CN112509084A - 一种颅内血管图像流空伪影消除方法和*** - Google Patents

一种颅内血管图像流空伪影消除方法和*** Download PDF

Info

Publication number
CN112509084A
CN112509084A CN202011322318.3A CN202011322318A CN112509084A CN 112509084 A CN112509084 A CN 112509084A CN 202011322318 A CN202011322318 A CN 202011322318A CN 112509084 A CN112509084 A CN 112509084A
Authority
CN
China
Prior art keywords
image
blood
bright
blood image
bright blood
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Withdrawn
Application number
CN202011322318.3A
Other languages
English (en)
Inventor
石文
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.)
Xian Cresun Innovation Technology Co Ltd
Original Assignee
Xian Cresun Innovation Technology Co Ltd
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 Xian Cresun Innovation Technology Co Ltd filed Critical Xian Cresun Innovation Technology Co Ltd
Priority to CN202011322318.3A priority Critical patent/CN112509084A/zh
Publication of CN112509084A publication Critical patent/CN112509084A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种颅内血管图像流空伪影消除方法，包括：获取颅内血管的亮血图像和增强黑血图像；以增强黑血图像作为参考图像，亮血图像作为浮动图像，对亮血图像进行坐标变换，并同时对亮血图像采用双三次插值法进行插值处理；利用相似性度量计算插值处理后的亮血图像与增强黑血图像的相似性；利用搜索策略找取最优的相似性度量；对相似性度量达到最优时的亮血图像进行坐标转换，得到第一配准图像；根据第一配准图像中亮血图像的扫描区域，提取增强黑血图像中相同的扫描区域，得到第二配准图像；再对第二配准图像进行流空伪影消除。本发明的方案可以快速消除流空伪影，显示更准确、全面的血管图像，辅助医生进行精确的颅内疾病诊断。

Description

一种颅内血管图像流空伪影消除方法和***
技术领域
本发明图像处理技术领域，具体涉及一种颅内血管图像流空伪影消除方法和***。
背景技术
据最新的医疗数据显示，血管类疾病已严重影响当代人的生命健康，成为致死率较高的疾病之一。比如动脉粥样硬化、炎症性血管疾病、血管真性肿瘤性疾病等等。血管类疾病中常见的诱因是血管狭窄、堵塞、破裂，以及斑块等等。临床上一般使用高分辨率磁共振血管成像(High-resolution Magnetic Resonance Angiography,HRMRA)技术等检测血管壁，以及血管的狭窄化程度等，从而为医生提供诊断所需信息。
其中，HRMRA中的亮血序列能够抑制背景，显示并定量分析血流信息，但是由于管腔信号的污染，靠近管腔的血管壁区域很难用亮血序列进行可靠定量。为解决亮血序列无法评价薄血管壁的问题，常使用黑血序列。黑血序列能够提供黑血液和亮血管壁信号的强烈对比，通过抑制血液信号，增强管壁信号来评估管壁病变程度，检测动脉粥样硬化斑块的症状，是评价薄血管壁的有效方法。然而在医学磁共振成像过程中，在动脉弯曲处，包括近弯曲处和尖端附近，由于血液流速较慢会带来信号污染，称为流空伪影。当病患注射顺磁性造影剂后，使用黑血序列扫描得到的增强黑血图像，相较于直接使用黑血序列扫描得到的黑血图像中，血管壁结构显示更加清晰，并且能够清晰地反应动脉斑块的炎症反应与不稳定性，然而流空伪影也更加明显，即本应该为黑色的血液信号却显示为亮色。流空伪影会导致黑血图像对于血管和周围组织的不良描述，会模拟正常个体的壁增厚或斑块外观，从而影响医生的诊断，导致血管分析异常困难。
目前的流空伪影消除方法集中于改进医学图像成像技术，如采用新的成像原理、新的脉冲序列以及研究开发新的成像模式等，但这些方法实现复杂，临床应用推广较难，当医院设备没有这些脉冲序列或成像模式时，无法准确快速地消除流空伪影。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种颅内血管图像流空伪影消除方法和***。本发明要解决的技术问题通过以下技术方案实现：
第一方面，本发明实施例提供了一种颅内血管图像流空伪影消除方法，包括：
获取颅内血管的亮血图像和增强黑血图像；
以所述增强黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用双三次插值法进行插值处理；
利用相似性度量计算插值处理后的亮血图像与所述增强黑血图像的相似性；
利用搜索策略找取最优的相似性度量，以坐标变换-插值-相似性度量-搜索策略循环反复迭代求优，直到所述相似性度量达到最优时，迭代停止；
根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到第一配准图像；所述第一配准图像包括所述增强黑血图像，以及经坐标变换后的亮血图像；
根据所述第一配准图像中所述亮血图像的扫描区域，提取所述增强黑血图像中相同的扫描区域，得到第二配准图像；所述第二配准图像包括经坐标变换后的亮血图像，以及提取出的与所述亮血图像具有相同扫描区域的增强黑血图像；
提高所述第二配准图像中亮血图像的对比度，得到对比增强亮血图像；
从所述对比增强亮血图像中提取出血液信息，得到亮血特征图；
将所述亮血特征图与所述第二配准图像中的黑血图像依据预设融合公式进行图像融合，得到流空伪影消除的目标黑血图像。
在本发明的一个实施例中，所述黑血图像为使用造影剂的增强黑血图像。
在本发明的一个实施例中，所述以所述增强黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用双三次插值法进行插值处理，包括：
获取所述亮血图像和所述增强黑血图像的DICOM方位标签信息；
根据所述DICOM方位标签信息，以所述增强黑血图像坐标系作为标准坐标系，对所述亮血图像坐标系进行坐标变换至所述标准坐标系；
同时对所述亮血图像采用双三次插值法进行插值处理。
在本发明的一个实施例中，
所述双三次插值法通过计算与当前坐标点所在的矩阵网格中距离最近的16个坐标点的像素加权平均值，作为当前坐标点的像素值，其中权重的选择通过一种关系或者系数求出。
在本发明的一个实施例中，所述相似性度量采用归一化互相关系数度量。
在本发明的一个实施例中，所述搜索策略采用(1+1)-ES进化策略。
在本发明的一个实施例中，所述根据所述第一配准图像中所述亮血图像的扫描区域，提取所述增强黑血图像中相同的扫描区域，得到第二配准图像，包括：
输入所述第一配准图像中的亮血图像和增强黑血图像；
对所述亮血图像使用Sobel边缘检测方法，得到所述亮血图像中颅内血管的边缘轮廓信息；
分别提取所述边缘轮廓信息中的最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值作为初始提取边框；
在所述亮血图像的尺寸边界大小以内，将所述初始提取边框向外扩大，作为最终的提取边框；
使用所述最终的提取边框对所述增强黑血图像进行图像感兴趣区域提取，得到所述第二配准图像。
在本发明的一个实施例中，所述初始提取边框向外扩大的范围为10～30个像素大小。
在本发明的一个实施例中，所述从所述对比增强亮血图像中提取出血液信息，得到亮血特征图，包括：
利用预设图像二值化方法确定第一阈值；
利用所述第一阈值，从所述对比增强亮血图像中提取出血液信息；
由提取出的所述血液信息得到亮血特征图。
在本发明的一个实施例中，所述预设融合公式为：
Figure BDA0002793271690000051
其中，F(x,y)为亮血特征图的灰度值，R(x,y)为第二配准图像中增强黑血图像的灰度值，g(x,y)为融合后的目标增强黑血图像的灰度值。
第二方面，本发明实施例提供了一种颅内血管图像流空伪影消除***，包括：
图像获取模块，用于获取颅内血管的亮血图像和增强黑血图像；
第一图像配准模块，用于以所述增强黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用双三次插值法进行插值处理；并利用相似性度量计算插值处理后的亮血图像与所述增强黑血图像的相似性；以及利用搜索策略找取最优的相似性度量；最后根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到第一配准图像；所述第一配准图像包括所述增强黑血图像，以及经坐标变换后的亮血图像；
第二图像配准模块，用于根据所述第一配准图像中亮血图像的扫描区域，提取所述增强黑血图像中相同的扫描区域，得到第二配准图像；所述第二配准图像包括经坐标变换后的亮血图像，以及提取出的与所述亮血图像具有相同扫描区域的增强黑血图像；
伪影消除模块，用于提高所述第二配准图像中亮血图像的对比度，得到对比增强亮血图像；并从所述对比增强亮血图像中提取出血液信息，得到亮血特征图；以及将所述亮血特征图与所述第二配准图像中的增强黑血图像依据预设融合公式进行图像融合，得到流空伪影消除的目标增强黑血图像。
本发明的有益效果：
1、通过对颅内血管的亮血图像和增强黑血图像进行配准，对于结构形态特殊，走形曲折的颅内血管图像是一种非常有必要的预处理方法，获得的配准图像可以给医生提供有效的辅助诊断信息，帮助医生进行精确的颅内疾病诊断；同时也有利于后面进一步的流空伪影消除处理。
2、通过采用阈值分割从配准后的亮血图像中提取血液信息，将其融合进配准后的增强黑血图像中，从而对配准后的黑血图像中信号显示不正确的血液信息进行修正，将表现为亮色的流空伪影灰度值更改为黑色，从而实现消除流空伪影的目的，可以显示更准确、全面的血管图像。本发明实施例所提供的方案是从图像后处理的角度对流空伪影进行消除，无需使用新的成像技术、成像模式或脉冲序列，因此可以简便、准确、快速地消除流空伪影，并可以在临床应用实现较好的推广。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种颅内血管图像流空伪影消除方法流程图；
图2是本发明实施例提供的经过不同插值处理后的图；
图3是本发明实施例提供的图像配准框架图；
图4是采用不同搜索策略对亮血图像和增强黑血图像的配准结果图；
图5是本发明实施例提供的空间坐标变换示意图；
图6是本发明实施例提供的一种共同感兴趣区域提取流程图；
图7是本发明实施例提供的亮血图像和增强黑血图像的共同感兴趣区域图；
图8是本发明实施例提供的灰度线性变换及参数设置示意图；
图9是本发明实施例的灰度线性变换结果图；
图10是本发明实施例的图像二值化结果图；
图11是本发明实施例提供的流空伪影消除结果图；
图12是本发明实施例提供的一种颅内血管图像流空伪影消除***示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
请参见图1，图1是本发明实施例提供的一种颅内血管图像流空伪影消除方法流程图，如图1所示，本发明实施例的颅内血管图像流空伪影消除方法，包括：
S1、获取颅内血管的亮血图像和增强黑血图像。
目前临床上对于颅内血管病变程度与血管狭窄化程度的评估，通常使用基于管腔成像的方法，如数字减影血管造影术(Digital Subtraction Angiography,DSA)、CT血管成像(Computed Tomography Angiography,CTA)以及高分辨率磁共振血管成像(High-Resolution Magnetic Resonance Angiography,HRMRA)等。本发明实施例的图像优选为HRMRA成像得到的图像，HRMRA作为一种对人体无创的成像方法，可以清晰地检测到血管壁结构并进行分析，扫描得到的磁共振图像对于软组织的分辨率高，没有骨伪影，图像质量好，且能够使用多种序列扫描得到具有不同成像特点的组织结构，在血管的显示上具有明显的优越性。
使用亮血序列扫描得到亮血图像，使用黑血序列扫描得到黑血图像，在亮血图像中，血液表现为亮色，血管壁及背景组织呈现低信号；在黑血图像中，血液表现为黑色，血管壁及背景组织呈现高信号。亮血序列能够抑制背景，更好的显示并定量分析血流信息，但是由于管腔信号的污染，靠近管腔的血管壁区域很难用亮血序列进行可靠地定量。为解决亮血技术不能评价薄血管壁的问题，常使用黑血序列，它能提供黑血液和亮血管壁信号的强烈对比，通过抑制血液信号，增强管壁信号来评估管壁病变程度，检测动脉粥样硬化斑块的症状，是评价薄血管壁的有效方法。然而在动脉弯曲处，包括近弯曲处和尖端附近的血液信号的污染，可能会导致图像对于血管和周围组织的不良描述，且污染信号形成的流空伪影会模拟正常个体的壁增厚或斑块外观，从而影响医生的诊断，这些原因都使得磁共振图像的血管壁检测与狭窄化分析有很高的难度。因此，需要对亮血图像和黑血图像进一步处理。
本发明实施例的黑血图像为先注射造影剂，后使用黑血序列扫描得到的增强黑血图像。在增强黑血图像中，血液信号抑制较好，实现了血管壁的增强显示，管壁结构表现更为清晰。
本领域技术人员可以理解的是，亮血序列扫描得到多个亮血图像，黑血序列扫描得到多个增强黑血图像，本发明实施例中待配准的亮血图像和增强黑血图像是扫描时间相同的一对图像。
S2、以增强黑血图像作为参考图像，亮血图像作为浮动图像，对亮血图像进行坐标变换，并同时对亮血图像采用双三次插值法进行插值处理。
示例性的，该步骤可以包括：
S21、获取亮血图像和增强黑血图像的DICOM方位标签信息。
只有熟悉医学图像文件的信息，才能实现对医学图像的准确处理，达到预期效果。医学数字成像与通信(Digital Imaging and Communications in Medicine,DICOM)已成为医学界中最流行的标准之一。对基于DICOM 3.0标准的医学图像进行处理时，必然要导入DICOM图像进行文件解析。
DICOM文件是CT或核磁共振等医疗设备的图像保存格式，DICOM标准中存储的内容除了图像信息，还包括患者的个人数据，图像层厚，时间戳，医疗设备信息等。对象信息定义(Information Object Definitions,IODs)是医学图像的核心数据，它描述了图像数据以及与这些图像数据相关的信息，且对象信息定义中的每个属性数据都有各自特定的含义。IODs主要是由Patient，Study，Series和Image这四大类别构成，Patient描述了患者姓名、性别、出生日期等个人信息；Study描述了检查日期、部位以及检查类型等；Series主要包括图像位置、方位、层厚、层与层之间的间距等属性；Image描述了图像像素、像素间距、截距、斜率等。
本步骤通过导入亮血图像和增强黑血图像进行文件解析，得到亮血图像和增强黑血图像各自的方位标签信息，该方位标签信息是DICOM3.0格式影像文件中与成像方向有关的数据，如下表1所示的图像方位属性。这些信息给出了患者与影像仪器之间的方位关系。
表1DICOM图像方位属性
属性名称 Tag VM
Patient Position (0008,5100) 1
Image Position(Patient) (0020,0032) 3
Image Orientation(Patient) (0020,0037) 6
Pixel Spacing (0028,0030) 2
Slice Thickness (0018,0050) 1
S22、根据DICOM方位标签信息，以增强黑血图像坐标系作为标准坐标系，对亮血图像坐标系进行坐标变换至标准坐标系。
将亮血图像和增强黑血图像进行配准，实际上就是将亮血图像中的每个坐标位置通过一个映射关系，对应到增强黑血图像中。本发明实施例优选采用刚体变换的方式进行空间坐标变换。
刚体变换通过平移和旋转实现图像配准，配准前后图像中任意两点间的距离不变，如公式(1)所示，(x1,y1)为原图坐标，(x2,y2)为旋转θ角后得到的图像坐标，tx,ty分别为原图在x轴、y轴的位移。
Figure BDA0002793271690000101
S23、对亮血图像采用双三次插值法进行插值处理。
在进行空间坐标变换的过程中，经过坐标变换后的亮血图像像素坐标与原图的采样网格并不会完全重合，即原先为整数的像素坐标点经过坐标变换后可能不再是整数，因此为重新确定经过变换后图像像素坐标点的灰度值，需要对亮血图像进行插值处理。
本发明实施例采用的是双三次插值法进行插值处理。
具体地，双三次插值法通过计算与当前坐标点所在的矩阵网格中距离最近的16个坐标点的像素加权平均值，作为当前坐标点的像素值，其中权重的选择通过一种关系或者系数求出。
双三次插值不仅考虑了与当前点相邻的坐标点的像素灰度值，还分析了这些相邻点的灰度值变化率，因此双三次插值得到的图像质量得到的图像边缘更加平滑，然而也不可避免地带来了巨大的计算量，其中用来拟合图像数据的插值基函数表达式如(2)所示，a的取值通常为-0.5到-0.75之间。
Figure BDA0002793271690000102
需要说明的是，上述步骤S23和步骤S22可交叉进行。
通过对图像插值方法进行仿真实验，先将原图缩小50％，然后使用不同插值算法得到与原图大小相同的效果图，并与原图像做对比。表2所示数据为重复100次插值操作的结果平均值，实验共设定了5项评价指标，分别是均方根误差RMSE、峰值信噪比PSNR、归一化互相关系数NCC、归一化互信息NMI以及耗时Time。
表2图像插值结果
Figure BDA0002793271690000111
从整体实验数据上看，双三次插值明显优于最近邻插值和双线性插值，其中RMSE越小配准越精确，PSNR、NCC与NMI都是越高越优秀，虽然插值时间较前两种算法慢，但100次插值操作只比最快的最近邻插值多了0.1秒，即每次操作只慢了0.001秒。
请参见图2，图2是本发明实施例提供的经过不同插值处理后的图，其中，图2(a)为原图，图2(b)为采用最近邻插值后的图，图2(c)为采用双线性插值后的图，图2(d)为采用双三次插值后的图。图中可以看出，采用双三次插值后得到的图像质量得到的图像边缘更加平滑，更利用配准。
S3、利用相似性度量计算插值处理后的亮血图像与增强增强黑血图像的相似性。
衡量两幅图像之间特征相似性的尺度为相似性度量，选择合适的相似性度量可以提高配准精度，有效抑制噪声等，它在图像的配准中有着非常重要作用。
示例性的，本发明实施例提供的一种相似性度量采用归一化互相关系数度量，归一化互相关系数(Normalization Cross Correlation,NCC)表示如公式(3)所示，值越接近于1，表示图像越相似，NCC取得最大值的地方就是最佳配准位置，此度量需要遍历搜索图，从而找出模板图可能出现的所有位置，虽然计算量很大，但适用于具有平移和小角度旋转关系的图像。
Figure BDA0002793271690000121
S4、利用搜索策略找取最优的相似性度量。
请参见图3，图3是本发明实施例提供的图像配准框架图。图2中，浮动图像为亮血图像，参考图像为黑血图像，对亮血图像进行坐标变换并进行插值，同时相似性度量计算插值处理后的亮血图像与增强黑血图像的相似性；之后利用搜索策略找取最优的相似性度量，以坐标变换-插值-相似性度量-搜索策略循环反复迭代求优，直到相似性度量达到最优时，迭代停止。
图像配准实质上是一个多参数的优化问题，即通过使用某种搜索策略对图像进行空间坐标变化，最终使得两幅图像的相似性度量达到最优，其中搜索策略与空间坐标变化在实际计算过程中是彼此交叉进行的。算法思想是在每次迭代中计算两幅图像之间的相似性测度，并通过平移或旋转等空间坐标变换的操作调整浮动图像，同时对图像进行插值，一直到两幅图像的测度值最大为止。
作为一种实施方式，搜索策略采用(1+1)-ES进化策略。进化策略(EvolutionStrategy,ES)通过模拟生物的遗传变异过程，对问题进行分析解决，它提供了一系列用于评估一个问题候选解决方案的参数优化算法。进化策略采用实数值作为基因，并遵循N(0,σ)的高斯分布产生新个体。(1+1)-ES这种进化策略只有一个父代，每次也只产生一个子代，通过将变异后的个体与父代进行比较，从这两个个体中选择较好的一个。如公式(4)所示，其中Xt为第t代个体，N(0,σ)是均值为0，标准差为σ的正态分布。
Xt+1＝Xt+N(0,σ) (4)
进化策略的关键步骤在于交叉、变异、变异程度的变化以及选择。其中交叉通过交换两个父代个体的基因，重组出子代新个体的基因。变异则是在选择的各分量上加一个由N(0,σ)生成的新个体分量，其中σ为变异程度，σ不是固定不变的，而是在刚开始的时候较大，直到算法接近收敛时逐渐变小，同时为防止搜索算法陷入局部极值，可以指定收敛的最大迭代次数。最后从父代个体和子代个体中选择最优个体，作为最优解。
下面使用(1+1)-ES搜索策略进行实验，同时对比梯度下降优化器的实验结果。
搜索策略分别对160幅亮血图像与相应扫描层面的160幅增强黑血图像进行配准，其中增强黑血图像为参考图像，亮血图像为浮动图像，配准结果显示如图4所示，图4是采用不同搜索策略对亮血图像和增强黑血图像的配准结果图。图4(a)为未使用优化器配准的两幅图像成对显示结果，图4(b)为使用梯度下降优化器配准的图像成对显示结果，图4(c)为使用(1+1)-ES优化器配准的图像成对显示结果。图像显示采用蒙太奇效果，使用伪彩色透明处理增强黑血图像与亮血图像，其中紫色为增强黑血图像，绿色为亮血图像(由于图像处理为灰度图像，颜色在图中未示出)。从图中可以看出，未使用优化器进行配准的图像中，增强黑血图像与亮血图像并未重合，且阴影较多；当使用梯度下降优化器配准图像时，虽然较图4(a)配准效果较好，但在脑灰质处仍出现了明显的不重合现象；而使用(1+1)-ES优化器的图像中，配准结果精确，图像中不重合的阴影部分完全消失。表3所示数据为配准结果的3项评价指标，分别是归一化互信息NMI、归一化互相关系数NCC与算法耗时Time。
表3不同搜索策略下的结果分析
Figure BDA0002793271690000141
a中的值是基于160幅亮血图像与160幅增强黑血图像配准的评价指标平均值±均方误差
从实验结果图上看，(1+1)-ES的配准图像效果显示更清晰，优于梯度下降优化器；从实验数据上看，三项评价指标都表现了(1+1)-ES优化器的良好性能，因此本发明实施例优先选用(1+1)-ES作为搜索策略。
S5、根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到第一配准图像；第一配准图像包括增强黑血图像，以及经坐标变换后的亮血图像。
当相似性度量达到最优时，迭代停止，根据相似度量最优值对此时的亮血图像再次进行坐标变换，实现亮血图像和增强黑血图像的在同一坐标系下的配准。
请参见图5，图5是本发明实施例提供的空间坐标变换示意图。图5中，左侧图为增强黑血图像，增强黑血图像是按冠状面扫描成像的；右侧上方图为原始亮血图像，原始亮血图像却是按轴状面成像的；序列扫描方向的不同导致最终的磁共振成像层面不同，因此需要通过空间坐标变换来实现在一个标准参考坐标系下，观察不同成像层面的磁共振图像。右侧下方图为经过空间变换的亮血图像；可以看出，经过空间变换的亮血图像和增强黑血图像已经处于同一坐标系下，可以观察不同成像层面的磁共振图像。
S6、根据第一配准图像中亮血图像的扫描区域，提取增强黑血图像中相同的扫描区域，得到第二配准图像；第二配准图像包括经坐标变换后的亮血图像，以及提取出的与亮血图像具有相同扫描区域的增强黑血图像。
由于患者的颅内血管成像在不同磁共振序列中的扫描范围不同，当亮血图像经过图像坐标变换后，其冠状面的信息并没有增强黑血图像的信息丰富，因此为能够更快速、准确地配准好两种序列下的同一区域，可以根据亮血图像的扫描区域，在增强黑血图像中提取出相同的扫描区域，由于配准后的两幅图像是在同一个基准上反映颅内不同剖面的功能信息，而无需医生通过自己的想象来实现图像空间变换，便于医生理解和利用这些新的综合信息。
请参见图6，图6是本发明实施例提供的一种共同感兴趣区域提取流程图。如图6所示，示例性的，该步骤可以包括：
S61、输入第一配准图像中的亮血图像和增强黑血图像；
S62、对亮血图像使用Sobel边缘检测方法，得到亮血图像中颅内血管的边缘轮廓信息；
S63、分别提取边缘轮廓信息中的最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值作为初始提取边框；
S64、在亮血图像的尺寸边界大小以内，将初始提取边框向外扩大，作为最终的提取边框；
由于在进行空间坐标变换后，亮血图像与增强黑血图像的扫描区域并不能完全重合，因此需要在亮血图像的尺寸边界大小以内，将初始提取边框向外扩大，作为最终的提取边框；最后使用该提取边框对增强黑血图像进行待配准区域提取。初始提取边框向外扩大的范围可以是10～30个像素大小，且优选为20个像素大小。
S65、使用最终的提取边框对增强黑血图像进行图像感兴趣区域提取，得到第二配准图像，该共同感兴趣区域即为第二配准图像。
请参见图7，图7是本发明实施例提供的亮血图像和增强黑血图像的共同感兴趣区域图。图中，左侧图为进行空间坐标变换后的亮血图像，右侧图为增强黑血图像，其中，增强黑血图像上红色矩形框(由于图像处理为灰度图像，红色矩形框在图中显示为灰色矩形框)选定范围内的图像为与进行空间坐标变换后的亮血图像所对应的图像，称之为亮血图像和增强黑血图像的共同感兴趣区域。通过提取增强黑血图像上的共同感兴趣区域的图像，得到的亮血图像和增强黑血图像不仅可以显示不同的图像信息，而且处于同一坐标系下，且感兴趣区域相同，便于医生有针对性的查看配准后的两幅图像，或者缩小后续进一步图像的处理范围。
本发明实施例提供的方案，对颅内血管的亮血图像和增强黑血图像选择合适的方法进行配准，且在配准后提取共同感兴趣区域，该方法对于结构形态特殊，走形曲折的颅内血管图像是一种非常有必要的预处理方法，使医生可以更方便更精确地从各个角度观察血管部位的病灶和结构，给医生提供有效的辅助诊断信息，帮助医生进行精确的颅内疾病诊断。
此外，由于颅内血管结构复杂，或人体的呼吸运动所带来的器官的运动，以及成像设备的条件限制，都会使得医学图像出现模糊、灰度分布不均匀、器官边缘不清楚，存在多种伪影等问题；并且，不同个体的同一个器官在图像上的差异也很大，同时在成像过程中使用不同的设备和成像角度的偏差也会造成不同个体同一器官在成像上的不同表现；此外，磁共振图像的同一个器官在不同序列扫描图中，也存在形状亮度、分辨率，以及位置和方向不同等问题。因此相较于普通图像，这类医学图像的配准难度更大，通过本发明实施例提供的上述方案，可以给其余医学图像配准提供一种较好的参考方式，具有很大的临床应用价值。同时，本发明实施例的图像配准过程是后续消除流空伪影的重要基础。
在图像配准后，可以对配准后增强黑血图像中的流空伪影进行消除，其中流空伪影出现的原因是在血管壁成像过程中，由于血管太细小，走向迂曲处血液流速较慢，以及周围血液和组织液可能有信号污染等问题，导致在黑血序列扫描得到的图像中，本应该为黑色的血液信息反而表现为亮色，从而模拟正常个体的壁增厚或斑块外观，夸大血管狭窄程度。本发明实施例考虑利用配准后亮血图像中的血液信息，对配准后增强黑血图像中信号显示不正确的血液信息进行修正，将配准后亮血图像中的血液信息嵌入配准后黑血图像中，以达到图像融合的效果。具体可以通过以下步骤实现：
S7、提高第二配准图像中亮血图像的对比度，得到对比增强亮血图像。
在该步骤中，可以根据在亮血图像中血液呈高信号，而周围脑组织呈低信号的特点，对配准后亮血图像进行灰度线性变换，调整图像灰度范围，实现提高图像对比度的目的。
比如，一种可选的实施方式中，配准后亮血图像所使用的灰度线性变换及参数设置如图8所示，图8为本发明实施例所提供的灰度线性变换及参数设置示意图。利用图8所示的灰度线性变换，可以将原来的配准后亮血图像f中较小的灰度值变化区间扩展为新的配准后亮血图像f1(增强亮血图像)中的较大灰度值变化区间，调整图像灰度范围，实现提高配准后亮血图像的对比度的目的。通过该步骤，可以得到对比增强亮血图像。
关于灰度线性变换的具体过程可以参见相关现有技术，在此不再赘述。
如图9所示，图9为本发明实施例的灰度线性变换结果图，即配准后亮血图像经过灰度线性变换后的结果图。其中，左图为配准后亮血图像，右图为其经过灰度线性变换后的结果图，可以看到右图中血液部分与周围像素相比对比度明显增强。
S8、从对比增强亮血图像中提取出血液信息，得到亮血特征图。
该步骤可以包括以下步骤：
S81，利用预设图像二值化方法确定第一阈值；
S82，利用第一阈值，从对比增强亮血图像中提取出血液信息；
该步骤使用的方法称为阈值分割。
S83，由提取出的血液信息得到亮血特征图。
预设图像二值化方法即图像的二值化处理，可以将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。本发明实施例通过预设图像二值化方法可以将对比增强亮血图像中的血液信息突出显示为白色，将无关信息显示为黑色，以便于提取出血液信息对应的亮血特征图。本发明实施例中的预设图像二值化方法可以包括最大类间方差法OTSU、kittle等等。
血液信息的提取公式如(5)所示，其中T(x,y)为对比增强亮血图像灰度值，F(x,y)为亮血特征图灰度值，T为第一阈值。
Figure BDA0002793271690000191
具体的，该步骤可以采用最大类间方差法OTSU，结果如图10所示，图10为本发明实施例的图像二值化结果图，其中左图为对比增强亮血图像，右图为其经过阈值提取后的血液信息。可以看到，右图中显示为亮色的部分仅为与血液相关的信息。
S9、将亮血特征图与第二配准图像中的增强黑血图像依据预设融合公式进行图像融合，得到流空伪影消除的目标增强黑血图像。
在该步骤中，首先建立配准后增强黑血图像与亮血特征图之间的空间映射关系，将亮血特征图映射到配准后黑血图像中，依据预设融合公式进行图像融合，其中预设融合公式为：
Figure BDA0002793271690000192
其中，F(x,y)为亮血特征图的灰度值，R(x,y)为配准后增强黑血图像的灰度值，g(x,y)为融合后的目标增强黑血图像的灰度值。
经过以上操作，可以将配准后黑血图像中本应该为黑色，却表现为亮色的流空伪影灰度值更改为黑色，从而实现消除流空伪影的目的。
请参见图11，图11是本发明实施例提供的流空伪影消除结果图。其中左图为增强黑血图像原图，右图为流空伪影消除后的增强黑血图像，箭头所示处出现了流空伪影，对比可见流空伪影的消除效果较为明显。
本发明实施例所提供的方案中，通过对亮血图像和黑血图像进行图像配准，通过阈值分割从配准后的亮血图像中提取血液信息，将其融合进配准后的黑血图像中，从而对配准后的黑血图像中信号显示不正确的血液信息进行修正，将表现为亮色的流空伪影灰度值更改为黑色，从而实现消除流空伪影的目的，可以显示更准确、全面的血管图像。本发明实施例所提供的方案是从图像后处理的角度对流空伪影进行消除，无需使用新的成像技术、成像模式或脉冲序列，因此可以简便、准确、快速地消除流空伪影，并可以在临床应用实现较好的推广。
请参见图12，图12是本发明实施例提供的一种颅内血管图像流空伪影消除***示意图；相应于上述方法实施例，本发明实施例提供的一种颅内血管图像流空伪影消除***，包括：
图像获取模块121，用于获取颅内血管的亮血图像和增强黑血图像；
第一图像配准模块122，用于以增强黑血图像作为参考图像，亮血图像作为浮动图像，对亮血图像进行坐标变换，并同时对亮血图像采用双三次插值法进行插值处理；并利用相似性度量计算插值处理后的亮血图像与增强黑血图像的相似性；以及利用搜索策略找取最优的相似性度量，以坐标变换-插值-相似性度量-搜索策略循环反复迭代求优，直到相似性度量达到最优时，迭代停止；最后根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到第一配准图像；第一配准图像包括增强黑血图像，以及经坐标变换后的亮血图像；
第二图像配准模块123，用于根据第一配准图像中亮血图像的扫描区域，提取增强黑血图像中相同的扫描区域，得到第二配准图像；第二配准图像包括经坐标变换后的亮血图像，以及提取出的与亮血图像具有相同扫描区域的增强黑血图像；
伪影消除模块124，用于提高第二配准图像中亮血图像的对比度，得到对比增强亮血图像；并从对比增强亮血图像中提取出血液信息，得到亮血特征图；以及将亮血特征图与第二配准图像中的增强黑血图像依据预设融合公式进行图像融合，得到流空伪影消除的目标增强黑血图像。
具体内容及效果请参见上述的颅内血管图像流空伪影消除方法，在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种颅内血管图像流空伪影消除方法，其特征在于，包括：
获取颅内血管的亮血图像和增强黑血图像；
以所述增强黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用双三次插值法进行插值处理；
利用相似性度量计算插值处理后的亮血图像与所述增强黑血图像的相似性；
利用搜索策略找取最优的相似性度量；
根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到第一配准图像；所述第一配准图像包括所述增强黑血图像，以及经坐标变换后的亮血图像；
根据所述第一配准图像中亮血图像的扫描区域，提取所述增强黑血图像中相同的扫描区域，得到第二配准图像；所述第二配准图像包括经坐标变换后的亮血图像，以及提取出的与所述亮血图像具有相同扫描区域的增强黑血图像；
提高所述第二配准图像中亮血图像的对比度，得到对比增强亮血图像；
从所述对比增强亮血图像中提取出血液信息，得到亮血特征图；
将所述亮血特征图与所述第二配准图像中的增强黑血图像依据预设融合公式进行图像融合，得到流空伪影消除的目标增强黑血图像。
2.根据权利要求1所述的颅内血管图像流空伪影消除方法，其特征在于，所述以所述增强黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用双三次插值法进行插值处理，包括：
获取所述亮血图像和所述增强黑血图像的DICOM方位标签信息；
根据所述DICOM方位标签信息，以所述增强黑血图像坐标系作为标准坐标系，对所述亮血图像坐标系进行坐标变换至所述标准坐标系；
同时对所述亮血图像采用双三次插值法进行插值处理。
3.根据权利要求1所述的颅内血管图像流空伪影消除方法，其特征在于，所述双三次插值法通过计算与当前坐标点所在的矩阵网格中距离最近的16个坐标点的像素加权平均值，作为当前坐标点的像素值，其中权重的选择通过一种关系或者系数求出。
4.根据权利要求1所述的颅内血管图像流空伪影消除方法，其特征在于，所述相似性度量采用归一化互相关系数度量。
5.根据权利要求1所述的颅内血管图像流空伪影消除方法，其特征在于，所述搜索策略采用(1+1)-ES进化策略。
6.根据权利要求1所述的颅内血管图像流空伪影消除方法，其特征在于，所述根据所述第一配准图像中亮血图像的扫描区域，提取所述增强黑血图像中相同的扫描区域，得到第二配准图像，包括：
输入所述第一配准图像中的亮血图像和增强黑血图像；
对所述亮血图像使用Sobel边缘检测方法，得到所述亮血图像中颅内血管的边缘轮廓信息；
分别提取所述边缘轮廓信息中的最小横坐标值、最大横坐标值、最小纵坐标值、最大纵坐标值作为初始提取边框；
在所述亮血图像的尺寸边界大小以内，将所述初始提取边框向外扩大，作为最终的提取边框；
使用所述最终的提取边框对所述增强黑血图像进行图像感兴趣区域提取，得到所述第二配准图像。
7.根据权利要求6所述的颅内血管图像流空伪影消除方法，其特征在于，所述初始提取边框向外扩大的范围为10～30个像素大小。
8.根据权利要求1所述的颅内血管图像流空伪影消除方法，其特征在于，所述从所述对比增强亮血图像中提取出血液信息，得到亮血特征图，包括：
利用预设图像二值化方法确定第一阈值；
利用所述第一阈值，从所述对比增强亮血图像中提取出血液信息；
由提取出的所述血液信息得到亮血特征图。
9.根据权利要求1所述的颅内血管图像流空伪影消除方法，其特征在于，所述预设融合公式为：
Figure FDA0002793271680000031
其中，F(x,y)为亮血特征图的灰度值，R(x,y)为第二配准图像中增强黑血图像的灰度值，g(x,y)为融合后的目标增强黑血图像的灰度值。
10.一种颅内血管图像流空伪影消除***，其特征在于，包括：
图像获取模块，用于获取颅内血管的亮血图像和增强黑血图像；
第一图像配准模块，用于以所述增强黑血图像作为参考图像，所述亮血图像作为浮动图像，对所述亮血图像进行坐标变换，并同时对所述亮血图像采用双三次插值法进行插值处理；并利用相似性度量计算插值处理后的亮血图像与所述增强黑血图像的相似性；以及利用搜索策略找取最优的相似性度量；最后根据空间变换矩阵对相似性度量达到最优时的亮血图像进行坐标转换，得到第一配准图像；所述第一配准图像包括所述增强黑血图像，以及经坐标变换后的亮血图像；
第二图像配准模块，用于根据所述第一配准图像中亮血图像的扫描区域，提取所述增强黑血图像中相同的扫描区域，得到第二配准图像；所述第二配准图像包括经坐标变换后的亮血图像，以及提取出的与所述亮血图像具有相同扫描区域的增强黑血图像；
伪影消除模块，用于提高所述第二配准图像中亮血图像的对比度，得到对比增强亮血图像；并从所述对比增强亮血图像中提取出血液信息，得到亮血特征图；以及将所述亮血特征图与所述第二配准图像中的增强黑血图像依据预设融合公式进行图像融合，得到流空伪影消除的目标增强黑血图像。
CN202011322318.3A 2020-11-23 2020-11-23 一种颅内血管图像流空伪影消除方法和*** Withdrawn CN112509084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011322318.3A CN112509084A (zh) 2020-11-23 2020-11-23 一种颅内血管图像流空伪影消除方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011322318.3A CN112509084A (zh) 2020-11-23 2020-11-23 一种颅内血管图像流空伪影消除方法和***

Publications (1)

Publication Number Publication Date
CN112509084A true CN112509084A (zh) 2021-03-16

Family

ID=74959555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011322318.3A Withdrawn CN112509084A (zh) 2020-11-23 2020-11-23 一种颅内血管图像流空伪影消除方法和***

Country Status (1)

Country Link
CN (1) CN112509084A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808130A (zh) * 2021-11-16 2021-12-17 武汉大学 肿瘤图像智能分类方法、装置和医学图像处理设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808130A (zh) * 2021-11-16 2021-12-17 武汉大学 肿瘤图像智能分类方法、装置和医学图像处理设备

Similar Documents

Publication Publication Date Title
Linguraru et al. Automated segmentation and quantification of liver and spleen from CT images using normalized probabilistic atlases and enhancement estimation
CN113420826B (zh) 一种肝脏病灶图像处理***及图像处理方法
CN110232691A (zh) 一种多模态的ct影像的分割方法
Park et al. Segmentation of perivascular spaces in 7 T MR image using auto-context model with orientation-normalized features
WO2022105647A1 (zh) 一种颅内血管造影增强三维模型的建立方法
WO2022105623A1 (zh) 一种基于迁移学习的颅内血管病灶识别方法
Li et al. Multiscale receptive field based on residual network for pancreas segmentation in CT images
Han et al. Skeletal bone age prediction based on a deep residual network with spatial transformer
CN112508869A (zh) 颅内血管图像融合方法和计算机可读存储介质
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
CN112509079A (zh) 颅内血管造影增强三维狭窄化分析模型的建立方法
CN112508880A (zh) 颅内血管图像配准方法、电子设备和计算机可读存储介质
CN112508872A (zh) 颅内血管图像预处理方法和电子设备
Tong et al. Automatic lumen border detection in IVUS images using dictionary learning and kernel sparse representation
CN112509084A (zh) 一种颅内血管图像流空伪影消除方法和***
CN112509085A (zh) 脑血管图像流空伪影消除方法和***
CN113222979A (zh) 一种基于多图谱的颅底卵圆孔自动分割方法
Wang et al. [Retracted] Design Computer‐Aided Diagnosis System Based on Chest CT Evaluation of Pulmonary Nodules
CN112508878A (zh) 一种脑血管图像配准与融合方法
CN112508882A (zh) 一种脑血管图像预处理方法
Wieclawek 3D marker-controlled watershed for kidney segmentation in clinical CT exams
Liu et al. Prior-based 3D U-Net: A model for knee-cartilage segmentation in MRI images
CN112509088A (zh) 颅内血管图像流空伪影消除方法和***
CN112509081A (zh) 颅内血管造影增强三维狭窄化分析模型的建立方法
CN114170337A (zh) 一种基于迁移学习的颅内血管增强三维模型的建立方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210316

WW01 Invention patent application withdrawn after publication