CN113724350A - 基于磁共振信息的光声图像衰减校正方法 - Google Patents
基于磁共振信息的光声图像衰减校正方法 Download PDFInfo
- Publication number
- CN113724350A CN113724350A CN202110974231.2A CN202110974231A CN113724350A CN 113724350 A CN113724350 A CN 113724350A CN 202110974231 A CN202110974231 A CN 202110974231A CN 113724350 A CN113724350 A CN 113724350A
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic resonance
- photoacoustic
- photoacoustic image
- absorption coefficient
- 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 31
- 238000010521 absorption reaction Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 230000004907 flux Effects 0.000 claims abstract description 30
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 10
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
-
- 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
- G06T2207/30084—Kidney; Renal
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种基于磁共振信息的光声图像衰减校正,包括以下步骤:S1:固定目标对象,并对目标对象进行磁共振T2序列扫描与光声多光谱扫描,得到目标对象的磁共振图像与光声图像P;S2:对步骤S1得到的磁共振图像与光声图像P进行图像配准,得到配准后的磁共振图像;S3:将步骤S2得到的配准好的磁共振图像进行分割,得到分割先验图像;S4:将分割先验图像代入迭代算法中求解有约束的组织吸收系数,获取光通量分布并计算校正后的光声图像。该方法能够更加方便的实施分割以获取先验图像,实现光声图像的精确光通量校正,而且能够增加深处光声成像能力,提高了光声成像的质量。
Description
技术领域
本发明涉及生物医学成像领域,特别是涉及一种基于磁共振信息的光声图像衰减校正方法。
背景技术
光声断层成像(PAT)是一种新兴的生物医学成像技术,具有良好的超声分辨率和光学对比度,可以提供组织结构及功能信息。传统的PAT方法是定性成像,它只能提供被吸收的激光能量密度的分布,而被吸收的激光能量密度是光学吸收系数与激光能量分布的乘积。众所周知,光学吸收系数是组织的本质特征,它直接关系到组织的结构和功能信息。因此,从传统光声图像中消除激光能量分布的影响,进而恢复出组织光学吸收系数的分布具有重大意义。
基于动物不同组织对光的吸收系数与散射系数的不同,现有技术中从传统光声图像中消除激光能量分布的方式是对光声图像直接分割以获取不同区域,并假定各个分割区域内光学吸收系数、散射系数是一致的,再进行衰减校正计算,能够减少计算量。但这种方法需要对图像对比度和结构信息较差的光声图像进行分割,在现实中应用是非常困难的,且其效果没有本质改善。
因此针对现有技术不足,提供一种基于磁共振信息的光声图像衰减校正方法以解决现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于磁共振信息的光声图像衰减校正方法,利用配准好的磁共振图像,经分割后指导光声图像进行衰减校正,能够解决光声图像初始光能量分布不均匀的问题且应用简单。
本发明的上述目的通过以下技术措施实现:
提供一种基于磁共振信息的光声图像衰减校正方法,包括以下步骤:
S1:固定目标对象,并对目标对象进行磁共振T2序列扫描与光声多光谱扫描,得到目标对象的磁共振图像与光声图像P;
S2:对步骤S1得到的磁共振图像与光声图像P进行图像配准,得到配准后的磁共振图像;
S3:将步骤S2得到的配准好的磁共振图像进行分割,得到分割先验图像;
S4:将分割先验图像代入迭代算法中求解有约束的组织吸收系数,获取光通量分布并计算校正后的光声图像。
优选的,步骤S1中磁共振成像与光声成像中采用相同的层厚、层间距、图像尺寸、图像分辨率设置。
优选的,步骤S2具体使用基于互信息的图像配准算法将磁共振图像往光声图像P上配准。
优选的,步骤S3具体是在配准好的磁共振图像上,使用手动分割方法将各器官分割出来,得到分割先验图像。
优选的,所述步骤S4具体包括:
S4.1:将步骤S1中得到的光声图像P转为列向量形式p,将p代入线性系统方程中,所述线性系统方程为
p=φμa式(I);
其中,μa是组织吸收系数,p和μa的尺寸为mn×1,φ为mn×mn的稀疏光通量矩阵;
S4.2:采用最小二乘方式将线性系统方程构造为优化问题模型,所述优化问题模型为
其中,P的尺寸为m×n,Φ的尺寸为m×n。
优选的,所述步骤S4.3具体包括:
S4.3.1:定义总迭代次数为K,误差为ε,散射系数为μ′s,分割先验图像为RN,当前迭代次数为k,且0≤k≤K;
其中,RN为分割先验图像,N为分割区域总数,Rn表示单个区域分割图像;
优选的,步骤S4.1中光声图像P等于光通量分布矩阵Φ和组织吸收系数μa之积,具体是
P=Φ×μa式(V)
其中,将P和μa转为列向量形式,将Φ转为稀疏矩阵形式,即可得到式(I)所述的线性系统方程。
本发明的基于磁共振信息的光声图像衰减校正方法,S1:固定目标对象,并对目标对象进行磁共振T2序列扫描与光声多光谱扫描,得到目标对象的磁共振图像与光声图像P;S2:对步骤S1得到的磁共振图像与光声图像P进行图像配准,得到配准后的磁共振图像;S3:将步骤S2得到的配准好的磁共振图像进行分割,得到分割先验图像;S4:将分割先验图像代入迭代算法中求解有约束的组织吸收系数,获取光通量分布并计算校正后的光声图像。该方法利用配准好的磁共振图像手动获取分割先验信息,能够更加方便的实施分割以获取先验图像,然后通过迭代求解方法获取各分割区域吸收系数,进而求得光通量分布,并用以校正光声图像。该方法应用简单,能够实现光声图像的精确光通量校正,且能够提高深处组织光声成像能力和光声成像的质量。
附图说明
利用附图对本发明作进一步的说明,但附图中的内容不构成对本发明的任何限制。
图1是本发明基于磁共振信息的光声图像衰减校正方法的流程图。
图2是实施例2中活体实验光通量校正结果示意图,其中,图2(a)是原始光声图像,图2(b)是磁共振图像,图2(c)是分割先验图像,图2(d)是光通量分布图像,图2(e)是校正后的光声图像。
具体实施方式
结合以下实施例对本发明的技术方案作进一步说明。
实施例1
一种基于磁共振信息的光声图像衰减校正方法,如图1所示,包括以下步骤:
S1:固定目标对象,并对目标对象进行磁共振T2序列扫描与光声多光谱扫描,得到目标对象的磁共振图像与光声图像。本实施例中目标对象为动物肢体或者组织结构,使用动物支架固定动物,能够保证动物肢体或者组织结构在磁共振与光声成像时不发生形变。
S2:对步骤S1得到的磁共振图像与光声图像进行图像配准,得到配准后的磁共振图像。
S3:将步骤S2得到的配准好的磁共振图像进行分割,得到分割先验图像。使用配准好的磁共振图像进行分割能够更加方便的实施分割以获取先验图像。
S4:将分割先验图像代入迭代算法中求解有约束的组织吸收系数,获取光通量分布并计算校正后的光声图像。
本实施例中,步骤S4具体包括:
S4.1:将步骤S1中得到的光声图像P转为列向量形式p,将p代入线性系统方程中,线性系统方程为
p=φμa式(I);
其中,μa是组织吸收系数,p和μa的尺寸为mn×1,φ为mn×mn的稀疏光通量矩阵;
S4.2:采用最小二乘方式将线性系统方程构造为优化问题模型,优化问题模型为
其中,P的尺寸为m×n,Φ的尺寸为m×n。
优选的,步骤S4.3具体包括:
S4.3.1:定义总迭代次数为K,误差为ε,散射系数为μ′s,分割先验图像为RN,当前迭代次数为k,且0≤k≤K;
其中,RN为分割先验图像,N为分割区域总数,Rn表示单个区域分割图像;
优选的,步骤S4.1中光声图像P等于光通量分布矩阵Φ和组织吸收系数μa之积,具体是
P=Φ×μa式(V)
其中,将P和μa转为列向量形式,将Φ转为稀疏矩阵形式,即可得到式(I)的线性系统方程。
该方法能够实现光声图像的精确光通量校正,进而实现光声图像的衰减矫正。
实施例2
一种基于磁共振信息的光声图像衰减校正方法,其它特征与实施例1相同,不同之处在于:步骤S1中磁共振成像与光声成像中采用相同的层厚、层间距、图像尺寸、图像分辨率设置。步骤S2具体使用基于互信息的图像配准算法将磁共振图像往光声图像上配准。步骤S3具体是在配准好的磁共振图像上,使用手动分割方法将各器官分割出来,得到分割先验图像。
该方法能够实现光声图像的精确光通量校正,进而实现光声图像的衰减矫正,且应用过程简单方便。
实施例3
