用于心脏磁共振灌注数据的综合影像配准

摘要

一种用于心脏磁共振灌注数据的综合影像配准的系统(100)和方法被提供，其中该系统包括：估算单元(170)，用于估算边缘参数；配准单元(180)，与估算单元进行信号通信，用于配准与第一输入影像中的像素和第二输入影像中的像素之间的模板匹配一致的边缘参数；以及CPU(102)，与所述估算单元和所述配准单元进行信号通信，当所述第二影像的熵增加时，依照所述配准来检测改变的像素位置；并且其中用于心脏磁共振灌注数据的综合影像配准的对应方法包括：在具有多个像素的第一影像上提供轮廓的兴趣区域；接收对应于不同于所述第一影像的时间的第二影像；计算第二影像的像素亮度；估算用于所述第一和第二影像的至少一个的边缘参数，计算所述第一和第二影像之间的模板匹配；依照所述模板匹配从所述第一和第二影像的至少一个中选择一对像素位置；为所述第一影像中的所述所选位置处的一对像素和所述第二影像中的所述所选位置处的一对像素配准与所述所计算的模板匹配一致的所估算的边缘参数；以及依照所述配准来检测改变的像素位置。

说明书

相关申请的交叉参考

本申请要求提交于2002年9月17日的美国临时专利申请序列号60/411,244的优先权，其在此引入作为参考。

技术背景

在用于对象检测和/或对象识别的基于外观的方法中，分割表示兴趣对象的影像可在对影像的时间方面的序列的采集期间通过动态运动来复杂化。示例应用是对心脏灌注影像数据的分割。

缺血性心脏病，血液流到心脏的障碍，典型地由过度肥胖或血小板沉淀产生，其可使将充氧的血液供应给心脏的静脉变窄。对心脏的减小的血液供应典型地被表示为对心肌(“MC”)心脏肌肉的减小的血液灌注。在临床上，心肌灌注测量在日常中借助单光子发射计算层析X射线照相术(“SPECT”)影像，和/或借助正电子发射层析X射线照相术(“PET”)影像来进行。这些现有技术的缺点和局限性包括低的空间分辨率、SPECT的衰减假象和PET的有限适用性。

在日常中借助单光子发射计算层析X射线照相术(“SPECT”)影像，和/或借助正电子发射层析X射线照相术(“PET”)影像来进行。这些现有技术的缺点和局限性包括低的空间分辨率、SPECT的衰减假象和PET的有限适用性。

使用磁共振(“MR”)影像的心肌灌注分析有大的希望，并亦允许对血流的定量分析。在MR灌注分析中，在将对比剂注入到血液中之后，心脏的典型为大约60到100短轴2维(“2D”)MR影像被采集。不幸的是，在心脏跳动时，所采集的MR影像中的对比度典型地迅速变化。对比剂经过右心室(“RV”)到左心室(“LV”)，然后灌注到心肌中。

为进行灌注分析，有必要分割在灌注扫描中采集的所有MR影像中的心肌。分割所有MR影像中的心肌目前是手动进行的，并且需要来自熟练医生的大量人工。假定在每个扫描中有60到100个影像，则这是枯燥且劳动密集的工作。由于影像中的对比度典型地迅速变化的事实而加重了该问题。当对比剂在LV中时，血库(blood pool)变得明亮起来并且使得容易分割心肌的内壁，即心内膜。然而，当LV中没有对比剂时，很难分割心内膜。

心脏外边界，即心外膜的分割在扫描中采集的所有影像中仍是困难的。除了改变对比度，亦可有由于病人呼吸造成的总体运动和/或当跳动时心脏形状的变化。因此，所需的是一种分割MR影像的序列中的心肌、心内膜和/或心外膜的自动途径。

