本發(fā)明涉及醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，更具體地，涉及一種腦圖譜與腦圖像的配準(zhǔn)方法及裝置。

背景技術(shù)：

目前，人們已經(jīng)可以獲得大腦解剖及大腦功能對(duì)應(yīng)的高維圖像，這些圖像給臨床診斷、外科手術(shù)的計(jì)劃及引導(dǎo)、疾病治療等醫(yī)療應(yīng)用場(chǎng)景帶來(lái)了革命性的變化。在這些應(yīng)用場(chǎng)景中，很重要的一點(diǎn)就是要確定重要區(qū)域，即醫(yī)生感興趣的區(qū)域位于圖像的哪個(gè)部位。過(guò)去醫(yī)生通常是從解剖書籍、圖譜及自身經(jīng)驗(yàn)來(lái)對(duì)感興趣區(qū)做出判斷，即使是經(jīng)驗(yàn)豐富的醫(yī)生也很難與患者的實(shí)際圖像聯(lián)系起來(lái)，更不用說(shuō)缺乏臨床經(jīng)驗(yàn)的醫(yī)生，而數(shù)字化腦圖譜可以很好的解決這一問(wèn)題。

數(shù)字化腦圖譜是通過(guò)某種特定掃描裝置獲取腦部數(shù)據(jù)，將腦部數(shù)據(jù)經(jīng)3d分割處理，加上解剖標(biāo)識(shí)再輔以3d可視化技術(shù)的結(jié)果。借助于數(shù)字腦圖譜，醫(yī)生可以在3d空間內(nèi)對(duì)人腦中感興趣區(qū)域進(jìn)行任意縮放、旋轉(zhuǎn)和平移，以能夠認(rèn)真細(xì)致地觀察，從而為相應(yīng)手術(shù)提供了重要的參考信息。另外，它也是神經(jīng)解剖教學(xué)的良好工具，使人們很容易了解各神經(jīng)解剖結(jié)構(gòu)間的空間關(guān)系。數(shù)字腦圖譜有詳細(xì)的解剖標(biāo)識(shí)，這一性質(zhì)使它可以作為圖像分割的標(biāo)準(zhǔn)模板，從而可對(duì)任何待分析腦圖像中的多個(gè)感興趣區(qū)域同時(shí)做特征描述。目前國(guó)內(nèi)外學(xué)者已經(jīng)開發(fā)出了一些數(shù)字化腦圖譜，比較有代表性的有有talairach腦圖譜，wholebrain腦圖譜，voxel-man腦圖譜，brainweb腦圖譜等。在使用數(shù)字化腦圖譜的時(shí)候，需要將腦圖譜配準(zhǔn)到病患者的腦圖像上，或?qū)⒉』颊叩哪X圖像配準(zhǔn)到腦圖譜上，這樣可以很方便地確定感興趣區(qū)域?qū)?yīng)在患者腦圖像上的位置。因此，如何對(duì)腦圖譜與腦圖像進(jìn)行配準(zhǔn)是個(gè)非常重要的問(wèn)題。其中，醫(yī)學(xué)圖像配準(zhǔn)是指對(duì)于一幅醫(yī)學(xué)圖像尋求一種或一系列空間變換，使它與另一幅醫(yī)學(xué)圖像上的對(duì)應(yīng)點(diǎn)達(dá)到空劇上的一致。這種一致是指人體上的同一解剖點(diǎn)在兩張匹配圖像上有相同的空間位置，配準(zhǔn)的結(jié)果應(yīng)使兩幅圖像上所有的解剖點(diǎn)，或至少是所有具有診斷意義的點(diǎn)及手術(shù)感興趣的點(diǎn)都達(dá)到匹配?，F(xiàn)有的配準(zhǔn)方法主要是對(duì)腦圖譜與腦圖像進(jìn)行非剛體配準(zhǔn)。其中，非剛體配準(zhǔn)主要是計(jì)算變形場(chǎng)，變形場(chǎng)通常需要用很多參數(shù)來(lái)表示，一般情況下使用默認(rèn)參數(shù)表示變形場(chǎng)。通過(guò)變形場(chǎng)對(duì)腦圖譜進(jìn)行變換，再將變換后的腦圖譜與腦圖像進(jìn)行配準(zhǔn)。

在實(shí)現(xiàn)本發(fā)明的過(guò)程中，發(fā)現(xiàn)現(xiàn)有技術(shù)至少存在以下問(wèn)題：由于在進(jìn)行非剛體配準(zhǔn)時(shí)主要是使用默認(rèn)參數(shù)來(lái)表示變形場(chǎng)，而默認(rèn)參數(shù)很容易導(dǎo)致失配。因此，配準(zhǔn)精度較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種克服上述問(wèn)題或者至少部分地解決上述問(wèn)題的腦圖譜與腦圖像的配準(zhǔn)方法及裝置。

根據(jù)本發(fā)明的一方面，提供了一種腦圖譜與腦圖像的配準(zhǔn)方法，該方法包括：

基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型；

基于變形場(chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜；

將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。

根據(jù)本發(fā)明的另一方面，提供了一種腦圖譜與腦圖像的配準(zhǔn)裝置，該裝置包括：

建立模塊，用于基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型；

變換模塊，用于基于變形場(chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜；

配準(zhǔn)模塊，用于將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。

本申請(qǐng)?zhí)岢龅募夹g(shù)方案帶來(lái)的有益效果是：

通過(guò)基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型?；谧冃螆?chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜。將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。由于參考了大量的訓(xùn)練腦圖像信息，即利用統(tǒng)計(jì)原理，對(duì)n個(gè)訓(xùn)練腦圖像的信息進(jìn)行統(tǒng)計(jì)來(lái)優(yōu)化變形場(chǎng)模型，并基于優(yōu)化的變形場(chǎng)模型對(duì)腦圖譜進(jìn)行變換，再將變換的腦圖譜與目標(biāo)腦圖像進(jìn)行配準(zhǔn)，從而提高了配準(zhǔn)精度，并提高了配準(zhǔn)成功率。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例的一種腦圖譜與腦圖像的配準(zhǔn)方法的流程示意圖；

圖2為本發(fā)明實(shí)施例的一種腦圖譜與腦圖像的配準(zhǔn)方法的流程示意圖；

圖3為本發(fā)明實(shí)施例的一種腦圖譜與腦圖像的配準(zhǔn)裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說(shuō)明本發(fā)明，但不用來(lái)限制本發(fā)明的范圍。

目前已經(jīng)開發(fā)的代表性數(shù)字化腦圖譜包括talairach腦圖譜、wholebrain腦圖譜、voxel-man腦圖譜及brainweb腦圖譜等。這些腦圖譜已經(jīng)過(guò)三維分割處理，并加入了解剖標(biāo)識(shí)。通過(guò)將腦圖譜與臨床獲取的腦圖像進(jìn)行非剛體配準(zhǔn)，醫(yī)生可以很快將感興趣區(qū)域與患者的腦圖像聯(lián)系起來(lái)，這對(duì)疾病的診斷及手術(shù)方案的制定都非常有用。

