本發(fā)明涉及醫(yī)學(xué)影像配準(zhǔn)技術(shù)領(lǐng)域，特別涉及一種基于迭代紋理形變場(chǎng)的乳腺動(dòng)態(tài)對(duì)比增強(qiáng)磁共振影像序列的配準(zhǔn)方法。

背景技術(shù)：

乳腺動(dòng)態(tài)對(duì)比增強(qiáng)磁共振影像(dynamiccontrast-enhancedmagneticresonanceimaging，dce-mri)在成像過(guò)程中，患者的呼吸運(yùn)動(dòng)會(huì)導(dǎo)致乳腺組織的非剛性位移形變，使得同一層面不同時(shí)刻的圖像之間對(duì)應(yīng)的解剖位置出現(xiàn)錯(cuò)位現(xiàn)象。由于對(duì)比劑的擴(kuò)散，同一層面的圖像序列之間的灰度會(huì)發(fā)生灰度變化，這種變化在病灶區(qū)域很明顯。直接使用非剛性配準(zhǔn)算法對(duì)乳腺dce-mri圖像進(jìn)行配準(zhǔn)會(huì)使病灶區(qū)域發(fā)生扭曲形變，會(huì)對(duì)后續(xù)病灶分割和良惡性判別造成嚴(yán)重影響。

為了解決配準(zhǔn)發(fā)生扭曲的問(wèn)題，ruecker提出使用基于b樣條自由形變模型來(lái)描述乳腺dce-mri圖像的局部形變(rueckertd,sonodali,hayesc,etal.nonrigidregistrationusingfree-formdeformations:applicationtobreastmrimages.[j].ieeetransactionsonmedicalimaging,1999,18(8):712-721)，通過(guò)一個(gè)正則項(xiàng)來(lái)約束形變場(chǎng)的平滑性，并采用歸一化互信息為相似性測(cè)度，以此實(shí)現(xiàn)乳腺dce-mri圖像的配準(zhǔn)。但是在最大化互信息的過(guò)程中不可避免地使病灶區(qū)域發(fā)生扭曲。rohfing將形變場(chǎng)的平滑性約束變?yōu)椴豢蓧嚎s約束(rohlfingt,maurercr,bluemkeda,etal.volume-preservingnonrigidregistrationofmrbreastimagesusingfree-formdeformationwithanincompressibilityconstraint[j].ieeetransactionsonmedicalimaging,2003,22(6):730-741)，以此保持乳腺dce-mri圖像的配準(zhǔn)中病灶區(qū)域的形狀，但是該方法沒(méi)有考慮到圖像之間的時(shí)空的連續(xù)性。zheng首先對(duì)乳腺dce-mri圖像去增強(qiáng)處理(zhengy,yuj,kambhamettuc,etal.de-enhancingthedynamiccontrast-enhancedbreastmriforrobustregistration.[j].2007,4791(pt1):933-941.),然后對(duì)去增強(qiáng)后的圖像進(jìn)行配準(zhǔn)，但是該方法不能保證時(shí)間上的連續(xù)性

近年來(lái)，圖像分解技術(shù)因能去除圖像之間的灰度變化而被應(yīng)用到dce-mri圖像的配準(zhǔn)中。melbourne等人使用主成分分析(principalcomponentregistration,pca)算法分解dce-mri圖像(melbournea,hipwellj,modatm,etal.theeffectofmotioncorrectiononpharmacokineticparameterestimationindynamic-contrast-enhancedmri.[j].physicsinmedicine&biology,2011,56(24):7693-7708.)，利用分解得到的低秩圖像求出圖像之間的位移形變場(chǎng)，該方法已經(jīng)應(yīng)用乳腺圖像配準(zhǔn)研究中。但是pca分解dce-mri時(shí)不能將圖像中灰度變化的成份完全提取出來(lái)，從而影響了配準(zhǔn)的效果。hamy等人使用魯棒主成分分析(robustprincipalcomponentregistration，rpca)算法將dce-mri圖像分解成包含運(yùn)動(dòng)信息的低秩分量和包含對(duì)比劑變化的稀疏分量(hamyv,dikaiosn,punwanis,etal.respiratorymotioncorrectionindynamicmriusingrobustdatadecompositionregistration-applicationtodce-mri.[j].medicalimageanalysis,2014,18(18):301-313.)，對(duì)低秩分量進(jìn)行配準(zhǔn)并將所求得的位移形變場(chǎng)用于原始dce-mri配準(zhǔn)，但是該方法是基于圖像中運(yùn)動(dòng)信息和對(duì)比劑增強(qiáng)信息可以完全分離的假設(shè)。李淑娟使用基于全變分模型將乳腺dce-mri圖像分解成結(jié)構(gòu)圖像和具有灰度一致性的紋理圖像(李淑娟.基于乳腺動(dòng)態(tài)增強(qiáng)mri的分解與配準(zhǔn)[d].大連理工大學(xué),2016.)，繼而利用紋理圖像之間的光流形變場(chǎng)對(duì)乳腺dce-mri圖像進(jìn)行校正。然而圖像之間的形變位移會(huì)對(duì)圖像的分解結(jié)果造成誤差，從而導(dǎo)致配準(zhǔn)結(jié)果不準(zhǔn)確。

