[发明专利]一种基于自适应局部转向核的医学MRI图像上采样方法

说明书

本发明涉及一种基于自适应局部转向核的MRI图像上采样方法，方法包括：输入准备好需要进行上采样和去噪的待处理MRI图像，首先用计算得到的局部转向核LSK来调整插值权值以适应图像的几何结构；再通过自适应锐化来增强噪声图像上LSK分布的趋势，有助于去除噪声和增强边缘细节；最后使用Rician偏差校正，校正直接将加权平均框架应用于MRI数据集时，Rician噪声分布的不对称性而产生的偏差,经过此重建过程得到的上采样结果图像能够在去噪的同时保留更多的上下文细节。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于自适应局部转向核的医学 MRI图像上采样方法。

背景技术

医学成像的主要目标之一是对人体内感兴趣的三维解剖区域(ROIs)进行自动提取和建模。为了实现这一目标，人们开发了各种各样的成像方法，包括计算机断层扫描和磁共振成像(MRI)。MRI能够获得良好的软组织对比度，因此可以有效地观察正常组织和病变组织之间的差异。高分辨率的图像以降低信噪比(SNR)和增加成像时间为代价，提供了对解剖学更全面的理解。然而，在临床上，MRI扫描通常是快速的，因为较长的扫描时间会增加成本，导致患者不适，并在图像中诱发运动伪影。因此，临床磁共振(MR)图像的分辨率是有限的。

临床磁共振(MR)图像的上采样方法有很多种，基本上可分为基于插值的上采样、基于深度学习的上采样。

对于传统的插值方法，高分辨率(HR)图像中的体素是通过几个采样体素的加权平均来估计的。每个采样体素的系数反映了采样体素和目标体素之间的相似性。一般情况下，采样体素是在目标体素的空间邻域内选择的，因此系数通常是固定的，是目标与采样体素空间距离的函数。由于其简单性，传统插值方法重建的图像往往存在边缘模糊和阶梯形伪影的问题，他们不能一致地从低分辨率(LR)图像中重建高频细节。

除了图像插值外，深度学习在图像处理领域也得到了极大的关注。基于深度学习的方法则是利用大量的训练数据，从中学习低分辨率图像和高分辨率图像之间某种对应关系，然后根据学习到的映射关系来预测低分辨率图像所对应的高分辨率图像，从而实现图像的超分辨率重建过程。建立浅层学习模型有效地提升了图像超分辨率重建的精度，并有着实时的速度。虽然它们的性能是最先进的，这些基于深度学习的方法也有一些缺点。首先，基于深度学习的方法往往需要大量的训练数据集。其次，基于深度学习的方法的泛化能力也非常有限，需要训练数据和测试数据的紧密分布。

发明内容

针对现有技术之不足，一种基于自适应局部转向核的MRI图像上采样方法，所述方法包括：使用一种自适应插值框架，以实现同时的图像上采样，去噪和细节增强，具体包括：

步骤1：输入数据，准备好需要上采样和去噪的待处理MRI图像；

步骤2：计算所述待处理MRI图像的局部转向核LSK，得到图像的局部结构信息，局部转向核的关键思想是获取邻域内所有像素和中心像素之间的空间关系,用于确定规范内核的形状和大小，局部转向核的模型如下：

其中,i∈[1,…,p²],p²是邻域内所有像素点的数量，h²是一个全局平滑参数，矩阵C_i是空间梯度向量的协方差矩阵；x_j表示邻域中的中心像素点在图像中的坐标；x_i是邻域中其他像素点的坐标，最终得到的局部转向核LSK 即邻域中心像素的LSK值,是一个P×P的向量；

步骤3：自适应锐化，通过自适应锐化来增强待处理MRI图像上所述局部转向核分布的趋势，以模拟无噪声图像上的LSK分布，自适应的具体步骤为：对LSK值进行自适应锐化，将LSK值结合到权值矩阵Wi后，对Wi进行自适应锐化，将高通滤波后的权值矩阵的一部分加或减回到权值矩阵Wi，计算公式如下：