[发明专利]一种医学图像融合方法及系统

说明书

本发明公开了一种医学图像融合方法及系统，该方法包括：获取已配准的CT图像和超声图像；对CT图像和超声图像中的硬组织部位的分界轮廓进行标注，分界轮廓将CT图像和超声图像划分为硬组织部位区域、硬软组织边界区域和软组织部位区域；获取与硬组织部位区域、硬软组织边界区域和软组织部位区域分别对应的区域权值对(μ₁,μ₂)；分别计算硬组织部位区域、硬软组织边界区域和软组织部位区域的加权融合后图像的像素灰度值X，以生成融合图像。本发明实施例提供的技术方案，具有位移不变性，在图像配准不够精确时也不会使融合图像失真，有利于应用推广，不会出现明显的拼接痕迹和丢失边缘轮廓等信息，增强了图像的细节和清晰度，使融合图像的信息更全面、更精准。

技术领域

本发明实施例涉及医学图像处理技术领域，尤其涉及一种医学图像融合方法及系统。

背景技术

核医学设备(主要包括正电子发射断层显像设备PET和磁共振成像设备MRI)和X射线计算机断层摄影装置CT分别通过获取患者的功能和解剖图像用于疾病诊断，是现代影像诊断医学中常用的两种成像模式。随着医疗技术的飞速发展、核医学设备技术的不断进步，目前市场上主流的核医学设备都是多模式融合，主要是PET/CT和MRI/CT。由于核医学设备的空间分辨力比较差，需要借助CT图像进行定位等，临床医生需要把核医学图像和CT图像融合起来进行医学诊断，然而MRI影像和PET影像的成本较为昂贵，并不利于应用推广。

CT一般对人体硬组织成像效果较好，广泛应用于鼻骨骨折诊断、头颅诊断、口腔医学等领域。但CT对软组织成像效果较差，影像分辨率较低；超声则一般对人体软组织成像效果较好，而对一些硬组织成像效果不是很好，如因骨组织的声抗远大于软组织，超声对于骨组织的成像效果较差。然而，在医学领域中的检测目标区域往往是软组织和硬组织的结合体，因此单一的CT影像或超声影像很难使医生获取待检测目标区域的精准影像信息。

图像融合的级别可分为像素级、特征级和决策级三种。目前，图像融合的研究主要集中在像素级图像融合方面。在像素级图像融合中小波变换是当前最重要，最常用的方法。基于小波变换的图像融合：对源图像进行小波变换，将其分解在不同频率段的不同特征域上，然后在不同的特征域内进行融合，再用小波逆变换得到融合图像的过程，但由于小波变换不具有位移不变性，若图像未经过良好的配准便会使融合图像失真。此外，加权平均法也是医学图像融合常用的融合方法之一，加权平均法是对每个源图像之间对应的像素灰度值加权平均的，其优点是运算量小，但不可避免的也存在一定的问题，普通加权平均法容易使图像中的边缘、轮廓等信息丢失，而且在融合源图像灰度差异较大的情况下，容易出现明显的拼接痕迹。

发明内容

本发明提供一种医学图像融合方法及系统，以解决现有技术的不足。

为实现上述目的，本发明提供以下的技术方案：

第一方面，本发明实施例提供一种医学图像融合方法，所述方法包括：

获取已配准的CT图像和超声图像；

采用深度学习训练模型对所述CT图像中的硬组织部位的分界轮廓进行标注，并基于配准关系对所述超声图像中的硬组织部位的分界轮廓同步进行标注，所述分界轮廓将所述CT图像和超声图像中所述分界轮廓所在的图像区域划分为硬组织部位区域、硬软组织边界区域和软组织部位区域；其中，硬软组织边界区域为以分界轮廓为中心，ε为半径的环带状区域；

获取与所述硬组织部位区域、硬软组织边界区域和软组织部位区域分别对应的区域权值对(μ₁,μ₂)；其中，μ₁为所述CT图像的权值，μ₂为所述超声图像的权值，μ₁+μ₂＝1；

根据如下公式分别计算所述硬组织部位区域、硬软组织边界区域和软组织部位区域的加权融合后图像的像素灰度值X，以生成融合图像：