本發(fā)明涉及醫(yī)學影像
技術(shù)領(lǐng)域：
，特別涉及一種磁共振圖像選擇定位的方法及裝置。
背景技術(shù)：
：隨著MR(MagneticResonance，磁共振)技術(shù)進步，時間分辨率和空間分辨率提高，醫(yī)療工作中上越來越多的使用動態(tài)增強T1WI(WeightedImagingT1，T1加權(quán)像)多期圖像來對疾病進行診斷及鑒別診斷，甚至進行血流動力學研究，評估療效等。醫(yī)學圖像工作站處理此類圖像多根據(jù)DICOM(DigitalImagingandCommunicationsinMedicine，醫(yī)學數(shù)字成像和通信)圖像內(nèi)位置信息，默認各期圖像處于同一位置，病變也處于不同期圖像的同一位置，當醫(yī)生在某一期圖像人工選擇某一病變時(放置一感興趣區(qū))，工作站會自動按照默認的位置同時在其余各期圖像上選擇同一位置。這種圖像選擇及病變定位對于不需要呼吸配合的器官如頭頸部、前列腺、四肢軟組織等，因無屏氣、運動等導致的位置移動，實現(xiàn)起來比較方便。但對于需要屏氣掃描的中上腹部器官，如肝臟、腎臟、胰腺等，由于存在屏氣導致的位置差異，工作站默認的同一位置的圖像會出現(xiàn)偏差，由此，當醫(yī)生在病變放置感興趣區(qū)時，會出現(xiàn)某些期的圖像感興趣區(qū)放置錯誤，進而導致對疾病性質(zhì)和血流動力學方面判斷的失誤。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供一種磁共振圖像選擇定位的方法及裝置，解決了現(xiàn)有技術(shù)中由于屏氣導致的位置差異，導致放置病變感興趣區(qū)域放置錯誤的問題。根據(jù)本發(fā)明的一個方面，提供了一種磁共振圖像選擇定位的方法，包括以下步驟：將感興趣病變區(qū)域放置到各采樣期磁共振圖像中；通過對一個采樣期磁共振圖像的感興趣病變區(qū)域中的病變特征進行處理，得到病變匹配模板；從多個采樣期磁共振圖像的感興趣病變區(qū)中提取病變特征，利用所得到的病變匹配模板和所提取的病變特征，確定用于匹配定位的病變匹配代價函數(shù)；利用所述病變匹配代價函數(shù)，對所述多個采樣期磁共振圖像進行選擇定位。優(yōu)選地，所述的通過對一個采樣期磁共振圖像的感興趣病變區(qū)域中的病變特征進行處理，得到病變匹配模板包括：通過采用中值濾波算法對所述感興趣病變區(qū)域中的病變特征進行檢測，得到病變特征的邊緣點；利用橢圓傅里葉算子中的低頻分量對所得到的多個病變特征邊緣點進行描述，得到多個病變特征的邊緣檢測點；利用所得到的病變特征的邊緣檢測點構(gòu)成的檢測點向量以及橢圓病變特征向量進行計算，得到病變匹配模板。優(yōu)選地，所述的中值濾波算法是將所述感興趣病變區(qū)域中包含的圖像像素按灰度級降序排列成一行，選取圖像像素的中間值作為病變圖像像素灰度值。優(yōu)選地，所述的從多個采樣期磁共振圖像的感興趣病變區(qū)中提取病變特征包括：通過采用中值濾波算法分別對所述多個采樣期磁共振圖像的感興趣病變區(qū)域中的病變特征進行檢測，得到每個采樣期的病變特征的邊緣點；利用橢圓傅里葉算子中的低頻分量分別對每個采樣期的病變特征的邊緣點進行描述，得到每個采樣期的病變特征的邊緣檢測點。優(yōu)選地，所述的利用所得到的病變匹配模板和所提取的病變特征，確定用于匹配定位的病變匹配代價函數(shù)包括：采用絕對差和均方差的匹配準則對所得到的病變匹配模板的病變圖像像素灰度值和所提取的病變特征的病變圖像像素灰度值進行計算，選取絕對差和均方差中最小的病變圖像像素灰度值；將與所選取的絕對差和均方差中最小的病變圖像像素灰度值相對應的像素點作為圖像像素的匹配點。優(yōu)選地，所述的利用所得到的病變匹配模板和所提取的病變特征，確定用于 匹配定位的病變匹配代價函數(shù)包括：采用逐步縮小搜索范圍的策略，以所選取的圖像像素匹配點為中心選取與病變匹配模板中心相對應的所提取的病變特征中心作為像素最佳匹配點。優(yōu)選地，所述的利用所得到的病變匹配模板和所提取的病變特征，確定用于匹配定位的病變匹配代價函數(shù)包括：計算所述像素最佳匹配點與病變匹配模板中心之間的歐式距離代價函數(shù)；計算所述像素最佳匹配點與病變匹配模板中心面積之間的面積差絕對值代價函數(shù)；計算所述像素最佳匹配點與病變匹配模板中心離心率之間的差值絕對值代價函數(shù)；利用所計算出的所述像素最佳匹配點與病變匹配模板中心之間的歐式距離代價函數(shù)、面積差絕對值代價函數(shù)以及差值絕對值代價函數(shù)，構(gòu)成用于匹配定位的病變匹配代價函數(shù)。優(yōu)選地，所述的利用所述病變匹配代價函數(shù)，對所述多個采樣期磁共振圖像進行選擇定位包括：利用所述病變匹配代價函數(shù)確定選擇綜合定位代價函數(shù)，在所述多個采樣期磁共振圖像中選擇一個與所述病變匹配模板匹配度最高的病變圖像作為最優(yōu)匹配病變定位；利用所述病變匹配代價函數(shù)確定選擇綜合定位代價函數(shù)，在所述多個采樣期磁共振圖像中選擇一個與所述病變匹配模板匹配度最低的病變圖像作為最差匹配病變定位。優(yōu)選地，所述的利用所述病變匹配代價函數(shù)，對所述多個采樣期磁共振圖像進行選擇定位包括：利用所述病變匹配代價函數(shù)確定選擇代價函數(shù)，在所述多個采樣期磁共振圖像中選擇一個與所述病變匹配模板匹配度最高的病變圖像作為最佳病變圖像掃描周期和最佳病變圖像的選擇定位。根據(jù)本發(fā)明的另一方面，提供了一種磁共振圖像選擇定位的裝置，包括：放置模塊，用于將感興趣病變區(qū)域放置到各采樣期磁共振圖像中；獲取模塊，用于通過對一個采樣期磁共振圖像的感興趣病變區(qū)域中的病變特 征進行處理，得到病變匹配模板；確定模塊，用于從多個采樣期磁共振圖像的感興趣病變區(qū)中提取病變特征，利用所得到的病變匹配模板和所提取的病變特征，確定用于匹配定位的病變匹配代價函數(shù)；定位模塊，用于利用所述病變匹配代價函數(shù)，對所述多個采樣期磁共振圖像進行選擇定位。與現(xiàn)有技術(shù)相比較，本發(fā)明的有益效果在于：本發(fā)明對于選定感興趣區(qū)域內(nèi)的病變，通過病變檢測靈活確定匹配模板，能有效提高疾病的診斷準確率，不僅可應用于腹部疾病診斷的選擇定位，也可應用于胸部等其他部位疾病的選擇定位。附圖說明圖1是本發(fā)明實施例提供的一種磁共振圖像選擇定位的方法流程圖；圖2是本發(fā)明實施例提供的一種磁共振圖像選擇定位的裝置示意圖；圖3是本發(fā)明實施例提供的一種多期MR醫(yī)學圖像選擇定位方法的流程圖；圖4是本發(fā)明實施例提供的中值濾波(x,y,45°，135°)四個方向梯度圖；圖5是本發(fā)明實施例提供的非最大抑制原理示意圖；圖6是本發(fā)明實施例提供的由橢圓系數(shù)構(gòu)成的橢圓示意圖；圖7是本發(fā)明實施例提供的匹配塊的確定示意圖；圖8是本發(fā)明實施例提供的匹配三步搜索策略示意圖。具體實施方式以下結(jié)合附圖對本發(fā)明的優(yōu)選實施例進行詳細說明，應當理解，以下所說明的優(yōu)選實施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。圖1顯示了本發(fā)明實施例提供的一種磁共振圖像選擇定位的方法流程圖，如圖1所示，包括以下步驟：步驟S101：將感興趣病變區(qū)域放置到各采樣期磁共振圖像中；步驟S102：通過對一個采樣期磁共振圖像的感興趣病變區(qū)域中的病變特征進行處理，得到病變匹配模板；步驟S103：從多個采樣期磁共振圖像的感興趣病變區(qū)中提取病變特征，利用所得到的病變匹配模板和所提取的病變特征，確定用于匹配定位的病變匹配代價函數(shù)；步驟S104：利用所述病變匹配代價函數(shù)，對所述多個采樣期磁共振圖像進行選擇定位。其中，所述的通過對一個采樣期磁共振圖像的感興趣病變區(qū)域中的病變特征進行處理，得到病變匹配模板包括：通過采用中值濾波算法對所述感興趣病變區(qū)域中的病變特征進行檢測，得到病變特征的邊緣點；利用橢圓傅里葉算子中的低頻分量對所得到的多個病變特征邊緣點進行描述，得到多個病變特征的邊緣檢測點；利用所得到的病變特征的邊緣檢測點構(gòu)成的檢測點向量以及橢圓病變特征向量進行計算，得到病變匹配模板。其中，所述的中值濾波算法是將所述感興趣病變區(qū)域中包含的圖像像素按灰度級降序排列成一行，選取圖像像素的中間值作為病變圖像像素灰度值。其中，所述的從多個采樣期磁共振圖像的感興趣病變區(qū)中提取病變特征包括：通過采用中值濾波算法分別對所述多個采樣期磁共振圖像的感興趣病變區(qū)域中的病變特征進行檢測，得到每個采樣期的病變特征的邊緣點；利用橢圓傅里葉算子中的低頻分量分別對每個采樣期的病變特征的邊緣點進行描述，得到每個采樣期的病變特征的邊緣檢測點。其中，所述的利用所得到的病變匹配模板和所提取的病變特征，確定用于匹配定位的病變匹配代價函數(shù)包括：采用絕對差和均方差的匹配準則對所得到的病變匹配模板的病變圖像像素灰度值和所提取的病變特征的病變圖像像素灰度值進行計算，選取絕對差和均方差中最小的病變圖像像素灰度值；將與所選取的絕對差和均方差中最小的病變圖像像素灰度值相對應的像素點作為圖像像素的匹配點。其中，所述的利用所得到的病變匹配模板和所提取的病變特征，確定用于匹配定位的病變匹配代價函數(shù)包括：采用逐步縮小搜索范圍的策略，以所選取的圖像像素匹配點為中心選取與病變匹配模板中心相對應的所提取的病變特征中心作為像素最佳匹配點。其中，所述的利用所得到的病變匹配模板和所提取的病變特征，確定用于匹 配定位的病變匹配代價函數(shù)包括：計算所述像素最佳匹配點與病變匹配模板中心之間的歐式距離代價函數(shù)；計算所述像素最佳匹配點與病變匹配模板中心面積之間的面積差絕對值代價函數(shù)；計算所述像素最佳匹配點與病變匹配模板中心離心率之間的差值絕對值代價函數(shù)；利用所計算出的所述像素最佳匹配點與病變匹配模板中心之間的歐式距離代價函數(shù)、面積差絕對值代價函數(shù)以及差值絕對值代價函數(shù)，構(gòu)成用于匹配定位的病變匹配代價函數(shù)。具體地說，所述的利用所述病變匹配代價函數(shù)，對所述多個采樣期磁共振圖像進行選擇定位包括：利用所述病變匹配代價函數(shù)確定選擇綜合定位代價函數(shù)，在所述多個采樣期磁共振圖像中選擇一個與所述病變匹配模板匹配度最高的病變圖像作為最優(yōu)匹配病變定位；利用所述病變匹配代價函數(shù)確定選擇綜合定位代價函數(shù)，在所述多個采樣期磁共振圖像中選擇一個與所述病變匹配模板匹配度最低的病變圖像作為最差匹配病變定位。具體地說，所述的利用所述病變匹配代價函數(shù)，對所述多個采樣期磁共振圖像進行選擇定位包括：利用所述病變匹配代價函數(shù)確定選擇代價函數(shù)，在所述多個采樣期磁共振圖像中選擇一個與所述病變匹配模板匹配度最高的病變圖像作為最佳病變圖像掃描周期和最佳病變圖像的選擇定位。圖2顯示了本發(fā)明實施例提供的一種磁共振圖像選擇定位的裝置示意圖，如圖2所示，包括：放置模塊201、獲取模塊202、確定模塊203以及定位模塊204。具體地說，所述放置模塊201，用于將感興趣病變區(qū)域放置到各采樣期磁共振圖像中；所述獲取模塊202，用于通過對一個采樣期磁共振圖像的感興趣病變區(qū)域中的病變特征進行處理，得到病變匹配模板；所述確定模塊203，用于從多個采樣期磁共振圖像的感興趣病變區(qū)中提取病變特征，利用所得到的病變匹配模板和所提取的病變特征，確定用于匹配定位的病變匹配代價函數(shù)；所述定位模塊204，用于利用所述病變匹配代價函數(shù)，對所述多個采樣期磁共振圖像進行選擇定位。本發(fā)明在某一期圖像放置感興趣病變區(qū)，通過對感興趣病變區(qū)進行病變特征檢測、描述確定病變模板；通過對其它采樣期的MR圖像進行圖像檢測、模板匹配、匹配評價，完成對多期MR圖像病變特征的選擇定位，可以更好的輔助完成疾病診斷。圖3顯示了本發(fā)明實施例提供的一種多期MR醫(yī)學圖像選擇定位方法的流程圖，如圖3所示，具體包括以下幾個步驟：步驟一、放置區(qū)域內(nèi)病變模板確定；(1)放置感興趣病變區(qū)域；結(jié)合患者臨床情況，依據(jù)MR圖像的信號特點，醫(yī)生根據(jù)經(jīng)驗放置感興趣病變區(qū)域。(2)對放置區(qū)域利用改進Canny算子進行病變檢測；通過改進Canny算子對放置病變特征區(qū)域進行病變檢測，得到病變特征的邊緣點。(3)利用橢圓傅里葉算子算法對檢測到的病變邊緣點進行病變描述；利用橢圓傅里葉算子算法中的低頻分量，對所得到的病變特征邊緣點進行病變特征描述，得到病變特征的檢測點。(4)確定病變匹配模板。采用病變橢圓特征和病變特征的檢測點集用向量的形式表示模板，得到病變匹配模板。步驟二、多期MR圖像對應放置區(qū)域內(nèi)病變特征檢測提取；(1)對對應放置區(qū)域利用Canny算子進行病變檢測；(2)利用橢圓傅里葉算子算法對檢測到的病變邊緣點進行病變描述。也就是說，利用步驟一中的(2)和(3)對非選定MR圖像中對應的感興趣區(qū)域內(nèi)的病變特征進行檢測和描述。步驟三、多期MR圖像病變模板匹配；(1)選定匹配準則；采用最小絕對差和最小均方誤差作為病變匹配準則。(2)制定匹配搜索策略；采用三步搜索策略完成匹配塊搜索。(3)確定病變匹配代價函數(shù)，進行病變匹配。通過定義待匹配病變與病變匹配模板之間的歐氏距離、待匹配病變與病變匹配模板的面積和離心率完成放置感興趣區(qū)域內(nèi)的病變匹配。步驟四、多期MR最優(yōu)病變定位及最佳診斷圖像選擇定位。(1)確定綜合選擇定位評價函數(shù)；(2)利用代價函數(shù)計算結(jié)果完成最優(yōu)和最差病變選擇定位；通過步驟三中(3)的匹配代價函數(shù)確定的綜合定位代價函數(shù)，將步驟三的匹配代價函數(shù)結(jié)果代入綜合定位代價函數(shù)得到定位綜合代價函數(shù)值，根據(jù)綜合定位代價函數(shù)值的大小完成多期MR圖像的最優(yōu)和最差病變的定位；(3)利用代價函數(shù)計算結(jié)果完成最優(yōu)MR圖像掃描周期及最佳序列圖像選擇定位。通過步驟三中(3)的匹配代價函數(shù)確定的選擇代價函數(shù)，將步驟三的匹配代價函數(shù)結(jié)果代入選擇代價函數(shù)得到選擇綜合代價函數(shù)值，根據(jù)選擇綜合代價函數(shù)值的大小完成多期MR圖像的最佳病變圖像掃描周期及最佳病變圖像的選擇定位。下面結(jié)合圖4至圖8對本發(fā)明的內(nèi)容進行詳細的描述，具體包括以下幾個步驟：步驟一、病變特征最佳模板的確定；(1)病變最佳MR圖像的確定；根據(jù)MR圖像的特點選擇出病變最顯著的MR圖像。(2)利用改進Canny算子病變特征檢測；Canny算子對圖像邊緣進行提取時能夠抗噪聲干擾，同時能提取出圖像中強弱明顯的邊緣，而且具有較好提取精度，但是Canny算子進行邊緣檢測能將病變邊緣變的模糊，導致檢測到的病變邊緣信息減少。采用中值濾波代替Canny算法中的高斯濾波可以消除噪聲，保持病變的細節(jié)。中值濾波是基于排序統(tǒng)計理論的鄰域勻速，把鄰域中包含的圖像像素按灰度級降序排列成一行，取中間值，讓周圍的像素值接近真實值，從而消除孤立的噪聲點。首先進行梯度計算。采用如圖4(x,y,45°，135°)四個方向一階偏導數(shù)有限差分來確定像素梯度。這四個方向的偏導數(shù)分別用Gx(i,j),Gy(i,j),G45°(i,j),G135°(i,j)表示，具體定義如下：x方向偏導數(shù)每個點對應的梯度值GA(i,j)和梯度方向如下：其次，對所求的梯度幅值進行非最大抑制，非最大抑制原理如圖5所示，通過鄰域中心點(圖中A點)的幅值與沿梯度方向的兩個梯度點(Temp1和Temp2)的幅值進行比對，如果鄰域中心梯度的幅值小于梯度方向上兩個梯度值的任何一個，則說明該點不是邊緣點，將其值設(shè)置為0；反之則說明該點為邊緣點。式中，Ω為(x,y)在梯度方向上的鄰域,Amax(i,j)為鄰域內(nèi)每點的最大梯度值，Amax(x,y)為鄰域內(nèi)最大梯度的點，B(x,y)為邊緣點。最后，對B按照一定的閾值，進行截短幅值操作。設(shè)圖像f(x,y)總像素數(shù)為N，圖像灰度范圍g＝{0,1,…,n-1}，對應灰度級的像素數(shù)為N，則其概率通過閾值T把圖像中的像素按灰度值分成兩類，第一類由灰度值[0,T]之間像素組成，第二類由灰度值[T+1,n-1]之間的像素組成。圖像的總的灰度均值為：u=Σi=0TiPi+Σj=T+1n-1jPj---(4)]]>式中，T為圖像灰度閾值，i,Pi表示第一類像素灰度值取值變量和對應的概率，j,Pj表示第二類像素灰度值取值變量和對應的概率，u表示圖像的總的灰度均值。類間方差定義為：σ2(T)=Σi=0Tpi(Σi=0TipiΣi=0Tpi-u)2+Σj=T+1Tpj(Σj=T+1TjpjΣi=T+1Tpj-u)2---(5)]]>式中，T為圖像灰度閾值，i,Pi表示第一類像素灰度值取值變量和對應的概 率，j,Pj表示第二類像素灰度值取值變量和對應的概率，u表示圖像的總的灰度均值，σ2(T)表示第一類圖像灰度與第二類圖像灰度的類間方差。通過遍歷，使得σ2(T)最大的T值即為最佳閾值，進而自適應的得到高低門限(Thigh＝T,Tlow＝0.5T)。根據(jù)下式：E(x,y)=B(x,y)B(x,y)≥Thigh0,B(x,y)<Tlow---(6)]]>式中，Thigh表示類方差的最大值，B(x,y)表示采用非最大抑制得到的邊緣點，E(x,y)表示最終確定的邊緣。任意的B(x,y)滿足Tlow≤B(x,y)<Thigh，當時，E(x,y)＝B(x,y)，否則E(x,y)＝0，Δ表示為8鄰域，得到病變的邊緣。(3)病變特征描述；基于輪廓的病變形狀表示以(x0,y0)為病變邊緣起點，選取順時針方向的坐標序列為：(x0,y0),(x1,y1),…,(xN-1,yN-1)，其中N為邊緣曲線像素點個數(shù)，用復數(shù)(x，jy)的形式表示邊界上的每一點，實部對應x軸，虛部對應y軸。由N個點組成的封閉病變邊界，從任何一點開始繞邊界一周就得到一個復數(shù)序列：c(n)＝x(n)+jy(n)，n＝1,2，...,N-1。復坐標函數(shù)c(n)與尺度為σ的高斯核函數(shù)進行卷積運算，得到尺度σ的病變進化曲線c(n,σ)，即病變在不同尺度下的復坐標函數(shù)。將病變的邊緣復坐標函數(shù)按照如圖6所示的橢圓進行橢圓傅里葉變換，將副坐標函數(shù)展開，得到表示形狀的橢圓向量。病變邊界是連續(xù)封閉周期的函數(shù)，用傅里葉級數(shù)以多次諧波的形式逼近該邊界。病變封閉邊界定義為：c(t)＝x(t)+jy(t)，在(x,y)方向上進行傅里葉級數(shù)展開，得到：c(t)=x(t)y(t)=12ax0ay0+Σk=1N-1axkbxkaykbykcos(kωt)sin(kωt)---(7)]]>式中，ω定義為基本頻率，它的值是T/2π，T是周期函數(shù)，k表示對應的階 數(shù)。曲線c(t)是非連續(xù)的一組離散點。用黎曼求和方法進行積分值近似處理得到對應階數(shù)下近似橢圓系數(shù)(axk,ayk,bxk,byk)：axk=2NΣi=1N-1xicos(kωiτ),bxk=2NΣi=1N-1xisin(kωiτ)ayk=2NΣi=1N-1yicos(kωiτ),byk=2NΣi=1N-1yisin(kωiτ)---(8)]]>式中，τ為采樣周期，τ＝T/N，T為邊緣曲線的周期，N為邊緣曲線采樣點個數(shù)。每個k構(gòu)成的四個系數(shù)(axk,ayk,bxk,byk)代表一個橢圓，如圖6所示。將橢圓系數(shù)進行變換表示能更好的體現(xiàn)病變邊緣的平移、旋轉(zhuǎn)、尺度變化不變性，變換后的橢圓傅里葉子可以描述為：|Ak||A1|+|Bk||B1|=axk2+ayk2ax12+ay12+bxk2+byk2bx12+by12---(9)]]>用高斯制定尺度下的橢圓傅里葉描述子進行病變形狀描述為：FD(σ,k)={|A1||A1|+|B1||B1|,|A2||A1|+|B2||B1|,...,|Ak||A1|+|Bk||B1|}---(10)]]>式中，σ表示高斯函數(shù)的方差，k表示傅里葉描述子的階數(shù)，表示對應橢圓傅里葉描述子階數(shù)下的傅里葉子，F(xiàn)D(σ，k)表示高斯制定尺度下的橢圓傅里葉描述子。在頻域中，低頻的橢圓描述了形狀特征，取FD(σ,k)，σ＝10，k＝10來描述病變形狀特征。(4)病變最佳模板確定。將模板當成一個向量，一是存放當前圖像邊緣曲線的橢圓傅里葉算子描述符T＝[A1,A2,...A10,B1,B2,...B10]，一個是從檢測的邊緣起始點開始，每間隔取整數(shù))點中抽取一個點構(gòu)成的向量這樣抽取的模板可以形式化為：Template=TP---(11)]]>采用歐式距離對候選模板進行測量，基于加權(quán)的修正方法對模板進行修正。