CN111598820A - 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备 - Google Patents

应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备 Download PDF

Info

Publication number
CN111598820A
CN111598820A CN202010410833.0A CN202010410833A CN111598820A CN 111598820 A CN111598820 A CN 111598820A CN 202010410833 A CN202010410833 A CN 202010410833A CN 111598820 A CN111598820 A CN 111598820A
Authority
CN
China
Prior art keywords
image
fusion
layer
mri
different
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.)
Withdrawn
Application number
CN202010410833.0A
Other languages
English (en)
Inventor
冯叶
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.)
Shandong Kaixin Hongye Biotechnology Co ltd
Original Assignee
Shandong Kaixin Hongye Biotechnology Co ltd
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 Shandong Kaixin Hongye Biotechnology Co ltd filed Critical Shandong Kaixin Hongye Biotechnology Co ltd
Priority to CN202010410833.0A priority Critical patent/CN111598820A/zh
Publication of CN111598820A publication Critical patent/CN111598820A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种基于拉普拉斯金字塔变换的MRI图像融合方法以及MRI设备。方法包括步骤：S1：针对脑部MRI图像的特点，利用拉普拉斯金字塔分解将多幅源图像分解得到不同频率层，在不同频率层采用不同的融合规则，从而在融合图像中保留各源图像在不同频率层的特征信息；S2：分别计算顶层的区域均值和其余各层的点清晰度作为融合尺度；S3：对区域均值和点清晰度进行归一化处理；S4：比较不同源图像各层的归一化后的区域均值和点清晰度数值，采用不同的融合策略，获得各层图像的融合结果；S5：对得到的融合图像拉普拉斯金字塔各层，从顶层开始逐层向下递推，最终获得融合图像。采用该方法能够得到低噪声、边缘清晰的多聚焦融合图像。

Description

应用于医疗的基于拉普拉斯金字塔变换MRI图像融合方法及 MRI设备
技术领域
本发明涉及MRI图像采集及医学图像处理技术领域，特别是一种MRI脑部图像的多源融合方法以及MRI设备。
背景技术
磁共振成像(MRI)技术是一种利用人体中的核与磁场中的外加RF磁场产生共振以生成图像的成像技术。MRI是随着计算机技术的飞速发展和X射线CT的临床应用而发展起来的一种新型医学数字成像技术。因为它可以在细胞核水平上显示形态结构和生化信息，所以它还可以显示某些器官的功能状态，并且具有如不辐射，成像精度高等许多优点。它已越来越多地用于各种系统的临床诊断和治疗。
现有技术中，MRI设备中接收线圈采用固定形状线圈或是采用柔性线圈。柔性线圈具有轻便和韧性好的优点，柔性线圈能够与不同身体部位(如腹部、膝关节、踝关节、腕关节等)适型匹配，以便尽可能靠近成像区域，如此能够解决因扫描部位形状以及大小的不同而导致固定形状线圈无法紧贴成像区域的问题，从而提高了信噪比。但是，由于柔性线圈可以根据实际应用场景灵活地进行形态变化以及位置变化，因而，当MRI设备操作者使用柔性线圈时，需要操作者先构建磁共振系统、病人和柔性线圈的三维模型，以便确定柔性线圈的位置信息以及形态信息，再根据柔性线圈的位置信息以及形态信息，选择与扫描区域对应的线圈单元进行重建成像。然而，由于MRI设备操作者需要根据个人经验以及相关知识确定柔性线圈的形态信息和位置信息，如此，不仅增加了磁共振系统操作的难度以及操作者的工作强度，还容易因操作者个人失误导致成像错误的发生，降低磁共振成像的准确率。
现有技术中，图像融合分为同机融合(异源图像的扫描同时发生在同一台影像设备上)和异机融合(异源图像的扫描在不同时段而目发生在不同的影像设备上)两种方式。但是，同机融合设备成本非常昂贵，因收费高而不易普及，临床应用受到限制。现有技术的同机CT和MR 图像二维融合，虽然影像比较逼真但缺少立体视觉效果，而且扫描同时发生在同一台影像设备上，成本非常昂贵，临床应用受到限制。而异机融合成本相对低廉，有着广阔的应用空间，但其配准效果不佳，所得到的立体融合图像精确度不高。
