專利名稱：用于圖像時(shí)間序列的運(yùn)動(dòng)補(bǔ)償?shù)姆椒ê拖到y(tǒng)的制作方法
技術(shù)領(lǐng)域：
本申請(qǐng)總體上涉及圖像的運(yùn)動(dòng)補(bǔ)償，并且更具體地涉及圖像時(shí)間序列的運(yùn)動(dòng)補(bǔ)償。
背景技術(shù)：
醫(yī)學(xué)成像技術(shù)在檢測(cè)病人的癌癥或癌癥前期狀況中得到使用。一項(xiàng)重要的應(yīng)用是在乳腺癌的腫瘤或潛在腫瘤的檢測(cè)中的應(yīng)用。潛在腫瘤難以檢測(cè)，但是已知的是，與相鄰的非腫瘤組織相比，這樣的組織典型地顯示出對(duì)造影劑的更快的吸入(灌入)以及更快的排出。這種特性上的差異允許通過(guò)比較在這種灌入(wash-in)和/或排出(wash-out)之前和之后所制作的病人的圖像來(lái)檢測(cè)可疑組織。使用這樣的通過(guò)諸如磁共振成像(MRI)之類的成像技術(shù)所制作的時(shí)間上連續(xù)的圖像，可以進(jìn)行圖像之間的比較，以檢測(cè)因所獲取的MR體積的不同區(qū)域所顯示出的造影劑灌入和排出特性所造成的差異，從而檢測(cè)出這種可疑組織。
為了方便地進(jìn)行這種檢測(cè)，需要跟蹤這種體積的時(shí)間序列中單個(gè)體元的強(qiáng)度。然而，出現(xiàn)這樣的困難病人一般會(huì)在連續(xù)獲得之間移動(dòng)，并且因此在所獲得的圖像之間引入與運(yùn)動(dòng)相關(guān)的差異，從而除非進(jìn)行運(yùn)動(dòng)修正，否則不再能夠跟蹤空間中的單個(gè)點(diǎn)。
本發(fā)明的目的是以有利的方式在例如潛在腫瘤的胸部MR檢測(cè)中解決運(yùn)動(dòng)修正問(wèn)題，其中潛在腫瘤作為具有對(duì)造影劑的快速吸入(灌入)以及快速排出的組織來(lái)加以檢測(cè)。
過(guò)去解決這一問(wèn)題的現(xiàn)有技術(shù)方法已經(jīng)計(jì)算了兩個(gè)圖像之間的光流，將這兩個(gè)圖像中的任意一個(gè)選為該序列的圖像中的參考圖像。這兩個(gè)圖像是通過(guò)計(jì)算拉普拉斯算子(Laplacian)金字塔從所獲得的圖像得到的。光流是通過(guò)求解兩個(gè)拉普拉斯算子圖像之間的點(diǎn)到點(diǎn)差異的最小化問(wèn)題而計(jì)算出來(lái)的。
估算兩個(gè)圖像之間的幾何變形的問(wèn)題在科技文獻(xiàn)中早已出現(xiàn)。用于計(jì)算光流的技術(shù)可以追溯到像B.K.Horn和B.G.Schunk所著的Determining optical flow(Artificial Intelligence，17185-203，1981年)這樣的論文以及該文中所引用的參考文獻(xiàn)。在Olivier Faugeras、Bernard Hotz、Herv Mathieu、Thierry Viville、Zhengyou Zhang、Pascal Fua、Eric Thron、Laurent Moll、Grard Berry、Jean Vuillemin、Patrice Bertin和Catherine Proy所著的“Real time correlation basedstereoalgorithm implementations and applications”(Technical Report2013，INRIA Sophia-Antipolis，法國(guó)，1993年)、Olivier Faugeras和Renaud Keriven所著的“Variational principles，surface evolution，PDE′s，level set methods and the stereo problem”(IEEE Transactions onImage Processing，7(3)336-344，1998年3月)、Jacques Bride和GerardoHermosillo所著的“Recalage rigide sans contrainte de preservationd′intensite par regression heteroscdastique”(TAIMA，Hammamet，Tunisie，2001年10月)、P Cachier和X.Pennec所著的“3d non-rigidregistration by gradient descent on a gaussian weighted similaritymeasure using convolutions”(Proceedings of MMBIA，第182-189頁(yè)，2000年6月)以及T.Netsch、P.Rosch、A.van Muiswinkel和J.Weese所著的“Towards real-time multi-modality 3d medical imageregistration”(Proceedings of the 8th International Conference onComputer Vision，加拿大溫哥華，2001年，IEEE Computer Society，IEEE Computer Society Press)中可以找到作為相似性量度的互相關(guān)的使用。
已經(jīng)提出了其它相關(guān)的相似性量度、比如相關(guān)比(A.Roche、G.Malandain、X.Pennec和N.Ayache所著的“The correlation ratio as newsimilarity metric for multimodal image registration”(W.M.WellsIII)；P.Viola、H.Atsumi、S.Nakajima和R.Kikinis所著的“Multi-modalvolume registration by maximization of mutual information”(MedicalImage Analysis，1(1)35-51，1996年，第1115-1124頁(yè)))和互信息(PaulViola所著的“Alignment by Maximisation of Mutual Information”(博士論文，MIT，1995年)；Paul Viola和William M.Wells III所著的“Alignment by maximization of mutual information”(TheInternational Journal of Computer Vision，24(2)137-154，1997年)；F.Maes、A.Collignon、D.Vandermeulen、G.Marchal、和P.Suetens所著的“Multimodality image registration by maximization of mutualinformation”(IEEE transactions on Medical Imaging，16(2)187-198，1997年4月)；前面引用的W.M.Wells III等人的著作，尤其，R.P.Woods，J.C.Maziotta和S.R.Cherry所著的“MRI-pet registrationwith automated algorithm”(Journal of computer assisted tomography，17(4)536-546，1993年)；D.Hill所著的“Combination of 3D medicalimages from multiple modalities”(博士論文，倫敦大學(xué)(University ofLondon)，1993年12月)；G.Penney、J.Weese、J.A.Little、P.Desmedt、D.LG.Hill和D.J.Hawkes所著的“A comparison of similarity measuresfor use in 2d-3d medical image registration”(J.van Leeuwen G.Goos，J.Hartmanis編輯的First International Conference on Medical ImageComputing and Computer-Assisted Intervention，《Lecture Notes inComputer Science》第1496卷，施普林格(Springer)，1998年)；以及M.E.Leventon和W.E.L.Grimson所著的“Multi-Modal VolnmeRegistration Using Joint Intensity Distributions”(W.M.Wells、A.Colchester和S.Delp編輯的《Lecture Notes in Computer Science》第1496號(hào)，Carnbridge，MA，美國(guó)，1998年10月，Springer))。
在William H.Press、Brian P.Flannery、Saul A.Teukolsky和William T.Vetterling所著的“Numerical Recipes in C”(CambridgeUniversity Press，1988年)中描述了共軛梯度最小化。所設(shè)想的變形的類型(或族系)是任何運(yùn)動(dòng)修正算法的第二個(gè)關(guān)鍵要素。參數(shù)變換是最普遍使用的。參見(jiàn)Chuck Meyer、Jennifer Boes、Boklye Kim和PeytonBland所著的“Evaluation of control point selection in automatic，mutualinformation driven，3d warping”(J.van Leeuwen G.Goos、J.Hartmanis編輯的First International Conference on Medical Image Computingand Computer-Assisted Intervention，Proceedings，《Lecture Notes inComputer Science》第1496卷，1998年10月)；D.Rückert、C.Hayes、C.Studholme、P.Summers、M.Leach和D.J.Hawkes所著的“Non-rigidregistration of breast MR images using mutual information”(W.M.Wells、A.Colchester和S.Delp編輯的《Lecture Notes in ComputerScience》第1496卷，Carnbridge，MA，美國(guó)，1998年10月，Springer)；Paul Viola所著的“Alignment by Maximisation of Mutual Information”(博士論文，MIT，1995年)；W.M.Wells III、P.Viola、H.Atsumi、S.Nakajima和R.Kikinis所著的“Multi-modal volume registration bymaximization of mutual information”(Medical Image Analysis，1(1)35-51，1996年)；以及Paul Viola和William M.Wells III所著的“Alignement by maximization of mutual information”(TheInternational Journal of Computer Vision，24(2)137-154，1997年)。
當(dāng)變形不以參數(shù)形式來(lái)定義時(shí)，族系通常是通過(guò)要求位移場(chǎng)的某一平滑度(可能保留不連續(xù)性)來(lái)加以約束的。參見(jiàn)J.P.Thirion所著的“Image matching as a diffusion processAn analogy with Maxwell′sdemons”(Medical Image Analysis，2(3)243-260，1998年)；L.Alvarez、R.Deriche、J.Weickert和J.Sánchez所著的“Dense disparity mapestimation respecting image discontinuitiesA PDE and scale-spacebased approach”(International Journal of Visual Communication andImage Representation，Special Issue on Partial Differential Equatiohs inImage Processing，Computer Vision and Computer Graphics，2000年)；M.Proesmans、L.Van Gool、E.Pauwels和A.Oosterlinck所著的“Determination of Optical Flow and its Discontinuities using Non-Linear Diffusion”(Proceedings of the 3rd ECCV，II，number 801 inLecture Notes in Computer Science，第295-304頁(yè)，Springer-Verlag，1994年)；以及L.Alvarez、J.Weickert和J.Sánchez所著的“ReliableEstimation of Dense Optical Flow Fields with Large Displacements”(Technical report，Cuadernos del Instituto Universitario de Ciencias yTecnologias Ciberneticas，2000a revised version has appeared at IJCV39(1)41-56，2000年)；E.Mmin和P.Prez所著的“A multigrid approachfor hierarchical motion estimation”(Proceedings of the 6thInternational Conference on Computer Vision，第933-938頁(yè)，IEEEComputer Society Press，印度孟買(mǎi)，1998年1月)；E.Mmin和P.Prez所著的“Dense/parametric estimation of fluid flows”(IEEE Int.Conf.on Image Processing，ICIP′99，日本神戶，1999年10月)；G.Aubert、R.Deriche和P.Kornprobst所著的“Computing optical flow viavariational techniques”(SIAM Journal of Applied Mathematics，60(1)156-182，1999年)；G.Aubert和P.KorRprobst所著的“A mathematicalstudy of the relaxed optical flow problem in the space BV”(SIAMJournal on Mathematical Analysis，30(6)1282-1308，1999年)；以及R.Deriche、P.Kornprobst和G.Aubert所著的“Optical flow estimationwhile preserving its discontinuitiesA variational approach”(Proceedings of the 2nd Asian Conference on Computer Vision，第2卷，第71-80頁(yè)，新加坡，1995年12月)。
某些正則化方法基于場(chǎng)的明顯平滑，如在J.P.Thirion所著的“Image matching as a diffusion processAn analogy with Maxwell′sdemons”(Medical Image Analysis，2(3)243-260，1998年)；以及Christophe Chefd′hotel、Gerardo Hermosillo和Olivier Faugeras所著的“Flows of Diffeomorphisms for Multimodal Image Registration”(International Symposium on Biomedical Imaging.IEEE，2002年)中那樣，而其他正則化方法考慮誤差準(zhǔn)則中產(chǎn)生(可能各向異性的)擴(kuò)散項(xiàng)的附加項(xiàng)，參見(jiàn)G.Aubert和P.Kornprobst所著的“MathematicalProblems in Image ProcessingPartial Differential Equations and theCalculus of Variations”(《Applied Mathematical Sciences》第147卷，Springer-Verlag，2002年1月)；J.Weickert和C.Schnrr所著的“Atheoretical framework for convex regularizers in pde-based computationof image motion”(The International Journal of Computer Vision，45(3)245-264，2001年12月)；Gerardo Hermosillo、ChristopheChefd′hotel和Olivier Faugeras所著的“Variational methods formultimodal image matching”(The International Journal of ComputerVision，50(3)329-343，2002年11月)；G.Hermosillo和O.Faugeras所著的“Dense image matching with global and local statistical criteriaavariational approach”(Proceedings of CVPR′01，2001年)；以及Gerardo Hermosillo所著的“Variational Methods for Multimodal ImageMatching”(博士論文，INRIA可以以ftp://ftp-sop.inria.fr/robotvis/html/Papers/hermosillo:02.ps.gz訪問(wèn)該文獻(xiàn)，2002年)。
流體法利用單個(gè)參數(shù)來(lái)確定變形的期望平滑度或流度的量。參見(jiàn)Christophe Chefd′hotel、Gerardo Hermosillo和Olivier Faugeras所著的“Flows of Diffeomorphisms for Multimodal Image Registration”(International Symposium on Biomedical Imaging，IEEE，2002年)；Gary Christensen、MI Miller和MW Vannier所著的“A 3D deformablemagnetic resonance textbook based on elasticity”(Proceedings of theAmetican Association for Artificial Intelligence，SymposiumApplications of Computer Vision in Medical Image Processing，1994年)；以及Alain Trouv所著的“Diffeomorphisms groups and patternmatching in image analysis”(International Journal of Computer Vision，28(3)213-21，1998年)。
以前也研究過(guò)多分辨率方法。參見(jiàn)L.Alvarez、J.Weickert和J.Sánchez所著的“Reliable Estimation of Dense Optical Flow Fieldswith Large Displacements”(Technical report，Cuadernos del InstitutoUniversitario de Ciencias y Tecnologias Ciberneticas，2000年)。在IJCV39(1)41-56，2000中出現(xiàn)了修訂版。在前面引用的L.Alvarez等人的著作中，使用了尺度空間聚焦策略。大多數(shù)現(xiàn)有方法要么沒(méi)有解決強(qiáng)度變化，要么局限于參數(shù)變換。
向解決強(qiáng)度變化的更加復(fù)雜的變換的擴(kuò)展包括依賴于塊匹配策略(參見(jiàn)J.B.A.Maintz、H.W.Meijering和M.A.Viergever所著的“General multimodal elastic registration based on mutualinformation”(Medical Imaging 1998-Image Processing，第3338卷，第144-154頁(yè)，SPIE，1998年)；T.Gaens、F.Maes D.Vandermeulen和P.Suetens所著的“Non-rigid multimodal image registration usingmutual information”(J.van Leeuwen G.Goos、J.Hartmanis編輯的First International Conference on Medical Image Computing andComputer-Assisted Intervention，《Lecture Notes in Computer Science》的第1496卷，Springer，1998年)；以及N.Hata、T.Dohi、S.Warfield、W.Wells III、R.Kikinis和F.A.Jolesz所著的“Multi-modalitydefbrmable registration of pre-and intra-operative images for MRI-guided brain surgery”(J.van Leeuwen G.Goos、J.Hartmanis編輯的First International Conference on Medical Image Computing andComputer-Assisted Intervention，《Lecture Notes in Computer Science》的第1496卷，Springer，1998年))或者參數(shù)強(qiáng)度修正(參見(jiàn)A.Roche、A.Guimond、J.Meunier和N.Ayache所著的“Multimodal ElasticMatching of Brain Images”(Proceedings of tne 6th EuropeanConference on Computer Vision，愛(ài)爾蘭都柏林，2000年6月))的方法。
某些新近的方法依賴于局部互相關(guān)的梯度的計(jì)算。參見(jiàn)P.Cachier和X.Pennec所著的“3d non-rigid registration by gradient descent on agaussian weighted similarity measure using convolutions”(Proceedingsof MMBIA，第182-189頁(yè)，2000年6月)；T.Netsch、P.Rosch、A.vanMuiswinkel和J.Weese所著的“Towards real-time multi-modality 3Dmedical image registration”(Proceedings of the 8th InternationalConference on Computer Vision，加拿大溫哥華，2001年，IEEEComputer Society，IEEE Computer Society Press)；GerardoHermosillo、Christophe Chefd′hotel和Olivier Faugeras所著的《(Variational methods for multimodal image matching.》(TheInternational Journal of Computer Vision，50(3)329-343，2002年11月)；G.Hermosillo和O.Faugeras所著的“Dense image matching withglobal and local statistical criteriaa variational approach”(Proceedings of CVPR′01，2001年)；Gerardo Hermosillo所著的“Variational Methods for Multimodal Image Matching”(博士論文，INRIA可以以ftp://ftp-sop.inria.fr/robotvis/html/Papers/hermosillo:02.ps.gz訪問(wèn)該文獻(xiàn)，2002年)；以及Christophe Chefd′hotel、GerardoHermosillo和Olivier Faugeras所著的“Flows of Diffeomorphisms forMultimodal Image Registration”(International Symposium onBiomedical Imaging.IEEE，2002年)。
在與圖像處理有關(guān)的教科書(shū)和出版物中可以找到關(guān)于光流和關(guān)于圖像金字塔的一般的背景材料?？捎糜谔峁┯兄诟玫乩斫獗景l(fā)明的背景材料的教科書(shū)例如包括Arthur R.Weeks所著的《(FUNDAMENTALS OF IMAGE PROCESSING》(SPIE OpticalEngineering Press&IEEE Press，1996年)；Milan Sonka等人所著的《(IMAGE PROCESSING，ANALYSIS，AND MACHINE VISION》(Second Edition )(PWS Publishing，1999年)；以及Rafael C.Gonzalez等人所著的《DIGITAL IMAGE PROCESSING》(Second Edition)(Prentice Hall，2002年)。

發(fā)明內(nèi)容
這里認(rèn)識(shí)到，在使用這種公知的現(xiàn)有技術(shù)時(shí)，變形的無(wú)奇異性得不到確保。因此，對(duì)于運(yùn)動(dòng)修正步驟來(lái)說(shuō)，有可能將腫瘤縮小到一個(gè)點(diǎn)，并且從而將其隱藏起來(lái)而檢測(cè)不出來(lái)。
本發(fā)明的一個(gè)目的是提供一種用于對(duì)在兩個(gè)具有一般相似性并且在不同時(shí)間被獲得的圖像之間發(fā)生的運(yùn)動(dòng)進(jìn)行補(bǔ)償?shù)挠行Х椒ā?br> 按照本發(fā)明的一個(gè)方面，在此公開(kāi)并描述用于進(jìn)行圖像時(shí)間序列的運(yùn)動(dòng)補(bǔ)償?shù)姆椒ê拖到y(tǒng)。該補(bǔ)償是通過(guò)根據(jù)每個(gè)點(diǎn)周圍的相應(yīng)區(qū)域的局部互相關(guān)進(jìn)行兩個(gè)圖像之間的相似性量度的共軛梯度最大化來(lái)實(shí)現(xiàn)的。在建立解決方案時(shí)通過(guò)特殊的合成技術(shù)來(lái)確保變形的無(wú)奇異性。
按照本發(fā)明的一個(gè)方面，用于圖像的運(yùn)動(dòng)補(bǔ)償?shù)姆椒ɡ每赡孀冃蔚墓獢?shù)學(xué)特性，即，可逆變形的合成得到本身可逆的總變形。這里認(rèn)識(shí)到，分量變形必須足夠小，以避免奇異性問(wèn)題。
按照本發(fā)明的一個(gè)方面，利用共軛梯度優(yōu)化與小且平滑的位移的合成的組合，這在確保變形保持無(wú)奇異的同時(shí)實(shí)現(xiàn)快速收斂。
按照本發(fā)明的一個(gè)方面，變形的無(wú)奇異性是在建立解決方案時(shí)通過(guò)特殊的合成技術(shù)來(lái)得到確保的。將局部互相關(guān)用作兩個(gè)圖像之間的相似性量度比點(diǎn)對(duì)點(diǎn)比較更加穩(wěn)健。
按照本發(fā)明的另一個(gè)方面，多分辨率金字塔的特殊處理(僅僅減小切片的尺寸)相對(duì)于在所有方向上進(jìn)行減小提高了精度。
按照本發(fā)明的另一個(gè)方面，利用序列的全局處理和多分辨率方法。該系統(tǒng)被設(shè)計(jì)用于對(duì)作為輸入的一組圖像起作用以便識(shí)別由于造影劑的相對(duì)快速的吸入和/或排出而產(chǎn)生的圖像之間的差異，其中這一組圖像被假設(shè)為相似圖像的時(shí)間序列，例如在不同時(shí)間點(diǎn)獲得的同一病人的圖像。如上面所提到的，這種差異可以指示病人身體的相應(yīng)的癌變或可能癌變的區(qū)域。尤其對(duì)于胸部MR應(yīng)用來(lái)說(shuō)，典型地以兩到三分鐘的時(shí)間間隔獲得六到十四個(gè)圖像。每個(gè)圖像都是粗略地覆蓋病人的胸部區(qū)域的標(biāo)量值的三維陣列。該系統(tǒng)的輸出又是一組“經(jīng)過(guò)運(yùn)動(dòng)修正的”圖像(與輸入圖像一一對(duì)應(yīng))。輸入圖像彼此相似，但是主要由于以下三個(gè)因素而有所不同在獲得之間病人的運(yùn)動(dòng)；由于血液對(duì)所注射的造影劑的攝取而造成的強(qiáng)度改變；和噪聲。
輸出序列通過(guò)以下方式來(lái)獲得從輸入序列中選擇參考圖像，并且針對(duì)剩余圖像中的每一個(gè)找到應(yīng)用于所考慮的具體圖像的、補(bǔ)償相對(duì)于參考圖像所發(fā)生的運(yùn)動(dòng)的空間非剛性變形。在圖1中以有條理的圖解形式描述了這一整個(gè)過(guò)程。
按照本發(fā)明的一個(gè)方面，一種用于通過(guò)計(jì)算變形函數(shù)來(lái)對(duì)時(shí)間序列中的第一和第二圖像進(jìn)行運(yùn)動(dòng)補(bǔ)償?shù)姆椒òㄟM(jìn)行所述第一和第二圖像之間的相似性量度的共軛梯度最大化；以及通過(guò)結(jié)合合成標(biāo)準(zhǔn)利用所述梯度最大化來(lái)得出所述變形函數(shù)，以便確保所述變形函數(shù)的無(wú)奇異性。
按照本發(fā)明的另一個(gè)方面，所述共軛梯度最大化基于所述圖像中每個(gè)點(diǎn)周圍的相應(yīng)區(qū)域的局部互相關(guān)。
按照本發(fā)明的另一個(gè)方面，合成標(biāo)準(zhǔn)包括通過(guò)對(duì)所述相似性量度的多個(gè)正則化梯度進(jìn)行合成來(lái)得出所述變形函數(shù)，以便所述變形基本上不顯示出奇異性。
按照本發(fā)明的另一個(gè)方面，進(jìn)行共軛梯度最大化的步驟包括通過(guò)對(duì)所述相似性量度的多個(gè)正則化梯度進(jìn)行合成來(lái)得出各個(gè)變形以便獲得所述變形函數(shù)。
按照本發(fā)明的另一個(gè)方面，得出所述變形函數(shù)的步驟包括應(yīng)用算法
其中運(yùn)算符Gσ*表示與高斯內(nèi)核的卷積，S表示相似性量度，S表示S相對(duì)于φ的梯度，I1→R表示參考圖像，I2→R表示浮動(dòng)圖像，φΩ→R3表示使所述相似度最大的所述變形，ο表示函數(shù)的合成，以及εk是步長(zhǎng)大小，使該步長(zhǎng)大小足夠小，以確?？赡嫘?。
按照本發(fā)明的另一個(gè)方面，得出變形的步驟包括通過(guò)對(duì)與所述圖像的大小相比而言小的位移進(jìn)行合成來(lái)得出變形。
按照本發(fā)明的另一個(gè)方面，得出變形的步驟包括通過(guò)對(duì)所述相似性量度的各個(gè)正則化梯度進(jìn)行合成來(lái)得出變形。
按照本發(fā)明的另一個(gè)方面，扭曲(warp)步驟包括計(jì)算與所述浮動(dòng)圖像合成在一起的變形。
按照本發(fā)明的另一個(gè)方面，扭曲步驟包括計(jì)算(I2οφ)(x)，其中I2→R表示所述浮動(dòng)圖像，φΩ→R3表示使所述相似性量度最大的變形，而ο表示函數(shù)的合成。
按照本發(fā)明的另一個(gè)方面，計(jì)算步驟包括在正被扭曲的所述浮動(dòng)圖像的各個(gè)體元處利用三線性內(nèi)插。
按照本發(fā)明的另一個(gè)方面，獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)，該醫(yī)學(xué)成像技術(shù)包括磁共振成像(MRI)、X射線成像和CT掃描成像中的任何一種。
按照本發(fā)明的另一個(gè)方面，獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)檢測(cè)乳腺癌的腫瘤和潛在腫瘤中的至少一種。
按照本發(fā)明的另一個(gè)方面，獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)獲得指示可疑組織的圖像，其中與相鄰的非腫瘤組織相比，可疑組織顯示出(a)對(duì)造影劑的更快速的吸入或灌入和(b)更快速的排出中的至少一種。
按照本發(fā)明的另一個(gè)方面，一種方法包括利用經(jīng)過(guò)運(yùn)動(dòng)修正的圖像以通過(guò)比較在這種灌入和排出中的至少一種之前和之后所制作的病人的圖像來(lái)檢測(cè)可疑組織的步驟。
按照本發(fā)明的另一個(gè)方面，共軛梯度最大化基于所述圖像中每個(gè)點(diǎn)周圍的相應(yīng)區(qū)域的局部互相關(guān)。
按照本發(fā)明的另一個(gè)方面，合成標(biāo)準(zhǔn)包括通過(guò)對(duì)所述相似性量度的多個(gè)正則化梯度進(jìn)行合成來(lái)得出所述變形函數(shù)，以便所述變形基本上不顯示出奇異性。
按照本發(fā)明的另一個(gè)方面，進(jìn)行共軛梯度最大化的步驟包括通過(guò)對(duì)所述相似性量度的多個(gè)正則化梯度進(jìn)行合成來(lái)得出各個(gè)變形以便獲得所述變形函數(shù)。
按照本發(fā)明的另一個(gè)方面，一種用于通過(guò)從初始變形函數(shù)開(kāi)始計(jì)算變形函數(shù)來(lái)進(jìn)行參考圖像與初始浮動(dòng)圖像之間的圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒ò?a)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(b)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(c)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(d)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(e)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(f)(A)在第一次執(zhí)行這一步驟時(shí)，將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，并且(B)在這一步驟的后續(xù)迭代過(guò)程中，使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(g)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(h)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(i)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；
(j)轉(zhuǎn)到步驟(b)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(k)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
按照本發(fā)明的另一個(gè)方面，所述停止標(biāo)準(zhǔn)包括達(dá)到下列項(xiàng)中至少一項(xiàng)所述步驟序列的預(yù)定的最大重復(fù)或迭代次數(shù)；所述梯度的預(yù)定下限；所述梯度的零點(diǎn)；和預(yù)定處理時(shí)間極限。
按照本發(fā)明的另一個(gè)方面，一種用于通過(guò)從初始變形函數(shù)開(kāi)始計(jì)算變形函數(shù)來(lái)進(jìn)行參考圖像與初始浮動(dòng)圖像之間的圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒ò?a)獲得時(shí)間序列中的參考圖像和初始浮動(dòng)圖像；(b)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(c)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(d)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(e)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(f)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(g)將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，(h)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(i)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(j)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(k)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(l)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(m)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(n)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；
(o)使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(p)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(q)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(r)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(s)轉(zhuǎn)到步驟(k)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(t)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
按照本發(fā)明的另一個(gè)方面，所述迭代以低分辨率等級(jí)開(kāi)始并且以越來(lái)越高的分辨率繼續(xù)進(jìn)行。
按照本發(fā)明的另一個(gè)方面，所述預(yù)定的停止標(biāo)準(zhǔn)包括達(dá)到下列項(xiàng)中的至少一項(xiàng)所述步驟序列的預(yù)定的最大重復(fù)或迭代次數(shù)；所述梯度的預(yù)定下限；所述梯度的零點(diǎn)；和預(yù)定處理時(shí)間極限。
按照本發(fā)明的另一個(gè)方面，所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)，該醫(yī)學(xué)成像技術(shù)包括磁共振成像(MRI)、X射線成像和CT掃描成像中的任何一種。
按照本發(fā)明的另一個(gè)方面，所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)檢測(cè)乳腺癌的腫瘤和潛在腫瘤中的至少一種。
按照本發(fā)明的另一個(gè)方面，所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)獲得指示可疑組織的圖像，其中與相鄰的非腫瘤組織相比，該可疑組織顯示出(a)對(duì)造影劑的更快速的吸入或灌入以及(b)更快速的排出。
按照本發(fā)明的另一個(gè)方面，本發(fā)明包括利用經(jīng)過(guò)運(yùn)動(dòng)修正的最終的扭曲浮動(dòng)圖像以通過(guò)比較在這種灌入和/或排出之前和之后所制作的病人的圖像來(lái)檢測(cè)可疑組織的步驟。
按照本發(fā)明的另一個(gè)方面，本發(fā)明包括利用從下列項(xiàng)中的任何一項(xiàng)取得的圖像中的至少一個(gè)的步驟存儲(chǔ)介質(zhì)、計(jì)算機(jī)、無(wú)線電鏈路、因特網(wǎng)、紅外鏈路、聲學(xué)鏈路、掃描裝置和活體成像裝置。
按照本發(fā)明的另一個(gè)方面，一種用于進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒òǐ@得參考圖像和初始浮動(dòng)圖像；利用給定的初始變形函數(shù)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；計(jì)算所述參考圖像與所述扭曲浮動(dòng)圖像中的各個(gè)相應(yīng)區(qū)域之間的局部互相關(guān)；基于所述互相關(guān)進(jìn)行相似性量度的共軛梯度最大化，以便通過(guò)利用共軛梯度優(yōu)化與位移的合成的組合得出所述相似性量度最大的變形函數(shù)，所述位移與所述圖像的大小相比而言是小的，由此在確?？赡嫘缘耐瑫r(shí)實(shí)現(xiàn)快速收斂，從而所述變形保持無(wú)奇異；以及按照所述后續(xù)變形函數(shù)使所述浮動(dòng)圖像扭曲，以便獲得經(jīng)過(guò)運(yùn)動(dòng)修正的圖像。
按照本發(fā)明的另一個(gè)方面，一種用于進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒òㄝ斎虢o定的圖像時(shí)間序列I1，...，Ii，...In；將所述時(shí)間序列的下標(biāo)為k的圖像選擇為參考圖像；以i＝1開(kāi)始，于是如果i不等于k，則通過(guò)以下方式來(lái)進(jìn)行Ik與I之間的多分辨率運(yùn)動(dòng)修正進(jìn)行所述時(shí)間序列中的第一和第二圖像之間的相似性量度的共軛梯度最大化；通過(guò)結(jié)合合成標(biāo)準(zhǔn)利用所述梯度最大化來(lái)得出變形函數(shù)，以便確保所述變形函數(shù)的無(wú)奇異性；利用所述變形函數(shù)使所述第一和第二圖像之一扭曲；在這種修正之后，將J1定義為前述的進(jìn)行多分辨率運(yùn)動(dòng)修正的步驟的輸出；在i等于k的情況下，將Ji定義為Ik并且將i遞增1，將遞增后的結(jié)果與n進(jìn)行比較在遞增后的結(jié)果小于或等于n的情況下，繼續(xù)重復(fù)進(jìn)行前述步驟，直到遞增后的結(jié)果大于n，并且因此終止所述步驟，由此得到各個(gè)經(jīng)過(guò)運(yùn)動(dòng)補(bǔ)償?shù)膱D像的序列J1，J2...Jn。
按照本發(fā)明的另一個(gè)方面，所述多分辨率運(yùn)動(dòng)修正包括確定多分辨率金字塔所需要的層數(shù)；以最低分辨率頂層開(kāi)始下行到具有增大的分辨率的層來(lái)構(gòu)造所述多分辨率金字塔；
在所述金字塔的頂層上將所述變形函數(shù)預(yù)置為零；沿著所述金字塔逐層向下地確定所述變形函數(shù)，在當(dāng)前層內(nèi)基于使用前述變形函數(shù)的預(yù)置并且按照下列步驟來(lái)確定當(dāng)前變形函數(shù)如果所述當(dāng)前層不是底層，則將所述當(dāng)前變形函數(shù)外推到下一較低層，在所述下一較低層上確定變形函數(shù)；以及當(dāng)?shù)竭_(dá)所述金字塔的底層時(shí)，利用所述下一較低層上的所述變形函數(shù)使所述浮動(dòng)圖像扭曲。
按照本發(fā)明的另一個(gè)方面，一種用于通過(guò)從初始變形函數(shù)開(kāi)始計(jì)算變形函數(shù)來(lái)進(jìn)行時(shí)間序列中的圖像之間的圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒ǎ龇椒ò?a)獲得參考圖像和初始浮動(dòng)圖像；(b)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(c)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(d)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(e)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(f)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(g)(A)在第一次執(zhí)行這一步驟時(shí)，將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，并且(B)在這一步驟的后續(xù)迭代過(guò)程中，使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(h)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(i)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(j)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(k)轉(zhuǎn)到步驟(c)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(l)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
按照本發(fā)明的另一個(gè)方面，一種用于進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償?shù)南到y(tǒng)包括存儲(chǔ)裝置，用于存儲(chǔ)程序和其它數(shù)據(jù)；和與所述存儲(chǔ)裝置進(jìn)行通信的處理器，所述處理器運(yùn)行所述程序以便執(zhí)行(a)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(b)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(c)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(d)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(e)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(f)(A)在第一次執(zhí)行這一步驟時(shí)，將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，并且(B)在這一步驟的后續(xù)迭代過(guò)程中，使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(g)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(h)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(i)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(j)轉(zhuǎn)到步驟(b)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(k)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
按照本發(fā)明的另一個(gè)方面，一種計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)可用介質(zhì)，該計(jì)算機(jī)可用介質(zhì)具有記錄于其上的用于程序代碼的計(jì)算機(jī)程序邏輯，該程序代碼用于通過(guò)下列操作來(lái)進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償(a)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(b)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(c)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(d)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(e)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(f)(A)在第一次執(zhí)行這一步驟時(shí)，將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，并且(B)在這一步驟的后續(xù)迭代過(guò)程中，使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(g)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(h)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(i)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(j)轉(zhuǎn)到步驟(b)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(k)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。


結(jié)合附圖，根據(jù)隨后的示例實(shí)施方式的詳細(xì)描述，將更加充分地理解本發(fā)明，其中圖1以流程圖的形式示出按照本發(fā)明原理的圖像時(shí)間序列的運(yùn)動(dòng)修正；圖2以流程圖的形式示出按照本發(fā)明原理的多分辨率運(yùn)動(dòng)修正程序流程；圖3以流程圖的形式示出按照本發(fā)明原理的兩個(gè)圖像之間的位移場(chǎng)的估算；以及圖4以示意形式示出用于實(shí)現(xiàn)本發(fā)明的可編程數(shù)字計(jì)算機(jī)的應(yīng)用。
具體實(shí)施例方式
參照?qǐng)D1，運(yùn)動(dòng)修正以給定的圖像時(shí)間序列I1，...Ii，...In開(kāi)始；選擇下標(biāo)為k的圖像作為參考圖像。以i＝1開(kāi)始，于是如果i不等于k，則在Ik與Ii之間進(jìn)行多分辨率運(yùn)動(dòng)修正，如將在下文中詳細(xì)解釋說(shuō)明并且在圖2中概括地給出的那樣。在這樣的修正之后，將J1定義為前述的進(jìn)行多分辨率運(yùn)動(dòng)修正的步驟的輸出。
在i等于k的情況下，將Ji定義為Ik并且將i遞增1，然后將遞增后的結(jié)果與n進(jìn)行比較如果遞增后的結(jié)果小于或等于n，則處理繼續(xù)，直到遞增后的結(jié)果大于n，隨之處理被終止。前述處理產(chǎn)生一系列相應(yīng)的經(jīng)過(guò)運(yùn)動(dòng)修正的圖像J1，J2，...，Jn。下面給出包括多分辨率技術(shù)的更加詳細(xì)的描述。
運(yùn)動(dòng)補(bǔ)償模塊的輸入是一對(duì)圖像，其中之一已被定義為如上所述的參考圖像，而另一個(gè)圖像被定義為浮動(dòng)圖像，這個(gè)浮動(dòng)圖像是要應(yīng)用補(bǔ)償變形的圖像。這些計(jì)算是使用多分辨率方案進(jìn)行的，該多分辨率方案使大的全局運(yùn)動(dòng)能夠以低分辨率迅速得到復(fù)原，記住，如前面所提到的那樣，這些圖像具有一般的相似性。以低分辨率獲得的變形或位移被用于預(yù)置下一個(gè)更精細(xì)分辨率步驟中的搜索。將以最精細(xì)或最高等級(jí)分辨率獲得的變形應(yīng)用于浮動(dòng)輸入圖像來(lái)產(chǎn)生輸出，該輸出是所期望的經(jīng)過(guò)運(yùn)動(dòng)修正的圖像。
圖2示出所描述的本發(fā)明實(shí)施方式的這一部分的步驟，以參考和浮動(dòng)圖像開(kāi)始。最初，確定之后要構(gòu)造的多分辨率金字塔所需要的層數(shù)。在分辨率最低的金字塔的頂層，將位移場(chǎng)預(yù)置為零。按照?qǐng)D3中所示的步驟并且如下面進(jìn)一步描述的那樣在當(dāng)前層內(nèi)確定位移場(chǎng)。如果當(dāng)前層不是底層，則將當(dāng)前位移場(chǎng)外推到下一較低層，其中接著如在前一步驟中那樣確定位移場(chǎng)。當(dāng)達(dá)到金字塔底層時(shí)，則使浮動(dòng)圖像扭曲。還應(yīng)當(dāng)結(jié)合在圖2中所示步驟的這一簡(jiǎn)要描述之后的更加詳細(xì)的描述對(duì)圖2進(jìn)行參照。
更加具體地講，由于對(duì)于胸部MR圖像來(lái)說(shuō)平面(或切片)的數(shù)量通常比每個(gè)切片的列或行的數(shù)量小得多，因此在多分辨率金字塔的構(gòu)造中僅減小平面的大小。這是使用低通濾波器來(lái)實(shí)現(xiàn)的，該低通濾波器是專門(mén)為在通過(guò)省略像素來(lái)減小平面的大小的時(shí)在信息損失最小的情況下將采樣頻率減小一半而設(shè)計(jì)的。
然后，結(jié)果是從較低分辨率等級(jí)外推出來(lái)的。因此，將以特定分辨率所估算的運(yùn)動(dòng)用作下一更精細(xì)分辨率等級(jí)中的初始估算值。這是通過(guò)使用三線性內(nèi)插法以兩倍的頻率對(duì)位移場(chǎng)的每個(gè)分量進(jìn)行再采樣來(lái)實(shí)現(xiàn)的。參見(jiàn)下面在提供關(guān)于由該算法所使用的具體模塊和運(yùn)算的詳情的段落中的一般性定義。下面給出可應(yīng)用的一般性定義。關(guān)于與線性內(nèi)插有關(guān)的材料，參見(jiàn)例如前面提到的由Gonzalez所著的教科書(shū)的第64頁(yè)以及下述等等。
運(yùn)動(dòng)估算是在單個(gè)分辨率的范圍內(nèi)進(jìn)行的。作為下面將要進(jìn)一步描述的后續(xù)步驟的準(zhǔn)備，給定分辨率等級(jí)內(nèi)的參考和浮動(dòng)圖像之間的補(bǔ)償變形的估算值是本系統(tǒng)的一個(gè)組成部分。它是通過(guò)基于每個(gè)點(diǎn)周圍的相應(yīng)區(qū)域的局部互相關(guān)進(jìn)行兩個(gè)圖像之間的相似性量度的共軛梯度最大化來(lái)完成的。在建立解決方案時(shí)，變形的無(wú)奇異性是通過(guò)專用的合成技術(shù)來(lái)確保的，如在下文中將進(jìn)一步說(shuō)明的那樣。
在圖3中描繪了用于估算兩個(gè)圖像之間的位移場(chǎng)的算法的流程圖，其中輸入量是參考圖像(R)和浮動(dòng)圖像(F)以及位移場(chǎng)的當(dāng)前估算值(U0)。在當(dāng)前對(duì)圖3的描述之后，將對(duì)各個(gè)步驟進(jìn)行更加詳細(xì)的解釋說(shuō)明。下標(biāo)k最初為零。利用Uk對(duì)F進(jìn)行扭曲，以獲得FU，并且計(jì)算U與FU之間的相似性量度。關(guān)于更多細(xì)節(jié)，參見(jiàn)下文中關(guān)于扭曲、更新過(guò)程以及局部互相關(guān)及其梯度的計(jì)算的部分。在后續(xù)步驟中，將GU定義為相似性量度相對(duì)于Uk的梯度。參見(jiàn)下文中關(guān)于局部互相關(guān)及其梯度的計(jì)算的部分。如果GU非零并且k等于或大于1，則使GUk與GUk-1共軛，然后利用GUk與GUk-1的共軛確定是否已經(jīng)找到了最佳步長(zhǎng)，其中“最佳”是在與“最佳步長(zhǎng)”類型的梯度下降有關(guān)的意義上使用的，其中下降路徑直接通向局部最小值。關(guān)于更多細(xì)節(jié)，參見(jiàn)下文中關(guān)于共軛梯度優(yōu)化的部分。如果沒(méi)有找到最佳步長(zhǎng)，則處理過(guò)程終止。如果找到了最佳步長(zhǎng)，則用GUk來(lái)更新Uk并且確定是否k≥kmax。關(guān)于更多細(xì)節(jié)，參見(jiàn)下文中關(guān)于更新過(guò)程的部分。如果k≥kmax，則結(jié)束該處理過(guò)程的這個(gè)部分。如果否，則將k遞增1，并且使用k的遞增后的值，利用Uk使F扭曲，以獲得FU，之后再次進(jìn)行上述的用于計(jì)算相似性量度的步驟，等等。如果GU等于零，則處理過(guò)程結(jié)束，輸出是位移場(chǎng)的改善的版本Uk。
下面的小節(jié)提供關(guān)于由該算法所使用的具體模塊和運(yùn)算的細(xì)節(jié)。在許多數(shù)學(xué)教科書(shū)、比如例如Lennart R de和Bertil Westergren所著的《(Mathematics Handbook for Science and Engineering》(BirkhuserBoston，1995年；第522-523頁(yè))以及Garrett Birkhoff和SaundersMac Lane所著的《A Survey of Modern Algebra》(A K Peters，Ltd.，l997年；第486-488頁(yè))中可以找到特殊數(shù)學(xué)符號(hào)的列表。
將兩個(gè)輸入圖像表示為I1Ω→R和I2→R，這意味著要將它們看作從歐幾里德三維空間域ΩR3到實(shí)數(shù)集R的函數(shù)。在點(diǎn)x∈Ω上，這些函數(shù)的一對(duì)值(強(qiáng)度)將被表示為I(x)≡[I1(x)，I2(x)]。
運(yùn)動(dòng)修正部分的目標(biāo)是找到變形φΩ→R3，使得I1與I2οφ之間的相似性量度S(在下文加以定義)最大。這里ο表示函數(shù)的合成，也就是(I2οφ)(x)≡I2(φ(x))。
我們使位移場(chǎng)UΩ→R3與每個(gè)變形φ相關(guān)聯(lián)，以便φ＝id+U，即，φ(x)＝x＋φ(x)，x∈Ω。換句話說(shuō)，運(yùn)動(dòng)修正模塊嘗試找到使S(I1，I2οφ)最大的位移場(chǎng)U(該位移場(chǎng)是三維向量的體積)。(按照通常的用法，是全稱量詞，其中x意味著“對(duì)于所有的x來(lái)說(shuō)，...”)扭曲是計(jì)算(I2οφ)(x)的運(yùn)算。它需要在要加以扭曲的圖像的每個(gè)體元處進(jìn)行三線性內(nèi)插。參見(jiàn)圖2中的方框“扭曲浮動(dòng)圖像”。
就更新過(guò)程而言，在此原則是φ是通過(guò)小位移的合成明確地獲得的。每個(gè)小位移vk是I1與I2οφk之間的相似性量度S的正則化梯度。
本發(fā)明利用可逆變形的公知數(shù)學(xué)特性，即，可逆變形的合成產(chǎn)生本身可逆的總變形，以獲得用于運(yùn)動(dòng)修正的適當(dāng)圖像變形，并且本發(fā)明使用被保持足夠小以避免奇異性問(wèn)題的變形步長(zhǎng)。上面已經(jīng)定義了合成并且用符號(hào)ο來(lái)表示合成。
再次參照?qǐng)D3，對(duì)于兩個(gè)圖像之間的位移場(chǎng)的估算來(lái)說(shuō)，可適用的算法是 運(yùn)算符Gσ*表示與高斯內(nèi)核的卷積，而S表示S相對(duì)于φ的梯度(見(jiàn)下文)，并且εk是步長(zhǎng)大小，使這個(gè)步長(zhǎng)大小足夠小，以確?？赡嫘?。
關(guān)于局部互相關(guān)及其梯度的計(jì)算(該計(jì)算基本上按照上述算法)，這一部分中的結(jié)果表示將在本發(fā)明人的如下出版物中找到的更加詳盡的說(shuō)明的濃縮，該出版物在此被引入作為參考
Gerardo Hermosillo，Variational Methods for Multimodal ImageMatching，PhD thesis，INRIA；該文獻(xiàn)也可以以ftp://ftp-sop.inria.fr/robotvis/html/Papers/hermosillo:02.ps.gz，2002來(lái)訪問(wèn)。
I1與12之間的局部互相關(guān)由下式定義JCC=∫ΩJCC(x)dx=∫Ωv1,2(x)2v1(x)v2(x)dx,]]>其中v1，2(x)、v1(x)和v2(x)分別是在x周圍I1和I2的強(qiáng)度的協(xié)方差和方差。它的一階方差是意義明確的并且定義由下式給出的梯度fCC(x)＝fCC(I(x)，x)I2(x)，其中fCC(i，x)＝Gγ*LCC(i，x)，并且LCC(i,x)=v1,2(x)v2(x)(i1-μ1(x)v1(x))+JCC(x)(i2-μ2(x)v2(x)).---(1)]]>將函數(shù)LCC估算為L(zhǎng)CC(i，x)＝(Gγ*f1)(x)i1+(G*f2)(x)i2+(Gγ*f3)(x)，其中f1(x)=v1,2(x)v1(x)v2(x),]]>f2(x)=JCC(x)v2(x)]]>并且f3(x)＝f3(x)μ3(x)+f2(x)μ2(x)。
所有所需要的空間相關(guān)量、比如μ1(x)都是通過(guò)與高斯內(nèi)核進(jìn)行卷積來(lái)計(jì)算的(見(jiàn)下文)。
關(guān)于共軛梯度優(yōu)化，使用固定時(shí)間步長(zhǎng)進(jìn)行的明確的時(shí)間離散化相當(dāng)于沒(méi)有線搜索的最陡下降方法，線搜索一般來(lái)說(shuō)效率相當(dāng)?shù)?。按照本發(fā)明的系統(tǒng)進(jìn)行線搜索，以便步長(zhǎng)是最佳的，并且它使用Fletcher-Reeves共軛梯度最小化程序，這個(gè)程序基本上如William H.Press等人所著的書(shū)《Numerical recipes in C》(Cambridge UniversityPress，1988年)中所描述的那樣，關(guān)于這一傳統(tǒng)數(shù)學(xué)程序的更多細(xì)節(jié)，請(qǐng)參閱該書(shū)。
該共軛梯度法允許所需的總迭代次數(shù)減少大約一個(gè)數(shù)量級(jí)。速度增益更加高，因?yàn)楸M管每次迭代成本稍高的事實(shí)，但在最精細(xì)等級(jí)下迭代次數(shù)非常小。
與高斯內(nèi)核的卷積是通過(guò)使用在R.Deriche所著的“Fastalgorithms for low-level vision”(IEEE Transactions on Pattern Analysisand Machine Intelligence，1(12)78-88，1990年1月)中介紹的平滑算子進(jìn)行遞歸濾波來(lái)加以近似的。共軛梯度法。給定離散1D輸入序列x(n)，n＝1，...，M，它與平滑算子Sα(n)＝k(α|n|+1)e-α|n|的卷積如下高效地計(jì)算y(n)＝(Sα*x)(n)＝y(tǒng)1(n)+y2(n)其中y1(n)=k(x(n)+e-α(α-1)x(n-1))+2e-αy1(n-1)-e-2αy1(n-2)y2(n)=k(e-α(α+1)x(n+1)-e-2αx(n+2))+2e-αy2(n+1)-e-2αy2(n+2)]]>歸一化常數(shù)k是通過(guò)要求∫RSα(t)dt＝1來(lái)選擇的，這個(gè)積分式產(chǎn)生k+α/4。
這種方案效率非常高，因?yàn)樗璧倪\(yùn)算次數(shù)獨(dú)立于平滑參數(shù)α。通過(guò)定義可分濾波器Tα(x)=Πi=1nSα(xi)]]>，可以容易地將這個(gè)平滑濾波器推廣到n維。
如將顯而易見(jiàn)的那樣，本發(fā)明意圖是借助程控(programmed)數(shù)字計(jì)算機(jī)的使用和應(yīng)用來(lái)實(shí)現(xiàn)。圖4以基本示意形式示出被耦合用于與輸入裝置、輸出裝置和用于存儲(chǔ)程序以及其它數(shù)據(jù)的存儲(chǔ)裝置進(jìn)行雙向數(shù)據(jù)通信的數(shù)字處理器。從廣義上來(lái)說(shuō)，輸入裝置被指定為用于提供一個(gè)或多個(gè)用來(lái)按照本發(fā)明進(jìn)行處理的適當(dāng)?shù)膱D像的裝置。例如，輸入可以來(lái)自成像裝置(例如包括在CATSCAN、X射線機(jī)、MRI或其它裝置中的裝置)，或者所述輸入可以是所存儲(chǔ)的圖像，或者可以是通過(guò)借助直接連接、調(diào)制紅外線束、無(wú)線電、陸線、傳真或衛(wèi)星、像例如借助萬(wàn)維網(wǎng)或因特網(wǎng)那樣與其它計(jì)算機(jī)或裝置進(jìn)行通信而得到的，或者可以來(lái)自這樣的數(shù)據(jù)的任何其它適當(dāng)?shù)脑?。輸出裝置可以包括使用任何適當(dāng)設(shè)備(例如陰極射線顯像管、等離子顯示器、液晶顯示器等等)的計(jì)算機(jī)型顯示裝置，或者它可以或可以不包括用于再現(xiàn)圖像的裝置，并且可以包括圖4的用于存儲(chǔ)供進(jìn)一步處理或者供查看或者供評(píng)估(如可能是便利的)的圖像的存儲(chǔ)裝置或該存儲(chǔ)裝置的一部分，或者它可以利用包括例如上面針對(duì)輸入裝置所述的那些在內(nèi)的連接或耦合。處理器運(yùn)行按照本發(fā)明建立的、用來(lái)實(shí)現(xiàn)本發(fā)明的步驟的程序。這種程控計(jì)算機(jī)可以容易地通過(guò)諸如陸線、無(wú)線電、因特網(wǎng)之類的通信媒介來(lái)連接，以便進(jìn)行圖像數(shù)據(jù)獲得和傳輸。
本發(fā)明可以容易地至少部分地被實(shí)現(xiàn)在軟件存儲(chǔ)裝置中并且以該形式被包裝作為軟件產(chǎn)品。這一軟件產(chǎn)品可以具有包括計(jì)算機(jī)可用介質(zhì)的計(jì)算機(jī)程序產(chǎn)品的形式，該計(jì)算機(jī)可用介質(zhì)具有被記錄在其上的用于程序代碼的計(jì)算機(jī)程序邏輯，該程序代碼用于利用本發(fā)明方法進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償。
雖然本發(fā)明已借助例子利用與人胸部潛在腫瘤的MR檢測(cè)中的圖像時(shí)間序列的運(yùn)動(dòng)補(bǔ)償有關(guān)的說(shuō)明性示例實(shí)施方式進(jìn)行了解釋說(shuō)明，但是本發(fā)明也可一般性地應(yīng)用于解決其它領(lǐng)域中需要空間對(duì)準(zhǔn)的問(wèn)題，例如、但不限于PET-CT配準(zhǔn)的例子。
應(yīng)理解的是，借助示例實(shí)施方式的說(shuō)明并非打算用來(lái)進(jìn)行限制，并且在不背離本發(fā)明的精神的情況下可以進(jìn)行各種在本文中沒(méi)有明確描述的改變和替換，其中本發(fā)明的范圍是由隨后的權(quán)利要求來(lái)限定的。
權(quán)利要求
1.一種用于通過(guò)計(jì)算變形函數(shù)來(lái)對(duì)時(shí)間序列中的第一和第二圖像進(jìn)行運(yùn)動(dòng)補(bǔ)償?shù)姆椒?，所述方法包括進(jìn)行所述第一和第二圖像之間的相似性量度的共軛梯度最大化；以及通過(guò)結(jié)合合成標(biāo)準(zhǔn)利用所述梯度最大化來(lái)得出所述變形函數(shù)以便確保所述變形函數(shù)的無(wú)奇異性。
2.按照權(quán)利要求1所述的方法，其中所述共軛梯度最大化基于所述圖像中每個(gè)點(diǎn)周圍的相應(yīng)區(qū)域的局部互相關(guān)。
3.按照權(quán)利要求1所述的方法，其中所述合成標(biāo)準(zhǔn)包括通過(guò)對(duì)所述相似性量度的多個(gè)正則化梯度進(jìn)行合成來(lái)得出所述變形函數(shù)以便所述變形基本上不顯示出奇異性。
4.按照權(quán)利要求1所述的方法，其中所述進(jìn)行共軛梯度最大化的步驟包括通過(guò)對(duì)所述相似性量度的多個(gè)正則化梯度進(jìn)行合成來(lái)得出各個(gè)變形以便獲得所述變形函數(shù)。
5.按照權(quán)利要求1所述的方法，其中所述得出所述變形函數(shù)的步驟包括應(yīng)用算法 其中運(yùn)算符Gσ*表示與高斯內(nèi)核的卷積，S表示相似性量度，S表示S相對(duì)于φ的梯度，I1→R表示所述參考圖像，I2→R表示所述浮動(dòng)圖像，φΩ→R3表示使所述相似性量度最大化的所述變形， 表示函數(shù)的合成，以及εk是步長(zhǎng)大小，使該步長(zhǎng)大小足夠小，以確?？赡嫘浴?br> 6.按照權(quán)利要求5所述的方法，其中所述得出變形的步驟包括通過(guò)對(duì)與所述圖像的大小相比而言小的位移進(jìn)行合成來(lái)得出變形。
7.按照權(quán)利要求5所述的方法，其中所述得出變形的步驟包括通過(guò)對(duì)所述相似性量度的各個(gè)正則化梯度進(jìn)行合成來(lái)得出變形。
8.按照權(quán)利要求5所述的方法，其中所述扭曲的步驟包括計(jì)算與所述浮動(dòng)圖像合成在一起的所述變形。
9.按照權(quán)利要求5所述的方法，其中所述扭曲的步驟包括計(jì)算 其中I2→R表示所述浮動(dòng)圖像，φΩ→R3表示使所述相似性量度最大的所述變形，而 表示函數(shù)的合成。
10.按照權(quán)利要求9所述的方法，其中所述計(jì)算步驟包括在正被扭曲的所述浮動(dòng)圖像的每個(gè)體元處利用三線性內(nèi)插。
11.按照權(quán)利要求1所述的方法，其中所述獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)，該醫(yī)學(xué)成像技術(shù)包括磁共振成像(MRI)、X射線成像和CT掃描成像中的任何一種。
12.按照權(quán)利要求1所述的方法，其中所述獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)檢測(cè)乳腺癌的腫瘤和潛在腫瘤中的至少一種。
13.按照權(quán)利要求1所述的方法，其中所述獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)獲得指示可疑組織的圖像，與相鄰的非腫瘤組織相比，該可疑組織顯示出(a)對(duì)造影劑的更快速的吸入或灌入和(b)更快速的排出中的至少一種。
14.按照權(quán)利要求1所述的方法，包括利用所述經(jīng)過(guò)運(yùn)動(dòng)修正的圖像以通過(guò)比較在這種灌入和排出中的至少一種之前和之后所制作的病人的圖像來(lái)檢測(cè)可疑組織的步驟。
15.按照權(quán)利要求1所述的方法，其中所述共軛梯度最大化基于所述圖像中每個(gè)點(diǎn)周圍的相應(yīng)區(qū)域的局部互相關(guān)。
16.按照權(quán)利要求1所述的方法，其中所述合成標(biāo)準(zhǔn)包括通過(guò)對(duì)所述相似性量度的多個(gè)正則化梯度進(jìn)行合成來(lái)得出所述變形函數(shù)以便所述變形基本上不顯示出奇異性。
17.按照權(quán)利要求1所述的方法，其中所述進(jìn)行共軛梯度最大化的步驟包括通過(guò)對(duì)所述相似性量度的多個(gè)正則化梯度進(jìn)行合成來(lái)得出各個(gè)變形以便獲得所述變形函數(shù)。
18.一種用于通過(guò)從初始變形函數(shù)開(kāi)始計(jì)算變形函數(shù)來(lái)進(jìn)行參考圖像與初始浮動(dòng)圖像之間的圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒?，所述方法包?a)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(b)利用所述當(dāng)前變形函數(shù)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(c)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(d)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(e)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(f)(A)在第一次執(zhí)行這一步驟時(shí)，將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，并且(B)在這一步驟的后續(xù)迭代過(guò)程中，使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(g)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(h)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(i)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(j)轉(zhuǎn)到步驟(b)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(k)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
19.按照權(quán)利要求18所述的方法，其中所述迭代以低分辨率等級(jí)開(kāi)始并且以越來(lái)越高的分辨率繼續(xù)進(jìn)行。
20.按照權(quán)利要求18所述的方法，其中所述停止標(biāo)準(zhǔn)包括達(dá)到下列項(xiàng)中的至少一項(xiàng)所述步驟序列的預(yù)定的最大重復(fù)或迭代次數(shù)；所述梯度的預(yù)定下限；所述梯度的零點(diǎn)；和預(yù)定處理時(shí)間極限。
21.一種用于通過(guò)從初始變形函數(shù)開(kāi)始計(jì)算變形函數(shù)來(lái)進(jìn)行參考圖像與初始浮動(dòng)圖像之間的圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒?，所述方法包?a)獲得時(shí)間序列中的參考圖像和初始浮動(dòng)圖像；(b)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(c)利用所述當(dāng)前變形函數(shù)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(d)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(e)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(f)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(g)將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，(h)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(i)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(j)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(k)利用所述當(dāng)前變形函數(shù)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(l)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(m)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(n)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(o)使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(p)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(q)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(r)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(s)轉(zhuǎn)到步驟(k)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(t)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
22.按照權(quán)利要求21所述的方法，其中所述迭代以低分辨率等級(jí)開(kāi)始并且以越來(lái)越高的分辨率繼續(xù)進(jìn)行。
23.按照權(quán)利要求21所述的方法，其中所述停止標(biāo)準(zhǔn)包括達(dá)到下列項(xiàng)中的至少一項(xiàng)所述步驟序列的預(yù)定的最大重復(fù)或迭代次數(shù)；所述梯度的預(yù)定下限；所述梯度的零點(diǎn)；和預(yù)定處理時(shí)間極限。
24.按照權(quán)利要求21所述的方法，其中所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)，該醫(yī)學(xué)成像技術(shù)包括磁共振成像(MRI)、X射線成像和CT掃描成像中的任何一種。
25.按照權(quán)利要求21所述的方法，其中所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)檢測(cè)乳腺癌的腫瘤和潛在腫瘤中的至少一種。
26.按照權(quán)利要求21所述的方法，其中所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)獲得指示可疑組織的圖像，其中與相鄰的非腫瘤組織相比，該可疑組織顯示出對(duì)造影劑的更快速的吸入或灌入以及更快速的排出。
27.按照權(quán)利要求26所述的方法，包括利用所述經(jīng)過(guò)運(yùn)動(dòng)修正的最終的扭曲浮動(dòng)圖像以通過(guò)比較在這種灌入和/或排出之前和之后所制作的病人的圖像來(lái)檢測(cè)可疑組織的步驟。
28.按照權(quán)利要求26所述的方法，包括利用從下列項(xiàng)中的任何一項(xiàng)取得的所述圖像中的至少一個(gè)的步驟存儲(chǔ)介質(zhì)、計(jì)算機(jī)、無(wú)線電鏈路、因特網(wǎng)、紅外鏈路、聲學(xué)鏈路、掃描裝置和活體成像裝置。
29.一種用于進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒?，包括獲得參考圖像和初始浮動(dòng)圖像；利用給定的初始變形函數(shù)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；計(jì)算所述參考圖像與所述扭曲浮動(dòng)圖像中的各個(gè)相應(yīng)區(qū)域之間的局部互相關(guān)；基于所述局部互相關(guān)進(jìn)行相似性量度的共軛梯度最大化，以便通過(guò)利用共軛梯度優(yōu)化與位移的合成的組合得出所述相似性量度最大的變形函數(shù)，所述位移與所述圖像的大小相比而言是小的，由此在確?？赡嫘缘耐瑫r(shí)實(shí)現(xiàn)快速收斂，從而所述變形保持無(wú)奇異；以及利用所述后續(xù)變形函數(shù)使所述浮動(dòng)圖像扭曲，以便獲得經(jīng)過(guò)運(yùn)動(dòng)修正的圖像。
30.按照權(quán)利要求29所述的方法，包括在多分辨率金字塔的頂層上預(yù)置所述初始變形函數(shù)，該多分辨率金字塔具有給定數(shù)量的逐漸降低的圖像分辨率等級(jí)，其中最低分辨率等級(jí)在頂部；將所述變形函數(shù)外推到下一較低層；在所述下一較低層上確定下一較低變形函數(shù)；如果所述下一較低層是最低層，則利用在所述最低層上所確定的變形函數(shù)使所述浮動(dòng)圖像扭曲，而如果否，則進(jìn)行包括下列步驟的步驟循環(huán)將所述下一較低變形函數(shù)外推到下一更低層，以及在所述更低層上確定更低變形函數(shù)，按照需要重復(fù)進(jìn)行，直到達(dá)到最低層；以及利用在所述最低層上所確定的變形函數(shù)使所述浮動(dòng)圖像扭曲。
31.按照權(quán)利要求29所述的方法，包括通過(guò)逐漸減小在形成所述層時(shí)所使用的圖像平面的大小來(lái)形成所述逐漸降低的分辨率等級(jí)。
32.按照權(quán)利要求31所述的方法，包括通過(guò)使用用于將所述圖像平面的采樣頻率減半的低通濾波器來(lái)逐漸減小所述圖像平面的大小。
33.按照權(quán)利要求31所述的方法，其中所述進(jìn)行所述相似性量度的共軛梯度最大化的步驟包括利用共軛梯度優(yōu)化與位移的合成的組合，所述位移與所述圖像的大小相比而言是小的，由此在確保所述變形保持無(wú)奇異的同時(shí)實(shí)現(xiàn)快速收斂。
34.按照權(quán)利要求31所述的方法，其中所述進(jìn)行所述相似性量度的共軛梯度最大化的步驟包括利用共軛梯度優(yōu)化與位移的合成的組合，所述位移與所述圖像的大小相比而言是小的，由此在確保所述變形保持無(wú)奇異的同時(shí)實(shí)現(xiàn)快速收斂。
35.按照權(quán)利要求31所述的方法，其中所述進(jìn)行所述相似性量度的共軛梯度最大化的步驟包括利用共軛梯度優(yōu)化與所述相似性量度的各個(gè)正則化梯度的合成的組合，由此在確保所述變形保持無(wú)奇異的同時(shí)實(shí)現(xiàn)快速收斂。
36.按照權(quán)利要求29所述的方法，其中所述得出變形的步驟包括得出不顯示出奇異性的變形。
37.按照權(quán)利要求29所述的方法，其中所述得出變形函數(shù)的步驟包括應(yīng)用下列算法 其中運(yùn)算符Gσ*表示與高斯內(nèi)核的卷積，S表示相似性量度，S表示S相對(duì)于φ的梯度，I1→R表示所述參考圖像，I2→R表示所述浮動(dòng)圖像，φΩ→R3表示使所述相似性量度最大的所述變形， 表示函數(shù)的合成，以及εk是步長(zhǎng)大小，使該步長(zhǎng)大小足夠小，以確?？赡嫘?。
38.按照權(quán)利要求37所述的方法，其中所述得出變形的步驟包括通過(guò)對(duì)與所述圖像的大小相比而言小的位移進(jìn)行合成來(lái)得出變形。
39.按照權(quán)利要求37所述的方法，其中所述得出變形的步驟包括通過(guò)對(duì)所述相似性量度的各個(gè)正則化梯度進(jìn)行合成來(lái)得出變形。
40.按照權(quán)利要求37所述的方法，其中所述扭曲的步驟包括計(jì)算與所述浮動(dòng)圖像合成在一起的所述變形。
41.按照權(quán)利要求37所述的方法，其中所述扭曲的步驟包括計(jì)算 其中I2→R表示所述浮動(dòng)圖像，φΩ→R3表示使所述相似性量度最大的所述變形，而 表示函數(shù)的合成。
42.按照權(quán)利要求41所述的方法，其中所述計(jì)算步驟包括在正被扭曲的所述浮動(dòng)圖像的每個(gè)體元處利用三線性內(nèi)插。
43.按照權(quán)利要求29所述的方法，其中所述獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)，該醫(yī)學(xué)成像技術(shù)包括磁共振成像(MRI)、X射線成像和CT掃描成像中的任何一種。
44.按照權(quán)利要求29所述的方法，其中所述獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)檢測(cè)乳腺癌的腫瘤和潛在腫瘤中的至少一種。
45.按照權(quán)利要求29所述的方法，其中所述獲得參考圖像和浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)獲得指示可疑組織的圖像，其中與相鄰的非腫瘤組織相比，該可疑組織顯示出(a)對(duì)造影劑的更快速的吸入或灌入和(b)更快速的排出中的至少一種。
46.按照權(quán)利要求27所述的方法，包括利用所述經(jīng)過(guò)運(yùn)動(dòng)修正的圖像以通過(guò)比較在這種灌入和排出中的至少一種之前和之后所制作的病人的圖像來(lái)檢測(cè)可疑組織的步驟。
47.一種用于進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒ǎㄝ斎虢o定的圖像時(shí)間序列I1，...，Ii，...In；將所述時(shí)間序列的下標(biāo)為k的圖像選擇為參考圖像；以i＝1開(kāi)始，于是如果i不等于k，則通過(guò)下列步驟來(lái)進(jìn)行Ik與I之間的多分辨率運(yùn)動(dòng)修正進(jìn)行所述時(shí)間序列中的第一和第二圖像之間的相似性量度的共軛梯度最大化；通過(guò)結(jié)合合成標(biāo)準(zhǔn)利用所述梯度最大化來(lái)得出變形函數(shù)，以便確保所述變形函數(shù)的無(wú)奇異性；利用所述變形函數(shù)使所述第一和第二圖像之一扭曲；在這種修正之后，將J1定義為前述進(jìn)行多分辨率運(yùn)動(dòng)修正的步驟的輸出，直到在i等于k的情況下，將Ji定義為Ik并且將i遞增1，將遞增后的結(jié)果與n進(jìn)行比較在遞增后的結(jié)果小于或等于n的情況下，繼續(xù)重復(fù)進(jìn)行前述步驟，直到遞增后的結(jié)果大于n，并且因此終止所述步驟，由此得到各個(gè)經(jīng)過(guò)運(yùn)動(dòng)修正的圖像的序列J1，J2...Jn。
48.按照權(quán)利要求47所述的方法，其中所述多分辨率運(yùn)動(dòng)修正包括確定多分辨率金字塔所需要的層數(shù)；以最低分辨率頂層開(kāi)始下行到具有增大的分辨率的層來(lái)構(gòu)造所述多分辨率金字塔；在所述金字塔的頂層上將所述變形函數(shù)預(yù)置為零；沿著所述金字塔逐層向下地確定所述變形函數(shù)，在當(dāng)前層內(nèi)基于使用前述變形函數(shù)的預(yù)置并且按照下列步驟來(lái)確定當(dāng)前變形函數(shù)如果所述當(dāng)前層不是底層，則將所述當(dāng)前變形函數(shù)外推到下一較低層，在所述下一較低層上確定變形函數(shù)；以及當(dāng)?shù)竭_(dá)所述金字塔的底層時(shí)，利用所述下一較低層上的所述變形函數(shù)使所述浮動(dòng)圖像扭曲。
49.按照權(quán)利要求48所述的方法，其中所述確定所述變形函數(shù)的步驟包括計(jì)算所述參考圖像中的區(qū)域與所述浮動(dòng)圖像中的相應(yīng)的各個(gè)區(qū)域之間的局部互相關(guān)；確定所述參考圖像與所述浮動(dòng)圖像之間的相似性量度；以及根據(jù)所述局部互相關(guān)進(jìn)行所述相似性量度的共軛梯度最大化，以便得出所述相似性量度最大的變形函數(shù)。
50.按照權(quán)利要求49所述的方法，包括按照下式進(jìn)行圖像I1和I2之間的所述局部互相關(guān) 其中v1，2(x)、v1(x)和v2(x)分別是在x周圍I1和I2的強(qiáng)度的協(xié)方差和方差；所述局部互相關(guān)的一階方差定義由下式給出的梯度ICC(x)＝fCC(I(x)，x)I2(x)其中fCC(i，x)＝Gγ*LCC(i，x)，并且LCC(i,x)=v1,2(x)v2(x)(i1-μ1(x)v1(x))+JCC(x)(i2-μ2(x)v2(x)),]]>其中將函數(shù)LCC估算為L(zhǎng)CC(i，x)＝(G，*f2)(x)ii+(G*f2)(x)i2+(Gr*f3)(x)，其中f1(x)=v1,2(x)v1(x)v2(x),]]>f2(x)=Jcc(x)v2(x)]]>并且f3(x)＝f3(x)β3(x)+f2(x)β2(x)；以及所有所需要的包括μ1(x)的空間相關(guān)量都是通過(guò)與高斯內(nèi)核卷積來(lái)計(jì)算的。
51.按照權(quán)利要求48所述的方法，其中所述確定所述變形函數(shù)的步驟包括將k的初始值賦值為零；利用U使F扭曲，以獲得F；計(jì)算U和F之間的相似性量度；將G定義為相似性量度相對(duì)于Uk的梯度；如果GU非零并且k等于或大于1，則使GUk與GUk-1共軛；利用GUk與GUk-1的共軛來(lái)確定是否已經(jīng)找到了最佳步長(zhǎng)；如果已經(jīng)找到了最佳步長(zhǎng)，則用GUk更新Uk；確定是否k≥kmax；如果k≥kmax，則結(jié)束處理過(guò)程，并且如果否，則將k遞增1；使用k的遞增后的值，利用Uk使F扭曲，以獲得FU，之后再次進(jìn)行前述的用于計(jì)算相似性量度的步驟，以此類推；以及如果GU等于零，則結(jié)束處理過(guò)程，由此輸出是變形函數(shù)的改善的版本Uk。
52.按照權(quán)利要求48所述的方法，其中所述構(gòu)造所述多分辨率金字塔的步驟包括在構(gòu)造所述金字塔的過(guò)程中僅僅減小所述圖像的大小。
53.按照權(quán)利要求52所述的方法，其中所述在構(gòu)造所述金字塔的過(guò)程中僅僅減小所述圖像的大小的步驟包括使用被設(shè)計(jì)用于以最小的信息損失將采樣頻率減半的低通濾波器。
54.一種用于通過(guò)從初始變形函數(shù)開(kāi)始計(jì)算變形函數(shù)來(lái)進(jìn)行時(shí)間序列中的圖像之間的圖像運(yùn)動(dòng)補(bǔ)償?shù)姆椒?，所述方法包?a)獲得參考圖像和初始浮動(dòng)圖像；(b)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(c)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(d)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(e)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(f)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(g)(A)在第一次執(zhí)行這一步驟時(shí)，將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，并且(B)在這一步驟的后續(xù)迭代過(guò)程中，使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(h)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(i)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(j)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(k)轉(zhuǎn)到步驟(c)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(l)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
55.按照權(quán)利要求54所述的方法，其中所述預(yù)定的停止標(biāo)準(zhǔn)包括達(dá)到下列項(xiàng)中的至少一項(xiàng)所述步驟序列的預(yù)定的最大重復(fù)或迭代次數(shù)；所述梯度的預(yù)定下限；所述梯度的零點(diǎn)；和預(yù)定處理時(shí)間極限。
56.按照權(quán)利要求54所述的方法，包括以低分辨率等級(jí)開(kāi)始所述迭代并且以越來(lái)越高的分辨率繼續(xù)進(jìn)行。
57.按照權(quán)利要求54所述的方法，其中所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)，該醫(yī)學(xué)成像技術(shù)包括磁共振成像(MRI)、X射線成像和CT掃描成像中的任何一種。
58.按照權(quán)利要求57所述的方法，其中所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)檢測(cè)乳腺癌的腫瘤和潛在腫瘤中的至少一種。
59.按照權(quán)利要求57所述的方法，其中所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括利用醫(yī)學(xué)成像技術(shù)來(lái)獲得指示可疑組織的圖像，其中與相鄰的非腫瘤組織相比，可疑組織顯示出對(duì)造影劑的更快速的吸入(灌入)以及更快速的排出。
60.按照權(quán)利要求57所述的方法，包括利用所述經(jīng)過(guò)運(yùn)動(dòng)修正的圖像以通過(guò)比較在這種灌入和/或排出之前和之后所制作的病人的圖像來(lái)檢測(cè)可疑組織的步驟。
61.按照權(quán)利要求54所述的方法，其中所述獲得參考圖像和初始浮動(dòng)圖像的步驟包括從下列項(xiàng)中的任何一項(xiàng)中取得所述圖像中的至少一個(gè)存儲(chǔ)介質(zhì)、計(jì)算機(jī)、無(wú)線電鏈路、因特網(wǎng)、紅外鏈路、聲學(xué)鏈路、掃描裝置和活體成像裝置。
62.一種用于進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償?shù)南到y(tǒng)，包括存儲(chǔ)裝置，用于存儲(chǔ)程序和其它數(shù)據(jù)；和與所述存儲(chǔ)裝置進(jìn)行通信的處理器，所述處理器運(yùn)行所述程序以便執(zhí)行(a)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(b)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(c)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(d)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(e)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(f)(A)在第一次執(zhí)行這一步驟時(shí)，將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，并且(B)在這一步驟的后續(xù)迭代過(guò)程中，使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(g)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(h)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(i)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(j)轉(zhuǎn)到步驟(b)并且重復(fù)進(jìn)行，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(k)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
63.按照權(quán)利要求62所述的系統(tǒng)，包括以低分辨率等級(jí)開(kāi)始并且以越來(lái)越高的分辨率繼續(xù)進(jìn)行來(lái)執(zhí)行所述迭代。
64.按照權(quán)利要求62所述的系統(tǒng)，其中達(dá)到所述停止標(biāo)準(zhǔn)包括達(dá)到下列項(xiàng)中的至少一項(xiàng)所述步驟序列的預(yù)定的最大重復(fù)或迭代次數(shù)；所述梯度的預(yù)定下限；所述梯度的零點(diǎn)；和預(yù)定處理時(shí)間極限。
65.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)可用介質(zhì)，該計(jì)算機(jī)可用介質(zhì)具有記錄于其上的用于程序代碼的計(jì)算機(jī)程序邏輯，所述程序代碼通過(guò)以下方式來(lái)進(jìn)行圖像運(yùn)動(dòng)補(bǔ)償(a)將所述初始變形函數(shù)設(shè)置為當(dāng)前變形函數(shù)；(b)利用所述當(dāng)前變形函數(shù)來(lái)使所述初始浮動(dòng)圖像扭曲，以便獲得當(dāng)前扭曲浮動(dòng)圖像；(c)計(jì)算所述參考圖像與所述當(dāng)前扭曲浮動(dòng)圖像之間的當(dāng)前相似性量度；(d)計(jì)算所述當(dāng)前相似性量度相對(duì)于所述當(dāng)前變形函數(shù)的當(dāng)前梯度；(e)使所述當(dāng)前梯度正則化以便確保它的可逆性，從而獲得當(dāng)前正則化梯度；(f)(A)在第一次執(zhí)行這一步驟時(shí)，將所述當(dāng)前正則化梯度設(shè)置為當(dāng)前共軛梯度，并且(B)在這一步驟的后續(xù)迭代過(guò)程中，使所述當(dāng)前正則化梯度與所述當(dāng)前共軛梯度共軛，以便獲得后續(xù)共軛梯度；(g)將所述后續(xù)共軛梯度與所述當(dāng)前變形函數(shù)進(jìn)行合成，以便獲得后續(xù)變形函數(shù)；(h)將所述當(dāng)前變形函數(shù)設(shè)置為所述后續(xù)變形函數(shù)；(i)將所述當(dāng)前共軛梯度設(shè)置為所述后續(xù)共軛梯度；(j)轉(zhuǎn)到步驟(b)并且重復(fù)操作，直到達(dá)到預(yù)定的停止標(biāo)準(zhǔn)；以及(k)將當(dāng)前扭曲浮動(dòng)圖像定義為最終的扭曲浮動(dòng)圖像。
66.按照權(quán)利要求65所述的計(jì)算機(jī)程序產(chǎn)品，包括以低分辨率等級(jí)開(kāi)始并且以越來(lái)越高的分辨率繼續(xù)進(jìn)行來(lái)執(zhí)行所述迭代。
67.按照權(quán)利要求65所述的計(jì)算機(jī)程序產(chǎn)品，其中所述停止標(biāo)準(zhǔn)包括達(dá)到下列項(xiàng)中的至少一項(xiàng)所述步驟序列的預(yù)定的最大重復(fù)或迭代次數(shù)；所述梯度的預(yù)定下限；所述梯度的零點(diǎn)；和預(yù)定處理時(shí)間極限。
全文摘要
用于進(jìn)行圖像時(shí)間序列的運(yùn)動(dòng)補(bǔ)償?shù)姆椒ê拖到y(tǒng)包括根據(jù)相應(yīng)區(qū)域的局部互相關(guān)進(jìn)行兩個(gè)圖像之間的相似性量度的共軛梯度最大化，以獲得用于使圖像之一扭曲的位移場(chǎng)。變形的無(wú)奇異性是在建立解決方案時(shí)通過(guò)利用相似性量度的正則化梯度的合成來(lái)加以確保的。
文檔編號(hào)G06T11/00GK1989526SQ200580025158
公開(kāi)日2007年6月27日 申請(qǐng)日期2005年5月25日 優(yōu)先權(quán)日2004年5月25日
發(fā)明者G·H·巴拉德斯 申請(qǐng)人:美國(guó)西門(mén)子醫(yī)療解決公司