Research on the Edge Feature Enhancement of Fluvial Reservoirs Based on Image Processing
-
摘要: 河道边缘的识别是河流相储层精细描述的重点。受河道叠置、交叉，砂体厚度薄，地震信噪比、分辨率低等因素影响，传统的切片解释、相干技术难以满足精细勘探的需求，新发展的基于算子处理的边缘检测仍存在应用误区。本文以分析河道边缘的几何特征为切入点，明确一阶导数、模值及二阶导数的物理含义；建立具有不同速度特征的三维河道模型，并通过模型与实际资料相干属性的提取，指出该项技术在河道精细描述中存在的问题。针对该问题以Sobel算子为例，图解说明使用此项技术处理后河道边缘的标志性特征，提出采用直方图均衡化与模糊集理论的河道边缘相干增强技术，并取得较好的应用效果。该方法技术对深化河道边缘特征的认识，提高河流相储层识别能力，有一定的借鉴作用。Abstract: The identification of channel edge is the key aspect of fine description of fluvial reservoirs. Affected by the factors such as channel overlaying and crossing, thin sand body thickness, low seismic signal-to-noise ratio, and low resolution, the traditional slice interpretation and coherence technology can barely meet the requirements of fine exploration, and the newly developed edge detection based on operator processing still has application misconceptions. In this study, the geometric characteristics of river edges are analyzed as the entry point, and the physical meanings of first derivatives, module values, and second derivatives are clarified. Three-dimensional channel models with different velocity characteristics are established by extracting the coherence attributes of the model and real data; the existing problems of this technique in the fine description of channels are identified. To solve this problem, considering the Sobel operator as an example, the symbolic characteristics of the channel edge after using this technology are illustrated. The coherent enhancement technique for channel edge identification using histogram equalization and the fuzzy set theory is proposed, and good application results are obtained. This method can be used as reference to deepen the understanding of channel edge characteristics and improve the ability to identify fluvial reservoirs.
-
Keywords:
- fluvial reservoir /
- edge features /
- Sobel operator /
- histogram equalization /
- fuzzy enhancement
-
多形性黄色星形细胞瘤（pleomorphic xanthoastrocytoma，PXA）是一类低级别神经上皮肿瘤，起源于软脑膜下星形细胞或其前体，临床罕见，易复发及脑脊液播散。它由Kepes等[1]于1979年首次报道。1993年被WHO纳入中枢神经系统2级肿瘤。后经大量的研究及经验积累，2016年WHO将PXA（2级）和间变型PXA（3级）分为两个不同的实体，后者预后较差并被定义为“具有≥5个有丝分裂/10个高倍视野的PXA”。2021年WHO删除“间变型”一词，直接将PXA分为2和3级。PXA的主要临床表现为不同程度及类型的癫痫发作。该肿瘤常见于儿童及年轻人，预后相对较好。病灶多位于大脑半球浅表部位，以颞叶居多。
目前国内外PXA的相关报道较少，大样本量的研究缺乏，临床对其认识不足。为提高对其认识，现将我院收治1例PXA患者分析报道，主要对其MR特点进行总结归纳。
1. 病历资料
1.1 临床表现及实验室检查
患者，男性，16岁，以“突发癫痫一次”为主诉入院”，神经系统查体及实验室检查均为阴性。
1.2 MRI表现
头颅MRI增强检查提示左侧颞叶囊实性占位，实性成分T1WI等信号，T2WI等信号，增强后实性成分明显强化，实性成分旁软脑膜呈线状明显强化（图1）。
![]()
图 1 头颅MRI增强图像注：（a）横断面T2WI平扫示左侧颞叶见结节状高信号灶，内见等信号线样分隔（细箭）；（b）横断面T1WI平扫示结节呈低信号，线状分隔呈等信号（细箭）；（c）矢状面T1WI平扫示低信号结节边缘见等信号附壁结节（细箭）；（d）横断位DWI示结节呈等低信号，线状分隔呈稍高信号（细箭）；（e）横断位T1WI增强示病灶旁软脑膜强化（粗箭）；（f）矢状面T1WI增强示附壁结节明显强化（细箭），其旁软脑膜明显强化（粗箭）。Figure 1. Cranial enhanced magnetic resonance imaging1.3 治疗
行标准前颞叶切除术，病理提示“多形性黄色星形细胞瘤，WHO 2级”，分子病理结果为BRAF（v600 e突变），FISH-CDKN2 A缺失。
1.4 随访
患者一年后门诊复诊，无癫痫发作，头颅MRI增强提示未见肿瘤复发。
2. 讨论
2.1 病因及发病机制
Kepes等[2]认为PXA是起源于软脑膜下的星形细胞，因为软脑膜下星形胶质细胞和PXA肿瘤细胞具有共同的超微结构特征。这一假设可以解释大多数肿瘤位于大脑皮层浅表位置的原因。随着分子病理学检测技术的不断发展，BRAF（v600 e）突变和CDKN2 A/B纯合缺失，被认为是PXA的特征性分子改变[3-4]。
2.2 临床特征
PXA是一类罕见的脑肿瘤，在原发性中枢神经系统肿瘤中占比<0.3％，在所有星形细胞肿瘤中占比<1％，年发病率<0.7例/10万。PXA在每个年龄段均可发病，常见于儿童及年轻人，Perkins等[5]报道该肿瘤诊断时的平均年龄为26.3岁，无性别差异。PXA常发生于大脑半球浅表部位，以颞叶居多，常累及临近软脑膜[6]，其次也可发生于额叶及顶叶，其他部位如小脑、脊髓、视网膜等少见。当肿瘤复发或发生恶变时，少数病例可出现脑脊液播散。由于PXA常位于大脑浅表部位，症状多表现为不同程度及类型的癫痫发作。其他症状包括肿瘤增大，可引起颅内压增高相关的头痛、恶心、呕吐等，很少有患者是靠影像学检查偶然发现，也很少有患者在首诊时已经出现脑脊液播散。
2.3 影像学表现
PXA的影像学表现分为3种类型：大囊伴附壁结节，附壁结节常靠近或附着于软脑膜上（该类型最常见）；实性肿块伴小囊变；单囊或多囊性病变。CT平扫实性部分为稍低或等密度，偶可见钙化，囊性部分为低密度，但略高于脑脊液密度。MR平扫实性部分（包括附壁结节或厚囊壁）T1WI呈稍低信号或等信号，T2WI呈稍高信号或等信号；囊性部分T1WI呈低信号，T2WI呈高信号。增强后实性部分在CT和MR上均为明显强化，囊壁可或不强化；部分病例可出现临近软脑膜强化。多数病灶瘤周水肿较轻，但3级PXA肿瘤体积常较大，瘤周水肿多明显。由于肿瘤位置常较表浅，少数病例可出现颅骨的受压变薄。本病例的MRI表现符合PXA中大囊伴附壁结节的类型特点，附壁结节T2WI呈等信号，T1WI呈等信号，增强后附壁结节及临近脑沟内的软脑膜明显强化，囊壁无强化。
2.4 治疗及转归
虽然PXA被认为是惰性肿瘤，但与其他低级胶质瘤相比，PXA的复发率、恶变率及死亡率更高。WHO肿瘤分级是PXA患者生存率（overall survival，OS）的最重要预测指标[7-8]。在一项回顾性研究[7]中，作者发现与2级PXA患者相比，3级PXA患者的OS显著降低，其次肿瘤出现坏死与PXA患者预后不良密切相关，无坏死肿瘤的5年OS为90.2％，坏死肿瘤的5年OS为42.2％。在年龄方面，诊断PXA时患者年龄越大，其OS越短[8-9]。
由于PXA在临床罕见，易复发、恶变，目前还没有标准的治疗指南。PXA的常规治疗主要为外科手术行肿瘤全切除，术后联合影像学检查以检测肿瘤复发和进展情况。其他辅助治疗如放疗、化疗等通常用于术后残留、复发或3级PXA的患者，但由于缺乏数据支持，辅助治疗的疗效目前仍不确定。本文报道的PXA病例WHO肿瘤分级为2级，在肿瘤全切除术后1年来我院复诊，患者病情稳定，无癫痫发作，复查头颅MRI未见肿瘤复发。
2.5 诊断与鉴别诊断
虽然PXA的MRI表现具有一定特点，但其临床表现、影像学表现都极易误诊[10]，确诊主要依靠病理，少数患者组织病理学诊断仍困难，需进一步行分子病理学检测。
