点为中心获取预设个数的所述训练子块构成训练子块组；

根据所述训练子块组计算加权平均子块，计算所述模板子块和所述加权平均子块的第二相关度，根据所述第二相关度构建最小生成树，其中所述模板子块为所述最小生成树的根节点，所述训练子块为所述最小生成树的子叶节点。

具体地，第一构建模块302获取模板图像，模板图像可以是一个正常的、健康的人的医学图像，也可以是一个典型病人的医学图像，模板图像可根据实际情况来选择，本实施例不作具体限定。模板图像由多个像素点组成，获取模板图像上像素点对应的曲率大于第一阈值的作为模板关键点，且模板关键点为多个，以模板关键点为中心，获取预设像素个数构成的模板子块；获取多个训练图像，将获取到的训练图像向模板图像配准，并在训练图像上提取与模板关键点相对应的训练关键点，并以训练关键点为中心获取预设个数的与模板子块大小相同的训练子块，预设个数的训练子块构成训练子块组；并对训练子块组利用非区域平均算法进行加权平均计算，获得加权平均子块，计算加权平均子块与模板子块的第二相关度，根据第二相关度构建模板子块和训练子块的最小生成树。可以理解的是，最小生成树的根节点为模板子块，子叶节点为训练子块，且一个模板子块对应一颗最小生成树。

本发明实施例通过获取模板子块和训练子块，并根据模板子块和训练子块构建最小生成树，将配准尺度从整体图像尺度降至子块尺度，从而提高了配准的精确度。

在上述实施例的基础上，所述提取模块，具体用于：

将所述测试图像上像素点对应的曲率大于第二阈值的作为测试关键点，以所述测试关键点为中心，获取所述测试子块。

具体地，在图像配准时，提取模块301会选取处于图像轮廓上的像素点对应曲率大于第二阈值的作为测试关键点，以该测试关键点为中心，获取预设个数的像素点所构成的测试子块，例如：选取以测试关键点为中心，预设个数为1个像素的像素点构成3×3的测试子块。可以理解的是，该测试子块与模板子块和训练子块大小相同。

本发明实施例通过选择测试图像上像素点对应的曲率大于第二阈值的作为测试关键点，并根据测试关键点获取与模板子块大小相同的测试子块，选择出图像上具有诊断意义的点，使得在配准时的精确度更高。

在上述实施例的基础上，所述计算模块，具体用于：

利用归一化互信息算法计算所述测试子块和所述训练子块的第一相关度。

具体地，计算模块303利用归一化互信息的算法，计算测试子块与训练图像中所有训练子块的第一相关度，其中第一相关度是表征测试子块与训练子块之间相似度，第一相关度越大，说明测试子块与训练子块越相似。

本发明实施例通过提取模板子块和训练子块，根据模板子块和训练子块构建最小生成树，计算测试子块与最小生成树中训练子块的第一相关度并获得稀疏形变场，根据稀疏形变场获得稠密形变场，根据稠密形变场和测试图像向模板图像配准，在提高了配准的精确度的同时，缩短了在线配准时间。

在上述实施例的基础上，所述第二构建模块，具体用于：

根据所述稀疏形变场，利用插值的方法构建稠密形变场。

具体地，通过选择与测试子块第二相关度最大的训练子块对应的最优形变场构成的为稀疏形变场，这是由于测试子块没有覆盖所有的测试图像，因此称为稀疏形变场，利用插值的方法，获取测试图像中没有被测试子块覆盖的区域对应的最优形变场，从而获得稠密形变场。

本发明实施例通过插值的方法构建稠密形变场，使得测试图像上的每块区域都有对应的最优形变场，从而可以实现精准的配准。

本发明实施例提供的医学图像配准设备用于执行上述方法，其具体的实施方式与方法的实施方式一致，此处不再赘述。

本发明实施例通过提取模板子块和训练子块，根据模板子块和训练子块构建最小生成树，计算测试子块与最小生成树中训练子块的第一相关度并获得稀疏形变场，根据稀疏形变场获得稠密形变场，根据稠密形变场和测试图像向模板图像配准，在提高了配准的精确度的同时，缩短了在线配准时间。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。