CN111598821A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111598821A
CN111598821A CN202010410973.8A CN202010410973A CN111598821A CN 111598821 A CN111598821 A CN 111598821A CN 202010410973 A CN202010410973 A CN 202010410973A CN 111598821 A CN111598821 A CN 111598821A
Authority
CN
China
Prior art keywords
image
mri
detail layer
images
matrix
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Withdrawn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
CN202010410973.8A
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 CN202010410973.8A priority Critical patent/CN111598821A/zh
Publication of CN111598821A publication Critical patent/CN111598821A/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Withdrawn legal-status Critical Current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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20212—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
    • G06T2207/30068—Mammography; Breast
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

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

Abstract

本发明涉及一种基于图像多尺度分解的MRI图像融合方法以及MRI设备，用于对胸部MRI图像处理，方法包括步骤：步骤1：针对胸部MRI图像的特点，对M张MRI图像分别采用小波变化多尺度分解得到近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)以及细节层图像Ad(i，j)，Bd(i，j)，…，Md(i，j)，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2：对于近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)采用加权平均的方法进行融合，得到近似层图
Figure DDA0002492580510000011
步骤3：对细节层图像采用图像统计的融合规则进行融合，得到细节层图像
Figure DDA0002492580510000012
S4，对近似层图像和细节层图像进行融合得到最终融合图像。该方法充分利用了多个接收线圈提供的冗余信息和互补信息，对融合图像的精确性、可靠性、信息含量有了很大的提升，融合图像特征更明显，边缘更清晰。

Description

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
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胸部图像的多源融合 方法以及MRI设备。
背景技术
MRI技术目前被大规模应用在诊断人体疾病等医疗领域，其成像的主要理论基础是核磁共 振的原理。所谓核磁共振成像的原理主要是通过向人体发射特定频率的脉冲，来引发体内氢质 子发生振动，当体内氢质子振动的频率与引发其振动的脉冲频率相同时，利用共振产生的信号 进行一系列复杂处理最终形成了核磁共振图像。核磁共振信号的强度受检测到的氢核的密度的 影响，人体组织中的水分包含氢核，因此适用于核磁共振成像。
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图像多尺度分解 的MRI图像融合方法。
一种基于图像多尺度分解的MRI图像融合方法，用于对胸部MRI图像处理，包括步骤：
步骤1：针对胸部MRI图像的特点，对M张MRI图像分别采用小波变化多尺度分解得到近 似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)以及细节层图像Ad(i，j)，Bd(i，j)，…，Md(i，j)， 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2：对于近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)采用加权平均的方法进行融合，得到近似层图
Figure BDA0002492580490000021
步骤32对细节层图像采用图像统计的融合规则进行融合，得到细节层图像
Figure BDA0002492580490000022
S4，对近似层图像和细节层图像进行融合得到最终融合图像；具体的，将经过视觉显著性 映射和图像统计融合规则处理后的近似层图
Figure BDA0002492580490000023
和细节层图像
Figure BDA0002492580490000024
进行线性组合，得到 最终的融合图像F，记为：
Figure BDA0002492580490000025
权重系数bi，j，di，j与接收线圈与发射线圈的距离和方向，接收线圈个数，信号强度有关， 可通过经验公式得到。
进一步的，所述步骤2具体实现为，
Figure BDA0002492580490000026
其中，Aa(i，j)，Ba(i，j)…Ma(i，j)表示各细节层图像，VA(i，j)，VB(i，j)…WVM(i，j)表示采用图像统计的融合规则得到最佳权重。
进一步的，所述步骤3具体实现为，在该像素点的周围取一个大小为w×w的窗口来计算 图像中像素点(i，j)处对应的权重，主要是根据水平和垂直细节层强度寻找对应图像位置 的最佳权重；
首先，假设图像块为矩阵K，将矩阵K的每一行作为观测值，每一列作为变量，其协方差 矩阵为
Dh(K)＝E[(K-E[K])(K-E[K])T]
E(Z)表示矩阵Z中元素zij的数学期望所构成的矩阵；然后，计算图像中像素位置(i， j)处的协方差矩阵的无偏估计
Figure BDA00024925804900000314
为
Figure BDA0002492580490000032
其中，Kt是w维变量的第t个观测值，
Figure BDA00024925804900000312
是观测值的平均值；
然后，计算矩阵
Figure BDA0002492580490000034
的特征值
Figure BDA0002492580490000035
因为矩阵的大小为w×w，所以得到特征值的数量 是w个；水平细节层强度βh(i，j)是通过矩阵所有特征值之和而获得，记为：
Figure BDA0002492580490000036
同理，将矩阵K的每一列作为观测值，每一行作为变量，计算其协方差矩阵Dv(K)及无偏估计
Figure BDA0002492580490000037
再计算
Figure BDA00024925804900000313
的特征值
Figure BDA0002492580490000039
求和获取垂直细节层强度，记为：
Figure BDA00024925804900000310
通过将水平和垂直这两个相应的细节层强度相加得到图像细节层系数的权重，记为： W(i，j)＝βh(i，j)+βv(i，j)；
对细节层图像Ad(i，j)，Bd(i，j)…Md(i，j)分别采用图像统计的融合规则得到最佳权重 WA(i，j)，WB(i，j)…WM(i，j)，再与源图像进行加权平均得到融合后的细节层图像，记为：
Figure BDA00024925804900000311
针对乳腺癌的特点，本申请提出一种基于超像素的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：设置初始超像素数量；在所获得的原始图像中，其灰度强度图波峰个数对应图像 中区域灰度个数；若同一灰度仅分布在一个区域，则灰度强度图波峰个数与图像区域个数相等； 若同一灰度分布在多个区域，则灰度强度图波峰个数多于图像区域，将初始超像素个数设为图 像区域的倍数，即将图像区域成比例缩小；
步骤3：根据乳腺肿瘤的特点，采用一种将灰度、纹理以及相邻关系融合的度量准则，提 取超像素特征，并将相似度满足设定条件的超像素合并；
