基于局部稀疏对应点组合的从mr图像预测ct图像的方法

基于局部稀疏对应点组合的从mr图像预测ct图像的方法
【技术领域】
[0001] 本发明涉及医学图像范例先验构造与虚拟多模态成像方法技术领域，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。
【背景技术】
[0002] 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。
[0003]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。
[0004] 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。
[0005] 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。
[0006]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。
[0007] 针对现有技术不足，本发明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。

【发明内容】

[0008] 本发明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， 本发明方法能够由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。
[0009] 本发明的上述目的通过如下技术手段实现。
[0010] 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： 所述步骤（4)具体包括： 使用近邻算法在MR字典公(；1(|中找到^的A个近邻，获得新字典 公是Cy>='巧弄，.…;将化的中每个元素分片於=i…巧 在其对应的CT训练集图像上的相同位置取块，获得一个包含A个样本的CT字典 Ca-Cy) =P!方，...為-]或
4. 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；所述步骤（5)具体是先用姑匀值算法将CT字典C如句聚成一类，再使用近邻 算法找到巧个与CT字典CtOO相似的样本，删除不相似的离群值后获得新的CT字典軒 )，并删除与CT字典句(々的离群值对应的MR字典D庇忡相应的离群值，得到与CT字典 C,;(.T)对应的MR字典A的。
5. 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： 所述步骤（8)具体包括， CT预测图像块P(x)中点S的权重为： =￡卢仅、乂 〇< ?</……W，式中_￡是调节权重的系数； D任私表示点.f与点X之间的欧几里得距离，预测CT的点J的CT预测值为：
'U表示块戶知）中的一个像素点，巧表示块戶(的上点瑜CT值。
6. 根据权利要求1所述的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： (a) 中的数据库选择13组脑部数据，每组数据包括同一病人的T1、T2加权MR图像和 CT图像。
7. 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： (b) 具体使用F化软件中的化IRT工具仿射配准MR参照图像和CT参照图像。
8. 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)中具体使用F化软件中的化IRT工具配准测试MR图像与训练集图像。
【专利摘要】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。本发明能够从多模态MR图像准确预测CT图像。
【IPC分类】G06T11-00
【公开号】CN104794739
【申请号】CN201510216586
【发明人】冯前进, 阳维, 吴遥, 钟丽明, 陈武凡
【申请人】南方医科大学
【公开日】2015年7月22日
【申请日】2015年5月3日