基于多相位图像相似性的肺4D-CT超分辨率重建

doi:10.3778/j.issn.1002-8331.1602-0198

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (15): 191-195.DOI: 10.3778/j.issn.1002-8331.1602-0198

基于多相位图像相似性的肺4D-CT超分辨率重建

陈瑾1，2，张煜1，2

1.南方医科大学生物医学工程学院，广州 510515
2.南方医科大学广东省医学图像处理重点实验室，广州 510515

出版日期:2017-08-01 发布日期:2017-08-14

Multi-phase similarity based super-resolution reconstruction for lung 4D-CT

CHEN Jin1，2, ZHANG Yu1，2

1.School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China
2.Guangdong Key Laboratory of Medical Image Processing, Southern Medical University, Guangzhou 510515, China

Online:2017-08-01 Published:2017-08-14

摘要/Abstract

摘要： 肺4D-CT为放射治疗提供全面的图像引导，在当今肺癌治疗中起着重要的作用。然而，由于采集时间和人体所能承受辐射剂量的限制，无法得到高分辨率（[Z]轴方向）CT图像，因此，通常采集到的肺4D-CT图像[Z]轴方向细节部分往往不够清晰。针对这一问题，提出了一个基于多相位相似性的非局部均值超分辨率重建方法，来提升肺4D-CT图像的质量。该方法利用多相位图像之间的互补信息，以非局部均值滤波为基础，来恢复图像的高分辨率细节结构；另外，由于呼吸运动，肺4D-CT图像中不同相位图像肺区域的灰度会有所差异，为保证重建高分辨率图像的灰度不变性，引入全局约束以修正重建图像的整体灰度。采用一套公共肺4D-CT数据集评估提出的方法，该数据集由10组肺4D-CT数据组成，每组数据包含10个相位。实验表明，在恢复图像的细节和增强分辨率方面，该方法要优于传统的线性插值和凸集投影（Projection Onto Convex Set，POCS）超分辨率重建算法。

关键词: 肺4D-CT, 非局部均值, 超分辨率重建

Abstract: Lung 4D-CT is of great value in the application of cancer treatment, because it provides comprehensive image guidance for radiation therapy. However, the high resolution lung 4D-CT data along the Z axis can’t be obtained due to the dose limitation. Concern this problem, a multi-phase similarity based non-local means super-resolution reconstruction for lung 4D-CT is proposed in this paper. The redundant information from multi-phases of 4D-CT data are used to recover some of this high frequency information by using a patch-based reconstruction in combination with a global constraint. A public dataset provided by DIR-lab is used to evaluate the proposed method. The dataset consists of 10 groups of lung 4D-CT data and each group contains 10 phases. All the evaluation results show that the approach outperforms traditional linear-interpolation and the convex set projection approach（POCS） in terms of quantitative measures and visual observation.

Key words: lung 4D-CT, non-local means, super-resolution reconstruction

陈瑾1，2，张煜1，2. 基于多相位图像相似性的肺4D-CT超分辨率重建[J]. 计算机工程与应用, 2017, 53(15): 191-195.

CHEN Jin1，2, ZHANG Yu1，2. Multi-phase similarity based super-resolution reconstruction for lung 4D-CT[J]. Computer Engineering and Applications, 2017, 53(15): 191-195.

[1]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[2]	刘璟，宋海川，黄建设，马利庄. 通道与空间注意力图像超分辨率网络[J]. 计算机工程与应用, 2021, 57(2): 209-216.
[3]	孙菁阳，陈凤东，韩越越，吴煜雯，甘雨，刘国栋. 图像超分辨率重建算法综述[J]. 计算机工程与应用, 2021, 57(17): 1-9.
[4]	谌贵辉，陈伍，李忠兵，易欣，刘会康，韩春阳. 残差卷积注意网络的图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(12): 193-200.
[5]	蒋文杰，罗晓曙，戴沁璇. 基于对抗网络人脸超分辨率重建算法研究[J]. 计算机工程与应用, 2021, 57(11): 219-223.
[6]	陈晨，刘明明，刘兵，周勇. 基于残差网络的图像超分辨率重建算法[J]. 计算机工程与应用, 2020, 56(8): 185-191.
[7]	李诚，张羽，黄初华. 改进的生成对抗网络图像超分辨率重建[J]. 计算机工程与应用, 2020, 56(4): 191-196.
[8]	黄冬梅，张学俭，魏立斐，李梦思，苏诚. 多云协同架构下的遥感图像安全外包降噪方案[J]. 计算机工程与应用, 2020, 56(22): 92-99.
[9]	王爱丽1，宋晓莹1，陈雨时2. 基于递归残差网络的遥感图像超分辨率重建[J]. 计算机工程与应用, 2019, 55(3): 191-195.
[10]	曾接贤，倪申龙. 改进的卷积神经网络单幅图像超分辨率重建[J]. 计算机工程与应用, 2019, 55(13): 1-7.
[11]	王雪1，隋立春1，2，杨振胤3，康军梅1. 最优方向耦合字典学习的遥感影像超分辨率重建[J]. 计算机工程与应用, 2018, 54(7): 201-205.
[12]	黄吉庆，王丽会，秦进，程欣宇，张健，李智. 基于多种正则化的改进超分辨率重建算法[J]. 计算机工程与应用, 2018, 54(15): 22-28.
[13]	祝严刚，张桂梅. 一种改进的非局部均值图像去噪算法[J]. 计算机工程与应用, 2017, 53(18): 192-198.
[14]	李新春，于抒平，王波. 一种改进的非局部均值算法[J]. 计算机工程与应用, 2016, 52(5): 185-189.
[15]	王珏1，2，罗姗1，邹永宁2. 邻域加窗的非局部均值CT成像去噪方法[J]. 计算机工程与应用, 2015, 51(9): 168-172.

基于多相位图像相似性的肺4D-CT超分辨率重建

Multi-phase similarity based super-resolution reconstruction for lung 4D-CT

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics