一種基于區域對比的醫學圖像融合方法
【專利摘要】本發明公開了一種基于區域對比的醫學圖像融合方法，屬于醫學圖像處理領域。該方法包括以下步驟：a、獲取已配準的多模醫學圖像，根據多模醫學圖像的大小制定分塊策略，按照從上到下、從左到右的原則對圖像進行分塊操作；b、計算每一像素在不同分塊下的對比度和分塊圖像的直方圖矩陣，并以直方圖矩陣作為系數，生成每一像素的區域對比度矩陣；c、應用典型相關分析方法計算每一像素區域對比度矩陣的相關系數，求解像素區域對比度矩陣最相關時的系數矩陣；d、以求解得到的系數矩陣作為權值，生成融合圖像。與現有技術相比，本發明的基于區域對比的醫學圖像融合方法具有融合效果好、執行效率高等特點，具有很好的推廣應用價值。
【專利說明】
-種基于區域對比的醫學圖像融合方法
技術領域
[0001] 本發明設及醫學圖像處理領域，具體地說是一種基于區域對比的醫學圖像融合方 法。
【背景技術】
[0002] 隨著成像技術的發展，醫學圖像已成為現代醫學診斷和治療的重要手段。目前，臨 床中常用的醫學圖像主要分為解剖圖像和功能影像兩種。解剖圖像(如CT、MR等)能清晰的 提供器官的解剖結構、形態特征，并且具有較高的分辨率;功能影像(如PETJMRI等)可W準 確提供器官的功能和新陳代謝信息，但是其分辨率較低。單獨一種模態的圖像只能提供患 者某些方面的特征，不能反映其全部病理信息。因此，在臨床實踐中，往往需要有機整合多 種影像中的互補信息，融合多種模態的醫學圖像，為精確診斷和精準治療提供依據。
[0003] 現有技術中，多模醫學圖像融合方法按照處理策略可W分為像素級、特征級、決策 級=個層次，像素級融合方法主要有空域融合、變換域融合、智能融合等。空域方法通過對 像素值本身的加權平均或形態學處理進行融合，其計算簡單，融合效果較差。變換域方法首 先對醫學圖像進行金字塔、小波或多尺度幾何變換，提取變換域子帶系數，針對子帶系數制 定不同的融合規則，最后通過反變換生成融合圖像，其融合效果較好，但計算復雜度高，實 時性差。智能融合方法通過神經網絡、統計學習、模糊集等算法迭代計算融合系數，生成融 合圖像，其融合效果好壞往往依賴于學習算法的設計，且同樣存在計算復雜度高，實時性差 等問題。總的來講，現有的像素級融合方法都是基于多模醫學圖像的結構、形態、顏色、時頻 信息等特征制定融合策略，缺乏對像素空間位置關系及對比度等因素的分析；同時，現有方 法一般采取加權平均或絕對值取大作為融合規則，易使融合結果陷入全局最優，導致局部 細節丟失或模糊，難W滿足實際應用需求。
【發明內容】
[0004] 本發明的技術任務是針對上述現有技術的不足，提供一種應用像素空間位置關系 及對比度制定融合規則的基于區域對比的醫學圖像融合方法。
[0005] 本發明的技術任務是按W下方式實現的：一種基于區域對比的醫學圖像融合方 法，其特點是包括W下步驟：
[0006] a、獲取已配準的多模醫學圖像，根據多模醫學圖像的大小制定分塊策略，按照從 上到下、從左到右的原則對圖像進行分塊操作；
[0007] b、計算每一像素在不同分塊下的對比度和分塊圖像的直方圖矩陣，并W直方圖矩 陣作為系數，生成每一像素的區域對比度矩陣；
[000引C、應用典型相關分析方法計算每一像素區域對比度矩陣的相關系數，求解像素區 域對比度矩陣最相關時的系數矩陣；
[0009] d、W求解得到的系數矩陣作為權值，生成融合圖像。
[0010] 作為優選，步驟a中優選采用W下方式對圖像進行分塊操作：圖像分塊操作分t次進 行，每次分塊尺寸分別為多模醫學圖像大小的1,1/4,1/8…l/2t倍。t為大于等于2的正整數，定 義配準后多模醫學圖像A和B大小均為mXn(單位:像素），則t的最大取值為 良P f'巨[2, 。
[0011] 步驟b中采用W下方法計算每一像素區域對比度矩陣：
[0012] 定義多模醫學圖像A和B的分塊分別表示為BAi和BBi, i表示第i次分塊，i的取值為 大于等于2且小于等于t的正整數，分塊內像素點(x，y)的對比度CU, y)i為：
[0013]
[0014]
[001引分塊BAi和BBi的直方圖矩陣HAi、HBi，貝晦一像素區域對比度矩陣CU, y)為：
[0016] CA(x,y) = [HA(x,y)iXCA(x,y)r--HA(x,y)iXCA(x,y)i---HA(x,y)tXCA(x,y)t]^
[0017] CB(x,y) = [皿（x,y)lXCB(x,y)l???皿（x,y)iXCB(x,y)i???皿（x,y)tXCB(x,y)t]'。
[0018] 步驟C利用典型相關分析求解區域對比度矩陣的系數矩陣的方法包括：
