（信号与信息处理专业论文）基于脑出血ct图像的分割与提取算法研究.pdf

图像分割是图像处理、计算机视觉、目标识别等领域中一项最基本的、最重 要的技术，也是图像分析领域中一项艰巨的、富有挑战性的任务。医学图像分割 作为图像分割中一个不可或缺的分支领域，在计算机辅助诊断、形状统计分析和 医学图像可视化等方面起到了重要的作用。分割的目的就是改变对一幅图像中感 兴趣的疑似病灶区域的描述，使其分析起来更加容易并且更有意义。医学图像不 同于一般的图像，常会伴随着出现弱边界、低对比度、强噪音等现象，正因为医 学图像自身所具有多样性和特殊性，才导致了分割的复杂性。近几年，随着医学 成像技术和计算机技术的快速发展，特别是c t ( c o m p m e rt o m o g r a p h y 计算机 断层扫描) 技术取得的重大进步，对图像分割的精确度和速度提出了更高的要求， 当前存在的多数图像分割算法已经难以满足当前复杂分割应用的需求。图像分割 算法正向着高度的自动化、更好的稳定性以及更强的鲁棒性方向在发展。与此同 时，医学影像设备实现数字化已经成为现实。d i c o m ( d i g i t a li m a g i n ga n d c o m m u n i c a t i o ni nm e d i c i n e 数字化医学图像与通信) 标准得到了广泛地应用， 使得传统的医学影像资料从局域化走向了网络化，实现了医学影像资料的共享， 为建立异地专家会诊、远程医疗等机制提供了可靠的技术支持。 本文主要研究了脑出血c t 图像的分割算法与疑似血肿区域的提取算法。首 先介绍了课题的研究背景与意义，探讨了c t 图像在脑出血诊断中的优势：其次， 重点分析了d i c o m 3 0 标准的产生、内容、信息模型以及如何在w i n d o w s 系统 下的显示等内容；最后，在分割阶段，本文主要分四个步骤来实现准确、有效地 提取疑似血肿区域并计算体积的目标： ( 1 ) 在粗分割阶段，本文使用基于阈值法的水平方向左右扫描算法来获取 颅内部分，去除颅外结构部分，尽可能的减少颅外结构部分给医生诊断所产生的 干扰，可以在很大程度上提升分割的速度与精度； ( 2 ) 在细分割阶段，首先分析了标准的f c m 、f c m s 、f c m s t 、f c m e n 等算法，针对这些算法的缺陷，本文通过重新设计滤波器提出了改进的f c m 算 法，针对区域边界点、区域内部点和噪音点进行有区别的对待，通过设置滤波系 数将区域边界点和噪音点去除掉：对于区域内部点，根据邻域内像素点到中心像 基于脑 f i 血c t 图像的分割提取算法研究 素点的空间距离不同，将邻域内像素点对中心像素点的影响程度设为不同的加权 系数，并将这些加权系数作为权值与邻域内相应像素点的灰度值进行加权求和， 从而来改变中心像素点的灰度值。通过仿真验证了本文算法对于椒盐噪音和高斯 噪音均有较好的分割效果，同时使图像中感兴趣的疑似病灶区域信息得到了突 出； ( 3 ) 将水平集方法与主动轮廓模型相结合来完成对疑似病灶区域的定位。 针对传统的p c 模型没有利用图像的区域梯度信息以及需要周期性的重新初始化 水平集函数等缺点，提出了改进的p c 模型，一方面加入了基于区域梯度信息的 能量泛函项，另一方面也融入了“模型中的惩罚项。改进的p c 模型在提升分 割精度的同时，也提高了分割的速度； ( 4 ) 快速、准确的体积估算对于许多医学诊断、治疗、评估是至关重要的。 本文从病人入院期间所拍摄的脑出血c t 图像序列中选取含有疑似血肿区域的图 像，利用前面三个步骤，完成对每幅图像中的疑似血肿区域准确的定位与识别 再通过扫描算法提取出疑似血肿区域，逐一统计每幅图像中血肿区域像素点的个 数，此时每幅图像中的疑似血肿区域面积s 等于像素点的面积乘以血肿区域内像 素点的个数，再将每幅图像中的疑似血肿区域面积乘以每幅图像的层厚就可以得 出层片图像的体积，最后叠加含有疑似血肿区域的所有c t 层片图像，就可以计 算出血肿区域的体积，相比较于传统的手工方法，精确度有了很大的提高。 关键字：医学图像分割；d i c o m 3 0 标准；f c m 算法；主动轮廓模型；体积估 算 a b s t r a c t a b s t r a c t i m a g es e g m e n t a t i o ni st h em o s tb a s i ca n dt h em o s ti m p o r t a n tt e c h n o l o g yi n i m a g ep r o c e s s i n g ，c o m p u t e rv i s i o na n dt a r g e tr e c o g n i t i o n ；a n di t i sad i f f i c u l ta n d c h a l l e n g i n gt a s k si ni m a g ea n a l y s i sf i e l d 嬲w e l l a sa ni n d i s p e n s a b l eb r a n c ho fi m a g e s e g m e n t a t i o nf i e l d ，m e d i