一种基于自适应局部转向核的医学MRI图像上采样方法技术

本发明专利技术涉及一种基于自适应局部转向核的MRI图像上采样方法，方法包括：输入准备好需要进行上采样和去噪的待处理MRI图像，首先用计算得到的局部转向核LSK来调整插值权值以适应图像的几何结构；再通过自适应锐化来增强噪声图像上LSK分布的趋势，有助于去除噪声和增强边缘细节；最后使用Rician偏差校正，校正直接将加权平均框架应用于MRI数据集时，Rician噪声分布的不对称性而产生的偏差,经过此重建过程得到的上采样结果图像能够在去噪的同时保留更多的上下文细节。

【技术实现步骤摘要】
一种基于自适应局部转向核的医学MRI图像上采样方法
本专利技术涉及图像处理领域，尤其涉及一种基于自适应局部转向核的医学MRI图像上采样方法。
技术介绍
医学成像的主要目标之一是对人体内感兴趣的三维解剖区域(ROIs)进行自动提取和建模。为了实现这一目标，人们开发了各种各样的成像方法，包括计算机断层扫描和磁共振成像(MRI)。MRI能够获得良好的软组织对比度，因此可以有效地观察正常组织和病变组织之间的差异。高分辨率的图像以降低信噪比(SNR)和增加成像时间为代价，提供了对解剖学更全面的理解。然而，在临床上，MRI扫描通常是快速的，因为较长的扫描时间会增加成本，导致患者不适，并在图像中诱发运动伪影。因此，临床磁共振(MR)图像的分辨率是有限的。临床磁共振(MR)图像的上采样方法有很多种，基本上可分为基于插值的上采样、基于深度学习的上采样。对于传统的插值方法，高分辨率(HR)图像中的体素是通过几个采样体素的加权平均来估计的。每个采样体素的系数反映了采样体素和目标体素之间的相似性。一般情况下，采样体素是在目标体素的空间邻域内选择的，因此系数通常是固定的，是目标与采样体素空间距离的函数。由于其简单性，传统插值方法重建的图像往往存在边缘模糊和阶梯形伪影的问题，他们不能一致地从低分辨率(LR)图像中重建高频细节。除了图像插值外，深度学习在图像处理领域也得到了极大的关注。基于深度学习的方法则是利用大量的训练数据，从中学习低分辨率图像和高分辨率图像之间某种对应关系，然后根据学习到的映射关系来预测低分辨率图像所对应的高分辨率图像，从而实现图像的超分辨率重建过程。建立浅层学习模型有效地提升了图像超分辨率重建的精度，并有着实时的速度。虽然它们的性能是最先进的，这些基于深度学习的方法也有一些缺点。首先，基于深度学习的方法往往需要大量的训练数据集。其次，基于深度学习的方法的泛化能力也非常有限，需要训练数据和测试数据的紧密分布。
技术实现思路
针对现有技术之不足，一种基于自适应局部转向核的MRI图像上采样方法，所述方法包括：使用一种自适应插值框架，以实现同时的图像上采样，去噪和细节增强，具体包括：步骤1：输入数据，准备好需要上采样和去噪的待处理MRI图像；步骤2：计算所述待处理MRI图像的局部转向核LSK，得到图像的局部结构信息，局部转向核的关键思想是获取邻域内所有像素和中心像素之间的空间关系,用于确定规范内核的形状和大小，局部转向核的模型如下：其中,i∈[1,…,p2],p2是邻域内所有像素点的数量，h2是一个全局平滑参数，矩阵Ci是空间梯度向量的协方差矩阵；xj表示邻域中的中心像素点在图像中的坐标；xi是邻域中其他像素点的坐标，最终得到的局部转向核LSK即邻域中心像素的LSK值,是一个P×P的向量；步骤3：自适应锐化，通过自适应锐化来增强待处理MRI图像上所述局部转向核分布的趋势，以模拟无噪声图像上的LSK分布，自适应的具体步骤为：对LSK值进行自适应锐化，将LSK值结合到权值矩阵Wi后，对Wi进行自适应锐化，将高通滤波后的权值矩阵的一部分加或减回到权值矩阵Wi，计算公式如下：其中，矩阵H表示一个高通滤波器，λ是一个用于调整锐度的标量，其符号决定输入Wi是锐化还是平滑；步骤4：局部转向核LSK对待处理MRI图像进行插值加权，将步骤3得到的权值矩阵与所述待处理MRI图像对应像素相乘并相加，加权平均框架的实现公式如下：其中，yi是需要估计的像素i的像素值,Ω是规定的像素i邻域内有限的搜索区域,yk是搜索区域内的采样体素，w是像素k与i之间的相似性，Z是一个归一化常数；步骤5：Rician偏差校正，校正由于直接将加权平均框架应用与MRI数据集时，Rician噪声分布的不对称性而产生的偏差，Rician校正的计算公式如下：其中，为步骤3自适应锐化后的权值矩阵，z(xi)代表高分辨率图像上体素xi的估计像素值，y∈N(xi)表示xi的相邻采样体素,sum()是表示矩阵元素的总和的操作符,σ是待处理MRI图像噪声的标准差；步骤6：输出重建图像，经过步骤2至步骤5，得到上采样、去噪和细节增强的上采样图像。根据一种优选的实施方式所述方法还包括：在对权值矩阵进行自适应锐化之前，每个图像体素需要根据其相邻图像块的结构类型进行分类，所述结构类型至少包括平坦区域、弱纹理和强纹理区域。根据一种优选的实施方式，利用图像结构张量ci来区分纹理体素和平面体素，ci的两个特征值之间的相对差异反映了图像块内的梯度分布对某一特定方向的偏移程度，即平滑区域的体素特征值差异较小，纹理区域的体素特征值差异较大。本专利技术的有益效果在于：1、与现有的利用强度距离计算插补系数的自适应插补方法不同，我们的方法通过改进的LSK比较图像块结构的差异来细化自适应插补系数，使插值权值更适应图像结构，以便在去噪的同时保留更多的上下文细节。2、基于深度学习的方法往往需要大量的训练数据集，其次，基于深度学习的方法的泛化能力也非常有限，需要训练数据和测试数据的紧密分布，而本专利技术的自适应插值框架不需要大量的训练数据集，由于自适应性，其泛化能力较好。3、同时传统的插值的方法和基于深度学习的方法是去噪和上采样是异步进行的，会造成细节信息的丢失，最终得到的重建结果往往出现模糊的现象，而本专利技术提出的自适应框架，能够同时实现图像上采样、去噪和细节增强。附图说明图1是本专利技术上采样方法的流程示意图；图2是三种图像结构相邻采样体素的LSK形状示意图；图3是自适应锐化LSK形状示意图；图4是自适应锐化前图像像素分类结果示意图；图5是不同噪声水平图像上采样结果的比较结果图；图6是使用不同方法对HCP数据集进行上采样结果图；和图7是实验结果对比图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。下面结合附图进行详细说明。本专利技术中的局部转向核LSK：英文描述LocalSteeringKernel。传统磁共振图像的上采样和去噪是分开进行的，这会引入不需要的伪像，例如模糊。为了解决这个问题，我们提出了一种创新的自适应插值框架，以实现同时的图像上采样，去噪和细节增强。针对现有技术存在的问题，本专利技术提出一种基于自适应局部转向核的MRI图像上采样方法，具体包括：输入准备好需要进行上采样和去噪的待处理MRI图像，首先用计算得到的局部转向核LSK来调整插值权值以适应图像的几何结构；再通过自适应锐化来增强噪声图像上LSK分布的趋势，有助于去除噪声和增强边缘细节；最后使用Rician偏差校正，校正直接将加权平均框架应用于MRI数据集时，Rician噪声分布的不对本文档来自技高网...