現(xiàn)有的配準(zhǔn)方法主要是對(duì)腦圖譜與腦圖像進(jìn)行非剛體配準(zhǔn)。其中，非剛體配準(zhǔn)主要是計(jì)算變形場(chǎng)，變形場(chǎng)通常需要用很多參數(shù)來(lái)表示，一般情況下使用默認(rèn)參數(shù)表示變形場(chǎng)。通過(guò)變形場(chǎng)對(duì)腦圖譜進(jìn)行變換，再將變換后的腦圖譜與腦圖像進(jìn)行配準(zhǔn)。由于在進(jìn)行非剛體配準(zhǔn)時(shí)，是使用默認(rèn)參數(shù)來(lái)表示變形場(chǎng)，而默認(rèn)參數(shù)很容易導(dǎo)致失配。因此，配準(zhǔn)精度較低。

針對(duì)現(xiàn)有技術(shù)中的問(wèn)題，本發(fā)明實(shí)施例提供了一種腦圖譜與腦圖像的配準(zhǔn)方法。參見圖1，該方法包括：101、基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型；102、基于變形場(chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜；103、將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。

本發(fā)明實(shí)施例提供的方法，通過(guò)基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型?；谧冃螆?chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜。將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。由于參考了大量的訓(xùn)練腦圖像信息，即利用統(tǒng)計(jì)原理，對(duì)n個(gè)訓(xùn)練腦圖像的信息進(jìn)行統(tǒng)計(jì)來(lái)優(yōu)化變形場(chǎng)模型，并基于優(yōu)化的變形場(chǎng)模型對(duì)腦圖譜進(jìn)行變換，再將變換的腦圖譜與目標(biāo)腦圖像進(jìn)行配準(zhǔn)，從而提高了配準(zhǔn)精度，并提高了配準(zhǔn)成功率。

作為一種可選實(shí)施例，基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型，包括：

基于仿射配準(zhǔn)，將每一訓(xùn)練腦圖像歸一化至腦圖譜，得到相應(yīng)的腦圖譜空間及n個(gè)仿射配準(zhǔn)后的訓(xùn)練腦圖像；

將每一仿射配準(zhǔn)后的訓(xùn)練腦圖像與腦圖譜進(jìn)行非剛體配準(zhǔn)，得到n個(gè)變形場(chǎng)，每一仿射配準(zhǔn)后的腦圖像對(duì)應(yīng)一個(gè)變形場(chǎng)，腦圖譜空間中包含n個(gè)變形場(chǎng)；

基于腦圖譜空間及n個(gè)變形場(chǎng)，建立變形場(chǎng)模型。

作為一種可選實(shí)施例，基于腦圖譜空間及n個(gè)變形場(chǎng)，建立變形場(chǎng)模型，包括：

按照預(yù)設(shè)方式，對(duì)腦圖譜空間進(jìn)行劃分，得到相應(yīng)數(shù)量的訓(xùn)練子長(zhǎng)方體；

按照預(yù)設(shè)長(zhǎng)度分別對(duì)每一訓(xùn)練子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含n個(gè)子變形場(chǎng)；

根據(jù)每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含的n個(gè)子變形場(chǎng)，建立每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型。

作為一種可選實(shí)施例，根據(jù)每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含的n個(gè)子變形場(chǎng)，建立每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，包括：

對(duì)于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的任一子變形場(chǎng)，將任一子變形場(chǎng)中每一矢量在三個(gè)維度上的分量按照順序存儲(chǔ)至對(duì)應(yīng)的一維數(shù)組中，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含n個(gè)子變形場(chǎng)，每一子變形場(chǎng)對(duì)應(yīng)一個(gè)一維數(shù)組，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)一維數(shù)組的數(shù)量為n個(gè)；

基于主成份分析，根據(jù)任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，建立任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型。

作為一種可選實(shí)施例，基于主成份分析，根據(jù)任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，建立任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，包括：

基于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，計(jì)算特征值及對(duì)應(yīng)的特征向量；

按照從大到小的順序?qū)λ刑卣髦颠M(jìn)行排序，選取前預(yù)設(shè)數(shù)量個(gè)特征值；

基于前預(yù)設(shè)數(shù)量個(gè)特征值及對(duì)應(yīng)的特征向量，建立任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)一個(gè)變形場(chǎng)模型，每一變形場(chǎng)模型包括變形場(chǎng)參數(shù)。

作為一種可選實(shí)施例，基于變形場(chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜，包括：

基于仿射配準(zhǔn)，將目標(biāo)腦圖像歸一化至腦圖譜，得到相應(yīng)的目標(biāo)腦圖譜空間；

按照預(yù)設(shè)方式，對(duì)目標(biāo)腦圖譜空間進(jìn)行劃分，得到相應(yīng)數(shù)量的子長(zhǎng)方體，每一子長(zhǎng)方體與每一訓(xùn)練子長(zhǎng)方體一一對(duì)應(yīng)；

按照預(yù)設(shè)長(zhǎng)度分別對(duì)每一子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大，每一擴(kuò)大后的子長(zhǎng)方體與每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體一一對(duì)應(yīng)，每一擴(kuò)大后的子長(zhǎng)方體中包含腦圖譜的一個(gè)分塊腦圖譜及目標(biāo)腦圖像的一個(gè)分塊目標(biāo)腦圖像；

基于目標(biāo)腦圖像、每一擴(kuò)大后的子長(zhǎng)方體及每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜。

作為一種可選實(shí)施例，基于目標(biāo)腦圖像及每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜，包括：

對(duì)于任一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，基于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的任一變形場(chǎng)模型，對(duì)任一擴(kuò)大后的子長(zhǎng)方體中包含的分塊腦圖譜進(jìn)行變換，任一變形場(chǎng)模型中包括變形場(chǎng)參數(shù)；

根據(jù)變換后的分塊腦圖譜，確定任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型；

基于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，獲取腦圖譜進(jìn)行最優(yōu)變換后的腦圖譜。

作為一種可選實(shí)施例，根據(jù)變換后的分塊腦圖譜，確定任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，包括：

計(jì)算變換后的分塊腦圖譜與任一擴(kuò)大后的子長(zhǎng)方體中包含的分塊目標(biāo)腦圖像之間的相似性度量；

根據(jù)不同變形場(chǎng)參數(shù)對(duì)應(yīng)的相似性度量，確定最大相似性度量，將最大相似度量對(duì)應(yīng)的變形場(chǎng)參數(shù)作為最優(yōu)變形場(chǎng)參數(shù)；

根據(jù)最優(yōu)變形場(chǎng)參數(shù)，確定任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型。

作為一種可選實(shí)施例，基于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，獲取腦圖譜進(jìn)行最優(yōu)變換后的腦圖譜，包括：

基于每一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，獲取每一擴(kuò)大后的子長(zhǎng)方體中進(jìn)行最優(yōu)變換后的分塊腦圖譜；

對(duì)每一最優(yōu)變換后的分塊腦圖譜中不重疊的部分進(jìn)行整合，得到最優(yōu)變換后的腦圖譜。

上述所有可選技術(shù)方案，可以采用任意結(jié)合形成本發(fā)明的可選實(shí)施例，在此不再一一贅述。

基于上述圖1對(duì)應(yīng)實(shí)施例提供的方法，本發(fā)明實(shí)施例提供了一種腦圖譜與腦圖像的配準(zhǔn)方法。參見圖2，該方法包括：201、選取腦圖譜及n個(gè)訓(xùn)練腦圖像；202、基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型；203、基于變形場(chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜；204、將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。

其中，201、選取腦圖譜及n個(gè)訓(xùn)練腦圖像。

本步驟中的腦圖譜為三維數(shù)字化腦圖譜，訓(xùn)練腦圖像為三維腦圖像。在選取腦圖譜時(shí)，可任意選取現(xiàn)有任意一種腦圖譜，如talairach腦圖譜、wholebrain腦圖譜、voxel-man腦圖譜或brainweb腦圖譜中的任意一種，本實(shí)施例對(duì)此不作具體限定。n代表選取的訓(xùn)練腦圖像數(shù)量，n可以根據(jù)需求進(jìn)行設(shè)置，本實(shí)施例不對(duì)選取的訓(xùn)練腦圖像數(shù)量作具體限定。其中，n個(gè)訓(xùn)練腦圖像中每個(gè)訓(xùn)練腦圖像的大小尺寸一致。

其中，202、基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型。

在選取腦圖譜及n個(gè)訓(xùn)練腦圖像之后，由于后續(xù)需要根據(jù)變形場(chǎng)，對(duì)腦圖譜進(jìn)行變換，從而在本步驟中可先建立變形場(chǎng)模型。本實(shí)施例不對(duì)基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型的方式作具體限定，包括但不限于：基于仿射配準(zhǔn)，將每一訓(xùn)練腦圖像歸一化至腦圖譜，得到相應(yīng)的腦圖譜空間及n個(gè)仿射配準(zhǔn)后的訓(xùn)練腦圖像；將每一仿射配準(zhǔn)后的訓(xùn)練腦圖像與腦圖譜進(jìn)行非剛體配準(zhǔn)，得到n個(gè)變形場(chǎng)，每一仿射配準(zhǔn)后的腦圖像對(duì)應(yīng)一個(gè)變形場(chǎng)，腦圖譜空間中包含n個(gè)變形場(chǎng)；基于腦圖譜空間及n個(gè)變形場(chǎng)，建立變形場(chǎng)模型。

由于腦圖譜與訓(xùn)練腦圖像之間的大小尺寸可能會(huì)不一致、兩者間像素點(diǎn)數(shù)量也可能不一致或者兩者像素點(diǎn)之間可能不一一對(duì)應(yīng)，這不便于后續(xù)做進(jìn)一步處理，從而在上述過(guò)程中，可先將腦圖譜與n個(gè)訓(xùn)練腦圖像進(jìn)行仿射配準(zhǔn)，將每一訓(xùn)練腦圖像歸一化至腦圖譜，以讓每一訓(xùn)練腦圖像與腦圖譜大小尺寸一致，兩者間像素點(diǎn)一一對(duì)應(yīng)。通過(guò)仿射配準(zhǔn)的過(guò)程，還可得到相應(yīng)的腦圖譜空間。其中，腦圖譜空間為長(zhǎng)方體空間，腦圖譜空間中包括腦圖譜及n個(gè)仿射配準(zhǔn)后的訓(xùn)練腦圖像。例如，以選取的腦圖譜為i(腦圖譜大小為nx×ny×nz)，選取的n個(gè)訓(xùn)練腦圖像為mi(0＜i＜n)為例。采用仿射配準(zhǔn)，可將mi配準(zhǔn)到腦圖譜i，從而可得到仿射配準(zhǔn)后的訓(xùn)練腦圖譜圖像另外，形成的腦圖譜空間包括腦圖譜i及n個(gè)仿射配準(zhǔn)后的訓(xùn)練腦圖像

通過(guò)對(duì)腦圖譜與n個(gè)訓(xùn)練腦圖像進(jìn)行仿射配準(zhǔn)，使得腦圖譜與n個(gè)訓(xùn)練腦圖像之間尺寸大小一致后，可將每一仿射配準(zhǔn)后的訓(xùn)練腦圖像與腦圖譜進(jìn)行非剛體配準(zhǔn)，從而得到n個(gè)變形場(chǎng)。其中，每一仿射配準(zhǔn)后的腦圖像對(duì)應(yīng)一個(gè)變形場(chǎng)。對(duì)于一個(gè)仿射配準(zhǔn)后的腦圖像中的一個(gè)像素點(diǎn)來(lái)說(shuō)，在腦圖譜空間中，該像素點(diǎn)與腦圖譜中對(duì)應(yīng)像素點(diǎn)之間位置可以形成一個(gè)矢量?；谏鲜鰞?nèi)容，在腦圖譜空間中，該仿射配準(zhǔn)后的腦圖像中每一像素點(diǎn)都會(huì)對(duì)應(yīng)一個(gè)矢量，從而這些矢量的合集即為該仿射配準(zhǔn)后的腦圖像對(duì)應(yīng)的變形場(chǎng)。相應(yīng)地，n個(gè)仿射配準(zhǔn)的腦圖像可對(duì)應(yīng)n個(gè)變形場(chǎng)，從而腦圖譜空間中可包含n個(gè)變形場(chǎng)。

另外，上述過(guò)程中的非剛體配準(zhǔn)方法可以為ants配準(zhǔn)、b樣條配準(zhǔn)或hammer配準(zhǔn)中的任意一種方法，本實(shí)施例對(duì)此不作具體限定。例如，將每一仿射配準(zhǔn)后的訓(xùn)練腦圖像與腦圖譜i進(jìn)行非剛體配準(zhǔn)，可得到一系列的變形場(chǎng)fi(0＜i＜n)。

在得到腦圖譜空間及n個(gè)變形場(chǎng)之后，可基于腦圖譜空間及n個(gè)變形場(chǎng)，建立變形場(chǎng)模型。其中，建立變形場(chǎng)模型主要是利用統(tǒng)計(jì)原理，對(duì)n個(gè)變形場(chǎng)的信息進(jìn)行統(tǒng)計(jì)，從而可將n個(gè)訓(xùn)練腦圖像作參考以建立較優(yōu)的變形場(chǎng)模型，進(jìn)而以提高后續(xù)配準(zhǔn)的精度及成功率。本實(shí)施例不對(duì)基于腦圖譜空間及n個(gè)變形場(chǎng)，建立變形場(chǎng)模型的方式作具體限定，包括但不限于：按照預(yù)設(shè)方式，對(duì)腦圖譜空間進(jìn)行劃分，得到相應(yīng)數(shù)量個(gè)的訓(xùn)練子長(zhǎng)方體；按照預(yù)設(shè)長(zhǎng)度分別對(duì)每一訓(xùn)練子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含n個(gè)子變形場(chǎng)；根據(jù)每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含的n個(gè)子變形場(chǎng)，建立每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型。

