CN103325087A - Ct图像断层数据的插值方法 - Google Patents

Ct图像断层数据的插值方法 Download PDF

Info

Publication number
CN103325087A
CN103325087A CN2013102567271A CN201310256727A CN103325087A CN 103325087 A CN103325087 A CN 103325087A CN 2013102567271 A CN2013102567271 A CN 2013102567271A CN 201310256727 A CN201310256727 A CN 201310256727A CN 103325087 A CN103325087 A CN 103325087A
Authority
CN
China
Prior art keywords
image
interpolation
picture
layer
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
Application number
CN2013102567271A
Other languages
English (en)
Other versions
CN103325087B (zh
Inventor
胡洁
黄海清
戚进
谷朝臣
马进
李钦
彭勋
何飞
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201310256727.1A priority Critical patent/CN103325087B/zh
Publication of CN103325087A publication Critical patent/CN103325087A/zh
Application granted granted Critical
Publication of CN103325087B publication Critical patent/CN103325087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种CT图像断层数据的插值方法，假设CT图像一共有N层CT图片，对N层CT图片进行插值操作，包括以下步骤：步骤1：对N层CT图片的每相邻的两层图片之间求出平均值图像，得到N-1个均值图像；步骤2：对N-1个均值图像进行高斯平滑处理，滤除高频噪声；步骤3：建立插值重建系数，得到插值重建图像。本发明能够避免因为层间数据的不对齐导致的插值失败，造成伪影现象。且本发明能够使得CT图像各层之间过渡更为平滑，便于分析定位，能够有效提高诊断准确度。

Description

CT图像断层数据的插值方法
技术领域
本发明涉及医学图像诊断技术领域，具体地，涉及一种CT图像断层数据的插值方法。
背景技术
CT图像是对病人的疾病进行诊断的重要依据，由于CT检查通常是对患者的全身进行检查，因此获得的图像数据量很大。以往，对于拍摄完成的CT图像，都是由医生直接通过肉眼观察进行疾病诊断，医生在进行诊断时，由于图像数据量大，加上人眼对图像的识别能力有限，不可避免的会出现误诊、漏诊等各种情况，对患者治疗的准确性留下了很大的隐患。
近年来，结合计算机技术分析CT图像辅助医生进行疾病诊断的技术逐渐发展起来。目前，在应用计算机技术对CT图像进行分析处理时，为了压缩数据量，会对CT图像进行压缩处理，然而，由于原始的CT图像采集层间距可能较大，这样层与层之间的变化较大，中间缺失的部分可能遗漏重要的病变区域。并且，在进行图像分割等处理的时候，会出现两层之间目标数据差异较大的情况，影响层间过度的平滑度，不利于分析定位。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种CT图像断层数据的插值方法。
根据本发明的一个方面，提供一种CT图像断层数据的插值方法，假设CT图像一共有N层CT图片，对N层CT图片进行插值操作，包括以下步骤：
步骤1：对N层CT图片的每相邻的两层图片之间求出平均值图像，得到N-1个均值图像；
步骤2：对N-1个均值图像进行高斯平滑处理，滤除高频噪声；
步骤3：建立插值重建系数，得到插值重建图像。
优选地，步骤1具体为：设第一层源CT图片为I1，第二层源CT图片为I2，…第N层源CT图片为IN，均值图像为：M1=(I1+I2)*0.5，M2=(I2+I3)*0.5，…MN-1=(IN-1+IN)*0.5。
优选地，步骤2对N-1个均值图像分别进行二维高斯滤波，具体使用的是一个标准差为1.4的尺度为5×5的高斯卷积模版，模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2]，用该模版对图像进行卷积操作，包括以下步骤：
步骤2.1：对M1进行高斯二维高斯滤波，对于图像上某个像素点(i,j)，卷积后的值为G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2；卷积后的均值图像为：M1’=G1/159；
步骤2.2：采用步骤2.1同样的方法分别对M2…MN-1进行高斯二维高斯滤波，得到M2'…MN-1'。
优选地，步骤3包括以下步骤：
步骤3.1：去标准的高斯系数建立插值重建的系数，系数按照标准差为1.6的尺度为N-1的一维高斯平滑系数，具体插值系数为p1,.....pn-1；
步骤3.2：根据步骤2.2得到的N-1张均值图像和步骤3.1得到的插值系数计算得到插值图像IG，IG=M1’*p1+…+MN-1’*pn-1。
与现有技术相比，本发明具有如下的有益效果：本发明提供的层间数据插值方法利用相邻两层的数据插值出中间层数据。利用相邻层的轮廓信息，可以对上下两层的层间数据进行匹配定位，对齐定位完成，再进行插值操作，避免了因为层间数据的不对齐导致的插值失败，造成伪影现象。并且，本发明对CT图像进行插值处理后使得CT图像各层之间过渡更为平滑，采取插值以后层与层之间的过渡平滑，便于分析定位，能够有效提高诊断准确度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明CT图像断层数据的插值方法的方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
请参阅图1，一种CT图像断层数据的插值方法，假设CT图像一共有N层CT图片，对N层CT图片进行插值操作，包括以下步骤：
步骤1：对N层CT图片的每相邻的两层图片之间求出平均值图像，得到N-1个均值图像。
设第一层源CT图片为I1，第二层源CT图片为I2，…第N层源CT图片为IN，均值图像为：M1=(I1+I2)*0.5，M2=(I2+I3)*0.5，…MN-1=(IN-1+IN)*0.5。
步骤2：对N-1个均值图像进行高斯平滑处理，滤除高频噪声。
该步骤对N-1个均值图像分别进行二维高斯滤波，具体使用的是一个标准差为1.4的尺度为5×5的高斯卷积模版，模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2]，用该模版对图像进行卷积操作，包括以下步骤：
步骤2.1：对M1进行高斯二维高斯滤波，对于图像上某个像素点(i,j)，卷积后的值为G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2；卷积后的均值图像为：M1’=G1/159；
步骤2.2：采用步骤2.1同样的方法分别对M2…MN-1进行高斯二维高斯滤波，得到M2’…MN-1’。
步骤3：建立插值重建系数，得到插值重建图像。具体包括以下步骤：
步骤3.1：去标准的高斯系数建立插值重建的系数，系数按照标准差为1.6的尺度为N-1的一维高斯平滑系数，具体插值系数为p1,.....pn-1；
步骤3.2：根据步骤2.2得到的N-1张均值图像和步骤3.1得到的插值系数计算得到插值图像IG，IG=M1’*p1+…+MN-1’*pn-1。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (4)

1.一种CT图像断层数据的插值方法，假设CT图像一共有N层CT图片，对N层CT图片进行插值操作，其特征在于，包括以下步骤：
步骤1：对N层CT图片的每相邻的两层图片之间求出平均值图像，得到N-1个均值图像；
步骤2：对N-1个均值图像进行高斯平滑处理，滤除高频噪声；
步骤3：建立插值重建系数，得到插值重建图像。
2.根据权利要求1所述的CT图像断层数据的插值方法，其特征在于，步骤1具体为：设第一层源CT图片为I1，第二层源CT图片为I2，…第N层源CT图片为IN，均值图像为：M1=(I1+I2)*0.5，M2=(I2+I3)*0.5，…MN-1=(IN-1+IN)*0.5。
3.根据权利要求2所述的CT图像断层数据的插值方法，其特征在于，步骤2对N-1个均值图像分别进行二维高斯滤波，具体使用的是一个标准差为1.4的尺度为5×5的高斯卷积模版，模版为kernel=[2,4,5,4,2;4,9,12,9,4;5,12,15,12,5;4,9,12,9,4;2,4,5,4,2]，用该模版对图像进行卷积操作，包括以下步骤：
步骤2.1：对M1进行高斯二维高斯滤波，对于图像上某个像素点(i,j)，卷积后的值为G1(i,j)=M1(i-2,j-2)*2+M1(i-1,j-2)*4+M1(i,j-2)*5+M1(i+1,j-2)*4+M1(i+2,j-2)*2+M1(i-2,j-1)*4+M1(i-1,j-1)*9+M1(i,j-1)*12+M1(i+1,j-1)*9+M1(i+2,j-1)*4+M1(i-2,j)*5+M1(i-1,j)*12+M1(i,j)*15+M1(i+1,j)*12+M1(i+2,j)*5+M1(i-2,j+1)*4+M1(i-1,j+1)*9+M1(i,j+1)*12+M1(i+1,j+1)*9+M1(i+2,j+1)*4+M1(i-2,j+2)*2+M1(i-1,j+2)*4+M1(i,j+2)*5+M1(i+1,j+2)*4+M1(i+2,j+2)*2；卷积后的均值图像为：M1’=G1/159；
步骤2.2：采用步骤2.1同样的方法分别对M2…MN-1进行高斯二维高斯滤波，得到M2’...MN-1’。
4.根据权利要求3所述的CT图像断层数据的插值方法，其特征在于，步骤3包括以下步骤：
步骤3.1：去标准的高斯系数建立插值重建的系数，系数按照标准差为1.6的尺度为N-1的一维高斯平滑系数，具体插值系数为p1,.....pn-1；
步骤3.2：根据步骤2.2得到的N-1张均值图像和步骤3.1得到的插值系数计算得到插值图像IG，IG=M1’*p1+…+MN-1’*pn-1。
CN201310256727.1A 2013-06-25 2013-06-25 Ct图像断层数据的插值方法 Active CN103325087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310256727.1A CN103325087B (zh) 2013-06-25 2013-06-25 Ct图像断层数据的插值方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310256727.1A CN103325087B (zh) 2013-06-25 2013-06-25 Ct图像断层数据的插值方法

Publications (2)

Publication Number Publication Date
CN103325087A true CN103325087A (zh) 2013-09-25
CN103325087B CN103325087B (zh) 2016-06-01

Family

ID=49193810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310256727.1A Active CN103325087B (zh) 2013-06-25 2013-06-25 Ct图像断层数据的插值方法

Country Status (1)

Country Link
CN (1) CN103325087B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318533A (zh) * 2014-10-30 2015-01-28 深圳先进技术研究院 一种ct图像修正方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10129931A1 (de) * 2000-06-22 2002-01-03 Ge Med Sys Global Tech Co Llc Verfahren und Vorrichtung zur Fast-CT-Abbildungswendelgewichtung
CN1340329A (zh) * 2000-08-31 2002-03-20 Ge医疗***环球技术有限公司 累加断层分析图像产生方法和x射线ct设备
CN102743185A (zh) * 2012-06-07 2012-10-24 南方医科大学 一种肺4d-ct图像数据层间插值方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10129931A1 (de) * 2000-06-22 2002-01-03 Ge Med Sys Global Tech Co Llc Verfahren und Vorrichtung zur Fast-CT-Abbildungswendelgewichtung
CN1340329A (zh) * 2000-08-31 2002-03-20 Ge医疗***环球技术有限公司 累加断层分析图像产生方法和x射线ct设备
CN102743185A (zh) * 2012-06-07 2012-10-24 南方医科大学 一种肺4d-ct图像数据层间插值方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡军: "医学图像的层间插值和三维重建***中图像分割的研究", 《硕士学位论文》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318533A (zh) * 2014-10-30 2015-01-28 深圳先进技术研究院 一种ct图像修正方法及***
CN104318533B (zh) * 2014-10-30 2017-06-06 深圳先进技术研究院 一种ct图像修正方法及***

Also Published As

Publication number Publication date
CN103325087B (zh) 2016-06-01

Similar Documents

Publication Publication Date Title
CN107392910B (zh) 一种基于ct图像的肺叶分割方法及装置
Van Rikxoort et al. Automated segmentation of pulmonary structures in thoracic computed tomography scans: a review
Pu et al. CT based computerized identification and analysis of human airways: a review
CN111340789A (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN109685809B (zh) 一种基于神经网络的肝包虫病灶分割方法及***
CN109830289B (zh) 肋骨图像显示装置
Odstrcilik et al. Thickness related textural properties of retinal nerve fiber layer in color fundus images
CN106886982A (zh) Cbct图像环形伪影去除方法
US11751823B2 (en) Image processing apparatus, image processing method, and program
WO2021012520A1 (zh) 三维mra医学图像拼接方法、装置、电子设备及计算机可读存储介质
WO2008008254A2 (en) System and method for automatic detection and measurement of malacia in the airways
Bhateja et al. An improved medical image fusion approach using PCA and complex wavelets
CN110517198A (zh) 用于ldct图像去噪的高频敏感gan网络
CN111815766A (zh) 基于2d-dsa图像重建血管三维模型处理方法及***
CN112075922A (zh) 2型糖尿病眼底图像指标的测量及与糖尿病肾病相关性的分析方法
Singh et al. Automated nonlinear registration of coronary PET to CT angiography using pseudo-CT generated from PET with generative adversarial networks
Tan et al. Automatic prostate segmentation based on fusion between deep network and variational methods
Liu et al. Low-dose CT noise reduction based on local total variation and improved wavelet residual CNN
Penso et al. Cardiovascular magnetic resonance images with susceptibility artifacts: artificial intelligence with spatial-attention for ventricular volumes and mass assessment
CN103325087B (zh) Ct图像断层数据的插值方法
CN110060234B (zh) 基于spect断层图像计算肾脏gfr值的方法和装置
Huang et al. Anatomical‐functional image fusion based on deep convolution neural networks in local Laplacian pyramid domain
CN104851103B (zh) 基于sd‑oct视网膜图像的脉络膜血管抽取方法
Li et al. Medical image fusion based on local Laplacian decomposition and iterative joint filter
Li et al. Dual-domain fusion deep convolutional neural network for low-dose CT denoising

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Hu Jie

Inventor after: Wu Chunping

Inventor after: Huang Haiqing

Inventor after: Qi Jin

Inventor after: Gu Chaochen

Inventor after: Ma Jin

Inventor after: Li Qin

Inventor after: Peng Xun

Inventor after: He Fei

Inventor before: Hu Jie

Inventor before: Huang Haiqing

Inventor before: Qi Jin

Inventor before: Gu Chaochen

Inventor before: Ma Jin

Inventor before: Li Qin

Inventor before: Peng Xun

Inventor before: He Fei

COR Change of bibliographic data
C14 Grant of patent or utility model
GR01 Patent grant