肺4D-CT图像在肺癌的治疗过程中得到越来越广泛的应用,因为它能够提供必要的呼吸运动信息来引导精确放射治疗。肺4D-CT数据的获取是通过同步采集CT图像和呼吸信号,采集的每层CT图像都对应呼吸周期中的一个相位,然后按不同相位分别对CT图像进行分类排序和三维重建。肺4D-CT数据不仅真实再现呼吸周期里肺部器官和靶区的形态,而且给出它们的运动范围和方式,这对运动靶区的精确放疗有重要意义：利用肺4D-CT图像实时定位靶区与器官在呼吸过程中的位置,估计它们的运动轨迹,针对患者独特的运动特征制定个体化放疗计划,有助于在精确照射靶区范围,提高靶区受照剂量的同时,减少正常组织的受照剂量。然而,4D-CT数据在采集过程中,面临的一个主要问题是：采集时间长,病人受照射剂量大。病人在同一个床位要进行多次长时间扫描(至少一个呼吸周期),病人扫描一次4D-CT受到的照射剂量比一次3D-CT扫描可高出一个数量级。为了避免病人吸收过多的剂量,4D-CT的扫描只能采取增加层间隔、减少扫描层数的方式进行,因此,我们往往只能获得高层间距的4D-CT图像数据,这会导致肺4D-CT数据层间距离要远大于层内像素点之间距离。因此,想要查看正确比例的显示图像时,最直接有效的办法就是使用插值方法,沿纵轴方向按照一定比例(数据层间和层内像素点距离的比值)进行插值放大来获取正确显示的图像。常用的插值方法有最近邻插值、线性插值、双三次插值和样条插值等。然而简单插值操作并不引入新的信息,无法恢复图像中缺失的高频信息,因此易得到较模糊的图像。本文为提高肺4D-CT数据多平面显示图像的质量,根据肺4D-CT数据的特征,研究基于配准的图像超分辨率重建技术,以重构高分辨率肺图像。图像超分辨率重建技术是在给定一幅或多幅关于同一场景的低分辨率观察图像的前提下实现重建的,而且要求多帧图像之间存在亚像素位移,然后通过融合单幅图像自身的冗余信息或多幅低分辨率观察图像之间的非冗余信息重建出高分辨率图像,是一种提高图像分辨率的有效后处理方法。肺4D-CT数据提供随呼吸运动变化的肺部低分辨率图像序列,通常由多个连续相位的图像组成,每一相位都对应某一呼吸时刻的肺部图像。因此多平面间不同相位对应的图像可以认为是关于同一场景的一系列低分辨率图像“帧”,多“帧”图像都含有部分相似的结构信息,且图像间存在亚像素位移。肺4D-CT数据特征符合超分辨率重建技术的要求,故可以采用超分辨率重建技术来重建清晰的高分辨率肺图像,这是本文工作的基本思想。基于以上思想,本文研究了基于配准的超分辨率重建技术来提高肺4D-CT数据多平面显示图像的分辨率。图像超分辨率重建技术是基于图像退化模型的,先生成一幅高分辨率估计图,而后估计低分辨图像之间的位移信息,并估计与图像模糊、降采样及运动相关的点扩散函数(Point Spread Function, PSF),最后根据这些信息不断修正初始估计图来恢复超分辨率图像。本文肺4D-CT数据提供的低分辨率图像是原始清晰图像退化后的形式。本文首先分析介绍了图像退化模型；然后介绍了Active Demons配准算法,采用该算法估计出不同“帧”图像之间的亚像素位移信息；在获得图像间位移信息之后,采用凸集投影(Projection onto convex set, POCS)超分辨率算法重建目标高分辨率图像；在最后,针对POCS算法有待改进和优化的地方作了进一步的研究与实验,使用NEDI (New edge-directed interpolation)算法优化算法中的初始估计图像,同时改进PSF函数来降低边缘环状伪影,进一步提升重建结果。本文的主要工作详细如下：(1)首先介绍图像的退化模型。在现实的数字成像过程中,原始场景中丰富的信息往往不能完全呈现出来,最终得到的是一组降质的低分辨率观察图像。影响最终成像质量的因素很多,例如原始场景和成像系统之间不可避免的相对运动会造成图像变形,以及相对运动、大气湍流会导致图像模糊,硬件设备限制造成采样不足以及在采集图像过程中不可避免会引入噪声等。