CN109741439A - 一种二维mri胎儿图像的三维重建方法 - Google Patents
一种二维mri胎儿图像的三维重建方法 Download PDFInfo
- Publication number
- CN109741439A CN109741439A CN201811493228.3A CN201811493228A CN109741439A CN 109741439 A CN109741439 A CN 109741439A CN 201811493228 A CN201811493228 A CN 201811493228A CN 109741439 A CN109741439 A CN 109741439A
- Authority
- CN
- China
- Prior art keywords
- image
- fetus
- mri
- slice
- dimension
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000003754 fetus Anatomy 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims description 18
- 241000270295 Serpentes Species 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005452 bending Methods 0.000 claims description 7
- 230000001605 fetal effect Effects 0.000 claims description 6
- 238000005481 NMR spectroscopy Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 12
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000004641 brain development Effects 0.000 abstract description 3
- 230000000295 complement effect Effects 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 34
- 239000011159 matrix material Substances 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000012307 MRI technique Methods 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000008774 maternal effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- 208000009443 Vascular Malformations Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000036244 malformation Effects 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
- 238000005192 partition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种二维MRI胎儿图像的三维高清重建方法，采用活动轮廓法对二维图像进行预处理，可更简洁自动地分割出所关注部位图像，方便进一步配准及重建。且超分辨重建算法能充分利用不同方向的低分辨率二维切片图像提供的互补图像信息，重建出高信噪比的高分辨图像，所重建胎儿图像能够更加准确的反应脑组织发育信息信息。此外，在图像细节复原方面，在EM模型下结合加权最小二乘迭代算法进行迭代优化，直接估计出任意形状的二维PSF，且具有较高的精度。通过插值拟合出缺失的数据从而进一步提高精度，优化了图像复原的质量，图像重建过程中使用了GPU对部分处理过程进行了加速，极大的缩短了整体处理的时间，为超分辨重建图像提高算法的性能和结果的精确性有很好的效果，同时也为临床的应用提供了可能性。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种二维MRI胎儿图像的三维重建方法。
背景技术
一直以来，超声是胎儿产前检查的主要方式。但超声检查存在不少缺陷:①超声成像视野小，分辨率不足，难以发现胎儿复杂结构存在的发育异常；②超声穿透深度有限，容易受胎儿颅骨、脊柱等遮挡，而且当出现羊水过少、孕妇过度肥胖、双胎或多胎等情况时，难以显示胎儿发育情况；③超声检查过多依赖医师的手法和经验，而且不容易进行规范化培训，如果扫描角度选择不合适很容易得到不同的检查结果。因此，胎儿心脏大血管畸形的超声检查一般只能起到提示作用，无法得出肯定结论，临床上急需一种可实现胎儿心脏大血管畸形精确检查的可靠方法和手段。磁共振成像(Magnetic Resonance Imaging，MRI)具有组织对比度好、成像视野大且结果受操作者影响小等优点，在胎儿检查中发挥越来越重要的作用。美国心脏协会(American Heart Association)于2014年发表科学声明，将MRI列为继超声之后最重要的胎儿检查方法。最新研究结果表明，当存在孕妇过度肥胖和羊水过少等不利因素影响超声显示胎儿心脏时，MRI对胎儿神经系统及心脏大血管畸形诊断的敏感性、特异性和准确性均高于超声。但是胎儿MRI成像还存在较大挑战，主要原因在于MRI成像速度慢而胎儿存在无规律随机运动、心脏快速跳动等情况，使得胎儿MRI成像容易产生严重的运动伪影，导致检查的失败。因此临床上只能使用平衡稳态自由进动(balanced steadystate free precession,bSSFP)和单激发半傅里叶采集成像(Single Shot Fast SpinEcho,SS-FSE)等快速MRI技术对胎儿进行二维扫描。这种二维扫描方式虽然有效地克服了运动伪影的产生，但是层厚较厚(≥4mm)且存在层间距，在对非常细小的病灶或结构进行检查时，容易因容积效应而导致误诊甚至漏诊。因此，非常有必要发展三维MRI技术，以充分发挥MRI无创、全景检查的优势，满足胎儿检查的临床需求。受胎儿运动及MRI成像速度慢等客观因素限制，很难直接对胎儿进行MRI三维扫描成像。
基于以上分析，本发明解决的技术问题为，研究合适的三维超分辨图像重建技术来对采集得到的多组二维MRI图像进行处理，从而重建出具有空间分辨率高且各向同性优点的三维MRI图像，避免直接对胎儿进行三维扫描的瓶颈问题。以弥补现有胎儿磁共振成像技术的不足。通过现有技术的方式进行重建时，重建的区域较为不明确，比如仅局限于胎儿的某个区域进行重建，无法得到清晰的目标器官及部位胎儿图像。而且使用刚性配准，假设一张slice中所有部位都朝着一个方向运动，限制了重建图像的精准度及清晰度，且耗时较长。
发明内容
本发明提供了一种门禁系统控制装置，旨在提高门禁系统控制器的通信、防雷的安全性、有效性和实用性，提高总体的抗干扰特性。
本发明是这样实现的：提供了一种二维MRI胎儿图像的三维重建方法，包括：
提取孕妇核磁共振拍摄得到的多组二维MRI图像，对每组二维MRI图像进行图像分割，得到多组胎儿头像的二维MRI图像；
从分割后得到的多组胎儿头像的二维MRI图像中，选择组内每一二维MRI图像中胎儿头像所在位置相对移动最小的一组二维MRI图像，作为模板；
对图像分割后得到多组胎儿头像的二维MRI图像中的每一图像切片进行数据转换，将每一图像切片中的平面数据转换为立体数据；
剔除所有图像切片中，包含不符合要求数据的切片；其中，不符合要求数据是切片图像的立体数据中的异常值；
通过支持向量回归SVR算法，将非模板的切片图像的像素数据叠加到模板中对应的切片图像中，实现三维构建。
进一步地，在本发明较佳的实施例中，使用GPU执行对切片图像并行处理的步骤。
其中，在对二维MRI胎儿图像进行分割的步骤中，图像分割的方式是通过活动轮廓法进行；其中，所述活动轮廓法的步骤包括：
以Snakes模型作为模板，Snakes模型由一组控制点：v(s)＝[x(s),y(s)]s∈[0,1]组成，所述控制点形成首尾以直线相连形成的轮廓线；其中，x(s)和y(s)分别表示每个控制点在图像中的坐标位置；
在Snakes模型的控制点上定义能量函数为：
其中，上式表示弹性能量、弯曲能量及外部能量求和积分得到；任一控制点的α和β的值决定曲线在对应控制点伸展和弯曲的程度；
在Snakes模型中取控制点或连线所在位置的图像局部特征：
对图像的分割转化为求解能量函数Etotal(v)极小化。
其中，使用GPU执行对切片图像并行处理时，使用了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎。
其中，在剔除所有图像切片中包含不符合要求数据的切片的步骤之后，还包括对切片进偏差域校准的步骤。
区别于现有技术，本发明提供了一种二维MRI胎儿图像的三维重建方法采用活动轮廓法对二维图像进行预处理，可更简洁的分割出所关注部位图像，方便进一步配准及重建。且超分辨重建算法能充分利用不同方向的低分辨率二维切片图像提供的互补图像信息，重建出高信噪比的高分辨图像，所重建胎儿图像能够更加准确的反应脑组织发育信息信息。此外，在点扩散函数对图像细节复原方面，在EM模型下结合加权最小二乘迭代算法进行迭代优化，直接估计出任意形状的二维PSF，且具有较高的精度。通过插值拟合出缺失的数据从而进一步提高精度，优化了图像复原的质量，为超分辨重建图像提高算法的性能和结果的精确性有很好的效果。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明提供的一种二维MRI胎儿图像的三维重建方法的流程示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
