申请/专利权人：复旦大学

申请日：2018-12-22

公开（公告）日：2024-03-08

公开（公告）号：CN109767410B

主分类号：G06T5/50

分类号：G06T5/50;G06T7/33

优先权：

专利状态码：有效-授权

法律状态：2024.03.08#授权;2020.07.21#实质审查的生效;2019.05.17#公开

摘要：本发明属于医学图像处理和计算机视觉技术领域，具体为一种肺部CT与MRI影像融合算法。其是将图像融合置于逆问题模型下，在变分框架下构建损失函数，并通过最小化损失函数求取最优解。本发明利用图像在小波域下的研究优势，将小波系数放入损失函数，并对其进行非凸正则化增加其稀疏性，从而获得更好的图像恢复效果；通过调整参数保持整个损失函数的凸性质，从而通过凸优化求得全局最优解，最终通过小波逆变换求得融合图像。本发明结合CT成像在肺部纹理方面的优势以及MRI成像序列在肺部病灶方面的优势，丰富融合图像的信息量，以方便医生在融合图像上更清晰地找到两种成像传感器在肺部成像上的优势信息，在更短时间内做出更精确的判断。

主权项：1.一种肺部CT与MRI影像融合算法，基于配准CT，MRIT1，T2与DWI在变分模型下进行图像自动融合，具体步骤如下：1初始数据集配准：1-1以T1或T2序列影像为基准，设置基准点，先将肺部CT影像通过正规化交互信息最大化准则法配准到T1或T2序列影像上，并在三维影像上检查配准效果；1-2再取DWI序列影像中b值为0的序列与T1或T2序列影像通过归一化互相关法配准到T1或T2序列影像上，并在三维影像上检查配准效果，再检查DWI序列与CT影像之间的配准性已确保配准准确；1-3最后将DWI序列图像中b值等于100-800的序列按与b值为0时相同的转换方程配准到T1或T2序列影像中，并检查配准效果；1-4配准完毕后，对各影像进行去噪、像素值归一化预处理；2构建图像融合的模型：2-1图像融合基本表达式：Y1＝A1X+N1；Y2＝A2X+N2式中，Y1,Y2代表需要融合的源图像，X代表最终的融合图像，A1，A2为线性算子，可模拟变换域、卷积，N1，N2为加性噪声；2-2图像处理逆问题框架：把图像处理问题看成时最大化后验概率形式的逆问题，根据贝叶斯理论，最大后验概率MAP表示为： 在图像处理逆框架中，B代表观测到的退化后的图像，A代表需要预测的退化前原始图像，在该式中，PB为常量，使用log表达式后，最大化后验概率表示为： 故图像处理逆问题的损失函数表示为： 其中，fx称为数据保真项,gx称为惩罚项，λ称为正则化系数，用来控制数据保真项和惩罚项之间的权重；2-3在本图像融合模型中，似然项PB|A表示为：PB|A＝PYi|Wix,Hi,βiYi为需要融合的原图像，x为融合后图像在小波域下的稀疏系数，W＝﹛Wi﹜为离散逆小波变换，H＝﹛Hi﹜为线性算子，表示模糊过程中的PSF，β＝﹛βi﹜为传感器系数；由于各传感器扫描出来的影像相互独立，故上式转换为：PYi|Wix,Hi,βi＝PY1|W1x,H1,β1PY2|W2x,H2,β2…PYK|WKx,Hk,βKK为传感器个数；于是，图像融合的损失函数定义为： 由于融合场景为CT影像分别与MRI序列影像间的图像融合，该损失函数中包含两个数据保真项和一个惩罚项ψBx，式中λ为正则化系数，控制数据保真项与损失项之间的比重；2-4惩罚项选择采取GMC正则化对应于小波域下的图像稀疏表示，GMC正则化的表达式如下：ψBx＝‖x‖1-SBx式中，SBx为用infimalconvolution定义的广义Huber方程： 广义Huber函数SB是一个适当的下半连续凸函数，内部卷积的表达即为： 式中，B为M*N维的实数空间矩阵，v为N维实数空间向量；GMC惩罚项具有非凸性质，但通过调整矩阵B，使B满足: 则整个损失函数仍然保持凸性质；γ为控制惩罚项ψBx非凸程度的参数；2-5传感器选择系数β：传感器选择性系数也称为传感器增益，采用主成分分析法求取传感器选择系数；3损失函数凸优化求解，根据所构建的损失函数保持凸性质，利用凸优化方法进行全局最大值的求解；具体使用前项后项分裂算法FBS，基本模型如下： 式中，f1x是凸的并对于ρ-Lipschitz连续梯度是可微分的，ρ为Lipschitz系数，f2x是下半连续凸函数；FBS算法的基本解如下： 其中，μ表示步长，i表示ith迭代，迭代完成后得到最优解将FBS算法应用到前面建立的损失函数问题上；将前面建立的损失函数最优化问题看作一个鞍点问题： 为x,v的最优解；鞍点问题属于单调包含问题，该类问题通过FBS算法得到解决；根据上述方法得到最优解即为融合图像在小波域下的稀疏系数；4再通过离散逆小波变换，求得最终的融合图像。