现有的低分辨率观察图像可以看作是由一幅高分辨率图像经过几何形变、降采样、系统模糊以及噪声等因素共同影响产生的结果,对这过程进行数学上的简化,建立关联高分辨率图像和低分辨率观察图像序列的图像退化模型。在超分辨率重建技术中,目标高分辨率图像的求取是这个退化过程的逆问题,即由多个低分辨率观察图像来重建高分辨率图像。(2)采用Active Demons配准算法获取不同相位图像间运动信息。针对肺4D-CT数据,由于肺的呼吸运动幅度有限,因此无需刚性配准,采用弹性配准算法获取它们的运动信息。运动估计是超分辨率算法的关键步骤,本文采用Active Demons配准算法来获取运动信息。该算法是基于光流场,将经典的Maxwell’s demons热力学原理应用到图像配准上提出的一种弹性配准方法,对随时间变化的图像序列中的细小形变敏感。这种基于配准的运动估计算法原理简单,精度高、速度快,适合用于超分辨率重建过程中估计图像序列间的运动信息。本文采用Active Demons配准算法估计出不同相位图像间的运动信息,实验结果表明,该方法可准确估计肺部运动场。(3)在得到相位图像间运动信息后,采用凸集投影(POCS)超分辨率算法重建出高分辨率的图像。图像超分辨率重建方法大体可以划分为两类：频域方法和空域方法。频域方法是基于连续和离散傅里叶变换的位移、混叠特性,将图像转换到频域内对低分辨图像的频谱混叠进行消除,再转换到空域得到目标高分辨率图像。但是此种方法难以处理低分辨图像形变复杂、模糊严重的降质模型,并且对噪声要求限定高,并不适用于本文的肺4D-CT数据。而空域方法就能够处理复杂的降质模型,模型中考虑了影响图像成像效果的各种空间域因素,如运动形变,光学模糊,运动模糊,随机噪声等,这种方法更接近于实际应用情况。本文采用凸集投影法(POCS)重建图像,它是一种基于空域的超分辨率重建算法,算法原理简单有效,同时可以方便地加入先验信息作为约束条件,可以很好地保持图像细节信息。实验结果表明,重建出的肺部图像结构清晰,细节信息增强。(4) POCS算法重建结果图像易出现边缘振荡效应,针对这一现象本文作了进一步研究,以改进算法。深入研究分析POCS算法得知,由于点扩散函数(PSF)通常采用基于各向同性的高斯函数,对边缘区域的像素点进行估计时不准确,导致本身高值的像素点修正后值更高,低值的像素点修正后值更低,于是出现边缘振荡效应。为了抑制边缘振荡效应和保护边缘信息,对原算法做了两个改进：采用NEDI方法替代原算法中的三次样条插值方法生成边缘清晰连贯的高分辨率初始估计图；采用基于各向异性的高斯函数约束边缘,抑制边缘振荡,保护边缘细节信息。本文改进的算法重建结果图像结构清晰,边缘平滑连贯,边缘振荡效应也降低；比起原算法,可得到更好的重建结果。本文实验数据来源于一套公共可用的肺4D-CT数据集,该数据集包含10组肺4D-CT数据,每组数据都有10个相位。以此数据集为基础,我们采用本文方法分别进行了仿真图像和真实图像实验。(a)仿真实验：由于数据集只有在横断面才有高分辨率的清晰图像,故选取横断面高分辨率图像按照退化模型生成多幅低分辨率仿真图像进行实验研究,并采用RMSE值量化评价本文方法重建结果和真实图像(Ground truth)之间的差异；(b)真实图像实验：冠矢状面图像是低分辨率图像,针对这些图像进行本文提出的超分辨率方法重建,采用边缘宽度值和平均梯度值来量化评价本文方法。实验结果表明,与三次样条插值和单幅图像反投影(BP)算法相比,本文方法重建的高分辨率图像在视觉上更清晰,结构信息和边缘细节都增强；而且量化评价指标也优于其他两种方法。同时,研究的改进算法也是有效的,与初始算法相比较：重建结果图像清晰,边缘锐利,边缘振荡效应也降低；RMSE值进一步降低。主观和客观实验结果表明,本文所提出的基于配准的超分辨率重建方法能有效提高肺4D-CT多平面显示图像分辨率。