参照图1所示，本发明提供了一种二维MRI胎儿图像的三维重建方法。
本方案的主要方法包括如下几个步骤。首先，我们描述了一种用于估算每组图像的相对运动量的方法。以及Wethen提出的扫描2D图像切片的运动补偿通过三维重建转换的一般模型。在此过程中使用了异常值去除法和偏差校正方法。超分辨率重建在最后部分中描述。与传统方案相比，这已经扩展了对任意PSF的支持。随后可进行切片到体积配准的最后一步，这在方法上与所有SVR方法类似。
在同一个叠层内估计切片之间是否正确对齐是所有运动校准重建方法的一个重要步骤。通过优化交叉切片的强度分布，可以在没有初始配准模板的情况下实现有效配准。然而，该方法对于解剖学的混杂部分(例如，胎儿扫描期间的母体组织)较为敏感，其需要在配准期间通过空间掩模来抑制。团队选择使用活动轮廓方法对初始图像进行分割，并使用3D-3D重建作为后续切片到体积图像重建的起点，将所有堆叠对齐到初始注册目标。适用于可获得训练数据的特定区域，例如胎儿脑部图像数据。初始目标区域分割和3D-3D重建都将受益于堆叠内相对运动的测量。这样可以选择具有最少运动伪影的堆栈用于初始3D-3D配准。
该方法的步骤包括：
S110：提取孕妇核磁共振拍摄得到的多组二维MRI图像，对每组二维MRI图像进行图像分割，得到多组胎儿头像的二维MRI图像。
图像分割采用活动轮廓法。活动轮廓法以构成一定形状的一些控制点为模板(轮廓线)，通过模板自身的弹性形变，与图像局部特征相匹配达到调和，即某种能量函数极小化，完成对图像的分割。再通过对模板的进一步分析而实现图像的理解和识别。
简单的来讲，简而言之就是一条可变形的参数曲线及相应的能量函数，以最小化能量目标函数为目标，控制参数曲线变形，具有最小能量的闭合曲线就是目标轮廓。
构造活动轮廓法模型的目的是为了调和上层知识和底层图像特征这一对矛盾。无论是亮度、梯度、角点、纹理还是光流，所有的图像特征都是局部的。所谓局部性就是指图像上某一点的特征只取决于这一点所在的邻域，而与物体的形状无关。但是人们对物体的认识主要是来自于其外形轮廓。如何将两者有效地融合在一起正是Snakes模型的长处。轮廓线承载了上层知识，而轮廓线与图像的匹配又融合了底层特征。这两项分别表示为模型中能量函数的内部力和图像力。
模型的形变受到同时作用在模型上的许多不同的力所控制，每一种力所产生一部分能量，这部分能量表示为活动轮廓模型的能量函数的一个独立的能量项。
活动轮廓法首先需要在感兴趣区域的附近给出一条初始曲线，接下来最小化能量泛函，让曲线在图像中发生变形并不断逼近目标轮廓。
Kass等提出的原始Snakes模型由一组控制点：v(s)＝[x(s),y(s)]s∈[0,1]组成，这些点首尾以直线相连构成轮廓线。其中x(s)和y(s)分别表示每个控制点在图像中的坐标位置。s是以傅立叶变换形式描述边界的自变量。在Snakes的控制点上定义能量函数(反映能量与轮廓之间的关系)：
其中第1项称为弹性能量是v的一阶导数的模，第2项称为弯曲能量，是v的二阶导数的模，第3项是外部能量(外部力)，在基本Snakes模型中一般只取控制点或连线所在位置的图像局部特征例如梯度：
也称图像力。(当轮廓C靠近目标图像边缘，那么C的灰度的梯度将会增大，那么上式的能量最小，由曲线演变公式知道该点的速度将变为0，也就是停止运动了。这样，C就停在图像的边缘位置了，也就完成了分割。那么这个的前提就是目标在图像中的边缘比较明显了，否则很容易就越过边缘了。)
弹性能量和弯曲能量合称内部能量(内部力)，用于控制轮廓线的弹性形变，起到保持轮廓连续性和平滑性的作用。而第三项代表外部能量，也被称为图像能量，表示变形曲线与图像局部特征吻合的情况。内部能量仅仅跟snake的形状有关，而跟图像数据无关。而外部能量仅仅跟图像数据有关。在某一点的α和β的值决定曲线可以在这一点伸展和弯曲的程度。
最终对图像的分割转化为求解能量函数Etotal(v)极小化(最小化轮廓的能量)。在能量函数极小化过程中，弹性能量迅速把轮廓线压缩成一个光滑的圆，弯曲能量驱使轮廓线成为光滑曲线或直线，而图像力则使轮廓线向图像的高梯度位置靠拢。基本Snakes模型就是在这3个力的联合作用下工作的。
由于图像上的点都是离散的，所以我们用来优化能量函数的算法都必须在离散域里定义。所以求解能量函数Etota l(v)极小化是一个典型的变分问题(微分运算中，自变量一般是坐标等变量，因变量是函数；变分运算中，自变量是函数，因变量是函数的函数，即数学上所谓的泛函。对泛函求极值的问题，数学上称之为变分法)。
在离散化条件(数字图像)下，由欧拉方程可知最终问题的答案等价于求解一组差分方程：(欧拉方程是泛函极值条件的微分表达式，求解泛函的欧拉方程，即可得到使泛函取极值的驻函数，将变分问题转化为微分问题。)
记外部力Kass等将上式离散化后，对x(s)和y(s)分别构造两个五对角阵的线性方程组，通过迭代计算进行求解。在实际应用中一般先在物体周围手动点出控制点作为Snakes模型的起始位置，然后对能量函数迭代求解。
S120：从分割后得到的多组胎儿头像的二维MRI图像中，选择组内每一二维MRI图像中胎儿头像所在位置相对移动最小的一组二维MRI图像，作为模板。
