[发明专利]海量脑图像数据集的三维非线性配准方法及系统

说明书

本发明涉及一种海量脑图像数据集的三维非线性配准方法及系统，所述海量脑图像数据集的三维非线性配准方法，包括以下步骤：S0.降采样步骤；S1.低分辨图像配准步骤，其中包括：S11.线性配准步骤；S12.非线性配准步骤；S2.高分辨图像快速变换步骤，其中包括：S21.高分辨配准的变换矩阵计算步骤；S22.高分辨配准后空间范围计算步骤；S23.分块步骤；S24.高分辨非线性变换步骤。本发明利用低分辨图像数据配准信息，对海量高分辨三维图像数据集进行变换，实现海量高分辨三维图像数据集的非线性配准。本发明适用于基于变换矩阵的所有线性配准和基于位移场的所有非线性配准，能够快速对TB级数据集进行非线性配准。

技术领域

本发明涉及图像处理技术，尤其涉及一种海量脑图像数据集的三维非线性配准方法。

背景技术

图像配准技术作为图像处理领域的一个重要研究方向，目前广泛地应用于遥感、自动导航、模式识别、计算机视觉、生物医学等领域。随着大数据时代的来临，海量三维图像数据集不断增大，往往能达到TB级。如何对这些海量三维数据集进行非线性配准是一个非常大的挑战。

在中国发明专利说明书CN104361590中，提出了一种控制点自适应分布的高分辨率遥感影像配准方法，该方法基于分块策略的自适应控制点提取方法，实现了多尺度J-image影像中的控制点提取，进而采用归一化的互信息测度NMI对控制点进行多尺度进行匹配。但是该方法所处理的数据为二维的遥感数据，适用于特定的应用领域。而且，该方法所描述的高分辨也仅仅是空间分辨率10m，尺寸为512×512像素，数据大小仅为MB级别，无法对TB级三维图像数据进行非线性配准。

在图像配准研究中广泛使用的工具也实现了三维数据集的非线性配准，例如Insight Segmentation and Registration Toolkit(ITK)和Advanced NormalizationTools(ANTs)。虽然这些工具都提供了丰富的三维非线性配准的方法，但是在配准过程中它们将三维图像视为一体，一次性导入计算机中进行运算，这急剧加大了对内存的消耗。对于几十MB的三维图像数据，有些工具甚至会消耗数百GB的内存，更加难以对TB级的三维图像数据进行非线性配准。

综合上述专利技术和工具，目前三维图像非线性配准存在很多方法，也能解决各种领域的问题。但是随着大数据时代的来临，海量三维图像数据集不断增大，还没有一种能够处理TB级三维图像数据的非线性配准方法。

发明内容

本发明的目的在于，解决上述技术问题，提供一种海量脑图像数据集的三维非线性配准方法及系统，对海量高分辨三维图像数据集进行快速变换，实现海量高分辨三维图像数据集的非线性配准。

本发明的目的通过如下技术方案来实现。

一种海量脑图像数据集的三维非线性配准方法，包括以下步骤：

S0.降采样步骤，对预设高分辨参考图像数据和高分辨待配准图像数据进行降采样，得到低分辨参考图像数据和低分辨待配准图像数据；

S1.低分辨图像配准步骤，其中包括：

S11.线性配准步骤，对低分辨参考图像数据和低分辨待配准图像数据进行线性配准，得到低分辨线性配准的变换矩阵，并计算其逆矩阵低分辨配准的逆矩阵，以及低分辨线性配准后结果；

S12.非线性配准步骤，对低分辨线性配准后结果和低分辨参考图像数据进行非线性配准，得到低分辨非线性配准的位移场，以及低分辨非线性配准后结果；

S2.高分辨图像快速变换步骤，其中包括：

S21.高分辨配准的变换矩阵计算步骤，基于低分辨线性配准的变换矩阵计算出高分辨配准的变换矩阵，以及其逆矩阵高分辨配准的逆矩阵；

S22.高分辨配准后空间范围计算步骤，利用步骤S21所得高分辨配准的逆矩阵，计算出高分辨配准后空间范围；