基于图像自相似性的多尺度稀疏表示肺4D-CT图像超分辨率重建

王婷婷，张煜

1.南方医科大学南方医院设备器材科，广东广州510515；2.南方医科大学生物医学工程学院，广东广州510515

前言

四维计算机断层摄影（Four-Dimensional Computed Tomography,4D-CT）能够真实准确地反映靶区的运动范围及动态特征，被广泛地应用于肺癌的精确放射治疗之中并取得良好的效果［1］。然而，CT 的高剂量照射特性以及持久的扫描时间，致使数据沿纵向（Z轴方向）无法实现密集采样，导致数据层间分辨率远低于层内分辨率，造成各项数据异性，不仅影响图像可视化而且妨碍数据分析［2-3］。超分辨率（Super Resolution,SR）重建算法是一种提高肺4D-CT 图像分辨率的有效方法。将数据中不同相位、对应位置的图像作为多“帧”低分辨率（Low Resolution,LR）图像输入，经过SR重建处理，获得高分辨率（High Resolution,HR）输出图像。

本研究提出一种基于图像自相似性的多尺度稀疏表示SR重建方法，它是一种基于机器学习的重建算法［4-6］，主要解决以下两大难点：（1）基于稀疏表示的SR重建方法，一般需要相对应的HR和LR图像块两两组对作为训练集，以训练得到反映HR 和LR 图像之间关系的字典。但是对于肺4D-CT 图像而言，各项数据异性致使无法获取冠矢状面的HR 图像。在此种情形下，该如何构建训练集数据？（2）考虑到肺4D-CT 图像的解剖结构特征存在于不同尺度之下，应该如何选取图像块的大小，才能做到同时捕获不同尺度下的解剖信息？针对第一个问题，笔者引入自相似性的概念。图像自相似性［7］是源自于对图像的观察，发现一些细小的结构在整幅图像中重复出现。此概念已经被广泛应用到图像压缩［8］、图像复原［9］、非局部均值去噪［10］以及SR 重建［11］中。……