本發(fā)明涉及醫(yī)學圖像處理技術領域，具體是指一種基于回歸預測的肺4d-ct多相位圖像配準方法。

背景技術：

肺4d-ct圖像，對肺癌的診斷和治療有重要的指導價值，它為肺腫瘤定位和肺癌放射治療提供了真實的影像依據(jù)。肺4d-ct的配準已經(jīng)廣泛用于肺部圖像分析之中，如：肺部分割、跟蹤肺部器官組織的運動以及監(jiān)控疾病等等。

然而，由于肺部圖像存在由肺呼吸運動導致的局部大形變，和肺部紋理以及心臟搏動引起的干擾；加之灰度不變假設理論對肺部圖像而言并不完全成立。因此肺圖像的配準容易出現(xiàn)局部誤配準及陷入局部極值的情況。

因此，針對肺部4d-ct圖像配準現(xiàn)有不足問題，提供一種基于回歸預測的肺4d-ct多相位圖像配準方法。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于回歸預測的肺4d-ct多相位圖像配準方法，該方法利用了與浮動圖像相對應的不同相位的圖像信息進行形變場預測，能夠提高肺4d-ct圖像配準的準確性。

本發(fā)明的目的通過以下的技術措施實現(xiàn)：基于回歸預測的肺4d-ct多相位圖像配準方法，該方法包括以下步驟：

(1)讀取肺4d-ct數(shù)據(jù)，獲得不同相位組成的圖像組；

(2)選擇圖像組中某一相位圖像為參考圖像，某一相位圖像為浮動圖像；

(3)將圖像組內除去參考圖像和浮動圖像的其他相位圖像配準至參考圖像，得到圖像組內除去參考圖像和浮動圖像的其他相位圖像對應的形變場；

(4)將其他相位圖像和對應的形變場分塊，并以此構建圖像表觀-形變場回歸模型；

(5)將步驟(2)選擇的浮動圖像分塊輸入至步驟(4)構建的回歸模型中，預測出浮動圖像的初始形變場，并由此得到中間圖像；

(6)配準由步驟(5)得到的中間圖像與步驟(2)選擇的參考圖像；

(7)重新選擇圖像組中下一相位圖像，將步驟(2)中的浮動圖像及其形變場放入訓練集中，重復步驟(4)至(6)，完成預測配準，循環(huán)配準，直至圖像組中所有相位圖像配準完成。

本發(fā)明中，所述步驟(3)中的配準具體是采用activedemons配準算法。

本發(fā)明中，所述步驟(4)是先將其他相位圖像及其對應的形變場分塊，以此構建訓練集，再利用多維支持向量回歸機建立圖像表觀-形變場回歸模型，具體過程如下：

(4.1)分塊策略是由左至右，從上到下的掃描式重疊法，分塊大小為32像素×32像素；

(4.2)分塊后的圖像塊像素灰度作為回歸模型的訓練輸入x，圖像塊的形變場作為訓練輸出y；利用已知的訓練集x和y，求解圖像表觀-形變場回歸模型：

y＝r(x)......式(1)；

式中，r表示回歸關系；

(4.3)采用多維支持向量回歸機，來求解上述回歸模型，多維支持向量回歸機能建模一個高維的非線性映射函數(shù)，且能同時并獨立的預測每個輸出維度，使得空間相關性得到充分利用，其旨在學習以下回歸函數(shù)：

y＝wφ(x)+b......式(2)；

其中：φ(x):r^m→r^h是一種非線性映射，從m維映射到更高維h空間。從已知訓練數(shù)據(jù)樣本d＝{(xi,yi)|i＝1,2,...n}中，求解該回歸函數(shù)主要的最優(yōu)化參數(shù)w＝[w¹，w²,...w^l]^t,和b＝[b¹，b²,...b^l]^t，x∈^rm是圖像各像素點灰度輸入，y∈r^l是圖像各像素點對應形變輸出，n為訓練樣本個數(shù)，m,l,h均表示空間維數(shù)；

(4.4)w和b的求解通過下述的最優(yōu)化問題實現(xiàn)：

式中，ui＝||yi-wφ(xi)-b||是預測錯誤，l(u)是損失函數(shù)，c是常數(shù)，控制著對超出誤差限樣本的懲罰與函數(shù)的平坦性之間的折中，ε是預測精度范圍；

w的最優(yōu)解是訓練樣本在高維特征空間的一種線性組合，即：

通過迭代變權最小二乘法可求得最佳的w，β為線性組合系數(shù)。

本發(fā)明中，所述步驟(5)是根據(jù)步驟(4)得到的回歸模型，分塊預測塊形變場，并最終拼接為整幅初始形變場，具體過程如下：

(5.1)將浮動圖像分塊，將塊表觀x輸入至回歸模型中：

由此可得到圖像塊形變場輸出y，k(xi,x)表示核函數(shù)，上標t表示轉置；

(5.2)分塊之后，按照式(6)依次預測塊形變場，最終拼接為浮動圖像相對應的初始形變場，由此得到中間圖像。

本發(fā)明中，所述步驟(6)是根據(jù)步驟(5)得到的中間圖像，利用activedemons配準算法細化配準中間圖像與參考圖像。

本申請文件中的同一參數(shù)均表示相同的含義。

本發(fā)明基于回歸預測的肺4d-ct圖像配準的方法，利用了肺4d-ct多相位圖像呼吸運動的相似性，用與浮動圖像相對應的各相位的圖像信息預測形變場，從而減少浮動圖像與參考圖像之間的顯著形變，提高配準準確性。

附圖說明

結合附圖和具體實施方式對本發(fā)明進行詳細描述。

圖1是本發(fā)明基于回歸預測的肺4d-ct多相位圖像配準方法的流程圖。

圖2a至圖2f是本發(fā)明冠狀面參考圖，冠狀面浮動圖，以及采用不同的方法配準的結果和各自對應的差分圖像，其中：

圖2a為參考圖像；

圖2b為浮動圖像；

圖2c為activedemons配準結果圖；

圖2d為activedemons配準差分圖；

圖2e為本發(fā)明配準結果圖。

圖2f為本發(fā)明配準差分圖。

圖3a至圖3f是本發(fā)明矢狀面參考圖，矢狀面浮動圖，以及采用不同方法配準的結果和各自對應的差分圖像，其中：

圖3a為參考圖像；

圖3b為浮動圖像；

圖3c為activedemons配準結果圖；

圖3d為activedemons配準差分圖；

圖3e為本發(fā)明配準結果圖；

圖3f為本發(fā)明配準差分圖。

具體實施方式

圖1給出了本發(fā)明方法的流程圖，結合一套公共可用的肺4d-ct數(shù)據(jù)集詳細描述本發(fā)明的處理過程。本發(fā)明基于回歸預測的肺4d-ct多相位圖像配準方法，包括以下步驟：

(1)讀取肺4d-ct數(shù)據(jù)，獲得由10個不同相位圖像組成的圖像組；

(2)在圖像組中，選擇其中一幅相位圖像為參考圖像，另一幅相位圖像為浮動圖像；

(3)將圖像組內除去參考圖像和浮動圖像的其他相位圖像采用activedemons配準算法配準至參考圖像，得到圖像組內除去參考圖像和浮動圖像的其他相位圖像對應的形變場；

(4)將其他相位圖像和對應的形變場分塊，并以此為訓練集，利用多維支持向量回歸機構建圖像表觀-形變場回歸模型；

步驟(4)是先將其他相位圖像及其對應的形變場分塊，以此構建訓練集，再利用多維支持向量回歸機(multi-dimensionalsupportvectorregressor，msvr)構建圖像表觀-形變回歸模型，具體過程如下：

(4.1)分塊策略是由左至右，從上到下的掃描式重疊法。分塊大小為32像素×32像素；

(4.2)分塊后的圖像塊像素灰度作為回歸模型的訓練輸入x，圖像塊的形變場作為訓練輸出y；利用已知的訓練集x和y，求解圖像表觀-形變場回歸模型：

y＝r(x)......式(1)；

式中，r表示回歸關系；

(4.3)采用多維支持向量回歸機來求解上述回歸模型，msvr能建模一個高維的非線性映射函數(shù)，且能同時并獨立的預測每個輸出維度，使得空間相關性得到充分利用，其旨在學習以下回歸函數(shù)：

y＝wφ(x)+b......式(2)；

其中：φ(x):r^m→r^h是一種非線性映射，從m維映射到更高維h空間。從已知訓練數(shù)據(jù)樣本d＝{(xi,yi)|i＝1,2,...n}中，求解該回歸函數(shù)主要的最優(yōu)化參數(shù)w＝[w¹，w²,...w^l]^t,和b＝[b¹，b²,...b^l]^t，x∈r^m是圖像各像素點灰度輸入，y∈r^l是圖像各像素點對應形變輸出，n為訓練樣本個數(shù)，m,l,h均表示空間維數(shù)。

(4.4)w和b的求解通過下述的最優(yōu)化問題實現(xiàn)：

式中，ui＝||yi-wφ(xi)-b||是預測錯誤，l(u)是損失函數(shù)，c是常數(shù)，控制著對超出誤差限樣本的懲罰與函數(shù)的平坦性之間的折中，ε是預測精度范圍。

w的最優(yōu)解是訓練樣本在高維特征空間的一種線性組合，即：

通過迭代變權最小二乘法可求得最佳的w，β為線性組合系數(shù)。

(5)將步驟(2)選擇的浮動圖像分塊輸入至步驟(4)構建的回歸模型中，預測出浮動圖像的初始形變場，并由此得到中間圖像；

步驟(5)是根據(jù)步驟(4)得到的回歸模型，分塊預測塊形變場，并最終拼接為整幅初始形變場。具體過程如下：

(5.1)將浮動圖像分塊，將塊表觀輸入至回歸模型中：

由此可得到圖像塊形變場輸出y，k(xi,x)表示核函數(shù)，上標t表示轉置。

(5.2)分塊之后，按照式(6)依次預測塊形變場，最終拼接為浮動圖像相對應的初始形變場，由此得到中間圖像。

(6)配準由步驟(5)得到的中間圖像與步驟(2)選擇的參考圖像；

步驟(6)是根據(jù)步驟(5)得到的中間圖像，再利用activedemons配準算法細化配準中間圖像與參考圖像。

(7)重新選擇下圖像組中一相位圖像，將步驟(2)中的浮動圖像及其形變場放入訓練集中，重復步驟(4)至(6)，完成預測配準，循環(huán)配準，直至圖像組中所有相位圖像配準完成。

圖2a至圖2f分別給出了本發(fā)明冠狀面參考圖，冠狀面浮動圖，以及采用不同方法配準的結果和各自對應的差分圖像。圖3a至圖3f是本發(fā)明矢狀面參考圖，矢狀面浮動圖，以及采用不同方法配準的結果和各自對應的差分圖像。

除了視覺效果顯示外，本發(fā)明也給出了量化結果用以驗證本方法的有效性。本發(fā)明采用圖像均方誤差平方和(ssd)評價以相位0為參考圖像，其他相位依次為浮動圖像的配準結果。

圖像均方誤差平方和定義為:

其中，n為圖像像素個數(shù)的總數(shù)，fi為參考圖像灰度，ti為配準后圖像灰度。ssd值越小，說明圖像相似程度越高，配準效果越好。

利用式(7)分別計算activedemons算法以及本發(fā)明方法配準至相位0冠矢狀面的平均ssd，如下表1所示?？梢姡景l(fā)明的方法平均均方誤差和明顯低于activedemons算法，說明本發(fā)明配準方法更為準確。

表1：以相位0為參考圖像，其他相位為浮動圖像，activedemons算法與本發(fā)明方法平均ssd

從圖2d和圖2f，冠狀面不同配準方法差分圖像中可以看出，對于形變較大的肺部圖像，本發(fā)明配準效果較佳，明顯優(yōu)于activedemons算法。圖3d和3f，分別為矢狀面不同配準方法差分圖像，可以得到相同的結論。表1也反映了本發(fā)明方法對肺部配準的準確性。

需要說明的是，本發(fā)明的實施方式不限于此，可以根據(jù)實際需要進行修改，以適應不同的實際需求。因此，在本發(fā)明上述基礎技術思想前提下，按照本領域的普通技術知識和慣用手段對本發(fā)明內容所做出其他多種形式的修改、替換或變更，均落在本發(fā)明權利保護范圍之內。