對參考圖金字塔頂層圖像的指定區域進行幾何坐標剛體變換得到新的區域；
[0026] 2d)通過三次B樣條插值方法得到浮動圖金字塔頂層圖像在2c)新區域的坐標；
[0027] 2e)利用基于聯合直方圖的相似性測度計算參考圖金字塔頂層圖像和插值圖之間 的相似度，得到一個關于幾何變換參數的函數；
[0028] 2f)相似度函數輸入到粒子群算法優化算法中進行最優化計算得到最優變換參 數，這個過程通過迭代來實現，即重復2c)~2e)步直到取得最大值；
[0029] 2g)將通過粒子群算法搜索的變換參數作為下一階段優化算法搜索的起始點，對 圖像金字塔上的最后兩層圖像進行處理，原理同2c)~2f)，優化算法使用了收斂速度更快 的改進鮑威爾算法。
[0030] 2h)輸出浮動圖在最終變換下的配準圖像。經粗配準，即得到與源圖像序列A對應 的圖像序列C。
[0031] 進一步的，所述步驟2e)中，對兩幅圖像的聯合直方圖的定義為：兩幅圖像中對應 像素灰度值的統計概率分布，對于離散圖像，其概率密度為：
[0032] P (m, n) = N (m, n) /M
[0033] 其中，M為一幅圖像所包含的像素總數；N(m，η)為兩幅圖像中對應像素灰度值分 別為m和η的像素總數，以一幅圖像的灰度值為橫坐標，另一幅圖像的灰度值為縱坐標，畫 出的概率分布圖稱為聯合直方圖。
[0034] 基于聯合直方圖的配準相似性測度如下：
【主權項】
1. 一種肝臟多相期CT圖像融合方法，其特征在于，包括如下步驟： 步驟一、輸入肝臟動脈期圖像序列A和肝臟靜脈期圖像序列B ; 步驟二、利用基于聯合直方圖的多分辨率CT圖像配準方法進行粗配準，對于圖像序列 A中每一張 CT圖像，在圖像序列B中找到空間位置相同的CT圖像；即得到與源圖像序列A 對應的圖像序列C ; 步驟三、對圖像序列A進行基于置信連接的自動肝臟圖像分割，得到分割后肝臟圖像 序列D ; 步驟四、利用步驟三分割后所得肝臟的輪廓線作為圖像序列C的初始輪廓；對圖像序 列C進行基于梯度向量流snake模型的肝臟分割，得到分割后圖像序列E ; 步驟五、分別對肝臟圖像序列D，圖像序列E進行基于定向區域生長算法的血管提取； 5a)對肝臟圖像灰度分析選取血管根部的種子點； 5b)使用定向區域生長算法對血管進行分割； 5c)肝臟圖像序列D經血管提取后得到肝實質圖像序列F，肝臟圖像序列E經血管提取 后得到肝實質圖像序列G，輸出圖像序列F和圖像序列G ; 步驟六、利用基于B樣條的自由形變變換和基于空間加權互信息的非剛性配準方法進 行細配準，對上面步驟分割提取后的肝實質進行處理，即對于肝實質圖像序列F中每一張 CT圖像，在肝實質圖像序列G中進行配準； 步驟七、基于小波變換進行圖像融合。
2. 根據權利要求1所述的方法，其特征在于，所述步驟二的詳細步驟為： 2a)輸入待配準的兩幅源圖像，分別記為參考圖像和浮動圖像； 2b)通過金字塔算法對待參考圖和浮動圖進行多分辨率處理，將圖像分為三層，構成圖 像金字塔，頂層圖像分辨率最小，最底層為原始圖像； 2c)對參考圖金字塔頂層圖像的指定區域進行幾何坐標剛體變換得到新的區域； 2d)通過三次B樣條插值方法得到浮動圖金字塔頂層圖像在2c)新區域的坐標； 2e)利用基于聯合直方圖的相似性測度計算參考圖金字塔頂層圖像和插值圖之間的相 似度，得到一個關于幾何變換參數的函數； 2f)將2e)計算的相似度函數輸入到粒子群算法優化算法中進行最優化計算得到最優 變換參數，這個過程通過迭代來實現，即重復2c)~2e)步直到取得最大值； 2g)將通過粒子群算法搜索的變換參數作為下一階段優化算法搜索的起始點，對圖像 金字塔上的最后兩層圖像進行處理，原理同2c)~2f)，優化算法使用了鮑威爾算法； 2h)輸出浮動圖在最終變換下的配準圖像；經粗配準，即得到與源圖像序列A對應的圖 像序列C。
3. 根據權利要求2所述的方法，其特征在于，所述步驟2e)中，對兩幅圖像的聯合直方 圖的定義為：兩幅圖像中對應像素灰度值的統計概率分布，對于離散圖像，其概率密度為： P (m, n) = N (m, n) /M 其中，M為一幅圖像所包含的像素總數；N(m，η)為兩幅圖像中對應像素灰度值分別為m 和η的像素總數，以一幅圖像的灰度值為橫坐標，另一幅圖像的灰度值為縱坐標，畫出的概 率分布圖稱為聯合直方圖。 基于聯合直方圖的配準相似性測度如下： X pa > (/../) N(tx,tv,tz,e) = ~-- /λν> (/,./) Uj 其中閾值h取圖像中像素取值范圍的10%能獲得較好的效果， 在實現時，計算閾值區域內的點的個數，在求解時，就能夠計算相似函數中 hj .石，〇'")的值。