全文数据：一种肺部CT与MRI影像融合算法技术领域本发明属于医学图像处理和计算机视觉技术领域，具体涉及肺部CT与MRI影像融合算法。背景技术肺脏是维系人体呼吸系统的重要脏器，肺部疾病是当今威胁人类生命的重要疾病之一，常见的肺部疾病有肺癌，肺结核等，其中肺癌是发病率和死亡率增长最快，对人体健康和生命威胁最大的恶性肿瘤之一。近50年来许多国家都报道肺癌的发病率和死亡率均明显增高，男性肺癌发病率和死亡率均占所有恶性肿瘤的第一位，女性发病率占第二位，死亡率占第二位。对于肺癌等疾病的检测通常通过肺部CT扫描，CT扫描能涵盖肺部大部分纹理特征，但对于病灶区域的特征无明显显示，临床上通常还要对病人进行核磁共振MRI扫描来对病灶区域深入分析，从而做出诊断并给出相应治疗意见。肺部MRI扫描通常会使用T2加权序列及DWI序列对肺部病灶进行较好的成像。因此，临床上医生需要反复定位并比对CT及MRI扫描的图像来结合两者分别显示的显著信息来进行诊断，耗时耗力，影响诊断效果及效率。本发明针对于这个问题提出了一种肺部CT与MRI影像融合算法，使临床医生通过配准融合的图像直接能够获取所需要的关键信息，从而提高诊断的正确率，并省去大量的不同模态影像间图像定位比对的时间。医学图像融合在在头部CT，MRI影像的融合中研究较多，用以显示不同的结构特征，但在其它如肺部影像部分的研究还较为稀缺，也没有具体应用的相关资料。医学图像融合的算法也主要涉及传统像素级图像融合方法，包括像素值选择方案的细小改进等，即不对图像进行任何变换域处理，直接对各源图像上的对应像素进行平均加权，灰度值选择等简单操作后，融合成一幅新的图像；在小波域上对图像进行多层分解，构建图像小波金字塔，对不同层小波系数进行不同处理，该方法在医学图像融合中有较大突破，在一些场景中获得比传统图像融合算法更好的效果，但该方法也有一定的局限性，有时候会导致图像细节的损失，及易受噪声的干扰等。本发明使用的图像融合算法是将图像融合置于逆问题模型下，在变分框架下构建损失函数，并通过最小化损失函数求取最优解。本发明算法沿用了图像在小波域下的研究优势，将小波系数放入损失函数，并对其进行非凸正则化增加其稀疏性，从而获得更好的图像恢复效果。通过调整参数保持整个损失函数的凸性质，从而可以通过凸优化方法求得全局最优解，最终通过小波逆变换求得融合图像。发明内容本发明的目的在于提供一种有利于临床医生在短时间内通过融合图像做出精确诊断的肺部CT与MRI影像融合算法。本发明提供的肺部CT与MRI影像融合算法，结合CT成像在肺部纹理方面的优势以及MRI成像序列在肺部病灶方面的优势，丰富融合图像的信息量，以方便医生在融合图像上更清晰地找到两种成像传感器在肺部成像上的优势信息，在更短时间内做出更精确的判断。具体来说，是基于配准CT，MRIT1，T2与DWI在变分模型下自动图像融合的算法，包括下列步骤：1初始数据集配准图像预处理：1-1以T1或T2序列影像为基准，设置基准点，先将肺部CT影像通过正规化交互信息最大化准则法配准到T1或T2序列影像上，并在三维影像上检查配准效果；1-2再取DWI序列影像中b值为0的序列与T1或T2序列影像通过归一化互相关法配准到T1或T2序列影像上，并在三维影像上检查配准效果，再检查DWI序列与CT影像之间的配准性已确保配准准确；1-3最后将DWI序列图像中b值等于100-800的序列按与b值为0时相同的转换方程配准到T1或T2序列影像中，并检查配准效果；1-4配准完毕后，对各影像进行去噪，像素值归一化等预处理。2构建图像融合的模型：2-1图像融合基本表达式：Y1＝A1X+N1；Y2＝A2X+N2式中，Y1,Y2代表需要融合的源图像，X代表最终的融合图像，A1，A2为线性算子，可模拟变换域，卷积等，N1，N2为加性噪声；2-2图像处理逆问题框架：图像处理问题可以看成时最大化后验概率形式的逆问题，根据贝叶斯理论，最大后验概率MAP可以表示为：在图像处理逆框架中，B代表观测到的退化后的图像，A代表需要预测的退化前原始图像，在该式中，PB为常量，使用log表达式后，最大化后验概率便可表为：故图像处理逆问题的costfunction损失函数可表示为：其中，fx称为dataattachmentterm数据保真项,gx称为penaltyterm惩罚项，λ称为正则化系数，用来控制数据保真项和惩罚项之间的权重；2-3在本图像融合模型中，似然项PB|A可表示为：PB|A＝PYi|Wix,Hi,βiYi为需要融合的源图像，x为融合后图像在小波域下的稀疏系数，W＝﹛Wi﹜为离散逆小波变换，H＝﹛Hi﹜为线性算子，可表示模糊过程中的PSF点扩散方程等，β＝﹛βi﹜为传感器系数。