基于乳腺動(dòng)態(tài)增強(qiáng)MRI的分解與配準(zhǔn).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(dòng)態(tài)對(duì)比增強(qiáng)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(qiáng)信息，然而同時(shí)加重了影像醫(yī)師的閱片負(fù)擔(dān)。因此，旨在應(yīng)用醫(yī)學(xué)圖像處理與模式識(shí)別手段，輔助醫(yī)

2、師進(jìn)行快速有效地診斷的計(jì)算機(jī)輔助診斷（Computer-Aided Diagnosis，CAD）技術(shù)應(yīng)運(yùn)而生。本論文旨在借助圖像分解以及配準(zhǔn)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(zhǔn)確度。為實(shí)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(duì)比劑在不同組織內(nèi)擴(kuò)散的差異，分解混疊DCE-MRI，獲得純凈的異常組織增強(qiáng)的結(jié)構(gòu)圖像以及時(shí)間一致性的正常組織紋理圖像，為后續(xù)準(zhǔn)確的病灶診斷和解決伴有灰度變化的DCE-MRI非剛性配準(zhǔn)提供了保障。本文主要工作如下:
　　(1) DCE-MRI分解模型:借助對(duì)比劑在不同組織內(nèi)擴(kuò)散的差異，建模異常組織增強(qiáng)的空間連續(xù)性以及正常組織增強(qiáng)的時(shí)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(shí)現(xiàn)上述工作，本文首先利用偏移場(chǎng)校正以及動(dòng)態(tài)閾值分割模型實(shí)現(xiàn)病例位移的量化評(píng)價(jià);其次，基于所提出的DC-TV分解模型對(duì)無明顯位移的95個(gè)臨床病灶圖像序列進(jìn)行圖像分解，獲取純凈的異常組織增強(qiáng)圖像;最后，使用多種評(píng)價(jià)參數(shù)分析分解結(jié)果。實(shí)驗(yàn)結(jié)果表明，經(jīng)過DC-TV分解處理，可以得到具有時(shí)間一致性的紋理圖像。對(duì)分解得到的結(jié)構(gòu)圖像做分類識(shí)別，相對(duì)于原始圖像而言，會(huì)得到更符合三時(shí)間點(diǎn)(Three

5、-Time-Point，3TP)準(zhǔn)則的時(shí)間-增強(qiáng)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(zhǔn):針對(duì)存在明顯非剛性形變的乳腺DCE-MRI進(jìn)行配準(zhǔn)。該問題屬于伴有灰度變化的非剛性配準(zhǔn)，是配準(zhǔn)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(zhǔn)，可以得到準(zhǔn)確的位移形變場(chǎng)，繼而

6、實(shí)現(xiàn)原始圖像以及結(jié)構(gòu)圖像的校正對(duì)齊，解決了現(xiàn)有DCE-MRI配準(zhǔn)中出現(xiàn)的病灶扭曲等問題。實(shí)驗(yàn)選取數(shù)據(jù)庫(kù)中位移形變明顯的18個(gè)病灶樣本進(jìn)行實(shí)驗(yàn)，使用互信息、相關(guān)系數(shù)和均方差等評(píng)價(jià)參數(shù)，量化分析實(shí)驗(yàn)結(jié)果。結(jié)果表明，利用具有時(shí)間一致性的紋理圖像獲得的位移場(chǎng)對(duì)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(duì)經(jīng)過配準(zhǔn)校正后的結(jié)構(gòu)圖像生成TIC及特征提取，動(dòng)態(tài)特征的良惡分類效果