基于图像分块和多尺度学习的肺4D-CT图像超分辨率重建研究

发布时间：2017-09-12 18:13

  本文关键词：基于图像分块和多尺度学习的肺4D-CT图像超分辨率重建研究

  更多相关文章： 肺4D-CT数据 超分辨率重建 图像块 自适应选取 图像自相似性 多尺度分析 稀疏表示

【摘要】：肺4D-CT在肺癌的治疗中,对于准确定位肿瘤靶区、实现个体化精确放疗具有重要的应用价值。它动态采集患者呼吸时的CT图像,而后通过图像重建和重新排序得到患者在不同呼吸相位的3D-CT图像。与传统3D-CT相比,4D-CT不仅能够明显消除呼吸运动伪影,而且能够真实准确地反映肺部随呼吸运动的变化规律。医生可以根据4D-CT图像来分析靶区及危及器官在呼吸过程中运动及变形规律,并依照患者的运动幅度对计划靶区适当外扩以得到个体化的计划靶区。使得在放射治疗过程中,既能满足靶区的剂量需求,又能降低对正常组织和器官的毒副作用。然而,由于CT高剂量照射的特性,以及较长的数据采集时间,无法实现沿纵向(Z轴方向)进行密集采样,这就导致了数据层间分辨率远低于层内分辨率,造成各项数据异性。因此,在观察数据冠矢状面图像时,需沿Z轴进行插值放大以显示正确比例的图像,但是简单的插值方法,并不引入新的信息,往往造成图像模糊。超分辨(Super Resolution, SR)重建是提高图像分辨率的有效方法。本文以提高肺4D-CT图像分辨率为目标,提出了两种基于肺4D-CT图像数据本征特征的SR重建算法。其一,我们提出了一种基于图像分块的SR重建算法：(1)我们将肺4D-CT各相位图像视为多帧退化的低分辨率(Low Resolution,LR)图像输入,然后采用基于重建的方法进行SR重建。肺4D-CT图像采集过程可以看作是高分辨率(High Resolution, HR)肺图像经过一系列降质因素而生成多帧LR图像的过程。基于重建方法的SR问题,其关键在于建立一个精确简洁的退化模型,以模拟原始HR图像如何经过一系列复杂的过程而退化为LR降质图像。该模型包含了致使生成图像发生形变的相对运动,不同形式的模糊,降采样处理以及各种噪声。(2)观察肺4D-CT图像时发现,呼吸运动伪影有时会造成不同相位图像在局部结构上存在较大差异。为了避免不同相位图像伪影对重建结果的影响,我们对图像进行分块处理。而后,针对每一个LR目标图像块,利用相似性测度函数度量其他相位对应图像块与目标图像的相似程度。最后通过与设定阈值的比较,来判断该图像块是否属于目标图像块的相似块,保留相似块以参与SR重建,筛除不相似的图像块。我们在欧式距离的基础之上定义了一个相似性测度函数,为了能够更好的表征图像块的结构信息,该相似性测度函数中融合了图像块的灰度信息及特征信息。实验结果表明,这种图像块的自适应选取能够有效过滤掉结构差异明显的图像块,保留结构相似的图像块。进而减少SR重建时的干扰,达到消除伪影的目的。(3)我们将Demons配准算法应用到肺4D-CT数据中,将目标图像块作为参考图像,选出的相似图像块依次作为浮动图像,来估计二者之间的运动变形场。基于像素灰度的Demons配准算法,精度高、速度快,不需要对图像序列进行预处理,而且CT图像具有灰度连续性,相比其他算法更适合于临床应用。(4)在获得图像块之间的运动变形场之后,我们采用凸集投影(POCS)算法重建得到HR图像块。该算法简单有效,也能方便加入先验知识。最后,将所有生成的HR图像块拼接,并加入全局约束后,即可获得最终输出的完整HR肺4D-CT图像。实验结果表明,本文提出的方法能够有效地消除伪影、重建出边缘和细节均得到显著增强的HR肺4D-CT图像。其二,本文提出了一种利用基于学习的SR重建技术来提高肺4D-CT图像分辨率的方法。基于重建的方法需要采用配准或块匹配方法进行运动估计,导致其速度和精度往往受到配准速度和精度的限制。而基于学习的方法可以避免这一过程,成为了当前SR重建技术研究的热点领域。它通过机器学习方法从训练样本中产生学习模型,在对输入的LR图像进行恢复的过程中引入由学习模型获得的先验知识,以得到图像的高频信息,达到提高图像分辨率的目的。因此,该类方法需要同时有原始HR图像和对应LR图像构建训练集。但是,肺4D-CT数据在轴向都是低分辨率的,无法获取冠矢状面的原始HR图像。于是,选取何种数据来构建训练集是我们所面临的第一个问题。另外,基于学习的SR重建算法,其训练和重建过程均是以图像块为处理对象的,因此需要将图像划分为一系列重叠图像块。一般采用的图像分块方式是基于单一尺度的。但是,肺4D-CT图像的解剖结构特征却是存在于不同尺度之下的。因此,如何设定图像块的大小,以适应于肺部不同尺度下的解剖信息,是我们所面临的第二个问题。针对以上两个问题,我们提出了一种基于图像自相似性的多尺度稀疏表示肺4D-CT图像超分辨重建方法。该算法不仅很好地解决了以上两个难题,更重建出了视觉效果和量化评价均较优的HR图像。其详细内容如下：(1)我们利用图像的自相似性来解决构建训练集的问题。图像白相似性的提出源自于对图像的观察,发现一些细小的结构在整幅图像中重复出现。此概念已经被广泛地用于一系列图像处理技术之中。本文中我们研究了图像块尺寸分别为16×16,8×8和4×4的冠矢状面图像同横断面图像之间的自相似性,并采用结构相似性(Structure Similarity, SSIM)这一指标来度量图像块之间的相似性。实验结果表明,冠矢状面图像同横断面图像不同尺度下的组织结构均存在一定的相似性。基于此相似性,面对缺失冠矢状面HR图像的情形,我们采用横断面的HR和LR图像块作为训练集。(2)建立好训练集,我们采用基于稀疏表示的SR重建技术来生成HR图像。该算法的核心思想就是将HR图像块和其对应的LR图像块组对,用图像块对作为训练数据,联合训练得到HR字典DH及LR字典q。这种联合训练的目的是为了保证成对的HR和LR图像块具有相同的稀疏表示。因此,对于输入的LR图像块,可以直接利用它经字典DL表示后的稀疏系数,再通过字典DH,重建得到对应的HR图像块。将所有的HR图像块拼接后,即可输出完整的HR图像。(3)考虑到肺部图像解剖结构特征存在于不同尺度之下的数据特性,我们引入了多尺度策略。图像多尺度分析最早可以追溯到1980年,先前的大量引入此策略构建多尺度字典的算法,均是建立在预先设定字典的基础之上。近年来,基于学习的多尺度字典构建方法得到了学者们的广泛关注。本文,我们结合不同尺度下冠矢状面与横断面图像自相似的研究结果,采用四叉树划分原则,构建多尺度图像块,并通过字典学习的方法训练得到全局多尺度字典,实现基于图像自相似性的多尺度稀疏表示肺4D-CT图像超分辨率重建。实验结果表明，，该方法在视觉评价和定量评估方面均优于基于单一尺度的稀疏表示算法,双线性插值算法及POCS算法,并且避免了POCS算法中对结果速度及精度造成限制的图像配准步骤。本文实验数据来源于德州大学安德森癌症中心DIR实验室提供的一套公共可用的肺4D-CT数据集。该数据集由10组肺4D-CT数据组成；每组数据包含10个相位,包括极端的吸气和呼气时段。利用此数据集,我们对本文提出的两种方法分别进行了仿真数据和真实数据的实验验证。(i)仿真实验：由于数据集仅有横断面HR图像。因此,我们利用横断面图像按照退化模型生成多幅LR仿真图像进行实验研究。不仅从视觉和量化评价两方面对本文算法的重建结果进行评价。同时还对算法中涉及到的重要参数进行相关分析。(ii)真实数据实验：选取数据集中不同数据不同相位下的冠矢状面LR图像,利用本文提出超分辨率方法重建,从视觉方面对重建结果进行比较评价。实验结果表明,在视觉评价方面,与全局POCS算法相比,本文提出的基于分块的POCS算法能够有效消除伪影重建出更加准确的图像；与三次样条插值算法和背投影(Back Projection, BP)算法相比,该方法所重建的HR图像其边缘和细节均得到显著增强。对比基于单一尺度的算法,本文提出的基于图像自相似性的多尺度稀疏表示方法可以有效地捕获肺部不同尺度下的解剖结构特征,重建出视觉效果更好的HR图像。对比双线性插值算法,该方法重建出的HR图像清晰度显著提升,并包含了更加丰富的细节信息。对比POCS算法,本章算法不仅改善了HR图像在细微结构的显示质量,更避免了POCS算法中对结果速度及精度造成限制的图像配准步骤。从量化评价结果来看,本文提出的两种方法也均优于其对比算法。
【关键词】：肺4D-CT数据 超分辨率重建 图像块 自适应选取 图像自相似性 多尺度分析 稀疏表示
【学位授予单位】：南方医科大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;R734.2;R730.44
【目录】：

• 摘要3-8
• ABSTRACT8-17
• 第一章 绪论17-21
• 1.1 研究背景及意义17-19
• 1.2 研究内容及章节安排19-21
• 第二章 图像超分辨率重建技术21-32
• 2.1 基本概念21-22
• 2.2 图像退化模型22-24
• 2.3 超分辨率重建方法24-30
• 2.3.1 基于插值的方法24-25
• 2.3.2 基于重建的方法25-28
• 2.3.3 基于学习的方法28-30
• 2.4 本章小结30-32
• 第三章 基于分块的肺4D-CT图像超分辨率重建32-48
• 3.1 理论与方法32-37
• 3.1.1 算法综述32-33
• 3.1.2 图像块的自适应选取33-34
• 3.1.3 运动估计34-35
• 3.1.4 凸集投影(POCS)SR重建35-36
• 3.1.5 全局约束36-37
• 3.2 实验结果37-46
• 3.2.1 仿真数据37-38
• 3.2.2 参数分析38-40
• 3.2.3 仿真数据视觉及量化评价40-42
• 3.2.4 真实数据42-46
• 3.3 本章小结46-48
• 第四章 基于图像自相似性的多尺度稀疏表示肺4D.CT图像超分辨率重建48-66
• 4.1 理论与方法48-58
• 4.1.1 算法综述48-50
• 4.1.2 图像自相似性50-51
• 4.1.3 基于稀疏表示的超分辨率重建51-55
• 4.1.4 多尺度分析55-58
• 4.2 实验结果58-65
• 4.2.1 训练数据58-59
• 4.2.2 多尺度字典59
• 4.2.3 仿真实验59-62
• 4.2.4 多平面重建结果62-65
• 4.3 本章小结65-66
• 第五章 总结与展望66-69
• 5.1 论文总结66-67
• 5.2 课题展望67-69
• 参考文献69-77
• 攻读硕士期间成果77-78
• 致谢78-79

【相似文献】

中国期刊全文数据库 前7条

1 韩维维;阳宁光;;基于小波变换的医学图像插值研究[J];江汉大学学报(自然科学版);2006年04期

2 杨柳,李德玉,何爱军,王龙;医学图像多维重建中的插值问题研究进展[J];生物医学工程学杂志;2003年04期

3 陈春涛,杨新,孙锟;三维B超医学图像插值重构研究[J];信号处理;2004年06期

4 ;北京生物医学工程2002年索引主题索引[J];北京生物医学工程;2002年04期

5 朱杨兴;鲍旭东;;基于非刚体配准的体数据插值重建方法[J];中国医学物理学杂志;2006年06期

6 石祥林;鲍旭东;;基于非刚体配准的体数据插值重建方法[J];现代生物医学进展;2006年11期

7 ;[J];;年期

中国重要会议论文全文数据库 前4条

1 胡巍;张桂林;陈朝阳;;基于正交函数积分理论的图像插值方法[A];1998年中国智能自动化学术会议论文集（下册）[C];1998年

2 姚春莲;高丽华;陈谊;李炜;;基于图像插值的帧内预测[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（上册）[C];2008年

3 肖义男;文玉梅;罗毅;;基于边缘敏感滤波的图像插值模糊消除[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 仵冀颖;阮秋琦;;偏微分方程约束的非局部均值图像插值模型[A];第十三届全国图象图形学学术会议论文集[C];2006年

中国重要报纸全文数据库 前1条

1 ;爱国者自然窗330T[N];中国计算机报;2001年

中国博士学位论文全文数据库 前10条

1 马里千;高真实感可视媒体的智能编辑与合成[D];清华大学;2015年

2 魏平;数字乳腺钼靶图像的软拷贝显示技术研究[D];浙江大学;2009年

3 Rukundo Olivier;灰度图像插值优化方法的研究[D];华中科技大学;2012年

4 刘芳;图像可逆信息隐藏技术若干问题研究[D];大连理工大学;2013年

5 刘哲星;医学图像回溯性配准研究[D];第一军医大学;2002年

6 许博谦;星载相机微振动下图像补偿技术研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2015年

7 付晓薇;基于量子力学的图像处理方法研究[D];华中科技大学;2010年

8 张健;复杂图像文本提取关键技术与应用研究[D];南开大学;2014年

9 冯宇平;图像快速配准与自动拼接技术研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2010年

10 魏昱;图像显著性区域检测方法及应用研究[D];山东大学;2012年

中国硕士学位论文全文数据库 前10条

1 翟珍珍;多尺度分析方法在医学影像诊断系统中的应用研究[D];郑州大学;2015年

2 王凤娇;基于眼动数据的分类视觉注意模型[D];北京交通大学;2016年

3 朱喜玲;图像的复数基表达及其在图像伪装中的应用[D];北方工业大学;2016年

4 刘千石;基于边缘重构的图像插值[D];浙江大学;2016年

5 谢坤;基于图像的虚拟试衣技术研究[D];吉林大学;2016年

6 黄秋阳;基于肝脏CT图像的三维建模与体积计算方法研究[D];吉林大学;2016年

7 刘奔;图像型垃圾邮件检测机制与算法研究[D];西南交通大学;2016年

8 杨帆帆;基于插值的拼接图像盲取证技术研究[D];山东大学;2016年

9 文豪;用于内容恢复的图像自嵌入算法研究[D];西南交通大学;2016年

10 王婷婷;基于图像分块和多尺度学习的肺4D-CT图像超分辨率重建研究[D];南方医科大学;2016年

本文编号：838750