发明内容

现有技术的这些和其它缺点和不利由用于心脏磁共振灌注数据的综合影像配准(registration)的系统和方法来处理。该系统包括：估算单元，用于估算边缘参数；配准单元，与估算单元进行信号通信，用于配准与第一输入影像中的像素和第二输入影像中的像素之间的模板匹配一致的边缘参数；以及CPU，与所述估算单元和所述配准单元进行信号通信，当所述第二影像的熵(entropy)增加时，依照所述配准来检测改变的像素位置。

用于心脏磁共振灌注数据的综合影像配准的对应方法包括步骤：在具有多个像素的第一影像上提供轮廓的兴趣区域(contouredregion of interest)；接收对应于不同于所述第一影像的时间的第二影像；计算第二影像的像素亮度；估算用于所述第一和第二影像的至少一个的边缘参数；计算所述第一和第二影像之间的模板匹配；依照所述模板匹配从所述第一和第二影像的至少一个中选择一对像素位置；为所述第一影像中的所述所选位置处的一对像素和所述第二影像中的所述所选位置处的一对像素配准与所述所计算的模板匹配一致的所估算的边缘参数；以及依照所述配准来检测改变的像素位置。

从对示例实施例的以下描述来看，本公开内容的这些和其它方面、特点和优点将是显然的，所述实施例应结合附图来阅读。

附图简述

本公开内容依照以下示例的图讲授了用于心脏磁共振灌注数据的综合影像配准，其用于基于外观的对象检测，在所述图中：

图1示出用于依照本公开内容的说明性实施例的综合影像配准系统的方块图；

图2示出依照本公开内容的说明性实施例的用于合成数据的两个比较影像序列，第二序列；

图3示出用于犬的心脏磁共振灌注数据的两个比较影像序列；并且

图4示出依照本公开内容的说明性实施例的用于人的心脏磁共振灌注数据的影像序列。

优选实施例详述

本公开内容提供了用于分割心脏肌肉或心肌(“MC”)的综合影像配准算法。心脏的磁共振(“MR”)影像的序列在注入对比剂之后被采集。对比剂到心肌中的灌注的分析需要对每个所采集影像中的MC的分割。这种分割任务由于影像中迅速变化的对比度而特别困难。因此，本公开内容提供了综合两个通道的信息，像素亮度和局部梯度信息的信息配准框架，从而可靠且精确地分割心肌。

图1示出依照本公开内容的说明性实施例用于使用心脏磁共振灌注数据的综合影像配准的系统100的方块图。系统100包括至少一个处理器或中央处理单元(“CPU”)102，其与系统总线104进行信号通信。只读存储器(“ROM”)106、随机存取存储器(“RAM”，)108、显示适配器110、I/O适配器112、用户接口适配器114、通信适配器128和成像适配器130亦与系统总线104进行信号通信。显示单元116通过显示适配器110与系统总线104进行信号通信。盘存储单元118如，例如磁盘或光盘存储单元，通过I/O适配器112与系统总线104进行信号通信。鼠标120、键盘122和眼跟踪装置124通过用户接口适配器114与系统总线104进行信号通信。磁共振成像装置132通过成像适配器130与系统总线104进行信号通信。边缘估算单元170和影像配准单元180亦被包括在系统100中，并且与CPU 102和系统总线104进行信号通信。尽管估算单元170和配准单元180被说明为耦合于至少一个处理器或CPU 102，这些部件优选地被实施为在存储器106、108和118中存储的计算机程序代码，其中该计算机程序代码由CPU 102执行。如基于在此所讲的而将为有关领域中的普通技术人员所认识到的，替换的实施例是可能的，如，例如实施位于处理器芯片102上的寄存器中的一些或所有计算机程序代码。给出在此所提供的公开内容所讲，有关领域中的普通技术人员将预期属于本公开内容的范围和精神的估算单元170和配准单元180以及系统100的其它元件的各种替换配置和实施。

在图2中，参考数字200概括性地表示合成数据的影像帧的两个序列，其中，除了迅速变化的像素亮度以外，还有子像素的向右移位(shift)。这样，分别为帧210到218的第一行影像示出了使用基于模板匹配的交互信息(“MI”)所获得的结果，在这里假定没有子像素移位。配准是仅使用像素亮度而实现的，并且手画的轮廓被用于仅指定兴趣区域(“ROI”)。在该假定下，子像素漂移迅速累积，从而导致向着序列末端的显著移位，如在帧218中所示。在分别为帧220到228的第二行影像中，结果是使用基于MI的模板匹配而获得的，在这里再次假定没有子像素移位。然而，在此，除了像素亮度以外，配准还使用边缘信息来进行，而手画的轮廓被再次用于仅指定ROI。使用借助边缘信息的配准的帧220到228的结果显然较为精确。

在图3中，参考数字300概括性地表示对深度镇定(heavilysedated)的狗获得的真实MR灌注数据的两个序列的帧。由于该狗深度镇定，预期没有总体运动。第一序列的影像，帧310到320，示出仅使用基于像素亮度的交互信息而获得的结果，这类似于在图2的第一序列的帧210到218中所示，其中所选影像来自一个序列的合成数据，其除了迅速变化的像素亮度以外还具有子像素移位。图3中影像的第一序列示出仅使用基于灰度的交互信息而获得的结果，假定没有子像素移位。即使仅估算整个像素的移位，在本实例中仍可看到基于交互信息的策略精确地定位了心肌。影像的第二行，帧322到332，示出使用基于交互信息的策略同时估算子像素移位而获得的结果。

这样，在图3中，时间序列300示出用于深度镇定的狗的MR灌注数据，其中影像310到320的第一行示出使用基于像素亮度的MI算法而获得的结果。对于第一行的影像310到320的序列，仅整体像素的移位被估算。影像的第二行，序列322到332，示出以子像素精度使用基于MI的策略而获得的结果，其中子像素移位亦被估算。不幸的是，例如，估算子像素移位导致如影像322的所估算的心肌中的漂移所示的问题。

尽管在示例的实例中，帧310到320的仅有整个像素MI的策略足够好地起作用，来自图2的帧210到218的结果亦表明子像素移位将合起来(add-up)较大的漂移。这意味着估算子像素移位的基于交互信息的策略可能导致心肌的精确估算。因此，为检验该假设，基于交互信息的策略已在其估算子像素移位的情况下实施。然而，图3的帧322到332的第二序列示出在尝试估算子像素移位的情况下所获得的不精确的结果，其中估算子像素移位导致所估算的心肌中的漂移。这是由于以下事实而发生的：由表达式31所限定的I(f；y)给出的两个随机变量f和y之间的交互信息I(f；y)，在试图最小化联合熵H(f；y)的同时，亦试图最大化边际熵H(y)。

为估算子像素移位，需要像素亮度的插值。插值有效地使影像平滑并因此减小边际熵H(y)。为补偿由于平滑而造成的边际熵的减小，所述算法移位没有像素亮度的更多变化的最佳位置。该结论由以下事实支持：仅当没有影像的对比度时看到轮廓的显著移位。当在影像中有对比度并因此有已经高的边际熵H(y)时，没有轮廓的假移位。由于在对比度迅速变化的数据中估算子像素移位可导致假漂移，决定仅估算整个像素的移位。然而，为考虑由于子像素移位而造成的漂移，示例系统结合了边缘信息形式的信息的第二通道，从而将轮廓拉到心肌。

图2中影像的第二行示出使用组合策略而获得的结果。注意，尽管仅估算整个像素的移位，配准框架中的边缘信息每隔几帧将轮廓拉到右边位置以使子像素移位不累积。

现在转到图4，参考数字400概括性地表示对真实病人MR灌注序列使用综合配准算法而获得的结果，其中仅整个像素的移位被估算。序列结果帧410到420是对真实病人的MR灌注序列使用本公开内容的综合配准途径而获得的，其中通过使用综合途径，所述算法能在完整序列中可靠地分割心肌。注意，分割心肌的算法不能仅使用模板相关中的边缘信息，这是由于在MR灌注序列中迅速变化的对比度。