发明内容
本发明的目的就在于为解决上述问题，本发明提出一种基于多接收线圈的拉普拉斯金字塔变换的MRI图像融合方法。
一种基于拉普拉斯金字塔变换的MRI图像融合方法，用于对脑部MRI图像处理，包括步骤：
S1：针对脑部MRI图像的特点，利用拉普拉斯金字塔分解将多幅源图像分解得到不同频率层，在不同频率层采用不同的融合规则，从而在融合图像中保留各源图像在不同频率层的特征信息，其中，所述多幅源图像分别来自于多个射频接收线圈针对同一检测部位得到的图像；
S2：分别计算顶层的区域均值和其余各层的点清晰度作为融合尺度；
S3：对区域均值和点清晰度进行归一化处理；
S4：比较不同源图像各层的归一化后的区域均值和点清晰度数值，采用不同的融合策略，获得各层图像的融合结果；
S5：对得到的融合图像拉普拉斯金字塔各层，从顶层开始逐层向下递推，最终获得融合图像。
进一步的，步骤S2具体包括：
Figure DEST_PATH_IMAGE001
分别为源图像A，B…M的拉普拉斯金字塔第l 层图像，融合结果记为
Figure DEST_PATH_IMAGE002
当l＝N时，对拉普拉斯金字塔顶层图像进行融合，采用区域均值作为融合尺度，考察邻域像素间的关联性，可有效保留图像的细节和边缘信息，获得清晰的融合图像；区域均值可由式(1)得到：
T(i，j)＝∑w|LN(i，j)-μ| (1)
式中，LN为金字塔顶层图像，即低频系数矩阵，μ表示邻域像素均值，w为加权矩阵；
当0≤l＜N时，对其余各层进行融合，
采用点清晰度对像素点周围的灰度扩散程度做统计，值越大说明扩散越剧烈、图像越清晰，以此作为融合尺度；点清晰度可由式(2)得到：
Figure DEST_PATH_FDA0002547226630000013
式中，m，n为所选局部区域的长和宽，df为灰度变化幅值，dx为像元间距离增量；公式(2)可表示为：对区域中的每点与其8个邻域像素点做差，对差值取绝对值后求加权和，最后将所有点所得值相加除以像素总数。
进一步的，步骤S3具体包括：采用式(3)对区域均值和点清晰度进行归一化处理：
Figure BDA0002492231540000031
其中，X(i，j)为区域均值和点清晰度，Xmax和Xmin分别为矩阵X中的最大值和最小值， Y(i，j)为归一化后的区域均值或点清晰度；
进一步的，步骤S4具体包括：
设K为阈值，该阈值的设定与发射线圈与各个接收线圈的距离、方向、信号强度有关；当
Figure DEST_PATH_IMAGE003
时，融合结果
Figure DEST_PATH_IMAGE004
记为：
Figure DEST_PATH_IMAGE005
当
Figure 165275DEST_PATH_IMAGE001
时，融合结果
Figure BDA0002492231540000036
记为：
Figure DEST_PATH_IMAGE006
其中，k1，k2…kM为各层图像权重系数，
Figure DEST_PATH_FDA0002547226630000027
进一步的，步骤S5具体包括：对得到的融合图像拉普拉斯金字塔各层，用式(4)，从顶层开始逐层向下递推，得到融合图像的高斯金字塔
Figure BDA0002492231540000039
最终获得融合图像
Figure DEST_PATH_IMAGE008
Figure DEST_PATH_FDA0002547226630000028
针对脑肿瘤的特点，本申请提出一种基于自适应轮廓模型的MRI图像分割算法：
步骤1)：对输入的经过融合后的MRI图像进行预处理；
步骤2)：根据脑部肿瘤图像的特点，设初始轮廓线为c0且将其设置成圆形，根据c0计算初始水平集函数φ0；
步骤3)：更新水平集函数φn，根据当前的φn计算c1和c2；
步骤4)：检查迭代是否收敛，若收敛则此时求得的c即为最佳轮廓线，否则继续迭代；
步骤5)：获得目标区域后，利用图像形态学开运算去除噪声及一些微小突出部分，平滑边界，利用闭运算能够连接断裂处，并填补空洞，得到目标图像。
有益效果：(1)本申请提出的基于拉普拉斯金字塔变换的MRI图像融合方法，首先对多聚焦源图像进行拉普拉斯金字塔变换；然后，对拉普拉斯金字塔的顶层图像，采用区域均值考量邻域像素间的关联性，有效保留图像的细节信息；对其余各层，采用点清晰度对像素点周围的灰度扩散程度做统计，提高融合图像清晰度；最后，通过拉普拉斯金字塔逆变换，得到了噪声低、边缘信息丰富的多聚焦融合图像。
(2)本方法只需根据每个线圈单元的理论坐标，将多个线圈的数据进行融合得到目标图像，无需人工参与，降低了操作MRI设备的工作难度，也降低了因操作者个人失误导致的成像错误发生的可能，提高了磁共振成像的准确率，鲁棒性。
(3)本申请提出一种基于自适应轮廓模型的MRI图像分割算法，充分利用脑部肿瘤图像特征简化了组织分割过程，利用相关的图像和信息特征形成对象轮廓的自动化处理和辨识准确度提升，利用分割基准形成图像量化规则、像素内涵信息和建模构架有效融合，使得脑部肿瘤可以在MRI图像中实现主体自动分割、轮廓准确定位，有效提高了专业人力识别资源的识别效率。
附图说明
图1是现有技术中磁共振成像系统示意图。
图2是本申请中“C”型永磁体示意图。
图3是本申请中磁共振成像设备中多个接收线圈布置示意图。
图4是本申请中运算和图像处理系统示意图。
图5是本申请基于拉普拉斯金字塔变换的MRI图像融合方法流程图。
附图标记说明如下：
图2中：1、机架，2、磁极，3、匀场环，4、涡流板，5、极板。图3中：B1-36、射频接收线圈，38、受测者。
具体实施方式
以下结合附图对本发明作更进一步的说明。
本发明实施例中，一种基于多接收线圈的磁共振成像设备包括：主磁体系统，梯度磁场系统，射频系统，运算和图像处理系统。
一、主磁体系统
MRI设备对主磁体的主要技术要求有以下几个方面：(1)宽大的磁场工作空间，磁体工作区中一个均匀性特别好的部分(样品区)应能包容人体的受检查部位。(2)高度均匀的样品区，能迅速建立和消除的梯度场。(3)磁场稳定性，永磁材料的特性随温度有比较大的变化，因此它激励的场也相应有变化，其表现为磁感应强度的起伏，也会影响磁场的均匀性。(4)尽可能小的漏磁，减少对人群的危害，磁共振CT机以外的仪器、器具的正常工作受到的影响。(5)尽可能小的涡流，金属构件中的涡流将抑制梯度磁场的变化，它使梯度磁场不能快速变化，从而妨碍正常的成像过程。(6)尽可能小的磁体重量和造价。
本申请中采用的“C”型主磁体具有制造简单，空间利用率高，场强高图像清晰的特点。“C”型主磁体主要由机架、磁极、极板、匀场环、涡流板等组成。磁体上下磁极设计成圆柱形，机架用于支撑磁体构架、构成导磁磁路，材料通常为钢；磁极提供磁能、产生成像静磁场，材料选用Nd-Fe-B；极板、匀场环实现平滑磁极表面、磁场均匀化处理，用工业纯铁制造；涡流板功能为去涡流，由硅钢制成。
本申请中“C”型永磁体为0.35T，机架支撑整个磁体结构并输导磁通，其尺寸需设计得足够大，以保证通过的磁通不至于使机架材料达到磁饱和，这里柱形工作气隙高0.6m，直径1.2m。磁极的实际生产是由多个零件组成的，磁性材料之间存在一些间隙，这降低了磁场的均匀性。因此，通常将厚度均匀的纯铁板安装在磁极的表面上，使磁极表面光滑可以大大提高磁场的均匀性。
二、梯度磁场系统
梯度系统实现可快速开关的线性梯度磁场，在成像过程中对主磁场进行动态叠加，以实现三维空间定位。主要由梯度线圈、梯度控制器、梯度放大器等部分组成。为获得任意方向上的空间信息，需要在主磁场的基础上沿x、y和z每个方向上都施加一个梯度磁场。根据梯度磁场的方向，把它们称为Gx、Gy和Gz，定义为Gx＝dBz/dx，Gy＝dBz/dy，Gz＝dBz/dz。根据梯度的功能把它们称为：层面选择梯度(Gz)、相位编码梯度(Gy)、读出或频率编码梯度(Gx)。梯度磁场沿主磁场方向的分量在X、Y、Z三个方向呈线性变化，通过叠加到主磁场之上而产生作用，来实现空间定位和编码。
梯度控制器主要包括序列产生模块、数值运算模块、波形存储模块、数据缓存模块、D/A 模块等。序列产生模块用来接收脉冲控制板的指令来产生控制信号，波形存储模块用来存储从 PC机传递过来的波形数据，数值运算模块用来计算变换矩阵和矩阵乘法采用可编程逻辑器FPGA和DSP来实现。数据缓存模块为FIFO存储器。
数值运算模块主要实现：(1)变换矩阵计算，矩阵变换的系数在脉冲控制器的控制下由数值运算模块进行计算。处理器运行一段程序来计算由脉冲控制器所指定的如梯度旋转、线性梯度定标及决定是相位编码还是水平编码等应用于变换矩阵的操作，并把矩阵写到DSP数据存储器中，以便于矩阵乘法操作。(2)矩阵乘法，DSP具有高速计算性能，使其矩阵乘法器来把波形存储模块的数据和变换矩阵相乘以转化为3路实际输出，这些输出随后被放到数据缓存模块上，以便于根据时序要求进行输出。
序列发生模块根据脉冲控制器传来的控制信号，得出序列存储器上分配给每个通道的通道地址，根据地址读出指令，进行译码，一方面得出即将进行运算的波形存储单元的地址，传递给数值计算单元；另一方面得出控制FIFO输出的读出信号。主要实现三个功能：(1)主采样时钟，根据可编程指令，产生D/A转换器所需要的从FIFO读出数据的控制信号。(2)波形地址产生，用以产生和变换矩阵相乘的波形值所在的波形存储单元的地址。(3)序列地址产生，用以产生各个通道运行时的通道地址。
三、射频系统
射频系统包括以下：发射模块、发射线圈接口、发射线圈、接收模块、接收线圈接口、接收线圈。射频系统实现功能有两个：一是产生一个射频场用于激发样品产生共振，一是负责接收核磁共振信号。具体来说首先在发射端产生一个的射频正弦波信号，经过功率调整以后送至发射线圈，发射线圈将激发出一个射频场使样品产生共振；在接收端，接收模块首先对接收线圈中感应到的核磁共振信号进行放大、滤波和变频等处理，然后再将处理后的固定中频信号送到数字信号处理系统进行后续的信号处理。发射线圈接口和接收线圈接口主要是解决发射模块和接收模块与线圈的接口匹配问题。
发射模块包括：有源晶振，锁相环PLL电路，数字频率合成器DDS，放大器，控制器。其工作过程为：以20MHz的有源晶振作为参考时钟信号，由锁相环PLL电路锁相输出一个400MHz 的点频信号，经过低通滤波器滤除谐波以后作为直接数字频率合成器的参考时钟信号。DDS电路是发射模块的核心电路，负责输出频率范围为的射频正弦波信号。考虑到的输出信号频谱除了主频信号以外还有杂散信号和谐波分量，为了得到频谱较纯净的正弦波，在后级使用了一个低通滤波器。此外，DDS直接输出的信号功率达不到核磁共振波谱仪的指标要求，后级的放大器用于将DDS的输出信号功率调整到指标要求的范围内。整个发射模块的控制由单片机来完成，单片机主要负责DDS芯片和PPL芯片的内部寄存器的配置，此外还负责显示电路和输入电路的控制。
接收模块包括：各功能滤波器、LNA、混频器、AGC电路、本振源等。接收模块采用双变频超外差结构，其中第一中频为高中频70MHz，第二中频为10MHz。第一中频选择高中频可以使接收模块获得较好的镜像抑制度。在高本振的情况下，镜像信号频率和要接收的信号频率相差两个中频，中频频率越高，镜像信号频率和有用信号频率就离的越远，镜像信号越容易被滤波器滤除。通过第一中频采用高中频，并结合第一级四组亚倍频程滤波器构成的预选器结构，本方案很好的解决了外差接收机的镜像抑制问题。此外采用四组亚倍频程滤波器构成预选器既可以满足接收机要求的10-50MHz的宽带接收指标，又可以减少同时进入接收模块的干扰信号，从而提高了接收模块的选择性和抗干扰能力。
为降低整机的噪声系数，提高接收模块的接收灵敏度，在预选器之后是一级高增益低噪声放大器。整机的动态范围主要依靠第一中频和第二中频的自动增益控制电路实现，其中第一中频自动增益控制电路可以提供35dB的动态范围，第二中频自动增益控制电路则可以提供835dB 的动态范围，经过两级自动增益控制电路以后输出功率可以调整到系统要求的指标范围内。同时通过优化信道中增益的分配，主要是自动增益电路的放置位置，使得每一级电路都工作在其 1dB压缩点以下的线性区域，从而保证了接收模块的线性度。
现有技术中，使用配置在受测者上方的上部接收射频线圈、配置在受测者下方的下部射频发射线圈进行核磁共振成像拍摄，其中在线圈单元固定装置的表面上安装单个上部射频接收线圈。拍摄时，在配置为圆筒形的线圈单元固定装置和上部接收射频线圈覆盖了受测者之后，使顶板向受测者的体轴方向移动，检测空间形成在核磁共振成像装置的托台中，上部接收射频线圈和下部射频发射线圈对准后进行拍摄。可见，现有技术需要将上部接收射频线圈和下部射频发射线圈精确对准，对准的精度将影响测量的精度，该上部射频接收线圈、下部射频发射线圈的设定上需要花费较多时间。
本发明中，将多个射频接收线圈31-36布置在线圈固定装置中，不同的射频接收线圈31-36 与受测者11身上不同检测部位，如头部，胸部，腹部等对应。检测时，操作者首先调整受测者38的位置使得诊断部位位于射频发射线圈附近(图中未示出射频发射线圈位置，其可根据需要布置)，之后进行配置以使圆筒形的线圈单元固定装置覆盖受测者38，进而，沿着线圈单元固定装置的表面配置柔性的多个接收射频线圈31-36表面和受测者不同检测部位相对。
本发明中，采用多个射频接收线圈分布在线圈单元固定装置中可以克服现有技术中需要接收射频线圈和射频发射线圈精确对准的缺点。不同的上部射频接收线圈可以对受测者不同位置同时进行检测，提高了测试的效率。同时，利用本发明核磁共振成像设备中与发送射频线圈相对设置的发射射频线圈阵列，增加了测量维度，通过进行相应的数据融合算法，提高了对单个部位的测量的精度和可靠性。
四、运算和图像处理系统
运算和图像处理系统包括多通道数据采集单元、时序逻辑控制单元、运算单元、数据传输单元、显示器和键盘，电源模块，时钟模块，存储模块等，如附图4所示。
多通道数据采集单元包括滤波器、放大器、模数转换器，其各个输入端口分别与射频系统中的接收模块的输出端连接，将采集到的射频信号经过滤波，模数转换，放大后得到数字信号，并将其输入存储模块。
时序逻辑控制单元与多通道数据采集单元、运算单元、存储模块连接，核心为FPGA模块，负责整个电路的时序，逻辑控制。
存储单元位于多通道数据采集单元与运算单元之间，将采集到的数据进行缓存，解决运算单元与采集单元数据处理速度不匹配的问题。优选的，存储器选择高速双端口RAM。
数据传输单元实现与远程服务器的连接，将本地获得的数据及分析结果上传至服务器端，同时接收服务器端控制信息。优选的，数据传输单元优选为4G，5G，GPRS模块。
运算单元的核心为数字运算处理器DSP，借助其强大的运算能力在其中完成相应的数据融合，图像分割等算法。
显示器和键盘实现人机交互；电源模块为各个单元提供所需的不同电源；时钟模块包括分频器，锁相器等单元，为各模块提供不同频率时钟。
恶性脑肿瘤是最可怕的癌症类型之一。根据相关资料，近年来我国脑肿瘤发病率呈上升趋势，仅次于胃、乳腺、子宫和食管等类型的肿瘤。脑肿瘤在任何年龄段、任何性别都可能发病，其中发病率高峰主要集中在20-50岁之间、一般男性更易发病。
尽管对脑肿瘤的理论研究有相当大的进展，但是对于患者的病情评估、手术治疗和术后恢复等方面仍然不足。对脑瘤患者来说，一般的疗程方案是手术摘除，然后配合放射治疗和化疗。在术后恢复阶段，需要通过观察进一步判断肿瘤是否转移或者复发。因此在肿瘤治疗的任何阶段，准确的脑肿瘤位置检测和分类是重中之重，而自动化的脑肿瘤检测更是未来发展的重大方向。自动化的脑肿瘤检测一方面可以把医生从繁琐地找肿瘤任务中解放出来，从而更专注肿瘤治疗的术中和术后阶段；另一方面，通过机器检测的标准化流程，可以极大缓解因我国幅员辽阔而导致的医疗资源匮乏、分布不均、各地医生水平层次不齐的窘况。
通过查阅资料和观察脑肿瘤标注图像，可以发现脑肿瘤分布具有以下特点：1)出现任意性，肿瘤没有固定的病发位置，可能出现在脑部任何区域；2)形态任意性，肿瘤的形状、大小各异； 3)局部聚合性，不同类型肿瘤有聚合的特点，不同类型肿瘤往往成簇出现。
对上述基于多接收线圈的磁共振成像设备获得的对于同一部位的多幅源图像进行图像融合，本申请中提出一种基于拉普拉斯金字塔变换的MRI图像融合方法，用于对脑部MRI图像处理，包括步骤：
S1：针对脑部MRI图像的特点，利用拉普拉斯金字塔分解将多幅源图像分解得到不同频率层，在不同频率层采用不同的融合规则，从而在融合图像中保留各源图像在不同频率层的特征信息，其中，所述多幅源图像分别来自于多个射频接收线圈针对同一检测部位得到的图像；
S2：分别计算顶层的区域均值和其余各层的点清晰度作为融合尺度；
Figure DEST_PATH_IMAGE009
分别为源图像A，B…M的拉普拉斯金字塔第1层图像，融合结果记为
Figure DEST_PATH_IMAGE010
Figure BDA0002492231540000093
当l＝N时，对拉普拉斯金字塔顶层图像进行融合，采用区域均值作为融合尺度，考察邻域像素间的关联性，可有效保留图像的细节和边缘信息，获得清晰的融合图像；区域均值可由式 (1)得到：
T(i，j)＝∑w|LN(i，j)-μ| (1)
式中，LN为金字塔顶层图像，即低频系数矩阵，μ表示邻域像素均值，w为加权矩阵；
当0≤l＜N时，对其余各层进行融合，采用点清晰度对像素点周围的灰度扩散程度做统计，值越大说明扩散越剧烈、图像越清晰，以此作为融合尺度；点清晰度可由式(2)得到：
Figure 514706DEST_PATH_FDA0002547226630000013
式中，m，n为所选局部区域的长和宽，df为灰度变化幅值，dx为像元间距离增量；公式(2)可表示为：对区域中的每点与其8个邻域像素点做差，对差值取绝对值后求加权和，最后将所有点所得值相加除以像素总数；
S3：对顶层的区域均值和其余各层的点清晰度进行归一化处理；
采用式(3)对区域均值和点清晰度进行归一化处理：
Figure BDA0002492231540000095
其中，X(i，j)为区域均值和点清晰度，Xmax和Xmin分别为矩阵X中的最大值和最小值， Y(i，j)为归一化后的区域均值或点清晰度；
S4：比较不同源图像各层的归一化后的区域均值和点清晰度数值，采用不同的融合策略，获得各层图像的融合结果；
设K为阈值，该阈值的设定与发射线圈与各个接收线圈的距离、方向、信号强度有关；当
Figure DEST_PATH_IMAGE011
时，融合结果
Figure DEST_PATH_IMAGE012
记为：
Figure DEST_PATH_IMAGE013
当
Figure DEST_PATH_IMAGE014
时，融合结果
Figure DEST_PATH_IMAGE015
记为：
Figure DEST_PATH_IMAGE016
其中，k1，k2…kM为各层图像权重系数，
Figure 290901DEST_PATH_FDA0002547226630000027
S5：对得到的融合图像拉普拉斯金字塔各层，从顶层开始逐层向下递推，最终获得融合图像
Figure DEST_PATH_IMAGE018
对得到的融合图像拉普拉斯金字塔各层，用式(4)，从顶层开始逐层向下递推，得到融合图像的高斯金字塔
Figure BDA0002492231540000109
最终获得融合图像
Figure BDA00024922315400001010
Figure 70638DEST_PATH_FDA0002547226630000028
针对脑肿瘤的特点，本申请提出一种基于自适应轮廓模型的脑部MRI图像分割算法，用于对脑部肿瘤的分析，其特征在于，包括：
步骤1)：对输入的经过融合后的MRI图像进行预处理；
步骤2)：根据脑部肿瘤图像的特点，设初始轮廓线为c0且将其设置成圆形，根据c0计算初始水平集函数φ0；
步骤3)：更新水平集函数φn，根据当前的φn计算c1和c2；具体的，
设定义域为Ω的图像I(x，y)，(x，y)为像素点坐标矢量，且(x，y)∈Ω，其闭合边界c将图像分为目标Ωi和背景Ωo两部分，通过最小化能量方程来进行图像分割的过程就是寻找最优分割曲线c，使得到的分割后图像目标区域与原始图像之间的方差最小，曲线拟合能量方程定义如下：
Figure BDA0002492231540000111
其中，参数λ1，λ2＞0，为能量向的权重系数，起平滑作用；μ≥0，c1，c2表示曲线c内部和外部的平均灰度值，使该能量方程得到最小值的曲线即为所求的边界曲线；
引入划分演化区域的阶跃函数以及用来限定演化在零水平集函数周围取值的狄拉克函数，表示如下：
Figure BDA0002492231540000112
Figure BDA0002492231540000113
设φ(x，y)是根据初始轮廓线c0构造的水平集函数，φ(x，y)表达的偏微分方程形式如下：
Figure 1
对曲线拟合能量方程求最小值，即可得到分割轮廓线c的位置和c1、c2值：
Figure BDA0002492231540000121
Figure BDA0002492231540000122
步骤4)：检查迭代是否收敛，若收敛则此时求得的c即为最佳轮廓线，否则继续迭代；
步骤5)：获得目标区域后，利用图像形态学开运算去除噪声及一些微小突出部分，平滑边界，利用闭运算能够连接断裂处，并填补空洞，得到目标图像。
进一步，所述预处理包括：步骤(1)：对输入的经过融合后的MRI图像去噪滤波后，运用最大类间方差法选取阈值；
(2)运用自动选取的阈值将图像二值化，并将其进行反转；
(3)设置形态学腐蚀和膨胀的2×2矩形模板以及半径为2的圆形模板；
(4)将上述图像进行连通标记，并将其结果对应连通区域计算面积；
(5)经过多次腐蚀操作对图像边界进行平滑，再次膨胀填补脑实质的空洞。
最后，对本申请中的基于自适应轮廓模型的MRI图像分割方法进行实验验证，实验中选用的样本数据来自Brainweb数据库，Brainweb是由蒙特利尔神经学研究所的麦康奈尔脑成像中心开发的一个合成图像数据库。该数据库中人脑切片组织共有10个种类：(1)背景(2)脑脊液(3)灰质(4)白质(5)脂肪(6)肌肉/皮肤(7)皮肤(8)颅骨(9)胶质物(10)结缔组织。Brainweb不但提供了不同异质性强度和不同噪声的T1，T2，PD的加权仿真图片数据，而且还可以根据研究者的实际需求，通过模拟器设定图像规格参数来定制图像。同时该数据库也提供了对应切片的标准分割图片ground truth。
数据库提供对应的T1，T2和PD权值形态的数据，5种切片厚度(1mm，3mm，5mm，7mm和9mm)，6种噪声水平(0％，1％，3％，4％，5％和9％)的参数设置，以及3种强度不均匀级别(0％，20％和40％)，数据维度为187，217，181。为了避免非相关的人脑组织对分割算法的影响，本方案利用MIPAV软件Brain Tool工具箱中的工具Extract Brain Surface来实现对颅骨等非相关组织剔除的预处理。MIPAV软件能够定量分析和可视化诸如PET，MRI，CT等医学图像。
测试过程中，首先将所有对象的顺序打乱，各类型对象均匀分布；然后选择其中60位对象作为测试样本，其余440位作为训练样本进行训练和测试，依次进行10次可以对600位对象进行测试，10次测试的平均准确率、平均敏感度(真实阳性对象中被诊断成阳性的数量/真实阳性对象数量)和平均特异度(真实阴性对象中被诊断为阴性的数量/真实阴性对象数量)作为本次的测试结果。该方式单次测量无法有效判断真实的测试准确率。所以本文将上述测试过程重复30次，每次都重新打乱对象的顺序，因此测试结果相对可靠，而且能测试到所有样本。本文对未进过年龄矫正和经过年龄矫正，以及判决平均和概率平均两种判决方式，共四种方法进行了测试，分别为：a)年龄矫正+判决平均；b)年龄矫正+概率平均；c)无年龄矫正+判决平均；d)无年龄矫正+概率平均。其中使用年龄矫正结合概率平均方式可以达到最好的分割准确率85.54％。
以上给出了本发明涉及的具体实施方式，但本发明不局限于所描述的实施方式。在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (10)

1.一种基于拉普拉斯金字塔变换的MRI图像融合方法，用于对脑部MRI图像处理，其特征在于，包括：
步骤S1：针对脑部MRI图像的特点，利用拉普拉斯金字塔分解将多幅源图像分解得到不同频率层，在不同频率层采用不同的融合规则，从而在融合图像中保留各源图像在不同频率层的特征信息，其中，所述多幅源图像分别来自于多个射频接收线圈针对同一检测部位得到的图像；
步骤S2：分别计算顶层的区域均值和其余各层的点清晰度作为融合尺度；
步骤S3：对区域均值和点清晰度进行归一化处理；
步骤S4：比较不同源图像各层的归一化后的区域均值和点清晰度数值，采用不同的融合策略，获得各层图像的融合结果；
步骤S5：对得到的融合图像拉普拉斯金字塔各层，从顶层开始逐层向下递推，最终获得融合图像；
其中，步骤S2具体包括：
Figure RE-FDA0002547226630000011
分别为源图像A，B…M的拉普拉斯金字塔第l层图像，融合结果记为
Figure RE-FDA0002547226630000012
当l＝N时，对拉普拉斯金字塔顶层图像进行融合，采用区域均值作为融合尺度，考察邻域像素间的关联性，可有效保留图像的细节和边缘信息，获得清晰的融合图像；区域均值可由式(1)得到：
T(i，j)＝∑w|LN(i，j)-μ| (1)
式中，LN为金字塔顶层图像，即低频系数矩阵，μ表示邻域像素均值，w为加权矩阵；
当0≤l＜N时，对其余各层进行融合，
采用点清晰度对像素点周围的灰度扩散程度做统计，值越大说明扩散越剧烈、图像越清晰，以此作为融合尺度；点清晰度可由式(2)得到：
Figure RE-FDA0002547226630000013
式中，m，n为所选局部区域的长和宽，df为灰度变化幅值，dx为像元间距离增量；公式(2)可表示为：对区域中的每点与其8个邻域像素点做差，对差值取绝对值后求加权和，最后将所有点所得值相加除以像素总数。
2.根据权利要求1所述的MRI图像融合方法，其特征在于，步骤S3具体包括：采用式(3)对区域均值和点清晰度进行归一化处理：
Figure FDA0002492231530000021
其中，X(i，j)为区域均值和点清晰度，Xmax和Xmin分别为矩阵X中的最大值和最小值，Y(i，j)为归一化后的区域均值或点清晰度。
3.根据权利要求2所述的MRI图像融合方法，其特征在于，步骤S4具体包括：设K为阈值，该阈值的设定与发射线圈与各个接收线圈的距离、方向、信号强度有关；当|Yl A-Yl B|＞K时，融合结果
Figure RE-FDA0002547226630000022
记为：
Figure RE-FDA0002547226630000023
当
Figure RE-FDA0002547226630000024
时，融合结果
Figure RE-FDA0002547226630000025
记为：
Figure RE-FDA0002547226630000026
其中，k1，k2…kM为各层图像权重系数，
Figure RE-FDA0002547226630000027
4.根据权利要求3所述的MRI图像融合方法，其特征在于，步骤S5具体包括：对得到的融合图像拉普拉斯金字塔各层，用式(4)
Figure RE-FDA0002547226630000028
从顶层开始逐层向下递推，得到融合图像的高斯金字塔
Figure RE-FDA0002547226630000029
最终获得融合图像
Figure RE-FDA00025472266300000210
5.根据权利要求1所述的MRI图像融合方法，其特征在于，进一步包括步骤S6，采用一种基于自适应轮廓模型的图像分割算法对融合后的图像进行分割。
6.一种用于实现如权利要求1-5任意一项所述的MRI图像融合方法的MRI设备，其特征在于：包括：主磁体系统，梯度磁场系统，射频系统，运算和图像处理系统；其中射频系统包括多个射频线圈，多个射频线圈分别布置在线圈固定装置中，不同的射频接收线圈与受测者身上不同检测部位对应；图像采集时，上述多个射频线圈可以对同一部位进行检测，也可对不同部位分别检测。
7.根据权利要求6所述的MRI设备，其特征在于：运算和图像处理系统包括多通道数据采集单元、时序逻辑控制单元、运算单元、数据传输单元、显示器和键盘，电源模块，时钟模块，存储模块。
8.根据权利要求7所述的MRI设备，其特征在于：多通道数据采集单元包括滤波器、放大器、模数转换器，其各个输入端口分别与射频系统中的接收模块的输出端连接，将采集到的射频信号经过滤波，模数转换，放大后得到数字信号，并将其输入存储模块；时序逻辑控制单元与多通道数据采集单元、运算单元、存储模块连接，核心为FPGA模块，负责整个电路的时序，逻辑控制；存储单元位于多通道数据采集单元与运算单元之间，将采集到的数据进行缓存，解决运算单元与采集单元数据处理速度不匹配的问题；数据传输单元实现与远程服务器的连接，将本地获得的数据及分析结果上传至服务器端，同时接收服务器端控制信息；运算单元的核心为数字运算处理器DSP，借助其强大的运算能力在其中完成相应的数据融合，图像分割等算法；显示器和键盘实现人机交互；电源模块为各个单元提供所需的不同电源；时钟模块包括分频器，锁相器等单元，为各模块提供不同频率时钟。
9.根据权利要求8所述的MRI设备，其特征在于：数据传输单元优选为4G，5G或GPRS模块。
10.根据权利要求8所述的MRI设备，存储器选择高速双端口RAM。
CN202010410833.0A 2020-05-14 2020-05-14 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备 Withdrawn CN111598820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010410833.0A CN111598820A (zh) 2020-05-14 2020-05-14 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010410833.0A CN111598820A (zh) 2020-05-14 2020-05-14 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备

Publications (1)

Publication Number Publication Date
CN111598820A true CN111598820A (zh) 2020-08-28

Family

ID=72187410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010410833.0A Withdrawn CN111598820A (zh) 2020-05-14 2020-05-14 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备

Country Status (1)

Country Link
CN (1) CN111598820A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651890A (zh) * 2020-12-18 2021-04-13 深圳先进技术研究院 基于双编码融合网络模型的pet-mri图像去噪方法、装置
CN113793272A (zh) * 2021-08-11 2021-12-14 东软医疗系统股份有限公司 图像降噪方法及装置、存储介质、终端
CN114202039A (zh) * 2022-02-17 2022-03-18 深圳消安科技有限公司 一种基于cim模型的城市信息多源数据融合方法
CN115170557A (zh) * 2022-08-08 2022-10-11 中山大学中山眼科中心 结膜杯状细胞成像的图像融合方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651890A (zh) * 2020-12-18 2021-04-13 深圳先进技术研究院 基于双编码融合网络模型的pet-mri图像去噪方法、装置
CN113793272A (zh) * 2021-08-11 2021-12-14 东软医疗系统股份有限公司 图像降噪方法及装置、存储介质、终端
CN113793272B (zh) * 2021-08-11 2024-01-26 东软医疗系统股份有限公司 图像降噪方法及装置、存储介质、终端
CN114202039A (zh) * 2022-02-17 2022-03-18 深圳消安科技有限公司 一种基于cim模型的城市信息多源数据融合方法
CN115170557A (zh) * 2022-08-08 2022-10-11 中山大学中山眼科中心 结膜杯状细胞成像的图像融合方法及装置

Similar Documents

Publication Publication Date Title
CN111598820A (zh) 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备
Liu et al. Gradient‐based electrical properties tomography (g EPT): A robust method for mapping electrical properties of biological tissues in vivo using magnetic resonance imaging
US11540766B2 (en) Nuclear magnetic resonance systems and methods for noninvasive and in-vivo measurements using a unilateral magnet
US9958521B2 (en) Field-invariant quantitative magnetic-resonance signatures
EP3333583B1 (en) Method for identifying an organ structure of an investigated object in magnetic resonance image data
Paganelli et al. Liver 4DMRI: a retrospective image‐based sorting method
KR102554506B1 (ko) 장-불변 정량적 자기 공명 시그너처
CN109709503B (zh) 一种磁共振系统控制方法、磁共振系统、计算机设备
Bevacqua et al. A method for quantitative imaging of electrical properties of human tissues from only amplitude electromagnetic data
KR20190013837A (ko) 텐서장 맵핑
US10191126B2 (en) Systems and methods for spatial gradient-based electrical property properties tomography using magnetic resonance imaging
KR20050039601A (ko) 통계적 이미지들을 이용한 단층촬영 측정의 슬라이스 위치계획을 위한 방법
US8417005B1 (en) Method for automatic three-dimensional segmentation of magnetic resonance images
Tamura et al. How to improve the conspicuity of breast tumors on computed high b-value diffusion-weighted imaging
Hom et al. Prostate cancer: endorectal MR imaging and MR spectroscopic imaging—distinction of true-positive results from chance-detected lesions
CN111739052A (zh) 应用于医疗的基于自适应轮廓模型肺部mri图像分割方法及mri设备
CN109242866A (zh) 基于扩散磁共振图像的乳腺肿瘤自动辅助检测系统
Hotca et al. Precision of volumetric assessment of proximal femur microarchitecture from high-resolution 3T MRI
US20230148948A1 (en) Nuclear magnetic resonance systems and methods for noninvasive and in-vivo measurements using a unilateral magnet
US20180292491A1 (en) Systems and methods for calibrated multi-spectral magnetic resonance imaging
CN111598898A (zh) 应用于医疗的基于超像素心脏mri图像分割方法以及mri设备
CN111754523A (zh) 应用于医疗的基于自组织映射网络脑部mri图像分割方法及mri设备
CN111598821A (zh) 应用于医疗的基于图像多尺度分解mri图像融合方法及mri设备
CN112798994A (zh) 局部匀场装置及补偿主磁场的不均匀性的方法
CN109498016A (zh) 一种磁共振电特性断层成像方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200828