c a li m a g es e g m e n t a t i o nh a sp l a y e di m p o r t a n t r o l e si n c o m p u t e ra i d e dd i a g n o s i s ，t h es h a p es t a t i s t i c a la n a l y s i sa n dv i s u a l i z a t i o no fm e d i c a l i m a g e t h ep u r p o s eo ft h es e g m e n t a t i o ni st oc h a n g et h ed e s c r i p t i o no fa l li m a g eo f t h es u s p e c t e dl e s i o n st h a ta l ei n t e r e s t e di n ，a n dm a k ei t se a s i e ra n dm o r em e a n i n g f u l t oa n a l y z e u n l i k et h eg e n e r a li m a g e ，m e d i c a li m a g eo f t e na c c o m p a n i e db yt h e e m e r g e n c eo f t h ep h e n o m e n o no fw e a kb o u n d a r i e s ，l o wc o n t r a s ta n ds t r o n gn o i s e i t i st h em e d i c a li m a g e sd i v e r s i t ya n dp a r t i c u l a r i t yt h a tc a u s e dt h ec o m p l e x i t yo ft h e s e g m e n t a t i o n i nr e c e n ty e a r s ，谢t i lt h er a p i dd e v e l o p m e n to fm e d i c a li m a g i n ga n dc o m p u t e r t e c h n o l o g y ，e s p e c i a l l yt h ec o m p u t e rt o m o g r a p h yt e c h n o l o g y ( c o m p u t e rt o m o g r a p h y ， r e f e r r e dt oa sc t ) h a v em a d eas i g n i f i c a n t p r o g r e s s ，i td e m a n d sh i g h e r o nt h e a c c u r a c ya n dt h es p e e do fi m a g es e g m e n t a t i o n ；a n dt h ep r e s e n ta l g o r i t h m so ft h e i m a g es e g m e n t a t i o nc a n n o tm e e tt h en e e d so ft h ec u r r e n tc o m p l e xs e g m e n t a t i o n a p p l i c a t i o n sa n ym o r e t h ea l g o r i t h m so fi m a g es e g m e n t a t i o na r ed e v e l o p i n gi n t oa h i g hd e g r e eo fa u t o m a t i o n ，ab e t t e rs t a b i l i t ya n dr o b u s t n e s s a tt h es a m et i m e ，t h e d i g i t a lo fm e d i c a li m a g i n ge q u i p m e n th a sb e c o m ear e a l i t y d i c o ms t a n d a r dh a s b e e nu s e dw i d e l y ，w h i c hm a k e st h et r a d i t i o n a lm e d i c a li m a g ed a t af r o mt h el o c a l i z e d t ot h en e t w o r k e d ，a n dr e a l i z e dt h es h a r i n go fm e d i c a li m a g i n gd a t a ，w h i c hp r o v i d e s t h er e l i a b l et e c h n i c a ls u p p o r to ft h ee s t a b l i s h m e n to ft h em e c h a n i s mo fo