图像配准之医学图像配准

2019-11-30 07:25 来源:未知

                                              图片 1    

(c)一致性,能准确地检测出两幅图像的共有特征;

                                                                                       (b) Image 

将输入图像做对应的参数变换,使它与参考图像处于同一个坐标系下。由于图像变换后的坐标点不一定是整数,因此,需要考虑一定的插值处理操作。常用的插值方法包括:最近邻插值、双线性插值、双三次插值、B样条插值、高斯插值。

 这是官网。

 

 

 

                       Fig       Sample results. The CBCT image is registered to the MR image

 (2)特征匹配

                                                  图片 2     

指根据待配准图像与参考图像之间的几何畸变的情况,选择能最佳拟合两幅图像之间变化的几何变换模型,可以分为全局映射模型和局部映射模型。其中,全局映射模型利用所有控制点信息进行全局参数估计;局部映射模型利用图像局部的特征分别进行局部参数估计。常见的变换模型包括仿射变换、透视变换、多项式变换等,其中最常用的是仿射变换和多项式变换。

论文题目:Automatic Image Registration for 3D Cochlea Medical Images.

(1)特征提取

另外,源代码的工具是基于elastix的,下面就是关于elastic的:

(a)显著性,所提取的特征应该是比较明显的,分布广泛的、易于提取的特征;

 

(4)坐标变换与插值

论文来源:Springer-Verlag GmbH Deutschland 2017。

(b)抗噪性,具有较强的噪声抑制能力且对成像条件的变化不敏感;

Klein, Staring, Murphy, et al. Elastix: a toolbox for intensity-based medical image registration. IEEE Trans Med Imaging. 2010;29(1):196–205.

 (3)变换模型估计

        今天在网上看到一篇2017年的论文,是关于图像配准的,偏医学图像,主要是讲针对于3D耳蜗医学图像的自动配准的问题,因为现存的技术都是医生使用手动成像进行图像配准和分割,非常耗时,而且耳蜗的体积非常小,结构复杂,这对于多模态耳蜗图像的自动配准来说是一个巨大的挑战。这篇论文提出了一种多模态人耳蜗图像的自动耳蜗配准(ACIR)方法。这种方法使用自适应随机梯度下降(ASGD)优化器和Mattes的互信息(MMI)度量。ACIR方法相对于过去两年已发表的最先进的医学图像注册优化器在时间上优化好多,节约了很多时间成本,ACIR只需要几秒钟就可以自动对准耳蜗图像。这篇论文的代码页费提供出来了,而且还有免费的标准数据集HCD,ACIR和HCD都了可以在网上免费下载。下图是它的一个实验结果:

采用人工或者自动的方法检测图像中的不变特征,如:闭合区域、边缘、轮廓、角点等。特征提取算法需要满足以下三个条件

                                                                                                                                           

 

                                                                                       (a) Chart 

通过特征描述算作及相似性度量来建立所提取的特征之间的对应关系。特征匹配常用到的区域灰度、特征向量空间分布和特征符号描述等信息。某些算法在进行特征匹配的同时也完成了变换模型参数的估计。

 

        今天接触到图像配准问题,在网上搜索了一会,了解到目前还没有哪一种方法能够应对所有的配准情况,任何一种配准算法都必须考虑图像的成像原理、几何变形、噪声影响、配准精度等因素。从原理上讲,配准大致可以分为以下四个步骤:

 

TAG标签:
版权声明:本文由32450新蒲京网站发布于葡萄游戏厅_棋牌游戏,转载请注明出处:图像配准之医学图像配准