步骤4，通过不断迭代步骤2后，初始分割的超像素块会逐渐扩大，直到相似度达到设定 值，即目标区域和背景区域不再变化则停止迭代，得到目标图像。
有益效果：(1)本发明采用的基于图像多尺度分解的MRI图像融合方法，充分利用了多 个接收线圈提供的冗余信息和互补信息，对融合图像的精确性、可靠性、信息含量有了很大的 提升，融合图像特征更明显，边缘更清晰；同时，利用小波变化多尺度，多分辨率分解的特点， 将MRI原图像的不同细节分解到不同层图像中，进而针对不同层采用不同的融合算法，提高了 细节的分辨率。
(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超像素的MRI图像分割算法，包含超像素的获取与超像素的合 成两个阶段，在超像素的获取阶段，本方法充分利用了图像的灰度信息达到自动产生超像素的 目的。在超像素的合成阶段，为进行更准确的区域合并，融合超像素纹理和灰度特征计算超像 素间相似度，在考虑空间位置相邻性的基础上实现超像素的合并。本方法无需利用胸体先验形 状和相邻区域的颜色信息，对不同区域的纹理距离和灰度距离施加不同的权重，构件一个加权 模型，通过最大相似度得到最佳分割区域。使用该方法具有较好的分割结果，能为后续识别、 诊断等处理提供高分辨率的图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描 述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实 施例，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 得其他的附图。
图1现有技术中磁共振成像系统示意图。
图2(a)现有技术中极靴断面表面形状与磁力线分布示意图。
图2(b)是本申请中优化后的极靴断面表面形状与磁力线分布示意图。
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是本申请中DSP和FPGA采用SRIO连接电路图。
图6是本申请中基于多尺度分解的MRI图像融合方法。
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
本申请采用的双柱型主磁体，主要包括磁体，磁轭，极靴和机架等部件。磁体设计成左、 右柱形，提供磁能、产生成像静磁场，材料为钕铁硼；机架用于支撑磁体构架；磁轭分别覆盖 磁体主、右柱体的上下表面、构成导磁磁路，保证磁场工作区内磁场强度和分布状况满足预定 的要求,减小漏磁，材料通常为钢。在此主磁体中,上下两个磁轭表面为平面,它的中心附近区 域内磁场分布是均匀的,但越靠近“端部”越不均匀,呈现所谓的“端部效应”，研究表明,在 主磁体的上下磁扼表面加装软磁材料制成的极靴,并恰当地设计极靴表面的形状,可以减弱“端 部效应”。同时,又可以扩大主磁体内沿轴向的均匀磁场区域。又可以扩大主磁体内沿轴向(即 图2(a)所示的x轴方向)的均匀磁场区域,优化后的极靴断面表面形状与磁力线分布示意图 见图2(b)。
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。
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。接收模块包括：各功能滤波器、LNA、混频器、AGC电路、本振源 等。
现有技术中，使用配置在患者31上方的上部接收射频线圈32、配置在患者31下方的下 部射频发射线圈33进行核磁共振成像拍摄，其中在线圈单元固定装置34的表面上安装单个上 部射频接收线圈32。拍摄时，在配置为圆筒形的线圈单元固定装置35和上部接收射频线圈覆 32盖了患者之后，使顶板34向患者的体轴方向移动，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32和下部射频发射线圈33对准后进行拍摄。可见，现有技术需要将 上部接收射频线圈32和下部射频发射线圈33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32、下部射频发射线圈33的设定上需要花费较多时间。
本发明中，将多个上部射频接收线圈32布置在线圈固定装置35中，不同的上部射频接收 线圈32与患者31身上不同检测部位对应。检测时，操作者首先调整患者31的位置使得诊断 部位位于下部射频发射线圈33上，之后进行配置以使圆筒形的线圈单元固定装置35覆盖患者 31，进而，沿着线圈单元固定装置35的上表面配置柔性的多个上部接收射频线圈32表面和患 者不同检测部位相对。
本发明中，采用多个上部射频接收线圈32分布在线圈单元固定装置35中可以克服现有技 术中需要上部接收射频线圈32和下部射频发射线圈33精确对准的缺点。不同的上部射频接收 线圈32可以对患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 成像设备中与下部发送射频线圈33相对设置的上部发射射频线圈阵列，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。
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。
本发明中DSP处理器采用TI公司的8核处理器TMS320C6657CZH，在处理器领域，多核DSP 在处理性能、功耗和面积上都有很大优势，得到了广泛应用。TMS320C6657CZH基于KeyStone 多核结构，具有高性能的浮点、定点计算能力，单核具有1GHz的主频，运算速度可达 320GMACS/160GFLOPS。该DSP采用同构多核架构，每个核可以独立地执行不同的计算任务，具 有512KB的私有内存。芯片具有4MB共享内存供8个核心访问，而且具有SRIO、PCIe等多种 接口，能够满足各种数据传输的需求。TMS320C6657CZH集成了支持SRIOv2.1通信协议的4通 道SRIO接口，可以实现每条通路1.25Gbps、2.5Gbps、3.125Gbps、5Gbps的通信速率。
本发明中FPGA选择Xilinx公司Virtex6LXT系列FPGA芯片XC6VLX550T-2FFG1759I，FPGA 因其功能强大、接口灵活，成为当前的主流处理器之一，FPGA与DSP芯片有机结合不仅能够 高效地实现复杂算法，而且还可以提高系统数据传输的效率和结构的灵活性。XC6VLX550T-2FFG1759I是一款具有高级串行数据传输功能的高性能逻辑器件，基于硬件GTX 串行收发器，可以实现多种高速数据传输接口。采用SRIOIP核可以实现FPGA和DSP之间的 SRIO协议通信。XC6VLX550T-2FFG1759I的GTX模块嵌入SerialRapidIOIP核，可支持线速率 为1.25Gbps，2.5Gbps～3.125Gbps，因此可实现异构处理器DSP与FPGA之间的SRIO高速串 行通信。
发明中DSP和FPGA作为SRIO连接的端点器件，两者可互为从属。主设备需要管理通信的 发起、配置、结束等一系列过程，从设备只需要被动地响应通信。基于DSP的编程比FPGA高 效，为了降低开发难度和工作量，采用DSP作为主设备，是通信的发起端；FPGA作为从设备， 是通信的目的端。为了最大程度地体现RapidIO串行接口的性能，本设计中采用3.125Gbps 的线速率，处理器之间采用4xSRIO连接方式，1个1x接口即是一个差分对的一对读/写信号， 一个4x接口即4个此类差分对的结合，因此采用4xSRIO连接可实现最高12.5Gbps的数据传 输速率。只需要将DSP的TX、RX端口与FPGA的RX、TX端口对应相接，由于SRIO采用差分线 对实现数据传输，所以需要在异构处理器的RX端口的差分线上串联一个0.1μF的电容，做交 流耦合使用。
本发明中选用美国IDT公司生产的型号为IDT70261的高速16K×16的双端口RAM，其典 型功耗为750mW，它具有两个等级的存取时间：商业级有15/20/25/35/55ns(max)，工业级有 20/25/35/55ns(max)。双端口RAM有两个完全独立的端口，它们各自有一套相应的数据总线、 地址总线和控制总线，允许两个控制器单独或异步的读写其中任意一个存储单元。两个端口具 有同样的对双端口RAM的读写操作能力，但是当两个端口同时对同一地址进行读写操作时，会 因为数据的冲突而造成存储或读取的错误。
本发明为图像数据采集处理系统，当采集后的图像数据经数据采集单元处理后输入到双端 口RAM芯片中，DSP处理器接收到数据请求后，接收图像数据，对数据进行存储和传输工作， 最终将图像经过运算处理后进行输出和显示。
本发明中IDT70261的接口电路采用中断控制机制，双端口RAM的一些功能引脚并不需要 全部使用。双端口RAM的左端是模数转换芯片，右端是DSP芯片。双端口RAM两个独立的数据 线DOL-D15L和DOR-D15R分别与模数转换芯片和DSP芯片连接，地址线AOL-A13L和AOR-A13R 也分别与上述两芯片连接。/CE为芯片使能引脚，R/W为读写控制引脚，/0E为输出使能引脚， /INT为中断标志引脚，/BUSY为遇忙控制引脚。由于模数转换芯片本身不能输出控制逻辑，模 数转化芯片与IDT70261芯片之间的数据传输是在FPGA输出的时序和逻辑控制下进行的。
本发明采用中断控制方式来实现对双端口RAM的读写操作。DSP主要负责图像数据运算与 处理工作，模数转换后的数据传送给双端口RAM.传送数据时，FPGA向信令字单元3FFF写入 ’55H’，在DSP方产生中断后，DSP读信令字单元3FFF，如果是’55H’，说明数据正在传输，读完 数据后，向信令字单元3FFE写入’AAH’，代表读完数据。FPGA接收到中断后，读信令字单元3FFEH， 如果为’AAH’，表示传输数据成功。
乳腺癌是女性人群中最多发的一种癌症，通常诊断会先经过X射线摄影检查，判断病灶的 性质；然后将病灶穿刺采样、染色得到病理组织切片，医生则根据病理切片(WSI)，检查诊断是否 患有乳腺癌。这需要病理医生大量的观看时间来得到分析报告，因此借助机器实现全自动或者 半自动的检测癌变部分是大势所趋。
与传统钼靶X摄影和超声学检查相比，乳腺MRI检查具有独特的成像优势：(1)高敏感性， 乳腺MRI对乳腺病变具有很高的敏感性，尤其对于观察致密型乳腺内的肿瘤、乳腺癌术后复发 及乳房成形术后乳腺组织内有无癌瘤等；(2)三维成像使病灶定位更准确，显示更直观；(3)对乳 腺高位、深位病灶显示较好；(4)对多中心、多灶性病变的检出、临近胸壁的侵犯及腋窝、胸骨 后、纵隔淋巴结转移的显示较为敏感，为乳腺癌的分期和治疗提供了可靠依据；(5)对囊、实性 肿物的鉴别十分准确；(6)动态增强扫描可以了解病灶的血供情况，有助于良恶性的鉴别；(7) 时间信号强度曲线(TIC)及三维动态增强减影技术能准确显示血流动力学的变化特点，是诊断 乳腺癌的有效方法；(8)随着磁共振质子波谱分析(MRS)、扩散加权成像(DWI)和灌注加权成像 (PWI)为主要方式的功能磁共振成像的广泛应用，MRI对在乳腺癌诊断的特异性及疗效评估方 面的作用有了很大的提高。(9)无辐射伤害。而由于MRI检查对微小钙化显示不敏感，而微小 钙化通常是诊断乳腺癌的重要依据，因此应将MRI与其他乳腺检查相结合，以得出更为准确的 判断。而对于有些表现不典型的病变，仍需活检。
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图像多尺度分解的MRI图像融合方法，用于对胸部MRI图像处理， 包括步骤：
步骤1：针对胸部MRI图像的特点，对M张MRI图像分别采用小波变化多尺度分解得到近 似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)以及细节层图像Ad(i，j)，Bd(i，j)，…，Md(i，j)；
步骤2：对于近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)采用加权平均的方法进行融合，得到近似层图
Figure BDA0002492580490000094
具体的，
Figure BDA0002492580490000092
其中，Aa(i，j)，Ba(i，j)…Ma(i，j)表示各细节层图像，VA(i，j)，VB(i，j)…WVM(i，j)表示采用图像统计的融合规则得到最佳权重。
步骤3：对细节层图像采用图像统计的融合规则进行融合，得到细节层图像
Figure BDA0002492580490000093
具体的，在该像素点的周围取一个大小为w×w的窗口来计算图像中像素点(i，j)处 对应的权重，主要是根据水平和垂直细节层强度寻找对应图像位置的最佳权重。
首先，假设图像块为矩阵K，将矩阵K的每一行作为观测值，每一列作为变量，其协方差 矩阵为
Dh(K)＝E[(K-E[K])(K-E[K])T]
E(Z)表示矩阵Z中元素zij的数学期望所构成的矩阵；然后，计算图像中像素位置(i， j)处的协方差矩阵的无偏估计
Figure BDA00024925804900001012
为
Figure BDA0002492580490000102
其中，Kt是w维变量的第t个观测值，
Figure BDA0002492580490000103
是观测值的平均值；
然后，计算矩阵
Figure BDA00024925804900001013
的特征值
Figure BDA0002492580490000105
因为矩阵的大小为w×w，所以得到特征值的数量 是w个；水平细节层强度βh(i，j)是通过矩阵所有特征值之和而获得，记为：
Figure BDA0002492580490000106
同理，将矩阵K的每一列作为观测值，每一行作为变量，计算其协方差矩阵Dv(K)及无偏估计
Figure BDA0002492580490000107
再计算
Figure BDA00024925804900001014
的特征值
Figure BDA0002492580490000109
求和获取垂直细节层强度，记为：
Figure BDA00024925804900001010
通过将水平和垂直这两个相应的细节层强度相加得到图像细节层系数的权重，记为
W(i，j)＝βh(i，j)+βv(i，j)
对细节层图像Ad(i，j)，Bd(i，j)…Md(i，j)分别采用图像统计的融合规则得到最佳权重 WA(i，j)，WB(i，j)…WM(i，j)，再与源图像进行加权平均得到融合后的细节层图像，记为
Figure BDA00024925804900001011
S4，对近似层图像和细节层图像进行融合得到最终融合图像；
具体的，将经过视觉显著性映射和图像统计融合规则处理后的近似层图
Figure BDA0002492580490000111
和细节层 图像
Figure BDA0002492580490000114
进行线性组合，得到最终的融合图像F，记为：
Figure BDA0002492580490000113
权重系数bi，j，di，j与成像线圈与发射线圈的距离，方向，信号强度有关，可通过经验公 式得到。
针对乳腺癌的特点，本申请提出一种基于超像素的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；
具体为，步骤a：时间校正，用来校正扫描帧中层与层之间采集时间的差异；
步骤b：位置校正，用于处理被试在做检测时的一些微小的晃动，实验中将所有的MR图 像数据均与选中的第一个的MR图像对齐；
步骤c：配准，用刚体变换以匹配不同模态扫描所得的图像；
步骤d：分辨，用于分辨解剖图像中的组织类型；
步骤e：标准化，将不同容积和形状患者的胸部放置在标准空间中，并使用共同的坐标系 描述特定位置，空间标准化通过生成变形项来实现，变形项是在3D空间中对每个位置的位移 程度进行定量描述的图像；
步骤f：平滑，用于对图像进行模糊处理来减少噪声和失真，以对不同受试者的解剖、功 能图像的轻微残余差异进行校正，MR图像由于像素点数较大的原因经过平滑处理后能够得到 较多的特征数据。
步骤2：设置初始超像素数量；在所获得的原始图像中，其灰度强度图波峰个数对应图像 中区域灰度个数；若同一灰度仅分布在一个区域，则灰度强度图波峰个数与图像区域个数相等； 若同一灰度分布在多个区域，则灰度强度图波峰个数多于图像区域，将初始超像素个数设为图 像区域的倍数，即将图像区域成比例缩小；
优选的，可通过成比例缩小区域来弥补同一灰度多区域的情况，即初始超像素个数设 为k＝np；式中：p为MRI图像灰度强度图波峰个数；n为缩放率。
优选的，同一灰度认定为灰度值之差小于阈值的像素。
步骤3：根据乳腺肿瘤的特点，采用一种将灰度、纹理以及相邻关系融合的度量准则，提 取超像素特征，并将相似度满足设定条件的超像素合并；
由于脑部MRI图像的复杂性，包含多种组织且没有固定的形状，但其灰度和纹理分布有规 律。因此，选取灰度特征和纹理特征为相似度度量的重要方式，以实现超像素的正确合并；其 次，利用超像素的视觉特征度量其相似度，只考虑了超像素本身的属性，忽略了它们之间的关 系，一些相邻的同类超像素的特征具有相似性，而相邻的不同类别的超像素之间特征差异很大； 因此采用一种将灰度、纹理以及相邻关系融合的度量准则，相似度定义如下：
采用将灰度、纹理以及相邻关系融合的度量准则，相似度定义如下：
Figure BDA0002492580490000121
式中：
Figure BDA00024925804900001213
和
Figure BDA00024925804900001214
分别表示区域i、j的纹理距离和灰度距离；σ为调节距离的比例系数， 用来调整灰度距离和纹理距离各自的作用大小；N′ij存放区域间的接邻关系，即优先相邻区域 合并，减少不相邻区域的合并；
纹理距离
Figure BDA00024925804900001212
定义为：
Figure BDA0002492580490000125
灰度距离
Figure BDA00024925804900001215
定义为：
Figure BDA0002492580490000127
相邻关系定义为：
Figure BDA0002492580490000128
式中：ti与tj分别表示区域i与区域j的纹理特征值；li、ai、bi分别表示区域i的L、A、B灰度通道特征值，li、ai、bi分别表示区域j的L、A、B灰度通道特征值；为了快速并精确 地合并超像素，首先根据相似度性度量准则，计算每两个超像素之间相似度并建立超像素相似度信息表，信息表为三角矩阵，矩阵的元素对应超像素间相似度，然后按照最大似然估计原则， 将最相似的超像素优先合并；假设初始超像素个数为n，对于第k个初始超像素Sk，其相邻超 像素的集合表示为
Figure BDA0002492580490000129
然后在集合
Figure BDA00024925804900001210
中，查找相似度信息表得到与超像素
Figure BDA00024925804900001211
相似度最大的超像素Si，即
Ski(Sk，Si)＝maxSki(Sk，Si)，
Figure BDA0002492580490000131
将满足上式的超像素Si与Sk合并；
步骤4，通过不断迭代步骤2后，初始分割的超像素块会逐渐扩大，直到相似度达到设定 值，即目标区域和背景区域不再变化则停止迭代，得到目标图像。
优选的，该设定值与步骤1中的阈值，图像分辨率相关。
最后，对本申请中方法进行实验验证，实验中选用的样本数据来自于DDSM数据库。DDSM 数据库发布于2000年，是一个用于筛选乳腺摄影的数字数据库，是乳腺摄影图像分析研究社 区使用的资源。该项目的主要支持来自美国陆军医学研究和装备司令部的乳腺癌研究计划。 DDSM项目是由马萨诸塞州综合医院(D.Kopans，R.Moore)，南佛罗里达大学(K.Bowyer) 和桑迪亚国家实验室(P.Kegelmeyer)共同参与的合作项目。数据库的主要目的是促进计算 机算法开发方面的良好研究，以帮助筛选。数据库的次要目的可能包括开发算法以帮助诊断和 开发教学或培训辅助工具。该数据库包含约2,500项研究。每项研究包括每个乳房的两幅图像， 以及一些相关的患者信息(研究时间，ACR乳房密度评分，异常微妙评级，异常ACR关键字描 述)和图像信息(扫描仪，空间分辨率等)。包含可疑区域的图像具有关于可疑区域的位置和 类型的像素级“地面真实”信息。数据集地址： https：//link.zhihu.com/？target＝http％3A//marathon.csee.usf.edu/Mammography/Database.html。
图像分割评价方法种类众多，本文采用下式定量计算图像分割的准确率。定量计算应用的 最多，并且运用该类评价准则对图像分割的性能也最有说服力。
Figure BDA0002492580490000132
S1表示数据库中的标准样本的面积，S2表示用本文算法分割得到区域的面积。分子是两 部分区域的公共面积，分母是公共面积、标准样本中原有的目标域没有被分割出来的区域面积、 标准样本中没有的区域被错误分割出来的面积之和。
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41位对 象作为测试样本，其余376位作为训练样本进行训练和测试，依次进行10次可以对410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。该方式存在测试过程中会有7位对象未被测试，而且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86.62％。
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 (8)

1.一种基于图像多尺度分解的MRI图像融合方法，用于对胸部MRI图像处理，包括步骤：
步骤1：针对胸部MRI图像的特点，对M张MRI图像分别采用小波变化多尺度分解得到近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)以及细节层图像Ad(i，j)，Bd(i，j)，…，Md(i，j)，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2：对于近似层图像Aa(i，j)，Ba(i，j)，…，Ma(i，j)采用加权平均的方法进行融合，得到近似层图
Figure FDA0002492580480000011
步骤3：对细节层图像采用图像统计的融合规则进行融合，得到细节层图像
Figure FDA0002492580480000012
步骤4，对近似层图像和细节层图像进行融合得到最终融合图像；具体的，将经过视觉显著性映射和图像统计融合规则处理后的近似层图
Figure FDA0002492580480000013
和细节层图像
Figure FDA0002492580480000014
进行线性组合，得到最终的融合图像F，记为：
Figure FDA0002492580480000015
其中，权重系数bi，j，di，j与接收线圈与发射线圈的距离和方向，接收线圈个数，信号强度有关，可通过经验公式得到。
2.根据权利要求1所述的MRI图像融合方法，其特征在于，所述步骤2具体实现为，
Figure FDA0002492580480000016
其中，Aa(i，j)，Ba(i，j)…Ma(i，j)表示各细节层图像，VA(i，j)，VB(i，j)…WVM(i，j)表示采用图像统计的融合规则得到最佳权重。
3.根据权利要求1所述的MRI图像融合方法，其特征在于，所述步骤3具体实现为，在该像素点的周围取一个大小为w×w的窗口来计算图像中像素点(i，j)处对应的权重，主要是根据水平和垂直细节层强度寻找对应图像位置的最佳权重；
首先，假设图像块为矩阵K，将矩阵K的每一行作为观测值，每一列作为变量，其协方差矩阵为
Dh(K)＝E[(K-E[K])(K-E[K])T]
E(Z)表示矩阵Z中元素zi，j的数学期望所构成的矩阵；然后，计算图像中像素位置(i，j)处的协方差矩阵的无偏估计
Figure FDA0002492580480000021
为
Figure FDA0002492580480000022
其中，Kt是w维变量的第t个观测值，
Figure FDA0002492580480000023
是观测值的平均值；
然后，计算矩阵
Figure FDA0002492580480000024
的特征值
Figure FDA0002492580480000025
因为矩阵的大小为w×w，所以得到特征值的数量是w个；水平细节层强度βh(i，j)是通过矩阵所有特征值之和而获得，记为：
Figure FDA0002492580480000026
同理，将矩阵K的每一列作为观测值，每一行作为变量，计算其协方差矩阵DV(K)及无偏估计
Figure FDA0002492580480000027
再计算
Figure FDA0002492580480000028
的特征值
Figure FDA0002492580480000029
求和获取垂直细节层强度，记为：
Figure FDA00024925804800000210
通过将水平和垂直这两个相应的细节层强度相加得到图像细节层系数的权重，记为：W(i，j)＝βh(i，j)+βv(i，j)；
对细节层图像Ad(i，j)，Bd(i，j)…Md(i，j)分别采用图像统计的融合规则得到最佳权重WA(i，j)，WB(i，j)…WM(i，j)，再与源图像进行加权平均得到融合后的细节层图像，记为：
Figure FDA00024925804800000211
4.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5，采用一种基于超像素的MRI图像分割算法对融合后的图像进行分割。
5.一种用于实现如权利要求1-4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。
6.根据权利要求5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。
7.根据权利要求6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。
8.根据权利要求7所述的MRI设备，其特征在于：在主磁体的上下磁扼表面加装软磁材料制成的极靴，扩大主磁体内沿轴向的均匀磁场区域。
CN202010410973.8A 2020-05-14 2020-05-14 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 Withdrawn CN111598821A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010410973.8A CN111598821A (zh) 2020-05-14 2020-05-14 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010410973.8A CN111598821A (zh) 2020-05-14 2020-05-14 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

