[发明专利]一种医学图像离线重建定位方法

权利要求书

1.一种医学图像离线重建定位方法，其特征在于，所述医学图像离线重建定位方法包括：

步骤一，获取已重建医学图像序列和待重建医学图像序列；

步骤二，将三维离散规则数据场分层读入；

步骤三，扫描两层数据，逐个构造体素，每个体素中的8个角点取自相邻的两层；

步骤四，将体素每个角点的函数值与给定的等值面值做比较，根据比较结果，构造该体素的索引表；

步骤五，根据索引表得出将与等值面有交点的边界体素；

步骤六，通过线性插值方法计算出体素棱边与等值面的交点；

步骤七，利用中心差分方法，求出体素各角点处的法向量，再通过线性插值方法，求出三角面片各顶点处的法向；

步骤八，根据各三角面片各顶点的坐标及法向量绘制等值面图象。

2.如权利要求1所述的医学图像离线重建定位方法，其特征在于，所述医学图像离线重建定位方法采用Marching Cubes算法，简称MC算法，假定原始数据是离散的三维空问规则数据场，用于医疗诊断的断层扫描及核磁共振成像产生的图象均属于这一类型，MC算法的基本思想是逐个处理数据场中的立方体，分类出与等值面相交的立方体，采用插值计算出等值面与立方体边的交点；根据立方体每一顶点与等值面的相对位置，将等值面与立方体边的交点按一定方式连接生成等值面，作为等值面在该立方体内的一个逼近表示。

3.如权利要求1所述的医学图像离线重建定位方法，其特征在于，所述在MC算法中，体素的一个面上，如果值为1的角点和值为0的角点，1、0表示位于等值面内或外，分别位于对角线的两端，那么就会有两种可能的连接方式。

4.如权利要求1所述的医学图像离线重建定位方法，其特征在于，所述由于两种可能的连接方式公共面上就会导致矛盾的拓扑流型，所构造的等值面将会出现孔隙。

5.如权利要求1所述的医学图像离线重建定位方法，其特征在于，所述医学图像的超分辨率重建方法具体包括以下步骤：

步骤一，带医学图像的光照层分离：对于输入的暗医学图像，运用Yu Li等提出的基于相对平滑特性的层分离方法，进行光照层的分离处理，保留反映其本质属性的反射层；对于输入的带下划线医学图像，同样运用上述层分离方法，在去除其光照层干扰的同时，对颜色淡于医学图像本身的下划线，也起到了预去除的作用；

步骤二，反射层图像的小波分解及L₀平滑滤波：对步骤一得到的反射层图像进行小波分解，得到一个低频子图像和三个高频子图像；因为低频和高频子图像各自保留了一幅图像中不同的结构特征，再依据上述两种不同干扰因素的区别，利用Li Xu等提出的L₀平滑滤波理论，对各子图像进行不同尺度因子的平滑滤波处理，再将处理后的子图像进行小波合成；

步骤三，小波合成后图像的二值化及引导滤波：根据医学图像的灰度值分布特点，即整个图像呈现以字符和背景灰度值为中心的双峰分布，利用简单有效的Suavola算法，对小波合成后的图像进行二值化处理，使得医学图像图像仅包含黑白两个灰度值；由于上述预处理后的医学图像仍可能存在干扰，运用引导滤波器再次进行滤波处理，以实现带医学图像超分辨率重建前的预处理；

步骤四，超分辨率重建的训练集生成：选取一定数量不带干扰的清晰的高分辨率图像，通过降采样和插值的方法，得到与其一一对应的尺寸一致的低分辨率图，成对的高、低分辨率图像组成训练集；对训练集中的低分图像进行小波分解，结合一阶、二阶梯度算子，生成一幅低分图像对应的特征图组；然后对每幅低分图像对应的特征图组进行分块，从而每个低分图像块对应若干个特征图像块，和低分图像一一对应的高分图像也进行相应的分块；

将每个低分图像块对应的若干特征图像块组合成一个列向量，即特征向量；依据低分图像块特征向量之间的欧式距离，选取与每个低分特征向量最临近的N_train个低分特征向量，将它们编为一个特征分组，相应的N_train个高分图像块也对应编为一组，将所有低分特征块和对应的高分图像块都进行编码分组；

步骤五，低分测试特征图像块的归组及低秩矩阵恢复：对干扰抑制后的低分测试图像按照低分图像训练的方式，进行特征图组提取、分块、特征向量生成；对于每个测试低分特征向量，搜寻在训练集中与其欧氏距离最小的一个低分特征向量，以该特征向量所在分组中N_train个低分特征向量，与该测试特征向量一起构成增广矩阵；该分组所对应的N_train个高分图像块，也构成高分矩阵；

然后使用Emmanuel J.Candès等提出的低秩矩阵恢复算法对增广矩阵进行分解，去除包含噪声和光照干扰的稀疏矩阵，得到相应的增广低秩矩阵；对于高分矩阵，采用同样的算法得到相应的高分低秩矩阵；

步骤六，高分辨率图像块的重建及图像拼接：利用Hong Chang等提出的邻域嵌入重建方法，以增广低秩矩阵中对应的测试特征向量为基准，在该低秩矩阵中选取与基准向量的欧式距离最近邻N_test个低秩特征向量；基于这些最近邻的低秩特征向量，线性组合重建出该测试低秩特征向量，计算出使重建误差最小的重建系数；运用上述重建系数，结合在高分低秩矩阵中与N_test个低秩向量所对应的高分低秩向量，重建出测试低分图像块所对应的高分图像块；

将输入测试图像的所有分块进行重建，重建出的各高分图像块按重叠区域平均融合进行拼接，再通过迭代反向投影算法进一步消除块效应；从而实现基于邻域嵌入的带干扰抑制的医学图像超分辨率重建；

以欧式距离最近的分组、搜寻最近邻特征块、增广矩阵的构成及低秩恢复，高、低分辨率图像块的线性组合重建等过程，都是将低分辨率特征块和高分辨率图像块分别组成列向量以进行计算；同时，也将高分辨率简称为高分，低分辨率简称为低分；此外，N_train远大于N_test。