目前，對(duì)乳腺dce-mri圖像配準(zhǔn)的研究，可以發(fā)現(xiàn)存在以下幾個(gè)問(wèn)題：(1)現(xiàn)有的大多數(shù)非剛性配準(zhǔn)方法適用于具有灰度一致性的圖像，對(duì)乳腺dce-mri進(jìn)行配準(zhǔn)時(shí)會(huì)導(dǎo)致圖像病灶區(qū)域扭曲。(2)基于圖像分解的圖像配準(zhǔn)技術(shù)給乳腺dce-mri圖像配準(zhǔn)提供了新的思路，但是目前存在的圖像分解方法無(wú)法完全的將乳腺dce-mr中的對(duì)比劑擴(kuò)散信息和正常組織分開。因此，對(duì)乳腺dce-mri圖像的精準(zhǔn)配準(zhǔn)進(jìn)行進(jìn)一步的研究是非常必要的。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為克服現(xiàn)有技術(shù)的缺陷，發(fā)明了一種基于迭代紋理形變場(chǎng)的乳腺影像配準(zhǔn)方法，能夠有效地解決乳腺dce-mri圖像配準(zhǔn)過(guò)程中因灰度變化引起的病灶扭曲問(wèn)題。該方法借助圖像分解來(lái)降低圖像間的灰度變化對(duì)配準(zhǔn)精度的影響，同時(shí)又利用圖像配準(zhǔn)來(lái)減小位移形變對(duì)圖像分解帶來(lái)的誤差，通過(guò)這種迭代分解配準(zhǔn)的過(guò)程能夠逐漸消除圖像分解的誤差，得到準(zhǔn)確的位移形變場(chǎng)，最終實(shí)現(xiàn)乳腺dce-mri的精準(zhǔn)配準(zhǔn)。

本發(fā)明采用的技術(shù)方案是一種基于迭代紋理形變場(chǎng)的乳腺影像配準(zhǔn)方法，配準(zhǔn)方法選取乳腺dce-mri圖像序列中病灶區(qū)域較明顯的一層增強(qiáng)圖像，采用基于紋理約束的全變分模型對(duì)乳腺dce-mri圖像進(jìn)行分解，采取迭代分解配準(zhǔn)的方式逐漸消除位移形變對(duì)圖像分解帶來(lái)的誤差，在每次迭代中都使用成組配準(zhǔn)的方式對(duì)紋理圖像進(jìn)行配準(zhǔn)，更新紋理圖像的位移形變場(chǎng)，并采用該位移形變場(chǎng)去校正乳腺dce-mri圖像；配準(zhǔn)方法的具體步驟如下：

步驟一：選取乳腺dce-mri圖像序列中病灶區(qū)域較明顯的一層增強(qiáng)圖像，并選取乳腺病灶區(qū)域作為研究對(duì)象。

步驟二：估計(jì)迭代次數(shù)k的最大值nmax,初始化k＝1。

迭代次數(shù)最大值nmax是根據(jù)所有乳腺dce-mri圖像獨(dú)立分解實(shí)驗(yàn)得到的一個(gè)估計(jì)值。使用公式(1)所示的基于紋理約束的全變分模型對(duì)乳腺dce-mri圖像進(jìn)行分解。

