本文關鍵詞：基于圖像分塊和多尺度學習的肺4D-CT圖像超分辨率重建研究

  更多相關文章： 肺4D-CT數(shù)據(jù) 超分辨率重建 圖像塊 自適應選取 圖像自相似性 多尺度分析 稀疏表示

【摘要】：肺4D-CT在肺癌的治療中,對于準確定位腫瘤靶區(qū)、實現(xiàn)個體化精確放療具有重要的應用價值。它動態(tài)采集患者呼吸時的CT圖像,而后通過圖像重建和重新排序得到患者在不同呼吸相位的3D-CT圖像。與傳統(tǒng)3D-CT相比,4D-CT不僅能夠明顯消除呼吸運動偽影,而且能夠真實準確地反映肺部隨呼吸運動的變化規(guī)律。醫(yī)生可以根據(jù)4D-CT圖像來分析靶區(qū)及危及器官在呼吸過程中運動及變形規(guī)律,并依照患者的運動幅度對計劃靶區(qū)適當外擴以得到個體化的計劃靶區(qū)。使得在放射治療過程中,既能滿足靶區(qū)的劑量需求,又能降低對正常組織和器官的毒副作用。然而,由于CT高劑量照射的特性,以及較長的數(shù)據(jù)采集時間,無法實現(xiàn)沿縱向(Z軸方向)進行密集采樣,這就導致了數(shù)據(jù)層間分辨率遠低于層內(nèi)分辨率,造成各項數(shù)據(jù)異性。因此,在觀察數(shù)據(jù)冠矢狀面圖像時,需沿Z軸進行插值放大以顯示正確比例的圖像,但是簡單的插值方法,并不引入新的信息,往往造成圖像模糊。超分辨(Super Resolution, SR)重建是提高圖像分辨率的有效方法。本文以提高肺4D-CT圖像分辨率為目標,提出了兩種基于肺4D-CT圖像數(shù)據(jù)本征特征的SR重建算法。其一,我們提出了一種基于圖像分塊的SR重建算法：(1)我們將肺4D-CT各相位圖像視為多幀退化的低分辨率(Low Resolution,LR)圖像輸入,然后采用基于重建的方法進行SR重建。肺4D-CT圖像采集過程可以看作是高分辨率(High Resolution, HR)肺圖像經(jīng)過一系列降質(zhì)因素而生成多幀LR圖像的過程�；谥亟ǚ椒ǖ腟R問題,其關鍵在于建立一個精確簡潔的退化模型,以模擬原始HR圖像如何經(jīng)過一系列復雜的過程而退化為LR降質(zhì)圖像。該模型包含了致使生成圖像發(fā)生形變的相對運動,不同形式的模糊,降采樣處理以及各種噪聲。(2)觀察肺4D-CT圖像時發(fā)現(xiàn),呼吸運動偽影有時會造成不同相位圖像在局部結(jié)構(gòu)上存在較大差異。為了避免不同相位圖像偽影對重建結(jié)果的影響,我們對圖像進行分塊處理。而后,針對每一個LR目標圖像塊,利用相似性測度函數(shù)度量其他相位對應圖像塊與目標圖像的相似程度。最后通過與設定閾值的比較,來判斷該圖像塊是否屬于目標圖像塊的相似塊,保留相似塊以參與SR重建,篩除不相似的圖像塊。我們在歐式距離的基礎之上定義了一個相似性測度函數(shù),為了能夠更好的表征圖像塊的結(jié)構(gòu)信息,該相似性測度函數(shù)中融合了圖像塊的灰度信息及特征信息。實驗結(jié)果表明,這種圖像塊的自適應選取能夠有效過濾掉結(jié)構(gòu)差異明顯的圖像塊,保留結(jié)構(gòu)相似的圖像塊。進而減少SR重建時的干擾,達到消除偽影的目的。(3)我們將Demons配準算法應用到肺4D-CT數(shù)據(jù)中,將目標圖像塊作為參考圖像,選出的相似圖像塊依次作為浮動圖像,來估計二者之間的運動變形場�；谙袼鼗叶鹊腄emons配準算法,精度高、速度快,不需要對圖像序列進行預處理,而且CT圖像具有灰度連續(xù)性,相比其他算法更適合于臨床應用。(4)在獲得圖像塊之間的運動變形場之后,我們采用凸集投影(POCS)算法重建得到HR圖像塊。該算法簡單有效,也能方便加入先驗知識。最后,將所有生成的HR圖像塊拼接,并加入全局約束后,即可獲得最終輸出的完整HR肺4D-CT圖像。實驗結(jié)果表明,本文提出的方法能夠有效地消除偽影、重建出邊緣和細節(jié)均得到顯著增強的HR肺4D-CT圖像。其二,本文提出了一種利用基于學習的SR重建技術來提高肺4D-CT圖像分辨率的方法�；谥亟ǖ姆椒ㄐ枰捎门錅驶驂K匹配方法進行運動估計,導致其速度和精度往往受到配準速度和精度的限制。而基于學習的方法可以避免這一過程,成為了當前SR重建技術研究的熱點領域。它通過機器學習方法從訓練樣本中產(chǎn)生學習模型,在對輸入的LR圖像進行恢復的過程中引入由學習模型獲得的先驗知識,以得到圖像的高頻信息,達到提高圖像分辨率的目的。因此,該類方法需要同時有原始HR圖像和對應LR圖像構(gòu)建訓練集。但是,肺4D-CT數(shù)據(jù)在軸向都是低分辨率的,無法獲取冠矢狀面的原始HR圖像。于是,選取何種數(shù)據(jù)來構(gòu)建訓練集是我們所面臨的第一個問題。另外,基于學習的SR重建算法,其訓練和重建過程均是以圖像塊為處理對象的,因此需要將圖像劃分為一系列重疊圖像塊。一般采用的圖像分塊方式是基于單一尺度的。但是,肺4D-CT圖像的解剖結(jié)構(gòu)特征卻是存在于不同尺度之下的。因此,如何設定圖像塊的大小,以適應于肺部不同尺度下的解剖信息,是我們所面臨的第二個問題。針對以上兩個問題,我們提出了一種基于圖像自相似性的多尺度稀疏表示肺4D-CT圖像超分辨重建方法。該算法不僅很好地解決了以上兩個難題,更重建出了視覺效果和量化評價均較優(yōu)的HR圖像。其詳細內(nèi)容如下：(1)我們利用圖像的自相似性來解決構(gòu)建訓練集的問題。圖像白相似性的提出源自于對圖像的觀察,發(fā)現(xiàn)一些細小的結(jié)構(gòu)在整幅圖像中重復出現(xiàn)。此概念已經(jīng)被廣泛地用于一系列圖像處理技術之中。本文中我們研究了圖像塊尺寸分別為16×16,8×8和4×4的冠矢狀面圖像同橫斷面圖像之間的自相似性,并采用結(jié)構(gòu)相似性(Structure Similarity, SSIM)這一指標來度量圖像塊之間的相似性。實驗結(jié)果表明,冠矢狀面圖像同橫斷面圖像不同尺度下的組織結(jié)構(gòu)均存在一定的相似性�；诖讼嗨菩�,面對缺失冠矢狀面HR圖像的情形,我們采用橫斷面的HR和LR圖像塊作為訓練集。(2)建立好訓練集,我們采用基于稀疏表示的SR重建技術來生成HR圖像。該算法的核心思想就是將HR圖像塊和其對應的LR圖像塊組對,用圖像塊對作為訓練數(shù)據(jù),聯(lián)合訓練得到HR字典DH及LR字典q。這種聯(lián)合訓練的目的是為了保證成對的HR和LR圖像塊具有相同的稀疏表示。因此,對于輸入的LR圖像塊,可以直接利用它經(jīng)字典DL表示后的稀疏系數(shù),再通過字典DH,重建得到對應的HR圖像塊。將所有的HR圖像塊拼接后,即可輸出完整的HR圖像。(3)考慮到肺部圖像解剖結(jié)構(gòu)特征存在于不同尺度之下的數(shù)據(jù)特性,我們引入了多尺度策略。圖像多尺度分析最早可以追溯到1980年,先前的大量引入此策略構(gòu)建多尺度字典的算法,均是建立在預先設定字典的基礎之上。近年來,基于學習的多尺度字典構(gòu)建方法得到了學者們的廣泛關注。本文,我們結(jié)合不同尺度下冠矢狀面與橫斷面圖像自相似的研究結(jié)果,采用四叉樹劃分原則,構(gòu)建多尺度圖像塊,并通過字典學習的方法訓練得到全局多尺度字典,實現(xiàn)基于圖像自相似性的多尺度稀疏表示肺4D-CT圖像超分辨率重建。實驗結(jié)果表明，，該方法在視覺評價和定量評估方面均優(yōu)于基于單一尺度的稀疏表示算法,雙線性插值算法及POCS算法,并且避免了POCS算法中對結(jié)果速度及精度造成限制的圖像配準步驟。本文實驗數(shù)據(jù)來源于德州大學安德森癌癥中心DIR實驗室提供的一套公共可用的肺4D-CT數(shù)據(jù)集。該數(shù)據(jù)集由10組肺4D-CT數(shù)據(jù)組成；每組數(shù)據(jù)包含10個相位,包括極端的吸氣和呼氣時段。利用此數(shù)據(jù)集,我們對本文提出的兩種方法分別進行了仿真數(shù)據(jù)和真實數(shù)據(jù)的實驗驗證。(i)仿真實驗：由于數(shù)據(jù)集僅有橫斷面HR圖像。因此,我們利用橫斷面圖像按照退化模型生成多幅LR仿真圖像進行實驗研究。不僅從視覺和量化評價兩方面對本文算法的重建結(jié)果進行評價。同時還對算法中涉及到的重要參數(shù)進行相關分析。(ii)真實數(shù)據(jù)實驗：選取數(shù)據(jù)集中不同數(shù)據(jù)不同相位下的冠矢狀面LR圖像,利用本文提出超分辨率方法重建,從視覺方面對重建結(jié)果進行比較評價。實驗結(jié)果表明,在視覺評價方面,與全局POCS算法相比,本文提出的基于分塊的POCS算法能夠有效消除偽影重建出更加準確的圖像；與三次樣條插值算法和背投影(Back Projection, BP)算法相比,該方法所重建的HR圖像其邊緣和細節(jié)均得到顯著增強。對比基于單一尺度的算法,本文提出的基于圖像自相似性的多尺度稀疏表示方法可以有效地捕獲肺部不同尺度下的解剖結(jié)構(gòu)特征,重建出視覺效果更好的HR圖像。對比雙線性插值算法,該方法重建出的HR圖像清晰度顯著提升,并包含了更加豐富的細節(jié)信息。對比POCS算法,本章算法不僅改善了HR圖像在細微結(jié)構(gòu)的顯示質(zhì)量,更避免了POCS算法中對結(jié)果速度及精度造成限制的圖像配準步驟。從量化評價結(jié)果來看,本文提出的兩種方法也均優(yōu)于其對比算法。
【關鍵詞】：肺4D-CT數(shù)據(jù) 超分辨率重建 圖像塊 自適應選取 圖像自相似性 多尺度分析 稀疏表示
【學位授予單位】：南方醫(yī)科大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;R734.2;R730.44
【目錄】：