【技术保护点】
1.一种基于自适应局部转向核的MRI图像上采样方法，其特征在于，采用一种自适应插值框架，以实现同时的图像上采样，去噪和细节增强，具体包括：/n步骤1：输入数据，准备好需要上采样和去噪的待处理MRI图像；/n步骤2：计算所述待处理MRI图像的局部转向核LSK，得到图像的局部结构信息，局部转向核的关键思想是获取邻域内所有像素和中心像素之间的空间关系,用于确定规范内核的形状和大小，局部转向核的模型如下：/n

【技术特征摘要】
1.一种基于自适应局部转向核的MRI图像上采样方法，其特征在于，采用一种自适应插值框架，以实现同时的图像上采样，去噪和细节增强，具体包括：
步骤1：输入数据，准备好需要上采样和去噪的待处理MRI图像；
步骤2：计算所述待处理MRI图像的局部转向核LSK，得到图像的局部结构信息，局部转向核的关键思想是获取邻域内所有像素和中心像素之间的空间关系,用于确定规范内核的形状和大小，局部转向核的模型如下：



其中,i∈[1,…,p2],p2是邻域内所有像素点的数量，h2是一个全局平滑参数，矩阵Ci是空间梯度向量的协方差矩阵；xj表示邻域中的中心像素点在图像中的坐标；xi是邻域中其他像素点的坐标，最终得到的局部转向核LSK即邻域中心像素的LSK值,是一个P×P的向量；
步骤3：自适应锐化，通过自适应锐化来增强待处理MRI图像上所述局部转向核分布的趋势，以模拟无噪声图像上的LSK分布，自适应的具体步骤为：对LSK值进行自适应锐化，将LSK值结合到权值矩阵Wi后，对Wi进行自适应锐化，将高通滤波后的权值矩阵的一部分加或减回到权值矩阵Wi，计算公式如下：



其中，矩阵H表示一个高通滤波器，λ是一个用于调整锐度的标量，其符号决定输入Wi是锐化还是平滑；
步骤4：局部转向核LSK对待处理MRI图像进行插值加权，将步骤3得到的权值矩阵与所述待处理M...

【专利技术属性】
技术研发人员：胡靖，李欣妍，王小龙，李琳珂，吴锡，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川;51