CN103886568A - 基于配准的肺4d-ct图像超分辨率重建方法 - Google Patents

基于配准的肺4d-ct图像超分辨率重建方法 Download PDF

Info

Publication number
CN103886568A
CN103886568A CN201410099966.5A CN201410099966A CN103886568A CN 103886568 A CN103886568 A CN 103886568A CN 201410099966 A CN201410099966 A CN 201410099966A CN 103886568 A CN103886568 A CN 103886568A
Authority
CN
China
Prior art keywords
image
lung
resolution
images
registration
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.)
Granted
Application number
CN201410099966.5A
Other languages
English (en)
Other versions
CN103886568B (zh
Inventor
张煜
吴秀秀
戴振晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Medical University
Original Assignee
Southern Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Medical University filed Critical Southern Medical University
Priority to CN201410099966.5A priority Critical patent/CN103886568B/zh
Publication of CN103886568A publication Critical patent/CN103886568A/zh
Application granted granted Critical
Publication of CN103886568B publication Critical patent/CN103886568B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种基于配准的肺4D-CT图像超分辨率重建方法，依次包括：（1）由肺4D-CT数据获得不同相位低分辨率图像序列；（2）选定序列中某一相位的图像作为参考图像，对其插值放大，将插值后的结果作为重建结果的初始估计图像；（3）以序列中其他相位的对应低分辨率图像作为浮动图像,对浮动图像插值放大，分别估计浮动图像的插值结果与初始估计图像之间的运动变形场；（4）以步骤（3）得到的运动变形场为基础，重建高分辨率肺4D-CT图像。本发明获得的肺4D-CT图像的多平面显示图像清晰，结构明显增强，图像分辨率提高，能够有效提高肺4D-CT数据多平面显示图像的质量。

Description

基于配准的肺4D-CT图像超分辨率重建方法
技术领域
本发明涉及医学图像处理技术领域，具体涉及一种基于配准的肺4D-CT图像超分辨率重建方法。此方法主要利用不同相位的图像互补信息来重建高分辨率图像，旨在提高肺4D-CT图像的质量，增强图像的视觉效果。 
背景技术
CT图像具有独特的空间和密度分辨率，肺3D-CT图像能够指导放射治疗计划和提供剂量投射的信息，但3D-CT图像因缺少呼吸运动信息无法跟踪肺组织和肿瘤的运动。4D-CT图像把时间因素纳入CT图像的扫描和重建过程，通过同步采集CT图像和呼吸信号，可以再现整个呼吸周期器官和肿瘤的空间结构和运动情况。这些数据是放射治疗精确定位靶区的关键，有助于病人的个体化放疗。因此4D-CT图像在肺肿瘤精确放射治疗中发挥着越来越重要的作用。 
然而， 由于CT照射固有的高剂量特性，往往只能降低沿纵向（通常是Z轴方向）的采样来减少4D-CT扫描时间以降低辐射量，导致肺4D-CT图像的层间分辨率远低于层内分辨率，测试数据具有显著的各向异性。这样对数据进行多平面观察如冠矢状面等时，需进行插值运算以获得正确的显示，而插值操作易导致图像模糊化。 
因此，针对现有技术不足，提供一种基于配准的肺4D-CT图像超分辨率重建方法以克服现有技术不足甚为必要。 
发明内容
本发明的目的在于针对现有技术不足，提供一种基于配准的肺4D-CT图像超分辨率重建方法，该方法能够提高肺4D-CT图像数据多平面显示的质量。 
本发明的上述目的通过如下技术方案实现。 
一种基于配准的肺4D-CT图像超分辨率重建方法，依次包括如下步骤： 
（1）由肺4D-CT数据获得不同相位低分辨率图像序列；
（2）选定序列中某一相位的图像作为参考图像，对其插值放大，将插值后的结果作为重建结果的初始估计图像 
Figure RE-DEST_PATH_IMAGE001
；
（3）以序列中其他相位的对应低分辨率图像作为浮动图像,对浮动图像插值放大，分别估计浮动图像的插值结果与初始估计图像
Figure 338840DEST_PATH_IMAGE001
之间的运动变形场；
（4）以步骤（3）得到的运动变形场为基础，重建高分辨率肺4D-CT图像。
上述步骤（3）具体是采用Active Demons配准方法估计不同帧图像之间的运动变形场。 
上述步骤（3）具体包括： 
（3.1）Active Demons算法是基于光流场理论，前提假设是呼吸运动过程中肺部图像各点灰度值不随时间而改变，即：
；
其中，
Figure RE-DEST_PATH_IMAGE003
表示图像灰度值；为时间；
Figure RE-DEST_PATH_IMAGE005
表示坐标；
Figure 176849DEST_PATH_IMAGE006
为常量；
（3.2）根据式（1）得到驱动力：
Figure RE-DEST_PATH_IMAGE007
； 
其中，
Figure 901091DEST_PATH_IMAGE008
为参考图像，
Figure RE-DEST_PATH_IMAGE009
为浮动图像；驱动力
Figure 508790DEST_PATH_IMAGE010
，代表坐标
Figure RE-DEST_PATH_IMAGE011
从
Figure 420114DEST_PATH_IMAGE009
到
Figure 935409DEST_PATH_IMAGE012
所需的偏移量；
Figure RE-DEST_PATH_IMAGE013
和
Figure 389524DEST_PATH_IMAGE014
分别代表参考图像和浮动图像在坐标
Figure 699283DEST_PATH_IMAGE011
处的灰度值；
Figure RE-DEST_PATH_IMAGE015
是参考图像在
Figure 608157DEST_PATH_IMAGE011
处的灰度梯度；
（3.3）根据力是相互的原理，参考图像和浮动图像相互之间都有驱动力， Active Demons算法驱动力表示为：
Figure 661564DEST_PATH_IMAGE016
；
其中，
Figure RE-DEST_PATH_IMAGE017
为均化系数；是浮动图像在
Figure 44320DEST_PATH_IMAGE011
处的灰度梯度；
（3.4）根据式（3）估计肺4D-CT初始估计
Figure RE-DEST_PATH_IMAGE019
与其他相位插值放大后的图像之间的运动变形场。
上述步骤（4）具体是采用凸集投影POCS法重建高分辨率肺4D-CT图像。 
上述步骤（4）具体包括： 
    (4.1)以初始估计图像作为当前估计图像；
(4.2)计算当前估计图像与浮动图像的对应点的残差
Figure 662701DEST_PATH_IMAGE020
，残差形式如下：
Figure 622566DEST_PATH_IMAGE021
；
是第幅浮动图像上
Figure 647340DEST_PATH_IMAGE024
处的灰度值；
Figure RE-DEST_PATH_IMAGE025
是点扩散函数
Figure 511391DEST_PATH_IMAGE026
经过归一化而得到，点扩散函数
Figure RE-DEST_PATH_IMAGE027
为Gauss模型，其中，
Figure 919239DEST_PATH_IMAGE028
是当前估计
Figure 741701DEST_PATH_IMAGE019
中与浮动图像
Figure RE-DEST_PATH_IMAGE029
中
Figure 477576DEST_PATH_IMAGE024
相对应的点，是对
Figure 440295DEST_PATH_IMAGE028
四舍五入得到的坐标点；
(4.3)添加噪声凸约束并对当前高分辨率图像进行更新；
噪声凸约束具体为： 
Figure RE-DEST_PATH_IMAGE031
；
其中，
Figure 902500DEST_PATH_IMAGE032
为残差 ；
Figure RE-DEST_PATH_IMAGE033
为阈值；
更新过程具体为：
