本发明涉及图像处理技术领域,特别涉及一种mvct图像的增强方法及系统。
背景技术:
螺旋断层放疗tomotherapy是一种具有影像引导功能的肿瘤放射治疗医用直线加速器。为了提高放疗的准确性,在为患者实施放疗前,tomotherapy可以将6mv的放射治疗射线能量调整为3.5兆伏,由此对患者肿瘤部位进行ct扫描,获得兆伏级x射线ct(megavoltagect,mvct)图像。兆伏级ct(mvct)图像在肿瘤放射治疗过程中一方面可以用来校正患者体位,保证了整个治疗过程中射线施照的准确性;另一方面物理师或医生可以通过mvct影像观察患者肿瘤位置、大小,在肿瘤或周围器官变化较大的情况下及时调整放疗计划,为患者提供个体化的自适应放射治疗。此外,mvct图像能够较好地反映物理密度与电子密度的线性关系,因此还可以用来进行剂量计算以评估患者实际受照射剂量。在mvct成像过程中,射线穿过人体时,由于康普顿效应,对原子序数依赖减少,大量的射线穿过人体,即使在探测器上发生散射,得到的影像也具有较好的均匀性和空间分辨率,但是由于软组织对比度和密度分辨率较差,掺杂噪声,给影像引导放疗或自适应放疗带来困难。
技术实现要素:
本发明的目的是提供一种mvct图像的增强方法及系统,以降低mvct图像中的噪声,增强软组织对比度和密度分辨率。
为实现上述目的,本发明提供了如下方案:
本发明提供了一种mvct图像的增强方法,所述增强方法包括如下步骤:
构建区别性字典,所述区别性字典包括组织结构特征块和噪声伪影特征块;
采用块匹配算法从mvct图像中提取多个三维图像块;
求解所述三维图像块利用所述区别性字典表示的稀疏系数矩阵;
将所述噪声伪影特征块对应的所述稀疏系数矩阵中的系数归零,得到组织结构稀疏系数矩阵;
利用所述组织结构稀疏系数矩阵和所述区别性字典表示所述三维图像块,并进行字典处理,得到字典处理后的三维图像块;
对所述字典处理后的三维图像块进行三维去噪处理,得到去噪后的三维图像块;
将所述去噪后的三维图像块还原成二维图像,得到增强后的mvct图像。
可选的,所述构建区别性字典,具体包括:
获得mvct图像的体数据和hqct(highqualityct,高质量ct图像)图像的体数据;
从所述hqct图像的体数据中提取组织结构特征块;
根据所述mvct图像的体数据和所述hqct图像的体数据,获得差异体数据;
从所述差异体数据中提取噪声伪影特征块;
将所述组织结构特征块和噪声伪影特征块组合成区别性字典。
可选的,所述从所述差异体数据中提取噪声伪影特征块,之后还包括:
过滤掉所述噪声伪影特征块中的组织结构信息,得到过滤后的噪声伪影特征块;
对所述过滤后的噪声伪影特征块进行减均值和归一化处理,得到处理后的噪声伪影特征块。
可选的,所述从所述hqct图像的体数据中提取组织结构特征块,之后还包括:
利用公式
将所述层间灰度值差异度大于第一预设值的像素删除,得到过滤后的组织结构特征块;
对所述过滤后的组织结构特征块进行减均值和归一化处理,得到处理后的组织结构特征块。
可选的,所述采用块匹配算法从mvct图像中提取多个三维图像块,具体包括:
利用滑动块的方式将所述mvct图像划分为多个图像块;
确定参考块;
选取与所述参考块相似的图像块,作为匹配块,得到匹配块集合;
利用三维图像提取矩阵,对所述匹配块集合进行三维图像块提取。
可选的,所述选取与所述参考块相似的图像块,作为匹配块,得到匹配块集合,具体包括:
利用公式
根据所述欧式距离,利用公式sr={x∈x|d(zr,zx)≤τmatch},选取与所述参考块相似的图像块,作为匹配块,得到匹配块集合;其中,sr表示第r个参考块的匹配块集合,τmatch表示第二预设值。
可选的,所述利用三维图像提取矩阵,对所述匹配块集合进行三维图像块提取,具体包括:
采用三维图像提取矩阵axyz,利用公式bxyz=axyz(sxr),对所述匹配块集合sxr进行三维图像块提取,bxyz表示提取的三维图像块。
可选的,所述求解所述三维图像块利用所述区别性字典表示的稀疏系数矩阵,具体包括:
对所述三维图像块bxyz,利用公式pxyz=bxyz-dcxyz,进行减均值处理,得到减均值处理后的三维图像块pxyz;
采用正交匹配追踪算法,利用公式
其中,dcxyz表示所述三维图像块的均值,d表示区别性字典,αxyz表示稀疏系数矩阵,
可选的,所述利用所述组织结构稀疏系数矩阵和所述区别性字典表示所述三维图像块,并进行字典处理,得到字典处理后的三维图像块,具体包括:
利用公式
利用公式
其中,axyz表示三维图像提取矩阵,dcxyz表示所述三维图像块的均值,d表示区别性字典,
本发明还提供了一种mvct图像的增强系统,其特征在于,所述增强系统包括:
区别性字典构建模块,用于构建区别性字典,所述区别性字典包括组织结构特征块和噪声伪影特征块;
三维图像块提取模块,用于采用块匹配算法从mvct图像中提取多个三维图像块;
稀疏系数矩阵求解模块,用于求解所述三维图像块利用所述区别性字典表示的稀疏系数矩阵;
组织结构系数系数矩阵求解模块,用于将所述噪声伪影特征块对应的所述稀疏系数矩阵中的系数归零,得到组织结构稀疏系数矩阵;
字典处理模块,用于利用所述组织结构稀疏系数矩阵和所述区别性字典表示所述三维图像块,并进行字典处理,得到字典处理后的三维图像块;
三维去噪模块,用于对所述字典处理后的三维图像块进行三维去噪处理,得到去噪后的三维图像块;
二维还原模块,用于将所述去噪后的三维图像块还原成二维图像,得到增强后的mvct图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种mvct图像的增强方法及系统。所述增强方法采用块匹配算法从mvct图像中提取多个三维图像块,然后,求解所述三维图像块利用区别性字典表示的稀疏系数矩阵,并将噪声伪影特征块对应的稀疏系数矩阵中的系数归零,得到组织结构稀疏系数矩阵;并利用所述组织结构稀疏系数矩阵和区别性字典表示所述三维图像块,并进行字典处理,得到字典处理后的三维图像块,最后对所述字典处理后的三维图像块进行三维去噪处理,并将去噪后的三维图像块还原成二维图像,得到增强后的mvct图像。本发明将区别性特征表示和三维块匹配中的块匹配算法的结合,去除了mvct图像的噪声,并进一步的进行三维去噪,提高了mvct图像的软组织对比度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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他的附图。
图1为本发明提供的一种mvct图像的增强方法的流程图;
图2为本发明提供的一种mvct图像的增强方法的流程示意图;
图3为本发明提供的一种mvct图像的增强系统的结构图;
图4为本发明提供的处理效果的对比图。
具体实施方式
本发明的目的是提供一种mvct图像的增强方法及系统,以降低mvct图像中的噪声,增强软组织对比度和密度分辨率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对发明作进一步详细的说明。
实施例1
本发明实施例1提供一种mvct图像的增强方法。
如图1所示,所述增强方法包括如下步骤:
步骤101,构建区别性字典,所述区别性字典包括组织结构特征块和噪声伪影特征块;步骤102,采用块匹配算法从mvct图像中提取多个三维图像块;步骤103,求解所述三维图像块利用所述区别性字典表示的稀疏系数矩阵;步骤104,将所述噪声伪影特征块对应的所述稀疏系数矩阵中的系数归零,得到组织结构稀疏系数矩阵;步骤105,利用所述组织结构稀疏系数矩阵和所述区别性字典表示所述三维图像块,并进行字典处理,得到字典处理后的三维图像块;步骤106,对所述字典处理后的三维图像块进行三维去噪处理,得到去噪后的三维图像块,步骤107,将所述去噪后的三维图像块还原成二维图像,得到增强后的mvct图像。
实施例2,本发明实施例2提供了一种mvct图像的增强方法的一个优选的实施方式。
步骤101所述构建区别性字典,具体包括:
获得mvct图像的体数据和hqct图像的体数据;具体的,在模拟ct定位机扫描一套kvct体膜和人体图像用于区别性字典构建的hqct(高质量ct)图像的体数据
从所述hqct图像的体数据中提取组织结构特征块;根据所述mvct图像的体数据和所述hqct图像的体数据,获得差异体数据;从所述差异体数据中提取噪声伪影特征块;将所述组织结构特征块和噪声伪影特征块组合成区别性字典,具体的,为了避免计算量太大,提取过程中使用3维间隔δd,在三个方向上的间隔分别为δx,δy和δz。由于ct图像中的背景区域灰度值比正常组织低很多,因而剔除块中灰度值(原始hqct图像)全都小于一个给定阈值-600hu(低于人体组织的hu值)的图像块。这样就得到了提取出的hqct特征块和噪声伪影特征块的集合,两组3维图像块序列fhd和fna。
所述从所述差异体数据中提取噪声伪影特征块,之后还包括:
过滤掉所述噪声伪影特征块中的组织结构信息,得到过滤后的噪声伪影特征块;具体的,提取的噪声伪影特征块中仍然存在一些组织结构信息,并且总是伴随着原始图像中的比较高的hu值。在dna中包含这样的结构信息会导致处理结果丢失一些对比度,因而如果原始hqct体数据的图像块中有点高于400hu值,就丢掉对应位置fna的3维图像块。
