CN106204520A - 一种磁共振图像选择定位的方法及装置 - Google Patents
一种磁共振图像选择定位的方法及装置 Download PDFInfo
- Publication number
- CN106204520A CN106204520A CN201510422674.5A CN201510422674A CN106204520A CN 106204520 A CN106204520 A CN 106204520A CN 201510422674 A CN201510422674 A CN 201510422674A CN 106204520 A CN106204520 A CN 106204520A
- Authority
- CN
- China
- Prior art keywords
- pathological changes
- lesion
- image
- magnetic resonance
- mri
- 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
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种磁共振图像选择定位的方法及装置,涉及医学影像技术领域,其方法包括以下步骤:将感兴趣病变区域放置到各采样期磁共振图像中;通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板;从多个采样期磁共振图像的感兴趣病变区中提取病变特征,利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数;利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位。本发明对于选定感兴趣区域内的病变,通过病变检测灵活确定匹配模板,能有效提高疾病的诊断准确率,不仅可应用于腹部疾病诊断的选择定位,也可应用于胸部等其他部位疾病的选择定位。
Description
技术领域
本发明涉及医学影像技术领域,特别涉及一种磁共振图像选择定位的方法及装置。
背景技术
随着MR(Magnetic Resonance,磁共振)技术进步,时间分辨率和空间分辨率提高,医疗工作中上越来越多的使用动态增强T1WI(Weighted Imaging T1,T1加权像)多期图像来对疾病进行诊断及鉴别诊断,甚至进行血流动力学研究,评估疗效等。医学图像工作站处理此类图像多根据DICOM(Digital Imaging andCommunications in Medicine,医学数字成像和通信)图像内位置信息,默认各期图像处于同一位置,病变也处于不同期图像的同一位置,当医生在某一期图像人工选择某一病变时(放置一感兴趣区),工作站会自动按照默认的位置同时在其余各期图像上选择同一位置。这种图像选择及病变定位对于不需要呼吸配合的器官如头颈部、***、四肢软组织等,因无屏气、运动等导致的位置移动,实现起来比较方便。但对于需要屏气扫描的中上腹部器官,如肝脏、肾脏、胰腺等,由于存在屏气导致的位置差异,工作站默认的同一位置的图像会出现偏差,由此,当医生在病变放置感兴趣区时,会出现某些期的图像感兴趣区放置错误,进而导致对疾病性质和血流动力学方面判断的失误。
发明内容
本发明的目的在于提供一种磁共振图像选择定位的方法及装置,解决了现有技术中由于屏气导致的位置差异,导致放置病变感兴趣区域放置错误的问题。
根据本发明的一个方面,提供了一种磁共振图像选择定位的方法,包括以下步骤:
将感兴趣病变区域放置到各采样期磁共振图像中;
通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板;
从多个采样期磁共振图像的感兴趣病变区中提取病变特征,利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数;
利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位。
优选地,所述的通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板包括:
通过采用中值滤波算法对所述感兴趣病变区域中的病变特征进行检测,得到病变特征的边缘点;
利用椭圆傅里叶算子中的低频分量对所得到的多个病变特征边缘点进行描述,得到多个病变特征的边缘检测点;
利用所得到的病变特征的边缘检测点构成的检测点向量以及椭圆病变特征向量进行计算,得到病变匹配模板。
优选地,所述的中值滤波算法是将所述感兴趣病变区域中包含的图像像素按灰度级降序排列成一行,选取图像像素的中间值作为病变图像像素灰度值。
优选地,所述的从多个采样期磁共振图像的感兴趣病变区中提取病变特征包括:
通过采用中值滤波算法分别对所述多个采样期磁共振图像的感兴趣病变区域中的病变特征进行检测,得到每个采样期的病变特征的边缘点;
利用椭圆傅里叶算子中的低频分量分别对每个采样期的病变特征的边缘点进行描述,得到每个采样期的病变特征的边缘检测点。
优选地,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:
采用绝对差和均方差的匹配准则对所得到的病变匹配模板的病变图像像素灰度值和所提取的病变特征的病变图像像素灰度值进行计算,选取绝对差和均方差中最小的病变图像像素灰度值;
将与所选取的绝对差和均方差中最小的病变图像像素灰度值相对应的像素点作为图像像素的匹配点。
优选地,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:
采用逐步缩小搜索范围的策略,以所选取的图像像素匹配点为中心选取与病变匹配模板中心相对应的所提取的病变特征中心作为像素最佳匹配点。
优选地,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:
计算所述像素最佳匹配点与病变匹配模板中心之间的欧式距离代价函数;
计算所述像素最佳匹配点与病变匹配模板中心面积之间的面积差绝对值代价函数;
计算所述像素最佳匹配点与病变匹配模板中心离心率之间的差值绝对值代价函数;
利用所计算出的所述像素最佳匹配点与病变匹配模板中心之间的欧式距离代价函数、面积差绝对值代价函数以及差值绝对值代价函数,构成用于匹配定位的病变匹配代价函数。
优选地,所述的利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位包括:
利用所述病变匹配代价函数确定选择综合定位代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最高的病变图像作为最优匹配病变定位;
利用所述病变匹配代价函数确定选择综合定位代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最低的病变图像作为最差匹配病变定位。
优选地,所述的利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位包括:
利用所述病变匹配代价函数确定选择代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最高的病变图像作为最佳病变图像扫描周期和最佳病变图像的选择定位。
根据本发明的另一方面,提供了一种磁共振图像选择定位的装置,包括:
放置模块,用于将感兴趣病变区域放置到各采样期磁共振图像中;
获取模块,用于通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板;
确定模块,用于从多个采样期磁共振图像的感兴趣病变区中提取病变特征,利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数;
定位模块,用于利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位。
与现有技术相比较,本发明的有益效果在于:
本发明对于选定感兴趣区域内的病变,通过病变检测灵活确定匹配模板,能有效提高疾病的诊断准确率,不仅可应用于腹部疾病诊断的选择定位,也可应用于胸部等其他部位疾病的选择定位。
附图说明
图1是本发明实施例提供的一种磁共振图像选择定位的方法流程图;
图2是本发明实施例提供的一种磁共振图像选择定位的装置示意图;
图3是本发明实施例提供的一种多期MR医学图像选择定位方法的流程图;
图4是本发明实施例提供的中值滤波(x,y,45°,135°)四个方向梯度图;
图5是本发明实施例提供的非最大抑制原理示意图;
图6是本发明实施例提供的由椭圆系数构成的椭圆示意图;
图7是本发明实施例提供的匹配块的确定示意图;
图8是本发明实施例提供的匹配三步搜索策略示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细说明,应当理解,以下所说明的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
图1显示了本发明实施例提供的一种磁共振图像选择定位的方法流程图,如图1所示,包括以下步骤:
步骤S101:将感兴趣病变区域放置到各采样期磁共振图像中;
步骤S102:通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板;
步骤S103:从多个采样期磁共振图像的感兴趣病变区中提取病变特征,利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数;
步骤S104:利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位。
其中,所述的通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板包括:通过采用中值滤波算法对所述感兴趣病变区域中的病变特征进行检测,得到病变特征的边缘点;利用椭圆傅里叶算子中的低频分量对所得到的多个病变特征边缘点进行描述,得到多个病变特征的边缘检测点;利用所得到的病变特征的边缘检测点构成的检测点向量以及椭圆病变特征向量进行计算,得到病变匹配模板。
其中,所述的中值滤波算法是将所述感兴趣病变区域中包含的图像像素按灰度级降序排列成一行,选取图像像素的中间值作为病变图像像素灰度值。
其中,所述的从多个采样期磁共振图像的感兴趣病变区中提取病变特征包括:通过采用中值滤波算法分别对所述多个采样期磁共振图像的感兴趣病变区域中的病变特征进行检测,得到每个采样期的病变特征的边缘点;利用椭圆傅里叶算子中的低频分量分别对每个采样期的病变特征的边缘点进行描述,得到每个采样期的病变特征的边缘检测点。
其中,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:采用绝对差和均方差的匹配准则对所得到的病变匹配模板的病变图像像素灰度值和所提取的病变特征的病变图像像素灰度值进行计算,选取绝对差和均方差中最小的病变图像像素灰度值;将与所选取的绝对差和均方差中最小的病变图像像素灰度值相对应的像素点作为图像像素的匹配点。
其中,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:采用逐步缩小搜索范围的策略,以所选取的图像像素匹配点为中心选取与病变匹配模板中心相对应的所提取的病变特征中心作为像素最佳匹配点。
其中,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:计算所述像素最佳匹配点与病变匹配模板中心之间的欧式距离代价函数;计算所述像素最佳匹配点与病变匹配模板中心面积之间的面积差绝对值代价函数;计算所述像素最佳匹配点与病变匹配模板中心离心率之间的差值绝对值代价函数;利用所计算出的所述像素最佳匹配点与病变匹配模板中心之间的欧式距离代价函数、面积差绝对值代价函数以及差值绝对值代价函数,构成用于匹配定位的病变匹配代价函数。
具体地说,所述的利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位包括:利用所述病变匹配代价函数确定选择综合定位代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最高的病变图像作为最优匹配病变定位;利用所述病变匹配代价函数确定选择综合定位代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最低的病变图像作为最差匹配病变定位。
具体地说,所述的利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位包括:利用所述病变匹配代价函数确定选择代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最高的病变图像作为最佳病变图像扫描周期和最佳病变图像的选择定位。
图2显示了本发明实施例提供的一种磁共振图像选择定位的装置示意图,如图2所示,包括:放置模块201、获取模块202、确定模块203以及定位模块204。具体地说,所述放置模块201,用于将感兴趣病变区域放置到各采样期磁共振图像中;所述获取模块202,用于通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板;所述确定模块203,用于从多个采样期磁共振图像的感兴趣病变区中提取病变特征,利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数;所述定位模块204,用于利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位。
本发明在某一期图像放置感兴趣病变区,通过对感兴趣病变区进行病变特征检测、描述确定病变模板;通过对其它采样期的MR图像进行图像检测、模板匹配、匹配评价,完成对多期MR图像病变特征的选择定位,可以更好的辅助完成疾病诊断。
图3显示了本发明实施例提供的一种多期MR医学图像选择定位方法的流程图,如图3所示,具体包括以下几个步骤:
步骤一、放置区域内病变模板确定;
(1)放置感兴趣病变区域;
结合患者临床情况,依据MR图像的信号特点,医生根据经验放置感兴趣病变区域。
(2)对放置区域利用改进Canny算子进行病变检测;
通过改进Canny算子对放置病变特征区域进行病变检测,得到病变特征的边缘点。
(3)利用椭圆傅里叶算子算法对检测到的病变边缘点进行病变描述;
利用椭圆傅里叶算子算法中的低频分量,对所得到的病变特征边缘点进行病变特征描述,得到病变特征的检测点。
(4)确定病变匹配模板。
采用病变椭圆特征和病变特征的检测点集用向量的形式表示模板,得到病变匹配模板。
步骤二、多期MR图像对应放置区域内病变特征检测提取;
(1)对对应放置区域利用Canny算子进行病变检测;
(2)利用椭圆傅里叶算子算法对检测到的病变边缘点进行病变描述。
也就是说,利用步骤一中的(2)和(3)对非选定MR图像中对应的感兴趣区域内的病变特征进行检测和描述。
步骤三、多期MR图像病变模板匹配;
(1)选定匹配准则;
采用最小绝对差和最小均方误差作为病变匹配准则。
(2)制定匹配搜索策略;
采用三步搜索策略完成匹配块搜索。
(3)确定病变匹配代价函数,进行病变匹配。
通过定义待匹配病变与病变匹配模板之间的欧氏距离、待匹配病变与病变匹配模板的面积和离心率完成放置感兴趣区域内的病变匹配。
步骤四、多期MR最优病变定位及最佳诊断图像选择定位。
(1)确定综合选择定位评价函数;
(2)利用代价函数计算结果完成最优和最差病变选择定位;
通过步骤三中(3)的匹配代价函数确定的综合定位代价函数,将步骤三的匹配代价函数结果代入综合定位代价函数得到定位综合代价函数值,根据综合定位代价函数值的大小完成多期MR图像的最优和最差病变的定位;
(3)利用代价函数计算结果完成最优MR图像扫描周期及最佳序列图像选择定位。
通过步骤三中(3)的匹配代价函数确定的选择代价函数,将步骤三的匹配代价函数结果代入选择代价函数得到选择综合代价函数值,根据选择综合代价函数值的大小完成多期MR图像的最佳病变图像扫描周期及最佳病变图像的选择定位。
下面结合图4至图8对本发明的内容进行详细的描述,具体包括以下几个步骤:
步骤一、病变特征最佳模板的确定;
(1)病变最佳MR图像的确定;
根据MR图像的特点选择出病变最显著的MR图像。
(2)利用改进Canny算子病变特征检测;
Canny算子对图像边缘进行提取时能够抗噪声干扰,同时能提取出图像中强弱明显的边缘,而且具有较好提取精度,但是Canny算子进行边缘检测能将病变边缘变的模糊,导致检测到的病变边缘信息减少。采用中值滤波代替Canny算法中的高斯滤波可以消除噪声,保持病变的细节。中值滤波是基于排序统计理论的邻域匀速,把邻域中包含的图像像素按灰度级降序排列成一行,取中间值,让周围的像素值接近真实值,从而消除孤立的噪声点。
首先进行梯度计算。采用如图4(x,y,45°,135°)四个方向一阶偏导数有限差分来确定像素梯度。这四个方向的偏导数分别用Gx(i,j),Gy(i,j),G45°(i,j),G135°(i,j)表示,具体定义如下:
x方向偏导数
每个点对应的梯度值GA(i,j)和梯度方向如下:
其次,对所求的梯度幅值进行非最大抑制,非最大抑制原理如图5所示,通过邻域中心点(图中A点)的幅值与沿梯度方向的两个梯度点(Temp1和Temp2)的幅值进行比对,如果邻域中心梯度的幅值小于梯度方向上两个梯度值的任何一个,则说明该点不是边缘点,将其值设置为0;反之则说明该点为边缘点。
式中,Ω为(x,y)在梯度方向上的邻域,Amax(i,j)为邻域内每点的最大梯度值,Amax(x,y)为邻域内最大梯度的点,B(x,y)为边缘点。
最后,对B按照一定的阈值,进行截短幅值操作。设图像f(x,y)总像素数为N,图像灰度范围g={0,1,…,n-1},对应灰度级的像素数为N,则其概率通过阈值T把图像中的像素按灰度值分成两类,第一类由灰度值[0,T]之间像素组成,第二类由灰度值[T+1,n-1]之间的像素组成。图像的总的灰度均值为:
式中,T为图像灰度阈值,i,Pi表示第一类像素灰度值取值变量和对应的概率,j,Pj表示第二类像素灰度值取值变量和对应的概率,u表示图像的总的灰度均值。
类间方差定义为:
式中,T为图像灰度阈值,i,Pi表示第一类像素灰度值取值变量和对应的概率,j,Pj表示第二类像素灰度值取值变量和对应的概率,u表示图像的总的灰度均值,σ2(T)表示第一类图像灰度与第二类图像灰度的类间方差。
通过遍历,使得σ2(T)最大的T值即为最佳阈值,进而自适应的得到高低门限(Thigh=T,Tlow=0.5T)。根据下式:
式中,Thigh表示类方差的最大值,B(x,y)表示采用非最大抑制得到的边缘点,E(x,y)表示最终确定的边缘。
任意的B(x,y)满足Tlow≤B(x,y)<Thigh,当时,E(x,y)=B(x,y),否则E(x,y)=0,Δ表示为8邻域,得到病变的边缘。
(3)病变特征描述;
基于轮廓的病变形状表示以(x0,y0)为病变边缘起点,选取顺时针方向的坐标序列为:(x0,y0),(x1,y1),…,(xN-1,yN-1),其中N为边缘曲线像素点个数,用复数(x,jy)的形式表示边界上的每一点,实部对应x轴,虚部对应y轴。由N个点组成的封闭病变边界,从任何一点开始绕边界一周就得到一个复数序列:c(n)=x(n)+jy(n),n=1,2,...,N-1。
复坐标函数c(n)与尺度为σ的高斯核函数进行卷积运算,得到尺度σ的病变进化曲线c(n,σ),即病变在不同尺度下的复坐标函数。将病变的边缘复坐标函数按照如图6所示的椭圆进行椭圆傅里叶变换,将副坐标函数展开,得到表示形状的椭圆向量。病变边界是连续封闭周期的函数,用傅里叶级数以多次谐波的形式逼近该边界。病变封闭边界定义为:c(t)=x(t)+jy(t),在(x,y)方向上进行傅里叶级数展开,得到:
式中,ω定义为基本频率,它的值是T/2π,T是周期函数,k表示对应的阶数。曲线c(t)是非连续的一组离散点。用黎曼求和方法进行积分值近似处理得到对应阶数下近似椭圆系数(axk,ayk,bxk,byk):
式中,τ为采样周期,τ=T/N,T为边缘曲线的周期,N为边缘曲线采样点个数。每个k构成的四个系数(axk,ayk,bxk,byk)代表一个椭圆,如图6所示。
将椭圆系数进行变换表示能更好的体现病变边缘的平移、旋转、尺度变化不变性,变换后的椭圆傅里叶子可以描述为:
用高斯制定尺度下的椭圆傅里叶描述子进行病变形状描述为:
式中,σ表示高斯函数的方差,k表示傅里叶描述子的阶数,表示对应椭圆傅里叶描述子阶数下的傅里叶子,FD(σ,k)表示高斯制定尺度下的椭圆傅里叶描述子。
在频域中,低频的椭圆描述了形状特征,取FD(σ,k),σ=10,k=10来描述病变形状特征。
(4)病变最佳模板确定。
将模板当成一个向量,一是存放当前图像边缘曲线的椭圆傅里叶算子描述符T=[A1,A2,...A10,B1,B2,...B10],一个是从检测的边缘起始点开始,每间隔取整数)点中抽取一个点构成的向量这样抽取的模板可以形式化为:
采用欧式距离对候选模板进行测量,基于加权的修正方法对模板进行修正。
模板中是一个点集,它的每个点pi(i=1,2,…,n)可以表示为(xi,yi),其中(i=1,2,…,n)是实数,两个点A和B之间的距离d(A,B)定义为下面的公式:
步骤二、其它期MR图像的感兴趣病变区域内病变特征提取描述;
采用步骤一中(2)和(3)对其它期MR图像中的病变特征进行提取和描述。
步骤三、感兴趣病变区域内局部病变匹配;
由于病变在MR序列图像中的位置无明显越变,选择块匹配进行,本发明采用以放置感兴趣病变区域的中心开始搜索,宏块大小取决于模板大小,通常是以模板中心为中心16×16大小外扩至模板边缘至中心的最大值(如图7),假定块内各像素的平移都相同,对于MR模板图像到待匹配MR病变图像,按照下面描述的三步搜索方法,根据提出的匹配准则找出与当前模板最相似的病变。考虑病变本身信息和每个病变目标不同特征的变化,使用基于欧氏距离、面积和离心率的特征匹配函数进行描述匹配程度。
(1)匹配准则
采用最小绝对差(Sum of Absolute Difference,SAD)和最小均方误差(Mean-Squared Error,MSE)作为匹配准则。
最小绝对差:
其中,(ii,jj)为位移矢量,A×B为匹配模板扩展后宏块大小,和分别为选定模板和待匹配病变的在匹配模板扩展后宏块内对应的灰度值,其对应的上标含义为:k表示模板对应的MR图像扫描期数,p表示对应扫描周期内的MR图像的序列数,n表示待匹配病变对应的MR图像扫描期数,j表示对应扫描周期内的MR图像的序列数;下标含义为:M表示确定的病变模板,F表示检测的病变。在某一像素点,使SAD最小,则该像素点就是所要找的匹配点。
最小均方误差:
式中,其中,(ii,jj)为位移矢量,A×B为匹配模板扩展后宏块大小,和分别为选定模板和待匹配病变的在匹配模板扩展后宏块内对应的灰度值,其对应的上标含义为:k表示模板对应的MR图像扫描期数,p表示对应扫描周期内的MR图像的序列数,n表示待匹配病变对应的MR图像扫描期数,j表示对应扫描周期内的MR图像的序列数;下标含义为:M表示确定的病变模板,F表示检测的病变。若在某一像素点,使MSE最小,则该像素点就是所要找的匹配点。
(2)三步搜索策略
三步搜索策略是用三步搜索,逐步减小步长的方法来得到匹配块(如图8)。
第一步:中心黑色像素为当前待匹配病变中心中与匹配模板的中心像素具有相同的位置。以此中心黑色像素为中心,步长为4,进行周围8个点搜索,如黑色方框所示。根据匹配准则找出此9个点中的最佳匹配像素,如果中心黑色像素为最佳匹配像素,则认为两个中心重合,进行匹配评价计算,从而进行选择定位。
第二步:以第一步得到的最佳匹配点为中心,步长为2,继续搜索周围8个点,如三角所示,根据匹配准则,得到这8个点中的最佳匹配像素。
第三步与第二步相似。以第二步得到的最佳匹配像素点为中心,步长为1,继续搜索周围8个点,如圆所示,根据匹配准则,得到这8个点中的最佳匹配像素,此像素即为模板中心对应病变中心的匹配点,以此点进行匹配评价,进而进行选择定位。
(2)匹配代价函数
模板中心与待匹配病变中心之间的欧氏距离可以表示为:
其中,Mk,p表示确定的模板,k表示模板对应的MR图像扫描期数,p表示对应扫描周期内的MR图像的序列数;Fk,p表示检测出病变,n表示待匹配病变对应的MR图像扫描期数,j表示对应扫描周期内的MR图像的序列数;表示确定模板的几何中心,表示待匹配检测病变的几何中心。表示确定模板的每一点坐标值,表示待匹配病变的每一点坐标值。D(Mk,p,Fn,j)越小说明匹配程度越高。
模板面积与待匹配病变中心面积之间的面积差绝对值可以表示为:
其中,表示确定模板的面积,表示待匹配病变的面积,ΩM表示所有构成模板M的像素集合,ΩF表示所有构成病变F的像素集合。A(Mk,p,Fn,j)越小说明匹配程度越高。
模板离心率与待匹配病变离心率之差的绝对值可以表示为:
其中,表示确定模板的离心率,表示待匹配病变的离心率,ΩM表示所有构成模板M的像素集合,ΩF表示所有构成病变F的像素集合。E(Mk,p,Fn,j)越小说明匹配程度越高。
步骤四、最优匹配选择定位
通过对每一期MR序列图像进行选定区域的病变检测、描述和匹配计算出每个序列图中病变与选定病变模板之间的中心欧氏距离、面积和离心率三种特征组合使用的代价函数,进行选择定位,代价函数可以表示为:
V(Mk,p,Fn,j)=α×D(Mk,p,Fn,j)+β×A(Mk,p,Fn,j)+γ×E(Mk,p,Fn,j) (20)
其中,α,β,γ为权值系数,α+β+γ=1。设置欧氏距离特征权值、面积特征权值和离心率特征权值相等即
(1)最优和最差病变的定位
最优匹配病变的定位是在所有扫描序列图像中确定一个和选定区域病变模板匹配度最高的病变图像,并通过病变检测和描述显示出病变的边界。同时为了更准确诊断需要,对匹配度最差的病变图像也进行定位。
最优和最差匹配病变的定位,设置欧氏距离特征权值、面积特征权值和离心率特征权值相等即
最优匹配病变所在扫描期和在对应扫描期内序列号O{n,j}确定:
O{n,j}={n,j|min{min{V(Mk,p,Fn,j)}}},(n,k∈{1,2,…,10},且n≠k) (21)
最差匹配病变所在扫描期和在对应扫描期内序列号T{n,j}确定:
T{n,j}={n,j|max{max{V(Mk,p,Fn,j)}}},(n,k∈{1,2,…,10},且n≠k) (22)
(2)最优MR图像扫描周期及最佳序列图像选择定位
最优MR图像扫描周期及最佳序列图像选择,设置欧氏距离特征权值、面积特征权值和离心率特征权值相等即对于MR扫描的第n(n=(1,2,…,10)且n≠k)期序列图像,设图像序列个数j(j=(1,2,…,10))。第n期中最佳序列数jO,应该满足使得该序列数对应的MR图像中的病变特征与选定区域内确定的病变模板匹配代价函数值最小:
整个扫描期中最佳的扫描期nO,应该满足使得该期内所有序列图像中的病变特征与选定区域内确定的病变模板匹配代价函数值最小:
综上所述,本发明在已经获取的诊断MR图像中,诊断医生首先放置感兴趣病变区域,医学图像工作站会自动按照默认的位置同时放置感兴趣区到其余各期,该方法则是对默认的放置区域进行病变检测、匹配、匹配代价函数计算来实现诊断图像的选择定位。首先,病确定变模板。医生根据经验在MR图像上放置感兴趣病变区域,利用改进的Canny算子对被放置感兴趣病变区域MR图像中病变进行检测,其中对Canny算子的改进是采用中值滤波代替Canny算法中的高斯滤波可以消除噪声,保持病变的细节,对采用如图4(x,y,45°,135°)四个方向一阶偏导数有限差分来确定像素梯度,所求的梯度幅值进行非最大抑制,非最大抑制原理如图5所示,通过邻域中心点(图中A点)的幅值与沿梯度方向的两个梯度点(Temp1和Temp2)的幅值进行比对,如果邻域中心梯度的幅值小于梯度方向上两个梯度值的任何一个,则说明该点不是边缘点,将其值设置为0;反之则说明该点为边缘点,得到病变特征的边缘点,对得到的病变特征边缘点利用椭圆傅里叶算子(如图5)中的低频分量进行椭圆病变特征(如图6)描述,采用间隔取病变边缘检测点得到检测点集,综合椭圆病变特征向量和检测点集向量得到病变匹配模板。