式中,e1是正則項(xiàng)，用于約束結(jié)構(gòu)圖像的空間平滑性。e2是相似項(xiàng)，用于約束結(jié)構(gòu)圖像與原始圖像之間的相似性。e3是紋理約束項(xiàng)，用于約束乳腺dce-mri圖像中紋理圖像序列間的灰度一致性；ir,ii表示兩幅待分解的圖像，ir是參考圖像即第1增強(qiáng)時(shí)相，ii是除去第1增強(qiáng)時(shí)相外的其余時(shí)相圖像，在分解過(guò)程中圖像ii依次與參考圖像ir進(jìn)行約束分解。sr,si表示兩幅圖像的結(jié)構(gòu)圖像，α是相似項(xiàng)參數(shù)，用于調(diào)節(jié)正則項(xiàng)和相似項(xiàng)的權(quán)重；β是紋理約束項(xiàng)的權(quán)重參數(shù)，式中k,k＝1,2,3...nmax表示迭代次數(shù)。

步驟三：對(duì)待配準(zhǔn)的乳腺dce-mri圖像使用公式(1)所示的基于紋理約束的全變分模型進(jìn)行分解，得到包含灰度變化的結(jié)構(gòu)圖像和具有灰度一致性的紋理圖像。

步驟四：對(duì)步驟三中得到的紋理圖像使用基于b樣條自由形變模型(free-formdeformation,ffd)的成組配準(zhǔn)方法進(jìn)行配準(zhǔn)，進(jìn)而提取出紋理圖像之間的位移形變場(chǎng)。

本發(fā)明的成組配準(zhǔn)方法是以所有時(shí)相紋理圖像的平均圖像作為參考圖像i，然后所有時(shí)相的紋理圖像分別與參考圖像進(jìn)行配準(zhǔn)。采用剩余復(fù)雜度(residualcomplexity，rc)作為配準(zhǔn)的相似項(xiàng)；然后使用基于b樣條ffd來(lái)描述參考圖像i和待配準(zhǔn)圖像j之間的形變場(chǎng)t，通過(guò)加入一個(gè)正則項(xiàng)來(lái)約束形變場(chǎng)的平滑性，最終的配準(zhǔn)目標(biāo)函數(shù)用公式(2)采用梯度下降法優(yōu)化配準(zhǔn)目標(biāo)函數(shù)f，求解出紋理圖像之間的位移形變場(chǎng)。

f＝minfe+κfr(2)

公式(2)中，fe為相似項(xiàng)，fr為正則項(xiàng)，κ為正則項(xiàng)權(quán)重參數(shù)。其中，

公式中，d＝dctn(r),r＝i-j(t)，dctn表示離散余弦變換，γ是相似項(xiàng)中的一個(gè)參數(shù)；ω是圖像區(qū)域，s是圖像區(qū)域的面積。

步驟五：利用步驟四中得到的位移形變場(chǎng)對(duì)乳腺dce-mri圖像進(jìn)行位移校正，得到配準(zhǔn)后的乳腺dce-mri圖像；k＝k+1，β^k＝β^k-1+1，當(dāng)k≤nmax時(shí)對(duì)得到的配準(zhǔn)后的乳腺dce-mri圖像重復(fù)步驟三至步驟五的實(shí)驗(yàn)操作，當(dāng)k>nmax時(shí)輸出最終配準(zhǔn)后的乳腺dce-mri圖像。

本發(fā)明的有益效果是：該配準(zhǔn)方法可以解決乳腺dce-mri圖像配準(zhǔn)過(guò)程中因灰度變化引起的病灶扭曲問(wèn)題，從而實(shí)現(xiàn)乳腺dce-mri圖像的精準(zhǔn)配準(zhǔn)。解決了灰度變化引起的乳腺dce-mri圖像配準(zhǔn)中病灶扭曲問(wèn)題。利用紋理圖像之間的位移形變場(chǎng)去配準(zhǔn)乳腺dce-mri圖像，僅對(duì)乳腺dce-mri圖像中的位移形變進(jìn)行了校正，沒(méi)有改變圖像之間的灰度變化，因此圖像之間的灰度能夠得到保持。圖像之間的灰度變化反應(yīng)病灶區(qū)域血流動(dòng)力學(xué)的性質(zhì)，能夠幫助判別病灶區(qū)域的良惡性，具有重要的診斷意義。該方法在配準(zhǔn)乳腺dce-mri圖像過(guò)程中，能夠保持病灶區(qū)域的形狀和圖像之間灰度變化。

