【摘要】：X線計算機(jī)斷層掃描(computerized tomography, CT)技術(shù)的發(fā)明使得臨床醫(yī)學(xué)的診斷和治療方式產(chǎn)生了巨大的變化�？茖W(xué)技術(shù)的進(jìn)步帶動了臨床醫(yī)學(xué)的發(fā)展,其中醫(yī)學(xué)影像學(xué)的發(fā)展尤為迅速。目前已從單一的X線檢查發(fā)展為采用多種成像技術(shù)輔助臨床醫(yī)生對疾病進(jìn)行檢查及治療。常用的成像技術(shù)有：超聲(ultrasound, US)、磁共振成像(magnetic resonance imaging, MRI)、數(shù)字減影血管造影(digital subtraction angiography, DSA)、數(shù)字化攝影(digital radiography，DR)、正電子發(fā)射斷層成像術(shù)(positron emission tomography, PET)、單光子發(fā)射計算機(jī)斷層成像術(shù)(single-photon emission computed tomography, SPECT)、 PET-CT、PET-MR等等。醫(yī)學(xué)影像技術(shù)已經(jīng)成為臨床上對疾病的探測及診斷的主要手段,同時為臨床基礎(chǔ)科學(xué)研究提供了實(shí)驗(yàn)平臺。隨著醫(yī)學(xué)影像技術(shù)的日益成熟,越來越多的醫(yī)學(xué)影像設(shè)備已經(jīng)被廣泛運(yùn)用于臨床診療之中。臨床醫(yī)學(xué)中與病人相關(guān)的許多信息可以由醫(yī)學(xué)圖像的形式來進(jìn)行顯示,以輔助醫(yī)生對病人進(jìn)行正確地診斷及治療。例如,醫(yī)學(xué)圖像可以提供有病變組織的形狀、大小、位置等信息,其中,計算機(jī)斷層掃描圖像(CT)可以較好的顯示骨骼結(jié)構(gòu)和組織密度的分布情況,超聲圖像(US)與磁共振圖像(MR)可以提供較好的軟組織信息,正電子發(fā)射斷層圖像(PET)、單光子發(fā)射計算機(jī)斷層圖像(SPECT)能夠很好地反映人體內(nèi)功能以及代謝信息。醫(yī)學(xué)圖像與臨床診療之間的關(guān)系日益密切,醫(yī)學(xué)圖像研究已經(jīng)成為一項(xiàng)重要且發(fā)展迅速的研究工作。目前,越來越多的醫(yī)學(xué)圖像可以用于臨床診療及研究工作之中,對巨大的圖像信息進(jìn)行有效地挖掘、提取、整合、分析,對臨床科學(xué)的發(fā)展具有重要意義。醫(yī)學(xué)圖像研究工作主要包括三個方面：圖像采集、圖像處理以及圖像分析。其中,圖像分析在醫(yī)學(xué)圖像的相關(guān)研究工作中占有舉足重輕的地位,它是醫(yī)學(xué)影像技術(shù)、數(shù)字圖像技術(shù)、計算機(jī)科學(xué)技術(shù)的重要組成部分。同時,醫(yī)學(xué)圖像分析相關(guān)技術(shù)在醫(yī)學(xué)研究、臨床診療以及教學(xué)等方面都有著重要的地位。隨著醫(yī)學(xué)圖像分析技術(shù)的日益成熟,醫(yī)學(xué)圖像的分析結(jié)果已經(jīng)廣泛地被臨床所采用,成為醫(yī)生對病人進(jìn)行診斷和治療的重要依據(jù)。本研究主要基于稀疏表達(dá)以及局部線性表達(dá)開展相關(guān)的醫(yī)學(xué)圖像分析工作。稀疏表達(dá)是近20年來在壓縮感知、圖像去噪、神經(jīng)科學(xué)、特征提取、人臉識別以及樣本分類等領(lǐng)域中的一個重要研究。稀疏表達(dá)指的是在給定一個超完備字典中,用少數(shù)的字典樣本來表示測試樣本,同時將表達(dá)誤差盡可能地約束在一個較小的范圍內(nèi),以此獲取測試樣本所包含的主要信息,以助于進(jìn)一步對測試樣本進(jìn)行處理,如壓縮、降維、分類、特征提取等等。稀疏表達(dá)主要包含三大部分：構(gòu)建超完備字典、樣本稀疏表示、字典編碼。1)構(gòu)建超完備字典,利用訓(xùn)練集樣本構(gòu)建超完備字典是稀疏表達(dá)的首要步驟,超完備字典主要分為兩大類：標(biāo)準(zhǔn)字典和學(xué)習(xí)字典。