f f - s i t ee x p e r t c o n s u l t a t i o na n dt e l e m e d i c i n e t h i sp a p e rm a i n l ys t u d i e do nt h es e g m e n t a t i o na l g o r i t h mo fc e r e b r a lh e m o r r h a g e c ti m a g e sa n dt h ee x t r a c t i o na l g o r i t h mo fs u s p e c t e dh e m a t o m ar e g i o n f i r s t l y ，i t i n t r o d u c e st h eb a c k g r o u n da n dt h es i g n i f i c a n c eo ft h ec e r e b r a lh e m o r r h a g ea n d d i s c u s s e st h ea d v a n t a g e so fc ti m a g e si nt h ed i a g n o s i so fc e r e b r a lh e m o r r h a g e 基于脑 f j 血c t 图像的分割。j 挺默算法研究 s e c o n d l y ，i ts e l e c t i v e l ya n a l y z e dt h ec o n t e n t so ft h eg e n e r a t i o n ，t h ec o n t e n ta n dt h e i n f o r m a t i o nm o d e lo ft h ed i c o m 3 0s t a n d a r da n dh o wi td i s p l a y si nt h ew i n d o w s s y s t e m f i n a l l y ，i nt h es e g m e n t a t i o ns t a g e ，t h i sp a p e rm a i n l yd i v i d e sf o u rs t e p st o r e a l i z ea c c u r a t e l ya n de f f e c t i v e l ye x t r a c tt h es u s p e c t e dh e m a t o m ar e g i o na n dc a l c u l a t e t h ev o l u m eo ft h et a r g e t ： ( 1 ) i nt h ec o a r s es e g m e n t a t i o ns t a g e ，t h i sp a p e ru s e sh o r i z o n t a ld i r e c t i o ns c a n n i n g a l g o r i t h m ，w h i c hb a s e do nt h et h r e s h o l dm e t h o d ，t oe x t r a c ti n t r a c r a n i a ls t r u c t u r ea r e a a n dr e m o v et h ee x t r a c r a n i a lp a r t t h e r e f o r e ，i tc a nr e d u c e ，弱m u c ha sp o s s i b l e ，t h e i n t e r f e r e n c eo ft h ee x t r a c r a n i a lp a r to ft h ed i a g n o s e so ft h ed o c t o r s ；a n di tl a r g e l y u p g r a d i n gt h es p e e da n da c c u r a c yo ft h es e g m e n t a t i o n ( 2 ) i nt h ef i n es e g m e n t a t i o ns t a g e ，t h i s p a p e rf i r s ta n a l y z e s t h es t a n d a r d a l g o r i t h m so ff c m ，f c m _ s ，f c m si ，f c m e n a i m e da tt h ed i s a d v a n t a g e so f t h o s ea l g o r i t h m s ，w ep r o v i d em o d i f i e df c ma l g o r i t h ma f t e rr e - d e s i g n i n gt h ef i l t e r w et r e a tt h er e g i o n a lb o u n d a r yp o i n t s ，t h er e g i o n a li n t e r i o rp o i n t