本發(fā)明涉及醫(yī)學(xué)工程
技術(shù)領(lǐng)域：
，具體涉及一種多尺度圖像域雙能分解算法。
背景技術(shù)：
：目前，現(xiàn)代X射線CT成像廣泛應(yīng)用于醫(yī)學(xué)臨床診斷與治療應(yīng)用中，具有巨大的社會價值與意義。近些年，隨著各種CT成像新模態(tài)的不斷涌現(xiàn)，雙能CT及其圖像域分解表現(xiàn)出巨大的臨床潛力。雙能CT及其圖像域分解首先可采用任意高、低能切換技術(shù)，達(dá)到實(shí)測雙能投影的目的；然后采用濾波反投影(FBP)算法根據(jù)實(shí)測高能與低能投影分別重建高、低能CT圖像；最后根據(jù)針對高、低能CT圖像，進(jìn)行圖像域分解。圖像域分解存在多種方法，包括直接求逆法、極小化目標(biāo)函數(shù)(如單尺度PWLS)法等。直接求逆法，優(yōu)點(diǎn)是原理簡單、實(shí)現(xiàn)簡便，缺點(diǎn)是雙能分解得到的基材料圖像噪聲非常大，對臨床診斷與治療質(zhì)量有著明顯的負(fù)面影響。單尺度PWLS法，在保持直接求逆法優(yōu)點(diǎn)的同時，可以有力地克服直接求逆法基材料圖像信噪比差的缺陷，極大地提升分解圖像的質(zhì)量。但是，需要注意的是單尺度PWLS法在信噪比與空間解析度之間的平衡方面，仍然未取得最優(yōu)分解性能。該缺點(diǎn)的可能原因是，CT圖像邊緣與噪聲在尺度空間中的分布特點(diǎn)具有顯著差異——非相關(guān)噪聲幾乎均勻地分布于整個尺度空間，而臺階式圖像邊緣的傅里葉變換隨著頻率增大近似呈現(xiàn)出指數(shù)衰減特點(diǎn)。單尺度PWLS法，對信號與噪聲的尺度不加區(qū)分，因此可能造成二者互相干擾。技術(shù)實(shí)現(xiàn)要素：針對現(xiàn)有技術(shù)不足，本發(fā)明提出了一種多尺度圖像域雙能分解算法，其中包括：1.高低能投影數(shù)據(jù)重建CT圖像本發(fā)明將實(shí)測投影包括高、低能投影數(shù)據(jù)采用濾波反投影算法重建出高、低能CT圖像。2.圖像域多尺度分解本發(fā)明采用如下各向同性熱擴(kuò)散方程進(jìn)行高低能CT圖像在圖像域的多尺度分解：∂∂tf(x,y,t)=dΔf(x,y,t),t≥0,---(1)]]>fs(x，y)＝f(x，y，ts)-f(x，y，ts-1)，ts＞ts-1，t0＝0，(2)其中(x，y)為二維CT圖像中任意一點(diǎn)；f(x，y)為二維高或低能CT圖像；t為時間；d為熱擴(kuò)散常數(shù)；Δ為拉普拉斯算子；fs(x，y)為多尺度分解得到的尺度s下的CT圖像，ts為對應(yīng)尺度下的熱擴(kuò)散時間。在多尺度圖像分解中使用高斯卷積核函數(shù)，在t＝0時，定義f(x，y，0)≡f(x，y)，則：f(x,y,t)=g(x,y,σ2)⊗f(x,y,0),σ2=2dt,---(3)]]>符號表示關(guān)于(x，y)的二維卷積操作，g(x，y，σ2)是高斯卷積核函數(shù)，定義為：g(x,y,σ2)=12πσ2exp(-||(x,y)||22/(2σ2)),---(4)]]>符號||·||2表示L2正則；對高斯卷積核函數(shù)做二維傅里葉變換可得：G(v,w,σ2)=exp(-||2π(v,w)||22σ2/2),---(5)]]>(v，w)為空域變量(x，y)的頻域?qū)ε甲兞俊?.方差圖估計本發(fā)明為了估計每個尺度下的方差圖，首先在高或低能CT圖像中選擇一個均勻區(qū)域并估計數(shù)值方差常數(shù)C，然后高或低能CT圖像方差圖可按如下來假設(shè)：V(x，y)≡C，(6)最后我們仿照圖像域多尺度分解的方式，按如下公式估計每個尺度下的方差圖：Vs(x，y)＝V(x，y，ts)+V(x，y，ts-1)，V(x，y，0)＝V(x，y)，(7)其中忽略協(xié)方差影響，V(x，y，ts)根據(jù)公式(1)的離散形式和公式(6)的結(jié)果可很容易地估計出來。值得注意的是，公式(7)使用了兩個隨機(jī)變量(RVs)和的方差公式來設(shè)計一個算法，自動地估計每個尺度的方差圖，這比手動估計方差更有效。4.基于PWLS的雙能分解本發(fā)明采用懲罰加權(quán)最小均方(PWLS)算法對高、低能圖像雙能分解：(3-1)圖像域多尺度分解的尺度總數(shù)S為大于1的整數(shù)如4，即s＝1，2，…，S；圖像域雙能分解的基材料總數(shù)為2，分別對應(yīng)如骨和軟組織；(3-2)采用懲罰加權(quán)最小均方(PWLS)算法對高、低能圖像雙能分解，可實(shí)現(xiàn)基材料邊分解邊降噪，其中極小化目標(biāo)函數(shù)表示如下：Φ(μ→s)=(Aμ→s-f→s)′Vs-1(Aμ→s-f→s)+β→s0R(μ→s),---(8)]]>其中A為材料成分矩陣，不依賴于尺度s，維數(shù)為2N×2N，N為一個二維CT圖像的像素總數(shù)；μ→s=μ→1,s'μ→2,s'']]>為2N×1維列向量，與分別是將兩種基材料圖像拉直后的列向量；f→s=f→H,s'f→L,s'']]>為2N×1維列向量，與分別是多尺度分解得到的高、低能CT圖像拉直后的列向量；Vs為對角矩陣，維數(shù)為2N×2N，對角元素分別是高、低能CT圖像中每像素的噪聲方差；為正則項，決定雙能分解圖像的變動強(qiáng)度；為尺度s下的初設(shè)正則系數(shù)，決定極小化目標(biāo)函數(shù)中的保真項與正則項的平衡關(guān)系；(3-3)采用極小化目標(biāo)函數(shù)對高、低能圖像進(jìn)行雙能分解，對初設(shè)正則系數(shù)可通過如下方法調(diào)整：β→s(x,y)=β→s0/(1+ks|▿μ‾s(x,y)|/max|▿μ‾s|),---(9)]]>其中ks為伸縮因子，影響雙能分解得到圖像的空間分辨率；為采用直接求逆得到的雙能分解基材料圖像；為梯度算子；||表示求梯度矢量幅度。所述步驟(3-2)具體如下：(3-2-1)其中是基材料i＝1，2在能量j＝H，L下的等效線性衰減系數(shù)，I是N×N維單位陣；(3-2-2)Vs為對角矩陣，維數(shù)為2N×2N，對角元素分別是高、低能CT圖像在尺度s下每像素的噪聲方差。Vs=DV→H,s′V→L,s′,---(10)]]>其中D表示對行向量進(jìn)行對角線化操作，和為高低能CT圖像在尺度s下估計的表示為列向量的方差。5.各尺度的分解材料對應(yīng)相累加本發(fā)明把所有尺度(s＝1，2，...，S)下雙能分解得到的骨圖像和軟組織圖像進(jìn)行累加，即得骨分解圖像和軟組織分解圖像與現(xiàn)有技術(shù)相比，本發(fā)明的基于多尺度圖像域雙能分解的方法得到骨和軟組織基材料圖像與單尺度相比，在相同的噪聲水平下，保持更好的對比度及空間分辨率。