一种基于改进分数阶累积量的三维特征医学图像融合方法

本发明属于图像处理中的医学图像配准，具体涉及一种基于改进分数阶累积量的三维特征医学图像融合方法。

背景技术：

1、医学图像处理随着计算机和医学成像技术的不断发展已经成为了热门研究领域。医学成像技术可以辅助医生对疾病进行初步诊断,计算机技术使得存储、处理庞大数据成为可能。医学图像处理技术就是借助计算机来处理医学图像，结合了这两种技术的优点。人工诊断大多只结合自身医学知识进行主观判断，往往只能关注到图像中的显著信息，有些细节被忽略。另外，人工诊断需要诊断者有非常扎实的医学知识和一定的实践、实习经验等，这个过程极为漫长。即便人工诊断准确率很高，时间成本也是高昂的，人工诊断无法短时间内对大量图像诊断，这就需要计算机自动化辅助，同时准确率也是可以得到保证。因此，这个领域的研究是有实用价值的，其开发对于社会的贡献也是不可估量的。

2、在医学图像处理中，经常需要结合不同模态的图像进行对比分析才能得到更准确的结论。由于采集环境、患者姿态以及其他因素影响，实际操作中没办法保证两幅图像在空间中一一对应。

3、图像配准技术最初应用在航空导航和精确制导方面，而后这一技术逐渐应用在各个领域，涉及遥感、航拍等。图像配准技术在医学图像领域的应用是近几年的研究热点。

4、图像配准是指匹配两张以上图像的任务，比如不同时间、仪器、位置所拍摄的两张图像。医学图像配准是通过寻找一种几何变换方式，使得两张医学图像中相同空间点能够一一对应。通俗来讲，图像配准是将两幅不同的图像进行对齐的操作。只有配准后，对比观测两张图才有实际意义。图像融合就是在图像配准基础上的后续应用。

5、不同的医学成像设备获取医学图像特性不同，mri可清晰反映软组织形状,ct图像主要是骨骼信息。将反映不同内容的图像融合,可以更好地显示患者的综合信息，利于医生对患者做出更准确的诊断。由于患者的医学图像获取的设备不同，以及患者的移动使图像可能存在旋转、位移和缩放关系。因此，在进行融合之前,必须先完成不同图像的配准。

技术实现思路

1、鉴于现在基于特征的方法对于脑部ct和mri的图像配准融合精度有所欠缺等问题，本发明提供一种基于改进分数阶累积量的三维特征医学图像融合方法。本发明的方法主要适用于医学图像样本较少的、基于特征的医学图像配准融合方法。本发明基于分数阶累积量进行了改进，提出了一种改进分数阶累积量用以处理医学图像，并设计了基于3dsift算法的特征提取方法。

2、一种基于改进分数阶累积量的三维特征医学图像融合方法，其特征在于，包括下列步骤：

3、1)将mri进行超分辨率复原,包括下列步骤：

4、1.1基于srgan超分辨率网络提高mri切片图像分辨率，得到超分辨复原后的mr切片和ct切片，使mri切片与ct切片图像分辨率保持一致；

5、2)对ct和mri图像进行粗配准，包括以下步骤：

6、2.1基于mc算法将步骤1.1得到的超分辨复原后的mr切片和ct切片分别进行三维重建；

7、2.2基于医学先验知识，通过观测ct和mri三维重建效果图中下颚骨、鼻骨和眼眶的位置，以ct三维重建结果图为基准图，将mri三维重建结果图移动到t三维重建结果图对应位置，并将它们表达在同一坐标系下；

8、3)基于改进的分数阶累积量计算复特征图，包括下列步骤：

9、3.1基于分数阶微积分原理，对ct和mri图像像素点进行分数阶矩估计，得到矩特征图像，如下式：

10、

11、其中：τx、τy和τz分别表示x、y、z方向上的数据点间隔；

12、三维形式的矩特征图如下式：

13、

14、其中：nx、ny和nz分别表示进行累加点；k表示计算中每次迭代使用的点数量；b表示分数阶数；

15、3.2基于分数阶矩估计计算分数阶累积量，得到累积量特征图像，如下式：

16、

17、其中：c4b为所求位置分数阶累积量；mkp为像素点指定范围内的分数阶矩估计值；分数阶累积量也能表示如下：

18、

19、其中：j为复数中的ω表示累积量生成函数中的不同角频率；

20、3.3验证分数阶累积量谱对噪声的鲁棒性，如下式：

21、

22、

23、其中：i表示图像真值数据；n表示对应位置的噪声；

24、4)基于3dsift算法进行特征提取，包括以下步骤：

25、4.1将步骤3)中的复特征图结果构造尺度空间，在高斯金字塔上计算高斯差分函数，在尺度和空间上搜索图像的局部极值，即是可能的关键点；

26、4.2基于梯度分量的相关性即结构张量追踪关键点大致方向，对关键点定位,用结构张量k表示关键点局部方向，如下式；

27、

28、其中：为图像i在位置x处的梯度；w(x)为以关键点为中心的高斯窗口；

29、4.3将结构张量的特征值按升序排列，当满足下式，去除不可靠关键点；

30、

31、其中：λi为k的第i项特征值，β为常数参数；

32、4.4计算图像梯度与特征向量的角度，当满足下式，去除不可靠关键点；

33、mini|cos(θi)|<γ；

34、其中：θ为图像梯度与特征向量的角度，γ为常数参数；

35、4.5对于检测出来的关键点，获取其二十面体区域，在该二十面体区域中计算梯度大小和方向，将20个面的向量插值到12个顶点上，即得到12bin；

36、4.6取一个关键点为中心，构造半径为2σ的球形三维图像，其中σ为4.1中的尺度常数，将球形窗口划分为43的立方体子区域阵列，每个子区域计算出一个单独的梯度直方图，每个直方图有12个顶点，总共有43×12＝768个分量；

37、4.7使用高斯窗口，基于每个体素到关键点的距离，用尺度为σ的高斯函数计算其加权值；

38、4.8将每个体素的贡献通过其相交三角形的三个顶点之间的重心坐标以及在立方体中包围体素的八个子区域中心之间的三线性插值来分配；

39、4.9假设关键点位置为k，子区域以y为中心，(λ1，λ2，λ3)为梯度射线与二十面体面相交点的质心坐标，则体素x对λi对应的bin的增加值如下式所示：

40、

41、其中：体素坐标为x；指数项为高斯窗口；乘数项是y的三线性插值权值；

42、4.10描述符是l2规范化被常数阈值阶段后再归一化的结果；

43、5)基于3dsift特征算子的ct和mri的配准融合，包括以下步骤：

44、5.1提取关键点并在一对图像中进行匹配后，利用仿射变换配准图像，仿射变换如下式：

45、

46、其中：为给定坐标；为参数；

47、5.2通过线性回归拟合仿射变换；

48、5.3对于错误匹配，基于ransac拒绝异常值；

49、5.4经过最小二乘拟合，得到配准融合结果，误差单位是毫米级。

50、本发明包括使用超分辨率复原提高了mr图像的分辨率，使得该数据与给定的ct图像分辨率一致；基于mc算法三维重建了ct和mri图像，并进行粗配准；通过提出的改进分数阶累积量计算复特征图；基于3dsift算法对ct和mri图像进行精细配准。本发明能优化脑ct和mri图像的配准融合的效果和精度。