基于乳腺動態(tài)增強MRI的分解與配準.pdf

1、乳腺癌是一種女性常見多發(fā)病，病變的早期檢出與診斷是降低疾病死亡率的關(guān)鍵。相較于傳統(tǒng)影像掃描技術(shù)，動態(tài)對比增強核磁共振成像（Dynamic Contrast-EnhancedMagnetic Resonance Imaging，DCE-MRI）憑借其較高的軟組織分辨率，成為乳腺癌篩查的重要手段之一。核磁掃描過程中產(chǎn)生的大量圖像，提供了病變豐富的四維增強信息，然而同時加重了影像醫(yī)師的閱片負擔。因此，旨在應(yīng)用醫(yī)學(xué)圖像處理與模式識別手段，輔助醫(yī)

2、師進行快速有效地診斷的計算機輔助診斷（Computer-Aided Diagnosis，CAD）技術(shù)應(yīng)運而生。本論文旨在借助圖像分解以及配準技術(shù)，解決DCE-MRI中正常組織和異常組織混疊和呼吸引起的非剛性形變問題，以提高CAD系統(tǒng)判別乳腺病變良惡性的準確度。為實現(xiàn)該目的，本論文提出了基于全變分理論的分解算法(DecompositionAlgorithm Combined with Total Variation，DC-TV)，該算法基

3、于對比劑在不同組織內(nèi)擴散的差異，分解混疊DCE-MRI，獲得純凈的異常組織增強的結(jié)構(gòu)圖像以及時間一致性的正常組織紋理圖像，為后續(xù)準確的病灶診斷和解決伴有灰度變化的DCE-MRI非剛性配準提供了保障。本文主要工作如下:
　　(1) DCE-MRI分解模型:借助對比劑在不同組織內(nèi)擴散的差異，建模異常組織增強的空間連續(xù)性以及正常組織增強的時間一致性，區(qū)別于現(xiàn)有圖像分解模型，首次提出在雙重約束下分解混疊DCE-MRI的DC-TV分解模型，

4、將原始DCE-MRI分解為結(jié)構(gòu)圖像和紋理圖像兩部分。為實現(xiàn)上述工作，本文首先利用偏移場校正以及動態(tài)閾值分割模型實現(xiàn)病例位移的量化評價;其次，基于所提出的DC-TV分解模型對無明顯位移的95個臨床病灶圖像序列進行圖像分解，獲取純凈的異常組織增強圖像;最后，使用多種評價參數(shù)分析分解結(jié)果。實驗結(jié)果表明，經(jīng)過DC-TV分解處理，可以得到具有時間一致性的紋理圖像。對分解得到的結(jié)構(gòu)圖像做分類識別，相對于原始圖像而言，會得到更符合三時間點(Three

5、-Time-Point，3TP)準則的時間-增強曲線(Time Intensity Curve，TIC)和更有效的良惡性分類結(jié)果。
　　(2)乳腺DCE-MRI配準:針對存在明顯非剛性形變的乳腺DCE-MRI進行配準。該問題屬于伴有灰度變化的非剛性配準，是配準領(lǐng)域的難題。本論文在DC-TV模型的啟發(fā)下，提出原始DCE-MRI中正常組織和異常組織的分離，繼而利用灰度一致性的正常組織紋理圖像做非剛性配準，可以得到準確的位移形變場，繼而

6、實現(xiàn)原始圖像以及結(jié)構(gòu)圖像的校正對齊，解決了現(xiàn)有DCE-MRI配準中出現(xiàn)的病灶扭曲等問題。實驗選取數(shù)據(jù)庫中位移形變明顯的18個病灶樣本進行實驗，使用互信息、相關(guān)系數(shù)和均方差等評價參數(shù)，量化分析實驗結(jié)果。結(jié)果表明，利用具有時間一致性的紋理圖像獲得的位移場對原始DCE-MRI形變校正，能夠解決現(xiàn)有多數(shù)算法遇到的灰度差異引起病灶扭曲的問題。相較于原始DCE-MRI和結(jié)構(gòu)圖像，對經(jīng)過配準校正后的結(jié)構(gòu)圖像生成TIC及特征提取，動態(tài)特征的良惡分類效果