附圖說(shuō)明

圖1是一種基于迭代紋理形變場(chǎng)的乳腺影像配準(zhǔn)方法的流程圖。

圖2是實(shí)施例選取的圖像病灶區(qū)域較明顯的增強(qiáng)乳腺dce-mri圖像

圖3是實(shí)施例中某次迭代中乳腺dce-mri圖像分解得到的圖像，其中，1-紋理圖像，2-結(jié)構(gòu)圖像。

圖4是實(shí)施例中實(shí)施步驟三至步驟五的示意圖。

具體實(shí)施方式

下面結(jié)合附圖和具體的實(shí)施方法對(duì)本發(fā)明提出的基于迭代紋理形變場(chǎng)的乳腺影像配準(zhǔn)方法進(jìn)行詳細(xì)說(shuō)明。

本發(fā)明的基于迭代紋理形變場(chǎng)的乳腺影像配準(zhǔn)方法，首先使用圖像分解方法去除了圖像中的灰度變化，得到乳腺dce-mri圖像之間純粹的位移形變，然后用該位移形變?nèi)ヅ錅?zhǔn)乳腺dce-mri圖像，在每次迭代中都使用更新的紋理圖像的位移形變場(chǎng)去校正乳腺dce-mri圖像，因此本發(fā)明的方法能夠解決灰度變化引起的圖像病灶扭曲問(wèn)題。如圖1所示為本發(fā)明提出的基于迭代紋理形變場(chǎng)的乳腺影像配準(zhǔn)方法的流程圖。該方法的具體實(shí)施步驟如下所示：

步驟一：選取乳腺dce-mri圖像序列中病灶區(qū)域較明顯的一層增強(qiáng)圖像，以病灶為中心框選大小為100×100像素的感興趣區(qū)域，感興趣區(qū)域的大小可根據(jù)實(shí)際情況如病灶的大小等進(jìn)行調(diào)整。將感興趣區(qū)域作為待配準(zhǔn)的乳腺dce-mri圖像，本發(fā)明選取的圖像病灶區(qū)域較明顯的增強(qiáng)乳腺dce-mri圖像，如圖2所示。

步驟二：評(píng)估迭代次數(shù)k的最大值nmax，初始化k＝1。

迭代次數(shù)最大值nmax是根據(jù)所有乳腺dce-mri圖像獨(dú)立分解實(shí)驗(yàn)得到的一個(gè)估計(jì)值。本實(shí)施例用公式(1)所示的基于紋理約束的全變分模型對(duì)乳腺dce-mri圖像進(jìn)行分解。

式中,e1是正則項(xiàng)，用于約束結(jié)構(gòu)圖像的空間平滑性。e2是相似項(xiàng)，用于約束結(jié)構(gòu)圖像與原始圖像之間的相似性。e3是紋理約束項(xiàng)，用于約束乳腺dce-mri圖像中紋理圖像序列間的灰度一致性。ir,ii表示兩幅待分解的圖像，ir是參考圖像即第1增強(qiáng)時(shí)相，ii是除去第1增強(qiáng)時(shí)相外的其余時(shí)相圖像，在分解過(guò)程中圖像ii依次與參考圖像ir進(jìn)行約束分解。sr,si表示兩幅圖像的結(jié)構(gòu)圖像，α是相似項(xiàng)參數(shù)，用于調(diào)節(jié)正則項(xiàng)和相似項(xiàng)的權(quán)重。本實(shí)施例中，α＝8；β是紋理約束項(xiàng)的權(quán)重參數(shù)，k,k＝1,2,3...nmax表示迭代次數(shù)。

本發(fā)明采用的基于紋理約束的全變分模型中紋理約束項(xiàng)是利用紋理圖像之間的灰度差得到的，由于圖像間位移形變的影響使得乳腺dce-mri圖像在分解過(guò)程中產(chǎn)生誤差。因此本發(fā)明采取迭代分解配準(zhǔn)的方式逐漸消除位移形變對(duì)圖像分解帶來(lái)的誤差，迭代次數(shù)的最大值nmax取決于紋理約束項(xiàng)的權(quán)重參數(shù)β。在整個(gè)算法實(shí)現(xiàn)過(guò)程中，隨著迭代次數(shù)的增大參數(shù)β逐漸增大。參數(shù)β的最小值和最大值是根據(jù)所有實(shí)驗(yàn)數(shù)據(jù)在獨(dú)立的圖像分解實(shí)驗(yàn)中的實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)得到的，最小值能夠保證僅有正常組織信息被分解到紋理圖像中，而對(duì)比劑引起的灰度變化信息和部分正常組織信息被分解到結(jié)構(gòu)圖像中；最大值能夠保證結(jié)構(gòu)圖像中僅包含對(duì)比劑引起的灰度變化信息，而紋理圖像中包含正常組織的所有信息和部分對(duì)比劑引起的灰度變化信息。根據(jù)參數(shù)β從最小值到最大值的每次迭代增1的變化尺度從而估算出迭代次數(shù)最大值nmax。在本實(shí)施例中，βmin＝1，βmax＝7；所以，nmax＝7。

步驟三：對(duì)待配準(zhǔn)的乳腺dce-mri圖像使用如式(1)所示的基于紋理約束的全變分模型進(jìn)行分解，得到包含灰度變化的結(jié)構(gòu)圖像2和具有灰度一致性的紋理圖像1，如圖3所示。

步驟四：對(duì)步驟三中得到的紋理圖像使用基于b樣條自由形變模型(free-formdeformation,ffd)的成組配準(zhǔn)方法進(jìn)行配準(zhǔn)，進(jìn)而提取出紋理圖像之間的位移形變場(chǎng)。

本發(fā)明的成組配準(zhǔn)方法是以所有時(shí)相紋理圖像的平均圖像作為參考圖像i，然后所有時(shí)相的紋理圖像分別與參考圖像進(jìn)行配準(zhǔn)。采用剩余復(fù)雜度(residualcomplexity，rc)作為配準(zhǔn)的相似項(xiàng)；然后使用基于b樣條的ffd來(lái)描述參考圖像i和待配準(zhǔn)圖像j之間的形變場(chǎng)t，通過(guò)加入一個(gè)正則項(xiàng)來(lái)約束形變場(chǎng)的平滑性，最終的配準(zhǔn)目標(biāo)函數(shù)如公式(2)所示。對(duì)配準(zhǔn)目標(biāo)函數(shù)f采用梯度下降法進(jìn)行優(yōu)化計(jì)算，求解出紋理圖像之間的位移形變場(chǎng)。

f＝minfe+κfr(2)

公式(2)中，fe為相似項(xiàng)，fr為正則項(xiàng)，κ為正則項(xiàng)權(quán)重參數(shù)，κ＝0.05。其中：

公式(3)中，d＝dctn(r),r＝i-j(t)，dctn表示離散余弦變換，γ是相似項(xiàng)中的一個(gè)參數(shù)，γ＝2。公式(4)中，ω是圖像區(qū)域，s是圖像區(qū)域的面積。

步驟五：利用得到的位移形變場(chǎng)對(duì)乳腺dce-mri圖像進(jìn)行位移校正，得到配準(zhǔn)后的乳腺dce-mri圖像。k＝k+1，β^k＝β^k-1+1，當(dāng)k≤nmax時(shí)對(duì)得到的配準(zhǔn)后的乳腺dce-mri圖像重復(fù)步驟三至步驟五的實(shí)驗(yàn)操作，當(dāng)k>nmax時(shí)輸出最終配準(zhǔn)后的乳腺dce-mri圖像，圖4為步驟三至步驟五的示意圖。

本發(fā)明在基于圖像分解的配準(zhǔn)框架下，采用迭代更新的紋理形變場(chǎng)逐漸實(shí)現(xiàn)對(duì)乳腺dce-mri圖像的配準(zhǔn)。本方法對(duì)存在灰度變化的乳腺dce-mri圖像實(shí)現(xiàn)配準(zhǔn)，同時(shí)能夠保持圖像病灶區(qū)域的形狀和圖像之間的灰度變化。