在实践中，切片彼此略微不同，运动被破坏(即未对准)，并且受到噪声的影响。因此，错误E＝[vec(e1)；...；vec(ek)]∈Rm×k需要被合并到一起。虽然可以认为是低秩，但是观察到的数据矩阵D＝A+E很可能是满秩。实验上，我们发现切片的(误)对齐，即扫描对象的运动，具有最高的贡献。测试图像堆栈的中心切片。灵感来自Peng等人。我们可以使用低秩近似作为对于堆叠中解剖学上相似(即，通常是中心)切片的子集未对齐的程度的横切估计.Peng等人旨在对齐人脸的图片，由于摄影效果和不同的目的，这些图片显示出差异。数据由堆栈中的切片组成。基于此，变化将是由于相邻切片表示轻微不同的解剖结构，以及由于噪声假象和误差。
良好对齐的图像集的数据矩阵更好地由秩缺陷矩阵同一个对齐较差的集合比较。实际上，数据的等级用于形成可以被优化以估计对准参数的目标函数。虽然秩不提供运动程度的直接或内在测量，但是在应用中它可以提供运动的替代测量，我们可以使用它来根据切片数据的对准质量为堆栈分配排序。
数据矩D∈Rm×k阵的奇异值s1,s2,.....,sk可以按s1≥s2≥,.....,≥sk≥0降序写入。对D进行三矩阵奇异值分解，U,S和V,S。包含对角线上的奇异值，D可以表示为D＝USVT
这个分解可以用来提供原始矩阵D的低秩近似。如果我们取第一列和和左上子矩阵S，表示为U′S′V′，然后我们可以用矩阵D近似D′＝U′S′V′T。假设D是全秩，那么D’将是秩r。实际上，在全秩r矩阵中，D’提供了D的最佳近似值。
我们使用Frobenius范数||D-D′||。因此，矩阵D,D’和D-D’满足和近似的相对误差可以通过评估不同的值r＝1,2,....,k，我们可以找到满足给定误差β阈值的每个堆栈的最小等级{δr＜β}。得到r和δr的值可以组合成ω作为每个堆栈内的错误量的替代度量，即堆栈作为3D注册模板的适合性。在实践中，我们使用ω＝r·δr(3)来获得运动量的替代测量。扫描切片的大部分显示出显着的相关性，特别是对于胎儿MRI，其中运动很少的母体组织占据大的比例。二维视野的区域。胎儿的运动导致切片之间的较大差异，因此所提出的测量非常适合于估计每堆胎儿2D图像的预期运动损失量。该方法的关键方面是，一旦获得所有堆栈的近似等级，它就其运动损坏的级别提供堆栈的相对排序。然后可以将其用作选择良好初始参考的标准。该方法还可用于在算法的早期阶段拒绝具有过多运动的堆栈。
S130：对图像分割后得到多组胎儿头像的二维MRI图像中的每一图像切片进行数据转换，将每一图像切片中的平面数据转换为立体数据。
这些将2D或3D图像中的像素的离散坐标转换为世界(或扫描仪)坐标中的连续位置。世界变换矩阵Wr的另一个图像被用于构造的目标X体积，以便我们可以定义在所获取的切片中的体素pr＝[x,y,z,1]T和像素X位置之间的变换作为在目标图像的空间中找到最近的体素pS＝[i,j,0,1]T使用
和逆变换
为了实现物理上正确的图像采集过程估计并模拟物理空间中数据点的实际外观，每个切片内的体素强度被定义为连续点扩散函数(PSF)。这意味着我们的方法可以为目标重建体积的每个体素(在计算精度的限制内)采样精确值。Kuklisova-Murgasova等。(KM)方法使用预先计算的每个体素的PSF的低分辨率表示和随后的线性插值来获得PSF值的近似值。这样做是为了避免大量的计算时间。尽可能精确地计算PSF是由成像研究和临床实践推动的。我们在第VI.F节中的结果和临床医生的反馈表明，PSF的精确计算可以改善图像对比度。这有助于手动检查和随后的(半自动)图像分割方法。PSF的确切形状取决于采集。江等人使用体模和旋转成像编码梯度测量由ssFSE序列产生的PSF，使得图像平面垂直于激发切片。得到的PSF由平面内的sinc函数给出，并且其通过切片方向的形状由切片轮廓给出。理想的矩形分布具有扩展的频谱，并且需要非常密集且低效的空间采样。因此，我们使用Gaussianslice轮廓，半高宽等于切片厚度，以允许更实际的采样要求。我们可以通过将ssFSE序列PSF近似为3D高斯函数来模拟ssFSE序列PSF：
其中dx,dy,dz是来自中心的偏移量重建的体素。或者，使用我们的框架，也可以评估功能：
PSF称为点扩散函数(point spread function),它的表达式如下：
将像素位置ps与空间体位置pr进行对齐时并不能完美的对准，考虑到图片获取过程中的物理特点，就使用了PSF函数。这样，一个ps就对应多个pr数值，根据PSF函数的特点，肯定是中心点对应强度比较强，向四周展开时强度逐渐减弱。
它直接模拟在ssFSE MRI中发生的真实PSF，其中是距离体素中心的面内径向距离。在实践中，我们将2-D Bartlett窗口应用于PSFMRI函数的平面组件。
在并行计算期间始终将PSF实现为连续且精确采样的函数。这与先前使用预先计算的PSF矩阵(PSFtrunc)对于离散和截断的每个位置的方法形成对比，并且需要被变换和线性插值以在重构中的任意位置处获取连续值。在SIMD架构上，即时计算PSF函数的计算成本小于内存传输和线性插值所需的计算成本。此外，这种方法可以提高内存效率，因为不需要topre-compute PSF矩阵。
