CN101832756A - 测量图像中目标位移以及应变与应变率成像的方法和装置 - Google Patents

Abstract

本发明公开了一种追踪和测量图像序列中目标的位移的方法和装置，以及根据测量的位移进行应变与应变率成像的方法与装置。所述方法主要包括构造步骤，利用图像灰度信息和高阶信息、以及位移扩散函数构造能量函数；分解步骤，用于将图像分解成至少两个解析度；以及求解步骤，用于在最低解析度的图像上求得能量函数的精确解，在最低解析度之外的其它解析度图像上求得能量函数的高频精确解，以及在不同的解析度图像上进行迂回求解，以得到图像中目标的位移。按照本发明实施例的方法和装置，不仅能够描述线性运动，也能够描述非线性运动；而且，不易被噪声和图像灰度变化所干扰。

Description

测量图像中目标位移以及应变与应变率成像的方法和装置

技术领域

本发明涉及一种追踪和测量图像序列中目标的位移的方法和装置，以及根据测量的位移进行应变与应变率成像的方法与装置。

背景技术

在超声诊断中，应变率成像对于评估心脏功能有着重要的意义。应变是指物体的形变程度，而应变率是指这种形变变化的快慢。具体到心脏的应用时，应变是指心肌的形变程度，应变率是指心肌形变的快慢。一般来讲，形变都是通过追踪心肌上的相近亮点的速度，并计算速度差来得到的。所以，如果要计算心肌的应变和应变率，追踪并测量心肌组织的速度是很重要的。

通常，心脏组织的应变率是基于组织多普勒的速度图估计。但是，由于多普勒速度测量的精度依赖于组织运动速度和扫描线的夹角，如果组织运动的方向和扫描线的方向接近垂直时，所测得的组织运动速度就有较大的误差，进而基于该速度图的应变率成像也存在较大的误差，从而影响了诊断的准确性。另外，基于组织多普勒的应变率成像技术要求系统能够支持较高的成像帧率，而获得较高帧率的组织多普勒图像需要昂贵的实现成本，因此使得该技术通常只能在较高档的彩超系统上实现。

现有技术中，还有一种在普通B-型超声图像上利用斑点追踪技术来实现应变率成像的方法。斑点追踪法可以分为两种：模板匹配法(Block Matching)和光流法(Optical Flow)。模板匹配方法是在第一幅图像中定义一个模板，并且在第二幅(如时域中下一帧)图像中进行匹配。这个方法经常会被噪声所干扰，并且它只能描述线性的运动，而对于复杂的运动例如心肌运动，这种方法就变得很不可靠。在非线性运动的情况下，光流方法就变得比较可靠了。它的核心思想是假设图像在运动中，像素的亮度(灰度)值是不变的。但是这种方法在超声领域内还是会被糟糕的图像质量所干扰。

所以，需要有一种新的检测物体二维和三维运动的方法，不仅要能够克服模板匹配法只描述线性运动的缺点，也要能够克服光流法容易被噪声和图像灰度变化而干扰的问题。

发明内容

本发明的目的是为了克服现有技术存在的缺陷，提供一种追踪和测量图像序列中目标的位移的方法和装置，以及根据测量的位移进行应变与应变率成像的方法与装置。为了实现这一目的，本发明所采取的技术方案如下。

按照本发明实施例的第一方面，提供一种追踪和测量图像序列中目标的位移的方法，包括以下步骤：构造步骤，利用图像灰度信息和高阶信息、以及位移扩散函数构造能量函数；分解步骤，用于将图像分解成至少两个解析度；以及求解步骤，用于在最低解析度的图像上求得能量函数的精确解，在最低解析度之外的其它解析度图像上求得能量函数的高频精确解，以及在不同解析度图像上进行迂回求解，以得到图像中目标的位移。

按照本发明实施例的第二方面，提供一种追踪和测量图像序列中目标的位移的装置，包括以下模块：构造模块，利用图像灰度信息和高阶信息、以及位移扩散函数构造能量函数；分解模块，用于将图像分解成至少两个解析度；以及求解模块，用于在最低解析度的图像上求得能量函数的精确解，在最低解析度之外的其它解析度图像上求得能量函数的高频精确解，以及在不同解析度图像上进行迂回求解，以得到图像中目标的位移。

按照本发明实施例的第三方面，提供一种利用组织图像测量组织应变与应变率方法，包括：按照本发明实施例的第一方面的追踪和测量图像序列中目标的位移的方法；以及计算步骤，根据测量的位移计算组织的应变和应变率。

按照本发明实施例的第四方面，提供一种利用组织图像测量组织应变与应变率组装置，包括：按照本发明实施例的第二方面的追踪和测量图像序列中目标的位移的装置；以及计算模块，根据测量的位移计算组织的应变和应变率。

按照本发明实施例的第五方面，提供一种利用心脏图像测量心脏功能参数方法，包括：按照本发明实施例的第一方面的追踪和测量图像序列中目标的位移的方法；以及计算步骤，利用心室壁的位移来计算心脏功能参数。

按照本发明实施例的第六方面，提供一种利用心脏图像测量心脏功能参数装置，包括：按照本发明实施例的第二方面的追踪和测量图像序列中目标的位移的装置；以及计算模块，利用心室壁的位移来计算心脏功能参数。

按照本发明实施例的方法和装置，不仅能够描述线性运动，也能够描述非线性运动；而且，不易被噪声和图像灰度变化所干扰。

下面将结合附图并通过具体的实施例对本发明进行进一步说明。

附图说明

图1是超声图像中的斑点的示意图；

图2示出了图像的一阶信息和高阶信息变化示意图；

图3是按照本发明实施例的追踪和测量图像序列中目标位移方法的流程图；

图4是按照本发明实施例的采用四个解析度的多网格技术的示意图；

图5是按照本发明实施例的方法得到的连续两帧图像的位移场；

图6是按照本发明实施例的利用组织图像测量组织应变与应变率方法的流程图；

图7是按照本发明实施例的追踪和测量图像序列中目标位移的装置的框图；

图8是按照本发明实施例的利用组织图像测量组织应变与应变率装置的框图。

具体实施方式

在超声图像中，斑点就好比是人的指纹。斑点在一定的区域内具有一定的唯一性，超声图像中的斑点如图1所示。从图像上来看，斑点就是一些局部的亮度极大值的像素点，并且在不同帧图像上相应位置的斑点具有极大的相似性。虽然噪声也是局部的亮点，但是它在不同帧图像上通常是独立的，即表现为一些闪烁的雪花状亮点。斑点的运动和心肌的运动是一致的，通过追踪心肌上斑点的运动就可以知道心肌的运动，而噪声却不能表示一个物体的运动情况。所以要想进行正确的斑点追踪就是首先通过一些算法和方法压制噪声，然后要找到图像中的一些亮点并且在时域上进行追踪这些亮点，如果这些亮点是在心肌上，那么就能够得到心肌在不同时刻的运动情况。

在超声成像中，由于物体复杂的运动和超声仪器的性质，物体在运动过程中的亮度不变这个假设并不能永远成立。

通过研究发现，图像的高阶信息(例如图像灰度的梯度，海森行列式等等)不变性比低阶灰度信息不变性更加稳定，如图2所示。图2中上面的两幅图样式非常类似，但是却有着不同的对比度(高阶信息)。底部左边的图显示的是两个图像在同一取样条位置的灰度的变化，底部右边的图显示在同一取样条位置的梯度的变化情况。从底部两幅图中可以看到，灰度一致性并不是一个非常可靠的信息，而高阶的梯度信息却显示了两幅图像很好的一致性。通过图像的低阶信息和高阶信息的加权值来定义能量函数，最终位移场就是通过优化和解这个能量函数而得到的。因此，在追踪图像中所秉承的假设就不仅仅是图像的灰度不变，而是图像的高阶信息也有一定的延续性。

另外，在很多文献中都应用多尺度的方法来帮助快速，准确的找到最优解。所采用的方法是首先将图像分解成不同解析度大小(分辨率)的金字塔模型。在最低解析度上找到位移场后，利用这个位移场对高一级解析度的图像进行变形。然后，再找出高一级解析度图像的位移场。就这样一直进行下去，直到图像的解析度到达原始图像的水平。而本实施例借鉴了线性代数中离散函数的快速解法，这样的方法优点就是能够更加快速的找到图像的位移场。与以往的多尺度方法相比，非线性多网格方法与之的区别主要是：1)以往的多尺度算法是从最低尺度，单向的往最高尺度的计算的方法，而本实施例所用的方法是在多个尺度之间进行迂回计算，在各个尺度之间进行了来回的跳动。2)以往的多尺度方法是在每一个尺度上都求得准确解，而本实施例所用的方法只在最低解析度上求得准确解，在其它解析度上只求得一个高频上的准确解。在求得位移的情况下，就可以很容易地算出图像上每一点的物体的运动速度、角速度等。如果有更多帧的图像，就可以计算例如加速度等参数。

如图3所示，是按照本实施例的追踪和测量图像序列中目标位移的方法流程图，包括构造步骤304、分解步骤306和求解步骤308，另外还可选地包括设置步骤300和预处理步骤302。其中设置步骤300用于对输入的至少两帧图像的序列设置起始帧和终止帧，并在起始帧上设置感兴趣区域；在预处理步骤302中，利用均值滤波、高斯滤波、或者各向异性滤波对图像序列进行预处理，以去除噪声；在构造步骤304中，利用图像灰度信息和高阶信息、以及位移扩散函数构造能量函数；在分解步骤306中，将图像分解成至少两个解析度；在求解步骤308中，在最低解析度的图像上求得能量函数的精确解，在最低解析度之外的其它解析度图像上求得能量函数的高频精确解，以及在不同解析度图像上进行迂回求解，以得到图像中目标的位移。下面对按照本实施例的追踪和测量图像序列中目标位移的方法中的各步骤进行详细阐述。

在输入的图像中，首先要对初始图像进行操作，设置追踪图像序列中的起始帧和终止帧，然后在起始帧上设置感兴趣的区域(步骤300)。这些感兴趣的区域就是要被追踪的区域。可以通过轨迹球、鼠标，或者其它的人机交互工具进行设定。在本实施例中，以心肌组织为例作为选定的感兴趣区域。

进行可选的预处理，也就是去除噪声的步骤(步骤302)。这一步可以采用均值滤波、高斯滤波、或者各向异性滤波来实现。

追踪方法是核心部分，它需要利用至少连续两帧的图像信息。在给定两个被预处理后的图像后，将按照下面的公式(1)定义能量函数(步骤304)：

E(u，v)＝E_Data+γE_Propogation                    (1)

其中

$E_{\mathrm{Data}}=\underset{I}{\∫}\mathrm{\Φ}({|I(x+u,y+v,t+1)-I(x,y,t)|}^2+$

$+\mathrm{\α}|\▿I(x+u,y+v,t+1)-\▿I(x,y,t)|)\mathrm{dxdy};$

$E_{\mathrm{Propogation}}=\underset{I}{\∫}\mathrm{\Φ}({\left|{\▿}_{3}u\right|}^2+{\left|{\▿}_{3}v\right|}^2)\mathrm{dxdy};$

$\mathrm{\Φ}\left(s^2\right)=\sqrt{s^2+{\mathrm{\Ω}}^2};$

式中u、v是在X轴方向和Y轴方向相对于当前帧的位移场，I代表图像的灰度值，a和γ为权重系数，x和y代表图像中某一点的位置；其中的函数Ф是一个凹面函数，为的是让能量函数更易于优化，更加容易聚敛到理想的位置；Ω是一个很小的正数；

表示对图像进行X轴方向、Y轴方向和时间轴方向上求梯度。

整个方法的原理就是假设组织在运动的时候灰度不变，并且高阶信息(例如梯度)也是不变的。所以根据这个定义了能量函数方程，并且在将图像分解成至少两个解析度的基础上(步骤306)，利用下面的公式2-9所示的新型多尺度方法进行优化求解，就得到了组织运动的速度场。公式(1)中的能量函数主要由两部分组成：

第一个部分E_data是来源于图像的灰度，代表着时域上连续帧的图像的灰度相似程度。但是，该方法并不仅仅局限于黑白图像的灰度，也可适应于彩色图像。对于彩色图像可以选用它的红(R)、绿(G)、蓝(B)三色的加权值作为公式(1)中的灰度进行计算。例如在彩色图像情况下，I＝a₁R+a₂G+a₃B，其中R、G、B是彩色通道的信息。

除此之外，还增加了其它一些图像的高阶信息不变特性。例如在组织运动的过程中可以引起灰度的变化，但是灰度在本实施例中选用了图像亮度的梯度作为高阶部分，但是高阶部分不局限于图像的梯度，还可以利用其它一些参数，例如海森(Hessian)、拉普拉斯(Laplacian)、梯度的模(gradient norm)、海森行列式(determinantof the hessian)等也可用作高阶部分加入到能量函数中，或者将这些部分进行加权求和之后进行使用。

第二个部分E_Propogation是位移扩散函数，它的作用可以理解为平滑函数，或者抑制噪声和错误追踪点的函数。它可以使得速度位移场更加的平滑、准确。它可以使用相对比较简单的各向同性平滑，也可以使用比较复杂的各向异性平滑等。

权重参数a和γ的选择是一个经验性的问题，根据不同的图像质量和信噪比，a和γ可以选择从0到10之间的数。但是，a和γ值的范围并不能限于该范围，原则上它可以是大于0的任何数，但实际上一般情况下检验0和10之间的数就可以了。然而，选择什么样的值没有限制，只能按照经验或实验慢慢摸索得到。

下面将详细的阐述分解析度计算和优化能量函数的方法(步骤308)。首先，通过适当的排列将图像变成一个很长的一维数组，求解位移场的问题可以转换成一个类似A*X＝B的形式，其中A是一个对称的正定的稀疏矩阵，只有在求解位置的附近邻域点有非零值，X是所求的位移场([u，v])，B是一个已知矩阵。

(1)假设目前的解析度网格的大小为h×h(原始图像的解析度为1×1)，则函数变为A^hX^h＝B^h，首先在这个解析度上进行n_pre次迭代，迭代的方法可以选用Jacobi，或者Gaussian Seidel，称这一步为预先平滑(pre-smooth)。这样得到的理想解x^h的一个估计值

它们的误差由以下公式得到：

$e^h=x^h-{\tilde{x}}^h---\left(2\right)$

(2)理想情况下，如果能够知道e^h，就能够对估计解

进行更改，虽然e^h并不能直接的计算得到，但是线性的算子A^h允许计算：

$A^h{e}^h=A^h(x^h-{\tilde{x}}^h)=B^h-A^h{\tilde{x}}^h=r^h---\left(3\right)$

因为高频的错误信息已经被有效的去除了，可以在粗糙解析度上计算。也就是：

A^he^h＝r^h→A^He^H＝r^H            (4)

在这里需要定义一个约束计算(Restriction)来将解析度从h降到H。假设图像的大小为2ⁿ+1，约束计算被定义为在一个模板下的平滑并且下采样，模板的定义可以选为：

$\begin{array}{ccc}\frac{1}{16}& \frac{1}{8}& \frac{1}{16}\\ \frac{1}{8}& \frac{1}{4}& \frac{1}{8}\\ \frac{1}{16}& \frac{1}{8}& \frac{1}{16}\end{array}---\left(5\right)$

(3)在粗糙解析度上得到纠正项后，需要将在低解析度上的纠正转换到高解析度上，这一步称为扩展(prolong)。一般采用双线性插值来计算：

${\tilde{x}}_{\mathrm{new}}^h={\tilde{x}}^h+\mathrm{prolong}\left(e^H\right)---\left(6\right)$

(4)因为采用了一些插值的方法来得到在高解析度上的纠正项，这样会引入新的高频误差，所以在这一步需要进行n_post次后平滑(post-smoothing)。

现在，将线性情况推广到非线性的情况。在非线性情况下，公式为：

A^h(x^h)＝B^h    (7)

首先，对公式1非线性系统进行预先平滑(pre-smooth)。

其次，在非线性系统下找出纠正项的方法和线性系统有很大的不同。

$A^h({\tilde{x}}^h+e^h)-A^h\left({\tilde{x}}^h\right)=B^h-A^h\left({\tilde{x}}^h\right)=r^h---\left(8\right)$

将公式1变换(Restriction)到低解析度下：

$A^H({\tilde{x}}^H+e^H)=A^H\left({\tilde{x}}^H\right)+r^H---\left(9\right)$

再次，在粗解析度下解决完非线性函数(9)后，将

从解中减出去。然后将结果插值到高解析度上。

最后，进行后平滑(post-smoothing)。

前面所述的线性和非线性方法是一个循环，通常称之为V形循环。在实际过程中，为了能够更大限度的发挥多网格的计算优势，通常采用嵌套V形循环，W形循环等模式，来达到更快的计算速度。图4所示为采用的是一个经典的四个解析度的多网格技术的示意图。纵向是解析度的方向，越向上解析度越高，最高点为原始图像解析度；横坐标为图像不断的优化的过程。从图4可以看出，解析是从最粗糙的解析度开始的，通过不同的V形优化和W形优化，一直到最后形成了最优解。

利用如上所述方法组成能量函数，然后再利用多网格方法进行优化，就可以在线性的时间下快速地得到每一个像素点在x方向和y方向的位移情况。图5给出了连续两帧图像中的位移场，其中箭头标示了位移的方向和幅度。为了观察方便，已经将位移场乘以了一个常数，其中箭头的长短并不代表真实的位移长短。

另外，在给定连续两帧图像的时间间隔和计算得到的对应点的位移的情况下，可以得到每一点的速度。如果输入连续三帧图像，就可以计算得到每一点的加速度、能量或其它的与速度相关的物理参数。

如图6所示，是按照本实施例的利用组织图像测量组织应变与应变率方法的流程图，除包括上面所述的追踪和测量图像序列中目标位移的方法的步骤外，还包括计算步骤310。在计算步骤310中，根据测量的位移计算组织的应变和应变率，即利用位移和相邻帧的时间计算速度以及计算组织的应变和应变率。另外，在计算步骤310中，还可以利用心室壁的位移来计算心脏功能参数，如利用位移和相邻帧的时间计算速度以及计算心肌的应变、应变率、角速度和角加速度，从而图6还可以表示利用心脏图像测量心脏功能参数的方法的流程图。下面以心肌组织为例进行具体说明。

将上述的方法应用在超声中的心肌上就可以定量测得心肌在二维或者三维上的运动情况。下面介绍关于心肌的两个重要的定量测量功能的指标：应变和应变率。

应变就是长度的变化率，它表示为：

$\mathrm{\ϵ}=\frac{L-L_0}{L_0}=\frac{\mathrm{\ΔL}}{L_0}---\left(10\right)$

其中ε是应变，L_o是基础长度，L是即时长度。应变所表征的意义就是心肌的伸缩，形变时候的剧烈的程度。

应变率为：

$\stackrel{\·}{\mathrm{\ϵ}}=\frac{\mathrm{\Δ\ϵ}}{\mathrm{\Δt}}---\left(11\right)$

其中为应变率，它表征的是应变的变化速率。

此外，一些其它的与速度相关的物理参数也可以用来描述心脏的功能。例如在心脏的短轴切面，常常应用心肌旋转的角速度，角加速度等来进行心肌功能的定量测量。而这些物理参数在给定心肌的运动速度的时候都是很容易实现的。

除此之外，这种追踪图像中组织运动的方法还可以引用到除心脏以外的器官上。例如对于颈动脉的追踪就是一个很好的应用。

如图7所示，是按照本实施例的追踪和测量图像序列中目标位移的装置的框图，包括构造模块704、分解模块706和求解模块708，另外还可选地包括设置模块700和预处理模块702。其中设置模块700用于对输入的至少两帧图像的序列设置起始帧和终止帧，并在起始帧上设置感兴趣区域；预处理模块702利用均值滤波、高斯滤波、或者各向异性滤波对图像序列进行预处理，以去除噪声；构造模块704利用图像灰度信息和高阶信息、以及位移扩散函数构造能量函数；分解模块706将图像分解成至少两个解析度；在求解模块708中，在最低解析度的图像上求得能量函数的精确解，在最低解析度之外的其它解析度图像上求得能量函数的高频精确解，以及在不同解析度图像上进行迂回求解，以得到图像中目标的位移。

如图8所示，是按照本实施例的利用组织图像测量组织应变与应变率装置的框图，除包括上面所述的追踪和测量图像序列中目标位移的装置中的各模块外，还包括计算模块710。在计算模块710中，根据测量的位移计算组织的应变和应变率，即利用位移和相邻帧的时间计算速度以及计算组织的应变和应变率。另外，在计算模块710中，还可以利用心室壁的位移来计算心脏功能参数，如利用位移和相邻帧的时间计算速度以及计算心肌的应变、应变率、角速度和角加速度，从而图8还可以表示利用心脏图像测量心脏功能参数的装置的框图。

上面虽然以计算目标的二维位移为例对按照本发明实施例的方法和装置进行了说明，但是，按照本发明实施例的方法和装置还可以用于计算目标的三维位移。在这种情况下，所购造的能量函数中只需加入z方向的参数，而其形式以及求解过程基本相同。例如，三维的情况是对公式(1)添加一个Z方向的参数，如下所示：

$E_{\mathrm{Data}}=\underset{I}{\∫}\mathrm{\Φ}({|I(x+u,y+v,z+w,t+1)-I(x,y,z,t)|}^2+$

$+\mathrm{\α}|\▿I(x+u,y+v,z+w,t+1)-\▿I(x,y,z,t)|)\mathrm{dxdydz};$

$E_{\mathrm{Propogation}}=\underset{I}{\∫}\mathrm{\Φ}({\left|{\▿}_{3}u\right|}^2+{\left|{\▿}_{3}v\right|}^2+{\left|{\▿}_{3}w\right|}^2)\mathrm{dxdydz};$

其中u，v，w为速度在X，Y，Z轴上的速度分量。其它的例如解析的过程都与二维的情况是一致的。

此外，上面虽然以目标的二超声图像为例对按照本发明实施例的方法和装置进行了说明，但是，按照本发明实施例的方法和装置还可以利用任何目标的其他图像(例如普通的图像)计算其位移，并且可作为一种普遍的追踪和测量同一物体在任意两帧图像上的位移的方法。

以上通过具体的实施例对本发明进行了说明，但本发明并不限于这些具体的实施例。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等，例如将上述实施例中的一个步骤或模块分为两个或更多个步骤或模块来实现，或者相反，将上述实施例中的两个或更多个步骤或模块的功能放在一个步骤或模块中来实现，而且其中有些步骤或模块的次序是没有限制的，如构造步骤(或模块)与分解步骤(或模块)的次序。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语都是相对的，并不是限制，仅仅是为了便于描述。

Claims (20)

1.一种追踪和测量图像序列中目标的位移的方法，其特征在于，包括以下步骤：

构造步骤，利用图像灰度信息和高阶信息、以及位移扩散函数构造能量函数；

分解步骤，用于将图像分解成至少两个解析度；以及

求解步骤，用于在最低解析度的图像上求得能量函数的精确解，在最低解析度之外的其它解析度图像上求得能量函数的高频精确解，以及在不同解析度图像上进行迂回求解，以得到图像中目标的位移。

2.如权利要求1所述的方法，其特征在于，还包括：

设置步骤，用于对输入的至少两帧图像的序列设置起始帧和终止帧，并在起始帧上设置感兴趣区域。

3.如权利要求1所述的方法，其特征在于，还包括：

预处理步骤，利用均值滤波、高斯滤波、或者各向异性滤波对图像序列进行预处理，以去除噪声。

4.如权利要求1至3中任意一项所述的方法，其特征在于，所述能量函数包括：

图像的低阶信息和高阶信息，以及位移扩散函数；

其中图像的低阶信息包括图像的灰度，对于彩色图像为彩色通道信息的加权值；图像的高阶信息包括图像的灰度在横纵坐标方向和时间方向上的梯度、海森、拉普拉斯、梯度的模、海森行列式，或者其全部或部分的加权和；

其中位移扩散函数包括各向同性平滑函数、各向异性平滑函数、或者抑制噪声和错误追踪点的函数。

5.如权利要求1至3中任意一项所述的方法，其特征在于，所述分解步骤包括：利用滤波、降采样或截位，将高解析度图像分解成至少两个不同解析度的图像。

6.如权利要求1至3中任意一项所述的方法，其特征在于，所述求解步骤包括：利用Gaussian Seidel、Jacobi方法或者能在高频上迅速收敛的方法求得精确解。

7.如权利要求1至3中任意一项所述的方法，其特征在于：所述迂回求解为在多个解析度之间来回跳动，进行迂回计算。

8.如权利要求1至3中任意一项所述的方法，其特征在于：所述解析步骤中求得的图像中目标的位移是二维位移或三维位移。

9.如权利要求1至3中任意一项所述的方法，其特征在于：所述图像包括超声图像。

10.一种追踪和测量图像序列中目标的位移的装置，其特征在于，包括以下模块：

构造模块，利用图像灰度信息和高阶信息、以及位移扩散函数构造能量函数；

分解模块，用于将图像分解成至少两个解析度；以及

求解模块，用于在最低解析度的图像上求得能量函数的精确解，在最低解析度之外的其它解析度图像上求得能量函数的高频精确解，以及在不同解析度图像上进行迂回求解，以得到图像中目标的位移。

11.如权利要求10所述的装置，其特征在于，还包括：

设置模块，用于对输入的至少两帧图像的序列设置起始帧和终止帧，并在起始帧上设置感兴趣区域。

12.如权利要求10所述的装置，其特征在于，还包括：

预处理模块，利用均值滤波、高斯滤波、或者各向异性滤波对图像序列进行预处理，以去除噪声。

13.一种利用组织图像测量组织应变与应变率方法，其特征在于，包括：

权利要求1至9任意一项所述的追踪和测量图像序列中目标的位移的方法；以及

计算步骤，根据测量的位移计算组织的应变和应变率。

14.如权利要求13所述的方法，其特征在于：在所述计算步骤中，利用位移和相邻帧的时间计算速度以及计算组织的应变和应变率。

15.一种利用组织图像测量组织应变与应变率组装置，其特征在于，包括：

权利要求10至12任意一项所述的追踪和测量图像序列中目标的位移的装置；以及

计算模块，根据测量的位移计算组织的应变和应变率。

16.如权利要求15所述的装置，其特征在于：所述计算模块利用位移和相邻帧的时间计算速度和计算组织的应变和应变率。

17.一种利用心脏图像测量心脏功能参数方法，其特征在于，包括：

权利要求1至9任意一项所述的追踪和测量图像序列中目标的位移的方法；以及

计算步骤，利用心室壁的位移来计算心脏功能参数。

18.如权利要求17所述的方法，其特征在于：在所述计算步骤中，利用位移和相邻帧的时间计算速度和计算心肌的应变、应变率、角速度、以及角加速度。

19.一种利用心脏图像测量心脏功能参数装置，其特征在于，包括：

权利要求10至12任意一项所述的追踪和测量图像序列中目标的位移的装置；以及

计算模块，利用心室壁的位移来计算心脏功能参数。

20.如权利要求19所述的方法，其特征在于：所述计算模块利用位移和相邻帧的时间计算速度和计算心肌的应变、应变率、角速度、以及角加速度。

Images