论文部分内容阅读
医学图像模态映射是指由一种成像医学设备获取的数据预测另外一种不同的成像设备或者参数获取的数据。从磁共振(Magnetic Resonance,MR)图像预测X线计算机断层扫描(Computerized tomography,CT)图像是医学图像模态映射的一个重要应用。预测的伪CT图像可以为基于MR的放射治疗剂量计算和正电子发射断层成像(Positron Emission Tomography,PET)衰减校正提供所需的电子密度信息,并减少CT的电离辐射对病人造成的伤害。由于MR图像与CT图像的成像原理不同,不同模态之间的映射关系非常复杂。针对MR图像和CT图像之间映射的非线性问题,提出了线性描述子学习算法;针对线性描述子学习的优化问题,提出了非线性描述子学习算法;针对基于描述子学习算法预测伪CT图像速度过慢的问题,提出了改进的近邻锚点回归算法。本文主要研究内容如下:(1)提出了线性描述子学习的预测伪CT图像算法。使用体素值、原始图像块或多尺度图像块等提取的MR特征信息量不足。针对此问题,本文通过稠密的尺度不变特征变换算法和改进的监督描述子学习算法(ISDL)提取MR图像上具有CT流形正则化的大空间支撑的结构信息和上下文信息紧凑型描述子。13个病人的真实CT与伪CT图像之间的平均绝对误差(MAE)为78.90±23.25 HU,峰值信噪比为(PSNR)为30.40±1.93dB。结果表明该方法预测伪CT图像的精度较高。(2)提出了非线性描述子特征匹配的预测伪CT图像算法。线性描述子学习算法将MR线性描述子与CT相似矩阵加入ISDL算法中优化获得次优解,并且伪CT图像应用于PET衰减校正和放射治疗剂量计算性能尚需验证。本文通过将提取MR线性描述子通过特征映射投影到高维核空间,再结合ISDL算法学习具有鉴别力的描述子。通过模拟PET数据验证衰减校正的性能。13个病人的平均 MAE 为 75.25±18.05 HU,PSNR 为 30.87±1.15 dB,衰减校正误差(rMAE)为1.56±0.50%,剂量计算误差为0.055±0.107%。结果表明该方法预测的伪CT图像应用于PET衰减校正和剂量计算误差较低。(3)提出了改进近邻锚点回归的预测伪CT图像算法。非线性描述子特征匹配中需使用滑动窗搜索近邻样本,计算速度过慢。针对此问题,本文提出层次搜索INAR方法预先训练投影矩阵,并通过MR-CT数据集扩增、数据驱动优化和多回归集成等策略提高预测伪CT图像的精度;本文优化了评估误差方法;22 个病人的平均 MAE 为 92.73±14.86 HU,PSNR 为 29.77±1.63 dB,rMAE 为1.30±0.20%。仅用7个病人训练投影矩阵的MAE为106.89±14.43 HU,rMAE为1.51±0.21%。结果表明该方法能快速预测伪CT图像,并使用有限的数据预测精度较高的伪CT图像。本文提出了三种方法逐步提高预测伪CT图像的性能,实验结果表明,预测的伪CT图像应用于PET衰减校正和放射治疗剂量计算误差较小。