由于各传感器扫描出来的影像相互独立，故上式可转换为：PYi|Wix,Hi,βi＝PY1|W1x,H1,β1PY2|W2x,H2,β2…PYK|WKx,Hk,βKK为传感器个数；由上述推导，在本算法中，图像融合的损失函数定义为：由于融合场景为CT影像分别与MRI序列影像间进行图像融合，该损失函数中包含两个数据保真项和一个惩罚项ψBx，式中λ为正则化系数，控制数据保真项与损失项之间的比重；2-4惩罚项选择本算法采取稀释正则化对应于小波域下的图像稀疏表示，稀疏正则化通常采用L1-norm正则化Tibshirani,R.,RegressionShrinkage,andSelectionviatheLasso.RoyalStatisticalSociety,1994.58:p.267-288.，经典的基追踪去噪法就是用的信号的稀疏表示及L1-norm正则化S.Chen,D.L.Donoho,M.A.Saunders,"Atomicdecompositionbybasispursuit",SIAMJ.Sci.Comput.,vol.20,no.1,pp.33-61,1998.，L1-norm正则化具有凸性质，且数据保真项也是凸函数，故整个损失函数可被证明为凸函数，从而凸优化方法可以被用来求取损失函数的全球最优解。但L1-norm正则化的局限性在于对信号高频成分的过低估计。本算法采用的是GMCgeneralizedminimaxconcave正则化Selesnick,I.,SparseRegularizationviaConvexAnalysis.IEEETransactionsonSignalProcessing,2017.6517:p.4481-4494.，其稀疏性比L1-norm更好，GMC正则化的表达式如下：ψBx＝‖x‖1-SBx式中，SBx为用infimalconvolution定义的广义Huber方程B∈RM*N：广义Huber函数SB是一个适当的下半连续凸函数，内部卷积的表达即为：式中B为M*N维的实数空间矩阵，v为N维实数空间向量。GMC正则化具有非凸性质，但通过调整矩阵B，使B满足:则整个损失函数仍然保持凸性质。γ为控制惩罚项ψBx非凸程度的参数，实践中通常取0.5≤γ≤0.8；2-5传感器选择系数β：传感器选择性系数也称为传感器增益，现已有许多方法可以用来求取传感器选择系数，本发明中采用PCA主成分分析法求取传感器选择系数。3损失函数凸优化求解，根据步骤2-4，本发明所构建的损失函数保持凸性质，故可利用凸优化方法进行全局最大值的求解。本发明使用前项后项分裂算法FBS：forward-backwardsplitting，FBS算法是一种迭代算法，基本模型如下：式中，f1x是凸的并对于ρ-Lipschitz连续梯度是可微分的，ρ为Lipschitz系数，f2x可以是具有下半连续凸性质的函数。FBS算法的基本解如下：其中，μ为步长，i表示ith迭代，迭代完成后得到最优解将FBS算法应用到前面建立的损失函数问题上，事实上本发明前面建立的损失函数最优化问题可以被认为是一个鞍点问题：为x,v的最优解。鞍点问题属于单调包含问题，因此该类问题可以通过FBS算法来解决。根据上述方法得到最优解即为融合图像在小波域下的稀疏系数。4再通过离散逆小波变换，求得最终的融合图像。