[发明专利]一种心脏图像序列的回顾性脱机呼吸门控方法

摘要

一种心脏图像序列的回顾性脱机呼吸门控方法，所述方法首先采用流形学习方法中的拉普拉斯特征映射对存储ECG门控心脏图像序列数据的矩阵进行降维处理，得到嵌入在高维观测数据点集中的低维坐标矩阵；然后计算低维坐标矩阵中相邻特征向量之间的欧氏距离，检测欧氏距离的局部极大值，并将其作为门控帧的选取位置，从而得到去除了呼吸运动伪影的门控图像序列。本发明直接对由图像中所有像素的灰度值组成的矩阵进行分析，得到心脏图像序列中的呼吸运动信息。本方法只需求解稀疏矩阵的特征值，而且无需操作者的手动参与，具有计算复杂度低、自动化程度高、应用成本低等优点。此外，本方法只利用了局部距离信息，因而门控结果对噪声不敏感。

主权项

1.一种心脏图像序列的回顾性脱机呼吸门控方法，其特征是，所述方法首先采用流形学习方法中的拉普拉斯特征映射对存储ECG门控心脏图像序列数据的矩阵进行降维处理，得到嵌入在高维观测数据点集中的低维坐标矩阵，得到心脏图像序列中隐含的呼吸运动信息；根据患者的呼吸周期长度C_b和心动周期长度C_r，计算ECG门控图像序列中一个呼吸周期内包含的图像帧数n，然后计算低维坐标矩阵中相邻特征向量之间的欧氏距离，检测欧氏距离的局部极大值，所述欧氏距离的局部极大值表示前一个呼吸周期的末尾和后一个呼吸周期的开始，并将其作为门控帧的选取位置；如果相邻特征向量之间的欧氏距离的两个局部极大值所对应的帧间隔小于n/2，则选取两个局部极大值中的较大者作为门控帧的提取位置，从而得到去除了呼吸运动伪影的门控图像序列；具体处理步骤如下：a.利用拉普拉斯特征映射的方法对描述心脏图像序列的矩阵进行降维处理：①用一个二维矩阵表示图像序列中所有像素的灰度值，具体步骤如下：假设图像序列包括N帧图像，每帧图像由D＝M×M个像素组成，定义一个N×D维的矩阵X，按照由上至下、由左至右的顺序将每帧图像的像素灰度值排成一行存储到矩阵X的对应行中；②通过计算矩阵X中各行之间的欧氏距离，建立邻域关系图，并据此来重构数据流形的局部特征，具体步骤如下：对于矩阵X中的每行xi∈RD，计算xi与xj之间的欧氏距离d(xi,xj)：d(xi,xj)＝||xi‑xj||2；其中，j＝1,2,...,N；||·||2表示2范数，将计算出的欧氏距离按照由小到大的顺序排列，取出前k个所对应的向量，不包括xi本身，作为xi的k‑最近邻点，记为xij，其中j＝1,2,…,k，以xi为顶点，欧氏距离d(xi,xij)为边，建立邻域关系图；③构建N×N维的权值矩阵W＝{wij|i,j＝1,2,...,N}：如果xi与xj在邻域关系图中互为邻近点，则将它们之间的权值赋值为wij＝1；否则，将权值赋值为wij＝0；④计算拉普拉斯矩阵的特征向量和特征值，完成特征映射，具体步骤如下：高维观测数据点集为X＝{xi∈RD,i＝1,2,...,N}，低维坐标矩阵为Y＝{yi∈RD,i＝1,2,...,N}，其中Rd是d维实数空间，且d＜＜D，低维嵌入的目标函数为：计算使上式最小的矩阵Y，具体方法如下：设L为拉普拉斯矩阵：L＝B‑W，其中，B＝{bij|i,j＝1,2,...,N}是一个N×N维的稀疏对角阵，其对角线上的元素为：利用下式求解矩阵L的特征值λ和特征向量f：Lf＝λf，计算矩阵L的前d个非零的最小特征值，其所对应的特征向量就是低维坐标矩阵Y；b.通过检测呼吸运动信号的局部极值提取门控帧：①计算矩阵Y中相邻特征向量之间的欧氏距离A(m)：A(m)＝[Y(1,m)‑Y(1,m‑1)]2+[Y(2,m)‑Y(2,m‑1)]2+…[Y(d,m)‑Y(d,m‑1)]2，其中m＝2,3,...,N，A(1)＝0；②检测A(m)的局部极大值，将其作为门控帧的选取位置，完成门控帧的选取。