CN101082983A - 基于感兴趣区域的自适应医学序列图像插值方法 - Google Patents

Abstract

本发明公开了一种基于感兴趣区域的自适应医学序列图像断层间插值方法，该方法充分利用组织相关性和体素相关性等特点，先判断待插值点是否属于感兴趣区域，再据此选择适当的插值方法。本发明不仅考虑了灰度的变化，也兼顾了解剖结构轮廓的变化，从而更好的解决了传统插值方法的不足，使新插值出的图片更接近于实际情况。实验证明，本发明的视觉效果和图像质量有了较大的改进，插值出的图片轮廓清晰、噪声较小、不再有双重轮廓，提高了插值的质量，更重要的是计算时间大大减少。将本发明应用于三维重建和显示的系统中，使绘制出来的图像边界清晰，把梯田效应减少到最低，更符合实际需求，从而较大范围地提高医生判断的准确性和工作效率。

Description

基于感兴趣区域的自适应医学序列图像插值方法

技术领域

本发明涉及一种序列图像断层间插值的方法，尤其涉及一种基于ROI的自适应医学序列图像断层间插值方法，即由已知的序列图像插值出新的层间图像，是医学图像三维重建中一项核心技术。

背景技术

当今社会正处在一个信息爆炸的时代，人们常常在茫茫的数据海洋面前显得不知所措，一时难以抓住隐藏在数据之中的本质、结构和规律。可视化(Visualization)就是在这种背景下发展起来的，它把数据变换成一种易于被人接受和理解的形式一图形。20世纪70年代，CT技术在临床医学中的成功应用，开创了影像医学的新纪元，使得对人体进行无创检查及诊断成为现实。20世纪80年代，MRI、PET、SPECT等先进的影像技术在临床医学上的成功应用，更使得影像医学得以迅速发展。在目前的影像医疗诊断中，主要是通过观察一组CT、MRI的二维切片图像去发现病变体，这主要依赖于医务工作者丰富的读片经验对图像进行定性分析。利用计算机技术对二维切片图像进行三维重建和三维显示，可以辅助医务工作者对病变体及其他感兴趣区域进行定性直至准确的定量分析，这样医务工作者看的更好、更准，从而可以大大提高医疗诊断的准确性和实时性。

所谓医学图像的三维可视化技术就是指利用一系列的二维切片图像重建三维图像模型并进行定性、定量分析的技术。要想得到效果很好的三维重建图像，需要解决：1)对已采集到的二维切片数据进行适当的预处理；2)建立相应的模型来表达数据的结构、规律；3)构建模型的绘制与显示。但由于CT和MRI等断层扫描受设备硬件条件、安全性以及经济性等方面因素的限制，图像数据是各向异性的，即相邻两断层图像间的距离(取头部CT图片，约2.8mm)远大于同一张断层图像中相邻两像素的距离(取头部CT图片，约0.4mm)，这使得直接重建出的三维实体与真实物体差异较大，显示效果不佳。因此由一系列二维断层图像获得人体组织的三维数据，其关键在于层间插值，即在两断层图片之间插值出多张图片，从而更好的进行三维重建。构建模型的绘制与显示包括对采集到的二维切片数据进行插值得到三维数据并进行显示，其中对采集到的二维切片数据进行插值得到三维数据是最重要也是最关键的一个步骤。实现插值得到最佳中间体素点才能得到详细三维绘制，使新图像(三维重建)不仅在灰度值上，而且在组织形状上更符合实际需求。只有得到三维数据所表征物体的完整描述，建立虚拟的组织和器官，才有利于医学分析、诊断和在放射治疗计划中的三维剂量场的计算。

现有技术中，例如VTK、ITK等工具包中提供的绘制方法中都是采用最简单的线性插值或临近点插值，这就造成了绘制出来的三维图像和真实物体相差较大，且边界模糊，具有很强的梯田效应。因此改进或设计出一种适合医学图像三维重建，并且使绘制出来的图像边界清晰，把梯田效应减少到最低，更符合实际需求的插值方法是一项非常具备挑战性的工作。