sa n dn o i s ep o i n t s d i f f e r e n t l y w ec a ng e tr i do ft h er e g i o n a lb o u n d a r yp o i n t sa n dn o i s ep o i n t sb y s e t t i n gt h ef i l t e rc o e f f i c i e n t s f o rt h er e g i o n a li n t e r i o rp o i n t s ，a c c o r d i n gt ot h e d i f f e r e n ts p a t i a ld i s t a n c e sb e t w e e nn e i g h b o r h o o dp i x e l sa n dt h ec e n t e rp i x e l ，w es e t d i f f e r e n tw e i g h t i n gc o e f f i c i e n t sf o rt h ei n f l u e n c e so ft h en e i g h b o r h o o dp i x e l st ot h e c e n t e rp i x e l ；a n dw ec o n s i d e rt h e s ew e i g h t i n gc o e f f i c i e n t sa st h ew e i g h t sa n dd ot h e w e i g h t e ds u mw i t ht h eg r a yv a l u eo ft h en e i g h b o r h o o dc o r r e s p o n d i n gp i x e l ，s oa st o c h a n g et h eg r a yv a l u eo ft h ec e n t e rp i x e l s i m u l a t i o nr e s u l t ss h o wt h ep r o p o s e d a l g o r i t h mh a s ab e t t e rs e g m e n t a t i o nr e s u l t s f o rt h es a l ta n dp e p p e rn o i s ea n d g a u s s i a nn o i s e ；m e a n w h i l eo u t s t a n d i n gt h ei n t e r e s t i n gs u s p e c t e dl e s i o n so fr e g i o n a l i n f o r m a t i o ni nt h ei m a g e ( 3 ) a c c o m p l i s h i n gt h ep o s i t i o n i n go ft h es u s p e c t e dl e s i o nr e g i o nb yc o m b i n i n g t h el e v e ls e tm e t h o da n dt h ea c t i v ec o n t o u rm o d e l d u et ot h ed i s a d v a n t a g e so ft h e t r a d i t i o n a lp cm o d e lt h a tn o tu s i n gt h ei m a g eg r a d i e n ti n f o r m a t i o na n dt h en e e dt o p e r i o d i c a l l yr e i n i t i a l i z et h el e v e ls e tf u n c t i o n ，t h ep a p e rp u t sf o r w a r dt h em o d i f i e dp c m o d e l o nt h eo n eh a n d ，w ea d dt h ee n e r g yf u n c t i o n a lw h i c hb a s e do nr e g i o n a l g r a d i e n ti n f o r m a t i o n ；o nt h eo t h e rh a n d ，i ti n t e g r a t e dw i t ht h ep e n a l t yt e r mo ft h el i l v m o d e l t h em o d i f i e dp cm o d e li m p r o v e st h ea c c u r a c yo fs e g m e n t a t i o n ，b u t a l s o i n c r e a s e dt h es p e e do fs e g m e n t a t i o na sw e l l ( 4 ) i ti sq u i t ei m p o r t a n tt oe s t i m a t e ，r a p i d