目的

放射治疗是治疗恶性肿瘤的主要手段之一。其基本原则是最大限度地保证射线剂量全部集中在放疗靶区内（包括GTV、CTV和PTV）,并且使危及器官（Organs at Risk, OARs）少受辐射剂量。
目前医生需要对图像的切片进行逐层勾画。过程耗时费力，影响了医生的工作效率，并且勾画极度依赖医生的知识和个人经验。
因而需一种辅助医生勾画的自动勾画系统

什么是模板匹配

定义
模板匹配是一种查找与模板图像(patch)匹配(相似)的图像区域的技术。
工作过程

源图像（I）：我们期望找到与模板图像匹配的图像
模板图像（T）：将与源图像进行比较的图像块
要识别匹配区域，我们必须通过滑动来比较模板图像与源图像。通过滑动，我们将图像块一次移动一个像素（从左到右，从上到下）。在每个位置，计算度量，以便它表示在该位置处的匹配的“好”还是“坏”（或者与图像的特定区域相似）。
对于 T 覆盖在 I 上的每个位置,你把度量值保存到结果图像矩阵 ® 中. 在 R 中的每个位置 (x,y) 都包含匹配度量值
上图就是 TM_CCORR_NORMED 方法处理后的结果图像 R . 最白的位置代表最高的匹配. 正如您所见, 红色椭圆框住的位置很可能是结果图像矩阵中的最大数值, 所以这个区域 (以这个点为顶点,长宽和模板图像一样大小的矩阵) 被认为是匹配的.
实际上, 我们使用函数 minMaxLoc 来定位在矩阵 R 中的最大值点 (或者最小值, 根据函数输入的匹配参数) .

匹配算法：

标准平方差匹配 method=CV_TM_SQDIFF_NORMED
标准平方差匹配 method=CV_TM_SQDIFF_NORMED
标准相关匹配 method=CV_TM_CCORR_NORMED

什么是自动勾画

目前临床上主要应用的是基于Atlas的自动勾画，常用软件有瓦里安的Velocity、MIMvista、基于图谱库ABAS自动勾画软件等
以卷积神经网络为代表的深度学习方法已经广泛应于自动分割。
本文探讨的是传统方法

如何进行基于多模板匹配的自动勾画

将已勾画好的DICOM图像裁剪后作为模板图像集中起来，用于多模板匹配。
新（源）图像进来时，通过与模板库中图像比较，找出最匹配的候选者。
将候选者对应的mask label复制给源图像即可。
模板匹配得到的自动勾画可能与真实勾画差异很大，其效果并不如atlas方法和深度学习方法。

template_path = './template_path/'#存放模板的位置
label_path = './label_path/'# 存放勾画的位置
image_path = './image_path/'#欲匹配的图像位置

//读取templates图像
def read_templates(path):file_list = os.listdir(path)listTemplates = []for file in file_list:with gzip.open(template_path + file, 'rb') as unzipped_data:info_item = []info_item.append(file)template_data = pickle.load(unzipped_data)info_item.append(template_data)listTemplates.append(info_item)return listTemplates//给出匹配的模板名字和匹配得分
def findMatches(listTemplates,target,score_threshold):listHit = []for templateName, templateValue in listTemplates:if templateValue.dtype == "float64": raise ValueError("64-bit not supported, max 32-bit")else:corrMap = cv2.matchTemplate(target,templateValue, method=cv2.TM_CCOEFF_NORMED)minVal, maxVal, minLoc, maxLoc = cv2.minMaxLoc(corrMap)coeff = maxValnewHit = {'TemplateName':templateName,'Score':coeff}listHit.append(newHit)return pd.DataFrame(listHit)

//使用pydicom读取dicom图片
dcms = glob.glob(os.path.join(image_path,'*.dcm'))
slices = [pydicom.read_file(dcm) for dcm in dcms]
slices.sort(key = lambda x : float(x.ImagePositionPatient[2]))
images = np.stack([s.pixel_array for s in slices],axis = -1).astype(np.float32)
targets = images * slices[0].RescaleSlope + slices[0].RescaleIntercept
Hits = findMatches(listTemplates,targets[:,:,0],score_threshold=0.6)
print(Hits)
#找出得分最高的那张slice名称
#HH = Hits.sort_values('Score',ascending=False)
Hits_group = Hits.groupby(by='Score',as_index=False).max()
print(Hits_group)
num = len(Hits_group.index)-1
print(num)
rightName = Hits_group.iloc[[num],[1]].values[0][0]#iloc是基于position进行索引的
print(rightName)

使用多模板匹配进行DICOM图像的自动勾画相关推荐

opencv 模板匹配，在图像中寻找物体
使用模板匹配在图像中寻找物体模板匹配模板匹配就是用来在大图中找小图,也就是说在一副图像中寻找另外一张模板图像的位置: opencv中用 cv.matchTemplate() 实现模板匹配. 模板匹 ...
【opencv】目标跟踪之MOSSE算法配合模板匹配实现初始滤波器的自动初始化
因为最近有一个需求是识别视频流中的指定物体,一些轻量级的算法实际测试效果都不太好,所以考虑到目标追踪算法.(是自动识别!!!!!!) Opencv八种目标追踪算法: BOOSTING Tracker: ...
opencv基础--图像模板匹配
参考:https://blog.csdn.net/ivanhawking/article/details/83182692(该链接附载链接有处理多目标,旋转,缩放等匹配的方法) 1.概述图像匹配是指 ...
一种基于模板匹配的图像配准方法
01 前言如下图所示,有时候参考图像与浮动图像的灰度区别很大,但是它们又有某一个小区域比较相似,这种情况下直接通过特征点匹配或形变优化来配准的效果并不理想. 这个时候我们可以尝试使用模板匹配的方法来 ...
【python版CV】图像轮廓模板匹配
文章目录 1.图像轮廓 1.1 findContours函数: 1.2 获取轮廓信息(可能会报错原因) 1.3 绘制轮廓: 1.4 轮廓特征: 1.5 轮廓近似: 1.6 边界矩形 2.模板匹配 3. ...
【OpenCV 4开发详解】图像模板匹配
本文首发于"小白学视觉"微信公众号,欢迎关注公众号本文作者为小白,版权归人民邮电出版社发行所有,禁止转载,侵权必究! 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4 ...
模板匹配(Match Template)
前言模板匹配是在图像中寻找目标的方法之一.Come On, Boy.我们一起来看看模板匹配到底是怎么回事. 模板匹配的工作方式模板匹配的工作方式跟直方图的反向投影基本一样,大致过程是 ...
OpenCV中的模板匹配/Filter2d
1.模板匹配模板匹配是在图像中寻找目标的方法之一.Come On, Boy.我们一起来看看模板匹配到底是怎么回事. 参考链接:http://www.opencv.org.cn/opencvdoc/2 ...
opencv 有无判断模板匹配_opencv模板匹配
模板匹配在图像处理中经常使用,该算法主要用于寻找图像中与模板图像相同的区域.此外,也用于图像定位,通过模板匹配找到指定的位置,然后进行后续的处理. 在进行模板匹配的时候,需要先制作模板,模板图像一般是 ...

使用多模板匹配进行DICOM图像的自动勾画

提纲

目的

什么是模板匹配

什么是自动勾画

如何进行基于多模板匹配的自动勾画

使用多模板匹配进行DICOM图像的自动勾画相关推荐

最新文章

热门文章