在所获得的影像的序列中，在根本看不见心肌边界的地方之间可以有影像。如果轮廓是单独使用边缘信息而传播的，则由于这些影像，它们可被完全抛开，这需要强化的人为干预。如在我们当前公开的配准框架中所实施的，灰度像素亮度与边缘信息配准的综合克服了这个问题。这样，当前公开的算法能传播轮廓并分割心肌，而无需任何人为干预，除了序列中一个影像上的最初的手画轮廓。

来自图2的结果表明，如果子像素移位存在于影像序列中，则在仅估算整个像素的移位时获得的配准结果可能是不够的。然而，如图3中所示，如果有很低对比度的序列中的影像，子像素移位的估算可导致影像序列中的假漂移。这些假漂移是由于以下事实而发生的：在估算子像素移位的同时，插值减小了边际熵。这样，使用了经设计的策略，其在仅估算整个像素的移位时考虑子像素移位。为此，综合配准框架在一个统一的(unifying)配准框架中综合了两个通道的信息，像素亮度和局部梯度。注意，由于仅估算整个像素的移位，在所估算的心肌的位置中可以有子像素误差，但边缘项将在序列期间将轮廓拉回到右边位置以使子像素移位不累积。这些结果突出了在试图使用基于MI的配准策略来估算子像素移位时应慎重对待。

尽管在采集MR灌注序列期间努力获得心脏循环中所需阶段内的每个影像，心脏的形状是局部变化的。替换的实施例可将局部变形应用于所估算的轮廓以较精确地分割变化的心脏形状。

现在转到图5，用于心脏磁共振灌注数据的综合影像配准的流程图由参考数字500概括性地表示。开始块510将控制传递给手动操作块512，在这里医生在来自示例实施例中的影像序列的基准影像上提供轮廓ROI。操作块512将控制传递给输入块514，其接收序列影像。输入块514将控制传递给功能块515，其计算所述序列影像的像素亮度。功能块515将控制传递给功能块517，其估算用于该序列影像的边缘参数。功能块517将控制传递给功能块519，其计算基准和序列影像之间的模板匹配。块519又将控制传递给功能块521，其依照模板匹配从所述序列影像中选择像素。块521将控制传递给功能块522，其依照模板匹配来配准边缘参数。块522又将控制传递给功能块524，其检测改变的边缘像素位置。块524将控制传递给结束块526。

这样，在示例实施例框架中，医生在影像序列的一个影像上手画表示心肌的内部心内和外部心外边界的轮廓。这些手画的轮廓被自动传播给影像序列中的其它影像以自动分割MC。

心肌分割问题是示例的影像配准问题。分割是通过模板匹配来实现的。在该配准框架中，医生在序列中的一个2D MR影像上手画表示心外膜和心内膜的轮廓。这些轮廓被用于绕手画的轮廓在局部限定兴趣区域(“ROI“)。该ROI或模板然后被相关于序列中的其它影像以最好地估算心肌。由于影像对比度迅速变化，用于模板匹配的基于交互信息(”MI “)的匹配准则被使用，同时假定仅整个像素移位。

当仅灰度信息被使用时，在影像中可以有子像素移位，其可迅速累积到大的运动。这样，优选的是在所述配准框架内结合边缘信息以较好地估算配准参数。由于影像中迅速变化的对比度，有时心外膜和心内膜在给定影像中是不可见的。在这些情况下，灰度信息被用于继续传播轮廓。

提供信息的实例是在试图实现基于MI的途径中的子像素精度时，双线性插值导致对配准参数的潜在较差的估算。这样，配准参数的估算被局限于仅整个像素的移位，而使用边缘信息实现进一步的精度。