l ya n da c c u r a t e l y ，t h ev o l u m ef o rm a n y m e d i c a l d i a g n o s e s ，t r e a t m e n t s a n da s s e s s m e n t s t h i s p a p e rs e l e c t s c e r e b r a l h e m o r r h a g ec ti m a g es e q u e n c e si m a g e s ，w i t ht h e i ra d m i s s i o n ，w h i c hc o n t a i n s u s p e c t e dh e m a t o m ar e g i o n ；a n di t u s e st h ea b o v et h r e es t e p st op o s i t i o na n d r e c o g n i z et h es u s p e c t e dh e m a t o m ar e g i o ni ne a c hi m a g e ；a n dt h r o u g ht h es c a n n i n g a l g o r i t h mt oe x t r a c tt h es u s p e c t e dh e m a t o m aa r e a , a n dt h e nc o u n t st h er e g i o n a lp i x e l s h e m a t o m ai ne a c hi m a g e t h ea r e a o ft h es u s p e c t e dh e m a t o m aa r e ai st h ea r e ao f t h ep i x e lm u l t i p l i e db yt h en u m b e ro fp i x e l si nt h eh e m a t o m aa r e a ；a n dt h e nt h e v o l u m eo fl a y e ro fi m a g e si sg a i n e da f t e rt h ea r e ao ft h es u s p e c t e dh e m a t o m aa r e ao f e a c hi m a g em u l t i p l y i n gt h et h i c k n e s sl a y e ro fe a c hi m a g e f i n a l l y ，w es t a c ka l lt h ec t l a y e ro fi m a g e sw h i c hc o n t a i ns u s p e c t e dh e m a t o m aa r e a st oc a l c u l a t et h ev o l u m eo f t h eh e m a t o m aa r e a c o m p a r e d 埘t 1 1t h et r a d i t i o n a lm a n u a lm e t h o d ，t h ea c c u r a c yo f t h i sm e t h o dh a sb e e ng r e a t l yi m p r o v e d k e y w o r d s ：m e d i c a l i m a g es e g m e n t a t i o n ；d i c o m 3 0s t a n d a r d s ；f c ma l g o r i t h m ； a c t i v ec o n t o u rm o d e l ；v o l u m ee s t i m a t i o n v 第一章绪论 第一章绪论 1 1 课题的研究背景与意义 现今，在世界范围内，急性脑血管病成为了继癌症、心脏病之后第三大导致 人类死亡的疾病。在中国急性脑血管病已经超越了心脏病成为第二大致人死亡的 杀手性疾病。根据2 0 0 8 年中国政府健康报告中得出的结论，急性脑血管病的年 发病率在2 0 左右【l 】。脑出血作为急性脑血管病的一种，是一种急性的、自发的 溢出血液进入大脑内部软组织的疾病。它占到因急性脑血管病入院病历中的 1 0 3 0 ，能够导致严重的残疾且在六个月内的死亡率高达3 0 - , 5 0 t 2 1 。 导致发生脑出血的病理学原因一般可以分为如下两种：非外伤性脑出血和外 伤性脑出血。非外伤性脑出血最为常见，通常是由于患者患有高血压使血管壁损 伤，引起薄壁动脉破裂，释放血液进入脑组织。血液的聚集或形成一个凝结块， 称为血肿，其在增长的情况下极易给脑组织周围带来压迫。或者是由于大脑血管 的流血量过度频繁导致功能紊乱、动脉瘤破裂、动静脉的畸形、出血性坏死等原 因引起的。非穿透性和穿透性颅创伤也时常引起脑出血。据不完全统计，在全世 界范围内，每年，每l o 万人中就有多大1 2 , - , 1 5 人遭受脑出血病的影响。亚洲国 家居民的脑出血发病率比世界其它地区的发病率都要高。