基于PSF的体积更新：为了填充任意选择的体素大小的每个体素，我们扩展了切片和体积体素之间的空间关系。在一般情况下，ps,pr并且不会完全对齐，并且考虑到图像采集过程的物理特性，ps将贡献不止一个pr。为了正确地对此进行建模，我们在每个X体素中对其中至少有一个相应的像素M进行采样，并使用PSF函数在每次迭代期间正确地加权像素S的贡献
PSF空间中的坐标用切片体素维度进行变换。为了给算法提供可接受的运行时间，我们在目标重建体积中的局部邻域的体素中心位置处对精确的PSF值进行采样，即，我们采用运动校正量的期望分辨率对PSF进行采样，直到成功的差异为止。cessive估计小于预定义的小。KM approach使用少量体素(四到八个)来定义重建体积内的局部邻域，而不是直接对PSF空间进行采样。在所提出的方法中，可以(1)使用任意PSF，因此根据所使用的扫描装置调整方法，以及(2)在理论上对无限数量的重建体素进行加权，从而为PSF提供无限支持。
S140：剔除所有图像切片中，包含不符合要求数据的切片；其中，不符合要求数据是切片图像的立体数据中的异常值。
将来自模拟切片的信息与世界坐标中相同位置处的切片进行比较可用于将每个切片体素分类为内点和异常值。类似于Inan方法，我们用inlier类的概率密度函数训练EM模型作为零均值高斯分布。异常值由具有恒定密度的均匀分布建模。每个切片中的体素的可能性图像可以用于加权超分辨率体积更新。另外，根据该方案对各个切片进行分类，并且在EM算法的另一个实例中使用各个切片像素权重的平均值。这产生了每个切片的另一个缩放因子列表。乘法偏置场模式化和之间的关系。可以写成
S150：通过支持向量回归SVR算法，将非模板的切片图像的像素数据叠加到模板中对应的切片图像中，实现三维构建。
对于最后一步，我们的目标是最小化强度校正切片像素和模拟切片值ISS之间的误差Ek＝[E1,...,Ek],Ek∈Rw×h的平方差的总和，
计算误差
应用梯度下降∑E2+λR(X)来优化形式的目标函数。为了限制噪声的影响并避免在优化迭代期间局部最小值，我们添加正则化项，使用平滑参数，实现边缘保持平滑用以迭代更新方案：
对于正则化项，我们使用中提出的类似策略，并用各向异性扩散制定它，并在每个切片后减少到体积配准迭代以避免局部最小值。因此，考虑到方向的平滑，正则化项可以写成
我们可以考虑在上一步的第一次迭代之后作为感兴趣体积的近似重建。因此，我们可以通过使用任何基于体素的相似性测量来严格地记录每个切片来优化每个个体。我们使用MRI的互关和美国图像的标准化的实体信息，并重新启动超分辨率体积重建，得到精确的对齐。
在进行并行图像处理过程时，将CUDA(计算统一设备架构)加入到图片处理过程中，通过其调用GPU，加快整体运算速度。
优选使用的硬件是Intel Xeon(R)E5-2680 v4@2.40GHz内存128 GB RAM,以及双显卡Nvidia Tesla K40c，12 GB RAM和Quadro P2000，5GB RAM.
GUP中的并行处理，将数据合理分解为多个部分，允许多个操作单元分别计算小块数据，将大大加快运行速度。本发明在两个主要区域进行了并行处理，(1)在重建过程中对多个切分开处理；(2)基于像素的操作独立于体素部分，也可以并行执行。
区别于现有技术，本发明提供了一种二维MRI胎儿图像的三维重建方法采用活动轮廓法对二维图像进行预处理，可更简洁的分割出所关注部位图像，方便进一步配准及重建。且超分辨重建算法能充分利用不同方向的低分辨率二维切片图像提供的互补图像信息，重建出高信噪比的高分辨图像，所重建胎儿图像能够更加准确的反应脑组织发育信息信息。此外，在点扩散函数对图像细节复原方面，在EM模型下结合加权最小二乘迭代算法进行迭代优化，直接估计出任意形状的二维PSF，且具有较高的精度。通过插值拟合出缺失的数据从而进一步提高精度，优化了图像复原的质量，图像重建过程中使用了GPU对部分处理过程进行了加速，极大的缩短了整体处理的时间，为超分辨重建图像提高算法的性能和结果的精确性有很好的效果，同时也为临床的应用提供了可能性。
本发明实施例所提供的装置，其实现原理及产生的技术效果和实施例1相同，为简要描述，本实施例未提及之处，可参考实施例1中相应内容。
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种二维MRI胎儿图像的三维重建方法，其特征在于，包括：
提取孕妇核磁共振拍摄得到的多组二维MRI图像，对每组二维MRI图像进行图像分割，得到多组胎儿头像的二维MRI图像；
从分割后得到的多组胎儿头像的二维MRI图像中，选择组内每一二维MRI图像中胎儿头像所在位置相对移动最小的一组二维MRI图像，作为模板；
对图像分割后得到多组胎儿头像的二维MRI图像中的每一图像切片进行数据转换，将每一图像切片中的平面数据转换为立体数据；
剔除所有图像切片中，包含不符合要求数据的切片；其中，不符合要求数据是切片图像的立体数据中的异常值；