本发明的有益效果：本发明基于图像处理逆问题框架下的变分模型，构建损失函数，通过最小化损失函数求取最优融合效果图，该方法的优点是：1预处理方便，只需将CT与DWI在b值为0时候的影像分别与T1或T2影像进行配准后便可直接进入算法系统；2处理速度快，经过30次迭代运算最优解即可收敛，整个算法系统运行时间快；3通过图像稀疏化表示，并使用小于L1范数的GMC惩罚项进行非凸正则化，通过调整非凸正则项中相应参数，保证整个损失函数具有凸性质，从而可以通过凸优化方法求取全局最优解；同时由于稀疏化处理，该算法具有一定的去噪效果；4利用构建损失函数的方法，可将整个算法模型构建成联合问题模型，如去模糊与超分辨率。附图说明图1为本发明方法流程图。图2为一例病人肺部CT影像与T2序列影像，DWI序列影像的融合结果展示。其中，a为CT源扫描影像，b为MRIT2序列源扫描影像，c为MRIDWI序列源扫描影像b＝800，d为CT与T2序列影像融合结果图，e为CT与DWI序列影像b＝800融合结果图。图3为图2病例的影像使用不同融合算法的融合结果对比图。其中，a为CT源扫描影像，b为MRIT2序列源扫描影像，c为MRIDWI序列源扫描影像b＝800，d、e分别为利用原始空间融合算法一进行CTT2，CTDWI融合结果影像，f、g分别为利用小波空间融合算法二进行CTT2，CTDWI融合结果影像，h、i分别为利用本发明提出的融合算法进行CTT2，CTDWI融合结果影像。图4为图2病例的影像经过退化处理后使用不同融合算法的融合结果对比图。其中，源扫描图像经过退化，加入高斯模糊size[33],sigma＝1,加入高斯噪声mean＝0，variance＝0.0002；a为退化后的CT源扫描影像，b为退化后的MRIT2序列源扫描影像，c为退化后的MRIDWI序列源扫描影像b＝800，d、e分别为利用原始空间融合算法一进行退化后的CTT2，CTDWI融合结果影像，f、g分别为利用小波空间融合算法二进行退化后的CTT2，CTDWI融合结果影像，h、i分别为利用本发明提出的融合算法进行退化后的CTT2，CTDWI融合结果影像。具体实施方式本发明提出了一种肺部CT图像与MRI序列影像自动图像融合算法，结合附图及实施例进一步详细说明如下：准备初始数据。收集五十个肺癌病人的扫描影像资料，每个病人收集其CT扫描影像，MRIT1或T2，DWI序列扫描影像，并请医院放射科的三位主任医师挑选一些融合意义较大的层面，并最终在这些层面上给出融合效果意见。1初始数据集配准图像预处理：1-1以T1或T2序列影像为基准，设置基准点，先将肺部CT影像通过正规化交互信息最大化准则法配准到T1或T2序列影像上，并在三维影像上检查配准效果。1-2再取DWI序列影像中b值为0的序列与T1或T2序列影像通过归一化互相关法配准到T1或T2序列影像上，并在三维影像上检查配准效果，再检查DWI序列与CT影像之间的配准性已确保配准准确。1-3最后将DWI序列图像中b值等于100-800的序列按与b值为0时相同的转换方程配准到T1或T2序列影像中，并检查配准效果。1-4配准完毕后，对各影像进行去噪，像素值归一化等预处理。2构建图像融合的模型：2-1图像融合基本表达式：Y1＝A1X+N1；Y2＝A2X+N2式中，Y1,Y2代表需要融合的源图像，X代表最终的融合图像，A1，A2为线性算子，可模拟变换域，卷积等，N1，N2为加性噪声。2-2图像处理逆问题框架：图像处理问题可以看成时最大化后验概率形式的逆问题，根据贝叶斯理论，最大后验概率MAP可以表示为：在图像处理逆框架中，B代表观测到的退化后的图像，A代表需要预测的退化前原始图像，在该式中，PB为常量，使用log表达式后，最大化后验概率便可表为：故图像处理逆问题的costfunction损失函数可表示为：其中，fx称为dataattachmentterm数据保真项,gx称为penaltyterm惩罚项，λ称为正则化系数，用来控制数据保真项和惩罚项之间的权重。2-3在本图像融合模型中，似然项PB|A可表示为：PB|A＝PYi|Wix,Hi,βiYi为需要融合的源图像，x为融合后图像在小波域下的稀疏系数，W＝﹛Wi﹜为离散逆小波变换，H＝﹛Hi﹜为线性算子，可表示模糊过程中的PSF点扩散方程等，β＝﹛βi﹜为传感器系数。由于各传感器扫描出来的影像相互独立，故上式可转换为：PYi|Wix,Hi,βi＝PY1|W1x,H1,β1PY2|W2x,H2,β2…PYK|WKx,Hk,βKK为传感器个数；由上述推导，在本算法中，图像融合的损失函数定义为：由于融合场景为CT与T1或T2序列，CT与DWI序列间的图像融合，该损失函数中包含两个数据保真项和一个惩罚项ψBx；2-4惩罚项选择本算法采取稀释正则化对应于小波域下的图像稀疏表示，稀疏正则化通常采用L1-norm正则化，经典的基追踪去噪法就是用的信号的稀疏表示及L1-norm正则化，L1-norm正则化具有凸性质，且数据保真项也是凸函数，故整个损失函数可被证明为凸函数，从未凸优化方法可以被用来求取损失函数的全球最优解。但L1-norm正则化的局限性在于对信号高频成分的过低估计。本算法采用的是GMC正则化，其稀疏性比L1-norm更好，GMC正则化的表达式如下：ψBx＝‖x‖1-SBx式中，SBx为用infimalconvolution定义的广义Huber方程：广义Huber函数SB是一个适当的下半连续凸函数，内部卷积的表达即为：式中B为M*N维的实数空间矩阵，v为N维实数空间向量。GMC正则化具有非凸性质，但通过调整矩阵B，使B满足:则整个损失函数仍然保持凸性质。2-5传感器选择系数β：传感器选择性系数也称为传感器增益，现已有许多方法可以用来求取传感器选择系数，本发明中采用PCA主成分分析法求取传感器选择系数，具体流程如下：2-5-1将i个原图像分别分为m*n个小块，表示为：2-5-2针对于每一个来自相应原图像同一位置的小块，重新排列如下：这些像素可以被看作随机变量；2-5-3构建相关矩阵∑v，表示为：2-5-4计算相关矩阵的主特征向量μ＝[μ1,μ2…μi]T，并归一化μ使μTμ＝1；2-5-5将传感器增益β设为μ。3损失函数凸优化求解，根据步骤2-4，本发明所构建的损失函数保持凸性质，故可利用凸优化方法进行全局最大值的求解。本发明使用前项后项分裂算法FBS：forward-backwardsplitting，FBS算法是一种迭代算法，基本模型如下：式中，f1x是凸的并对于ρ-Lipschitz连续梯度是可微分的，ρ为Lipschitz系数，f2x可以为下半连续凸函数。FBS算法的基本解如下：其中，μ为步长，i表示ith迭代，迭代完成后得到最优解将FBS算法应用到前面建立的损失函数问题上，事实上本发明前面建立的损失函数最优化问题可以被认为是一个鞍点问题：为x,v的最优解。鞍点问题属于单调包含问题，因此该类问题可以通过FBS算法来解决。该类鞍点问题的具体解决方法如下：设ρ＝max1,γ1-γ设Fori＝0,1,2,…,k,k为最大循环次数xi+1＝softwi,μλvi+1＝softui,μλ结束。其中，soft表示软阈值，定义为：softx,y＝max|w|-y,0.*signx根据上述方法得到最优解即为融合图像在小波域下的稀疏系数；4再通过离散逆小波变换，求得最终的融合图像。具体实施例与效果评价：如图2a，b，c所示为一例患者的肺部CT扫描影像，T2序列扫描影像，DWI序列扫描影像b＝800中对应的一层已经过配准及标准化预处理阶段，分别进行CT与T2影像的融合及CT与DWI影像的融合。以CT与T2影像融合为例，构建损失函数：y1，y2分别为CT与T2影像，图像尺度都为384*288，小波分解采取2层分解方式，分解矩阵为L＝[96,72；96,72；192,144；384,288]；根据前面所述的主成分分析法求取CT与T2的传感器系数β1，β2；H1，H2为单位矩阵，亦可为PSF方程以进一步探究去模糊效果，估算PSF方程可参见Michailovich,O.V.andA.Tannenbaum,Despecklingofmedicalultrasoundimages.IEEETransactionsonUltrasonics,Ferroelectrics,andFrequencyControl,2006.531:p.64-78.；ψBx为GMC惩罚项，正则化系数λ取0.005。ψBx中的矩阵B设为：其中γ取0.8。