图像配准方法及装置制造方法及图纸

本公开提供一种图像配准方法及装置，所述方法包括：获取用于图像配准的多模态图像；对所述多模态图像进行模态转换，得到至少两组相同模态的图像对；对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像。因此，本公开既解决了不同模态间的图像灰度分布特性不一致引起的配准误差，又通过组合不同多通道图像对，从而提高了图像配准的准确度。

Image registration method and device

【技术实现步骤摘要】
图像配准方法及装置
本公开涉及图像处理
，尤其涉及图像配准方法及装置。
技术介绍
图像配准在医学领域有着重要的临床应用价值，比如：对多模态图像(即通过不同影像设备采集到的图像)进行配准，不仅可以用于医疗诊断，还可以用于手术计划的制定等。相关技术中，在图像配准时，一般基于传统的配准框架进行配准，比如：基于原始的MR(MagneticResonance，磁共振)或者CT(ComputedTomography，电子计算机断层扫描)图像，进行灰度结合其他结构信息之间的计算。但是，由于多模态图像的成像原理不同，使得不同模态间的图像灰度差异较大，从而降低了图像配准的精度。
技术实现思路
为克服相关技术中存在的问题，本公开实施例提供一种图像配准方法及装置。根据本公开实施例的第一方面，提供一种图像配准方法，所述方法包括：获得用于图像配准的多模态图像；对所述多模态图像进行模态转换，得到至少两组相同模态的图像对；对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像。可选地，所述对所述多模态图像进行模态转换，包括：通过生成对抗网络GAN网络模型对所述多模态图像进行模态转换。可选地，所述GAN网络模型包括循环GAN网络模型。可选地，所述多模态图像中包括第一模态的第一图像和第二模态的第二图像，所述第一模态与所述第二模态不同；所述通过所述GAN网络模型对所述多模态图像进行模态转换，包括：通过所述GAN网络模型对所述第一图像进行模态转换，得到所述第二模态的第一合成图像，所述第一合成图像与所述第二图像为相同模态的第一图像对；通过所述GAN网络模型对所述第二图像进行模态转换，得到所述第一模态的第二合成图像，所述第二合成图像与所述第一图像为相同模态的第二图像对。可选地，所述GAN网络模型中包括用于从所述第一模态转换为所述第二模态的第一模型、以及从所述第二模态转换为所述第一模态的第二模型；所述通过所述GAN网络模型对所述第一图像进行模态转换，包括：通过所述第一模型对所述第一图像进行模态转换；所述通过所述GAN网络模型对所述第二图像进行模态转换，包括：通过所述第二模型对所述第二图像进行模态转换。可选地，所述第一模态和所述第二模态为以下任意两项：电子计算机断层扫描CT；磁共振MR；超声；X光；正电子发射型计算机断层显像PET；单光子发射计算机断层成像术SPECT。可选地，所述第一图像为在图像配准中位置保持不变的源图像，所述第二图像是待配准的目标图像；所述对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像，包括：对所述第一图像对和所述第二图像对进行多通道配准，得到配准后的变换矩阵或形变场；其中，所述第一图像对和所述第二图像对为多通道配准架构的输入数据；利用所述变换矩阵或者形变场对所述目标图像进行重采样，得到配准后的目标图像。可选地，所述多模态图像中包括使用第一扫描方式得到的第三图像和使用第二扫描方式得到的第四图像，所述第一扫描方式与所述第二扫描方式不同；所述通过所述GAN网络模型对所述多模态图像进行模态转换，包括：通过所述GAN网络模型对所述第三图像进行模态转换，得到所述第二扫描方式的第三合成图像，所述第三合成图像与所述第四图像为相同扫描序列的第三图像对；通过所述GAN网络模型对所述第四图像进行模态转换，得到所述第一扫描序列的第四合成图像，所述第四合成图像与所述第三图像为相同扫描序列的第四图像对。