其次,检测提取多期MR图像对应放置区域内的病变特征。同样采用改进的Canny算子对其它MR图像默认被放置感兴趣病变区域中病变进行检测,得到病变特征的边缘点,对得到的病变特征边缘点利用椭圆傅里叶算子算法中的低频分量进行病变特征描述。再次,模板匹配多期MR图像病变。由于病变在MR序列图像中的位置无明显越变,选择块匹配进行,采用以放置感兴趣病变区域的中心开始搜索,以模板中心为中心16×16大小外扩至模板边缘至中心的最大值(如图7),假定块内各像素的平移都相同,对于MR模板图像到待匹配MR病变图像,按照三步搜索策略逐步减小步长的方法(如图8),根据提出的匹配准则找出与当前模板最相似的病变,由于病变本身信息和病变目标不同特征的变化,通过定义待匹配病变与病变匹配模板之间的欧氏距离、待匹配病变与病变匹配模板的面积和离心率完成放置感兴趣区域内的病变匹配。最后,通过对每一期MR序列图像进行选定区域的病变检测、描述和匹配计算出每个序列图中病变与选定病变模板之间的中心欧氏距离、面积和离心率三种特征组合使用的代价函数,进行选择定位。通过根据模板匹配中定义的病变匹配代价函数确定选择定位综合代价函数,最优匹配病变的定位是在所有扫描序列图像中确定一个和选定区域病变模板匹配度最高的病变图像,并通过病变检测和描述显示出病变的边界。同时为了更准确诊断需要,对匹配度最差的病变图像也进行定位,设置综合代价函数中欧氏距离特征权值、面积特征权值和离心率特征权值相等,最优和最差匹配病变所在扫描期和在对应扫描期内序列号分别对应使得综合代价函数的最小值和最大值的扫描周期及在对应周期内的序号,整个扫描期中最佳的扫描期nO,应该满足使得该期内所有序列图像中的病变特征与选定区域内确定的病变模板匹配代价函数值最小。
综上所述,本发明具有以下技术效果:
本发明通过自动检测病变特征,确定病变模板,进行模板匹配,在MR动态增强T1WI多期图像中选定最佳MR图像来协助疾病诊断,进行相关后处理,能提高选择定位速度,有效避免人为因素影响,有效保证了诊断的准确率,因此本发明是能有效提高MR医学影像诊断效率的方法。
尽管上文对本发明进行了详细说明,但是本发明不限于此,本技术领域技术人员可以根据本发明的原理进行各种修改。因此,凡按照本发明原理所作的修改,都应当理解为落入本发明的保护范围。
Claims (10)
1.一种磁共振图像选择定位的方法,其特征在于,包括以下步骤:
将感兴趣病变区域放置到各采样期磁共振图像中;
通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板;
从多个采样期磁共振图像的感兴趣病变区中提取病变特征,利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数;
利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位。
2.根据权利要求1所述的方法,其特征在于,所述的通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板包括:
通过采用中值滤波算法对所述感兴趣病变区域中的病变特征进行检测,得到病变特征的边缘点;
利用椭圆傅里叶算子中的低频分量对所得到的多个病变特征边缘点进行描述,得到多个病变特征的边缘检测点;
利用所得到的病变特征的边缘检测点构成的检测点向量以及椭圆病变特征向量进行计算,得到病变匹配模板。
3.根据权利要求2所述的方法,其特征在于,所述的中值滤波算法是将所述感兴趣病变区域中包含的图像像素按灰度级降序排列成一行,选取图像像素的中间值作为病变图像像素灰度值。
4.根据权利要求2所述的方法,其特征在于,所述的从多个采样期磁共振图像的感兴趣病变区中提取病变特征包括:
通过采用中值滤波算法分别对所述多个采样期磁共振图像的感兴趣病变区域中的病变特征进行检测,得到每个采样期的病变特征的边缘点;
利用椭圆傅里叶算子中的低频分量分别对每个采样期的病变特征的边缘点进行描述,得到每个采样期的病变特征的边缘检测点。
5.根据权利要求4所述的方法,其特征在于,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:
采用绝对差和均方差的匹配准则对所得到的病变匹配模板的病变图像像素灰度值和所提取的病变特征的病变图像像素灰度值进行计算,选取绝对差和均方差中最小的病变图像像素灰度值;
将与所选取的绝对差和均方差中最小的病变图像像素灰度值相对应的像素点作为图像像素的匹配点。
6.根据权利要求5所述的方法,其特征在于,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:
采用逐步缩小搜索范围的策略,以所选取的图像像素匹配点为中心选取与病变匹配模板中心相对应的所提取的病变特征中心作为像素最佳匹配点。
7.根据权利要求6所述的方法,其特征在于,所述的利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数包括:
计算所述像素最佳匹配点与病变匹配模板中心之间的欧式距离代价函数;
计算所述像素最佳匹配点与病变匹配模板中心面积之间的面积差绝对值代价函数;
计算所述像素最佳匹配点与病变匹配模板中心离心率之间的差值绝对值代价函数;
利用所计算出的所述像素最佳匹配点与病变匹配模板中心之间的欧式距离代价函数、面积差绝对值代价函数以及差值绝对值代价函数,构成用于匹配定位的病变匹配代价函数。
8.根据权利要求7所述的方法,其特征在于,所述的利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位包括:
利用所述病变匹配代价函数确定选择综合定位代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最高的病变图像作为最优匹配病变定位;
利用所述病变匹配代价函数确定选择综合定位代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最低的病变图像作为最差匹配病变定位。
9.根据权利要求7所述的方法,其特征在于,所述的利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位包括:
利用所述病变匹配代价函数确定选择代价函数,在所述多个采样期磁共振图像中选择一个与所述病变匹配模板匹配度最高的病变图像作为最佳病变图像扫描周期和最佳病变图像的选择定位。
10.一种磁共振图像选择定位的装置,其特征在于,包括:
放置模块,用于将感兴趣病变区域放置到各采样期磁共振图像中;
获取模块,用于通过对一个采样期磁共振图像的感兴趣病变区域中的病变特征进行处理,得到病变匹配模板;
确定模块,用于从多个采样期磁共振图像的感兴趣病变区中提取病变特征,利用所得到的病变匹配模板和所提取的病变特征,确定用于匹配定位的病变匹配代价函数;
定位模块,用于利用所述病变匹配代价函数,对所述多个采样期磁共振图像进行选择定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510422674.5A CN106204520B (zh) | 2015-07-17 | 2015-07-17 | 一种磁共振图像选择定位的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510422674.5A CN106204520B (zh) | 2015-07-17 | 2015-07-17 | 一种磁共振图像选择定位的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204520A true CN106204520A (zh) | 2016-12-07 |
CN106204520B CN106204520B (zh) | 2019-05-24 |
Family
ID=57453243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510422674.5A Active CN106204520B (zh) | 2015-07-17 | 2015-07-17 | 一种磁共振图像选择定位的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204520B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107544736A (zh) * | 2017-05-31 | 2018-01-05 | 上海联影医疗科技有限公司 | 医学图像处理方法及设备 |
CN112070731A (zh) * | 2020-08-27 | 2020-12-11 | 佛山读图科技有限公司 | 应用人工智能引导人体模型图集与病例ct图像配准的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1494870A (zh) * | 2002-09-17 | 2004-05-12 | 西门子共同研究公司 | 用于心脏磁共振灌注数据的综合影像配准 |
CN1561180A (zh) * | 2001-10-04 | 2005-01-05 | 西门子共同研究公司 | 分割心脏磁共振图像中左心室的***和方法 |
CN103584864A (zh) * | 2012-08-15 | 2014-02-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种磁共振成像方法和装置 |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
US8781185B2 (en) * | 2009-12-14 | 2014-07-15 | Kabushiki Kaisha Toshiba | Magnetic resonance imaging apparatus and magnetic resonance imaging method |
-
2015
- 2015-07-17 CN CN201510422674.5A patent/CN106204520B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1561180A (zh) * | 2001-10-04 | 2005-01-05 | 西门子共同研究公司 | 分割心脏磁共振图像中左心室的***和方法 |
CN1494870A (zh) * | 2002-09-17 | 2004-05-12 | 西门子共同研究公司 | 用于心脏磁共振灌注数据的综合影像配准 |
US8781185B2 (en) * | 2009-12-14 | 2014-07-15 | Kabushiki Kaisha Toshiba | Magnetic resonance imaging apparatus and magnetic resonance imaging method |
CN103584864A (zh) * | 2012-08-15 | 2014-02-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种磁共振成像方法和装置 |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
Non-Patent Citations (4)
Title |
---|
KOTARO ISHII 等: "Quantitative Evaluation of Changes in Eyeball Shape in Emmetropization and Myopic Changes Based on Elliptic Fourier Descriptors", 《INVESTIGATIVE OPHTHALMOLOGY & VISUAL SCIENCE》 * |
刘哲 等: "基于椭圆傅里叶描述子的遥感图像配准算法", 《光电子 . 激光》 * |
瞿秋薏: "基于无监督分割和局部特征匹配的胃部CT图像***检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邓梁 等: "基于时变医学先验信息的约束成像及图像配准方法", 《电子与信息学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107544736A (zh) * | 2017-05-31 | 2018-01-05 | 上海联影医疗科技有限公司 | 医学图像处理方法及设备 |
CN112070731A (zh) * | 2020-08-27 | 2020-12-11 | 佛山读图科技有限公司 | 应用人工智能引导人体模型图集与病例ct图像配准的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106204520B (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fahmy et al. | Automated analysis of cardiovascular magnetic resonance myocardial native T1 mapping images using fully convolutional neural networks | |
CN102722890B (zh) | 基于光流场模型的非刚性心脏图像分级配准方法 | |
CN112446862B (zh) | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、***及图像处理方法 | |
CN106780495A (zh) | 基于oct的心血管植入支架自动检测与评估方法及*** | |
CN102959584B (zh) | 功能磁共振图像配准方法 | |
CN104867137B (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN107977952A (zh) | 医学图像分割方法及装置 | |
CN101111865A (zh) | 用于在心脏图像中分割左心室的***和方法 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN105447872A (zh) | 一种在超声影像中自动识别肝脏肿瘤类型的方法 | |
CN106296613B (zh) | 一种基于dr机器的双能量减影方法 | |
CN107316334B (zh) | 个性化精准磁共振影像方法 | |
CN109859184A (zh) | 一种连续扫描乳腺超声图像的实时检测与决策融合方法 | |
CN106846380B (zh) | 一种医学图像配准方法及设备 | |
CN109767459A (zh) | 新型眼底图配准方法 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及*** | |
Chen et al. | A novel convolutional neural network for kidney ultrasound images segmentation | |
CN103345740A (zh) | 基于多投影图像配准的肺结节检测方法 | |
CN104504708B (zh) | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 | |
CN106169084A (zh) | 一种基于高斯核参数选择的svm乳腺分类方法 | |
CN102217953A (zh) | 基于多邻域辅助二维超声形变组织图像跟踪方法及装置 | |
Chen et al. | Automatic Tracking of Muscle Cross‐Sectional Area Using Convolutional Neural Networks with Ultrasound | |
CN114693522A (zh) | 一种全聚焦超声图像拼接方法 | |
Hasegawa et al. | Automatic detection and segmentation of liver tumors in multi-phase ct images by phase attention mask r-cnn | |
CN106204520A (zh) | 一种磁共振图像选择定位的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |