CN110070516A - 一种面向医学能谱ct的图像融合方法 - Google Patents
一种面向医学能谱ct的图像融合方法 Download PDFInfo
- Publication number
- CN110070516A CN110070516A CN201910191795.1A CN201910191795A CN110070516A CN 110070516 A CN110070516 A CN 110070516A CN 201910191795 A CN201910191795 A CN 201910191795A CN 110070516 A CN110070516 A CN 110070516A
- Authority
- CN
- China
- Prior art keywords
- image
- power spectrum
- low
- sparse matrix
- band
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000003814 drug Substances 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种面向医学能谱CT的图像融合方法。该方法首先利用鲁棒性主成分分析方法对能谱CT解析后得到的高能图像和低能CT图像进行分解,得到相应的稀疏矩阵,再在非下采样轮廓变换域内对图像稀疏矩阵进行N层分解,得到高、低频子带,接着利用融合规则确定待融合的低频和高频子带融合系数,逆变换,最终完成最终的图像融合。本发明能够获取图像的相似度信息,能较好的保存源图像信息。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种面向医学能谱CT的图像融合方法。
背景技术
医学图像处理在诊断和临床治疗中起着不可或缺的作用,诊断的结果是基于医学成像设备所获得的图像。自从上个世纪70年代起,计算机断层扫描(Computed Tomography,CT)技术已被广泛用于工业探测和医学诊断等领域,传统CT主要基于灰度探测的原理,采用能量积分的形式通过探测射线在待测物体内的平均衰减效果,形成重建的图像。而能谱CT则能够通过探测X射线中各能量成分的衰减情况进行断层图像重建,可获得更精准的影像信息,通过能谱解析技术最终可得到多张不同能量下的CT图像。
近年来,稀疏表示、低秩表示和压缩感知在医学图像处理领域得到了广泛的应用。基于字典学习的稀疏多尺度图像融合方法,能够保持稳定的小波层次结构,识别图像的固有特征。压缩感知理论实现的低秩矩阵恢复也成为近年来的热门研究课题。低秩矩阵恢复模型能够有效地表示图像的噪声信息,低秩矩阵的恢复在图像去噪、分割、识别和跟踪等领域取得了良好的效果,但是在图像融合领域中对低秩矩阵的恢复还相对较新。
在医学图像融合领域,一种方法是基于各向异性热扩散和低秩结构分析的多模态医学图像融合,该算法利用多层图像的嵌入方法、属性划分和规则构建金字塔图像,计算热核各向异性。利用尺度空间的低秩表示来获得低阶分量信息的特征,并将尺度空间分解与相应的融合策略相结合。
为了更好的了解患者的患病情况,使CT图像上反映更多的细节,医学能谱CT的高低能量段的图像融合成为必要。能谱解析后得到的高能CT图像能更好的反映骨头等衰减系数大的部位信息,而低能CT图像则可以更好的反映软组织等衰减系数小的部位信息,将二者进行图像融合能更好的保留图像细节。利用图像融合方法的低阶表示具有两个主要优点:信息显示准确、鲁棒性强。
然而,现有的医学图像融合方法,往往只考虑图像中单个像素,而忽略了像素之间的相关性信息。而基于主成分分析的医学图像融合算法能够获取图像的相似度信息,能较好的保存源图像信息。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷,而提供一种针对能谱CT图像,将能谱解析后得到的高低不同能量段的图像信息进行融合的面向医学能谱CT的图像融合方法,特别是涉及医学能谱CT解析后不同能量段的图像融合方法,是一种基于非下采样轮廓变换和改进的鲁棒性主成分分析算法的医学能谱CT图像融合方法。
为实现本发明的目的所采用的技术方案是:
一种面向医学能谱CT的图像融合方法,包括利用鲁棒性主成分分析方法,将能谱CT解析后的高能图像与低能图像分别进行分解,得到相应的稀疏矩阵;
在非下采样轮廓变换域内分别对所述稀疏矩阵进行多层分解,得到高频子带、低频子带;
将分解得到的高频子带以及低频子带分别用相应的图像融合规则融合后逆变换,形成融合图像输出。
所述图像融合规则采用基于稀疏矩阵和脉冲耦合神经网络的图像融合准则。
所述将能谱CT解析后的高能图像与低能图像分别进行分解前,还包括将高低不同能量的CT图像矩阵分别转化为列向量的步骤。
与现有技术相比,本发明的有益效果是:
本发明因为能谱CT图像的目标信息以由稀疏矩阵中提取的特征表示,该融合方法可将目标信息和背景信息相结合,从而有效提高融合图像的显著性信息。
附图说明
图1所示为面向医学能谱CT的图像融合方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明面向医学能谱CT的图像融合方法,包括步骤:
提供主成分分析的约束优化模型:对于经典PCA(principal componmentanalysis)算法,假设数据按列向量存储于一个大的矩阵D∈Rm×n中,目的是找出一个低秩矩阵A,使得低秩矩阵A和矩D之间的差别最小,公式可表述如下:
式中,E表示噪声矩阵,F范数表示假设矩阵受到独立分布的高斯噪声污染,s.t.表示约束条件,rank表示矩阵的秩,r表示子空间目标维数,r≤min(m,n)。
然而实际中的大多数问题,噪声并不仅仅只是高斯噪声。为此,鲁棒主成分分析(robust principal component analysis,RPCA)的方法是将数据矩阵表示为低秩矩阵和稀疏矩阵,可以表示为:
式中,L为一个低秩矩阵,S为稀疏矩阵,M为原数据矩阵,||S||0为低秩矩阵的L0-范数,λ为优化过程中稀疏矩阵的权重参数,且λ>0。