已提出的先前的影像配准方法在它们的途径中仍是特别的，并且通常不适合于应用于心脏磁共振灌注数据的综合影像配准。

本公开内容的示例方法提出了用于配准框架的数学公式化。轮廓被手画或轮廓被估算于先前迭代中的影像被称为模板影像。轮廓当前正被传播的影像被称为当前影像。配准框架方法包括两个步骤。在第一步骤中，估算当前影像中的每个像素是边缘的概率，其是用于配准参数当前估算的轮廓的位置和局部梯度的函数。这些所估算的边缘概率然后在第二步骤中被用于估算配准参数。

这两个步骤被重复，直到达到收敛。估算当前影像中的边缘概率从将当前影像模拟为有不连续性的2D马尔可夫随机场(“MRF”)开始。表A列出几个编号的数学表达式。令S由表A的表达式1来限定，其表示当前影像的2D网格上的m个地点的离散集合。令N由表A的表达式2来限定，其表示有表A的表达式3和4所定义特性的邻域系统(neighborhood system)。令第一阶小集团(clique)C₁的集合和第二阶小集团C₂的集合分别由表达式5和6来限定。令由表达式7限定的F为一族在S上限定的随机变量，并令由表达式8限定的f为F的实现(realization)。能量函数U(f)是表达式9限定的小集团势能V_C(f)的函数。

这样，随机场F的吉布斯分布由表达式10定义为P(f)，其亦是MRF上的概率密度函数(“pdf”)。亦被称为分配函数的Z是归一化常数。令在表达式11中使用的e为表示地点i和i’之间的边缘的随机变量，并令由表达式11限定的E₂表示边缘的集合。令由表达式12限定的d表示所观察的数据。令s(西格马)表示所观察的数据d中的噪声的标准偏差。令g²_ii，表示在地点i处的当前影像中的局部亮度梯度。令由表达式13限定的E₁表示模板影像中的轮廓C上的对应的边缘e¹_i的集合。符号“><”被用于表示轮廓C上对应的边缘。

在公式化中，对应的边缘是有最短欧几里得距离的边缘。对应的边缘e¹_i和e²_i之间的距离由s¹_i表示。令L(g²_ii；s¹_i)表示边缘e²_ii的似然性，其是到轮廓C上的对应边缘的距离和局部影像梯度的函数。通过使用这些符号，在给定信息下，用于第二阶邻域的能量函数如表达式14到16所限定的而被写出。似然性项L(g²_ii；s¹_i)如表达式17所限定而被评价；其中假定e¹_i和g²_ii是有条件独立的随机变量，而表达式18限定的P被评价为s¹_i的函数。随机场的吉布斯分布然后由表达式19限定的P给出。能量E(f；E₂)然后可被最优化以估算随机场的最大归纳(“MAP”)估算值。

然而，这是涉及离散和连续随机变量两者的经典最优化问题。为克服该问题，通常用连续变量来近似E₂。然而，本公开内容的这个示例实施例方法积分出(integrate-out)边缘变量，在积分出边缘变量的过程中，出现了变量的新集合I_ii，其可被示出为观察不到给出所有信息的边缘的概率。就是说，对于由表达式19限定的表达式P，在几个步骤之后，可示出E(f)是由表达式20所限定的。表达式21限定的估算I_ii然后在下一个步骤上被用于较好地估算配准参数。

为估算配准参数，令表达式22限定的Y为表示模板影像像素亮度的随机场。令表达式23限定的y为特定的实现。令T表示正被估算的两个平移参数。然后最佳配准参数T’被估算为表达式24到26限定的联合条件熵T’的最小值；其中H(E₁；T)被假定为常数，并且H(x)由表达式27限定为香农熵(Shannon’s entropy)。以上方程中的第一项是条件熵，其类似于交互信息公式化中的灰度条件熵。第二项使模板影像中的轮廓上的边缘和当前影像中的估算边缘的熵最小。这样，以上公式化综合了两个通道的信息，从而较好地估算配准参数。