构建完损失函数并制定完各参数后，用上述所提的前项后项分裂法进行凸优化求解，其中迭代次数为30次，从而求得融合图像的小波域稀疏系数经过2层的离散逆小波变换后得到最终的CT与T2融合图像如图3h所示。相似地，求取CT与DWI融合图像如图3i所示。在本发明中，所使用进行比较的另外两种图像融合算法如下：方法一：在原始图像空间直接进行像素级像素值融合，融合策略为融合图像的像素值为源图像像素值取平均。方法二：将源图像先进行2层小波分解得到小波稀疏系数，对小波稀疏系数取平均作为融合图像的小波稀疏系数，进行小波逆变换后得到融合图像。方法一的融合结果如图4d，e所示，方法二的融合结果如图4f，g所示。由于图像融合中不存在一种绝对完美的融合图像做参考，也没有一种被公认最好的融合准则及评价参数来评价融合效果，因此只使用客观评价参数对图像融合结果做评估的方法欠妥。由于医学图像融合后的结果具体由医生在临床中使用，因此临床医生对于医学图像融合效果的主观评价十分重要，但由于主管性评价也有一定的偶然性，因此本发明采取以临床医生的主观评价为主，客观评价参数为辅的图像融合评估策略。涉及到的图像融合客观评价参数有PetrovicandXydeas’smetricXydeas,C.S.andV.Petrovic,Objectiveimagefusionperformancemeasure.ElectronicsLetters,2000.364:p.308-309.，Piella’smetricPiella,G.andH.Heijmans.Anewqualitymetricforimagefusion.inProceedings2003InternationalConferenceonImageProcessingCat.No.03CH37429.2003.。在主观评价中，我们用不同方法将原始CT与T2影像，原始CT与DWI影像进行融合后请三个放射科主治医师评价融合效果，给出排名参见表1、表2；在客观评价中，由于不存在完美的原始影像或完美的融合参照影像，直接将融合后的图像与原始图像计算评价参数也欠妥本发明提出的融合算法具有一定的图像恢复效果。这里进一步将原始图像退化加上一定量的模糊与噪声，设待融合的原始图像为A，B，退化后的待融合原始图像为C，D，将C，D进行融合后将融合图像E与A，B进行融合效果客观参数评价，以评估各种算法融合效果的好坏。所加模糊为高斯模糊size＝[3,3]，σ＝1,所加噪声为高斯白噪声mean＝0，variance＝0.0002，退化后的CT影像，T2影像，DWI影像如图2a，b，c所示，将退化后的源图像进行CT与T2，CT与DWI图像融合，方法一的融合结果如图3d，e所示，方法二的融合结果如图3f，g所示，本发明提出的算法的融合结果如图3h，i所示。该融合结果同样进行主观评价给出排名参见表3、表4，并计算相应的PetrovicandXydeas’smetric，Piella’smetric参数进行客观参数评价参见表5。结果显示，本发明提出的融合算法在主观与客观评价中均取得较大优势。表1三位主治医生对图3中使用不同融合算法的CTT2融合结果评价排名CTT2融合主治医生一主治医生二主治医生三方法一323方法二222本发明算法111表2三位主治医生对图3中使用不同融合算法的CTDWI融合结果评价排名CTDWI融合主治医生一主治医生二主治医生三方法一323方法二222本发明算法111表3三位主治医生对图4中退化后的源图像使用不同融合算法的CTT2融合结果评价排名CTT2融合主治医生一主治医生二主治医生三方法一333方法二222本发明算法111表4三位主治医生对图4中退化后的源图像用不同融合算法的CTDWI融合结果评价排名CTDWI融合主治医生一主治医生二主治医生三方法一333方法二222本发明算法111表5图4中的融合结果与未退化的源图进行融合客观参数评价结果CTT2融合PetrovicPiellaCTDWI融合PetrovicPiella方法一0.07110.0204方法一0.07740.0187方法二0.21320.5051方法二0.20920.5250本发明算法0.47370.7581本发明算法0.47310.8035

权利要求：1.一种肺部CT与MRI影像融合算法，基于配准CT，MRIT1，T2与DWI在变分模型下进行图像自动融合，具体步骤如下：1初始数据集配准：1-1以T1或T2序列影像为基准，设置基准点，先将肺部CT影像通过正规化交互信息最大化准则法配准到T1或T2序列影像上，并在三维影像上检查配准效果；1-2再取DWI序列影像中b值为0的序列与T1或T2序列影像通过归一化互相关法配准到T1或T2序列影像上，并在三维影像上检查配准效果，再检查DWI序列与CT影像之间的配准性已确保配准准确；1-3最后将DWI序列图像中b值等于100-800的序列按与b值为0时相同的转换方程配准到T1或T2序列影像中，并检查配准效果；1-4配准完毕后，对各影像进行去噪、像素值归一化预处理；2构建图像融合的模型：2-1图像融合基本表达式：Y1＝A1X+N1；Y2＝A2X+N2式中，Y1,Y2代表需要融合的源图像，X代表最终的融合图像，A1，A2为线性算子，可模拟变换域、卷积，N1，N2为加性噪声；2-2图像处理逆问题框架：把图像处理问题看成时最大化后验概率形式的逆问题，根据贝叶斯理论，最大后验概率MAP表示为：在图像处理逆框架中，B代表观测到的退化后的图像，A代表需要预测的退化前原始图像，在该式中，PB为常量，使用log表达式后，最大化后验概率表示为：故图像处理逆问题的损失函数表示为：其中，fx称为数据保真项,gx称为惩罚项，λ称为正则化系数，用来控制数据保真项和惩罚项之间的权重；2-3在本图像融合模型中，似然项PB|A表示为：PB|A＝PYi|Wix,Hi,βiYi为需要融合的原图像，x为融合后图像在小波域下的稀疏系数，W＝﹛Wi﹜为离散逆小波变换，H＝﹛Hi﹜为线性算子，表示模糊过程中的PSF，β＝﹛βi﹜为传感器系数；由于各传感器扫描出来的影像相互独立，故上式转换为：PYi|Wix,Hi,βi＝PY1|W1x,H1,β1PY2|W2x,H2,β2…PYK|WKx,Hk,βKK为传感器个数；于是，图像融合的损失函数定义为：由于融合场景为CT影像分别与MRI序列影像间的图像融合，该损失函数中包含两个数据保真项和一个惩罚项ψBx，式中λ为正则化系数，控制数据保真项与损失项之间的比重；2-4惩罚项选择采取GMC正则化对应于小波域下的图像稀疏表示，GMC正则化的表达式如下：ψBx＝‖x‖1-SBx式中，SBx为用infimalconvolution定义的广义Huber方程：广义Huber函数SB是一个适当的下半连续凸函数，内部卷积的表达即为：式中，B为M*N维的实数空间矩阵，v为N维实数空间向量；GMC惩罚项具有非凸性质，但通过调整矩阵B，使B满足:则整个损失函数仍然保持凸性质；γ为控制惩罚项ψBx非凸程度的参数；2-5传感器选择系数β：传感器选择性系数也称为传感器增益，采用主成分分析法求取传感器选择系数；3损失函数凸优化求解，根据所构建的损失函数保持凸性质，利用凸优化方法进行全局最大值的求解；具体使用前项后项分裂算法FBS，基本模型如下：式中，f1x是凸的并对于ρ-Lipschitz连续梯度是可微分的，ρ为Lipschitz系数，f2x是下半连续凸函数；FBS算法的基本解如下：其中，μ表示步长，i表示ith迭代，迭代完成后得到最优解将FBS算法应用到前面建立的损失函数问题上；将前面建立的损失函数最优化问题看作一个鞍点问题：为x,v的最优解；鞍点问题属于单调包含问题，该类问题通过FBS算法得到解决；根据上述方法得到最优解即为融合图像在小波域下的稀疏系数；4再通过离散逆小波变换，求得最终的融合图像。

百度查询： 复旦大学 一种肺部CT与MRI影像融合算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD