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 PDFInfo
- 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
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000003321 amplification Effects 0.000 claims abstract description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000241 respiratory effect Effects 0.000 claims description 8
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005290 field theory Methods 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 3
- 238000001959 radiotherapy Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
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;
(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:
;
(3.2)根据式(1)得到驱动力:
(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:
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;
(4.3)添加噪声凸约束并对当前高分辨率图像进行更新;
更新过程具体为:
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;(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;
(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:
(3.2)根据式(1)得到驱动力:
(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:
(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:
(4.2)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:
(4.3)添加噪声凸约束并对当前高分辨率图像进行更新;
更新过程具体为:
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。
(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。
(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:
是第幅浮动图像上处的灰度值;是点扩散函数经过归一化而得到,点扩散函数为Gauss模型,本例中它的方差设为1;其中,是当前估计中与浮动图像中相对应的点,是对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;
更新过程具体为:
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:
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)
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:
(3.2)根据式(1)得到驱动力:
(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:
;
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:
(4.3)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: ;
更新过程具体为:
(4.4)添加灰度值范围凸约束:;
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。
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)
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)
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 |
-
2014
- 2014-03-18 CN CN201410099966.5A patent/CN103886568B/zh not_active Expired - Fee Related
Patent Citations (2)
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)
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)
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 |