对所述过滤后的噪声伪影特征块进行减均值和归一化处理,得到处理后的噪声伪影特征块;具体的,对于每个过滤后的噪声伪影特征块,做减均值和归一化的操作,确保每个原子均值为0,模为1。
所述从所述hqct图像的体数据中提取组织结构特征块,之后还包括:
由于组织结构特征块在z轴上的灰度变化值较小,因而,利用公式
对所述过滤后的组织结构特征块进行减均值和归一化处理,得到处理后的组织结构特征块,具体的,对于每个过滤后的组织结构特征块,做减均值和归一化的操作,确保每个原子均值为0,模为1。
步骤102所述采用块匹配算法从mvct图像中提取多个三维图像块,具体包括:利用滑动块的方式将所述mvct图像划分为多个图像块;确定参考块;选取与所述参考块相似的图像块,作为匹配块,得到匹配块集合;利用三维图像提取矩阵,对所述匹配块集合进行三维图像块提取。
其中,选取与所述参考块相似的图像块,作为匹配块,得到匹配块集合;具体包括:利用公式
其中,利用三维图像提取矩阵,对所述匹配块集合进行三维图像块提取,具体包括:采用三维图像提取矩阵axyz,利用公式bxyz=axyz(sxr),对所述匹配块集合sxr进行三维图像块提取,bxyz表示提取的三维图像块。
步骤103所述求解所述三维图像块利用所述区别性字典表示的稀疏系数矩阵,具体包括:对所述三维图像块bxyz,利用公式pxyz=bxyz-dcxyz,进行减均值处理,得到减均值处理后的三维图像块pxyz;采用正交匹配追踪算法,利用公式
步骤105所述利用所述组织结构稀疏系数矩阵和所述区别性字典表示所述三维图像块,并进行字典处理,得到字典处理后的三维图像块,具体包括:
利用公式
具体的,在求解的过程中,将所述三维图像块都拉成长度n=nx×ny×nz的向量,区别性字典d是一个n×m的矩阵,其中n是原子大小,m是原子个数。字典d包含组织结构特征子字典dhd(大小是n×mhd)和噪声伪影字典dna(大小是n×mna),其中,mhd和mna分别表示子字典dhd和dna的原子个数(m=mhd+mna)。相应的,在每个三维图像块的表示中,长度为m的稀疏系数αxyz包含了
步骤106所述对所述字典处理后的三维图像块进行三维去噪处理,得到去噪后的三维图像块,具体包括:
利用公式
如图2所示,本发明的mvct图像的增强方法,采用块匹配算法从mvct图像中提取多个三维图像块,并基于mvct样本图像集和与mvct样本图像对应的hqct样本图像集构建区别性字典,然后,利用区别性字典对三维图像块进行字典表示和处理,并进一步的对字典处理后的三维图像块采用三维变换、硬阈值、三维逆变换和块估计的方式进行三维去噪,最后进行二维还原得到增强后的mvct图像,去除了mvct图像的噪声,提高了mvct图像的软组织对比度。
实施例3
本发明实施例3提供一种mvct图像的增强系统。
如图3所示,所述增强系统包括:区别性字典构建模块301,用于构建区别性字典,所述区别性字典包括组织结构特征块和噪声伪影特征块;三维图像块提取模块302,用于采用块匹配算法从mvct图像中提取多个三维图像块;稀疏系数矩阵求解模块303,用于求解所述三维图像块利用所述区别性字典表示的稀疏系数矩阵;组织结构系数系数矩阵求解模块304,用于将所述噪声伪影特征块对应的所述稀疏系数矩阵中的系数归零,得到组织结构稀疏系数矩阵;字典处理模块305,用于利用所述组织结构稀疏系数矩阵和所述区别性字典表示所述三维图像块,并进行字典处理,得到字典处理后的三维图像块;三维去噪模块306,用于对所述字典处理后的三维图像块进行三维去噪处理,得到去噪后的三维图像块;二维还原模块307,用于将所述去噪后的三维图像块还原成二维图像,得到增强后的mvct图像。
所述区别性字典构建模块301,具体包括:体数据获取子模块,用于获得mvct图像的体数据和hqct图像的体数据;组织结构特征块提取模块,用于从所述hqct图像的体数据中提取组织结构特征块;差异体数据获取子模块,用于根据所述mvct图像的体数据和所述hqct图像的体数据,获得差异体数据;噪声伪影特征块提取子模块,用于从所述差异体数据中提取噪声伪影特征块;区别性字典构建子模块,用于将所述组织结构特征块和噪声伪影特征块组合成区别性字典。
本发明的一种mvct图像的增强方法及系统,使用区别性特征表示(dfr)算法与块配算法可以处理二维mvct图像,处理结果如图4所示,其中(a)表示未处理的模体mvct图像,(b)表示采用区别性特征表示算法处理的模体mvct图像,(c)表示采用本发明的区别性特征表示算法和块匹配算法结合处理的模体mvct图像,可见本发明将区别性特征表示和三维块匹配中的块匹配算法的结合,去除了mvct图像的噪声,提高了mvct图像的软组织对比度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。