为公式化熵框架(entropy framework)内的问题，E₂和E₁之间的联合熵被近似为E₂和E₁的距离变换S(T)之间的联合熵。该假定基于以下直觉：当两个影像被配准时，E₂下的距离的分布的熵将是最小的。这样，由表达式28限定的H被评价。假定每个像素是独立分布的，并且因此联合分布p由表达式29限定。这样，联合熵H(E₂；S(T))可如表达式30所限定的而被写出，其中H_i1(s)由表达式31限定。进一步假定H_i1(s)对于每个i是相等分布的，并且假定H_i0(8)几乎为常数，联合熵H(E₂；S(T))被进一步近似为表达式32和33所限定的。这样，在i.i.d.(独立和恒等分布)假定下，最佳变换参数被估算为由表达式34和35所限定的T’。

在示例的实施中，进一步假定边缘被定位于像素处而不是两个像素之间。在该简化假定下，两个步骤的第一个包括如表达式36所限定的来估算边缘概率，其中g²_i表示地点i处的局部梯度大小，而li表示在地点i处没有边缘的概率。两个步骤的第二个包括一旦在先前步骤中估算了边缘概率，则估算配准参数，然后最佳配准参数T’如表达式37所限定的而被估算，其中<e’>由表达式38来限定。

该算法通过以下来初始化：所有边缘概率被设置为零并且温度1/B被初始化为高值。算法依照表达式37来估算配准参数，依照表达式36来更新边缘概率，降低温度并重复直到收敛。

综合配准框架的结果是在仅估算两个平移参数的同时获得的。这样，假定了没有旋转。还有，假定没有子像素移位。在该假定不真的情况下，可能导致在子像素移位累积时的估算配准中的漂移。

如有关领域中的普通技术人员基于在此所讲而将认识到的，专家系统或其它非人的轮廓提供者是可行的，这样，本公开内容的实施预期了专家系统的可能替换，该专家系统用于最初限定影像帧中的ROI，同时利用基于交互信息和边缘信息的配准的当前公开的综合算法在影像帧的整个序列中传播轮廓。

所提出的方法可与现有成像系统一起使用，并且除了心脏灌注影像以外，还可被应用于许多基于外观的影像采集问题。替换的实例可包括通过机器视觉在装配线上的自动对象检测，在安全控制中的人脸检测，等等。如有关领域中的普通技术人员应认识到的，在替换的实施例中，在此使用的术语“影像”亦可表示三维、四维和更高维的数据集。

本公开内容的这些和其它特点和优点可由有关领域中的普通技术人员基于在此所讲而容易地确定。应理解，本公开内容所讲可被实施以各种形式的硬件、软件、固件、专用处理器或其组合。更优选的是，本公开内容所讲被实施为硬件和软件的组合。而且，软件优选地被实施为在程序存储单元中确实实施的应用程序。该应用程序可被上载给包括任何适当架构的机器并由其执行。优选的是，所述机器被实施于计算机平台上，其具有硬件如一个或多个中央处理单元(“CPU”)、随机存取存储器(“RAM”)和输入/输出(“I/O”)接口。

所述计算机平台亦可包括操作系统和微指令代码。在此所述的各种过程和功能可以是微指令代码的一部分或应用程序的一部分，或者是其任何组合，其可由CPU来执行。另外，各种其它外围单元可被连接于该计算机平台，如附加数据存储单元和打印单元。应进一步理解，由于在附图中所述的一些构成系统部件和方法优选地被实施以软件，系统部件或过程功能块之间的实际连接可根据本公开内容被编程的方式而不同。给定这里所讲的，有关领域中的普通技术人员将能预期本公开内容的这些和类似实施或配置。

尽管在此已参照附图描述了说明性实施例，应理解，本公开内容不局限于这些精确的实施例，并且可在本公开内容的范围和精神内由有关领域的普通技术人员在其中实现各种变化和修改。所有这样的变化和修改旨在被包括在如在所附的权利要求中提出的本公开内容的范围。

                              表A