模板中是一個點集，它的每個點pi(i＝1,2,…,n)可以表示為(xi,yi),其中(i＝1,2,…,n)是實數(shù)，兩個點A和B之間的距離d(A,B)定義為下面的公式：d(A,B)=(xa-xb)2+(ya-yb)2---(12)]]>步驟二、其它期MR圖像的感興趣病變區(qū)域內(nèi)病變特征提取描述；采用步驟一中(2)和(3)對其它期MR圖像中的病變特征進行提取和描述。步驟三、感興趣病變區(qū)域內(nèi)局部病變匹配；由于病變在MR序列圖像中的位置無明顯越變，選擇塊匹配進行，本發(fā)明采用以放置感興趣病變區(qū)域的中心開始搜索，宏塊大小取決于模板大小，通常是以模板中心為中心16×16大小外擴至模板邊緣至中心的最大值(如圖7)，假定塊內(nèi)各像素的平移都相同，對于MR模板圖像到待匹配MR病變圖像，按照下面描述的三步搜索方法，根據(jù)提出的匹配準則找出與當前模板最相似的病變?？紤]病變本身信息和每個病變目標不同特征的變化，使用基于歐氏距離、面積和離心率的特征匹配函數(shù)進行描述匹配程度。(1)匹配準則采用最小絕對差(SumofAbsoluteDifference,SAD)和最小均方誤差(Mean-SquaredError,MSE)作為匹配準則。最小絕對差：SAD(ii,jj)=Σa=1AΣb=1B|fMk,p(a,b)-fFn,j(a+ii,b+jj)|---(13)]]>其中，(ii,jj)為位移矢量，A×B為匹配模板擴展后宏塊大小，和分別為選定模板和待匹配病變的在匹配模板擴展后宏塊內(nèi)對應的灰度值，其對應的上標含義為：k表示模板對應的MR圖像掃描期數(shù)，p表示對應掃描周期內(nèi)的MR圖像的序列數(shù)，n表示待匹配病變對應的MR圖像掃描期數(shù)，j表示對應掃描周期內(nèi)的MR圖像的序列數(shù)；下標含義為：M表示確定的病變模板，F(xiàn)表示檢測的病變。在某一像素點，使SAD最小，則該像素點就是所要找的匹配點。最小均方誤差：MSE(ii,jj)=Σa=1AΣb=1B[fMk,p(a,b)-fFn,j(a+ii,b+jj)]2---(14)]]>式中，其中，(ii,jj)為位移矢量，A×B為匹配模板擴展后宏塊大小，和分別為選定模板和待匹配病變的在匹配模板擴展后宏塊內(nèi)對應的灰度值，其對應的上標含義為：k表示模板對應的MR圖像掃描期數(shù)，p表示對應掃描周期內(nèi)的MR圖像的序列數(shù)，n表示待匹配病變對應的MR圖像掃描期數(shù)，j表示對應掃描周期內(nèi)的MR圖像的序列數(shù)；下標含義為：M表示確定的病變模板，F(xiàn)表示檢測的病變。若在某一像素點，使MSE最小，則該像素點就是所要找的匹配點。(2)三步搜索策略三步搜索策略是用三步搜索，逐步減小步長的方法來得到匹配塊(如圖8)。第一步：中心黑色像素為當前待匹配病變中心中與匹配模板的中心像素具有相同的位置。以此中心黑色像素為中心，步長為4，進行周圍8個點搜索，如黑色方框所示。根據(jù)匹配準則找出此9個點中的最佳匹配像素，如果中心黑色像素為最佳匹配像素，則認為兩個中心重合，進行匹配評價計算，從而進行選擇定位。第二步：以第一步得到的最佳匹配點為中心，步長為2，繼續(xù)搜索周圍8個點，如三角所示，根據(jù)匹配準則，得到這8個點中的最佳匹配像素。第三步與第二步相似。以第二步得到的最佳匹配像素點為中心，步長為1，繼續(xù)搜索周圍8個點，如圓所示，根據(jù)匹配準則，得到這8個點中的最佳匹配像素，此像素即為模板中心對應病變中心的匹配點，以此點進行匹配評價，進而進行選擇定位。(2)匹配代價函數(shù)模板中心與待匹配病變中心之間的歐氏距離可以表示為：D(Mk,p,Fn,j)=(xck,p-xcn,j)2+(yck,p-ycn,j)2---(15)]]>xck,p=max{xik,p}+min{xik,p}2,yck,p=max{yik,p}+min{yik,p}2---(16)]]>xcn,j=max{xin,j}+min{xin,j}2,ycn,j=max{yin,j}+min{yin,j}2---(17)]]>其中，Mk,p表示確定的模板，k表示模板對應的MR圖像掃描期數(shù)，p表示對 應掃描周期內(nèi)的MR圖像的序列數(shù)；Fk,p表示檢測出病變，n表示待匹配病變對應的MR圖像掃描期數(shù)，j表示對應掃描周期內(nèi)的MR圖像的序列數(shù)；表示確定模板的幾何中心，表示待匹配檢測病變的幾何中心。表示確定模板的每一點坐標值，表示待匹配病變的每一點坐標值。D(Mk,p,Fn,j)越小說明匹配程度越高。模板面積與待匹配病變中心面積之間的面積差絕對值可以表示為：A(Mk,p,Fn,j)=|AMk,p-AFn,j|AMk,p=Σi∈ΩM(xik,p,yik,p),AFn,j=Σi∈ΩF(xin,j,yin,j)---(18)]]>其中，表示確定模板的面積，表示待匹配病變的面積，ΩM表示所有構(gòu)成模板M的像素集合，ΩF表示所有構(gòu)成病變F的像素集合。A(Mk,p,Fn,j)越小說明匹配程度越高。模板離心率與待匹配病變離心率之差的絕對值可以表示為：E(Mk,p,Fn,j)=|EMk,p-EFn,j|]]>EMk,p=|(maxi∈ΩM(xik,p)-mini∈ΩM(xik,p)2)2-(maxi∈ΩM(yik,p)-mini∈ΩM(yik,p)2)2|max{(maxi∈ΩM(xik,p)-mini∈ΩM(xik,p)),(maxi∈ΩM(yik,p)-mini∈ΩM(yik,p))}---(19)]]>EMk,p=|(maxi∈ΩF(xin,j)-mini∈ΩF(xin,j)n)2-(maxi∈ΩF(yin,j)-mini∈ΩF(yin,j)2)2|max{(maxi∈ΩF(xik,j)-mini∈ΩF(xin,j)),(maxi∈ΩF(yin,j)-mini∈ΩF(yin,j))}]]>其中，表示確定模板的離心率，表示待匹配病變的離心率，ΩM表示所有構(gòu)成模板M的像素集合，ΩF表示所有構(gòu)成病變F的像素集合。E(Mk,p,Fn,j)越小說明匹配程度越高。步驟四、最優(yōu)匹配選擇定位通過對每一期MR序列圖像進行選定區(qū)域的病變檢測、描述和匹配計算出每個序列圖中病變與選定病變模板之間的中心歐氏距離、面積和離心率三種特征組合使用的代價函數(shù)，進行選擇定位，代價函數(shù)可以表示為：V(Mk,p,Fn,j)＝α×D(Mk,p,Fn,j)+β×A(Mk,p,Fn,j)+γ×E(Mk,p,Fn,j)(20)其中，α,β,γ為權(quán)值系數(shù)，α+β+γ＝1。設(shè)置歐氏距離特征權(quán)值、面積特征權(quán)值和離心率特征權(quán)值相等即(1)最優(yōu)和最差病變的定位最優(yōu)匹配病變的定位是在所有掃描序列圖像中確定一個和選定區(qū)域病變模板匹配度最高的病變圖像，并通過病變檢測和描述顯示出病變的邊界。同時為了更準確診斷需要，對匹配度最差的病變圖像也進行定位。最優(yōu)和最差匹配病變的定位，設(shè)置歐氏距離特征權(quán)值、面積特征權(quán)值和離心率特征權(quán)值相等即最優(yōu)匹配病變所在掃描期和在對應掃描期內(nèi)序列號O{n,j}確定：O{n,j}＝{n,j|min{min{V(Mk,p,Fn,j)}}},(n,k∈{1,2，…，10}，且n≠k)(21)最差匹配病變所在掃描期和在對應掃描期內(nèi)序列號T{n,j}確定：T{n,j}＝{n,j|max{max{V(Mk,p,Fn,j)}}},(n,k∈{1,2，…，10}，且n≠k)(22)(2)最優(yōu)MR圖像掃描周期及最佳序列圖像選擇定位最優(yōu)MR圖像掃描周期及最佳序列圖像選擇，設(shè)置歐氏距離特征權(quán)值、面積特征權(quán)值和離心率特征權(quán)值相等即對于MR掃描的第n(n＝(1,2,…,10)且n≠k)期序列圖像，設(shè)圖像序列個數(shù)j(j＝(1,2,…,10))。第n期中最佳序列數(shù)jO，應該滿足使得該序列數(shù)對應的MR圖像中的病變特征與選定區(qū)域內(nèi)確定的病變模板匹配代價函數(shù)值最?。赫麄€掃描期中最佳的掃描期nO，應該滿足使得該期內(nèi)所有序列圖像中的病變特征與選定區(qū)域內(nèi)確定的病變模板匹配代價函數(shù)值最?。簄o={n|min{Σj=110V((Mk,p,Fn,j))}}---(24)]]>綜上所述，本發(fā)明在已經(jīng)獲取的診斷MR圖像中，診斷醫(yī)生首先放置感興趣病變區(qū)域，醫(yī)學圖像工作站會自動按照默認的位置同時放置感興趣區(qū)到其余各期，該方法則是對默認的放置區(qū)域進行病變檢測、匹配、匹配代價函數(shù)計算來實現(xiàn)診斷圖像的選擇定位。首先，病確定變模板。醫(yī)生根據(jù)經(jīng)驗在MR圖像上放置感興趣病變區(qū)域，利用改進的Canny算子對被放置感興趣病變區(qū)域MR圖像中病變進行檢測，其中對Canny算子的改進是采用中值濾波代替Canny算法中的高斯濾波可以消除噪聲，保持病變的細節(jié)，對采用如圖4(x,y,45°，135°)四個方向一階偏導數(shù)有限差分來確定像素梯度，所求的梯度幅值進行非最大抑制，非最大抑制原理如圖5所示，通過鄰域中心點(圖中A點)的幅值與沿梯度方向的兩個梯度點(Temp1和Temp2)的幅值進行比對，如果鄰域中心梯度的幅值小于梯度方向上兩個梯度值的任何一個，則說明該點不是邊緣點，將其值設(shè)置為0；反之則說明該點為邊緣點，得到病變特征的邊緣點，對得到的病變特征邊緣點利用橢圓傅里葉算子(如圖5)中的低頻分量進行橢圓病變特征(如圖6)描述，采用間隔取病變邊緣檢測點得到檢測點集，綜合橢圓病變特征向量和檢測點集向量得到病變匹配模板。其次，檢測提取多期MR圖像對應放置區(qū)域內(nèi)的病變特征。同樣采用改進的Canny算子對其它MR圖像默認被放置感興趣病變區(qū)域中病變進行檢測，得到病變特征的邊緣點，對得到的病變特征邊緣點利用橢圓傅里葉算子算法中的低頻分量進行病變特征描述。再次，模板匹配多期MR圖像病變。由于病變在MR序列圖像中的位置無明顯越變，選擇塊匹配進行，采用以放置感興趣病變區(qū)域的中心開始搜索，以模板中心為中心16×16大小外擴至模板邊緣至中心的最大值(如圖7)，假定塊內(nèi)各像素的平移都相同，對于MR模板圖像到待匹配MR病變圖像，按照三步搜索策略逐步減小步長的方法(如圖8)，根據(jù)提出的匹配準則找出與當前模板最相似的病變，由于病變本身信息和病變目標不同特征的變化，通過定義待匹配病變與病變匹配模板之間的歐氏距離、待匹配病變與病變匹配模板的面積和離心率完成放置感興趣區(qū)域內(nèi)的病變匹配。最后，通過對每一期MR序列圖像進行選定區(qū)域的病變檢測、描述和匹配計算出每個序列圖中病變與選定病變模板之間的中心歐氏距離、面積和離心率三種特征組合使用的代價函數(shù)，進行選擇定位。通過根據(jù)模板匹配中定義的病變匹配代價函數(shù)確定選擇定位綜合代價函數(shù)，最優(yōu)匹配病變的定位是在所有掃描序列圖像中確定一個和選定區(qū)域病變 模板匹配度最高的病變圖像，并通過病變檢測和描述顯示出病變的邊界。同時為了更準確診斷需要，對匹配度最差的病變圖像也進行定位，設(shè)置綜合代價函數(shù)中歐氏距離特征權(quán)值、面積特征權(quán)值和離心率特征權(quán)值相等，最優(yōu)和最差匹配病變所在掃描期和在對應掃描期內(nèi)序列號分別對應使得綜合代價函數(shù)的最小值和最大值的掃描周期及在對應周期內(nèi)的序號，整個掃描期中最佳的掃描期nO，應該滿足使得該期內(nèi)所有序列圖像中的病變特征與選定區(qū)域內(nèi)確定的病變模板匹配代價函數(shù)值最小。綜上所述，本發(fā)明具有以下技術(shù)效果：本發(fā)明通過自動檢測病變特征，確定病變模板，進行模板匹配，在MR動態(tài)增強T1WI多期圖像中選定最佳MR圖像來協(xié)助疾病診斷，進行相關(guān)后處理，能提高選擇定位速度，有效避免人為因素影響，有效保證了診斷的準確率，因此本發(fā)明是能有效提高MR醫(yī)學影像診斷效率的方法。盡管上文對本發(fā)明進行了詳細說明，但是本發(fā)明不限于此，本
技術(shù)領(lǐng)域：
技術(shù)人員可以根據(jù)本發(fā)明的原理進行各種修改。因此，凡按照本發(fā)明原理所作的修改，都應當理解為落入本發(fā)明的保護范圍。當前第1頁1 2 3