脑出血可能发生在大脑 软组织细胞内的或脑膜空间的周围，包括硬膜外血肿、硬脑膜下血肿和蛛网膜下 的血肿等。脑出血发生过程中常常伴随着其它的并发症容易导致死亡或重大残 疾。例如，脑出血及其伴随的水肿极有可能破坏或压缩大脑附近的软组织，导致 患者产生神经性功能障碍。脑组织的实质性移位可能引起颅内压的升高，升高的 颅内压能使一个人迷惑和无精打采，极有可能形成致命性的综合症。 目前关于定量测量疑似血肿区域体积的方法是很少的。快速、准确、可重复 的体积估算对于许多医学诊断、治疗、评估是至关重要的，是决定病人是否需要 动手术的一个重要指标【3 1 。因此，精确的体积测量具有重要的临床应用价值。 目前，国内外大部分医院对患者颅内疑似血肿体积的临床测量主要是通过手 动分割和人工计算两大步骤来实现的。手动分割极其浪费时间且非常艰辛，精确 度和可重复性比较差。相对应于手动分割是自动分割。自动分割的难点在于如何 基于脑f l mc t 图像的分割j 提取算法研究 利用专家的丰富经验来辅助分割脑出血c t 图像，因为医学图像的在形状和外观 上是复杂的。当疑似出血病灶部分非常小或病灶部分被正常结构掩饰或读片医生 的阅片经验少时，该方法实现起来就很困难。疑似血肿轮廓的自动描绘和分割将 面临如下技术挑战：( 1 ) 非脑出血和脑出血像素点的灰度重叠；( 2 ) 在脑出血 区域实质性灰度变化：( 3 ) 大脑组织的变形和扫描过程中的移位现象。因此， 如何设计一个具有一定鲁棒性、快速和有效的分割脑出血c t 图像算法和计算血 肿体积算法来描绘患者脑出血的程度，成为了科学工作者们当前研究的热点和难 点。 1 2c t 成像原理及其在脑出血诊断中的优势 自从1 9 7 2 年c t 成像技术诞生之后，医学影像界如同取得了一场革命性胜 利。在此之前，医院的放射科室仅有的标准成像技术是普通的x 射线投影成像， 这种成像技术可以追溯到1 8 9 5 年伦琴发现的x 射线时期。今天，c t 成像在医 学影像上俨然成为一个不可或缺的工具，尽管价格不菲，但医生们仍然需要它来 辅助诊断多种疾病，具有其它成像技术无法比拟的优势。 c t 是第一种无创伤性的放射学方法用于产生人体组织器官的断层影像。依 据人体组织器官对x 射线吸收与透过率的差异，分析穿透人体后的衰减特性作 为基本的诊断方法，也就是说，它通过区分组织密度来区分不同的组织，将密度 差异转变成不同的狄度等级。c t 成像技术可以产生人体内部组织横断面切片的 二维密度图像。在没有接触人体的情况下就能够准确的将感兴趣部位进行准确的 标记并进行分析。 目前医学界对人体组织器官的c t 值1 4 l 定义如下： h - - - 埘一u w ) “wi x1 0 0 0 ( 1 1 ) 在式( 1 1 ) 中，甜历表示x 射线穿透人体组织器官的衰减系数，“w 表示x 射线穿透水的衰减系数，日表示c t 值。 脑出血的无创伤性检查通常使用c t 和m r i ( m a g n e t i cr e s o n a n c ei m a g i n g 一核 磁共振) 两种方法。c t 是利用一种非侵害的x 射线来扫描检查大脑内部的结构， 看是否存在血肿。m 刚是另一种检查方法，在磁性区域内，经射频波作用给出 2 第一帝绪论 了大脑软组织的详细结构，看是否存在血肿。相对比于m r i 图像，c t 图像对于 软组织通常拥有非常窄的信号衰减范围【5 1 、更高的空间分辨率( 0 5 m m ) 、非常锐 利的图像区域轮廓且能够检测带有心脏起搏器的患者。此外，c t 在临床和治疗 应用方面，实际上具有成本低效率高的特点。正是由于c t 具备这些方面的优势， 因此，c t 图像经常用于脑出血的诊断。如今，当谈到脑出血的诊断和治疗，大 部分都是从分析c t 图像开始的。通常情况下，c t 和m 刚在医学检查方面，对 于患者不同的检查部位，两种检查技术各具特色，形成强烈的互补【6 】。 图1 1 颅脑横断面c t 图像 f i g i 1c ti m a g e so ft h eb r a i nc r o s s s e c t i o n a l 图卜2 颅脑横断面m 刚图像 f i g 1 2m r ii m a g e so ft h eb r a i nc r o s s - s e c t i o n a l 1 3 对疑似血肿区域分割算法的介绍 图像分割用于在图像中定位物体和边界。分割的目的就是改变对一幅图像某 些感兴趣区域的描述，使其更有意义并且分析起来更加容易【7 1 。医学图像分割作 为图像分割的一种，在临床诊断和研究性的应用中，已经变成一项基本的技术。 医学图像分割是一项艰巨的、富有挑战的任务，由于医学图像具有的多种特性， 存在各种各样的病灶，如肿瘤、脑出血和脑梗塞等，导致了分割的复杂性，不同 的病灶需要有不同的分割算法，所以医学图像分割并不是一个简单的任务。和通 用的图像分割算法相比，医学图像分割通常是应用非常明确。同样地，它们也可 以将临床医生的先验知识应用于影像中感兴趣疑似病灶区域来辅助地进行分割。 基于脑 i ；mc t 图像的分割j 提取算法研究 1 3 1 模糊聚类分割算法 聚类分析是数据分类识别的主要方法，有着广泛地应用领域，包括系统结构 识别、市场调研、数据拟合与分析、图像处理与分析等。在实际聚类过程中常伴 随着分类的模糊性。