一种医学图像融合方法及系统技术方案

本发明专利技术公开了一种医学图像融合方法及系统，该方法包括：获取已配准的CT图像和超声图像；对CT图像和超声图像中的硬组织部位的分界轮廓进行标注，分界轮廓将CT图像和超声图像划分为硬组织部位区域、硬软组织边界区域和软组织部位区域；获取与硬组织部位区域、硬软组织边界区域和软组织部位区域分别对应的区域权值对(μ1,μ2)；分别计算硬组织部位区域、硬软组织边界区域和软组织部位区域的加权融合后图像的像素灰度值X，以生成融合图像。本发明专利技术实施例提供的技术方案，具有位移不变性，在图像配准不够精确时也不会使融合图像失真，有利于应用推广，不会出现明显的拼接痕迹和丢失边缘轮廓等信息，增强了图像的细节和清晰度，使融合图像的信息更全面、更精准。

A Medical Image Fusion Method and System

The invention discloses a medical image fusion method and system, which includes acquiring the registered CT image and ultrasound image, labeling the boundary contour of hard tissue parts in CT image and ultrasound image, and dividing CT image and ultrasound image into hard tissue parts, hard soft tissue boundary areas and soft tissue parts. The corresponding weight pairs (mu 1, mu 2) of the regions of hard tissue, soft tissue and soft tissue are calculated respectively. The gray value X of the weighted fused image of hard tissue, soft tissue and soft tissue regions is calculated to generate the fused image. The technical scheme provided by the embodiment of the present invention has displacement invariance, and will not distort the fused image when the image registration is not accurate enough. It is beneficial to application and popularization, and will not appear obvious stitching trace and missing edge contour and other information. It enhances the details and clarity of the image and makes the information of the fused image more comprehensive and accurate.

【技术实现步骤摘要】
一种医学图像融合方法及系统
本专利技术实施例涉及医学图像处理
，尤其涉及一种医学图像融合方法及系统。
技术介绍
核医学设备(主要包括正电子发射断层显像设备PET和磁共振成像设备MRI)和X射线计算机断层摄影装置CT分别通过获取患者的功能和解剖图像用于疾病诊断，是现代影像诊断医学中常用的两种成像模式。随着医疗技术的飞速发展、核医学设备技术的不断进步，目前市场上主流的核医学设备都是多模式融合，主要是PET/CT和MRI/CT。由于核医学设备的空间分辨力比较差，需要借助CT图像进行定位等，临床医生需要把核医学图像和CT图像融合起来进行医学诊断，然而MRI影像和PET影像的成本较为昂贵，并不利于应用推广。CT一般对人体硬组织成像效果较好，广泛应用于鼻骨骨折诊断、头颅诊断、口腔医学等领域。但CT对软组织成像效果较差，影像分辨率较低；超声则一般对人体软组织成像效果较好，而对一些硬组织成像效果不是很好，如因骨组织的声抗远大于软组织，超声对于骨组织的成像效果较差。然而，在医学领域中的检测目标区域往往是软组织和硬组织的结合体，因此单一的CT影像或超声影像很难使医生获取待检测目标区域的精准影像信息。图像融合的级别可分为像素级、特征级和决策级三种。目前，图像融合的研究主要集中在像素级图像融合方面。在像素级图像融合中小波变换是当前最重要，最常用的方法。基于小波变换的图像融合：对源图像进行小波变换，将其分解在不同频率段的不同特征域上，然后在不同的特征域内进行融合，再用小波逆变换得到融合图像的过程，但由于小波变换不具有位移不变性，若图像未经过良好的配准便会使融合图像失真。此外，加权平均法也是医学图像融合常用的融合方法之一，加权平均法是对每个源图像之间对应的像素灰度值加权平均的，其优点是运算量小，但不可避免的也存在一定的问题，普通加权平均法容易使图像中的边缘、轮廓等信息丢失，而且在融合源图像灰度差异较大的情况下，容易出现明显的拼接痕迹。
技术实现思路
本专利技术提供一种医学图像融合方法及系统，以解决现有技术的不足。为实现上述目的，本专利技术提供以下的技术方案：第一方面，本专利技术实施例提供一种医学图像融合方法，所述方法包括：获取已配准的CT图像和超声图像；采用深度学习训练模型对所述CT图像中的硬组织部位的分界轮廓进行标注，并基于配准关系对所述超声图像中的硬组织部位的分界轮廓同步进行标注，所述分界轮廓将所述CT图像和超声图像中所述分界轮廓所在的图像区域划分为硬组织部位区域、硬软组织边界区域和软组织部位区域；其中，硬软组织边界区域为以分界轮廓为中心，ε为半径的环带状区域；获取与所述硬组织部位区域、硬软组织边界区域和软组织部位区域分别对应的区域权值对(μ1,μ2)；其中，μ1为所述CT图像的权值，μ2为所述超声图像的权值，μ1+μ2＝1；根据如下公式分别计算所述硬组织部位区域、硬软组织边界区域和软组织部位区域的加权融合后图像的像素灰度值X，以生成融合图像：X＝μ1X1+μ2X2；其中，X1为所述CT图像的像素灰度值，X2为所述超声图像的像素灰度值。进一步地，所述医学图像融合方法中，所述获取已配准的CT图像和超声图像的步骤包括：利用CT系统和超声系统分别对待测物体的同一截面成像，得到CT图像和超声图像；在所述CT图像和超声图像上分别选取特征点，并根据所述特征点将所述CT图像和超声图像在空间上点点对应，使得待测物体在所述CT图像和超声图像上具备相同的坐标位置。进一步地，所述医学图像融合方法中，所述方法还包括：建立深度学习训练模型，所述建立深度学习训练模型的步骤包括：获取训练样本，所述训练样本由人工标注获得；根据训练样本对预设的训练模型进行训练，得到深度学习训练模型。进一步地，所述医学图像融合方法中，所述硬组织部位区域的权值对为(1,0)，所述软组织区域的权值对为(0，1)，所述硬软组织边界区域的权值对为其中，s为以分界轮廓中心为原点建立的坐标系上的任意一点的坐标。第二方面，本专利技术实施例还提供一种医学图像融合系统，所述系统包括：图像获取模块，用于获取已配准的CT图像和超声图像；轮廓标注模块，用于采用深度学习训练模型对所述CT图像中的硬组织部位的分界轮廓进行标注，并基于配准关系对所述超声图像中的硬组织部位的分界轮廓同步进行标注，所述分界轮廓将所述CT图像和超声图像中所述分界轮廓所在的图像区域划分为硬组织部位区域、硬软组织边界区域和软组织部位区域；其中，硬软组织边界区域为以分界轮廓为中心，ε为半径的环带状区域；权值获取模块，用于获取与所述硬组织部位区域、硬软组织边界区域和软组织部位区域分别对应的区域权值对(μ1,μ2)；其中，μ1为所述CT图像的权值，μ2为所述超声图像的权值，μ1+μ2＝1；计算融合模块，用于根据如下公式分别计算所述硬组织部位区域、硬软组织边界区域和软组织部位区域的加权融合后图像的像素灰度值X，以生成融合图像：X＝μ1X1+μ2X2；其中，X1为所述CT图像的像素灰度值，X2为所述超声图像的像素灰度值。进一步地，所述医学图像融合系统中，所述图像获取模块包括：物体成像单元，用于利用CT系统和超声系统分别对待测物体的同一截面成像，得到CT图像和超声图像；图像配准单元，用于在所述CT图像和超声图像上分别选取特征点，并根据所述特征点将所述CT图像和超声图像在空间上点点对应，使得待测物体在所述CT图像和超声图像上具备相同的坐标位置。进一步地，所述医学图像融合系统中，所述系统还包括：模型建立模块，用于建立深度学习训练模型，所述模型建立模块包括：样本获取单元，用于获取训练样本，所述训练样本由人工标注获得；模型训练单元，用于根据训练样本对预设的训练模型进行训练，得到深度学习训练模型。进一步地，所述医学图像融合系统中，所述硬组织部位区域的权值对为(1,0)，所述软组织区域的权值对为(0，1)，所述硬软组织边界区域的权值对为其中，s为以分界轮廓中心为原点建立的坐标系上的任意一点的坐标。本专利技术实施例提供的一种医学图像融合方法及系统，通过分块区域特征加权的方法进行超声图像与CT图像的图像融合，该方法具有位移不变性，在图像配准不够精确时也不会使融合图像失真，且由于超声图像成本较低，CT图像和超声图像的图像融合有利于应用推广；此外，通过设置各区域的对应的合适权值，可促进融合图像的效果，使融合图像不会出现明显的拼接痕迹和丢失边缘轮廓等信息，增强了图像的细节和清晰度，使融合图像的信息更全面、更精准。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例一提供的一种医学图像融合方法的流程示意图；图2是本专利技术实施例一提供的硬软组织边界区域微元的示意图；图3是本专利技术实施例一提供的以分界轮廓中心为原点建立一维坐标系的示意图；图4是本专利技术实施例一提供的设置区域权值对的流程示意图；图5是本专利技术实施例二提供的一种医学图像融合系统的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本文档来自技高网...