可选地，所述第一扫描方式为T1加权方式，所述第二扫描方式为质子密度加权PDW方式；或所述第一扫描方式为所述PDW方式，所述第二扫描方式为所述T1加权方式。可选地，所述第三图像为在图像配准中位置保持不变的源图像，所述第四图像是待配准的目标图像；所述对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像，包括：对所述第三图像对和所述第四图像对进行多通道配准，得到配准后的变换矩阵或形变场；其中，所述第三图像对和所述第四图像对为多通道配准架构的输入数据；利用所述变换矩阵或者形变场对所述目标图像进行重采样，得到配准后的目标图像。根据本公开实施例的第二方面，提供一种图像配准装置，所述装置包括：图像获得模块，被配置为获得用于图像配准的多模态图像；模态转换模块，被配置为对所述多模态图像进行模态转换，得到至少两组相同模态的图像对；多通道配准模块，被配置为对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像。可选地，所述模态转换模块包括：模态转换子模块，被配置为通过生成对抗网络GAN网络模型对所述多模态图像进行模态转换。可选地，所述GAN网络模型包括循环GAN网络模型。可选地，所述多模态图像中包括第一模态的第一图像和第二模态的第二图像，所述第一模态与所述第二模态不同；所述模态转换子模块包括：第一转换单元，被配置为通过所述GAN网络模型对所述第一图像进行模态转换，得到所述第二模态的第一合成图像，所述第一合成图像与所述第二图像为相同模态的第一图像对；第二转换单元，被配置为通过所述GAN网络模型对所述第二图像进行模态转换，得到所述第一模态的第二合成图像，所述第二合成图像与所述第一图像为相同模态的第二图像对。可选地，所述GAN网络模型中包括用于从所述第一模态转换为所述第二模态的第一模型、以及从所述第二模态转换为所述第一模态的第二模型；所述第一转换单元包括：第一转换子单元，被配置为通过所述第一模型对所述第一图像进行模态转换；所述第二转换单元包括：第二转换子单元，被配置为通过所述第二模型对所述第二图像进行模态转换。可选地，所述第一模态和所述第二模态为以下任意两项：电子计算机断层扫描CT；磁共振MR；超声；X光；正电子发射型计算机断层显像PET；单光子发射计算机断层成像术SPECT。可选地，所述第一图像为在图像配准中位置保持不变的源图像，所述第二图像是待配准的目标图像；所述多通道配准模块包括：第一多通道配准子模块，被配置为对所述第一图像对和所述第二图像对进行多通道配准，得到配准后的变换矩阵或形变场；其中，所述第一图像对和所述第二图像对为多通道配准架构的输入数据；第一重采样子模块，被配置为利用所述变换矩阵或者形变场对所述目标图像进行重采样，得到配准后的目标图像。可选地，所述多模态图像中包括使用第一扫描方式得到的第三图像和使用第二扫描方式得到的第四图像，所述第一扫描方式与所述第二扫描方式不同；所述模态转换子模块包括：第三转换单元，被配置为通过所述GAN网络模型对所述第三图像进行模态转换，得到所述第二扫描方式的第三合成图像，所述第三合成图像与所述第四图像为相同扫描序列的第三图像对；第四转换单元，被配置为通过所述GAN网络模型对所述第四图像进行模态转换，得到所述第一扫描序列的第四合成图像，所述第四合成图像与所述第三图像为相同扫描序列的第四图像对。可选地，所述第一扫描方式为T1加权方式，所述第二扫描方式为质子密度加权PDW方式；或所述第一扫描方式为所述PDW方式，所述第二扫描方式为所述T1加权方式。可选地，所述第三图像为在图像配准中位置保持不变的源图像，所述第四图像是待配准的目标图像；所述多通道配准模块包括：第二多通道配准子模块，被配置为对所述第三图像对和所述第四图像对进行多通道配准，得到配准后的变换矩阵或形变场；其中，所述第三图像对和所述本文档来自技高网...

【技术保护点】
1.一种图像配准方法，其特征在于，所述方法包括：获得用于图像配准的多模态图像；对所述多模态图像进行模态转换，得到至少两组相同模态的图像对；对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像。

【技术特征摘要】
1.一种图像配准方法，其特征在于，所述方法包括：获得用于图像配准的多模态图像；对所述多模态图像进行模态转换，得到至少两组相同模态的图像对；对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像。2.根据权利要求1所述的方法，其特征在于，所述对所述多模态图像进行模态转换，包括：通过生成对抗网络GAN网络模型对所述多模态图像进行模态转换。3.根据权利要求2所述的方法，其特征在于，所述GAN网络模型包括循环GAN网络模型。4.根据权利要求2所述的方法，其特征在于，所述多模态图像中包括第一模态的第一图像和第二模态的第二图像，所述第一模态与所述第二模态不同；所述通过所述GAN网络模型对所述多模态图像进行模态转换，包括：通过所述GAN网络模型对所述第一图像进行模态转换，得到所述第二模态的第一合成图像，所述第一合成图像与所述第二图像为相同模态的第一图像对；通过所述GAN网络模型对所述第二图像进行模态转换，得到所述第一模态的第二合成图像，所述第二合成图像与所述第一图像为相同模态的第二图像对。5.根据权利要求4所述的方法，其特征在于，所述GAN网络模型中包括用于从所述第一模态转换为所述第二模态的第一模型、以及从所述第二模态转换为所述第一模态的第二模型；所述通过所述GAN网络模型对所述第一图像进行模态转换，包括：通过所述第一模型对所述第一图像进行模态转换；所述通过所述GAN网络模型对所述第二图像进行模态转换，包括：通过所述第二模型对所述第二图像进行模态转换。6.根据权利要求4所述的方法，其特征在于，所述第一模态和所述第二模态为以下任意两项：电子计算机断层扫描CT；磁共振MR；超声；X光；正电子发射型计算机断层显像PET；单光子发射计算机断层成像术SPECT。7.根据权利要求4所述的方法，其特征在于，所述第一图像为在图像配准中位置保持不变的源图像，所述第二图像是待配准的目标图像；所述对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像，包括：对所述第一图像对和所述第二图像对进行多通道配准，得到配准后的变换矩阵或形变场；其中，所述第一图像对和所述第二图像对为多通道配准架构的输入数据；利用所述变换矩阵或者形变场对所述目标图像进行重采样，得到配准后的目标图像。8.根据权利要求2所述的方法，其特征在于，所述多模态图像中包括使用第一扫描方式得到的第三图像和使用第二扫描方式得到的第四图像，所述第一扫描方式与所述第二扫描方式不同；所述通过所述GAN网络模型对所述多模态图像进行模态转换，包括：通过所述GAN网络模型对所述第三图像进行模态转换，得到所述第二扫描方式的第三合成图像，所述第三合成图像与所述第四图像为相同扫描序列的第三图像对；通过所述GAN网络模型对所述第四图像进行模态转换，得到所述第一扫描序列的第四合成图像，所述第四合成图像与所述第三图像为相同扫描序列的第四图像对。9.根据权利要求8所述的方法，其特征在于，所述第一扫描方式为T1加权方式，所述第二扫描方式为质子密度加权PDW方式；或所述第一扫描方式为所述PDW方式，所述第二扫描方式为所述T1加权方式。10.根据权利要求8所述的方法，其特征在于，所述第三图像为在图像配准中位置保持不变的源图像，所述第四图像是待配准的目标图像；所述对所述至少两组相同模态的图像对进行多通道配准，得到配准后的图像，包括：对所述第三图像对和所述第四图像对进行多通道配准，得到配准后的变换矩阵或形变场；其中，所述第三图像对和所述第四图像对为多通道配准架构的输入数据；利用所述变换矩阵或者形变场对所述目标图像进行重采样，得到配准后的目标图像。11.一种图像配准装置，其特征在于，所述装置包括：图像获得模块，被配置为获得用于图像配准的多模态图像；模态转换模块，被配置为对所述多模态图像进行模态转换，得到至少两组相同模态的图像对；多通...

【专利技术属性】
技术研发人员：李广，白璐，朱传伟，
申请(专利权)人：东软医疗系统股份有限公司，
类型：发明
国别省市：辽宁,21