通过支持向量回归SVR算法，将非模板的切片图像的像素数据叠加到模板中对应的切片图像中，实现三维构建。
2.根据权利要求1所述的二维MRI胎儿图像的三维重建方法，其特征在于，使用GPU执行对切片图像并行处理的步骤。
3.根据权利要求1所述的二维MRI胎儿图像的三维重建方法，其特征在于，在对二维MRI胎儿图像进行分割的步骤中，图像分割的方式是通过活动轮廓法进行；其中，所述活动轮廓法的步骤包括：
以Snakes模型作为模板，Snakes模型由一组控制点：v(s)＝[x(s),y(s)]s∈[0,1]组成，所述控制点形成首尾以直线相连形成的轮廓线；其中，x(s)和y(s)分别表示每个控制点在图像中的坐标位置；
在Snakes模型的控制点上定义能量函数为：
其中，上式表示弹性能量、弯曲能量及外部能量求和积分得到；任一控制点的α和β的值决定曲线在对应控制点伸展和弯曲的程度；
在Snakes模型中取控制点或连线所在位置的图像局部特征：
对图像的分割转化为求解能量函数Etotal(v)极小化。
4.根据权利要求2所述的二维MRI胎儿图像的三维重建方法，其特征在于，使用GPU执行对切片图像并行处理时，使用了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎。
5.根据权利要求1所述的二维MRI胎儿图像的三维重建方法，其特征在于，在剔除所有图像切片中包含不符合要求数据的切片的步骤之后，还包括对切片进偏差域校准的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811493228.3A CN109741439B (zh) | 2018-12-07 | 2018-12-07 | 一种二维mri胎儿图像的三维重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811493228.3A CN109741439B (zh) | 2018-12-07 | 2018-12-07 | 一种二维mri胎儿图像的三维重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109741439A true CN109741439A (zh) | 2019-05-10 |
| CN109741439B CN109741439B (zh) | 2023-12-15 |
Family
ID=66358690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811493228.3A Active CN109741439B (zh) | 2018-12-07 | 2018-12-07 | 一种二维mri胎儿图像的三维重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109741439B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264565A (zh) * | 2019-05-27 | 2019-09-20 | 浙江大学 | 一种基于半峰值概率密度分布的三维重建方法 |
| CN112017211A (zh) * | 2020-07-28 | 2020-12-01 | 上海交通大学 | 一种颞颌关节运动追踪方法及系统 |
| CN112669209A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种三维医学图像超分辨率重建方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070014452A1 (en) * | 2003-12-01 | 2007-01-18 | Mitta Suresh | Method and system for image processing and assessment of a state of a heart |
| CN104361597A (zh) * | 2014-11-23 | 2015-02-18 | 长春工业大学 | 基于主动轮廓模型的肝脏dti图像分割的方法 |
| US20160335777A1 (en) * | 2015-05-13 | 2016-11-17 | Anja Borsdorf | Method for 2D/3D Registration, Computational Apparatus, and Computer Program |
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| CN106780518A (zh) * | 2017-02-10 | 2017-05-31 | 苏州大学 | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 |
| CN108038905A (zh) * | 2017-12-25 | 2018-05-15 | 北京航空航天大学 | 一种基于超像素的目标重建方法 |