• 摘要3-8
• ABSTRACT8-17
• 第一章 緒論17-21
• 1.1 研究背景及意義17-19
• 1.2 研究內(nèi)容及章節(jié)安排19-21
• 第二章 圖像超分辨率重建技術21-32
• 2.1 基本概念21-22
• 2.2 圖像退化模型22-24
• 2.3 超分辨率重建方法24-30
• 2.3.1 基于插值的方法24-25
• 2.3.2 基于重建的方法25-28
• 2.3.3 基于學習的方法28-30
• 2.4 本章小結(jié)30-32
• 第三章 基于分塊的肺4D-CT圖像超分辨率重建32-48
• 3.1 理論與方法32-37
• 3.1.1 算法綜述32-33
• 3.1.2 圖像塊的自適應選取33-34
• 3.1.3 運動估計34-35
• 3.1.4 凸集投影(POCS)SR重建35-36
• 3.1.5 全局約束36-37
• 3.2 實驗結(jié)果37-46
• 3.2.1 仿真數(shù)據(jù)37-38
• 3.2.2 參數(shù)分析38-40
• 3.2.3 仿真數(shù)據(jù)視覺及量化評價40-42
• 3.2.4 真實數(shù)據(jù)42-46
• 3.3 本章小結(jié)46-48
• 第四章 基于圖像自相似性的多尺度稀疏表示肺4D.CT圖像超分辨率重建48-66
• 4.1 理論與方法48-58
• 4.1.1 算法綜述48-50
• 4.1.2 圖像自相似性50-51
• 4.1.3 基于稀疏表示的超分辨率重建51-55
• 4.1.4 多尺度分析55-58
• 4.2 實驗結(jié)果58-65
• 4.2.1 訓練數(shù)據(jù)58-59
• 4.2.2 多尺度字典59
• 4.2.3 仿真實驗59-62
• 4.2.4 多平面重建結(jié)果62-65
• 4.3 本章小結(jié)65-66
• 第五章 總結(jié)與展望66-69
• 5.1 論文總結(jié)66-67
• 5.2 課題展望67-69
• 參考文獻69-77
• 攻讀碩士期間成果77-78
• 致謝78-79

