基于图像块学习的伪CT图像合成研究

【摘要】：近年来,医学影像技术发展迅速,为患者提供了全面精确的诊断信息,并被广泛应用于各种临床诊断与辅助治疗。医学图像合成是指由一种医学成像设备获取的图像预测合成另外一种医学成像设备获取的图像,也称为医学图像模态映射。由于不同模态的医学图像各自不同的特点以及适用范围,使得医学图像合成可以实现医学图像之间数据信息的互补,丰富完善医学图像信息,减少对医学图像的过度采集,更好地服务于临床诊断和疾病治疗。由于CT成像技术在扫描过程中存在电离辐射风险,并且对软组织成像相对较差,使得其在临床上的应用受到一定限制。MRI图像相比于CT图像不仅能够获得更高质量的软组织对比效果,而且成像过程中不产生电离辐射。因而,基于MRI图像的伪CT图像合成,成为一种新兴的医疗图像分析方法,也是当前医学图像处理领域研究的热点问题。本论文所做的主要工作如下:(1)提出基于非局部自相似与联合字典学习的伪CT图像合成算法。针对基于图像块的伪CT图像合成中对非相似的图像块进行加权平均导致图像合成精度降低的问题,研究提出基于非局部自相似与联合字典学习(DL-B)的伪CT图像合成算法。该算法利用图像的非局部自相似约束,结合构建的联合稀疏字典,训练学习得到MRI图像与CT图像之间映射关系,实现MRI图像对伪CT图像的预测合成。对提出的DL-B算法与基于图谱集的算法、基于组织分割的算法进行了对比,从颅底部位实验、颅腔部位实验、组内实验以及组间实验四个方面进行了仿真实验。仿真实验结果表明,提出的DL-B算法能够获得较好的伪CT图像合成,性能优于已有的图谱集算法和组织分割算法。(2)提出基于联合字典学习和随机森林(DL-RF)的伪CT图像合成算法。该算法利用改进的局部二值模式(LBP)和Gabor滤波器提取图像特征,并用主成分分析(PCA)对图像特征向量进行降维处理,然后对构造的联合稀疏字典模型,利用随机森林的树结构对映射关系矩阵进行训练学习,获得MRI和CT的映射关系函数,重构输出实现伪CT图像合成。仿真实验验证了提出的DL-RF算法相对基于图谱集的算法、组织分割的算法以及DL-B的算法的有效性,并进行组内实验与组间实验的仿真分析。(3)提出基于群组特征提取和交替回归森林(ARF)的伪CT图像合成算法。首先,利用图像中心体素特征、图像块子区域特征以及Gabor特征对原始图像采样以获取图像块群组特征,并用PCA对群组特征向量数据进行降维处理。其次,采用自迭代增强的交替回归森林模型进行训练,通过训练好的交替回归森林模型对MRI图像块回归合成对应的CT图像块体素信息,最后,重建输出完成伪CT图像合成。仿真实验验证了提出的ARF算法相对基于图谱集的算法、组织分割的算法、DL-B的算法以及DL-RF算法的有效性,并进行组内实验与组间实验的仿真分析。