基于局部稀疏對應(yīng)點組合的從mr圖像預(yù)測ct圖像的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及醫(yī)學(xué)圖像范例先驗構(gòu)造與虛擬多模態(tài)成像方法技術(shù)領(lǐng)域，具體涉及一 種基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法。
【背景技術(shù)】
[0002] 虛擬多模態(tài)成像由一種醫(yī)學(xué)成像設(shè)備或方式獲取圖像數(shù)據(jù)，模擬另一種成像設(shè)備 或方式合成、虛擬重建相應(yīng)的圖像，如由X線計算機斷層掃描（ComputerizedTomography, CT)圖像數(shù)據(jù)重構(gòu)超聲圖像、由磁共振成像（MagneticResonanceImaging,MRI)設(shè)備獲取 的圖像數(shù)據(jù)合成CT圖像等。虛擬多模態(tài)成像在多模態(tài)成像設(shè)備硬件不兼容、特定模態(tài)成像 設(shè)備或圖像數(shù)據(jù)不可獲取時，作為真實成像設(shè)備部分功能的替代，實現(xiàn)醫(yī)學(xué)圖像數(shù)據(jù)中潛 在的不同模態(tài)影像信息的提取，可擴展和提升現(xiàn)有成像設(shè)備的功能和應(yīng)用價值，具有廣泛 需求。
[0003]MRI可以提供高分辨率解剖結(jié)構(gòu)、清晰對比度和廣泛的圖像序列，這使得MRI技術(shù) 在放射治療方面廣受歡迎，MR與PET整合為PET/MR掃描儀也廣泛用于臨床診療之中。但是 放射治療的劑量計算以及PET圖像衰減校正中所需要的電離輻射的衰減系數(shù)都與MR圖像 中的信號沒有直接關(guān)系。PET數(shù)據(jù)可用于校正光子衰減以及正確量化放射性核素的吸收，而 衰減信息一般源于PET/CT中的CT圖像。CT圖像中的灰度值直接由電子密度決定，因此CT 圖像常被用于基于MR圖像的放療劑量計算以及PET圖像的衰減校正之中，從而彌補PET/MR 中CT模態(tài)的缺失。由此看來，從已有的MR圖像預(yù)測CT圖像對于基于MR圖像的放療劑量 計算和PET/MR圖像衰減校正具有重要的臨床意義。
[0004] 迄今為止，由MR圖像預(yù)測CT圖像的算法主要歸為以下兩類： 第一類是基于圖譜配準的方法。這類方法在MR/CT訓(xùn)練圖像對和測試MR圖像之間采 用一種形變圖像配準方法，從測試MR圖像中獲得預(yù)測CT圖像。但是，這類方法高度依賴于 形變配準的準確性。
[0005] 第二類是基于體素的方法。這類方法不受圖像配準精確度的影響，然而基于體素 的方法通常假設(shè)MR和CT之間的灰度值具有一一對應(yīng)的關(guān)系。但是這種假設(shè)在不加任何約 束的條件下并不成立，例如腦脊液、空氣和骨頭在MRITl圖像中具有相似的灰度值，然而這 些組織所對應(yīng)的CT圖像值卻有很大差異。由于這些組織位于不同區(qū)域，因此考慮局部空間 信息將有助于CT圖像的預(yù)測。
[0006]N.Burgos^etal.(^AttenuationCorrectionSynthesisforHybridPET-MR Scanners:ApplicationtoBrainStudies, 〃IEEETransMedImaging,vol. 33,pp. 2332-41,Dec2014.)考慮局部信息，提出了一種局部圖像相似性測度，將MR測試圖像匹配 到已配準的訓(xùn)練集MR/CT圖像對中，從而模擬CT圖像。但是，這種方法仍然要求MR測試圖 像與訓(xùn)練集MR/CT圖像對之間的精確圖像配準。
[0007] 針對現(xiàn)有技術(shù)不足，本發(fā)明方法提出一種基于局部稀疏對應(yīng)點組合的從MR圖像 預(yù)測CT圖像的算法。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明方法提供一種基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法， 本發(fā)明方法能夠由MR數(shù)據(jù)預(yù)測高準確度的CT圖像，能用于基于MR的放療劑量計算以及 PET/MR圖像衰減校正。
[0009] 本發(fā)明的上述目的通過如下技術(shù)手段實現(xiàn)。
[0010] 一種基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法， 基于如下兩種假設(shè)： I，MR圖像塊和CT圖像塊位于兩個非線性流形上，每個像素點形成的圖像塊可以由其 所在流形的局部空間內(nèi)的近鄰樣本線性組合； II，在局部約束條件下，MR圖像到CT圖像的映射近似于一個微分同胚映射； 該方法預(yù)先獲得MR/CT參照圖像對到得訓(xùn)練集圖像，包括： (1)對測試MR圖像進行歸一化處理，使測試MR圖像與訓(xùn)練集圖像相配準；
【主權(quán)項】
1. 一種基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法，其特征在于： 基于如下兩種假設(shè)： I，MR圖像塊和CT圖像塊位于兩個非線性流形上，每個像素點形成的圖像塊可W由其 所在流形的局部空間內(nèi)的近鄰樣本線性組合； II，在局部約束條件下，MR圖像到CT圖像的映射近似于一個微分同胚映射； 該方法預(yù)先獲得MR/CT參照圖像對到得訓(xùn)練集圖像，包括： (a) 建立數(shù)據(jù)庫，數(shù)據(jù)庫中每組數(shù)據(jù)包括\同一病人的在T1、T2兩種模態(tài)下的加權(quán)MR 參照圖像和CT參照圖像； (b) 仿射配準MR參照圖像和CT參照圖像，將MR參照圖像的T1、T2模態(tài)下的圖像 、（戸n..T2巧日CT參照圖像對齊，獲得MR參照圖像和CT參照圖像化并獲得訓(xùn)練集圖 像； 具體包括如下步驟： (1) 對測試MR圖像進行歸一化處理，使測試MR圖像與訓(xùn)練集圖像相配準； (2) 對歸一化處理后的測試MR圖像Y,(戶TJUT2)里的點X，提取WX為中屯、的圖 像塊，再將圖像塊轉(zhuǎn)換為列向量，表示關(guān)
W測試 樣本
表示， 其中，t表示兩種模態(tài)；T1和T2,R表示一個矩陣，堿塊轉(zhuǎn)換為列向量之后的大小，矩 陣的大小為兩個圖像塊表示兩種不同的模態(tài)下測試MR圖像選出的測試圖像 塊； (3) 在MR訓(xùn)練集圖像中與MR測試圖像中點Z位置相對應(yīng)的點設(shè)置為參照點J，在MR 訓(xùn)練集圖像中W參照點X為中屯、設(shè)置參照局部捜索窗， 從MR訓(xùn)練集圖像中，在參照點X為中屯、的參照局部捜索窗內(nèi)，提取參照局部捜索窗內(nèi) 每個參照點的特征塊，構(gòu)成MR字典公曲； (4) 在參照點X位置，使用近鄰算法從MR訓(xùn)練集圖像中選取與測試樣本 ^ .= 居k個相似的塊形成MR字典，并獲得相應(yīng)的CT字典QW; (5) 探測CT字典的離群值，刪除不相似的離群值后獲得新的CT字典Cg/X)， 并刪除與CT字典。的離群值對應(yīng)的MR字典中相應(yīng)的離群值，得到與CT字典 C麻）對應(yīng)的MR字典'公^的立[如也fi?站，巧代表新字典的樣本 個數(shù)； (6) 用歸局部線性表達測試樣本^，用局部線性表達算法求解字典系數(shù)巧； 基于假設(shè)I，MR字典A;的可W線性表示MR測試樣本4，系數(shù)w=^[w八色貨"中的每個元素表示與測試樣本忘的相關(guān)程度， 采用1^\6算法通過^下方程求解系數(shù)巧^ :
D*表示測試樣本在￡),/〇\〇字典的￡化勺以個近鄰， M，= 14.，_!；) 14,，/r.*，使用梯度投影方法求解； (7) 加權(quán)合并CT字典Cs(x)，預(yù)測點誠]CT值； 基于假設(shè)II，可得函數(shù) '/腳 ><"……2) 由于Dq可用于局部線性表示f，說明具有局部線性特性，由此可得； ^ ，了' ￡ ,/腳風(fēng)/腳廬……扣 結(jié)合公式2)，可得： f(D,^)yf=C,^w……4) 使用加權(quán)系數(shù)向量巧乘WCT字典C八'1C)得到向量玄，表^('萬；完色分.，將向量 S轉(zhuǎn)換為圖像塊，進而得到WX為中屯、的CT預(yù)測圖像塊p(.；t); (8) 對MR測試圖像中的每個點重復(fù)步驟（2) - (7)，最后對重疊的CT預(yù)測圖像塊加權(quán) 合并，獲得每個點的CT值，根據(jù)每個點的CT值獲得預(yù)測CT圖像。
2. 根據(jù)權(quán)利要求1所述的基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法， 其特征在于；步驟（1)具體采用灰度歸一化法對測試MR圖像進行歸一化處理。
3. 根據(jù)權(quán)利要求1所述的基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法， 其特征在于： 所述步驟（4)具體包括： 使用近鄰算法在MR字典公(；1(|中找到^的A個近鄰，獲得新字典 公是Cy>='巧弄，.…;將化的中每個元素分片於=i…巧 在其對應(yīng)的CT訓(xùn)練集圖像上的相同位置取塊，獲得一個包含A個樣本的CT字典 Ca-Cy) =P!方，...為-]或
4. 根據(jù)權(quán)利要求1所述的基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法， 其特征在于；所述步驟（5)具體是先用姑勻值算法將CT字典C如句聚成一類，再使用近鄰 算法找到巧個與CT字典CtOO相似的樣本，刪除不相似的離群值后獲得新的CT字典軒 )，并刪除與CT字典句(々的離群值對應(yīng)的MR字典D庇忡相應(yīng)的離群值，得到與CT字典 C,;(.T)對應(yīng)的MR字典A的。
5. 根據(jù)權(quán)利要求1所述的基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法， 其特征在于： 所述步驟（8)具體包括， CT預(yù)測圖像塊P(x)中點S的權(quán)重為： =￡盧僅、乂 〇< ?</……W，式中_￡是調(diào)節(jié)權(quán)重的系數(shù)； D任私表示點.f與點X之間的歐幾里得距離，預(yù)測CT的點J的CT預(yù)測值為：
'U表示塊戶知）中的一個像素點，巧表示塊戶(的上點瑜CT值。
6. 根據(jù)權(quán)利要求1所述的一種基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方 法，其特征在于： (a) 中的數(shù)據(jù)庫選擇13組腦部數(shù)據(jù)，每組數(shù)據(jù)包括同一病人的T1、T2加權(quán)MR圖像和 CT圖像。
7. 根據(jù)權(quán)利要求1所述的基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法， 其特征在于： (b) 具體使用F化軟件中的化IRT工具仿射配準MR參照圖像和CT參照圖像。
8. 根據(jù)權(quán)利要求1所述的基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法， 其特征在于： 步驟（1)中具體使用F化軟件中的化IRT工具配準測試MR圖像與訓(xùn)練集圖像。
【專利摘要】一種基于局部稀疏對應(yīng)點組合的從MR圖像預(yù)測CT圖像的方法，包括（1）測試MR圖像進行歸一化處理；（2）對測試MR圖像的點x，提取以x為中心的圖像塊，獲得測試樣本 ；（3）從MR訓(xùn)練集圖像中，提取參照局部搜索窗內(nèi)每個參照點的特征塊構(gòu)成MR字典；（4）從MR訓(xùn)練集圖像中選取與測試樣本 k個相似的塊形成MR字典，獲得CT字典；（5）探測CT字典的離群值，得到CT字典)和MR字典（6）求解字典系數(shù)；（7）加權(quán)合并CT字典)，預(yù)測點x的CT值；（8）對MR測試圖像中每個點重復(fù)步驟（2）-（7），最后對重疊的圖像塊加權(quán)合并，獲得每個點的CT值，得到預(yù)測CT圖像。本發(fā)明能夠從多模態(tài)MR圖像準確預(yù)測CT圖像。
【IPC分類】G06T11-00
【公開號】CN104794739
【申請?zhí)枴緾N201510216586
【發(fā)明人】馮前進, 陽維, 吳遙, 鐘麗明, 陳武凡
【申請人】南方醫(yī)科大學(xué)
【公開日】2015年7月22日
【申請日】2015年5月3日