附圖說明圖1為本實(shí)施例的多尺度圖像域雙能分解方法的流程圖；圖2為原始高能(125kV)與低能(75kV)二維CT圖像，顯示窗為[0.0150.045]mm-1；圖3為高、低能二維CT圖像直接矩陣求逆雙能分解的骨和軟組織基材料圖像，顯示窗[0.21.2]；圖4為高、低能二維CT圖像單尺度PWLS雙能分解的骨和軟組織基材料圖像，顯示窗[0.21.2]；圖5為高、低能二維CT圖像多尺度PWLS(k＝20)雙能分解的骨和軟組織基材料圖像，顯示窗[0.21.2]；圖6為高、低能二維CT圖像多尺度PWLS(k＝80)雙能分解的骨和軟組織基材料圖像，顯示窗[0.21.2]；圖7為在不同方法分解的骨圖像里分別從最大的線對開始在半個圓周內(nèi)采樣1800個點(diǎn)的一維曲線比較圖；圖8為在不同方法分解的軟組織圖像里分別從最大的線對開始在半個圓周內(nèi)采樣1800個點(diǎn)的一維曲線比較圖。具體實(shí)施方式下面將結(jié)合附圖和具體實(shí)施例對本發(fā)明進(jìn)行詳細(xì)描述。1.在一個實(shí)施例中，將實(shí)測投影包括高、低能投影數(shù)據(jù)采用濾波反投影算法重建出高、低能CT圖像，驗(yàn)證本發(fā)明相關(guān)算法對雙能分解基材料圖像噪聲、對比度、空間解析度的有效程度；2.上述技術(shù)方案中，所述的采用濾波反投影算法重建出高、低能CT圖像如圖(2)，骨和軟組織基材料圖像在同幅圖中；3.上述技術(shù)方案中，所述的高、低能CT圖像直接矩陣求逆分解的骨和軟組織基材料圖像如圖(3)，可發(fā)現(xiàn)分解的基材料圖像中含有很大的噪聲；4.上述技術(shù)方案中，所述的高、低能CT圖像單尺度PWLS基材料分解圖像如圖(4)，骨和軟組織的正則系數(shù)分別為1.9×10-5，7.6×10-5，可發(fā)現(xiàn)分解的基材料圖像中噪聲有很大程度的降低；5.上述技術(shù)方案中，所述的高、低能CT圖像多尺度PWLS基材料分解圖像如圖(5)，其中各尺度下尺度因子相同為k＝20并且最大尺度下正則系數(shù)初始值與圖4一樣，其它尺度下的骨和軟組織的正則系數(shù)初始值分別為2×10-5，8×10-5，為了在分解的基材料圖像中有相同的噪聲水平(選一個均勻區(qū)域如圖3中矩形框所示，計算其方差值作為噪聲水平)，其它尺度(除最大尺度)下的骨和軟組織的正則系數(shù)初始值會有輕微的調(diào)整；6.上述技術(shù)方案中，所述的高、低能CT圖像多尺度PWLS基材料分解圖像如圖(6)，其中各尺度下尺度因子相同為k＝80并且最大尺度下正則系數(shù)初始值與圖4一樣，其它尺度下的骨和軟組織的正則系數(shù)初始值分別為2.5×10-5，1.5×10-4，為了在分解的基材料圖像中有相同的噪聲水平(選一個均勻區(qū)域如圖3中矩形框所示，計算其方差值作為噪聲水平)，其它尺度(除最大尺度)下的骨和軟組織的正則系數(shù)初始值會有輕微的調(diào)整；7.上述技術(shù)方案中，所述的不同方法雙能分解基材料圖像一維曲線對比圖如圖(7)、(8)，可發(fā)現(xiàn)，所提多尺度圖像域雙能分解方法對分解的基材料圖像降噪的同時可保持很好的對比度和空間分辨率，并且尺度因子k越大，基材料圖像的對比度和空間分辨率越高。8.以上所述的具體實(shí)施方式對本發(fā)明的技術(shù)方案和有益效果進(jìn)行了詳細(xì)說明，應(yīng)理解的是以上所述僅為本發(fā)明的最優(yōu)選實(shí)施例，并不用于限制本發(fā)明，凡在本發(fā)明的原則范圍內(nèi)所做的任何修改、補(bǔ)充和等同替換等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3