4. 根據權利要求2所述的方法，其特征在于，所述步驟2f)中，設定一個搜索問題，規模 為R的粒子群在D維空間優化，粒子i (1彡i彡R)在第η (1彡η彡Nmax)代的速度表示為 ￥;[(11) = (￥；[1，￥12，"％￥10)，位置表示為乂;[(11)=(叉;[1，叉12，"*，叉10);為了保持每個粒子 的速度慣性，引入了慣性常數ω這個量；ω值較小時，能使得粒子最終收斂到最佳位置；ω 值較大時，能使得粒子在全局范圍內搜索能力提高；改進的粒子速度更新公式如下所示： Vij(n) = wViJ(n-l) + a jtpjj-Xj^n-Dl + a 2ρ2[ρυΓχ^·(η-1)] 其中η為迭代次數，a 1、a 2為加速常數，β 1、β 2的取值為 [〇, 1]范圍內的隨機數，Pij為粒子i的歷史最佳位置在j維上的值，而P uj為某一局部 區域內所有粒子的歷史最佳位置在j維上的值，若該區域所包含的粒子為整個群體，則P u 代表的是整個粒子群最佳歷史位置，否則Pu代表局部的最佳位置。 當算法迭代次數達到最大值時或者當粒子搜索的最佳歷史位置低于設定的閾值以及 在參數空間中粒子之間的距離接近設定的閾值時，算法將終止迭代。
5. 根據權利要求1所述的方法，其特征在于，所述步驟三的詳細步驟為： 3a)利用改進的曲線各向異性擴散濾波對CT圖像進行平滑預處理； 3b)對預處理圖像的灰度分析自動選取序列種子點； 3c)使用置信連接的區域生長算法對肝臟進行分割； 3d)利用空洞填充法改善分割結果，得到源圖像序列A分割后肝臟圖像序列D。
6. 根據權利要求1所述的方法，其特征在于，所述步驟四的詳細步驟為： 4a)利用步驟三分割后所得肝臟的輪廓線作為圖像序列C的初始輪廓； 4b)得到需分割圖像的邊界圖f(x，y); 4c)得到邊界圖f(x，y)的梯度向量流； 4d)得到輪廓線的內部能量，即彈性能量和彎曲能量； 4e)綜合所有能量進行曲線的變化，并得到輪廓線的最終收斂結果；即得到圖像序列C 分割后肝臟圖像序列E。
7. 根據權利要求1所述的方法，其特征在于，所述步驟六的詳細步驟為： 6a)輸入待配準的兩幅肝實質圖像，分別記為參考圖像和浮動圖像； 6b)通過自由形變變換對參考圖的肝實質進行幾何建模，并采用B樣條插值方法得到 浮動圖網格新坐標； 6c)利用空間加權方式改進的互信息作為相似性測度計算參考圖和插值圖之間的相似 度，得到一個關于幾何變換參數的函數； 6d)將6c計算得到的相似度函數輸入到有限存儲LBFGS搜索算法優化器中進行最優化 計算得到最終變換參數； 6e)輸出浮動圖在最優變換下的配準圖像。
8.根據權利要求5所述的方法，其特征在于，所述步驟七的詳細步驟為： 7a)分別對步驟六中的參考圖和配準圖像進行小波分解，得到參考圖和配準圖像的不 同頻帶系數； 7b)按照融合規則進行融合處理； 7c)對融合后所得系數進行小波逆變換，所得的重構圖像即為融合圖像。
【專利摘要】本發明公開了一種肝臟多相期CT圖像融合方法，首先利用基于聯合直方圖的多分辨率CT圖像配準方法對源圖像序列進行粗配準，接著結合置信連接的區域生長算法實現了肝臟的圖像自動分割和基于梯度向量流snake模型的肝臟圖像分割，有效的提取肝臟的邊緣信息；再對肝臟圖像進行基于定向區域生長算法的血管提取，接著對肝實質圖像進行基于B樣條自由形變變換和基于空間加權互信息的肝臟非剛性配準，精確找到空間同一位置的圖像對；最后基于小波變換進行圖像融合。本發明針對肝臟CT圖像的特點，將圖像分割和圖像配準過程結合到圖像的融合過程中，從而大大提高了融合的精度。
【IPC分類】G06T7-00, G06T5-50, G06T3-00, G06T3-40
【公開號】CN104835112
【申請號】CN201510229054
【發明人】黃曉陽, 王博亮, 周斌
【申請人】廈門大學
【公開日】2015年8月12日
【申請日】2015年5月7日