[0019] 首先，生成待融合圖像像素點的對比度矩陣向量Z:
[0020] Z=[CA(x,y)CB(x,y)]
[0021] 計算其協方差矩陣S :
[0022]
[0023] 其中，乙ii = Cov(CA(x,y) ,CA(x,y))
[0024] E12= E2i = Cov(CA(x,y) ,CB(x,y))
[0025] E22 = Cov(CB(x,y) ,CB(x,y))
[00%]其次，令U=AiCAU, y)，V=BiCB(x，y)作為兩組變量的線性組合，則有，
[0027] Cov(U,V)=AiEi2Bi'
[002引其中，Ai、Bi為相關系數矩陣，即需要求解的系數矩陣，Bi'為Bi的轉置矩陣。
[0029] 步驟d的融合結果為：
[0030] C(x,y) =wiA(x,y)+W2B(x,y)
[003^1]其中，wi、W2 為 Ai、Bi 前 r 維系數，:r 為 CA(x,y)和 CB(x,y)的秩。
[0032] 與現有技術相比，本發明的基于區域對比的醫學圖像融合方法具有W下突出的有 益效果：
[0033] ( - )結合了區域相似性、像素空間位置關系等因素作為融合策略，利用相關系數 制定融合規則，使每一像素點融合結果與原多模圖像的相關性最高；
[0034] (二)采用特有的分塊方式，兼顧像素的全局及局部對比度，避免了融合結果的局 部最優。
【附圖說明】
[0035] 附圖1是本發明基于區域對比的醫學圖像融合方法的流程圖；
[0036] 附圖2是本發明提供的一例煩腦CT圖像實例；
[0037] 附圖3是本發明提供的一例煩腦MR圖像實例；
[0038] 附圖4是基于PCA方法對圖2和圖捕蟲合結果實例；
[0039] 附圖5是基于DCT變換方法對圖2和圖捕蟲合結果實例；
[0040] 附圖6是基于NSCT方法對圖2和圖捕蟲合結果實例；
[0041] 附圖7是基于LPSR方法對圖2和圖捕蟲合結果實例；
[0042] 附圖8是基于GFF方法對圖2和圖捕蟲合結果實例；
[0043] 附圖9是基于本發明方法對圖2和圖捕蟲合結果實例。
【具體實施方式】
[0044] 參照說明書附圖W具體實施例對本發明的基于區域對比的醫學圖像融合方法作 W下詳細地說明。
[0045] 【實施例】
[0046] 如附圖1所示，本發明的基于區域對比的醫學圖像融合方法的具體實施步驟為：
[0047] (1)獲取已配準多模態醫學圖像圖2和圖3,圖2為煩腦CT圖像，圖3為MR圖像，大小 均為512X512,分別將其表示為A和B。按照從左到右、從上到下的原則，對圖像進行t次不同 大小的分塊操作，/ e [2丄l0g_，(min(512,512))j]，即t G [2，10]。t值可W根據實際需要自由選 取，為了便于計算，本實施例中t = 5。
[004引設置分塊尺寸分別為原始圖像大小的1，1/4,1/8...1/2*倍。將A和B的每一分塊表 示為BAi和BBi, i表示第i次分塊操作，即大小為原始圖像的1/21倍時的分塊表示。
[0049] (2)計算分塊BAi和BBi的直方圖矩陣HAi、皿i，直方圖矩陣反映了每一像素在不同 的分快內的概率分布。之后，根據不同分塊內的像素均值MAi、MBi，計算分塊內像素點（X，y) 的對比度，
[(K)加]
[0化1 ]
[0052] 按照分塊大小進行排列，W直方圖矩陣HAi、皿1作為系數，生成每一像素的區域對 比度矩陣。
[0053] CA(x,y) = [HA(x,y)i XCA(x,y)r--HA(x,y)iXCA(x,y)i---HA(x,y)tXCA(x,y)t]^
[0054] CB(x,y)=[皿（x,y)i XCB(x,y)i...皿（x,y)iXCB(x,y)i...皿（x,y)tXCB(x,y)t]'
[0055] (3)利用典型相關分析方法計算每一像素點對比度矩陣的相關系數。
[0056] 首先，生成待融合圖像像素點的對比度矩陣向量
[0057] Z=[CA(x,y)CB(x,y)]
[0058] 計算其協方差矩陣
[0化9]
[0060]其中，乙ii = Cov(CA(x,y) ,CA(x,y))
[0061] Ei2= E2i = Cov(CA(x,y) ,CB(x,y))
[0062] E22 = Cov(CB(x,y) ,CB(x,y))
[00創其次，令1] = 4沁4山7)，￥ = 8側山7)作為兩組變量的線性組合，41、81為相關系數 矩陣。則有，
[0064] Cov(U,V)=AiEi2Bi'
[0065] 最后，根據Cov(U，V)，求解得到Ai、Bi。運里求解的方法有很多種，但結果總是唯一， 本實施例應用Lagrange乘數法進行求解。
[0066] (4) W相關系數矩陣Ai、Bi作為權值，生成融合圖像。
[0067] C(x,y) =wiA(x,y)+W2B(x,y)
[006引其中，wi、W2為Ai、Bi前r維系數，:T為CA(x,y)和CB(x,y)的秩，本實施例中r=l。
[0069] 【實驗及結果】
[0070] 下面結合實施例對本發明融合效果進行說明。圖2和圖3為已完成配準的煩腦CT和 MR影像，圖像大小為512X512。圖4、圖5、圖6、圖7、圖8分別為利用主成分分析(PCA)、離散余 弦變換(DCT)、非下采樣輪廓波變換(NSCT)、稀疏拉普拉斯變換化PSR)、邊緣保持濾波(GF) 等方法融合后生成的實例圖像，圖9為利用本發明方法生成的融合圖像。從實施例中可W看 出，圖4、圖6、圖8融合結果各丟失了部分煩內細節信息，圖5、圖7煩內軟組織細節模糊、對比 度低，圖9具有較高的對比度，煩內軟組織細節清晰。
[0071] 表1比較了各組融合方法的性能，選取弧度/角度相似性(Qabif)、聯合賭化ntropy) 及運行時間（Time)作為參數，實驗平臺為普通電腦，酷眷i5四核處理器，8G內存，Win? 64位 操作系統，MATLAB R2014A運行環境。
[0072] _
[0073] 表1各組融合方法性能參數
[0074] 從表1中可W看出，與上述多種算法相比，本發明方法聯合賭、弧度/角度相似性明 顯提高，具有較好的融合效果；同時，計算時間較小，可滿足實時性需求，具有較高的執行效 率。
[0075] 綜上所述，上述實施方式僅為本發明較佳的【具體實施方式】，但本發明的保護范圍 并不局限于此，任何熟悉本技術領域的技術人員在本發明披露的技術范圍內，進行的無創 新性修改和替換，都應涵蓋在本發明的保護范圍之內。
【主權項】
1. 一種基于區域對比的醫學圖像融合方法，其特征在于包括以下步驟： a、 獲取已配準的多模醫學圖像，根據多模醫學圖像的大小制定分塊策略，按照從上到 下、從左到右的原則對圖像進行分塊操作； b、 計算每一像素在不同分塊下的對比度和分塊圖像的直方圖矩陣，并以直方圖矩陣作 為系數，生成每一像素的區域對比度矩陣； c、 應用典型相關分析方法計算每一像素區域對比度矩陣的相關系數，求解像素區域對 比度矩陣最相關時的系數矩陣； d、 以求解得到的系數矩陣作為權值，生成融合圖像。2. 根據權利要求1所述的基于區域對比的醫學圖像融合方法，其特征在于步驟a中圖像分 ±夬操作分t次進行，每次分塊尺寸分別為多模醫學圖像大小的1，1/4，1/8…l/2t倍，t為大于等于 2的正整數，定義配準后多模醫學圖像A和B大小均為mXn，則t的最大取值為[_l〇g2( minU，；7))」。3. 根據權利要求1或2所述的基于區域對比的醫學圖像融合方法，其特征在于步驟b中 采用以下方法計算每一像素區域對比度矩陣： 定義多模醫學圖像A和B的分塊分別表示為MjPBB1, i表示第i次分塊，i的取值為大于 等于2且小于等于t的正整數，分塊內像素點(x，y)的對比度C(^y)1S:分塊BAi和BBi的直方圖矩陣，則每一像素區域對比度矩陣C(x，y)為： CA(x，y) = [HA(x，y)iXCA(x，y)i …HA(x，y)iXCA(x，y)i …HA(Xj)tXCA(Xj)t]' CB(x，y) = [HB(x，y)iXCB(x，y)i …HB(x，y)iXCB(x，y)i …HB(Xj)tXCB(Xj)t]^4. 根據權利要求3所述的基于區域對比的醫學圖像融合方法，其特征在于步驟c利用典 型相關分析求解區域對比度矩陣的系數矩陣的方法為： 首先，生成待融合圖像像素點的對比度矩陣向量Z: Z=[CA(x,y) CB(x,y)] 計筧其協方差矩陣Σ :其次，令U=A1CA (X，y )，V = B1CB (X，y)作為兩組變量的線性組合，則有， Cov(U1V)=A^i2Bi' 其中，A^B1為需要求解的系數矩陣，B1'為B1的轉置矩陣。5. 根據權利要求4所述的基于區域對比的醫學圖像融合方法，其特征在于步驟d的融合 結果為： C(x,y)=wiA(x,y)+W2B(x,y) 其中，wi、W2為Ai、Bi前r維系數，r為CA(x,y)和CB(x,y)的秩。
【文檔編號】G06T5/00GK106023126SQ201610318413
【公開日】2016年10月12日
【申請日】2016年5月12日
【發明人】曹強, 李寶生, 毛羽, 李振江
【申請人】山東省腫瘤醫院