一种基于磁共振信息的光声图像衰减校正方法,其它特征与实施例1相同,不同之处在于:本实施例具体以活体小鼠的肾脏部位为实验对象进行光声图像衰减校正,使用商用小动物多光谱光声断层成像系统(MSOT inVision128,iTheraMedical,Germany)进行实验数据采集。原始光声图像如图2(a)所示,配准好的磁共振图像如图2(b)所示,手动分割先验图像如图3(c)所示,光通量分布图如图3(d)所示,校正后的光声图像如图3(e)所示。从图2中可以看出,磁共振图像对比度强,结构清晰,分割方便实施且准确。此外,光通量分布随着成像深度的增加而逐渐衰减,且校正后的光声图像与原始光声图像相比,肾脏内部及组织深处可见性增强,特别是对血管。
该光声图像衰减校正方法,能够方便地实施分割以获取先验图像,能够校正光通量分布,且能够增加深处组织可见度,提高光声成像的质量。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.基于磁共振信息的光声图像衰减校正方法,其特征在于,包括以下步骤:
S1:固定目标对象,并对目标对象进行磁共振T2序列扫描与光声多光谱扫描,得到目标对象的磁共振图像与光声图像P;
S2:对步骤S1得到的磁共振图像与光声图像P进行图像配准,得到配准后的磁共振图像;
S3:将步骤S2得到的配准好的磁共振图像进行分割,得到分割先验图像;
S4:将分割先验图像代入迭代算法中求解有约束的组织吸收系数,获取光通量分布并计算校正后的光声图像。
2.根据权利要求1所述的基于磁共振信息的光声图像衰减校正方法,其特征在于,步骤S1中磁共振成像与光声成像中采用相同的层厚、层间距、图像尺寸、图像分辨率设置。
3.根据权利要求1所述的基于磁共振信息的光声图像衰减校正方法,其特征在于,步骤S2具体使用基于互信息的图像配准算法将磁共振图像往光声图像P上配准。
4.根据权利要求1所述的基于磁共振信息的光声图像衰减校正方法,其特征在于,步骤S3具体是在配准好的磁共振图像上,使用手动分割方法将各器官分割出来,得到分割先验图像。
5.根据权利要求1所述的基于磁共振信息的光声图像衰减校正方法,其特征在于,所述步骤S4具体包括:
S4.1:将步骤S1中得到的光声图像P转为列向量形式p,将p代入线性系统方程中,所述线性系统方程为
p=φμa 式(Ⅰ);
其中,μa是组织吸收系数,p和μa的尺寸为mn×1,φ为mn×mn的稀疏光通量矩阵;
S4.2:采用最小二乘方式将线性系统方程构造为优化问题模型,所述优化问题模型为
其中,P的尺寸为m×n,Φ的尺寸为m×n。
6.根据权利要求5所述的基于磁共振信息的光声图像衰减校正方法,其特征在于,所述步骤S4.3具体包括:
S4.3.1:定义总迭代次数为K,误差为ε,散射系数为μ′s,分割先验图像为RN,当前迭代次数为k,且0≤k≤K;
其中,RN为分割先验图像,N为分割区域总数,Rn表示单个区域分割图像;
7.根据权利要求5所述的一种光声图像衰减校正方法,其特征在于:步骤S4.1中光声图像P等于光通量分布矩阵Φ和组织吸收系数μa之积,具体是
P=Φ×μa 式(Ⅴ)
其中,将P和μa转为列向量形式,将Φ转为稀疏矩阵形式,即可得到式(Ⅰ)所述的线性系统方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974231.2A CN113724350B (zh) | 2021-08-24 | 基于磁共振信息的光声图像衰减校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974231.2A CN113724350B (zh) | 2021-08-24 | 基于磁共振信息的光声图像衰减校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724350A true CN113724350A (zh) | 2021-11-30 |
CN113724350B CN113724350B (zh) | 2024-06-28 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102423264A (zh) * | 2011-09-01 | 2012-04-25 | 中国科学院深圳先进技术研究院 | 基于图像的生物组织弹性的测量方法及装置 |
CN103310472A (zh) * | 2013-06-21 | 2013-09-18 | 中国科学院自动化研究所 | 基于正则化迭代的有限角度光声成像重建方法及装置 |
CN111939275A (zh) * | 2020-07-28 | 2020-11-17 | 同济大学 | 一种双模态造影剂、制备方法及其应用 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102423264A (zh) * | 2011-09-01 | 2012-04-25 | 中国科学院深圳先进技术研究院 | 基于图像的生物组织弹性的测量方法及装置 |
CN103310472A (zh) * | 2013-06-21 | 2013-09-18 | 中国科学院自动化研究所 | 基于正则化迭代的有限角度光声成像重建方法及装置 |
CN111939275A (zh) * | 2020-07-28 | 2020-11-17 | 同济大学 | 一种双模态造影剂、制备方法及其应用 |
Non-Patent Citations (1)
Title |
---|
李伟等: "带偏场校正和邻域约束的快速MR脑组织分割新方法", 电子学报, vol. 38, no. 8, pages 1784 - 1797 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3362987B1 (en) | System and method for image correction | |
US20120302880A1 (en) | System and method for specificity-based multimodality three- dimensional optical tomography imaging | |
US7378660B2 (en) | Computer program, method, and system for hybrid CT attenuation correction | |
CN109741284A (zh) | 用于校正pet成像中由呼吸运动引起的失配的系统和方法 | |
RU2589383C2 (ru) | Двухрежимное формирование изображения, включающее в себя метрики качества | |
CN110717956B (zh) | 一种有限角投影超像素引导的l0范数最优化重建方法 | |
CN112435307B (zh) | 一种深度神经网络辅助的四维锥束ct影像重建方法 | |
JP4309062B2 (ja) | 画像化方法 | |
JP2014014673A (ja) | 血管造影画像の取得方法 | |
US9679373B2 (en) | Retrospective MRI image distortion correction | |
KR20140055896A (ko) | 소수의 저선량 ct 영상을 이용하여 pet 영상을 움직임 보상 및 감쇠 보정하는 방법 | |
CN106530236B (zh) | 一种医学图像处理方法及系统 | |
CN111340903B (zh) | 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统 | |
CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
CN117094917B (zh) | 一种心血管3d打印数据处理方法 | |
CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
CN111161182B (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
CN113205461B (zh) | 一种低剂量ct影像去噪模型训练方法、去噪方法及装置 | |
Chicherova et al. | Automatic deformable registration of histological slides to μCT volume data | |
CN112070704B (zh) | 一种基于紧小波框架的双正则化有限角ct图像重建方法 | |
CN112070856B (zh) | 基于非下采样轮廓波变换的有限角c型臂ct图像重建方法 | |
US20230419455A1 (en) | System and method for image correction | |
CN113724350A (zh) | 基于磁共振信息的光声图像衰减校正方法 | |
CN113724351B (zh) | 一种光声图像衰减校正方法 | |
CN113724350B (zh) | 基于磁共振信息的光声图像衰减校正方法 |
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 |