對參考圖金字塔頂層圖像的指定區(qū)域進(jìn)行幾何坐標(biāo)剛體變換得到新的區(qū)域;
[0026] 2d)通過三次B樣條插值方法得到浮動(dòng)圖金字塔頂層圖像在2c)新區(qū)域的坐標(biāo);
[0027] 2e)利用基于聯(lián)合直方圖的相似性測度計(jì)算參考圖金字塔頂層圖像和插值圖之間 的相似度,得到一個(gè)關(guān)于幾何變換參數(shù)的函數(shù);
[0028] 2f)相似度函數(shù)輸入到粒子群算法優(yōu)化算法中進(jìn)行最優(yōu)化計(jì)算得到最優(yōu)變換參 數(shù),這個(gè)過程通過迭代來實(shí)現(xiàn),即重復(fù)2c)~2e)步直到取得最大值;
[0029] 2g)將通過粒子群算法搜索的變換參數(shù)作為下一階段優(yōu)化算法搜索的起始點(diǎn),對 圖像金字塔上的最后兩層圖像進(jìn)行處理,原理同2c)~2f),優(yōu)化算法使用了收斂速度更快 的改進(jìn)鮑威爾算法。
[0030] 2h)輸出浮動(dòng)圖在最終變換下的配準(zhǔn)圖像。經(jīng)粗配準(zhǔn),即得到與源圖像序列A對應(yīng) 的圖像序列C。
[0031] 進(jìn)一步的,所述步驟2e)中,對兩幅圖像的聯(lián)合直方圖的定義為:兩幅圖像中對應(yīng) 像素灰度值的統(tǒng)計(jì)概率分布,對于離散圖像,其概率密度為:
[0032] P (m, n) = N (m, n) /M
[0033] 其中,M為一幅圖像所包含的像素總數(shù);N(m,η)為兩幅圖像中對應(yīng)像素灰度值分 別為m和η的像素總數(shù),以一幅圖像的灰度值為橫坐標(biāo),另一幅圖像的灰度值為縱坐標(biāo),畫 出的概率分布圖稱為聯(lián)合直方圖。
[0034] 基于聯(lián)合直方圖的配準(zhǔn)相似性測度如下:
【主權(quán)項(xiàng)】
1. 一種肝臟多相期CT圖像融合方法,其特征在于,包括如下步驟: 步驟一、輸入肝臟動(dòng)脈期圖像序列A和肝臟靜脈期圖像序列B ; 步驟二、利用基于聯(lián)合直方圖的多分辨率CT圖像配準(zhǔn)方法進(jìn)行粗配準(zhǔn),對于圖像序列 A中每一張 CT圖像,在圖像序列B中找到空間位置相同的CT圖像;即得到與源圖像序列A 對應(yīng)的圖像序列C ; 步驟三、對圖像序列A進(jìn)行基于置信連接的自動(dòng)肝臟圖像分割,得到分割后肝臟圖像 序列D ; 步驟四、利用步驟三分割后所得肝臟的輪廓線作為圖像序列C的初始輪廓;對圖像序 列C進(jìn)行基于梯度向量流snake模型的肝臟分割,得到分割后圖像序列E ; 步驟五、分別對肝臟圖像序列D,圖像序列E進(jìn)行基于定向區(qū)域生長算法的血管提??; 5a)對肝臟圖像灰度分析選取血管根部的種子點(diǎn); 5b)使用定向區(qū)域生長算法對血管進(jìn)行分割; 5c)肝臟圖像序列D經(jīng)血管提取后得到肝實(shí)質(zhì)圖像序列F,肝臟圖像序列E經(jīng)血管提取 后得到肝實(shí)質(zhì)圖像序列G,輸出圖像序列F和圖像序列G ; 步驟六、利用基于B樣條的自由形變變換和基于空間加權(quán)互信息的非剛性配準(zhǔn)方法進(jìn) 行細(xì)配準(zhǔn),對上面步驟分割提取后的肝實(shí)質(zhì)進(jìn)行處理,即對于肝實(shí)質(zhì)圖像序列F中每一張 CT圖像,在肝實(shí)質(zhì)圖像序列G中進(jìn)行配準(zhǔn); 步驟七、基于小波變換進(jìn)行圖像融合。
2. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述步驟二的詳細(xì)步驟為: 2a)輸入待配準(zhǔn)的兩幅源圖像,分別記為參考圖像和浮動(dòng)圖像; 2b)通過金字塔算法對待參考圖和浮動(dòng)圖進(jìn)行多分辨率處理,將圖像分為三層,構(gòu)成圖 像金字塔,頂層圖像分辨率最小,最底層為原始圖像; 2c)對參考圖金字塔頂層圖像的指定區(qū)域進(jìn)行幾何坐標(biāo)剛體變換得到新的區(qū)域; 2d)通過三次B樣條插值方法得到浮動(dòng)圖金字塔頂層圖像在2c)新區(qū)域的坐標(biāo); 2e)利用基于聯(lián)合直方圖的相似性測度計(jì)算參考圖金字塔頂層圖像和插值圖之間的相 似度,得到一個(gè)關(guān)于幾何變換參數(shù)的函數(shù); 2f)將2e)計(jì)算的相似度函數(shù)輸入到粒子群算法優(yōu)化算法中進(jìn)行最優(yōu)化計(jì)算得到最優(yōu) 變換參數(shù),這個(gè)過程通過迭代來實(shí)現(xiàn),即重復(fù)2c)~2e)步直到取得最大值; 2g)將通過粒子群算法搜索的變換參數(shù)作為下一階段優(yōu)化算法搜索的起始點(diǎn),對圖像 金字塔上的最后兩層圖像進(jìn)行處理,原理同2c)~2f),優(yōu)化算法使用了鮑威爾算法; 2h)輸出浮動(dòng)圖在最終變換下的配準(zhǔn)圖像;經(jīng)粗配準(zhǔn),即得到與源圖像序列A對應(yīng)的圖 像序列C。
3. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述步驟2e)中,對兩幅圖像的聯(lián)合直方 圖的定義為:兩幅圖像中對應(yīng)像素灰度值的統(tǒng)計(jì)概率分布,對于離散圖像,其概率密度為: P (m, n) = N (m, n) /M 其中,M為一幅圖像所包含的像素總數(shù);N(m,η)為兩幅圖像中對應(yīng)像素灰度值分別為m 和η的像素總數(shù),以一幅圖像的灰度值為橫坐標(biāo),另一幅圖像的灰度值為縱坐標(biāo),畫出的概 率分布圖稱為聯(lián)合直方圖。 基于聯(lián)合直方圖的配準(zhǔn)相似性測度如下: X pa > (/../) N(tx,tv,tz,e) = ~-- /λν> (/,./) Uj 其中閾值h取圖像中像素取值范圍的10%能獲得較好的效果, 在實(shí)現(xiàn)時(shí),計(jì)算閾值區(qū)域內(nèi)的點(diǎn)的個(gè)數(shù),在求解時(shí),就能夠計(jì)算相似函數(shù)中 hj .石,〇'")的值。
4. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述步驟2f)中,設(shè)定一個(gè)搜索問題,規(guī)模 為R的粒子群在D維空間優(yōu)化,粒子i (1彡i彡R)在第η (1彡η彡Nmax)代的速度表示為 ¥;[(11) = (¥;[1,¥12,"%¥10),位置表示為乂;[(11)=(叉;[1,叉12,"*,叉10);為了保持每個(gè)粒子 的速度慣性,引入了慣性常數(shù)ω這個(gè)量;ω值較小時(shí),能使得粒子最終收斂到最佳位置;ω 值較大時(shí),能使得粒子在全局范圍內(nèi)搜索能力提高;改進(jìn)的粒子速度更新公式如下所示: Vij(n) = wViJ(n-l) + a jtpjj-Xj^n-Dl + a 2ρ2[ρυΓχ^·(η-1)] 其中η為迭代次數(shù),a 1、a 2為加速常數(shù),β 1、β 2的取值為 [〇, 1]范圍內(nèi)的隨機(jī)數(shù),Pij為粒子i的歷史最佳位置在j維上的值,而P uj為某一局部 區(qū)域內(nèi)所有粒子的歷史最佳位置在j維上的值,若該區(qū)域所包含的粒子為整個(gè)群體,則P u 代表的是整個(gè)粒子群最佳歷史位置,否則Pu代表局部的最佳位置。 當(dāng)算法迭代次數(shù)達(dá)到最大值時(shí)或者當(dāng)粒子搜索的最佳歷史位置低于設(shè)定的閾值以及 在參數(shù)空間中粒子之間的距離接近設(shè)定的閾值時(shí),算法將終止迭代。
5. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述步驟三的詳細(xì)步驟為: 3a)利用改進(jìn)的曲線各向異性擴(kuò)散濾波對CT圖像進(jìn)行平滑預(yù)處理; 3b)對預(yù)處理圖像的灰度分析自動(dòng)選取序列種子點(diǎn); 3c)使用置信連接的區(qū)域生長算法對肝臟進(jìn)行分割; 3d)利用空洞填充法改善分割結(jié)果,得到源圖像序列A分割后肝臟圖像序列D。
6. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述步驟四的詳細(xì)步驟為: 4a)利用步驟三分割后所得肝臟的輪廓線作為圖像序列C的初始輪廓; 4b)得到需分割圖像的邊界圖f(x,y); 4c)得到邊界圖f(x,y)的梯度向量流; 4d)得到輪廓線的內(nèi)部能量,即彈性能量和彎曲能量; 4e)綜合所有能量進(jìn)行曲線的變化,并得到輪廓線的最終收斂結(jié)果;即得到圖像序列C 分割后肝臟圖像序列E。
7. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述步驟六的詳細(xì)步驟為: 6a)輸入待配準(zhǔn)的兩幅肝實(shí)質(zhì)圖像,分別記為參考圖像和浮動(dòng)圖像; 6b)通過自由形變變換對參考圖的肝實(shí)質(zhì)進(jìn)行幾何建模,并采用B樣條插值方法得到 浮動(dòng)圖網(wǎng)格新坐標(biāo); 6c)利用空間加權(quán)方式改進(jìn)的互信息作為相似性測度計(jì)算參考圖和插值圖之間的相似 度,得到一個(gè)關(guān)于幾何變換參數(shù)的函數(shù); 6d)將6c計(jì)算得到的相似度函數(shù)輸入到有限存儲LBFGS搜索算法優(yōu)化器中進(jìn)行最優(yōu)化 計(jì)算得到最終變換參數(shù); 6e)輸出浮動(dòng)圖在最優(yōu)變換下的配準(zhǔn)圖像。
8.根據(jù)權(quán)利要求5所述的方法,其特征在于,所述步驟七的詳細(xì)步驟為: 7a)分別對步驟六中的參考圖和配準(zhǔn)圖像進(jìn)行小波分解,得到參考圖和配準(zhǔn)圖像的不 同頻帶系數(shù); 7b)按照融合規(guī)則進(jìn)行融合處理; 7c)對融合后所得系數(shù)進(jìn)行小波逆變換,所得的重構(gòu)圖像即為融合圖像。
【專利摘要】本發(fā)明公開了一種肝臟多相期CT圖像融合方法,首先利用基于聯(lián)合直方圖的多分辨率CT圖像配準(zhǔn)方法對源圖像序列進(jìn)行粗配準(zhǔn),接著結(jié)合置信連接的區(qū)域生長算法實(shí)現(xiàn)了肝臟的圖像自動(dòng)分割和基于梯度向量流snake模型的肝臟圖像分割,有效的提取肝臟的邊緣信息;再對肝臟圖像進(jìn)行基于定向區(qū)域生長算法的血管提取,接著對肝實(shí)質(zhì)圖像進(jìn)行基于B樣條自由形變變換和基于空間加權(quán)互信息的肝臟非剛性配準(zhǔn),精確找到空間同一位置的圖像對;最后基于小波變換進(jìn)行圖像融合。本發(fā)明針對肝臟CT圖像的特點(diǎn),將圖像分割和圖像配準(zhǔn)過程結(jié)合到圖像的融合過程中,從而大大提高了融合的精度。
【IPC分類】G06T7-00, G06T5-50, G06T3-00, G06T3-40
【公開號】CN104835112
【申請?zhí)枴緾N201510229054
【發(fā)明人】黃曉陽, 王博亮, 周斌
【申請人】廈門大學(xué)
【公開日】2015年8月12日
【申請日】2015年5月7日