基于局部稀疏对应点组合的从MR图像预测CT图像的方法技术

一种基于局部稀疏对应点组合的从MR图像预测CT图像的方法，包括（1）测试MR图像进行归一化处理；（2）对测试MR图像的点x，提取以x为中心的图像块，获得测试样本                                               ；（3）从MR训练集图像中，提取参照局部搜索窗内每个参照点的特征块构成MR字典；（4）从MR训练集图像中选取与测试样本 k个相似的块形成MR字典，获得CT字典；（5）探测CT字典的离群值，得到CT字典)和MR字典（6）求解字典系数；（7）加权合并CT字典)，预测点x的CT值；（8）对MR测试图像中每个点重复步骤（2）-（7），最后对重叠的图像块加权合并，获得每个点的CT值，得到预测CT图像。本发明专利技术能够从多模态MR图像准确预测CT图像。

【技术实现步骤摘要】

本专利技术涉及医学图像范例先验构造与虚拟多模态成像方法
，具体涉及一 种基于局部稀疏对应点组合的从MR图像预测CT图像的方法。
技术介绍
虚拟多模态成像由一种医学成像设备或方式获取图像数据，模拟另一种成像设备 或方式合成、虚拟重建相应的图像，如由X线计算机断层扫描（ComputerizedTomography, CT)图像数据重构超声图像、由磁共振成像（MagneticResonanceImaging,MRI)设备获取 的图像数据合成CT图像等。虚拟多模态成像在多模态成像设备硬件不兼容、特定模态成像 设备或图像数据不可获取时，作为真实成像设备部分功能的替代，实现医学图像数据中潜 在的不同模态影像信息的提取，可扩展和提升现有成像设备的功能和应用价值，具有广泛 需求。MRI可以提供高分辨率解剖结构、清晰对比度和广泛的图像序列，这使得MRI技术 在放射治疗方面广受欢迎，MR与PET整合为PET/MR扫描仪也广泛用于临床诊疗之中。但是 放射治疗的剂量计算以及PET图像衰减校正中所需要的电离辐射的衰减系数都与MR图像 中的信号没有直接关系。PET数据可用于校正光子衰减以及正确量化放射性核素的吸收，而 衰减信息一般源于PET/CT中的CT图像。CT图像中的灰度值直接由电子密度决定，因此CT 图像常被用于基于MR图像的放疗剂量计算以及PET图像的衰减校正之中，从而弥补PET/MR 中CT模态的缺失。由此看来，从已有的MR图像预测CT图像对于基于MR图像的放疗剂量 计算和PET/MR图像衰减校正具有重要的临床意义。 迄今为止，由MR图像预测CT图像的算法主要归为以下两类： 第一类是基于图谱配准的方法。这类方法在MR/CT训练图像对和测试MR图像之间采 用一种形变图像配准方法，从测试MR图像中获得预测CT图像。但是，这类方法高度依赖于 形变配准的准确性。 第二类是基于体素的方法。这类方法不受图像配准精确度的影响，然而基于体素 的方法通常假设MR和CT之间的灰度值具有一一对应的关系。但是这种假设在不加任何约 束的条件下并不成立，例如脑脊液、空气和骨头在MRITl图像中具有相似的灰度值，然而这 些组织所对应的CT图像值却有很大差异。由于这些组织位于不同区域，因此考虑局部空间 信息将有助于CT图像的预测。N.Burgos^etal.(^AttenuationCorrectionSynthesisforHybridPET-MR Scanners:ApplicationtoBrainStudies, 〃IEEETransMedImaging,vol. 33,pp. 2332-41,Dec2014.)考虑局部信息，提出了一种局部图像相似性测度，将MR测试图像匹配 到已配准的训练集MR/CT图像对中，从而模拟CT图像。但是，这种方法仍然要求MR测试图 像与训练集MR/CT图像对之间的精确图像配准。 针对现有技术不足，本专利技术方法提出一种基于局部稀疏对应点组合的从MR图像 预测CT图像的算法。
技术实现思路
本专利技术方法提供一种基于局部稀疏对应点组合的从MR图像预测CT图像的方法， 本专利技术方法能够由MR数据预测高准确度的CT图像，能用于基于MR的放疗剂量计算以及 PET/MR图像衰减校正。 本专利技术的上述目的通过如下技术手段实现。 一种基于局部稀疏对应点组合的从MR图像预测CT图像的方法， 基于如下两种假设： I，MR图像块和CT图像块位于两个非线性流形上，每个像素点形成的图像块可以由其 所在流形的局部空间内的近邻样本线性组合； II，在局部约束条件下，MR图像到CT图像的映射近似于一个微分同胚映射； 该方法预先获得MR/CT参照图像对到得训练集图像，包括： (1)对测试MR图像进行归一化处理，使测试MR图像与训练集图像相配准；【主权项】1. 一种基于局部稀疏对应点组合的从MR图像预测CT图像的方法，其特征在于： 基于如下两种假设： I，MR图像块和CT图像块位于两个非线性流形上，每个像素点形成的图像块可W由其 所在流形的局部空间内的近邻样本线性组合； II，在局部约束条件下，MR图像到CT图像的映射近似于一个微分同胚映射； 该方法预先获得MR/CT参照图像对到得训练集图像，包括： (a) 建立数据库，数据库中每组数据包括\同一病人的在T1、T2两种模态下的加权MR 参照图像和CT参照图像； (b) 仿射配准MR参照图像和CT参照图像，将MR参照图像的T1、T2模态下的图像 、（戸n..T2巧日CT参照图像对齐，获得MR参照图像和CT参照图像化并获得训练集图 像； 具体包括如下步骤： (1) 对测试MR图像进行归一化处理，使测试MR图像与训练集图像相配准； (2) 对归一化处理后的测试MR图像Y,(户TJUT2)里的点X，提取WX为中屯、的图 像块，再将图像块转换为列向量，表示关W测试 样本表示， 其中，t表示两种模态；T1和T2,R表示一个矩阵，碱块转换为列向量之后的大小，矩 阵的大小为两个图像块表示两种不同的模态下测试MR图像选出的测试图像 块； (3) 在MR训练集图像中与MR测试图像中点Z位置相对应的点设置为参照点J，在MR 训练集图像中W参照点X为中屯、设置参照局部捜索窗， 从MR训练集图像中，在参照点X为中屯、的参照局部捜索窗内，提取参照局部捜索窗内 每个参照点的特征块，构成MR字典公曲； (4) 在参照点X位置，使用近邻算法从MR训练集图像中选取与测试样本 ^ .= 居k个相似的块形成MR字典，并获得相应的CT字典QW; (5) 探测CT字典的离群值，删除不相似的离群值后获得新的CT字典Cg/X)， 并删除与CT字典。的离群值对应的MR字典中相应的离群值，得到与CT字典 C麻）对应的MR字典'公^的立[如也fi?站，巧代表新字典的样本 个数； (6) 用归局部线性表达测试样本^，用局部线性表达算法求解字典系数巧； 基于假设I，MR字典A;的可W线性表示MR测试样本4，系数w=^[w八色货"中的每个元素表示与测试样本忘的相关程度， 采用1^\6算法通过^下方程求解系数巧^ :D*表示测试样本在￡),/〇\〇字典的￡化勺以个近邻， M，= 14.，_!；) 14,，/r.*，使用梯度投影方法求解； (7) 加权合并CT字典Cs(x)，预测点诚]CT值； 基于假设II，可得函数 '/脚 ><"……2) 由于Dq可用于局部线性表示f，说明具有局部线性特性，由此可得； ^ ，了' ￡ ,/脚风/脚庐……扣 结合公式2)，可得： f(D,^)yf=C,^w……4) 使用加权系数向量巧乘WCT字典C八'1C)得到向量玄，表^('万；完色分.，将向量 S转换为图像块，进而得到WX为中屯、的CT预测图像块p(.；t); (8) 对MR测试图像中的每个点重复步骤（2) - (7)，最后对重叠的CT预测图像块加权 合并，获得每个点的CT值，根据每个点的CT值获得预测CT图像。2. 根据权利要求1所述的基于局部稀疏对应点组合的从MR图像预测CT图像的方法， 其特征在于；步骤（1)具体采用灰度归一化法对测试MR图像进行归一化处理。3. 根据权利要求1本文档来自技高网...

【技术保护点】
一种基于局部稀疏对应点组合的从MR图像预测CT图像的方法，其特征在于：基于如下两种假设：    Ⅰ，MR图像块和CT图像块位于两个非线性流形上，每个像素点形成的图像块可以由其所在流形的局部空间内的近邻样本线性组合；Ⅱ，在局部约束条件下，MR图像到CT图像的映射近似于一个微分同胚映射；该方法预先获得MR/CT参照图像对到得训练集图像，包括：（a）建立数据库，数据库中每组数据包括同一病人的在T1、T2两种模态下的加权MR参照图像和CT参照图像；（b）仿射配准MR参照图像和CT参照图像，将MR参照图像的T1、T2模态下的图像和CT参照图像对齐，获得MR参照图像和CT参照图像对，并获得训练集图像；具体包括如下步骤：（1）对测试MR图像进行归一化处理，使测试MR图像与训练集图像相配准；（2）对归一化处理后的测试MR图像里的点x ，提取以x为中心的图像块，再将图像块转换为列向量，表示为和，以测试样本表示，其中，t表示两种模态：T1和T2，R表示一个矩阵，m是块转换为列向量之后的大小，矩阵的大小为m1，、两个图像块表示两种不同的模态下测试MR图像选出的测试图像块；（3）在MR训练集图像中与MR测试图像中点x位置相对应的点设置为参照点x，在MR训练集图像中以参照点x为中心设置参照局部搜索窗，从MR训练集图像中，在参照点x为中心的参照局部搜索窗内，提取参照局部搜索窗内每个参照点的特征块，构成MR字典；（4）在参照点x位置，使用k‑近邻算法从MR训练集图像中选取与测试样本k个相似的块形成MR字典，并获得相应的CT字典；（5）探测CT字典的离群值，删除不相似的离群值后获得新的CT字典)，并删除与CT字典的离群值对应的MR字典中相应的离群值，得到与CT字典)对应的MR字典，代表新字典的样本个数；（6）用局部线性表达测试样本，用局部线性表达算法求解字典系数；基于假设I，MR字典可以线性表示MR测试样本，系数中的每个元素表示与测试样本的相关程度，采用LAE算法通过以下方程求解系数：……   1）表示测试样本在字典的个近邻，，使用梯度投影方法求解；（7）加权合并CT字典)，预测点x的CT值；基于假设II，可得函数……   2）由于可用于局部线性表示，说明具有局部线性特性，由此可得：……3)    结合公式2),可得：……4)使用加权系数向量乘以CT字典)得到向量，将向量转换为图像块，进而得到以x为中心的CT预测图像块；（8）对MR测试图像中的每个点重复步骤（2）‑（7），最后对重叠的CT预测图像块加权合并，获得每个点的CT值，根据每个点的CT值获得预测CT图像。...

【技术特征摘要】

【专利技术属性】
技术研发人员：冯前进，阳维，吴遥，钟丽明，陈武凡，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：广东;44