傳統(tǒng)的標(biāo)準(zhǔn)字典有超完備離散余弦變換(discrete cosine transform, DCT)字典、曲波(curvelet)字典、小波(wavelet)字典、帶波(bandlets)字典、仿形波(coutourlets)字典。目前,主要采用學(xué)習(xí)的方法對海量訓(xùn)練集數(shù)據(jù)進(jìn)行處理,構(gòu)建相對緊湊且表達(dá)力更強(qiáng)的學(xué)習(xí)字典。常用的字典學(xué)習(xí)算法有：最優(yōu)方向算法(method of optimal directions, MOD), K-SVD算法、最大似然法、k均值聚類算法等等；2)樣本稀疏表示,基于L1范數(shù)的LAS SO (least absolute shrinkage and selection operator)是最常見的稀疏表達(dá)形式,L1范數(shù)的約束條件可以使得字典系數(shù)的絕大部分元素為零,從而保證表達(dá)的稀疏性。在LASSO基礎(chǔ)上,常見的稀疏表達(dá)形式有：組LASSO (group LASSO)、混合LASSO (fusedLASSO) 、稀疏組LASSO (sparse group LASSO)、樹結(jié)構(gòu)組LASSO (tree structured group LASSO)以及重疊組LASSO (overlapping group LASSO)等等；3)字典編碼,即字典系數(shù)求解,常用的字典系數(shù)求解技術(shù)有匹配追蹤算法(matching pursuit, MP)、基追蹤算法(basis pursuit, BP)、正交匹配追蹤算法(orthogonal matching pursuit, OMP)、子空間追蹤算法(subspace pursuit, SP)、正則化正交匹配追蹤算法(regularized orthogonal matching pursuit, ROMP)、壓縮采樣匹配追蹤算法(compressive sampling matching pursuit, CoSaMP)、稀疏自適應(yīng)匹配追蹤算法(sparsity adaptive matching pursuit, SAMP)以及逐步正交匹配追蹤算法(stagewise OMP, StOMP)等等。與稀疏表達(dá)不同,局部線性表達(dá)不通過L1范數(shù)對字典系數(shù)進(jìn)行約束,而是選取離測試樣本較近的少數(shù)訓(xùn)練集樣本組成一個局部字典,用該字典來線性表達(dá)測試樣本。局部線性表達(dá)具體包含三個步驟：1)尋找測試樣本在訓(xùn)練集中的k個近鄰點(diǎn)；2)用近鄰點(diǎn)局部線性表達(dá)測試樣本；3)求得局部線性表達(dá)中字典的權(quán)值系數(shù)。目前,常用的局部線性表達(dá)算法有：局部錨點(diǎn)嵌入(local anchor embedding, LAE)、局部坐標(biāo)編碼(local coordinate coding, LCC)、局部線性嵌入(locally linear embedding, LLE)、局部約束線性編碼(locality-constrained linear coding, LLC)�；谙∈璞磉_(dá)以及局部線性表達(dá),本文主要展開了以下三項(xiàng)研究工作：1) CT圖像的前列腺三維分割研究。基于圖像引導(dǎo)的放射治療過程中需要對前列腺所在區(qū)域進(jìn)行放射線照射,對CT圖像中前列腺組織的準(zhǔn)確分割在前列腺癌的放射治療中極為重要。然而,由于CT圖像對比度低,要精確區(qū)分前列腺部位和周邊組織是很困難的。此外,同一病人在不同治療時間點(diǎn)所獲得的圖像中前列腺位置和外形均有很大差異,對CT圖像中前列腺的精確分割帶來了很大的影響。本文提出一種針對前列腺CT圖像的自動分割算法,提出了基于變尺度圖像塊(variant scale patch, VS P)的特征提取算法,并基于局部線性表達(dá)提出了局部獨(dú)立投影(local independent projection, LIP)分類算法,結(jié)合一種字典在線更新策略,對前列腺CT圖像進(jìn)行分割。本文算法主要內(nèi)容如下：特征提取是醫(yī)學(xué)圖像分析領(lǐng)域的關(guān)鍵步驟。研究表明,一個像素點(diǎn)的圖像特征可有效地運(yùn)用其周圍像素點(diǎn)的灰度信息來表示,以像素點(diǎn)為中心所提取的圖像塊特征已經(jīng)被廣泛運(yùn)用于醫(yī)學(xué)圖像分析之中。然而,在圖像塊特征提取過程中,若希望獲得較多的圖像信息從而加大圖像塊的大小,會得到較高的特征維數(shù),計算時間也隨之增加。為了彌補(bǔ)基于圖像塊特征提取算法的不足,本文提出了一種新的基于VSP的特征提取算法,其主要思想在于：對于圖像中的一點(diǎn),以該點(diǎn)為中心取其鄰域信息作為其特征；距離中心像素點(diǎn)較近的區(qū)域,提取精確的圖像信息,距離中心像素點(diǎn)較遠(yuǎn)的區(qū)域,提取大致的圖像信息,以降低中心像素點(diǎn)的特征維數(shù)。本文提出的VSP特征,具有維數(shù)較小,所包含的圖像信息較多的優(yōu)良特性。本文基于局部線性表達(dá)的基本思想,根據(jù)各類樣本獨(dú)立分布的特性,提出了LIP分類算法。LIP算法中,我們假設(shè)不同類別的樣本位于不同的非線性流形上,且一個樣本可由其所在流形上的少數(shù)近鄰樣本所線性表達(dá)�；谶@一假設(shè),對測試樣本的分類過程中,本文采用屬于每一類的訓(xùn)練樣本分別對測試樣本進(jìn)行局部線性表達(dá),并采用局部錨點(diǎn)嵌入算法(local anchor embedding, LAE)求解字典系數(shù)。通過計算測試樣本屬于每個類別的線性表達(dá)殘差,將其歸為殘差最小的類別。LIP算法跟稀疏表達(dá)以及局部線性表達(dá)算法一樣,需要建立一個包含訓(xùn)練樣本的字典。本文提出一種字典在線更新策略,能夠?yàn)楫?dāng)前治療圖像的分割提供最鄰近的訓(xùn)練集圖像信息。實(shí)驗(yàn)中包含24個病人數(shù)據(jù),共330幅前列腺三維CT圖像,實(shí)驗(yàn)結(jié)果充分表明本文提出的VSP特征提取算法、LIP分類算法以及字典在線更新策略在前列腺CT圖像分割中的有效性。2)嬰兒大腦MR圖像配準(zhǔn)算法研究。MR成像技術(shù)具有較高的圖像分辨率,可以提供較好的軟組織信息。此外,MR成像過程中不產(chǎn)生對人體有害的X射線,同時也不需要對病人注射可能會造成過敏的造影劑。MR成像技術(shù)的優(yōu)良特性使其能夠廣泛地被臨床所采用。嬰兒大腦MR圖像的精確配準(zhǔn)對嬰兒大腦早期發(fā)育的研究,以及疾病的探測具有重要意義。然而,與成人大腦相比,嬰兒大腦MR圖像中的噪音較多,圖像清晰度較差；更重要的是,由于嬰兒在0～1歲之間大腦發(fā)育非常迅速,髓鞘不斷生長,以至于在這段期間內(nèi)兩個不同時間點(diǎn)所掃描的MR圖像中,白質(zhì)與灰質(zhì)的灰度值之間的差別會發(fā)生強(qiáng)烈的變化,給圖像的配準(zhǔn)帶來了巨大的困難。本文提出了一種針對嬰兒大腦在0～1歲之間不同時間點(diǎn)所采集的MR圖像的配準(zhǔn)技術(shù)。主要通過利用訓(xùn)練集圖像中嬰兒大腦的生長軌跡來引導(dǎo)兩幅測試圖像的配準(zhǔn),從而減輕因大腦生長所產(chǎn)生的圖像灰度值差異對嬰兒大腦的配準(zhǔn)所帶來的困難。訓(xùn)練集圖像包含24個病人數(shù)據(jù),每個病人在0～1歲之間五個不同時間點(diǎn)(2周、3個月、6個月、9個月、12個月)所采集的T1、T2加權(quán)MR圖像。利用訓(xùn)練集中每個病人在各個時間點(diǎn)所采集的T1、T2加權(quán)MR圖像信息,采用一種結(jié)合四維圖像分割與配準(zhǔn)的技術(shù)建立訓(xùn)練集圖像中任意兩個時間點(diǎn)之間的對應(yīng)關(guān)系,即生長軌跡。針對采集于兩個不同時間點(diǎn)的嬰兒大腦測試圖像的配準(zhǔn),我們對每一幅測試圖像,通過稀疏表達(dá)尋找與其在同一個時間點(diǎn)的訓(xùn)練集圖像中的對應(yīng)點(diǎn)。兩幅測試圖像的配準(zhǔn)可以通過它們與訓(xùn)練集圖像之間的對應(yīng)點(diǎn),以及訓(xùn)練集中各時間點(diǎn)之間已經(jīng)建立的對應(yīng)關(guān)系(生長軌跡)來獲得。為了提高兩幅測試圖像的配準(zhǔn)精度,本文采取一種漸進(jìn)式雙向配準(zhǔn)策略對兩幅圖像進(jìn)行迭代配準(zhǔn),逐步優(yōu)化配準(zhǔn)結(jié)果。本實(shí)驗(yàn)數(shù)據(jù)包含24個病人在第2周、3個月、6個月、9個月、12個月時所采集的T1、T2加權(quán)MR圖像。實(shí)驗(yàn)中,與不同的嬰兒大腦圖像配準(zhǔn)算法相比較,本文提出的算法能夠得到較好的配準(zhǔn)結(jié)果。3)基于MR數(shù)據(jù)預(yù)測CT圖像算法研究。用已有的MR數(shù)據(jù)預(yù)測高質(zhì)量的CT圖像對基于MR圖像的放療劑量計劃以及PET/MR系統(tǒng)中PET數(shù)據(jù)的衰減校正具有重要意義。目前,基于MR圖像預(yù)測CT圖像的算法主要包含兩大類：第一類是基于圖譜配準(zhǔn)的方法。這類方法高度依賴于形變配準(zhǔn)算法的準(zhǔn)確性。第二類是基于體素的方法�；隗w素的方法通常假設(shè)MR和CT之間的灰度值具有一一對應(yīng)的關(guān)系。但是這種假設(shè)在不加任何約束的條件下并不成立,例如,腦脊液和空氣在T1加權(quán)的MR圖像中具有相似的灰度值,然而它們所對應(yīng)的CT圖像值卻有很大差異。針對基于體素的CT預(yù)測方法中存在的問題,本文提出一種基于局部稀疏對應(yīng)點(diǎn)組合(local sparse correspondence combination, LSCC)的由MR圖像預(yù)測CT圖像的方法。LSCC假設(shè)MR樣本和CT樣本位于兩個不同的非線性流形上,以及在局部約束條件下,從MR流形到CT流形之間的映射近似于一個微分同胚映射。LSCC強(qiáng)調(diào)MR與CT流形上的局部性,以期在局部約束下,MR和CT之間的灰度值具有一一對應(yīng)的關(guān)系,從而解決基于體素方法中存在的問題。LSCC具體通過以下方式加強(qiáng)局部約束條件：1)對MR測試圖像中的每個點(diǎn),提取MR訓(xùn)練圖像中以該點(diǎn)為中心的局部窗口內(nèi)的訓(xùn)練樣本,組成MR字典；2)采用k近鄰算法尋找測試樣本點(diǎn)在MR字典中的k個近鄰,更新MR字典以保證MR字典的局部性；3)結(jié)合k-均值聚類、k近鄰算法探測CT字典中的離群值,刪除離群值后更新CT字典,以保證CT字典的局部性；4)用MR字典對測試樣本點(diǎn)進(jìn)行局部線性表達(dá),用強(qiáng)調(diào)局部性的LAE (local anchor embedding)算法解得字典系數(shù)。在以上局部約束條件下,將MR字典系數(shù)由MR流形傳到CT流形,用以加權(quán)組合CT字典中的訓(xùn)練樣本,得到測試樣本點(diǎn)的CT預(yù)測圖像塊。當(dāng)對MR測試圖像中的每個點(diǎn)都預(yù)測出一個CT圖像塊之后,對重疊的預(yù)測圖像塊加權(quán)合并,獲得每個點(diǎn)的CT預(yù)測值。實(shí)驗(yàn)包含13個病人數(shù)據(jù),每個病人數(shù)據(jù)含有T1、T2加權(quán)MR圖像以及CT圖像,共39幅圖像。實(shí)驗(yàn)中通過計算預(yù)測CT圖像與真實(shí)CT圖像之間的絕對誤差均值(mean absolute error, MAE),衡量了本文提出的LSCC算法在CT圖像預(yù)測中的有效性。
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：R814.42;TP391.41
【圖文】：

分割結(jié)果也存在差異。由此看來，有效的前列腺ＣＴ圖像分割算法能減輕醫(yī)生的逡逑負(fù)擔(dān)，極為臨床所需要。逡逑圖３－１邋（ａ）顯示了Ｈ維前列腺ＣＴ圖像中的一層，（ｂ）為該層前列腺ＣＴ圖逡逑像所對應(yīng)的手動分割結(jié)果。從圖３－１邋（ａ）中可看出，ＣＴ圖像中前列腺邊緣不逡逑夠明顯，前列腺部位的精確分割是非常困難的。圖３－１邋（Ｃ）展示了同一病人在逡逑兩個不同治療時間點(diǎn)所采集的治療圖像中的前列腺手動分割結(jié)果，我們可Ｗ看逡逑到，盡管顯示的兩個前列a刪粲諭徊∪�，但矢`誆煌鬧瘟剖奔淶�，它们辶x系男巫春臀恢萌勻淮嬖諍艽蟮牟鉅臁Ｓ紗絲蠢�，前列腺Ｃａj枷竦木販指罹哂繡義蝦艽蟮奶粽叫�。辶x希保靛義

本文編號：2748460