根据RPCA理论,矩阵可由低秩矩阵和稀疏矩阵叠加构成,对于能谱CT图像,首先将高低不同能量的CT图像矩阵分别转化为列向量,然后利用快速ALM(augmented lagrangemultiplier)计算方法进行RPCA分解,获得低秩矩阵列向量和稀疏矩阵列向量,再将列向量都转化为m×n矩阵,获得与源图像大小相同的低秩矩阵和稀疏矩阵。
本发明中,首先采用RPCA分解方法分别对高能图像和低能图像进行分解,得到相应的稀疏矩阵,然后在非下采样轮廓变换(Non-down sampling contourlet transform,NSCT)域内,对高低能图像分别进行N层分解,得到高能和低能图像的高频子带、低频子带,再分别采用基于稀疏矩阵和脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的图像融合准则,确定高、低能图像的待融合的NSCT域低频子带与高频子带融合系数,并进行NSCT逆变换,实现图像融合。
因为能谱CT图像的目标信息以由稀疏矩阵中提取的特征表示,该融合方法可将目标信息和背景信息相结合,从而有效提高融合图像的显著性信息。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种面向医学能谱CT的图像融合方法,其特征在于,包括以下步骤:
利用鲁棒性主成分分析方法,将能谱CT解析后的高能图像与低能图像分别进行分解,得到相应的稀疏矩阵;
在非下采样轮廓变换域内分别对所述稀疏矩阵进行多层分解,得到高频子带、低频子带;
将分解得到的高频子带以及低频子带分别用相应的图像融合规则融合后逆变换,形成融合图像输出。
2.如权利要求1所述面向医学能谱CT的图像融合方法,其特征在于,所述图像融合规则采用基于稀疏矩阵和脉冲耦合神经网络的图像融合准则。
3.如权利要求1所述面向医学能谱CT的图像融合方法,其特征在于,所述将能谱CT解析后的高能图像与低能图像分别进行分解前,还包括将高低不同能量的CT图像矩阵分别转化为列向量的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191795.1A CN110070516A (zh) | 2019-03-14 | 2019-03-14 | 一种面向医学能谱ct的图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191795.1A CN110070516A (zh) | 2019-03-14 | 2019-03-14 | 一种面向医学能谱ct的图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070516A true CN110070516A (zh) | 2019-07-30 |
Family
ID=67365254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910191795.1A Pending CN110070516A (zh) | 2019-03-14 | 2019-03-14 | 一种面向医学能谱ct的图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070516A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570369A (zh) * | 2019-08-23 | 2019-12-13 | 温州医科大学 | 一种甲状腺结节超声图像去噪方法 |
CN113066036A (zh) * | 2021-03-18 | 2021-07-02 | 中北大学 | 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 |
WO2023000244A1 (zh) * | 2021-07-22 | 2023-01-26 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像处理方法、系统及其应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156917A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 基于双能谱的x射线ct图像增强方法 |
CN104599260A (zh) * | 2015-02-02 | 2015-05-06 | 天津三英精密仪器有限公司 | 一种基于双能谱和小波融合的x射线图像增强方法 |
CN105976346A (zh) * | 2016-04-28 | 2016-09-28 | 电子科技大学 | 基于鲁棒主成分稀疏分解的红外与可见光图像融合方法 |
CN106981057A (zh) * | 2017-03-24 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 一种基于rpca的nsst图像融合方法 |
CN107871307A (zh) * | 2017-07-19 | 2018-04-03 | 苏州闻捷传感技术有限公司 | 基于空间概率pca与nsct的全色图像锐化方法 |
CN109410157A (zh) * | 2018-06-19 | 2019-03-01 | 昆明理工大学 | 基于低秩稀疏分解和pcnn的图像融合方法 |
-
2019
- 2019-03-14 CN CN201910191795.1A patent/CN110070516A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156917A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 基于双能谱的x射线ct图像增强方法 |
CN104599260A (zh) * | 2015-02-02 | 2015-05-06 | 天津三英精密仪器有限公司 | 一种基于双能谱和小波融合的x射线图像增强方法 |
CN105976346A (zh) * | 2016-04-28 | 2016-09-28 | 电子科技大学 | 基于鲁棒主成分稀疏分解的红外与可见光图像融合方法 |
CN106981057A (zh) * | 2017-03-24 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 一种基于rpca的nsst图像融合方法 |
CN107871307A (zh) * | 2017-07-19 | 2018-04-03 | 苏州闻捷传感技术有限公司 | 基于空间概率pca与nsct的全色图像锐化方法 |
CN109410157A (zh) * | 2018-06-19 | 2019-03-01 | 昆明理工大学 | 基于低秩稀疏分解和pcnn的图像融合方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570369A (zh) * | 2019-08-23 | 2019-12-13 | 温州医科大学 | 一种甲状腺结节超声图像去噪方法 |
CN110570369B (zh) * | 2019-08-23 | 2020-05-12 | 温州医科大学 | 一种甲状腺结节超声图像去噪方法 |
CN113066036A (zh) * | 2021-03-18 | 2021-07-02 | 中北大学 | 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 |
CN113066036B (zh) * | 2021-03-18 | 2022-06-03 | 中北大学 | 一种基于模糊熵和稀疏表示的x射线图像融合方法及装置 |
WO2023000244A1 (zh) * | 2021-07-22 | 2023-01-26 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像处理方法、系统及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Image segmentation algorithm of lung cancer based on neural network model | |
CN109146988A (zh) | 基于vaegan的非完全投影ct图像重建方法 | |
Azam et al. | Multimodal medical image registration and fusion for quality enhancement | |
CN110070516A (zh) | 一种面向医学能谱ct的图像融合方法 | |
CN104182954B (zh) | 一种实时的多模态医学图像融合方法 | |
CN110097512A (zh) | 基于Wasserstein生成对抗网络的三维MRI图像去噪模型的构建方法及应用 | |
Li et al. | Application of image fusion in diagnosis and treatment of liver cancer | |
Bhateja et al. | Medical image fusion in wavelet and ridgelet domains: a comparative evaluation | |
CN106504221B (zh) | 基于四元数小波变换上下文结构的医学图像融合方法 | |
CN103942772A (zh) | 一种多模态多维度的血管融合方法及系统 | |
CN109191416A (zh) | 基于稀疏字典学习和剪切波的图像融合方法 | |
CN103034989A (zh) | 一种基于优质先验图像的低剂量cbct图像去噪方法 | |
Wang et al. | Multimodal medical image fusion based on multichannel coupled neural P systems and max-cloud models in spectral total variation domain | |
CN102682439B (zh) | 基于多向经验模式分解的医学图像融合方法 | |
CN106611408A (zh) | 一种图像融合方法 | |
CN112150564A (zh) | 基于深度卷积神经网络医学图像融合算法 | |
Xie et al. | Contextual loss based artifact removal method on CBCT image | |
WO2023000244A1 (zh) | 一种图像处理方法、系统及其应用 | |
Huang et al. | MambaMIR: An Arbitrary-Masked Mamba for Joint Medical Image Reconstruction and Uncertainty Estimation | |
CN116152235A (zh) | 一种肺癌ct到pet的医学图像跨模态合成方法 | |
Huang et al. | Tracking 3D ultrasound anatomical landmarks via three orthogonal plane‐based scale discriminative correlation filter network | |
CN115731444A (zh) | 一种基于人工智能和超像素分割的医学影像融合方法 | |
Gu et al. | Fast low-dose computed tomography image super-resolution reconstruction via sparse coding and random forests | |
CN115239740A (zh) | 基于GT-UNet的全心分割算法 | |
CN115222878A (zh) | 一种应用于肺支气管镜手术机器人的场景重建方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190730 |
|
WD01 | Invention patent application deemed withdrawn after publication |