目前，模糊聚类已经成为模糊理论发展的主流形式。在这里 每个样本点将不再属于某个特定的类别，通过模糊聚类分析，我们可以获取每个 样本点属于不同类别的隶属度，从而确定从样本点到类别的不确定描述，因此它 更能正确地反映现实情况。 现今的大部分医学图像分割算法都是建立在聚类分析的基础上，模糊c 均 值算法( f u z z yc l u s t e r i n gm e a n s ，f c m 算法【8 】) 是由b e z d e k 等人在19 7 3 年提出 来的，在硬聚类的基础上，引入模糊度的概念，尽可能多的保存图像的原有信息， 是一种应用比较广泛的图像分割方法。在确定聚类类别数、随机初始化聚类中心、 隶属度模糊加权指数和阈值占等情况下，对目标函数进行不断地迭代运算得到新 的隶属度和聚类中心，在确保目标函数达到最小值时实现对图像的最优化分割， 使得同一类别对象之间的隶属度值相似度最大，而在不同类别中隶属度值相似度 表现为最小。由于f c m 算法在迭代计算过程中仅考虑了图像当前像素点的灰度 值并没有顾及邻域内的像素点灰度值对当前像素点的影响，因此，f c m 算法对 于低对比度图像、均匀图像和噪音图像不能够进行很好的分割。 此后有许多基于f c m 的改进算法相继被提出，来优化对不同图像的分割效 果。如f c ms 算法1 9 j 是由a h m e d 等人在f c m 算法的基础上将当前的每个像素 点在聚类的过程中融入邻域空间信息从而改变原始目标函数。但f c m s 算法在 每次迭代过程中，对于每个像素点处都要计算其邻域信息，导致时问消耗过大， 效率比较低下。为了克服f c m s 算法的缺点，t h e n 等人先后提出了f c m s i 和 f c ms 2 算法【i o 】，在聚类过程之前，像素点的邻域信息就被计算出来，减少了程 序运行的复杂度，从而减少了程序的运行时间。s z i l f i g y i 等人i 将灰度图像中的 灰度级数一般比图像的实际尺寸小这样一个简单的事实引入到模糊聚类分割算 法中，提出了f c me n 算法。该算法不仅考虑了邻域像素点的狄度值对中心像 素点影响，而且还把它作为一个权重来处理，降低了算法运算的复杂性，提升了 算法运算的速度。 在简单的介绍了经典的f c m 算法及改进算法之后，可以发现这些算法要么 4 第一章绪论 直接修改图像中当前每个像素点的灰度值，要么通过融入邻域像素点信息来修改 每个像素点的灰度值来增强图像分割中的抗噪性。因此，这些算法对噪音和灰度 不均匀性都非常敏感，一旦图像中灰度差异表现的不是很明显以及受到相关噪音 的干扰时，这些算法的分割效果将受到重要的影响。为了准确的分割出感兴趣的 疑似病灶区域避免误分割，那么给出的分割算法一定要能够移除图像中的噪音和 其它的不希望存在的特征，正确的分割出疑似病灶组织，避免对图像中的任一像 素点的分割出现“欠分割 和“过分割 现象。“欠分割 可能引起信息的丢失， “过分割 可能带来太多的可以忽略的细节。然而，在现实情况中我们在分割 图像前对图像的灰度均匀性和是否受噪音干扰等情况无法预知。如果直接对图像 实施滤波预处理操作，可能会由于相关的滤波参数的设定不当，从而无法控制滤 波程度，导致图像的出现误分割现象。 在这里我们首先假定一幅脑出血c t 图像受到了噪音的干扰，那么其像素点 可以大致分为区域边界点、区域内部点和噪音点。f c ms l 算法并没有考虑到这 些区别，将邻域窗口内像素点对中心像素点的影响程度设为一样，本文提出的改 进算法就是在f c ms l 算法基础上，针对区域边界点、区域内部点和噪音点进行 有区别的对待。首先，通过设置滤波系数将区域边界点和噪音点去除掉；其次， 对于区域内部点，根据邻域内像素点到中心像素点的空间距离不同，将邻域内像 素点对中心像素点的影响程度设为不同的加权系数，并将这些加权系数作为权值 与邻域内相应像素点的灰度值进行加权求和，从而来改变中心像素点的灰度值。 当然，如果邻域内的像素点离中心像素点越远，对中心像素点的影响就越小；反 之，邻域内的像素点离中心像素点越近，对中心像素点的影响就越大1 1 2 1 。通过仿 真实验可以得出本文改进的算法对噪音图像具有较强的鲁棒性，并且分割后的图 像模糊性较同类算法有了大幅度的降低。 1 3 2 几何主动轮廓模型 模糊聚类算法实现了对疑似血肿区域的初始化分割，感兴趣的疑似血肿区域 信息得到了突出。将水平集方法与主动轮廓模型相结合来完成对疑似血肿区域的 精确定位，进而提取出疑似血肿区域是接下来我们的工作重点。在这一章中，我 们将首先分析水平集方法和主动轮廓模型理沦；此后，通过主动轮廓模型建立能 基于脑出j l nc t 图像的分割j 提取算泫研究 量泛函，通过最小化该能量泛函，获得驱动轮廓曲线逐渐逼近图像中目标边界的 演化方程；最后采用水平集函数来描述曲线演化方程，从而将此转化为对p d e 的求解。 对于许多刚开始接触水平集理论的初学者来说，为了便于理解，大都从研究 单水平集函数分割模型开始学习，在这一章中我们将首先对单水平集函数分割模 型进行简单的定义，接着分析了m s 模型、p c 模型( p i e c e w i s ec o n s t a n t 分段常 数模型) 、p s 模型( p i e c e w i s es m o o t h 分段光滑模型) 以及本文改进的p c 模型对 于脑出血c t 图像中血肿区域边界的定位效果，通过仿真实验验证了本文改进的 p c 模型在提升分割精度的同时，也提高了分割的速度。 1 4 疑似血肿体积的测定算法 随着科学技术的飞速发展，应用在医学上的影像设备种类变得越加繁多，而 且在功能上也得到了很大程度上的提高。今天，最先进的放射科室将可以使用x 射线投影成像、螺旋扫描c t 成像、超声波成像、m 等。但目前的c t 系统仍 不能对血肿区域进行准确的定位与提取，临床医生在治疗脑出血患者的时候，首 先需要通过传统的手工测量来计算疑似血肿体积，这项工作不仅繁琐而且精确度 不高，不利于对病人的治疗。快速、准确、可重复的体积估算对于许多医学诊断、 治疗和评估具有很重要的作用。 脑部形态的测定主要包括以下三个方面：( 1 ) 一维的形态特征，如目标结构 的长度和宽度；( 2 ) 二维特征，如目标区域结构的面积；( 3 ) 三维特征，如目标 区域体积和表面积。 在本文中，我们主要专注于目标区域三维体积的估算。先前的三维体积的估 算方法包括以下几种：( i ) 几何法，直接测量目标区域的长度和宽度，用于评估 体积计算时采用何种几何模型，如球体、圆柱体或椭圆体；( i i ) 平面法，使用算 子来定义每个切片目标的外表( 如边缘) 踪迹。( i i i ) 计算机边缘检测算法，抽 取每个切片的目标轮廓。这些方法在测量体积时是非常快速的，但错误率非常的 高。 本文首先从病人入院期问所拍摄的脑出血c t 图像序列中选取含有疑似血肿 区域的c t 图像：其次，对每幅图像中的疑似血肿区域进行准确的定位与识别， 6 第一章绪论 在提取完疑似血肿区域后，逐一统计每幅图像中血肿区域像素点的个数。此时每 幅颅内图像中的疑似血肿区域面积s 等于像素点的面积乘以血肿区域内像素点 的个数，再将每幅颅内图像中的疑似血肿区域面积乘以每幅图像的层厚就可以得 出层片图像的体积，最后叠加含有疑似血肿区域的所有c t 层片图像，就可以计 算出血肿区域的体积，相比较于传统的方法，精确度有了很大的提高。 1 5 脑出血患者的治疗现状与发展趋势 近年来，医学图像分割在临床和研究性的应用中，已经成为一项标准的技术， 广泛地应用于人类大脑的组织结构中计算各种病灶区域的体积和形状。自从图像 分割引入到医学影像中，许多种分割方法已经先后应用于大脑结构分割当中。这 些方法可分类为【1 3 l ：手动分割法、半自动分割法和全自动分割法。手动分割法是 冗长的、单调的，需要经常训练且更加注意分割的细节，结果不可以再生，适用 于那些临床经验比较丰富的医生。全自动方法不需要训练并且可以完全重生相同 的数据，但这种方法并不允许医生介入或人为操控，严重限制了执行分割时的自 治权，对于病灶区域形状复杂的图像来说，该方法的准确性不高，较适用于临床 经验尚浅的年轻医生。正是由于存在这样诸多的问题，才使的得半自动分割法成 为医学图像分割中首选的方法。所谓的半自动分割法就是首先需要临床经验丰富 的医生根据自己多年来积累下来的先验知识对图像进行细致地分析与了解，紧接 着由人为操纵计算机来完成对疑似病灶区域的分割。这种分割方法不仅保证了分 割精度，而且较手动分割法在速度方面有了很大的提高，在临床应用中具有重要 的意义。本文中在处理脑出血c t 图像时所用到的模糊聚类算法和几何主动轮廓 模型均是半自动分割法。 在临床实践中，医生到底采用何种方式来治疗脑出血患者，还需要通过判别 患者是否具有手术治疗的指标。目前，国内外研究者主要通过计算血肿体积的大 小来判断患者是否需要手术治疗1 1 4 l 。在本文中，我们也是通过此方法来判断病人 是否需要手术治疗。 目前，在临床中通过计算血肿体积的大小来- n - 另j j 脑出血患者的治疗方法主要 分为两种： ( 1 )内科的保守治疗法，如调控血压、吸氧、保持水电解质的平衡、调节体 7 基于脑出j l i lc t 图像的分割1 j 提取算法讲j 讫 温及抗感染等。 ( 2 ) 外科的手术治疗法，如开颅血肿清除术或定向血肿抽吸术等。 由于脑出血的病因与病机较为复杂，目前的治疗方法在临床应用中虽然取得了 一定的成果，但患者的死亡率和致残率仍然很高。因此，脑出血依然是困惑医学 界的一道难题。现阶段，国内外的研究者针对两种治疗方法的疗效均欠佳的问题、 手术治疗尚未验证优于保守治疗的问题、是否应该采用手术治疗的问题展开了研 究，提出了许多具有前瞻性的理论【1 5 l 【1 6 1 ，具体如下： ( 1 ) 针对脑出血病理方面的研究，一些研究者提出了防止早期的血肿扩大是治 疗脑出血的重要环节。现阶段研究者们正在通过药物来控制早期血肿的扩大，但 具体的疗效还在研究与探索之中。 ( 2 ) 脑出血患者的病灶区域附近是否存在与脑梗死患者病灶区域附近的半暗 带相类似的组织，研究者们正在临床研究当中。 1 6 本文组织结构和研究内容 本论文的章节具体安排如下： 第一章绪论，分析了课题的研究背景与意义，并简要的介绍了c t 成像的原理 及其在脑出血诊断中优势、本文的主要研究内容以及脑出血患者的治疗现状和发 展趋势。 第二章d i c o m 3 0 图像标准，详细的阐述了d i c o m 3 0 标准的体系结构及其