一種基於SURF算法的多模態醫學圖像配準方法與流程
2023-06-12 10:49:36
本發明涉及醫療圖像處理領域，尤其是一種能夠提高病灶或感興趣部位的配準精度，有助於臨床診斷、放射治療計劃的制定和評價的基於SURF算法的多模態醫學圖像配準方法。
背景技術：
目前，隨著計算機科學技術和醫療影響工程學的快速發展，世界上出現了許多先進的醫療成像設備，為臨床醫學診斷提供了多種模態的醫學圖像，這些圖像從不同方面反映了人體結構、臟器和病變組織的不同信息。
比如CT(ComputedTomography)圖像具有較強的空間解析度和幾何特性，對骨骼的成像非常清晰，它可對病灶定位提供較好的參照，但對軟組織的對比度則相對較低。MR(MagneticResonance)圖像可以清晰地反映軟組織、器官、血管等的解剖結構，有利於確定病灶範圍，但是MR圖像對鈣化點不敏感，且受到磁幹擾會發生幾何失真。SPEC、PET圖像能得到人體任意角度斷層面的放射性濃度分布，可以反映組織器官的代謝水平和血流狀況，對腫瘤病變呈現「熱點」，提供人體的功能信息，但是它們的解析度差，很難得到精確的解剖結構，也不易分辨組織、器官的邊界。由此可見，不同成像技術有著自身的優勢也同時擁有一些局限性，這些圖像對人體同一解剖結構所得到的形態和功能信息是互為差異、互為補充的。
在臨床診斷中，單一模態的圖像往往不能提供醫生所需要的足夠信息，因此，如果能將不同模態的醫學圖像進行適當的融合，使解剖信息和功能信息有機地結合起來，在一幅圖像上同時綜合地表達來自多種成像源的信息，以便醫生了解病變組織或器官的綜合情況，並做出更加準確的診斷或制定出更加科學優化的治療方案，這必將推動現代醫學臨床技術的巨大進步。
由於從醫學圖像角度來看MR與CT圖像的圖像內容是不同的，因此我們在此發明中引入了基於改良的SURF算法的圖像配準方法來介紹如何進行精準的MR與CT圖像的配準。
技術實現要素：
本發明的目的是針對多源圖像間的配準問題，提出一種基於SURF算法的多模態醫學圖像配準方法。此種基於SURF算法的圖像配準方法可以實現多模態醫學圖像融合過程中至關重要的一步——圖像配準。此方法可實現精準圖像配準，同時相比於類似的SIFT算法，此方法使用SURF算法可以快速完成圖像配準過程。
本發明的技術方案是：
一種基於SURF算法的多模態醫學圖像配準方法，它包括以下步驟：
S1、利用SURF算法提取不同模態醫學圖像中的特徵點；
S2、確定各模態醫學圖像中特徵點的主方向，並構造對應的SURF特徵描述子；
S3、對特徵點的SURF特徵描述子進行矩陣運算，獲取轉換矩陣；
S4、使用轉換矩陣完成不同模態醫學圖像配準。
本發明的步驟S1中，利用SURF算法提取的不同模態醫學圖像中的特徵點具體為：
S1.1、根據Hessian矩陣，計算特徵值α，具體步驟如下：
S1.1-1、利用下述Hessian矩陣公式計算出不同模態醫學圖像中各個像素點的Hessian矩陣：
其中，x表示各模態醫學圖像中各個像素點的灰度值，Lxx(x,σ),Lxy(x,σ),Lyy(x,σ)表示當前像素在x，y方向上的二階偏導數，也即二階標準高斯函數對圖像的卷積；
S1.1-2、對於各模態醫學圖像，分別採用下屬公式計算各個像素點的Hessian矩陣行列式的近似值作為對應像素點的特徵值α：
α＝LxxLyy-(0.9Lxy)2
S1.2、根據SURF算法特性構造高斯金字塔，根據像素點的特徵值α是否為鄰域極大值判斷特徵點，具體步驟為：
S1.2-1、構造SURF高斯金字塔，前述金字塔分為若干層，每一層均作為一個頻度範圍Octave，每個Octave尺度不同的圖片，在SURF算法中圖片大小即尺寸始終保持不變；
S1.2-2、在構造好的SURF高斯金字塔中，將經過步驟S1.1-1中Hessian矩陣處理過的每個像素點與其在SURF高斯金字塔中三維領域的26個點進行大小數值比較，若該像素點為這26個點中的最大值或最小值，則將像素點保留下來，作為初步的特徵點，否則，採用三維線性插值算法得到亞像素級特徵點。
本發明的步驟S1.2-1中，每一層Octave的獲取方式是：通過對原始圖片進行不同尺度的高斯模糊得到的，同一Octave中的各個圖片也是通過不同高斯模糊尺度的模糊得到的。
本發明的步驟S2中，確定特徵點主方向並構造SURF特徵描述子，提取不同模態醫學圖像的特徵點具體為：
S2.1、根據SURF算法特性統計特徵點鄰域內的Harr小波特徵，選擇最長矢量的方向為該特徵點的主方向，具體步驟為：
S2.1-1、統計任一特徵點領域內的Harr小波特徵，即以特徵點為中心，計算半徑為6s的鄰域內，s為特徵點所在的尺度值，統計60°扇形內所有點在水平x和垂直y方向的Harr小波響應總和(Harr小波邊長取4s，s為特徵點所在的尺度值，並給這些Harr小波響應值賦上高斯權重係數，高斯權重係數由高斯模型在不同的角度和距離上確定，權重係數的和為1)；然後將60°範圍內的響應相加以形成特徵矢量(特徵值加上方向信息即形成特徵矢量)，遍歷整個圓形區域，覆蓋整個360°，選擇最長矢量的方向為該特徵點的主方向。
遍歷所有的特徵點，得到每個特徵點的主方向。
S2.2、根據S2.1步驟中得到的方向構造對應特徵點的SURF特徵描述子，具體方法為：
S2.2-1、在特徵點鄰域範圍內取一個正方形框，框的邊長為20s(s是該特徵點所在的尺度值)，該框的方向即為步驟S2.1得到的主方向；
S2.2-2、把該框分為16個子區域，每個子區域統計25個像素的水平方向和垂直方向的Harr小波特徵，前述水平和垂直方向均為相對特徵點的主方向而言。該Harr小波特徵為：水平方向灰度值之和∑dx，水平方向灰度值絕對值之和∑|dx|，垂直方向灰度值之和∑dy，以及垂直方向灰度值絕對值之和∑|dy|，對於每個特徵點，建立64維向量作為該特徵點的SURF特徵描述子，其中列向量對應16個子區域，行向量對應各子區域的4個Harr小波特徵參數值。
本發明的步驟S3具體為：
S3.1對於各模態醫學圖像中相應位置的圖像以遍歷的方式計算兩張圖像所有特徵點描述子的內積，
即對於來自兩張圖像的對應的兩個特徵點，計算64維特徵向量的內積，按照數值從大到小進行排序，得到排序後的特徵點序列，其中數值最大者為最匹配的點；
S3.2、對前述排序後的特徵點序列進行矩陣運算，得到配準需要的3X3轉換矩陣。
本發明的步驟S3還包括以下步驟：設定閾值，在排序後的特徵點序列中，選擇大於前述閾值的配對特徵點進行矩陣運算。
本發明的閾值的設置方法為：通過對大量不同模態的醫學圖像的機器學習，設置特徵點的評判閾值。
本發明的配準過程如下：
S4.1使用S3.3計算得到的轉換矩陣對待配準圖像進行卷積，得到每個像素點新的坐標，並使用雙三次插值方法計算配準後的像素值。從而完成兩幅不同模態圖像的配準。
本發明的有益效果：
本發明的SURF算法相比於SIFT算法，計算速率大大提高了。利用GPU等並行化技術可以使得大解析度圖像的線性配準達到實時。
具體實施方式
下面結合實施例對本發明作進一步的說明。
一種基於SURF算法的多模態醫學圖像配準方法，它包括以下步驟：
S1、利用SURF算法提取不同模態醫學圖像中的特徵點；步驟S1中，利用SURF算法提取的不同模態醫學圖像中的特徵點具體為：
S1.1、根據Hessian矩陣，計算特徵值α，具體步驟如下：
S1.1-1、利用下述Hessian矩陣公式計算出不同模態醫學圖像中各個像素點的Hessian矩陣：
其中，x表示各模態醫學圖像中各個像素點的灰度值，Lxx(x,σ),Lxy(x,σ),Lyy(x,σ)表示當前像素在x，y方向上的二階偏導數，也即二階標準高斯函數對圖像的卷積；
S1.1-2、對於各模態醫學圖像，分別採用下屬公式計算各個像素點的Hessian矩陣行列式的近似值作為對應像素點的特徵值α：
α＝LxxLyy-(0.9Lxy)2
S1.2、根據SURF算法特性構造高斯金字塔，根據像素點的特徵值α是否為鄰域極大值判斷特徵點，具體步驟為：
S1.2-1、構造SURF高斯金字塔，前述金字塔分為若干層，每一層均作為一個頻度範圍Octave，每個Octave尺度不同的圖片，在SURF算法中圖片大小即尺寸始終保持不變；(其中：每一層Octave的獲取方式是：通過對原始圖片進行不同尺度的高斯模糊得到的，同一Octave中的各個圖片也是通過不同高斯模糊尺度的模糊得到的)
S1.2-2、在構造好的SURF高斯金字塔中，將經過步驟S1.1-1中Hessian矩陣處理過的每個像素點與其在SURF高斯金字塔中三維領域的26個點進行大小數值比較，若該像素點為這26個點中的最大值或最小值，則將像素點保留下來，作為初步的特徵點，否則，採用三維線性插值算法得到亞像素級特徵點。
S2、確定各模態醫學圖像中特徵點的主方向，並構造對應的SURF特徵描述子，S2中，確定特徵點主方向並構造SURF特徵描述子，提取不同模態醫學圖像的特徵點具體為：
S2.1、根據SURF算法特性統計特徵點鄰域內的Harr小波特徵，選擇最長矢量的方向為該特徵點的主方向，具體步驟為：
S2.1-1、統計任一特徵點領域內的Harr小波特徵，即以特徵點為中心，計算半徑為6s的鄰域內，s為特徵點所在的尺度值，統計60°扇形內所有點在水平x和垂直y方向的Harr小波響應總和(Harr小波邊長取4s，s為特徵點所在的尺度值，並給這些Harr小波響應值賦上高斯權重係數，高斯權重係數由高斯模型在不同的角度和距離上確定，權重係數的和為1)；然後將60°範圍內的響應相加以形成特徵矢量(特徵值加上方向信息即形成特徵矢量)，遍歷整個圓形區域，覆蓋整個360°，選擇最長矢量的方向為該特徵點的主方向。
遍歷所有的特徵點，得到每個特徵點的主方向。
S2.2、根據S2.1步驟中得到的方向構造對應特徵點的SURF特徵描述子，具體方法為：
S2.2-1、在特徵點鄰域範圍內取一個正方形框，框的邊長為20s(s是該特徵點所在的尺度值)，該框的方向即為步驟S2.1得到的主方向；
S2.2-2、把該框分為16個子區域，每個子區域統計25個像素的水平方向和垂直方向的Harr小波特徵，前述水平和垂直方向均為相對特徵點的主方向而言。該Harr小波特徵為：水平方向灰度值之和∑dx，水平方向灰度值絕對值之和∑|dx|，垂直方向灰度值之和∑dy，以及垂直方向灰度值絕對值之和∑|dy|，對於每個特徵點，建立64維向量作為該特徵點的SURF特徵描述子，其中列向量對應16個子區域，行向量對應各子區域的4個Harr小波特徵參數值。
S3、對特徵點的SURF特徵描述子進行矩陣運算，獲取轉換矩陣，步驟S3具體為：
S3.1對於各模態醫學圖像中相應位置的圖像以遍歷的方式計算兩張圖像所有特徵點描述子的內積，
即對於來自兩張圖像的對應的兩個特徵點，計算64維特徵向量的內積，按照數值從大到小進行排序，得到排序後的特徵點序列，其中數值最大者為最匹配的點；
S3.2、對前述排序後的特徵點序列進行矩陣運算，得到配準需要的3X3轉換矩陣。
步驟S3還包括以下步驟：設定閾值，在排序後的特徵點序列中，選擇大於前述閾值的配對特徵點進行矩陣運算；閾值的設置方法為：通過對大量不同模態的醫學圖像的機器學習，設置特徵點的評判閾值。
S4、使用轉換矩陣完成不同模態醫學圖像配準，配準過程如下：
S4.1使用S3.3計算得到的轉換矩陣對待配準圖像進行卷積，得到每個像素點新的坐標，並使用雙三次插值方法計算配準後的像素值。從而完成兩幅不同模態圖像的配準。
本發明的SURF算法相比於SIFT算法，計算速率大大提高了。利用GPU等並行化技術可以使得大解析度圖像的線性配準達到實時。
本發明未涉及部分均與現有技術相同或可採用現有技術加以實現。