儿童或年轻患者，以癫痫发病，MRI表现为发生于颞叶的大囊伴附壁结节病灶，与软脑膜关系密切，增强后结节明显强化，应考虑PXA的可能性，但此时仍需与以下疾病进行鉴别。①节细胞胶质瘤（ganglioglioma，GG），以囊实性多见，与PXA相比，GG常见钙化，肿瘤累及皮层时常伴脑回变宽，低级别GG无或轻度强化，软脑膜受累少见。②胚胎发育不良性神经上皮瘤，WHO 1级，其病灶常呈“三角形”或“楔形征”，尖角多凸向脑实质，瘤内多发微囊伴分隔，一般无壁结节及强化，肿瘤周围脑组织常见皮质发育不良，而PXA常为大囊，存在明显强化的附壁结节，且不伴有皮层发育不良。③青少年多形性低级别神经上皮肿瘤，女性为主，典型CT表现为肿瘤中央见结节样钙化[11]，增强扫描一般无强化或轻度斑片状强化，与PXA的偶见钙化，实性成分明显强化较易鉴别。
总之，PXA是一种罕见的在儿童和年轻人中呈惰性生长的肿瘤，具有复发和脑内播散的潜力。临床表现常以癫痫发作起病但无特异性，典型MR表现为大囊伴结节，结节明显强化，可伴临近软脑膜强化。术前PXA易被误诊，MRI可为其侵袭性和分级提供有价值信息，有助于临床对患者进行综合管理和预后预测。肿瘤全切除为该病的主要治疗方式，3级PXA常需联合辅助治疗。
-
![]()
图 1 河道边缘几何特征与数学含义
Figure 1. Geometric characteristics and mathematical implication of the channel edge
![]()
图 3 模型相干切片与原始振幅切片比较
Figure 3. Comparison between model coherence and original amplitude slices
![]()
图 4 实际资料相干切片与原始振幅切片比较
Figure 4. Comparison between coherence and original amplitude slices of the actual data
![]()
图 5 Sobel算子及核函数解析图
Figure 5. Analytical diagram of the Sobel operator and kernel function
![]()
图 6 理论模型Sobel算子处理及效果比较
Figure 6. Sobel operator processing and effect comparison of the theoretical model
![]()
图 7 实际资料Sobel算子处理及效果比较
Figure 7. Sobel operator processing and effect comparison of the actual data
![]()
图 8 理论模型灰度均衡化处理前后切片及直方图对比
Figure 8. Comparison of slices and histograms before and after grayscale equalization of the theoretical model
![]()
图 9 理论模型图像模糊增强处理及效果对比
Figure 9. Image fuzzy enhancement processing and effect comparison of the theoretical model
![]()
图 10 实际资料图像处理前后相干切片对比
Figure 10. Comparison of coherent slices before and after image processing of the actual data
表 1 特征值相干不同表征公式
Table 1 Different characterization formulas of eigenvalue coherence
时间 作者 表征公式 物理含义 1999 Gersztenkorn
和Marfurt${C_{31}} = \displaystyle \dfrac{{{\lambda _1}}}{{\sum\limits_{j = 1}^J {{\lambda _j}} }}$ 用最大特征值在所有特征值中的占比来表示相干 2000 Randen等 ${C_{32} } = \displaystyle \dfrac{ {2{\lambda _2} } }{ { {\lambda _1} + {\lambda _3} } } - 1 = \dfrac{ { {\lambda _2} - {\lambda _3} - ( { {\lambda _1} - {\lambda _2} } )} }{ { {\lambda _1} + {\lambda _3} } }$ 被称为“chaos”的相干属性 2002 Bakker ${C_{33} } = \displaystyle \dfrac{ {2{\lambda _2}( { {\lambda _2} - {\lambda _3} })} }{ {( { {\lambda _1} + {\lambda _2} } )( { {\lambda _2} + {\lambda _3} } )} }$ 重点考虑第2特征值和第3特征值的差异 2007 Donias等 ${C_{34} } = 1 - \displaystyle \dfrac{3}{2}\dfrac{ { {\lambda _2} + {\lambda _3} } }{ { {\lambda _1} + {\lambda _2} + {\lambda _3} } } = \dfrac{ { {\lambda _1} - {\lambda _2} + {\lambda _1} - {\lambda _3} } }{ {2( { {\lambda _1} + {\lambda _2} + {\lambda _3} } )} }$ “disorder”相干属性 2017 Wu ${C_{35}} = \displaystyle \dfrac{{{\lambda _1}{{ - }}{\lambda _2}}}{{{\lambda _1}}}$ 利用第1特征值和第2特征值的差异 
下载: 导出CSV
-
[1] 于建国, 林春明, 王金铎, 等. 曲流河沉积亚相的地震识别方法[J]. 石油地球物理勘探, 2003,38(5): 547−551. doi: 10.3321/j.issn:1000-7210.2003.05.017 YU J G, LIN C M, WANG J D, et al. Seismic identification of meandering channel sedimentary subfacies[J]. Oil Geophysical Prospecting, 2003, 38(5): 547−551. (in Chinese). doi: 10.3321/j.issn:1000-7210.2003.05.017
[2] 张军华, 李琴, 王延光, 等. 用相干体识别古河道及实际应用[J]. 科学技术与工程, 2020,20(35): 14431−14439. doi: 10.3969/j.issn.1671-1815.2020.35.013 ZHANG J H, LI Q, WANG Y G, et al. Recognition of paleo-river channels by coherence cube and the application[J]. Science Technology and Engineering, 2020, 20(35): 14431−14439. (in Chinese). doi: 10.3969/j.issn.1671-1815.2020.35.013
[3] 张运龙, 丁峰, 尹成, 等. 基于地震波形结构属性识别河流相砂体叠置区[J]. 石油学报, 2018,39(7): 792−801. ZHANG Y L, DING F, YIN C, et al. The identification of sand-body superimposed area based on seismic waveform structure attributes[J]. Acta Petrolei Sinica, 2018, 39(7): 792−801. (in Chinese).
[4] 张军华, 刘杨, 林承焰, 等. 甜点地震属性理论诠释及应用[J]. 石油地球物理勘探, 2018,53(2): 355−360. doi: 10.13810/j.cnki.issn.1000-7210.2018.02.017 ZHANG J H, LIU Y, LIN C Y, et al. Theoretical annotation and application of sweetness[J]. Oil Geophysical Prospecting, 2018, 53(2): 355−360. (in Chinese). doi: 10.13810/j.cnki.issn.1000-7210.2018.02.017
[5] 马跃华, 吴蜀燕, 白玉花, 等. 利用谱分解技术预测河流相储层[J]. 石油地球物理勘探, 2015,50(3): 502−509. MA Y H, WU S Y, BAI Y H, et al. River sedimentary microfacies prediction based on spectral decomposition[J]. Oil Geophysical Prospecting, 2015, 50(3): 502−509. (in Chinese).
[6] 丁峰, 胡光义, 尹成, 等. 基于地质信息约束的概率神经网络地震反射模式预测方法[J]. 中国海上油气, 2018,30(1): 127−131. DING F, HU G Y, YIN C, et al. A method under the constraint of geological information for prediction of seismic reflection patterns with probabilistic neural network[J]. China Offshore Oil and Gas, 2018, 30(1): 127−131. (in Chinese).
[7] 束宁凯, 苏朝光, 石晓光, 等. 胜利埕岛极浅海油田薄储集层地震描述及流体识别[J]. 石油勘探与开发, 2021,48(4): 768−776. doi: 10.11698/PED.2021.04.09 SHU N K, SU C G, SHI X G, et al. Seismic description and fluid identification of thin reservoirs in Shengli Chengdao extra-shallow sea oil field[J]. Petroleum Exploration and Development, 2021, 48(4): 768−776. (in Chinese). doi: 10.11698/PED.2021.04.09
[8] 李俊山, 李旭辉. 数字图像处理[M]. 北京: 清华大学出版社, 2013. LI J S, LI X H. Digital image Processing[M]. Beijinag: Tsinghua University Press, 2013. (in Chinese).
[9] 马承杰. 多尺度边缘检测技术在断层识别及裂缝发育带预测中的应用−以车排子地区排 691井区为例[J]. 油气地质与采收率, 2021,28(2): 85−90. MA C J. Application of multi-scale edge detection technology to fault recognition and fracture zone prediction: A case study of Block Well P691, Chepaizi area[J]. Petroleum Geology and Recovery Efficiency, 2021, 28(2): 85−90. (in Chinese).
[10] CHOPRA S, MARFURT K J. Volumetric fault image enhancement-some applications[J]. Interpretation, 2017, 5(2): T151−T161. doi: 10.1190/INT-2016-0129.1
[11] 宋建国, 孙永壮, 任登振. 基于结构导向的梯度属性边缘检测技术[J]. 地球物理学报, 2013,56(10): 3561−3571. doi: 10.6038/cjg20131031 SONG J G, SUN Y Z, REN D Z. Edge detection technique based on structure-directed gradient attribute[J]. Chinese Journal Geophys, 2013, 56(10): 3561−3571. (in Chinese). doi: 10.6038/cjg20131031
[12] 许辉群, 桂志先, 孙赞东. 边缘检测技术在地震属性中的应用[J]. 石油地球物理勘探, 2011,46(1): 126−128. XU H Q, GUI Z X, SUN Z D. Application of edge detection technique in seismic attribute analysis[J]. Oil Geophysical Prospecting, 2011, 46(1): 126−128. (in Chinese).
[13] 刘传奇, 宋俊亭, 薛明星. 边缘检测技术在砂体连通研究中的应用[J]. 地球物理学进展, 2021,21(2): 1−8. LIU C Q, SONG J T, XUE M X. Application of edge detection technology in sand connectivity research[J]. Progress in Geophysics, 2021, 21(2): 1−8. (in Chinese).
[14] 周连敏, 何书梅, 赵郁文, 等. 复合曲流河道内的单河道识别[J]. 石油地球物理勘探, 2019,54(1): 175−181. doi: 10.13810/j.cnki.issn.1000-7210.2019.01.020 ZHOU L M, HE S M, ZHAO Y W, et al. Single channel identification in a meandering river with compound channels[J]. Oil Geophysical Prospecting, 2019, 54(1): 175−181. (in Chinese). doi: 10.13810/j.cnki.issn.1000-7210.2019.01.020
[15] 张军华. 储层地震精细描述方法及应用研究[M]. 青岛: 中国石油大学出版社, 2022. ZHANG J H. Research on reservoir seismic fine description methods and their applications[M]. Qingdao: China University of Petroleum Press, 2022. (in Chinese).
[16] PAL S K, KING R A. Image enhancement using fuzzy sets[J]. Electronics Letters, 1980, 16(10): 376−378. doi: 10.1049/el:19800267
-
期刊类型引用(3)
1. 颜颖，宋丽君，魏巍，魏璇，杨正汉，王振常. 新型冠状病毒肺炎患者临床转归与临床及影像指标的相关性研究. 临床和实验医学杂志. 2022(12): 1317-1321 . 
百度学术
2. 宋丽君，颜颖，魏巍，魏璇，杨正汉，王振常. 新型冠状病毒肺炎患者核酸结果及临床分型与影像指标关系的研究. 临床和实验医学杂志. 2022(13): 1430-1433 . 百度学术
3. 李允，刘舒怡，郑劲平. 胸部影像人工智能在新型冠状病毒肺炎诊断中的应用及展望. 中华结核和呼吸杂志. 2022(12): 1255-1260 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 1206
- HTML全文浏览量: 162
- PDF下载量: 63
- 被引次数: 7
