CN111598898A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111598898A CN111598898A CN202010409346.2A CN202010409346A CN111598898A CN 111598898 A CN111598898 A CN 111598898A CN 202010409346 A CN202010409346 A CN 202010409346A CN 111598898 A CN111598898 A CN 111598898A
- Authority
- CN
- China
- Prior art keywords
- image
- mri
- radio frequency
- similarity
- mri image
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- 238000002595 magnetic resonance imaging Methods 0.000 title claims description 42
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 title claims description 11
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 229910001172 neodymium magnet Inorganic materials 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/40—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
- G06T2207/20016—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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于超像素的MRI图像分割方法以及MRI设备，用于对心脏MRI图像处理，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，其中，射频系统包括多个射频线圈，分别布置在线圈固定装置中，不同的射频接收线圈与患者身上不同检测部位对应。方法包括步骤：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；步骤3：根据心脏图像的特点，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。本方法能充分挖掘待融合图像的轮廓、纹理等细节特征，因而更适于处理图像的奇异性，得到信息量更丰富、清晰度更高、质量更好的融合图像。
Description
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，特别是一种心脏MRI图像的分割方法 以及MRI设备。
背景技术
心脏是人体最重要的器官之一,是循环系统中的动力和血液运输的枢纽。心血管疾病(CVD), 又称为循环系统疾病,是全身性血管病变或系统性血管病变在心脏的反应和表现。随着人们生 活作息的不规律,具有高患病率、高致残率和高死亡率特点的心血管疾病逐渐走进人们的视线, 并且成为危害人类健康的“头号杀手”。
随着医疗技术的快速发展,对于CVD的诊断主要通过医学影像和患者的各项指标来进行综 合判断,医生通过医学成像技术,来判断患者心脏以及周边是否存在患病异常,从而针对性的提 出治疗方案。目前临床工作中评价心脏功能的影像技术主要包括放射性核素、X射线造影、超 声心动图、64排螺旋CT以及核磁共振成像。心脏磁共振成像是指用磁共振成像技术诊断心脏 及大血管疾病的方法。磁共振是一种无创的成像技术，适用于各个年龄阶段的人群。心脏磁共 振成像具有良好的软组织对比分辨率，扫描视野大，可获各个方位及不同角度的斜断面图像， 已成为无创性评价心脏结构和功能的金标准。
现有技术中，基于提高配准精度的分割方法通常能够取得较好的分割效果，然而这些精确 的配准方法通常需要较长计算时间，且这些方法往往针对目标图像进行大量的参数设置从而降 低了算法的鲁棒性。基于图谱选择的方法能够有效的减少用于自动分割所需要的计算资源，然 而这些算法在图谱选择的过程中丢失掉了图谱中部分有用信息，从而影响了分割精度。基于图 像融合的方法能够有效利用待分割目标的局部特征信息，然而这些方法无法全局的考虑图谱与 目标图像之间的差异，影响到分割精度。
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超像素的MRI图像分割算法， 用于对心脏MRI图像处理，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：设置初始超像素数量；
步骤3：根据心脏图像的特点，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；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：
式中：
和
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
定义为：
灰度距离
定义为：
相邻关系定义为：
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，lj、aj、bj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
i＝1，2，…，n，i≠k，
然后在集合
中，查找相似度信息表得到与超像素
相似度最大的超像素Si，即 Ski(Sk，Si)＝maxSki(Sk，Si)，
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。
其中，步骤1具体包括：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图像放置在标准空间中，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。
其中，步骤2中包括，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。
其中，步骤2中进一步包括，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。
其中，步骤2中，同一灰度认定为灰度值之差小于阈值的像素。
其中，步骤4中，该设定值与步骤1中的阈值，图像分辨率相关。
其中，步骤1)中输入的MRI图像采用基于拉普拉斯金字塔变换的MRI图像融合方法。
其中，融合步骤针对的源图像来自于多个射频接收线圈针对同一检测部位得到的图像。
一种基于拉普拉斯金字塔变换的MRI图像融合方法，用于对心脏MRI图像处理，包括步骤：
S1：针对心脏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。
有益效果：(1)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 心脏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。
(2)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。
(3)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。
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是现有技术中磁共振成像系统示意图。
图2是本申请中梯度控制器示意图。
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是本申请中基于超像素的MRI图像分割算法。
附图标记说明如下：
图1中：1.人体，2.射频线圈，3，梯度线圈，4.主磁体，5.计算和图像处理单元，6.射频控制，7.梯度控制，8.梯度驱动，9.发射通道，10.接收通道，11，显示单元，12，存储单 元。图3中：31-36.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
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。
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。
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。
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。
针对心脏MRI图像的特点，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：根据心脏图像的特点，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；
由于心脏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：
式中：
和
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
定义为：
灰度距离
定义为：
相邻关系定义为：
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，lj、aj、bj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
i≠k，
然后在集合
中，查找相似度信息表得到与超像素
相似度最大的超像素Si，即
Ski(Sj，Si)＝maxSki(Sk，Si)，
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。
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，用于对心脏MRI图像处 理，包括步骤：
S1：针对心脏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；
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：
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6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：
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 
时，融合结果
记为：
当
时，融合结果
记为：
其中，k1，k2…kM为各层图像权重系数，
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
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
最终获得融合图像
最后，对本申请中的基于超像素的MRI图像分割方法进行实验验证，实验中实验中选用的 样本数据来自Ardiac MRI，Ardiac MRI数据库是心脏病患者心房医疗影像数据，以及其左心 室的心内膜和外膜的图像标注。包括33位患者案例，每个受试者的序列由沿着长的20帧和 8-15个切片组成，共7980张图像。数据集地址： https://link.zhihu.com/？ target＝http％3A//www.cse.yorku.ca/～mridataset/
对图像分割之后，需要评价图像分割的准确度。准确度依靠评价体系得到，一般情况下， 图像分割的性能评价方法有两种情况，第一是直接法，直接用肉眼观看图像，观察出目标区域 与背景区域的差异，不同区域之间的分界线等等，第二种方法是实验法，对待分割的图像提供 标准数据库，用分割算法分割图像，将分割后图像的目标区域信息量与标准样本进行定量计算。
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。
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35位对 象作为测试样本，其余365位作为训练样本进行训练和测试,依次进行10次可以对350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。 根据对上述测试样本的分割结果，本发明提出的方法取得了较好的分割效果，取得了85％以上 的分割准确率。
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)
1.一种基于超像素的MRI图像分割算法，用于对心脏MRI图像处理，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：设置初始超像素数量；
步骤3：根据心脏图像的特点，采用将灰度、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；相似度定义如下：
式中：
和
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
定义为：
灰度距离
定义为：
相邻关系定义为：
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，lj、aj、bj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
然后在集合
中，查找相似度信息表得到与超像素
相似度最大的超像素Si，即Ski(Sk，Si)＝maxSki(Sk，Si)，Si∈Sk
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。
2.根据权利要求1所述的MRI图像分割方法，其特征在于，步骤1具体包括：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图像放置在标准空间中，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。
3.根据权利要求1所述的MRI图像分割方法，其特征在于，步骤2中包括，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。
4.根据权利要求3所述的MRI图像分割方法，其特征在于，步骤2中进一步包括，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。
5.根据权利要求4所述的MRI图像分割方法，其特征在于，步骤2中，同一灰度认定为灰度值之差小于阈值的像素。
6.根据权利要求1所述的MRI图像分割方法，其特征在于，步骤4中，该设定值与步骤1中的阈值，图像分辨率相关。
7.根据权利要求1所述的MRI图像分割方法，其特征在于，步骤1)中输入的MRI图像采用基于拉普拉斯金字塔变换的MRI图像融合方法。
8.根据权利要求7所述的MRI图像分割方法，其特征在于，融合步骤针对的源图像来自于多个射频接收线圈针对同一检测部位得到的图像。
9.一种用于实现如权利要求1-8任意一项所述的MRI图像分割方法的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。
10.根据权利要求9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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010409346.2A CN111598898A (zh) | 2020-05-14 | 2020-05-14 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010409346.2A CN111598898A (zh) | 2020-05-14 | 2020-05-14 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598898A true CN111598898A (zh) | 2020-08-28 |
Family
ID=72183774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010409346.2A Withdrawn CN111598898A (zh) | 2020-05-14 | 2020-05-14 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598898A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907535A (zh) * | 2021-02-18 | 2021-06-04 | 江苏省人民医院（南京医科大学第一附属医院） | 一种可用于超声图像采集教学任务的辅助系统 |
-
2020
- 2020-05-14 CN CN202010409346.2A patent/CN111598898A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907535A (zh) * | 2021-02-18 | 2021-06-04 | 江苏省人民医院（南京医科大学第一附属医院） | 一种可用于超声图像采集教学任务的辅助系统 |
| CN112907535B (zh) * | 2021-02-18 | 2023-05-12 | 江苏省人民医院（南京医科大学第一附属医院） | 一种用于超声图像采集教学任务的辅助系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5667066B2 (ja) | Ｍｒスキャンの自動シーケンシャルプランニング | |
| Cusack et al. | An evaluation of the use of magnetic field maps to undistort echo-planar images | |
| US10413253B2 (en) | Method and apparatus for processing medical image | |
| JP5601378B2 (ja) | 医用画像処理装置 | |
| US8417005B1 (en) | Method for automatic three-dimensional segmentation of magnetic resonance images | |
| US20130096414A1 (en) | Localization of aorta and left atrium from magnetic resonance imaging | |
| US11510587B2 (en) | Left ventricle segmentation in contrast-enhanced cine MRI datasets | |
| US20200297284A1 (en) | Cardiac scar detection | |
| US20140303480A1 (en) | Mri with static tissue removal | |
| CN110731776B (zh) | 用于成像系统的心脏触发的系统和方法 | |
| 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 | |
| CN106102576B (zh) | 动态医疗图像中运动的检测 | |
| 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 | |
| JP2006507902A (ja) | 脳内の鉄沈着に対する磁気共鳴イメージングのシステム及び方法 | |
| US10718838B2 (en) | Systems and methods for calibrated multi-spectral magnetic resonance imaging | |
| Wick et al. | Detection of cardiac quiescence from B-mode echocardiography using a correlation-based frame-to-frame deviation measure | |
| 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 | |
| Khalifa et al. | Improved harmonic phase (HARP) method for motion tracking a tagged cardiac MR images | |
| Wang et al. | Artifacts reduction in strain maps of tagged magnetic resonance imaging using harmonic phase | |
| CN106102577B (zh) | 确定解剖细节的壁厚度的方法及对应的磁共振成像系统 | |
| CN114098696A (zh) | 磁共振成像装置、图像处理装置以及图像处理方法 | |
| 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 | |
| JP2019130310A (ja) | 磁気共鳴イメージング装置及び画像処理装置 | |
| US20240090791A1 (en) | Anatomy Masking for MRI | |
| van den Elsen | Retrospective fusion of CT and MR brain images using mathematical operators |
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 |