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 韓維維;陽寧光;;基于小波變換的醫(yī)學圖像插值研究[J];江漢大學學報(自然科學版);2006年04期

2 楊柳,李德玉,何愛軍,王龍;醫(yī)學圖像多維重建中的插值問題研究進展[J];生物醫(yī)學工程學雜志;2003年04期

3 陳春濤,楊新,孫錕;三維B超醫(yī)學圖像插值重構(gòu)研究[J];信號處理;2004年06期

4 ;北京生物醫(yī)學工程2002年索引主題索引[J];北京生物醫(yī)學工程;2002年04期

5 朱楊興;鮑旭東;;基于非剛體配準的體數(shù)據(jù)插值重建方法[J];中國醫(yī)學物理學雜志;2006年06期

6 石祥林;鮑旭東;;基于非剛體配準的體數(shù)據(jù)插值重建方法[J];現(xiàn)代生物醫(yī)學進展;2006年11期

7 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 胡巍;張桂林;陳朝陽;;基于正交函數(shù)積分理論的圖像插值方法[A];1998年中國智能自動化學術會議論文集（下冊）[C];1998年

2 姚春蓮;高麗華;陳誼;李煒;;基于圖像插值的幀內(nèi)預測[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（上冊）[C];2008年

3 肖義男;文玉梅;羅毅;;基于邊緣敏感濾波的圖像插值模糊消除[A];中國儀器儀表學會第六屆青年學術會議論文集[C];2004年

4 仵冀穎;阮秋琦;;偏微分方程約束的非局部均值圖像插值模型[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 ;愛國者自然窗330T[N];中國計算機報;2001年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 馬里千;高真實感可視媒體的智能編輯與合成[D];清華大學;2015年

2 魏平;數(shù)字乳腺鉬靶圖像的軟拷貝顯示技術研究[D];浙江大學;2009年

3 Rukundo Olivier;灰度圖像插值優(yōu)化方法的研究[D];華中科技大學;2012年

4 劉芳;圖像可逆信息隱藏技術若干問題研究[D];大連理工大學;2013年

5 劉哲星;醫(yī)學圖像回溯性配準研究[D];第一軍醫(yī)大學;2002年

6 許博謙;星載相機微振動下圖像補償技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2015年

7 付曉薇;基于量子力學的圖像處理方法研究[D];華中科技大學;2010年

8 張健;復雜圖像文本提取關鍵技術與應用研究[D];南開大學;2014年

9 馮宇平;圖像快速配準與自動拼接技術研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2010年

10 魏昱;圖像顯著性區(qū)域檢測方法及應用研究[D];山東大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 翟珍珍;多尺度分析方法在醫(yī)學影像診斷系統(tǒng)中的應用研究[D];鄭州大學;2015年

2 王鳳嬌;基于眼動數(shù)據(jù)的分類視覺注意模型[D];北京交通大學;2016年

3 朱喜玲;圖像的復數(shù)基表達及其在圖像偽裝中的應用[D];北方工業(yè)大學;2016年

4 劉千石;基于邊緣重構(gòu)的圖像插值[D];浙江大學;2016年

5 謝坤;基于圖像的虛擬試衣技術研究[D];吉林大學;2016年

6 黃秋陽;基于肝臟CT圖像的三維建模與體積計算方法研究[D];吉林大學;2016年

7 劉奔;圖像型垃圾郵件檢測機制與算法研究[D];西南交通大學;2016年

8 楊帆帆;基于插值的拼接圖像盲取證技術研究[D];山東大學;2016年

9 文豪;用于內(nèi)容恢復的圖像自嵌入算法研究[D];西南交通大學;2016年

10 王婷婷;基于圖像分塊和多尺度學習的肺4D-CT圖像超分辨率重建研究[D];南方醫(yī)科大學;2016年

本文編號：838750