由于腦圖譜及腦圖像中像素點(diǎn)數(shù)量較多，從而在n個(gè)變形場(chǎng)中每個(gè)變形場(chǎng)包含的矢量數(shù)量也較多。若同時(shí)對(duì)n個(gè)變形場(chǎng)的數(shù)據(jù)進(jìn)行處理，需要處理的數(shù)據(jù)量很大，處理時(shí)間可能會(huì)較長(zhǎng)。為了解決這個(gè)問(wèn)題，可將腦圖譜空間劃分為一個(gè)個(gè)小的子空間。子空間中包含著n個(gè)子變形場(chǎng)，n個(gè)子變形場(chǎng)中的數(shù)據(jù)量要遠(yuǎn)遠(yuǎn)小于n個(gè)變形場(chǎng)中的數(shù)據(jù)量。通過(guò)并行對(duì)n個(gè)子變形場(chǎng)的數(shù)據(jù)進(jìn)行處理，能夠縮短處理時(shí)間。其中，腦圖譜空間為一個(gè)長(zhǎng)方體空間，在將腦圖譜空間進(jìn)行劃分后，可得到相應(yīng)數(shù)量的訓(xùn)練子長(zhǎng)方體，即劃分后的子空間。

在對(duì)腦圖譜空間進(jìn)行劃分時(shí)，劃分的預(yù)設(shè)方式可以為基于腦圖譜空間的長(zhǎng)寬高，按照預(yù)設(shè)長(zhǎng)寬高對(duì)腦圖譜空間進(jìn)行劃分，得到相應(yīng)數(shù)量的訓(xùn)練子長(zhǎng)方體。需要說(shuō)明的是，劃分得到的每個(gè)訓(xùn)練子長(zhǎng)方體大小相同。另外，任訓(xùn)練子長(zhǎng)方體之間不重疊且緊密相連。在將腦圖譜空間劃分為大小相同、不重疊且緊密相連的訓(xùn)練子長(zhǎng)方體后，后續(xù)基于每一訓(xùn)練子長(zhǎng)方體中包含的子變形場(chǎng)，可建立對(duì)應(yīng)的變形場(chǎng)模型。由于在劃分子長(zhǎng)方體時(shí)，劃分的訓(xùn)練子長(zhǎng)方體之間緊密相連，從而訓(xùn)練子長(zhǎng)方體的邊緣部分也可能會(huì)包含腦圖譜或仿射配準(zhǔn)后的訓(xùn)練腦圖像中的像素點(diǎn)。由于像素點(diǎn)對(duì)應(yīng)著該訓(xùn)練子長(zhǎng)方體中包含的子變形場(chǎng)對(duì)應(yīng)的矢量，從而兩個(gè)鄰接的訓(xùn)練子長(zhǎng)方體中包含的子變形場(chǎng)可能會(huì)包含相同的矢量，即對(duì)于兩個(gè)鄰接的訓(xùn)練子長(zhǎng)方體，兩者分別包含的子變形場(chǎng)之間可能會(huì)存在干擾。

為了去除子變形場(chǎng)之間的干擾，可將每一訓(xùn)練子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大，從而讓訓(xùn)練子長(zhǎng)方體之間重疊，以避免邊緣部分子變形場(chǎng)之間的干擾。本實(shí)施例不對(duì)擴(kuò)大訓(xùn)練子長(zhǎng)方體的方式作具體限定，包括但不限于按照預(yù)設(shè)長(zhǎng)度分別對(duì)每一訓(xùn)練子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大。例如，以每一訓(xùn)練子長(zhǎng)方體的大小為bx×by×bz，預(yù)設(shè)長(zhǎng)度2b為例。bx為訓(xùn)練子長(zhǎng)方體的長(zhǎng)，by為訓(xùn)練子長(zhǎng)方體的寬，bz為訓(xùn)練子長(zhǎng)方體的高。其中，bx＜nx，by＜ny，bz＜nz。nx、ny及nz分別為腦圖譜所在的腦圖譜空間對(duì)應(yīng)的長(zhǎng)寬高。將訓(xùn)練子長(zhǎng)方體的長(zhǎng)寬高擴(kuò)大2b，擴(kuò)大后的訓(xùn)練子長(zhǎng)方體的大小為(bx+2b)×(by+2b)×(bz+2b)。每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含n個(gè)子變形場(chǎng)fi，i＝1，...，n。

在對(duì)每一訓(xùn)練子長(zhǎng)方體進(jìn)行擴(kuò)大后，對(duì)于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，可根據(jù)其包含的n個(gè)子變形場(chǎng)，建立其對(duì)應(yīng)的變形場(chǎng)模型。本實(shí)施例不對(duì)根據(jù)每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含的n個(gè)子變形場(chǎng)，建立每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型的方式作具體限定，包括但不限于：對(duì)于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的任一子變形場(chǎng)，將任一子變形場(chǎng)中每一矢量在三個(gè)維度上的分量按照順序存儲(chǔ)至對(duì)應(yīng)的一維數(shù)組中，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含n個(gè)子變形場(chǎng)，每一子變形場(chǎng)對(duì)應(yīng)一個(gè)一維數(shù)組，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)一維數(shù)組的數(shù)量為n個(gè)；基于主成份分析，根據(jù)任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，建立任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型。

由上述內(nèi)容可知，變形場(chǎng)中包含的主要為腦圖譜中像素點(diǎn)與腦圖像中像素點(diǎn)之間矢量。在對(duì)腦圖譜空間進(jìn)行分塊，并對(duì)分塊進(jìn)行擴(kuò)大后，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中都會(huì)包含n個(gè)子變形場(chǎng)。由于n個(gè)子變形場(chǎng)中包含大量矢量，從而即使對(duì)腦圖譜空間進(jìn)行了分塊，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體還是會(huì)包含大量矢量。相應(yīng)地，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體包含的待處理數(shù)據(jù)依然很多，維度較高。為了縮短后續(xù)處理數(shù)據(jù)時(shí)的處理時(shí)間，可對(duì)每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含的待處理數(shù)據(jù)進(jìn)行降維，以減少待處理的數(shù)據(jù)量。

為了便于降維處理，對(duì)于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的任一子變形場(chǎng)，可將該子變形場(chǎng)中每一矢量在三個(gè)維度上的分量按照順序存儲(chǔ)至對(duì)應(yīng)的一維數(shù)組中。由于變形場(chǎng)主要是矢量集合，從而為了便于說(shuō)明，一維數(shù)組也可以用fi，i＝1，...，n進(jìn)行表示。例如，以一個(gè)子變形場(chǎng)中包含n個(gè)矢量，包含的n個(gè)矢量分別為(x1，y1，z1)、(x2，y2，z2)……(xn，yn，zn)為例。將該子變形場(chǎng)中n個(gè)矢量在三個(gè)維度上的分量按照順序存儲(chǔ)至對(duì)應(yīng)的一維數(shù)組fi[3n]中，該數(shù)組中的元素為fi[x1，y1，z1，x2，y2，z2，……，xn，yn，zn]，數(shù)組中元素的數(shù)量為3*n即3n個(gè)。按照上述方式，對(duì)于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，在該擴(kuò)大后的訓(xùn)練子長(zhǎng)方體包含的n個(gè)子變形場(chǎng)中，每一子變形場(chǎng)都對(duì)應(yīng)一個(gè)一維數(shù)組。

對(duì)于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，在得到每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組后，可對(duì)n個(gè)一維數(shù)組對(duì)應(yīng)的數(shù)據(jù)進(jìn)行降維。根據(jù)降維后的數(shù)據(jù)，可建立每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型。其中，在對(duì)數(shù)據(jù)進(jìn)行降維時(shí)，可采用pca(principalcomponentanalysis，主成份分析)的方式，本實(shí)施例對(duì)此不作具體限定。

對(duì)于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，本實(shí)施例不對(duì)基于主成份分析，根據(jù)任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，建立任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型的方式作具體限定，包括但不限于：基于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，計(jì)算特征值及對(duì)應(yīng)的特征向量；按照從大到小的順序?qū)λ刑卣髦颠M(jìn)行排序，選取前預(yù)設(shè)數(shù)量個(gè)特征值；基于前預(yù)設(shè)數(shù)量個(gè)特征值及對(duì)應(yīng)的特征向量，建立任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)一個(gè)變形場(chǎng)模型，每一變形場(chǎng)模型包括變形場(chǎng)參數(shù)。

例如，對(duì)于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，對(duì)于該擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，可先計(jì)算n個(gè)一維數(shù)組的均值。n個(gè)一維數(shù)組的均值可參考如下算式(1)：

對(duì)于n個(gè)一維數(shù)組中每個(gè)一維數(shù)組，可計(jì)算每個(gè)一維數(shù)組與均值之間的差值這樣差值的數(shù)量為n個(gè)?；谒械牟钪担蓸?gòu)建一個(gè)矩陣：相應(yīng)地，可構(gòu)建d的相關(guān)矩陣，具體過(guò)程可參考如下算式(2)：

由于該相關(guān)矩陣的數(shù)據(jù)量不是很大，從而可以直接計(jì)算該相關(guān)矩陣對(duì)應(yīng)的特征值λi及對(duì)應(yīng)的特征向量ei。其中，i＝1、2、……、n，n＝(bx+2b)×(by+2b)×(bz+2b)×3。由于上述計(jì)算得到的一系列特征值中數(shù)值較大的特征值及對(duì)應(yīng)的特征向量能夠較充分地描述變形場(chǎng)，從而為了減少后續(xù)計(jì)算量，可按照從大到小的順序?qū)λ刑卣髦颠M(jìn)行排序，選取前預(yù)設(shè)數(shù)量個(gè)特征值，即數(shù)值較大的前預(yù)設(shè)數(shù)量個(gè)特征值。

基于前預(yù)設(shè)數(shù)量個(gè)特征值及對(duì)應(yīng)的特征向量，可建立該擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，變形場(chǎng)模型可參考如下算式(3)：

在上述算式(3)中，為上述算式(1)中求出的均值，即該擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中n個(gè)一維數(shù)組的均值。t為預(yù)設(shè)數(shù)量，即按照大小排序，選取了前t個(gè)較大的特征值。ci為變形場(chǎng)參數(shù)，每一特征值對(duì)應(yīng)一個(gè)變形場(chǎng)參數(shù)。其中，t＜＜n，即通過(guò)主成份分析對(duì)數(shù)據(jù)進(jìn)行降維，很大程度上減少了后續(xù)的計(jì)算量。另外，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體都對(duì)應(yīng)的一個(gè)變形場(chǎng)模型。

其中，203、基于變形場(chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜。

通過(guò)上述步驟201至步驟202，可得到腦圖譜空間中擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，并可以得到擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型?；谧冃螆?chǎng)模型，可對(duì)腦圖譜進(jìn)行變換，以便后續(xù)將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行配準(zhǔn)。本實(shí)施例不對(duì)基于變形場(chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜的方式作具體限定，包括但不限于：基于仿射配準(zhǔn)，將目標(biāo)腦圖像歸一化至腦圖譜，得到相應(yīng)的目標(biāo)腦圖譜空間；按照預(yù)設(shè)方式，對(duì)目標(biāo)腦圖譜空間進(jìn)行劃分，得到相應(yīng)數(shù)量的子長(zhǎng)方體，每一子長(zhǎng)方體與每一訓(xùn)練子長(zhǎng)方體一一對(duì)應(yīng)；按照預(yù)設(shè)長(zhǎng)度分別對(duì)每一子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大，每一擴(kuò)大后的子長(zhǎng)方體與每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體一一對(duì)應(yīng)，每一擴(kuò)大后的子長(zhǎng)方體中包含腦圖譜的一個(gè)分塊腦圖譜及目標(biāo)腦圖像的一個(gè)分塊目標(biāo)腦圖像；基于目標(biāo)腦圖像、每一擴(kuò)大后的子長(zhǎng)方體及每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜。

由于上述步驟201至步驟202在建立變形場(chǎng)模型時(shí)，是基于仿射配準(zhǔn)、劃分腦圖譜空間以及對(duì)劃分的子長(zhǎng)方體進(jìn)行擴(kuò)大等一系列前提條件，從而在本步驟中對(duì)腦圖譜進(jìn)行變換時(shí)，也要作同樣的處理。其中，目標(biāo)腦圖像即為實(shí)際需要與腦圖譜進(jìn)行非剛體配準(zhǔn)的腦圖像。在基于仿射配準(zhǔn)，將目標(biāo)腦圖像歸一化至腦圖譜時(shí)，可參考上述步驟202中的過(guò)程。在進(jìn)行仿射配準(zhǔn)后，可得到相應(yīng)的目標(biāo)腦圖譜空間。例如，以待配準(zhǔn)的目標(biāo)腦圖像為j為例。將目標(biāo)腦圖像j與腦圖譜i做仿射配準(zhǔn)，可得到仿射配準(zhǔn)后的目標(biāo)腦圖像j^a。

