CT-PET小波图像融合在精确放射治疗应用研究

发布时间：2020-06-12 09:02

【摘要】：放射治疗、手术和化疗是肿瘤治疗的三大主要手段,据估计,每年约有60%-70%以上的肿瘤患者治疗过程中采用过放射治疗(包括单纯放疗、术前或术后放疗、放疗合并化疗等)。精确放射治疗(PAR)是现代放射治疗技术的主流,它要求做到精确定位、精确计划、精确摆位、精确照射,三维空间上的高剂量分布与靶区的实际形状一致,靶区内剂量强度可调。采用的治疗方式有：立体定向放射治疗、三维适形放射治疗(3DCRT)、调强放射治疗(IMRT)、图像引导放射治疗(IGRT)。实际临床应用时,由于技术的复杂性,精确放射治疗的优势还远远没有发挥出来,目前尚有许多问题需要解决：如靶区的准确定位问题。有关研究表明,靶区的准确定位(放疗医生的靶区勾画)是影响精确放疗疗效最重要的一个因素。临床上放疗计划设计最基本的参考图像是CT解剖图像,它具备较高的空间分辨率,对骨骼等高密度组织比较敏感,能很好的进行病灶定位,但对软组织尤其是浸润性肿瘤无法清晰的显示边界,造成不同的医生在勾画靶区时有不同的结果。医生的主观经验性比较强,会造成一定的漏画或误画,直接影响到后续的治疗过程。近年来,随着医学成像技术的发展,出现了越来越多的医学成像设备,为临床诊断和治疗提供许多不同模态的医学图像。这些医学图像依据自身所包含信息的不同可分为两大类：解剖成像(如：X射线、超声、CT、MRI)和功能成像(如：SPECT、PET)。其中,解剖成像空间分辨率高,对病灶区域组织结构显示清晰,能提供精确地肿瘤大小、部位等信息,可明确地显示肿瘤与周围组织的结构关系,但缺乏病灶区域的功能代谢信息,无法准确的确定其边界。功能成像是通过核医学手段获得的图像,对早期代谢或功能异常的病灶十分敏感,可以在复杂的解剖结构中探测到损伤,在还没有发生解剖结构损伤之前就能对病灶进行定位,但空间分辨率低,对微小损伤诊断受限,难以满足精确判定损伤与周围组织结构关系的需要。由此可见,这两类医学图像在对相同区域成像时可以提供互补的医学信息。如果我们能把这些互补信息综合在一起,作为一个整体来表达,就可以为医学诊断、人体功能和结构的研究提供更全面的信息。这一综合的过程就是医学图像信息融合,简称医学图像融合。医学图像融合是在信息融合和图像融合的基础上发展起来的。它是对2个或2个以上的不同医学成像设备获得的同一病灶区域的图像经过一定的变换处理,达到空间位置、空间坐标的匹配后,整合成一幅新的医学图像,从而获得互补信息,增加信息量,使临床诊断和治疗更为准确和完善。图像融合技术根据处理信息抽象程度的不同,可分为像素级、特征级和决策级融合。其中基于像素级的融合方法由于它对图像所包含的单个像素信息进行处理,可保留尽可能多的信息,具有很高的精度,被广泛应用于医学图像的融合处理。目前,像素级图像融合方法有两大类：空间域和变换域。基于空间域的方法是简单地对两幅图像的对应点像素灰度值进行加权求和、灰度取大或取小,方法简单可行,但融合效果一般,应用场合有限。而基于变换域的方法,如多分辨金字塔法、小波变换法等,是先对待融合的多源图像进行空间变换,得到各图像分解后的系数表示,再对这组变换后的系数表示按一定的融合规则进行融合处理得到一个融合后的系数表示,最后经图像的逆变换获得融合图像。在这当中,小波变换法具有良好的时域局部化特性、多尺度多分辨特性,可充分提取被融合图像的互补和冗余信息,可针对性地突出、强化所感兴趣区域的特征、细节信息,一直是图像融合研究的热点。本文亦采用这一方法。 Mallat算法是小波分析领域最具经典的算法,相当于FFT(快速傅里叶算法)在傅里叶变换中的地位。它的出现,奠定了离散小波变换在图像处理、图像编码等领域中的应用基础。图像经二维离散小波分解后,被分解成两部分：1个低频子带和3个高频子带。其中低频子带反映的是图像的近似分量,代表原图像的基本信息。高频子带反映的是图像在水平、垂直、对角三个方向的细节分量,对应图像的边缘、线、区域、边界等信息。基于小波变换的图像融合的本质是对图像分解后的不同子带采用不同的融合规则进行处理,得到融合后的小波系数,最后利用小波逆变换重构融合图像。在运用小波变换进行图像融合时,融合规则的选取是图像融合的核心,直接影响着图像融合的速度和质量。在众多的小波图像融合中,研究最多的是如何选择合适的融合算子进行高频子带的融合,对低频子带常采用像素加权、取大,本文侧重于研究图像低频子带的融合。在综合比较分析像素、窗口、区域三类融合规则优缺点的基础上,提出了基于窗口局部特征的图像融合方法：低频采用窗口邻域熵取大,高频采用窗口标准差取大。这是因为：小波分解最高层的近似子带图像是源图像的平滑,它继承了源图像的部分性质,如灰度均值和纹理信息等,使用邻域熵测度可很好的体现近似子带图像的这一特性。方法是：计算固定大小的邻域窗口熵值(这里取3×3窗口),把它赋值给中心像素,然后在整幅图像上移动邻域窗口,得到与每个像素对应的邻域熵值,即得到-幅邻域熵图像。选择邻域熵较大的图像的灰度值作为融合后图像的灰度值。对于三个方向的高频细节子带图像,由于它们抽取的是与边缘相关的感知信息,系数值在零值附近变化,这里采用图像局部区域标准差取大的方法,因为标准差越大,说明灰度级分布越分散,变化越大,而灰度级的起伏和变化反映了图像的细节、纹理和边缘信息。其次,本文的小波图像融合方法是通过MATLAB这一数值计算软件实现的,充分利用了MATLAB自带的小波工具箱。在小波工具箱里提供了很多不同派系的小波基函数,同一副图像,用不同的小波基函数进行分解所得到的效果是不同的,因此利用小波进行图像融合时,需要考虑小波基函数的选取。另外,小波变换的层数越多,融合的细节也就越丰富,但是,并不是层数越多越好。这是因为,图像分解层数越多,产生的子带就越多,级间滤波器增加,造成信号移位增大,同时低频子带的空间分辨率降低,低频子图像越来越模糊,边界延拓造成的块状效应也越来越明显,引起的边界失真也越来越大。因此,需根据图像的不同类型及所要达到的融合效果限制分解层数。本文在参考相关文献的基础上,提出以下最佳小波分解参数方法：采用MATLAB自带的"wmaxlev"函数计算各小波基函数作用于图像的最大分解层数；接着在不超过这一上限的分解层数下,对各图像进行小波分解,提取各分解层的低频子带图像,通过比较低频子带与原始图像的熵差来确定图像的最佳分解层数；最后引入融合评价指标评估采用不同小波基函数进行融合得到的新图像的优劣来确定最佳的小波基函数。综上,在这篇论文中,我们讨论了不同层次的医学图像融合方法,综合对比各方法的优缺点,建立了基于像素级的小波图像融合方法,采用基于窗口邻域熵值取大的低频融合算子和窗口标准差取大的高频融合算子实现图像的融合。接着,对不同小波基函数的特性进行讨论,在此基础上提出一确定小波基函数选取的方法：先确定每一种小波基函数作用于图像的最佳分解层数,然后通过融合图像效果评价来确定最优小波基函数。实验数据采用PET图像和CT图像,用基于统计特性、信息量的方法来评估融合图像的优劣。研究结果表明,小波变换算法是一种有效的图像融合方法,运用本文提出的小波融合算子和小波最佳参数的确定方法能得到高性能的融合图像。在论文的最后,我们对研究工作中的遗留问题进行了讨论,并对今后的工作进行了展望。
【图文】：

小波多尺度分解,分辨率

(l)原始采集到的CT图像和PET图像，图像大小、分辨率等级是不同的，一般CT图像的分辨率是PET图像的两倍。倘使没有对CT图像和PET图像进行分辨率统一，可以采用图2一3所示的融合模型[l91。源图像小彼分解系数 ......... lllllllll }}}}}}}1}{lll附 }}}}}}}}}}}}}}}}}}}}}}}}}}}.............................睡塞塞塞塞塞塞尹尹崖鑫鑫鑫鑫鑫柑柑柑附附 {{{{{{{图2一3不同分辨率等级的小波多尺度分解 F19.2一 3thedifferentresolutionsIevelofwavelettransforms

特性图,信号频率,特性,傅里叶变换

硕士学位论文卜△一民一△+司上光滑地由1变成。，如图3一卜耳一洲!。卿训图3一1窗口函数g(t)Fig.3一 1thewindowfunetion则相应的窗口傅里叶变换为:(图3一2所示)J(t)g(t)图3一2窗口傅里叶变换示意图Fig.3一 2theschematiediagramofwindowFFT由此可知，窗口傅里叶变换把信号划分成许多小的时间间隔，用傅里叶变换分析每一个时间间隔，，以便确定该时间间隔存在的频率，在一定程度上克服了标准傅里叶变换不具有局部分析能力的缺陷。但是，这里的窗口函数g(t)一旦选定后，窗口的形状和大小就固定下来，与频率无关。而频率与时域窗口是成反比的，要获得信号的高频成分的细致分辨，就需使用很窄的时域窗口，而要获得信号低频成分的粗疏分辨，必须用较宽的时域窗口，如图3一3。““公”‘一日日成成“一”’厂-份气‘’ ’ fff一 rZttt，，戒甲’一， .)___vvvU’、、广广丫/‘“)’.“一
【学位授予单位】：南方医科大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：R730.55;TP391.41

【参考文献】