【技术保护点】
1.一种医学图像融合方法，其特征在于，包括：获取已配准的CT图像和超声图像；采用深度学习训练模型对所述CT图像中的硬组织部位的分界轮廓进行标注，并基于配准关系对所述超声图像中的硬组织部位的分界轮廓同步进行标注，所述分界轮廓将所述CT图像和超声图像中所述分界轮廓所在的图像区域划分为硬组织部位区域、硬软组织边界区域和软组织部位区域；其中，硬软组织边界区域为以分界轮廓为中心，ε为半径的环带状区域；获取与所述硬组织部位区域、硬软组织边界区域和软组织部位区域分别对应的区域权值对(μ1,μ2)；其中，μ1为所述CT图像的权值，μ2为所述超声图像的权值，μ1+μ2＝1；根据如下公式分别计算所述硬组织部位区域、硬软组织边界区域和软组织部位区域的加权融合后图像的像素灰度值X，以生成融合图像：X＝μ1X1+μ2X2；其中，X1为所述CT图像的像素灰度值，X2为所述超声图像的像素灰度值。

【技术特征摘要】
1.一种医学图像融合方法，其特征在于，包括：获取已配准的CT图像和超声图像；采用深度学习训练模型对所述CT图像中的硬组织部位的分界轮廓进行标注，并基于配准关系对所述超声图像中的硬组织部位的分界轮廓同步进行标注，所述分界轮廓将所述CT图像和超声图像中所述分界轮廓所在的图像区域划分为硬组织部位区域、硬软组织边界区域和软组织部位区域；其中，硬软组织边界区域为以分界轮廓为中心，ε为半径的环带状区域；获取与所述硬组织部位区域、硬软组织边界区域和软组织部位区域分别对应的区域权值对(μ1,μ2)；其中，μ1为所述CT图像的权值，μ2为所述超声图像的权值，μ1+μ2＝1；根据如下公式分别计算所述硬组织部位区域、硬软组织边界区域和软组织部位区域的加权融合后图像的像素灰度值X，以生成融合图像：X＝μ1X1+μ2X2；其中，X1为所述CT图像的像素灰度值，X2为所述超声图像的像素灰度值。2.根据权利要求1所述的医学图像融合方法，其特征在于，所述获取已配准的CT图像和超声图像的步骤包括：利用CT系统和超声系统分别对待测物体的同一截面成像，得到CT图像和超声图像；在所述CT图像和超声图像上分别选取特征点，并根据所述特征点将所述CT图像和超声图像在空间上点点对应，使得待测物体在所述CT图像和超声图像上具备相同的坐标位置。3.根据权利要求1所述的医学图像融合方法，其特征在于，所述方法还包括：建立深度学习训练模型，所述建立深度学习训练模型的步骤包括：获取训练样本，所述训练样本由人工标注获得；根据训练样本对预设的训练模型进行训练，得到深度学习训练模型。4.根据权利要求1所述的医学图像融合方法，其特征在于：所述硬组织部位区域的权值对为(1,0)，所述软组织区域的权值对为(0，1)，所述硬软组织边界区域的权值对为其中，s为以分界轮廓中心为原点建立的坐标系上的任意一点的坐标。5.一种医学图像融合系统，其特征在于，包括：图像获取模块，用于...

【专利技术属性】
技术研发人员：方桂标，徐圣兵，林森林，陈广诚，杜钦涛，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44