| CN108186053A (zh) * | 2018-01-15 | 2018-06-22 | 中国人民解放军第四军医大学 | 一种基于超声和3d技术的胎儿全景展现仪 |
| US20180182103A1 (en) * | 2016-12-23 | 2018-06-28 | International Business Machines Corporation | 3d segmentation reconstruction from 2d slices |
| US20180260981A1 (en) * | 2017-03-07 | 2018-09-13 | Children's Medical Center Corporation | Registration-based motion tracking for motion-robust imaging |
-
2018
- 2018-12-07 CN CN201811493228.3A patent/CN109741439B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070014452A1 (en) * | 2003-12-01 | 2007-01-18 | Mitta Suresh | Method and system for image processing and assessment of a state of a heart |
| CN104361597A (zh) * | 2014-11-23 | 2015-02-18 | 长春工业大学 | 基于主动轮廓模型的肝脏dti图像分割的方法 |
| US20160335777A1 (en) * | 2015-05-13 | 2016-11-17 | Anja Borsdorf | Method for 2D/3D Registration, Computational Apparatus, and Computer Program |
| CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
| US20180182103A1 (en) * | 2016-12-23 | 2018-06-28 | International Business Machines Corporation | 3d segmentation reconstruction from 2d slices |
| CN106780518A (zh) * | 2017-02-10 | 2017-05-31 | 苏州大学 | 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法 |
| US20180260981A1 (en) * | 2017-03-07 | 2018-09-13 | Children's Medical Center Corporation | Registration-based motion tracking for motion-robust imaging |
| CN108038905A (zh) * | 2017-12-25 | 2018-05-15 | 北京航空航天大学 | 一种基于超像素的目标重建方法 |
| CN108186053A (zh) * | 2018-01-15 | 2018-06-22 | 中国人民解放军第四军医大学 | 一种基于超声和3d技术的胎儿全景展现仪 |
Non-Patent Citations (1)
| Title |
|---|
| 王新征;卜雄洙;于靖;: "结合多分辨率修正曲率配准的层间插值", 光学精密工程, no. 05, pages 267 - 274 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264565A (zh) * | 2019-05-27 | 2019-09-20 | 浙江大学 | 一种基于半峰值概率密度分布的三维重建方法 |
| CN110264565B (zh) * | 2019-05-27 | 2021-07-30 | 浙江大学 | 一种基于半峰值概率密度分布的三维重建方法 |
| CN112017211A (zh) * | 2020-07-28 | 2020-12-01 | 上海交通大学 | 一种颞颌关节运动追踪方法及系统 |
| CN112669209A (zh) * | 2020-12-24 | 2021-04-16 | 华中科技大学 | 一种三维医学图像超分辨率重建方法和系统 |
| CN112669209B (zh) * | 2020-12-24 | 2023-06-16 | 华中科技大学 | 一种三维医学图像超分辨率重建方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109741439B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lombaert et al. | Human atlas of the cardiac fiber architecture: study on a healthy population | |
| Ozturk et al. | Four-dimensional B-spline based motion analysis of tagged MR images: introduction and in vivo validation | |
| De Craene et al. | 3D strain assessment in ultrasound (straus): A synthetic comparison of five tracking methodologies | |
| Tanner et al. | Factors influencing the accuracy of biomechanical breast models | |
| Alansary et al. | Fast fully automatic segmentation of the human placenta from motion corrupted MRI | |
| Alansary et al. | PVR: patch-to-volume reconstruction for large area motion correction of fetal MRI | |
| CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
| CN110148215B (zh) | 一种基于平滑约束和局部低秩约束模型的四维磁共振图像重建方法 | |
| Banerjee et al. | A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices | |
| US20110044521A1 (en) | Tracking and representation of multi-dimensional organs | |
| Frakes et al. | Application of an adaptive control grid interpolation technique to morphological vascular reconstruction | |
| CN109360152A (zh) | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 | |
| US9402562B2 (en) | Systems and methods for improved tractographic processing | |
| Xing et al. | Phase vector incompressible registration algorithm for motion estimation from tagged magnetic resonance images | |
| CN110838140A (zh) | 基于混合监督学习的超声和核磁图像配准融合方法及装置 | |
| CN109741439A (zh) | 一种二维mri胎儿图像的三维重建方法 | |
| Heyde et al. | Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings | |
| CN115830016B (zh) | 医学图像配准模型训练方法及设备 | |
| CN110599499A (zh) | 基于多路卷积神经网络的mri图像心脏结构分割方法 | |
| Hesse et al. | Subcortical segmentation of the fetal brain in 3D ultrasound using deep learning | |
| Oguz et al. | Cortical correspondence using entropy-based particle systems and local features | |
| CN112562058B (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
| Perez-Gonzalez et al. | Deep learning spatial compounding from multiple fetal head ultrasound acquisitions | |
| CN116958094A (zh) | 一种动态增强磁共振影像特征生成病理图像特征的方法 | |
| CN112819789A (zh) | 用于心脏评估的设备和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |