CN102743185B - 一种肺4d-ct图像数据层间插值方法 - Google Patents
一种肺4d-ct图像数据层间插值方法 Download PDFInfo
- Publication number
- CN102743185B CN102743185B CN201210186975.9A CN201210186975A CN102743185B CN 102743185 B CN102743185 B CN 102743185B CN 201210186975 A CN201210186975 A CN 201210186975A CN 102743185 B CN102743185 B CN 102743185B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- block
- lung
- similar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 210000004072 lung Anatomy 0.000 title claims abstract description 23
- 239000011229 interlayer Substances 0.000 title claims abstract description 10
- 238000002591 computed tomography Methods 0.000 title 1
- 239000010410 layer Substances 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000011524 similarity measure Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种肺4D-CT图像数据层间插值方法,包括(1)读取肺部4D-CT图像,该图像由多个相位不同的肺部3D-CT图像组成;(2)通过线性插值计算方法重建出每个3D-CT图像的多个中间层图像;(3)将多个中间层图像中的每一层图像分成多个原始图像块;(4)对于每个3D-CT图像中的每一个原始图像块,在4D-CT图像除去该3D-CT图像中的其它多个3D-CT图像范围内搜索与该原始图像块最相似的若干相似图像块;(5)对搜索到的若干相似图像块进行加权平均计算,得出最终输出图像块;(6)用最终输出图像块替换相应的原始图像块;(7)对所有原始图像块进行操作,最终完成所有3D-CT图像的插值过程。
Description
技术领域
本发明涉及一种医学图像处理领域,具体是指一种肺4D-CT图像数据层间插值方法。
背景技术
由于肺部4D-CT数据提供了与呼吸运动相关的信息,对引导精确放射治疗有重要意义,因此在肺癌放射治疗中越来越受重视。然而,考虑到辐射的风险,肺4D-CT数据通常只能获得有限个扫描层,这样使得数据层间分辨率过大,导致低的纵向(Z轴方向)分辨率。这种低分辨率的数据常常引入视觉伪影,例如血管的不连续性以及部分容积效应,4D-CT图像数据是由多个相位不同的3D-CT图像数据构成。
提高图像层间分辨率的方法主要是插值。常用的插值方法有线性插值、三次样条插值等。这些插值方法的主要优势是计算的简便。然而,不可避免的会产生模糊边缘和不良伪影,且其血管不连续性和部分容积效应不能得到有效改善。
发明内容
本发明的目的在于提出一种肺4D-CT图像数据层间插值方法,该方法能通过插值,提高肺4D-CT图像的层间分辨率。
本发明的目的可通过以下的技术措施来实现:一种肺4D-CT图像数据层间插值方法,包括以下步骤:
(1)读取肺部4D-CT图像,该图像由多个相位不同的肺部3D-CT图像组成;
(2)通过线性插值计算方法重建出每个3D-CT图像的多个中间层图像;
(3)将重建的多个中间层图像中的每一层图像分成多个原始图像块y;
(4)对于每个3D-CT图像中的每一个原始图像块y,在4D-CT图像除去该3D-CT图像后所剩下的其它多个3D-CT图像范围内,搜索与该原始图像块y最相似的若干相似图像块y′;
(7)对所有原始图像块y进行步骤(4)、(5)、(6)操作,最终完成所有3D-CT图像的插值过程。
本发明中,所述步骤(2)中的线性插值计算公式为:Y=(Yu+Yd)/2,其中Y为每个3D-CT图像的中间层图像,Yu和Yd为每个3D-CT图像的相邻两层图像。
本发明中,所述步骤(4)中,对于每个3D-CT图像中的每一个原始图像块y,搜索与该原始图像块y相似的若干相似图像块y′的搜索方法为计算原始图像块y和相似图像块y′之间的D(y,y′)值,选取D(y,y′)计算值最小的几个图像块为最终选择的相似图像块y′,D(y,y′)的计算公式为: 其中:D(y,y′)为两个图像块y和y′之间的相似性测度,y(i,j)为原始图像块y中的像素,y′(i,j)为相似图像块y′中的像素,原始图像块y和相似图像块y′的宽度和高度相同,n,m分别为图像块宽度和高度。
本发明中,所述步骤(5)中的图像加权平均计算公式为:其中为最终输出图像块,w(y,y′)为由图像相似性测度D(y,y′)计算得到的权值,图像块越相似,权值w(y,y′)越大,反之越小,w(y,y′)为权计算公式:σ为指数函衰减控制参数。
和现有技术相比,本发明具有如下的有益效果:
(1)本发明通过直接从已有的图像数据中寻找合适的信息实现图像插值,能有效减少由于一般插值方法引入的图像伪影,能得到与真实数据更相似的插值结果图;
(2)本发明插值后得到的高分辨率肺4D-CT图像数据,能有效较少血管的不连续性和部分容积效应,具有更清晰的解剖结构。
附图说明
图1是本发明肺4D-CT图像数据层间插值方法的流程框图;
图2是本发明线性插值后冠状面显示图;
图3是本发明插值后冠状面显示图;
图4是本发明线性插值后矢状面显示图;
图5是本发明插值后矢状面显示图。
具体实施方案
图1示出了本发明方法的具体流程,下面结合一个具备10个相位的4D-CT序列图像来详细描述本发明方法的处理过程,该肺4D-CT图像数据层间插值方法的具体步骤如下:
(1)读取肺部4D-CT图像数据,该图像数据由10个相位不同的肺部3D-CT图像数据构成;
(2)采用线性插值技术,插值计算出第一个相位3D-CT图像数据中每相邻两层Yu和Yd的多个中间层数据Y,具体形式为:Y=(Yu+Yd)/2,其中Y为中间层图像,Yu和Yd为相邻两层图像,该3D-CT图像共104层,经过线性插值后插出103层中间层图像;
(3)将这重建的103层中间图像层中的每一层图像均分成32*32大小的多个原始图像块y;
(4)对于该第一个相位3D-CT图像中的每一个原始图像块y,在其他9个相位的3D-CT图像数据范围内中寻找3个与该原始图像块y最相似的若干相似图像块y′;搜索方法为计算原始图像块y和相似图像块y′之间的D(y,y′)值,选取D(y,y′)计算值最小的几个图像块为最终选择的相似图像块y′,D(y,y′)的计算公式为:
y(i,j)为原始图像块y中的像素,y′(i,j)为相似图像块y′中的像素,原始图像块y和相似图像块y′的宽度和高度相同,n,m分别为图像块宽度和高度D(y,y′)值最小的三个图像块即为最终选择的图像块;
(5)将找到的3个图像块加权平均计算,具体计算公式为:
(7)对第一个相位3D-CT图像中的所有原始图像块y依次进行步骤(4)、(5)、(6)操作,计算完成第一个相位的3D-CT图像插值;
(8)对第2~10个相位的3D-CT图像数据依次进行步骤(2)、(3)、(4)、(5)、(6)操作,直至完成所有3D-CT图像相位数据的插值计算;
(9)输出插值后的高分辨率的4D-CT图像数据。
图2中,显示了由线性插值方法重建高分辨率肺4D-CT图像后的冠状面显示结果。明显可见血管的不连续性和部分容积效应。图3为本发明方法插值后图像冠状面显示结果,图像质量得到明显改进。图4,图5分别为两种方法插值后图像矢状面显示结果,可以得到相同的结论。
本发明的实施方式不限于此,可以根据实际需要进行修改,以适应不同的实际需求,因此,在本发明上述基本技术思想前提下,按照本领域的普通技术知识和惯用手段对本发明内容所做出其它多种形式的修改、替换或变更,均落在本发明权利保护范围之内。
Claims (3)
1.一种肺4D-CT图像数据层间插值方法,包括以下步骤:
(1)读取肺部4D-CT图像,该图像由多个相位不同的肺部3D-CT图像组成;
(2)通过线性插值计算方法重建出每个3D-CT图像的多个中间层图像;
(3)将重建的多个中间层图像中的每一中间层图像分成多个原始图像块y;
(4)对于每个3D-CT图像的每一中间层图像中的每一个原始图像块y,在4D-CT图像除去该3D-CT图像后所剩下的其它多个3D-CT图像范围内,搜索与该原始图像块y最相似的若干相似图像块y′;该步骤中,对于每个3D-CT图像的每一中间层图像中的每一个原始图像块y,搜索与该原始图像块y相似的若干相似图像块y′的搜索方法为计算原始图像块y和相似图像块y′之间的D(y,y′)值,选取D(y,y′)计算值最小的几个图像块为最终选择的相似图像块y′,D(y,y′)的计算公式为: 其中:为D(y,y′)两个图像块y和y′之间的相似性测度,y(i,j)为原始图像块y中的像素,y′(i,j)为相似图像块y′中的像素,原始图像块y和相似图像块y′的宽度和高度相同,n,m分别为图像块宽度和高度;
(7)对所有原始图像块y进行步骤(4)、(5)、(6)操作,最终完成所有3D-CT图像的中间层图像的插值过程。
2.根据权利要求1所述的肺4D-CT图像数据层间插值方法,其特征在于:所述步骤(2)中的线性插值计算公式为:Y=(Yu+Yd)/2,其中Y为每个3D-CT图像的中间层图像,Yu和Yd为每个3D-CT图像的相邻两层图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210186975.9A CN102743185B (zh) | 2012-06-07 | 2012-06-07 | 一种肺4d-ct图像数据层间插值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210186975.9A CN102743185B (zh) | 2012-06-07 | 2012-06-07 | 一种肺4d-ct图像数据层间插值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102743185A CN102743185A (zh) | 2012-10-24 |
CN102743185B true CN102743185B (zh) | 2014-07-09 |
Family
ID=47023941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210186975.9A Expired - Fee Related CN102743185B (zh) | 2012-06-07 | 2012-06-07 | 一种肺4d-ct图像数据层间插值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102743185B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325087B (zh) * | 2013-06-25 | 2016-06-01 | 上海交通大学 | Ct图像断层数据的插值方法 |
CN106446572B (zh) * | 2016-09-27 | 2018-12-07 | 上海精劢医疗科技有限公司 | 基于边界元模型和局部区域修正的肺部呼吸运动获取方法 |
CN109549660B (zh) * | 2018-12-07 | 2022-03-04 | 北京锐视康科技发展有限公司 | 可携带式扫描仪 |
JP7283985B2 (ja) * | 2019-06-12 | 2023-05-30 | ザイオソフト株式会社 | 医用画像処理装置、医用画像処理方法、及び医用画像処理プログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449289A (zh) * | 2006-05-17 | 2009-06-03 | 皇家飞利浦电子股份有限公司 | 基于对成像基准的几何分析根据呼吸相位对4d ct的回顾性分类 |
CN101743568A (zh) * | 2007-05-17 | 2010-06-16 | 伊利克塔股份有限公司 | 在线锥形束ct重建 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6546067B2 (en) * | 2001-01-30 | 2003-04-08 | Kabushiki Kaisha Toshiba | Reconstruction and scan of 4D-CT |
US8457717B2 (en) * | 2004-04-08 | 2013-06-04 | Stanford University | Method and system of adaptive control for reducing motion artifacts and patient dose in four dimensional computed tomography |
US8849373B2 (en) * | 2007-05-11 | 2014-09-30 | Stanford University | Method and apparatus for real-time 3D target position estimation by combining single x-ray imaging and external respiratory signals |
-
2012
- 2012-06-07 CN CN201210186975.9A patent/CN102743185B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449289A (zh) * | 2006-05-17 | 2009-06-03 | 皇家飞利浦电子股份有限公司 | 基于对成像基准的几何分析根据呼吸相位对4d ct的回顾性分类 |
CN101743568A (zh) * | 2007-05-17 | 2010-06-16 | 伊利克塔股份有限公司 | 在线锥形束ct重建 |
Also Published As
Publication number | Publication date |
---|---|
CN102743185A (zh) | 2012-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Super-resolution reconstruction of single anisotropic 3D MR images using residual convolutional neural network | |
Shi et al. | MR image super-resolution via wide residual networks with fixed skip connection | |
US20200349449A1 (en) | 3-d convolutional autoencoder for low-dose ct via transfer learning from a 2-d trained network | |
Frakes et al. | A new method for registration-based medical image interpolation | |
CN108898560A (zh) | 基于三维卷积神经网络的岩心ct图像超分辨率重建方法 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
CN103440676B (zh) | 一种基于运动估计的肺4d‑ct图像的超分辨率冠矢状面图像重建方法 | |
Zhou et al. | Volume upscaling with convolutional neural networks | |
Claus et al. | Metal-artifact reduction using deep-learning based sinogram completion: initial results | |
CN104182954A (zh) | 一种实时的多模态医学图像融合方法 | |
CN102743185B (zh) | 一种肺4d-ct图像数据层间插值方法 | |
CN111899165A (zh) | 一种基于功能模块的多任务图像重建卷积网络模型 | |
Wiemker et al. | A radial structure tensor and its use for shape-encoding medical visualization of tubular and nodular structures | |
US11869120B2 (en) | System and method for image reconstruction | |
CN104463785B (zh) | 一种超声图像的放大方法及装置 | |
Shende et al. | A brief review on: MRI images reconstruction using GAN | |
Yan et al. | SMIR: A Transformer-Based Model for MRI super-resolution reconstruction | |
Huang et al. | MRI super-resolution via realistic downsampling with adversarial learning | |
CN108924528A (zh) | 一种基于深度学习的双目风格化实时渲染方法 | |
CN104299209A (zh) | 基于快速亚像素运动估计的肺4d-ct图像超分辨率重建方法 | |
CN118298067A (zh) | 基于Transformer的MRI脑肿瘤图像重建方法及系统 | |
CN117635426A (zh) | 一种基于多尺度注意力的磁共振图像超分辨率重建方法 | |
CN109559278A (zh) | 基于多特征学习的超分辨图像重建方法及系统 | |
Cheng et al. | Sdct-gan: reconstructing CT from biplanar x-rays with self-driven generative adversarial networks | |
Zhu et al. | A residual dense vision transformer for medical image super-resolution with segmentation-based perceptual loss fine-tuning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140709 Termination date: 20210607 |