尽管对采集到的二维切片数据进行插值得到三维数据是绘制三维中最重要也是最关键的一个步骤。然而专门讨论这个问题的方法并将这个方法应用到系统中却不多。有的方法是假设灰度值在Z轴方向呈线性变化，利用一光滑曲线来拟合已知数据，但插值结果边界模糊。有的方法是通过对源图进行小波变换，在断层图像的相应小波系数之间进行强度和位置插值，从而克服边界模糊等缺点，但该方法的计算时间约为线性插值算法的2000倍，计算工作量极大，在实时的医学图像显示中难以实现。上述方法由于种种不足而很难应用于三维重建。

对二维图片的插值分为单幅图片内部插值和在多层序列图片之间插值出新图片。例如，中国发明专利申请CN1750042A公开了一种数字图像插值处理方法，包括如下步骤：将像素间的空白区域平均划分为多个方格；根据当前该方格所在位置，确定各方格相对于其采样点的插值参数；将所有方格相对于其采样点的插值参数压缩储存；缩放图像，确定插值点落入的目标方格；根据该目标方格的位置解压缩插值参数，从而计算该方格对应的插值参数；及根据该插值参数以及该采样点的亮度值，计算该插值点的亮度值。这一方法考虑的仅是对二维图像的内部插值，不能用于医学图像重建。又例如，中国发明专利申请CN1722178A公开了一种图像的三维重建方法和系统，该方法接收来自扫描对象的成像设备的投影数据，识别对应于一个投影射线共扼对的投影数据，和插值对应于所述投影射线共扼对的所述投影数据以重建被扫描对象的图像。但该系统中采用的是最简单的线性插值，因此得到的三维重建效果在细节上不尽如人意，存在较严重的梯田现象。

发明内容

本发明目的是提供一种基于感兴趣区域(ROI)的自适应医学序列图像断层间插值方法，用以克服现有算法带来插值图像边界模糊和计算量大等弊端，使插值出的新图像(三维图像)不仅在灰度值上，而且在组织形状上更符合实际需求，以便更好的进行医学图像三维重建，

为达到上述目的，本发明采用的技术方案是：一种基于感兴趣区域的自适应医学序列图像插值方法，包括下列步骤：(1)获取源数据并进行数据预处理，确定每对相邻源图片间需插值的层数；(2)选取一对待处理的相邻源图片；(3)确定待插值层与两侧相邻源图片间的距离；(4)获取待插值点的位置，进行层间像素的插值操作；(5)如果待插值层中有未处理的待插值点，重复步骤(4)；(6)如果待处理的相邻源图片间有未处理的待插值层，重复步骤(3)至(5)；(7)如果有未处理的相邻源图片，重复步骤(2)至(6)，由此实现图像的插值；

其中，所述步骤(4)的插值操作是指，利用循环程序设计获取待插值点的位置，再基于上下层图片中的对应点对或匹配点对进行层间像素的插值，所述插值方法为：

a)如果待插值点位于图片周围，属于边缘点，采用基于上下对应点对的灰度值进行线性插值，否则执行步骤b)；

b)利用上下层对应点的灰度值及其差值，根据组织相关性原理判断待插值点是否属于感兴趣区域，如果不属于感兴趣区域，则基于其灰度值进行线性插值，否则执行步骤c)；

c)分别以上下层对应点为中心，选取两个区域，计算这两个区域的组织自相关系数，若相关系数大于设定阈值，说明两个区域整体比较相似，则基于这个两个区域进行三线性插值，否则执行步骤d)；

d)在上下层对应区域中寻求最佳匹配点对，利用对应点对的灰度值进行线性插值。

上述技术方案中，所述“获取源数据并进行数据预处理”是指根据绘制的要求，通过读取模块读取由硬件设备CT或核磁共振等摄取的多层断层图片文件，通过医学图像处理与开发平台提供的接口函数，取得它们的特性数据，包括断层图片的数目、单张图片的分辨率、两张相邻图片之间的距离以及医生所需要的病人信息；最后对断层图片进行必要的预处理工作，包括平滑和去噪等。在进行插值操作之前，首先要选取两张源图片，因为由读取模块读取的图片文件(由硬件设备CT或核磁共振等摄取的多层断层图片文件)是系列图片，有很多张，因此必须先确定两张相邻源图片在整个图片文件的位置，即I_k和I_k+1中k的值。在两张源图片之间进行插值时，必须先确定待插值点(图片，或层)位于源两张图片之间的的位置，即与I_k距离d₁和与I_k+1距离d₂。所述感兴趣区域是指医生需要的病人信息所对应的人体器官，而不感兴趣区域则是指空气、或者是其它医生明确不需要的人体器官信息。在每一个待插值层内，对所有点进行插值；在两张相邻源图片间，根据所需插值的层数，对每一层进行插值；在整个系列图片中，对每两张相邻源图片均进行上述插值操作；由此完成整个三维图像的插值重建。据此，即可进行三维物体的绘制与显示。

上述技术方案中，所述源图片为符合DICOM格式的CT或MRI图片。DICOM是Digital Imaging and Communications in Medicine的缩写，其字面含义包括了医学的数字成像和通信两个方面，是目前医学领域通用的图片格式。

上述技术方案中，所述线性插值方法为，若上下对应点对的灰度值分别为f_ijk，f_ij(k+1)则线性插值公式为f_ijd＝rf_ijk+(1-r)f_ij(k+1)，式中r＝d₁/(d₁+d₂)，d₁、d₂分别是待插值层与两相邻源图片的距离。

进一步的技术方案，所述步骤c)中，选取两个对称的近似圆形区域进行相似性比较，所述每个区域为3×3像素，每边中间外加1个像素的区域；或为5×5像素，每边中间外加3个像素的区域。因为对于医学图片来说，所处理的一般都是人体某些组织或病变部位，而这些部位的轮廓线都是平滑的，即一般呈现不规则的圆形或椭圆形，所以为获得更好的插值效果，摒弃传统选择两个正方形的区域的方法，而是采用选择两个对称的近似圆形区域，能获得更好的效果。

上述技术方案中，所述步骤b)中，根据组织相关性原理判断待插值点是否属于感兴趣区域是指，首先根据人体中不同组织灰度差异给出不同组织灰度分布图，利用待插值点上下层对应点的灰度值及其差值根据灰度值分布图判断待插值点属于不感兴趣区域还是属于感兴趣区域。

所述步骤c)中，分别以上下层对应点V(i，j，k)和V(i，j，k+1)为中心，选取两个区域A_k，和A_k+1，计算这两个区域的组织自相关系数

$\mathrm{\ρ}(A_k,A_{k+1})=\frac{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}(f_{\mathrm{ijk}}-\stackrel{\‾}{f_k})(f_{\mathrm{ij}(k+1)}-\stackrel{\‾}{f_{(k+1)}})}{\sqrt{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{(f_{\mathrm{ijk}}-\stackrel{\‾}{f_k})}^2}\sqrt{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{(f_{\mathrm{ij}(k+1)}-\stackrel{\‾}{f_{(k+1)}})}^2}},$

式中，A_k和A_k+1为分别以上下层对应点V(i，j，k)和V(i，j，k+1)为中心选取的区域，f_ijk，f_ij(k+1)是点V(i，j，k)和V(i，j，k+1)的灰度值，

为灰度平均值，N为上述所选区域内像素的个数；若相关系数大于设定的阈值ρ0，说明两个区域整体比较相似，属于相同的组织，则基于这个两个区域A_k，和A_k+1进行三线性插值。

所述步骤d)中，最佳匹配点对符合下列条件，匹配点对灰度值相近；匹配点对及周围点的灰度变化率相近；匹配点对及周围点的灰度变化方向相近；匹配点对的距离较小。

所述最佳匹配点由下式限定，

$R=\underset{0\≤i\≤N-1}{\min }\left\{R(V_{\mathrm{ki}},V_{(k+1)i})\right\}$

$=\underset{0\≤i\≤N-1}{\min }\{Q(V_{\mathrm{ki}},V_{(k+1)i})\·E(V_{\mathrm{ki}},V_{(k+1)i})\}$

其中，

Q(V_ki，V_(k+1)i)＝α·Δf+β·ΔK+γ·Δθ

＝α·|f_ki-f_(K+1)i|+β·|K_ki-K_(k+1)i|+γ·Δθ_i

$E(V_{\mathrm{ki}},V_{(k+1)i})=\frac{1}{\mathrm{\λ}}\·\exp \left(\mathrm{\λ}\sqrt{[{(x_{\mathrm{ki}}-x_{(k+1)i})}^2+{(y_{\mathrm{ki}}-y_{(k+1)i})}^2]}\right)$

(i＝0，1，...，N-1)

式中，R表示衡量上下两个点匹配程度的总函数；V_ki和V_(k+1)i分别表示在上下两个所选区域A_k，和A_k+1中进行比较的第i对点对，f_ki和f_(k+1)i为其灰度值，K_ki和K_(k+1)i表示点V_ki和V_(k+1)i点处的最大斜率，Δθ_i表示前述两个最大斜率所形成空间直线之间的夹角；Q(V_ki，V_(k+1)i)表示衡量上下两个点符合权利要求7中所述前三点匹配程度的函数；E(V_ki，V_(k+1)i)表示衡量上下两个点符合权利要求7中所述第四点：匹配点对的距离应该较小的函数，即指数分布函数；x_ki和x_(k+1)i，y_ki和y_(k+1)i分别表示点V_ki和V_(k+1)i的横坐标与纵坐标；α，β，γ，λ为权重函数，用以调节各分量对总函数的影响。

各权重函数的选定，可以通过实验取得，一种可选的方案为，α＝8，β＝1，γ＝0.5，λ＝1。由于寻求最佳匹配点的计算量比较大，为更快更好的获得插值效果，可以在系统实现中采用差分方法。

由于上述技术方案的运用，本发明与现有技术相比具有下列优点：

1.本发明将多种不同的插值方法进行有机结合，并且根据图片本身的性质自适应地选择插值方法，从而实现对医生感兴趣区域和对一般区域的插值进行分别处理；

2.实验证明，本发明的基于感兴趣区域的自适应医学序列图像断层间插值方法是可行的，并且具有较高的精度；

3.将本发明应用于三维重建系统中，可以提高插值速度和绘制速度而不影响插值和绘制效果，从而适应了实时性的要求，提高了医生的工作效率；

4.本发明将线性插值公式两次乘法经过变换改为一次乘法，这样乘法次数减少到原来的一半，大大减少了计算量；

5.本发明不仅考虑了灰度的变化，也兼顾了解剖结构轮廓的变化，从而更好地解决了传统插值方法的不足，使新插值出的图片更接近于实际情况。实验证明，本发明的视觉效果和图像质量有了较大的改进，插值出的图片轮廓清晰、噪声较小、不再有双重轮廓，提高了插值的质量，更重要的是计算时间大大减少。将本发明应用于三维重建和显示的系统中，使绘制出来的图像边界清晰，把梯田效应减少到最低，更符合实际需求，从而较大范围地提高医生判断的准确性和工作效率。

附图说明

附图1是本发明实施例一的基于感兴趣区域的自适应医学序列图像插值方法系统图；

附图2是实施例一中插值方法部分的流程框图；

附图3是两张源图像文件和一张插值出的图像的对比图；

附图4是人体头颅中的组织灰度分布图；

附图5是人体盆骨中的组织灰度分布图；

附图6是改进后的区域选择示意图；

附图7是实施例一中基于选择的区域进行匹配点确定的示意图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图及实施例对本发明作进一步描述：

实施例：参见附图1，为本发明提出一种基于感兴趣区域的自适应医学序列图像插值方法系统总体框架图，数据文件(图片文件)是符合DICOM格式的CT或MRI图片。

【1】源数据的获取  根据绘制的要求，通过文件读取模块读取由硬件设备CT或核磁共振等摄取的多层断层图片文件，并通过接口函数取得它们的特性数据。本示例中取断层图片的数目为227，单张图片的分辨率为512×512，两张相邻图片之间的距离为2.8mm，及医生所需要的病人信息。最后对断层图片进行必要的预处理工作，包括平滑和去噪等；

【2】确定源图片的位置  本示例中共获取227层断层图片，将最下面的一层作为第1层，并将此层图片在Z轴上位置定为Z＝0，向上以此类推。先获取最下面的两层图片，在第1层和第2层之间进行插值操作，再顺序向上；

【3】确定插值点的位置  在【2】中获取两层相邻的图片之后，再在这两层相邻的图片之间寻求第一层待插值图片所在的位置，即与I_k距离d₁和与I_k+1距离d₂。本发明中是从两层断层图片的中间开始插值，即开始时d₁＝d₂＝Δz/2，再分别向上和向下插值其他的图片。

【4】插值操作  利用循环程序设计获取待插值点V(x，y，d)的位置，再基于上下层图片中的对应点对(或匹配点对)进行层间像素的插值：

【4-1】边缘点的处理  如果利用循环程序设计获取待插值点V(x，y，d)位于图片周围(x，y＝0，N-1)，则直接采用基于上下对应点对的灰度值f_ijk，f_ij(k+1)进行线性插值，否则转至【4-2】；

线性插值公式：f_ijd＝rf_ijk+(1-r)f_ij(k+1)，(r＝d₁/(d₁+d₂)。本发明中将线性插值公式：f_A＝rf₁+(1-r)f₂，(r＝d₁/(d₁+d₂)改为：f_A＝f₂+r(f₁-f₂)，其余做同样的操作，这样乘法次数减少到原来的一半，大大减少了计算量。

【4-2】非边缘点的处理1  如果获取待插值点不是图片周围的点，则利用上下层对应点V(i，j，k)和V(i，j，k+1)的灰度值f_ijk，f_ij(k+1)及其差值|f_ijk-f_ij(k+1)|，根据组织相关性原理(图4所示)判断待插值点是否属于RONI，如果属于RONI，则采用基于其灰度值f_ijk，f_ij(k+1)进行线性插值，否则转到【4-3】；

组织相关性原理：根据人体中不同组织灰度差异及不同组织灰度分布图，本发明系统在进行相关性计算前先根据灰度值分布图(参见附图4、附图5)判断待插值体素V(i，j，d)属于RONI(如空气)，还是属于ROI(如人体组织)。属于ROI时，还要判断上下断层图像中像素点(i，j)所在的两块区域是否属于相同的组织。

【4-3】非边缘点的处理2  分别以上下层对应点V(i，j，k)和V(i，j，k+1)为中心，选取两个的区域A_k，和A_k+1，区域的形状为如附图6所示中的一种，计算这两个区域的组织自相关系数，若相关系数大于某一阈值ρ0，说明两个区域整体比较相似，则采用基于这个两个区域A_k，和A_k+1进行三线性插值，否则转到【4-4】；

组织自相关系数计算公式：

$\mathrm{\ρ}(A_k,A_{k+1})=\frac{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}(f_{\mathrm{ijk}}-\stackrel{\‾}{f_k})(f_{\mathrm{ij}(k+1)}-\stackrel{\‾}{f_{(k+1)}})}{\sqrt{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{(f_{\mathrm{ijk}}-\stackrel{\‾}{f_k})}^2}\sqrt{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{(f_{\mathrm{ij}(k+1)}-\stackrel{\‾}{f_{(k+1)}})}^2}},$

公式中变量详细解释如下：

(1)A_k，和A_k+1为分别以上下层对应点V(i，j，k)和V(i，j，k+1)为中心  选取的区域(如图5)；

(2)f_ijk，f_ij(k+1)是点V(i，j，k)和V(i，j，k+1)的灰度值，

为灰度平均值，

(3)N为上述所选区域内像素的个数；

区域的选择：因为对于医学图片来说，所处理的一般都是人体某些组织或病变部位，而这些部位的轮廓线都是平滑的，即一般成不规则的圆形或椭圆形，所以为获得更好的插值效果，本发明采用选择两个对称的近似圆形区域，如图5(一个方框表示一个像素)。

所述三线性插值为：在上下两个对称的近似圆形区域中(如附图6)选取V(x，y，z)(x＝i-1，i+1；y＝j-1，j+1；z＝k，k+1)8个点，先由点V(x，j-1，z)(x＝i-1，i+1)的灰度值线性插值出点V(i，j-1，z)(z＝k，k+1)的灰度值，由点V(x，j+1，z)(x＝i-1，i+1)的灰度值线性插值出点V(i，j+1，z)(z＝k，k+1)的灰度值，然后由点V(i，y，z)(y＝j-1，j+1)的灰度值线性插值出点V(i，j，z)(z＝k，k+1)的灰度值，最后由点V(i，j，z)(z＝k，k+1)的灰度值线性插值出点V(i，j，d)的灰度值，即进行三次线性插值。

【4-4】非边缘点的处理3  在上下层对应区域A_k，和A_k+1中寻求最佳匹配点对，利用对应点对的灰度值f_ijk，f_ij(k+1)进行线性插值。匹配点示意图(如图6所示)。最佳匹配点对必须满足四点：匹配点对灰度值应该相近；匹配点对及周围点的灰度变化率应该相近；匹配点对及周围点的灰度变化方向应该相近；匹配点对的距离应该较短。因此本发明中采用的最佳匹配点公式为：

$R=\underset{0\≤i\≤N-1}{\min }\left\{R(V_{\mathrm{ki}},V_{(k+1)i})\right\}$

$=\underset{0\≤i\≤N-1}{\min }\{Q(V_{\mathrm{ki}},V_{(k+1)i})\·E(V_{\mathrm{ki}},V_{(k+1)i})\}$

其中

Q(V_ki，V_(k+1)i)＝α·Δf+β·ΔK+γ·Δθ

＝α·|f_ki-f_(k+1)i|+β·|K_ki-K_(k+1)i|+γ·Δθ_i

$E(V_{\mathrm{ki}},V_{(k+1)i})=\frac{1}{\mathrm{\λ}}\·\exp \left(\mathrm{\λ}\sqrt{[{(x_{\mathrm{ki}}-x_{(k+1)i})}^2+{(y_{\mathrm{ki}}-y_{(k+1)i})}^2]}\right)$

(i＝0，1，...，N-1)

公式中变元详细解释如下：

(1)R表示衡量上下两个点匹配程度的总函数；

(2)V_ki和V_(k+1)i分别表示在上下两个所选区域A_k，和A_k+1中进行比较的第i对点对，f_ki和f_(k+1)i为其灰度值，  K_ki和K_(k+1)i表示点V_ki和V_(k+1)i点处的最大斜率，Δθ_i表示前述两个最大斜率所形成空间直线之间的夹角；

(3)Q(V_ki，V_(k+1)i)表示衡量上下两个点【4-4】中所述前三点匹配程度的函数；

(4)E(V_ki，V_(k+1)i)表示衡量上下两个点【4-4】中所述第四点：匹配点对的距离应该较小的函数，即指数分布函数。x_ki和x_(k+1)i，y_ki和y_(k+1)i分别表示点V_ki和V_(k+1)i的横坐标与纵坐标；

(5)α，β，γ，λ为权重函数，可以调节各分量对总函数的影响；

本系统示例中参数α＝8，β＝1，γ＝0.5，λ＝1。技术方案中，寻求最佳匹配点的计算量比较大，不能较好的满足现在医生要求的实时性，因而，为更快更好的获得插值效果，在系统实现中采用差分方法。

【5】点判断  本发明利用循环程序设计获取待插值点V(x，y，d)的位置，再基于上下层图片中的对应点对(或匹配点对)进行层间像素的插值，由x＝0，y＝0处开始插值，直到x＝N-1，y＝N-1终止。插值完一个点后判断是否已经插值完毕，如果没有，转至【3】，否则转至【6】；

【6】层判断  本发明中是从两层断层图片的中间开始插值，即开始时d₁＝d₂＝Δz/2，当把中间层插值完毕后，再分别向上和向下插值其他的图片。首先采取向上(同意也可以先向下)，插值出其他层的图片，等中间层到上一层间都插值完毕后，再由中间层向下插值，最后判断是否已经对两张相邻源图片之间所有层进行插值，如果没有，转至【3】，否则转至【6】；

【7】空间判断  本发明中是先获取最下面的两层图片，在第1层和第2层之间进行插值操作，再顺序向上；当第1层和第2层之间插值完毕后，再进行第2层和第3层之间的插值操作，以此类推。最后判断是否已经任意两张相邻的源图片之间所有层进行插值，如果没有，转至【2】，否则转至【7】；

【8】进行三维物体绘制与显示。这样的三维物体是辅助医务工作者对病变体及其他感兴趣的区域进行定性直至准确的定量分析的基础，在此基础上，才有利于医学分析、诊断和在放射治疗计划中的三维剂量场的计算及病变区的测量等。

上述具体实施方式中，I_k和I_k+1为相邻的第k层和第k+1层图像，I_d为待插值图片，本文用I_k表示第k层图像，V(x，y，k)表示第k层图像中位于(x，y)的像素，f_ijk表示第k层图像中位于(i，j)的像素的灰度值，Δz和Δ分别为相邻断层图片间的距离和一张图片中任意两个相邻像素间的距离，V(i，j，k)和V(i，j，k+1)为与待插值点x，y值相等的点，f_ijk，f_ij(k+1)是点V(i，j，k)和V(i，j，k+1)的灰度值，A_k，A_k+1是以这两点为中心的待处理区域，N为区域内像素的个数。

Claims (7)

1.一种基于感兴趣区域的自适应医学序列图像插值方法，包括下列步骤：(1)获取源数据并进行数据预处理，确定每对相邻源图片间需插值的层数；(2)选取一对待处理的相邻源图片；(3)确定待插值层与两侧相邻源图片间的距离；(4)获取待插值点的位置，进行层间像素的插值操作；(5)如果待插值层中有未处理的待插值点，重复步骤(4)；(6)如果待处理的相邻源图片间有未处理的待插值层，重复步骤(3)至(5)；(7)如果有未处理的相邻源图片，重复步骤(2)至(6)，由此实现图像的插值；其特征在于：

所述步骤(4)的插值操作是指，利用循环程序设计获取待插值点的位置，再基于上下层图片中的对应点对或匹配点对进行层间像素的插值，所述插值方法为：

a)如果待插值点位于图片周围，属于边缘点，采用基于上下对应点对的灰度值进行线性插值，否则执行步骤b)；

b)利用上下层对应点的灰度值及其差值，根据组织相关性原理判断待插值点是否属于感兴趣区域，如果不属于感兴趣区域，则基于其灰度值进行线性插值，否则执行步骤c)；

c)分别以上下层对应点为中心，选取两个区域，计算这两个区域的组织自相关系数，若相关系数大于设定阈值，说明两个区域整体比较相似，则基于这个两个区域进行三线性插值，否则执行步骤d)；

d)在上下层对应区域中寻求最佳匹配点对，利用对应点对的灰度值进行线性插值。

2.根据权利要求1所述的基于感兴趣区域的自适应医学序列图像插值方法，其特征在于：所述源图片为符合DICOM格式的CT或MRI图片。

3.根据权利要求1所述的基于感兴趣区域的自适应医学序列图像插值方法，其特征在于：所述线性插值方法为，若上下对应点对的灰度值分别为f_ijk，f_ij(k+1)则线性插值公式为f_ijd＝rf_ijk+(1-r)f_ij(k+1)，式中r＝d₁/(d₁+d₂)，d₁、d₂分别是待插值层与两相邻源图片的距离。

4.根据权利要求1所述的基于感兴趣区域的自适应医学序列图像插值方法，其特征在于：所述步骤c)中，选取两个对称的近似圆形区域进行相似性比较，所述每个区域为3×3像素，每边中间外加1个像素的区域；或为5×5像素，每边中间外加3个像素的区域。

5.根据权利要求1所述的基于感兴趣区域的自适应医学序列图像插值方法，其特征在于：所述步骤b)中，根据组织相关性原理判断待插值点是否属于感兴趣区域是指，首先根据人体中不同组织灰度差异给出不同组织灰度分布图，利用待插值点上下层对应点的灰度值及其差值根据灰度值分布图判断待插值点属于不感兴趣区域还是属于感兴趣区域。

6.根据权利要求1所述的基于感兴趣区域的自适应医学序列图像插值方法，其特征在于：所述步骤c)中，分别以上下层对应点V(i，j，k)和V(i，j，k+1)为中心，选取两个区域A_k，和A_k+1，计算这两个区域的组织自相关系数

$\mathrm{\ρ}(A_k,A_{k+1})=\frac{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}(f_{\mathrm{ijk}}-\stackrel{\‾}{f_k})(f_{\mathrm{ij}(k+1)}-\stackrel{\‾}{f_{(k+1)}})}{\sqrt{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}(f_{\mathrm{ijk}}-\stackrel{\‾}{f_k}{)}^2}\sqrt{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{(f_{\mathrm{ij}(k+1)}-\stackrel{\‾}{f_{(k+1)}})}^2}},$

式中，A_k和A_k+1为分别以上下层对应点V(i，j，k)和V(i，j，k+1)为中心选取的区域，f_ijk，f_ij(k+1)是点V(i，j，k)和V(i，j，k+1)的灰度值，

为灰度平均值，N为上述所选区域内像素的个数；若相关系数大于设定的阈值ρ0，说明两个区域整体比较相似，属于相同的组织，则基于这个两个区域A_k，和A_k+1进行三线性插值。

7.根据权利要求1所述的基于感兴趣区域的自适应医学序列图像插值方法，其特征在于：所述步骤d)中，所述最佳匹配点由下式限定，

$R=\underset{0\≤i\≤N-1}{\min }\left\{R(V_{\mathrm{ki}},V_{(k+1)i})\right\}$

$=\underset{0\≤i\≤N-1}{\min }\{Q(V_{\mathrm{ki}},V_{(k+1)i})\·E(V_{\mathrm{ki}},V_{(k+1)i})\}$

其中，

Q(V_ki，V_(k+1)i)＝α·Δf+β·ΔK+γ·Δθ

＝α·|f_ki-f_(K+1)i|+β·|K_ki-K_(k+1)i|+γ·Δθ_i

$E(V_{\mathrm{ki}},V_{(k+1)i})=\frac{1}{\mathrm{\λ}}\·\exp \left(\mathrm{\λ}\sqrt{[{(x_{\mathrm{ki}}-x_{(k+1)i})}^2+{(y_{\mathrm{ki}}-y_{(k+1)i})}^2]}\right)$

(i＝0，1，...，N-1)

式中，R表示衡量上下两个点匹配程度的总函数；V_ki和V_(k+1)i分别表示在上下两个所选区域A_k，和A_k+1中进行比较的第i对点对，f_ki和f_(k+1)i为其灰度值，K_ki和K_(k+1)i表示点V_ki和V_(k+1)i点处的最大斜率，Δθ_i表示前述两个最大斜率所形成空间直线之间的夹角；x_ki和x_(k+1)i，y_ki和y_(k+1)i分别表示点V_ki和V_(k+1)i的横坐标与纵坐标；α，β，γ，λ为权重函数，用以调节各分量对总函数的影响。

Images