Figure 656830DEST_PATH_IMAGE034
；
其中，是与凸集
Figure 252896DEST_PATH_IMAGE036
相对应的凸投影算子； 
(4.4)添加灰度值范围凸约束：
Figure RE-DEST_PATH_IMAGE037
；
将灰度值小于0的像素点灰度值调整为0，灰度值大于255的像素点灰度值调整为255，最后得到修正后的结果
Figure 245123DEST_PATH_IMAGE038
；    
(4.5)计算
Figure RE-DEST_PATH_IMAGE039
，如果满足停止条件，则以当前结果
Figure RE-DEST_PATH_IMAGE041
作为重建后的高分辨率肺4D-CT图像；
如果
Figure RE-DEST_PATH_IMAGE043
大于
Figure 713330DEST_PATH_IMAGE044
，则进入步骤（4.6）；
(4.6)计算
Figure 847508DEST_PATH_IMAGE038
与其他相位图像之间的运动变形场 ，将
Figure RE-DEST_PATH_IMAGE045
作为当前估计图像，返回步骤(4.2)。
    优选的，上述步骤（2）具体采用线性插值方法进行插值放大。 
    优选的，上述步骤（3）具体采用线性插值方法进行插值放大。 
本发明的基于配准的肺4D-CT图像超分辨率重建方法，依次包括如下步骤：（1）由肺4D-CT数据获得不同相位低分辨率图像序列；（2）选定序列中某一相位的图像作为参考图像，对其插值放大，将插值后的结果作为重建结果的初始估计图像
Figure 225400DEST_PATH_IMAGE019
；（3）以序列中其他相位的对应低分辨率图像作为浮动图像,对浮动图像插值放大，分别估计浮动图像的插值结果与初始估计图像
Figure 294987DEST_PATH_IMAGE019
之间的运动变形场；（4）以步骤（3）得到的运动变形场为基础，重建高分辨率肺4D-CT图像。本发明根据肺4D-CT数据提供随呼吸运动变化的肺部低分辨率图像序列，而多平面间不同相位对应图像可以认为是一系列低分辨率图像“帧”，这些图像间信息是互补的，根据此特征采用超分辨率算法重建清晰的高分辨率图像。本发明获得的肺4D-CT图像的多平面显示图像清晰，结构明显增强，图像分辨率提高，能够有效提高肺4D-CT数据多平面显示图像的质量。 
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。 
图1是本发明基于配准的肺4D-CT图像超分辨率重建方法的流程图。 
图2 是本发明相位0的冠状面采用不同方法重建的结果示意图，其中图2（a）是采用三次样条插值方法重建的结果图，图2（b）是本发明的方法重建的结果图。 
图3是对应图2中的方框部分的放大图，图3（a）是对应图2（a）中的A区放大图，图3（b）是对应图2（b）中的A区放大图。 
图4 是本发明相位0的矢状面采用不同方法重建的结果示意图，其中图4（a）是采用三次样条插值方法重建的结果图，图4（b）是本发明的方法重建的结果图。 
图5是对应图4中的方框部分的放大示意图，图5（a）是对应图4（a）中的A区放大图，图5（b）是对应图4（b）中的A区放大图。 
具体实施方式
下面结合具体的实施例对本发明进行详细描述。 
实施例1。
一种基于配准的肺4D-CT图像超分辨率重建方法，如图1所示，依次包括如下步骤： 
（1）由肺4D-CT数据获得不同相位低分辨率图像序列；
（2）选定序列中某一相位的图像作为参考图像，采用线性插值方法对其插值放大，将插值后的结果作为重建结果的初始估计图像；  
（3）以序列中其他相位的对应低分辨率图像作为浮动图像,采用线性插值方法对浮动图像插值放大，分别估计浮动图像的插值结果与初始估计图像
Figure 194734DEST_PATH_IMAGE019
之间的运动变形场；
（4）以步骤（3）得到的运动变形场为基础，重建高分辨率肺4D-CT图像。
步骤（3）是采用Active Demons配准方法估计不同帧图像之间的运动变形场，具体包括： 
（3.1）Active Demons算法是基于光流场理论，前提假设是呼吸运动过程中肺部图像各点灰度值不随时间而改变，即：
Figure 427132DEST_PATH_IMAGE002
；
其中，
Figure 667621DEST_PATH_IMAGE003
表示图像灰度值；
Figure 618259DEST_PATH_IMAGE004
为时间；表示坐标；
Figure 446724DEST_PATH_IMAGE006
为常量；
（3.2）根据式（1）得到驱动力：
Figure 389272DEST_PATH_IMAGE007
； 
其中，
Figure 296048DEST_PATH_IMAGE008
为参考图像，
Figure 982244DEST_PATH_IMAGE009
为浮动图像；驱动力
Figure 189235DEST_PATH_IMAGE046
，代表坐标
Figure 896160DEST_PATH_IMAGE011
从
Figure 821390DEST_PATH_IMAGE009
到
Figure 45698DEST_PATH_IMAGE012
所需的偏移量；
Figure 841616DEST_PATH_IMAGE013
和
Figure 453863DEST_PATH_IMAGE014
分别代表参考图像和浮动图像在坐标
Figure 866390DEST_PATH_IMAGE011
处的灰度值；
Figure 363230DEST_PATH_IMAGE015
是参考图像在
Figure 544813DEST_PATH_IMAGE011
处的灰度梯度；
（3.3）根据力是相互的原理，参考图像和浮动图像相互之间都有驱动力， Active Demons算法驱动力表示为：
Figure RE-DEST_PATH_IMAGE047
；
其中，
Figure 265644DEST_PATH_IMAGE017
为均化系数；
Figure 198090DEST_PATH_IMAGE018
是浮动图像在
Figure 764201DEST_PATH_IMAGE011
处的灰度梯度；
（3.4）根据式（3）估计肺4D-CT初始估计与其他相位插值放大后的图像之间的运动变形场。
上述步骤（4）是采用凸集投影POCS法重建高分辨率肺4D-CT图像,步骤（4）具体包括： 
    (4.1)以初始估计图像
Figure 285498DEST_PATH_IMAGE019
作为当前估计图像；
(4.2)计算当前估计图像与浮动图像的对应点的残差，残差形式如下：
Figure 245681DEST_PATH_IMAGE021
；
是第
Figure 792385DEST_PATH_IMAGE023
幅浮动图像上
Figure 401221DEST_PATH_IMAGE048
处的灰度值；
Figure RE-DEST_PATH_IMAGE049
是点扩散函数
Figure 574714DEST_PATH_IMAGE026
经过归一化而得到，点扩散函数
Figure 382133DEST_PATH_IMAGE027
为Gauss模型，其中，
Figure 350089DEST_PATH_IMAGE050
是当前估计中与浮动图像
Figure 626666DEST_PATH_IMAGE029
中
Figure 491854DEST_PATH_IMAGE048
相对应的点，
Figure 896291DEST_PATH_IMAGE030
是对
Figure 479719DEST_PATH_IMAGE028
四舍五入得到的坐标点；
(4.3)添加噪声凸约束并对当前高分辨率图像进行更新；
噪声凸约束具体为： 
Figure 995014DEST_PATH_IMAGE051
；
其中，
Figure 9981DEST_PATH_IMAGE032
为残差 ；
Figure 319739DEST_PATH_IMAGE033
为阈值；
更新过程具体为：
Figure RE-DEST_PATH_IMAGE052
；
其中，
Figure 656043DEST_PATH_IMAGE035
是与凸集
Figure 709450DEST_PATH_IMAGE053
相对应的凸投影算子； 
(4.4)添加灰度值范围凸约束：
Figure RE-DEST_PATH_IMAGE054
；
将灰度值小于0的像素点灰度值调整为0，灰度值大于255的像素点灰度值调整为255，最后得到修正后的结果
Figure 345967DEST_PATH_IMAGE038
；    
(4.5)计算
Figure 420102DEST_PATH_IMAGE039
，如果满足停止条件
Figure 978123DEST_PATH_IMAGE040
，则以当前结果
Figure 569641DEST_PATH_IMAGE041
作为重建后的高分辨率肺4D-CT图像；
如果
Figure 529507DEST_PATH_IMAGE043
大于
Figure 446647DEST_PATH_IMAGE044
，则进入步骤（4.6）；
(4.6)计算与其他相位图像之间的运动变形场 ，将
Figure 418331DEST_PATH_IMAGE045
作为当前估计图像，返回步骤(4.2)。
根据肺4D-CT数据提供随呼吸运动变化的肺部低分辨率图像序列，而多平面间不同相位对应图像可以认为是一系列低分辨率图像“帧”，这些图像间信息是互补的，根据此特征采用超分辨率算法重建清晰的高分辨率图像。本发明获得的肺4D-CT图像的多平面显示图像更清晰，结构明显增强，图像分辨率提高，能够有效提高肺4D-CT数据多平面显示图像的质量。 
实施例2。 
一种基于配准的肺4D-CT图像超分辨率重建方法，如图1至图5所示，依次包括如下步骤， 
（1）从一组肺4D-CT数据获得10个相位低分辨率冠失状面图像序列。
（2）选定序列中相位0的图像作为参考图像，对其插值放大2倍，将插值后的结果作为重建结果的初始估计图像
Figure 232704DEST_PATH_IMAGE019
。 
（3）以序列中其他相位对应的低分辨率图像作为浮动图像,对浮动图像插值放大2倍后，根据Active Demons驱动力表达式估计浮动图像的插值结果与之间的运动变形场。 
Figure 587779DEST_PATH_IMAGE016
。 
本例中均化系数值
Figure 255520DEST_PATH_IMAGE055
设为3。 
（4）：以步骤（3）得到的运动变形场为基础，采用凸集投影（POCS）法重建高分辨率肺4D-CT横截面图像。 
具体包括： 
（4.1）：计算当前估计图像与浮动图像的对应点的残差，残差形式如下：
Figure RE-DEST_PATH_IMAGE056
；
Figure 215965DEST_PATH_IMAGE022
是第幅浮动图像上
Figure RE-DEST_PATH_IMAGE058
处的灰度值；
Figure 972886DEST_PATH_IMAGE025
是点扩散函数
Figure 293009DEST_PATH_IMAGE026
经过归一化而得到，点扩散函数
Figure 722853DEST_PATH_IMAGE027
为Gauss模型,本例中它的方差设为1;其中，
Figure 964479DEST_PATH_IMAGE059
是当前估计
Figure 505181DEST_PATH_IMAGE019
中与浮动图像
Figure RE-DEST_PATH_IMAGE060
中相对应的点，是对
Figure RE-DEST_PATH_IMAGE062
四舍五入得到的坐标点；相对应的点通过步骤3中的运动估计得到。
（4.2）添加噪声凸约束并对当前高分辨率图像进行更新； 
添加噪声凸约束：
Figure 602953DEST_PATH_IMAGE031
 ；
其中，
Figure 681768DEST_PATH_IMAGE032
为残差 ；
Figure 445324DEST_PATH_IMAGE033
为阈值；本例中值设为1。
  
更新过程具体为：
Figure 636451DEST_PATH_IMAGE034
；
其中，
Figure 518957DEST_PATH_IMAGE035
是与凸集相对应的凸投影算子； 
(4.4)添加灰度值范围凸约束：
Figure 905999DEST_PATH_IMAGE063
；
将灰度值小于0的像素点灰度值调整为0，灰度值大于255的像素点灰度值调整为255，最后得到修正后的结果
Figure 343934DEST_PATH_IMAGE038
；    
(4.5)计算
Figure 233392DEST_PATH_IMAGE039
，如果满足停止条件
Figure RE-DEST_PATH_IMAGE064
，则以当前结果作为重建后的高分辨率肺4D-CT图像；
如果
Figure 616149DEST_PATH_IMAGE065
大于
Figure RE-DEST_PATH_IMAGE066
，则进入步骤（4.6）；
(4.6)计算
Figure 806959DEST_PATH_IMAGE038
与其他相位图像之间的运动变形场 ，将
Figure 31267DEST_PATH_IMAGE045
作为当前估计图像，返回步骤(4.2)。 
图2至图5分别给出相位0的冠矢状面图像通过三次样条插值和本说明的方法重建得到的高分辨率图像及对应的A区放大图。 
除了显示视觉效果之外，本发明也给出量化结果验证有效性。本发明采用图像平均梯度来评价重建结果，可表示如下： 
Figure 686239DEST_PATH_IMAGE067
；
其中，
Figure RE-DEST_PATH_IMAGE068
，
Figure 439432DEST_PATH_IMAGE069
和
Figure RE-DEST_PATH_IMAGE070
分别是像素点灰度以及其在行、列方向上的梯度；
Figure 851959DEST_PATH_IMAGE071
和分别为图像的行数和列数。
平均梯度能反映图像微小细节反差变化的速率，能表征图像的相对清晰程度，平均梯度值越大清晰度就越高。利用上式分别计算三次样条插值和本说明中方法重建出的冠矢状面高分辨率图像的平均梯度，得到结果对比表。 
从结果对比表的结果可以看出，本发明获得的超分辨率重建图像较传统的三次样条插值更有优势，图2，图3，图4，图5显示图像质量有明显提高，与真实图像最接近。从局部放大图像来看，肺实质中的血管结构信息增强，平均梯度值也显著高于三次样条插值结果的值。 
可见，本发明获得的肺4D-CT图像的多平面显示图像更清晰，结构明显增强，图像分辨率提高，能够有效提高肺4D-CT数据多平面显示图像的质量。 
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。 

Claims (7)

1.基于配准的肺4D-CT图像超分辨率重建方法，其特征在于：依次包括如下步骤， 
（1）由肺4D-CT数据获得不同相位低分辨率图像序列；
（2）选定序列中某一相位的图像作为参考图像，对其插值放大，将插值后的结果作为重建结果的初始估计图像 
Figure 735293DEST_PATH_IMAGE001
；
（3）以序列中其他相位的对应低分辨率图像作为浮动图像,对浮动图像插值放大，分别估计浮动图像的插值结果与初始估计图像
Figure 720829DEST_PATH_IMAGE001
之间的运动变形场；
（4）以步骤（3）得到的运动变形场为基础，重建高分辨率肺4D-CT图像。
2.根据权利要求1所述的基于配准的肺4D-CT图像超分辨率重建方法，其特征在于：所述步骤（3）具体是采用Active Demons配准方法估计不同帧图像之间的运动变形场。
3.根据权利要求2所述的基于配准的肺4D-CT图像超分辨率重建方法，其特征在于：所述步骤（3）具体包括：
（3.1）Active Demons算法是基于光流场理论，前提假设是呼吸运动过程中肺部图像各点灰度值不随时间而改变，即：
Figure 517884DEST_PATH_IMAGE002
；
其中，
Figure 595561DEST_PATH_IMAGE003
表示图像灰度值；
Figure 769053DEST_PATH_IMAGE004
为时间；
Figure 779735DEST_PATH_IMAGE005
表示坐标；
Figure 341166DEST_PATH_IMAGE006
为常量；
（3.2）根据式（1）得到驱动力：
Figure 437298DEST_PATH_IMAGE007
； 
其中，
Figure 617744DEST_PATH_IMAGE008
为参考图像，为浮动图像；驱动力
Figure 215264DEST_PATH_IMAGE010
，代表坐标从到所需的偏移量；
Figure 812282DEST_PATH_IMAGE012
和
Figure 476481DEST_PATH_IMAGE013
分别代表参考图像和浮动图像在坐标
Figure 529888DEST_PATH_IMAGE005
处的灰度值；
Figure 838510DEST_PATH_IMAGE014
是参考图像在
Figure 319169DEST_PATH_IMAGE005
处的灰度梯度；
（3.3）根据力是相互的原理，参考图像和浮动图像相互之间都有驱动力， Active Demons算法驱动力表示为：
；
其中，
Figure 29560DEST_PATH_IMAGE016
为均化系数；
Figure 317322DEST_PATH_IMAGE017
是浮动图像在
Figure 968883DEST_PATH_IMAGE005
处的灰度梯度；
（3.4）根据式（3）估计肺4D-CT初始估计
Figure 483041DEST_PATH_IMAGE018
与其他相位插值放大后的图像之间的运动变形场。
4.根据权利要求1至3任意一项所述的基于配准的肺4D-CT图像超分辨率重建方法，其特征在于：所述步骤（4）具体是采用凸集投影POCS法重建高分辨率肺4D-CT图像。
5.根据权利要求4所述的基于配准的肺4D-CT图像超分辨率重建方法，其特征在于：所述步骤（4）具体包括：
    (4.1)以初始估计图像
Figure 878250DEST_PATH_IMAGE018
作为当前估计图像；
(4.2)计算当前估计图像与浮动图像的对应点的残差
Figure 427043DEST_PATH_IMAGE019
，残差形式如下：
Figure 108560DEST_PATH_IMAGE020
；
Figure 375594DEST_PATH_IMAGE021
是第
Figure 43335DEST_PATH_IMAGE022
幅浮动图像上
Figure 446635DEST_PATH_IMAGE023
处的灰度值；
Figure 705578DEST_PATH_IMAGE024
是点扩散函数
Figure 53383DEST_PATH_IMAGE025
经过归一化而得到，点扩散函数
Figure 790395DEST_PATH_IMAGE026
为Gauss模型，其中，
Figure 782621DEST_PATH_IMAGE027
是当前估计
Figure 212466DEST_PATH_IMAGE018
中与浮动图像
Figure 188512DEST_PATH_IMAGE028
中
Figure 824155DEST_PATH_IMAGE023
相对应的点，
Figure 467626DEST_PATH_IMAGE029
是对四舍五入得到的坐标点；
(4.3)添加噪声凸约束并对当前高分辨率图像进行更新；
噪声凸约束具体为： ；
其中，为残差 ；
Figure 170823DEST_PATH_IMAGE032
为阈值；
更新过程具体为：
Figure 676890DEST_PATH_IMAGE033
；
其中，
Figure 361950DEST_PATH_IMAGE034
是与凸集
Figure 244455DEST_PATH_IMAGE035
相对应的凸投影算子； 
(4.4)添加灰度值范围凸约束：；
将灰度值小于0的像素点灰度值调整为0，灰度值大于255的像素点灰度值调整为255，最后得到修正后的结果
Figure 132962DEST_PATH_IMAGE037
；    
(4.5)计算
Figure 570897DEST_PATH_IMAGE038
，如果满足停止条件
Figure 460356DEST_PATH_IMAGE039
，则以当前结果
Figure 932925DEST_PATH_IMAGE040
作为重建后的高分辨率肺4D-CT图像；
如果
Figure 843112DEST_PATH_IMAGE041
大于
Figure 768343DEST_PATH_IMAGE042
，则进入步骤（4.6）；
(4.6)计算
Figure 96380DEST_PATH_IMAGE037
与其他相位图像之间的运动变形场 ，将
Figure 423456DEST_PATH_IMAGE043
作为当前估计图像，返回步骤(4.2)。
6.根据权利要求1所述的基于配准的肺4D-CT图像超分辨率重建方法，其特征在于：所述步骤（2）具体采用线性插值方法进行插值放大。
7. 根据权利要求1所述的基于配准的肺4D-CT图像超分辨率重建方法，其特征在于：所述步骤（3）具体采用线性插值方法进行插值放大。
CN201410099966.5A 2014-03-18 2014-03-18 基于配准的肺4d‑ct图像超分辨率重建方法 Expired - Fee Related CN103886568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410099966.5A CN103886568B (zh) 2014-03-18 2014-03-18 基于配准的肺4d‑ct图像超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410099966.5A CN103886568B (zh) 2014-03-18 2014-03-18 基于配准的肺4d‑ct图像超分辨率重建方法

Publications (2)

Publication Number Publication Date
CN103886568A true CN103886568A (zh) 2014-06-25
CN103886568B CN103886568B (zh) 2017-06-06

Family

ID=50955442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410099966.5A Expired - Fee Related CN103886568B (zh) 2014-03-18 2014-03-18 基于配准的肺4d‑ct图像超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN103886568B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296581A (zh) * 2016-07-21 2017-01-04 南方医科大学 基于图割的肺4d‑ct图像超分辨率重建方法
CN107103618A (zh) * 2017-02-20 2017-08-29 南方医科大学 基于回归预测的肺4d‑ct多相位图像配准方法
CN107221013A (zh) * 2017-05-16 2017-09-29 山东财经大学 一种基于变分光流估计肺部4d‑ct图像超分辨率处理方法
CN108020503A (zh) * 2017-11-20 2018-05-11 华中科技大学 一种光片照明显微切片成像系统及成像结果处理方法
CN108710950A (zh) * 2018-05-11 2018-10-26 上海市第六人民医院 一种图像量化分析方法
CN109767383A (zh) * 2017-11-09 2019-05-17 三星电子株式会社 用于使用卷积神经网络的视频超分辨率的方法和设备
CN111135482A (zh) * 2020-01-22 2020-05-12 哈尔滨理工大学 一种胸腹表面呼吸运动信号准相位超分辨方法
CN111583296A (zh) * 2020-04-28 2020-08-25 山东大学 基于卡尔曼滤波和4d ct图像配准的肺部呼吸运动估计方法
CN116309753A (zh) * 2023-03-28 2023-06-23 中山大学中山眼科中心 眼科oct图像的高清快速配准方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120201428A1 (en) * 2009-06-30 2012-08-09 University Of Utah Research Foundation Image reconstruction incorporating organ motion
CN103440676A (zh) * 2013-08-13 2013-12-11 南方医科大学 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120201428A1 (en) * 2009-06-30 2012-08-09 University Of Utah Research Foundation Image reconstruction incorporating organ motion
CN103440676A (zh) * 2013-08-13 2013-12-11 南方医科大学 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FAZAL KHAN ET AL.: "The Use of 4DCT to Reduce Lung Dose: A Dosimetric Analysis", 《MEDICAL DOSIMETRY》, vol. 34, no. 4, 31 December 2009 (2009-12-31), pages 273 - 278 *
XIAOQIN LI ET AL.: "Super-Resolution Restoration for Image Based on Entropy Constraint and Projection onto Convex Set", 《ADVANCED MATERIALS RESEARCH》, vol. 468471, 27 February 2012 (2012-02-27), pages 1041 - 1048 *
张书旭 等: "4D-CT重建及其在肺癌放疗中的应用研究进展", 《中国辐射卫生》, vol. 17, no. 3, 30 September 2008 (2008-09-30), pages 375 - 377 *
林相波 等: "Active Demons可变形图像配准算法研究", 《中国生物医学工程学报》, vol. 27, no. 4, 31 August 2008 (2008-08-31), pages 636 - 640 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296581A (zh) * 2016-07-21 2017-01-04 南方医科大学 基于图割的肺4d‑ct图像超分辨率重建方法
CN106296581B (zh) * 2016-07-21 2019-06-11 南方医科大学 基于图割的肺4d-ct图像超分辨率重建方法
CN107103618A (zh) * 2017-02-20 2017-08-29 南方医科大学 基于回归预测的肺4d‑ct多相位图像配准方法
CN107103618B (zh) * 2017-02-20 2020-10-27 南方医科大学 基于回归预测的肺4d-ct多相位图像配准方法
CN107221013B (zh) * 2017-05-16 2020-07-17 山东财经大学 一种基于变分光流估计肺部4d-ct图像超分辨率处理方法
CN107221013A (zh) * 2017-05-16 2017-09-29 山东财经大学 一种基于变分光流估计肺部4d‑ct图像超分辨率处理方法
CN109767383A (zh) * 2017-11-09 2019-05-17 三星电子株式会社 用于使用卷积神经网络的视频超分辨率的方法和设备
CN108020503A (zh) * 2017-11-20 2018-05-11 华中科技大学 一种光片照明显微切片成像系统及成像结果处理方法
CN108710950A (zh) * 2018-05-11 2018-10-26 上海市第六人民医院 一种图像量化分析方法
CN111135482A (zh) * 2020-01-22 2020-05-12 哈尔滨理工大学 一种胸腹表面呼吸运动信号准相位超分辨方法
CN111135482B (zh) * 2020-01-22 2021-09-07 哈尔滨理工大学 一种胸腹表面呼吸运动信号准相位超分辨方法
CN111583296A (zh) * 2020-04-28 2020-08-25 山东大学 基于卡尔曼滤波和4d ct图像配准的肺部呼吸运动估计方法
CN111583296B (zh) * 2020-04-28 2022-09-09 山东大学 基于卡尔曼滤波和4d ct图像配准的肺部呼吸运动估计方法
CN116309753A (zh) * 2023-03-28 2023-06-23 中山大学中山眼科中心 眼科oct图像的高清快速配准方法

Also Published As

Publication number Publication date
CN103886568B (zh) 2017-06-06

Similar Documents

Publication Publication Date Title
CN103886568A (zh) 基于配准的肺4d-ct图像超分辨率重建方法
CN103136773B (zh) 一种稀疏角度x射线ct成像方法
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
KR101428005B1 (ko) 소수의 저선량 ｃｔ 영상을 이용하여 ｐｅｔ 영상을 움직임 보상 및 감쇠 보정하는 방법
US8611628B2 (en) Using non-attenuation corrected PET emission images to compensate for incomplete anatomic images
CN102024251B (zh) 用于双源ct的基于多图像虚拟非对比图像增强的系统和方法
CN106575441B (zh) 重构内运动校正
CN106530236B (zh) 一种医学图像处理方法及系统
US20170003366A1 (en) System and method for generating magnetic resonance imaging (mri) images using structures of the images
CN103955899A (zh) 基于组合图像引导的动态pet图像去噪方法
CN104751429A (zh) 一种基于字典学习的低剂量能谱ct图像处理方法
CN107292819A (zh) 一种基于边缘细节保护的红外图像超分辨率重建方法
CN110930337B (zh) 一种基于深度学习的医学影像增强方法
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
Bian et al. Low‐dose dynamic myocardial perfusion CT imaging using a motion adaptive sparsity prior
Qi et al. A quantitative study of motion estimation methods on 4D cardiac gated SPECT reconstruction
CN107240131B (zh) 一种基于迭代纹理形变场的乳腺影像配准方法
CN111798535B (zh) Ct图像增强显示方法及计算机可读存储介质
US20160066856A1 (en) Magnetic resonance imaging method
Rubio-Guivernau et al. Respiratory motion correction in PET with super-resolution techniques and non-rigid registration
CN104299239B (zh) 一种基于阿尔法散度的动态pet图像因子处理方法
Lamare et al. Incorporation of elastic transformations in list-mode based reconstruction for respiratory motion correction in PET
Miller et al. Motion compensated extreme MRI: Multi-scale low rank reconstructions for highly accelerated 3D dynamic acquisitions (MoCo-MSLR)
Feng et al. Development and evaluation of two 4D image reconstruction methods with dual respiratory and cardiac motion compensation for gated cardiac PET
CN107316277B (zh) 一种医学锥束ct图像中运动伪影修正方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
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: 20170606

Termination date: 20190318