Publications (1)

Publication Number Publication Date
CN111598821A true CN111598821A (zh) 2020-08-28

Family

ID=72185504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010410973.8A Withdrawn CN111598821A (zh) 2020-05-14 2020-05-14 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

Country Status (1)

Country Link
CN (1) CN111598821A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119546A (zh) * 2021-11-25 2022-03-01 推想医疗科技股份有限公司 检测mri影像的方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119546A (zh) * 2021-11-25 2022-03-01 推想医疗科技股份有限公司 检测mri影像的方法及装置

Similar Documents

Publication Publication Date Title
Sun et al. Multiparametric MRI and radiomics in prostate cancer: a review
Liu et al. Computer-aided detection of prostate cancer with MRI: technology and applications
Shen et al. An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization
CN105338905B (zh) 用于多模态组织分类的方法和系统
Constantinos et al. Medical imaging fusion applications: An overview
US20090326363A1 (en) Fused image modalities guidance
US10460508B2 (en) Visualization with anatomical intelligence
US11304683B2 (en) Biopsy workflow using multimodal imaging
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
Alam et al. Evaluation of medical image registration techniques based on nature and domain of the transformation
US20110038521A1 (en) Method and apparatus for ductal tube tracking imaging for breast cancer detection and diagnosis, and product
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
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
Jayender et al. Statistical learning algorithm for in situ and invasive breast carcinoma segmentation
Sivaramakrishna 3D breast image registration—a review
Kumar et al. A comparative study of various multimodal medical image fusion techniques–a review
CN110458948A (zh) 基于智能化3d重建系统中图像的处理方法
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
Mohammed et al. Review research of medical image analysis using deep learning
Sharma et al. Brain tumor detection using image segmentation techniques on MRI images
Chandrashekar et al. Advances in biomedical imaging and image fusion
Luo et al. Implementation of mutual information based multi-modality medical image registration
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
Garg et al. Detection of cervical cancer by using thresholding & watershed segmentation
Curtis et al. Using X‐Ray Mammograms to Assist in Microwave Breast Image Interpretation

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