在得到目標(biāo)腦圖譜空間后，可將目標(biāo)腦圖譜空間進(jìn)行劃分。在劃分目標(biāo)腦圖譜空間時(shí)，可按照步驟202中相同的預(yù)設(shè)方式，將目標(biāo)腦圖譜空間劃分為相應(yīng)數(shù)量的子長(zhǎng)方體。其中，本步驟劃分的子長(zhǎng)方體數(shù)量與上述步驟202中劃分的訓(xùn)練子長(zhǎng)方體數(shù)量一致。由于都是按照預(yù)設(shè)方式對(duì)腦圖譜空間進(jìn)行劃分，從而在相同的位置上，每一訓(xùn)練子長(zhǎng)方體與每一子長(zhǎng)方體一一對(duì)應(yīng)。

在將目標(biāo)腦圖譜空間劃分為相應(yīng)數(shù)量的子長(zhǎng)方體后，可按照上述步驟202中相同的預(yù)設(shè)長(zhǎng)度，對(duì)子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大。其中，每一擴(kuò)大后的子長(zhǎng)方體與每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體一一對(duì)應(yīng)。另外，由于是對(duì)目標(biāo)腦圖譜空間進(jìn)行劃分，而目標(biāo)腦圖譜空間中包含著腦圖譜及仿射配準(zhǔn)后的目標(biāo)腦圖像，從而劃分的子長(zhǎng)方體中包含腦圖譜的一個(gè)分塊腦圖譜及目標(biāo)腦圖像的一個(gè)分塊目標(biāo)腦圖像。相應(yīng)地，擴(kuò)大后的子長(zhǎng)方體也包含腦圖譜的一個(gè)分塊腦圖譜及目標(biāo)腦圖像的一個(gè)分塊目標(biāo)腦圖像。由于對(duì)子長(zhǎng)方體進(jìn)行了擴(kuò)大，從而擴(kuò)大后的子長(zhǎng)方體包含的數(shù)據(jù)量要大一些。

在得到擴(kuò)大后的子長(zhǎng)方體后，可基于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，對(duì)腦圖譜進(jìn)行變換。本實(shí)施例不對(duì)基于目標(biāo)腦圖像、每一擴(kuò)大后的子長(zhǎng)方體及每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜的方式作具體限定，包括但不限于：對(duì)于任一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，基于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的任一變形場(chǎng)模型，對(duì)任一擴(kuò)大后的子長(zhǎng)方體中包含的分塊腦圖譜進(jìn)行變換，任一變形場(chǎng)模型中包括變形場(chǎng)參數(shù)；根據(jù)變換后的分塊腦圖譜，確定任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型；基于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，獲取腦圖譜進(jìn)行最優(yōu)變換后的腦圖譜。

由上述步驟202中算式(3)可知，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型中包含未知的變形場(chǎng)參數(shù)。不同的變形場(chǎng)參數(shù)決定者不同的變形場(chǎng)模型，而不同的變形場(chǎng)模型在對(duì)子長(zhǎng)方體中包含的分塊腦圖譜進(jìn)行變換后，后續(xù)再進(jìn)行配準(zhǔn)時(shí)會(huì)有不同的配準(zhǔn)效果。例如，有的變形場(chǎng)參數(shù)對(duì)應(yīng)的配準(zhǔn)效果可能比較好，配準(zhǔn)精度較高。有的變形場(chǎng)參數(shù)對(duì)應(yīng)的配準(zhǔn)效果可能比較差，配準(zhǔn)精度較低。因此，在上述過(guò)程需要先尋找每一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，即最優(yōu)變形場(chǎng)參數(shù)，以讓后續(xù)配準(zhǔn)效果達(dá)到最佳。

需要說(shuō)明的是，對(duì)于任一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，基于該擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，在對(duì)任一擴(kuò)大后的子長(zhǎng)方體中包含的分塊腦圖譜進(jìn)行變換時(shí)，可先設(shè)置變形場(chǎng)模型中變形場(chǎng)參數(shù)ci的初始值。按照初始值對(duì)應(yīng)的變形場(chǎng)模型，對(duì)該擴(kuò)大后的子長(zhǎng)方體中包含的分塊腦圖譜進(jìn)行變換。

本實(shí)施例不對(duì)根據(jù)變換后的分塊腦圖譜，確定任一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型的方式作具體限定，包括但不限于：計(jì)算變換后的分塊腦圖譜與任一擴(kuò)大后的子長(zhǎng)方體中包含的分塊目標(biāo)腦圖像之間的相似性度量；根據(jù)不同變形場(chǎng)參數(shù)對(duì)應(yīng)的相似性度量，確定最大相似性度量，將最大相似度量對(duì)應(yīng)的變形場(chǎng)參數(shù)作為最優(yōu)變形場(chǎng)參數(shù)；根據(jù)最優(yōu)變形場(chǎng)參數(shù)，確定任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型。

對(duì)于任一擴(kuò)大后的子長(zhǎng)方體中包含的分塊目標(biāo)腦圖像及分塊腦圖譜，在計(jì)算變換后的分塊腦圖譜與分塊目標(biāo)腦圖像之間的相似性度量時(shí)，可采用mi(mutualinformation，互信息)、cc(correlationcoefficient，相關(guān)系數(shù))或ssd(sumofsquareddifference，最小平方差)中任意一種方法，本實(shí)施例對(duì)此不作具體限定。例如，對(duì)于任一擴(kuò)大后的子長(zhǎng)方體，以該擴(kuò)大后的子長(zhǎng)方體中包含的分塊腦圖譜為i及分塊目標(biāo)腦圖像為j^a為例。當(dāng)變形場(chǎng)參數(shù)為初始值時(shí)，基于初始值對(duì)應(yīng)的變形場(chǎng)模型，在對(duì)該分塊腦圖譜進(jìn)行變換后，可按照mi算法計(jì)算變換后的分塊腦圖譜f(i)與分塊腦圖像j^a之間的相似性度量。

基于上述計(jì)算相似性度量的過(guò)程可知，不同的變形場(chǎng)參數(shù)對(duì)應(yīng)著不同的相似性度量。對(duì)于任一擴(kuò)大后的子長(zhǎng)方體，當(dāng)變換后的分塊腦圖譜與分塊目標(biāo)腦圖像之間相似性度量越大時(shí)，則說(shuō)明變形場(chǎng)模型較優(yōu)。相應(yīng)地，變形場(chǎng)參數(shù)也較優(yōu)?；谏鲜鰞?nèi)容，通過(guò)在變形場(chǎng)模型中可設(shè)置不同的變形場(chǎng)參數(shù)，可計(jì)算相應(yīng)的相似性度量，而計(jì)算得到的相似性度量又可以反過(guò)來(lái)作為優(yōu)化變形場(chǎng)參數(shù)ci的依據(jù)，從而最終可確定一個(gè)最大相似性度量。相應(yīng)地，可將該最大相似性度量對(duì)應(yīng)的變形場(chǎng)參數(shù)ci作為最優(yōu)變形場(chǎng)參數(shù)。需要說(shuō)明的是，在優(yōu)化變形場(chǎng)參數(shù)ci可通過(guò)最快下降法或者共軛梯度法等任意一種優(yōu)化算法，本實(shí)施例對(duì)此不作具體限定。

通過(guò)上述過(guò)程，可確定任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型。基于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，可對(duì)腦圖譜進(jìn)行最優(yōu)變換，從而得到最優(yōu)變換后的腦圖譜。本實(shí)施例不對(duì)基于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，獲取腦圖譜進(jìn)行最優(yōu)變換后的腦圖譜的方式作具體限定，包括但不限于：基于每一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，獲取每一擴(kuò)大后的子長(zhǎng)方體中進(jìn)行最優(yōu)變換后的分塊腦圖譜；對(duì)每一最優(yōu)變換后的分塊腦圖譜中不重疊的部分進(jìn)行整合，得到最優(yōu)變換后的腦圖譜。

在確定最優(yōu)變形場(chǎng)模型后，可獲取每一擴(kuò)大后的子長(zhǎng)方體中進(jìn)行最優(yōu)變換后的分塊腦圖譜。由于擴(kuò)大后的子長(zhǎng)方體之間是重疊的，從而其包含的最優(yōu)變換后的分塊腦圖譜也是重疊的。因此，為了得到最優(yōu)變換后的腦圖譜，需要對(duì)每一最優(yōu)變換后的分塊腦圖譜進(jìn)行整合，并且要去除掉兩兩之間重疊的部分。其中，在去除兩兩間重疊的部分時(shí)，可基于像素點(diǎn)在腦圖譜空間中的坐標(biāo)進(jìn)行去除，即去除分塊腦圖譜之間相同坐標(biāo)的像素點(diǎn)。

需要說(shuō)明的是，由于最優(yōu)變換后的腦圖譜是基于大量訓(xùn)練腦圖像得到，從而最優(yōu)變換后的腦圖譜已經(jīng)與仿射配準(zhǔn)后的目標(biāo)腦圖像已經(jīng)比較接近了，即具有診斷意義的點(diǎn)及手術(shù)感興趣的點(diǎn)都已達(dá)到近似匹配。為了更進(jìn)一步地提高配準(zhǔn)精度或配準(zhǔn)成功率，后續(xù)步驟還可將最優(yōu)變換后的腦圖譜與目標(biāo)腦圖像作進(jìn)一步地配準(zhǔn)，詳見后續(xù)步驟。

其中，204、將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。

通過(guò)上述步驟201至步驟203中的內(nèi)容，可得到最優(yōu)變換后的腦圖譜。相應(yīng)地，在本步驟中可將最優(yōu)變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，以得到相應(yīng)的配準(zhǔn)結(jié)果。其中，非剛體配準(zhǔn)可以為上述步驟202中任意一種非剛體配準(zhǔn)方法，如ants配準(zhǔn)、b樣條配準(zhǔn)或hammer配準(zhǔn)，本實(shí)施例對(duì)此不作具體限定。

本發(fā)明實(shí)施例提供的方法，通過(guò)選取腦圖譜及n個(gè)訓(xùn)練腦圖像，基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型?；谧冃螆?chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜。將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。由于參考了大量的訓(xùn)練腦圖像信息，即利用統(tǒng)計(jì)原理，對(duì)n個(gè)訓(xùn)練腦圖像的信息進(jìn)行統(tǒng)計(jì)來(lái)優(yōu)化變形場(chǎng)模型，并基于優(yōu)化的變形場(chǎng)模型對(duì)腦圖譜進(jìn)行變換，再將變換的腦圖譜與目標(biāo)腦圖像進(jìn)行配準(zhǔn)，從而提高了配準(zhǔn)精度，并提高了配準(zhǔn)成功率。

另外，在建立變形場(chǎng)模型時(shí)，將腦圖譜空間進(jìn)行劃分，分別建立劃分后的每一訓(xùn)練子長(zhǎng)方體中的變形場(chǎng)模型，而不用建立腦圖譜空間這個(gè)整體對(duì)應(yīng)的變形場(chǎng)模型。通過(guò)并行建立“分塊”中的變形場(chǎng)模型，能夠避免集中處理所帶來(lái)的超大計(jì)算量，從而提高了建立變形場(chǎng)模型時(shí)的效率，進(jìn)而提高了后續(xù)配準(zhǔn)時(shí)的速率。

再次，在對(duì)腦圖譜空間進(jìn)行劃分后，通過(guò)擴(kuò)大劃分得到的子長(zhǎng)方體的長(zhǎng)寬高，對(duì)于子長(zhǎng)方體之間的子變形場(chǎng)，能夠避免邊緣部分引起的子變形場(chǎng)之間的干擾，從而能夠提高后續(xù)建立的變形長(zhǎng)模型對(duì)應(yīng)的精度，進(jìn)而能夠提高后續(xù)配準(zhǔn)的精度及成功率。

最后，通過(guò)對(duì)每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含的待處理數(shù)據(jù)進(jìn)行降維，即選取較大的若干個(gè)特征值及對(duì)應(yīng)的特征向量來(lái)表示變形場(chǎng)模型，能夠減少后續(xù)對(duì)腦圖譜進(jìn)行變換時(shí)的計(jì)算量，從而進(jìn)一步地提高了后續(xù)配準(zhǔn)時(shí)的速率。因此，提高了配準(zhǔn)效率。

基于上述圖1或圖2對(duì)應(yīng)實(shí)施例所提供的腦圖譜與腦圖像的配準(zhǔn)裝置，本發(fā)明實(shí)施例提供了一種腦圖譜與腦圖像的配準(zhǔn)裝置。參見圖3，該裝置包括：

建立模塊301，用于基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型；

變換模塊302，用于基于變形場(chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜；

配準(zhǔn)模塊303，用于將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。

作為一種可選實(shí)施例，建立模塊301，用于基于仿射配準(zhǔn)，將每一訓(xùn)練腦圖像歸一化至腦圖譜，得到相應(yīng)的腦圖譜空間及n個(gè)仿射配準(zhǔn)后的訓(xùn)練腦圖像；將每一仿射配準(zhǔn)后的訓(xùn)練腦圖像與腦圖譜進(jìn)行非剛體配準(zhǔn)，得到n個(gè)變形場(chǎng)，每一仿射配準(zhǔn)后的腦圖像對(duì)應(yīng)一個(gè)變形場(chǎng)，腦圖譜空間中包含n個(gè)變形場(chǎng)；基于腦圖譜空間及n個(gè)變形場(chǎng)，建立變形場(chǎng)模型。

作為一種可選實(shí)施例，建立模塊301，按照預(yù)設(shè)方式，對(duì)腦圖譜空間進(jìn)行劃分，得到相應(yīng)數(shù)量的訓(xùn)練子長(zhǎng)方體；按照預(yù)設(shè)長(zhǎng)度分別對(duì)每一訓(xùn)練子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含n個(gè)子變形場(chǎng)；根據(jù)每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含的n個(gè)子變形場(chǎng)，建立每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型。

作為一種可選實(shí)施例，建立模塊301，對(duì)于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的任一子變形場(chǎng)，將任一子變形場(chǎng)中每一矢量在三個(gè)維度上的分量按照順序存儲(chǔ)至對(duì)應(yīng)的一維數(shù)組中，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含n個(gè)子變形場(chǎng)，每一子變形場(chǎng)對(duì)應(yīng)一個(gè)一維數(shù)組，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)一維數(shù)組的數(shù)量為n個(gè)；基于主成份分析，根據(jù)任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，建立任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型。

作為一種可選實(shí)施例，建立模塊301，基于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的n個(gè)一維數(shù)組，計(jì)算特征值及對(duì)應(yīng)的特征向量；按照從大到小的順序?qū)λ刑卣髦颠M(jìn)行排序，選取前預(yù)設(shè)數(shù)量個(gè)特征值；基于前預(yù)設(shè)數(shù)量個(gè)特征值及對(duì)應(yīng)的特征向量，建立任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)一個(gè)變形場(chǎng)模型，每一變形場(chǎng)模型包括變形場(chǎng)參數(shù)。

作為一種可選實(shí)施例，變換模塊302，包括：

仿射配準(zhǔn)單元，用于基于仿射配準(zhǔn)，將目標(biāo)腦圖像歸一化至腦圖譜，得到相應(yīng)的目標(biāo)腦圖譜空間；

劃分單元，用于按照預(yù)設(shè)方式，對(duì)目標(biāo)腦圖譜空間進(jìn)行劃分，得到相應(yīng)數(shù)量的子長(zhǎng)方體，每一子長(zhǎng)方體與每一訓(xùn)練子長(zhǎng)方體一一對(duì)應(yīng)；

擴(kuò)大單元，用于按照預(yù)設(shè)長(zhǎng)度分別對(duì)每一子長(zhǎng)方體的長(zhǎng)寬高進(jìn)行擴(kuò)大，每一擴(kuò)大后的子長(zhǎng)方體與每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體一一對(duì)應(yīng)，每一擴(kuò)大后的子長(zhǎng)方體中包含腦圖譜的一個(gè)分塊腦圖譜及目標(biāo)腦圖像的一個(gè)分塊目標(biāo)腦圖像；

變換單元，用于基于目標(biāo)腦圖像、每一擴(kuò)大后的子長(zhǎng)方體及每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的變形場(chǎng)模型，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜。

作為一種可選實(shí)施例，變換單元，包括：

變換子單元，用于對(duì)于任一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體，基于任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的任一變形場(chǎng)模型，對(duì)任一擴(kuò)大后的子長(zhǎng)方體中包含的分塊腦圖譜進(jìn)行變換，任一變形場(chǎng)模型中包括變形場(chǎng)參數(shù)；

確定子單元，用于根據(jù)變換后的分塊腦圖譜，確定任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型；

獲取子單元，用于基于每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，獲取腦圖譜進(jìn)行最優(yōu)變換后的腦圖譜。

作為一種可選實(shí)施例，確定子單元，用于計(jì)算變換后的分塊腦圖譜與任一擴(kuò)大后的子長(zhǎng)方體中包含的分塊目標(biāo)腦圖像之間的相似性度量；

根據(jù)不同變形場(chǎng)參數(shù)對(duì)應(yīng)的相似性度量，確定最大相似性度量，將最大相似度量對(duì)應(yīng)的變形場(chǎng)參數(shù)作為最優(yōu)變形場(chǎng)參數(shù)；

根據(jù)最優(yōu)變形場(chǎng)參數(shù)，確定任一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型。

作為一種可選實(shí)施例，獲取子單元，用于基于每一擴(kuò)大后的子長(zhǎng)方體對(duì)應(yīng)的最優(yōu)變形場(chǎng)模型，獲取每一擴(kuò)大后的子長(zhǎng)方體中進(jìn)行最優(yōu)變換后的分塊腦圖譜；

對(duì)每一最優(yōu)變換后的分塊腦圖譜中不重疊的部分進(jìn)行整合，得到最優(yōu)變換后的腦圖譜。

本發(fā)明實(shí)施例提供的裝置，通過(guò)基于腦圖譜及n個(gè)訓(xùn)練腦圖像，建立變形場(chǎng)模型?；谧冃螆?chǎng)模型及待配準(zhǔn)的目標(biāo)腦圖像，對(duì)腦圖譜進(jìn)行變換，得到變換后的腦圖譜。將變換后的腦圖譜與目標(biāo)腦圖像進(jìn)行非剛體配準(zhǔn)，得到相應(yīng)的配準(zhǔn)結(jié)果。由于參考了大量的訓(xùn)練腦圖像信息，即利用統(tǒng)計(jì)原理，對(duì)n個(gè)訓(xùn)練腦圖像的信息進(jìn)行統(tǒng)計(jì)來(lái)優(yōu)化變形場(chǎng)模型，并基于優(yōu)化的變形場(chǎng)模型對(duì)腦圖譜進(jìn)行變換，再將變換的腦圖譜與目標(biāo)腦圖像進(jìn)行配準(zhǔn)，從而提高了配準(zhǔn)精度，并提高了配準(zhǔn)成功率。

另外，在建立變形場(chǎng)模型時(shí)，將腦圖譜空間進(jìn)行劃分，分別建立劃分后的每一訓(xùn)練子長(zhǎng)方體中的變形場(chǎng)模型，而不用建立腦圖譜空間這個(gè)整體對(duì)應(yīng)的變形場(chǎng)模型。通過(guò)并行建立“分塊”中的變形場(chǎng)模型，能夠避免集中處理所帶來(lái)的超大計(jì)算量，從而提高了建立變形場(chǎng)模型時(shí)的效率，進(jìn)而提高了后續(xù)配準(zhǔn)時(shí)的速率。

再次，在對(duì)腦圖譜空間進(jìn)行劃分后，通過(guò)擴(kuò)大劃分得到的子長(zhǎng)方體的長(zhǎng)寬高，對(duì)于子長(zhǎng)方體之間的子變形場(chǎng)，能夠避免邊緣部分引起的子變形場(chǎng)之間的干擾，從而能夠提高后續(xù)建立的變形長(zhǎng)模型對(duì)應(yīng)的精度，進(jìn)而能夠提高后續(xù)配準(zhǔn)的精度及成功率。

最后，通過(guò)對(duì)每一擴(kuò)大后的訓(xùn)練子長(zhǎng)方體中包含的待處理數(shù)據(jù)進(jìn)行降維，即選取較大的若干個(gè)特征值及對(duì)應(yīng)的特征向量來(lái)表示變形場(chǎng)模型，能夠減少后續(xù)對(duì)腦圖譜進(jìn)行變換時(shí)的計(jì)算量，從而進(jìn)一步地提高了后續(xù)配準(zhǔn)時(shí)的速率。因此，提高了配準(zhǔn)效率。

最后，本申請(qǐng)的方法僅為較佳的實(shí)施方案，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。