（信号与信息处理专业论文）dicom格式的图像分割技术在脑出血ct影像中的应用.pdf

随着科学技术的进步，人们已经能够通过各种先进的医学仪器，获得大量高 清晰的医学影像。而c t 图像以其分辨率高、成本小、技术成熟等优点成为检查 和病理研究的主要手段。然而，c t 图像具有信息量大的特点且常常伴有噪声信 息，对医生的个人经验依赖性较大。为了对组织器官以及病灶区域作出直观定量 地测量、提高c t 图像的可读性。对采集的医学c t 图像进行计算机辅助处理具有 十分重要的意义。图像分割是图像处理中的重要研究方向，在医学图像处理中扮 演着重要角色。 以往人们常常将d i c o m 文件的图像信息提取出来，变换成位图文件再进行进 一步的图像处理工作。但是这个变化过程有着十分明显的缺点，我们从c t 仪器 中获得的d i c o m 影像的像素点是用十二或者十六位的二进制信息表示的，灰度值 从- 1 0 0 0 到3 0 0 0 之间。而b m p 格式图像的灰度值只用了八位二进制数来显示。 因此在这个变换过程会丢失图像的大量信息。本论文以d i c o m 格式的颅脑c t 图 像为研究对象，首先简要介绍了脑出血的病因以及临床表现。随后介绍了c t 仪 器的工作原理和c t 图像的基本格式，这包括c 1 图像的获取、c t 断层扫描的类 型、d i c o m 格式医学图像的读取以及图像的显示方法。 在本文的第三章里，首先简要介绍了像素、邻域、灰度值等图像分割的一些 基本概念。随后重点介绍了当前图像分割的主要算法和发展趋势。最后重点介绍 了标准f c m 及其改进算法的原理和推导过程，引出本文的算法。 本文分为两个步骤对图像进行分割处理。为消除颅骨及颅外部分信息的干 扰，本文首先采用阈值和线性扫描相结合的方式对图像进行预分割。得到完整的 颅内部分。第二个步骤采用改进的f c m 算法对图像进行细分割，提取颅内部分。 在这一步中，为提高算法的抗噪性同时保持算法的运行效率，本文在f c m 目标函 数中添加了顾及邻域信息的惩罚项和控制模板。与以往的算法相比，改进后的算 法在抗噪性和运行速度方面都有了明显的改善。最后本文采用二次聚类的方法对 分割后的图像进行病灶信息的提取、测量，得到每层c t 图像中病灶的面积，进 而求出整个病灶的体积。 关键词：c t 图像；脑出血；f c m 算法；控制模板 a b s t r a c t a l o n gw i t l ls c i e n c ea n dt e c h n o l o g yp r o g r e s s ，p e o p l ea l r e a d yc o u l do b t a i nt h e m a s s i v eh i g hc l e a rm e d i c a li m a g e st h r o u g he a c ha d v a n c e dm e d i c i n ei n s t r u m e n t t h e c ti m a g ei sh i g h l yb yi t sr e s o l u t i o n ，l o wc o s t ，m a t u r et e c h n o l o g ya n ds oo n i tb e c o m e t h em a j o rw a yi ni n s p e c t i o na n dt h ep a t h o l o g yr e s e a r c h h o w e v e r , c ti m a g eh a s c o n t e n sm a s s i v ei n f o r m a t i o n ，a n di sa c c o m p a n i e db yt h en o i s ei n f o r m a t i o nf r e q u e n t l y , t oag r e a te x t e n tt od o c t o r si n d i v i d u a le x p e r i e n c e f o rt oo r g a n i z e st h eo r g a na sw e l l a st h ei n f e c t i o nr e g i o nm a k e st h ed i r e c t - v i e w i n gq u o t as u r v e y , t oe n h a n c et h ec t i m a g et h er e a d a b i l i t y c a r r i e s o nc o m p u t e ra u x i l i a r yp r o c e s s i n gt ot h eg a t h e r i n g m e d i c i n ec ti m a g et oh a v et h ev e r yv i t a ls i g n i f i c a n c e t h ei m a g ed i v i s i o ni si nt h e i m a g e r yp r o c e s s i n gi m p o r t a n tr e s e a r c hd i r e c t i o n ，i sp l a y i n gt h es t r o n gc h a r a c t e ri nt h e m e d i c i n ei m a g e r yp r o c e s s i n g t h ef o r m e rp e o p l ee x t r a c t i o n f r e q u e n t l yt h ed i c o md o c u m e n t sp i c t o r i a l i n f o r m a t i o n ，t r a n s f o r m st ot h eb i t m a pd o c u m e n t ，t h e nc a r r yo nt h ef u r t h e ri m a g e r y p r o c e s s i n gw o r k b u tt h i sc h a n g ep r o c e s sh a st h ev e r yo b v i o u ss h o r t c o m i n g , t h e d i c o mp h a n t o m sp i c t u r ee l e m e n ts p o tw h i c hw eo b t a i n sf r o mt h ec ti n s t r u m e n ti s w i t h1 2o r1 6b i n a r ym e s s a g e se x p r e s s e dt h a tg r e yl e v e lf r o m 一1 0 0 0t o3 0 0 0b e t w e e n b u tt h eb m pf o r mi m a g e sg r e yl e v e lo n l yu s e de i g h tb i n a r yn u m b e r st od e m o n s t r a t e w i l lt h e r e f o r el o s et h ei m a g ei nt h i sc o n v e r s i o np r o c e s st h em a s s i v ei n f o r m a t i o n t h e p r e s e n tp a p e rt a k ed i c o mt h ef o r ms k u l lc ti m a g ea st h eo b j e c to fs t u d y , f i r s t i n t r o d u c e dc e r e b r a lh e m o r r h a g e sc a u s eo fd i s e a s ea sw e l la st h ec l i n i c a lm a n i f e s t a t i o n b r i e f l y a f t e r w a r di n t r o d u c e dt h ec ti n s t r u m e n t sp r i n c i p l eo fw o r ka n dt h ec t i m a g e sb a s i cf o r m a t ，t h i si n c l u d e st h ec ti m a g et h eg a i n , t h ec t f a u l ts c a n n i n gt y p e , t h ed i c o mf o r mm e d i c i n ei m a g er e a da sw e l la st h ei m a g ed i s p l a yp a c k i n g i nt h et h i r dc h a p t e r , w ef i r s tb r i e f l yi n t r o d u c e di m a g ed i v i s i o na n ds oo np i c t u r e e l e m e n t ，n e i g h b o r h o o d ，g r e yl e v e ls o m eb a s i cc o n c e p t s a f t e r w a r di n t r o d u c e dt h e m a i na l g o r i t h mo fc u r r e n ti m a g es e g m e n t a t i o na n dt h et r e n do fd e v e l o p m e n tw i t h e m p h a s i s f i n a l l yi n t r o d u c e dw i t he m p h a s i ss t a n d a r df c ma n dt h ei m p r o v e m e n t n a b s t r a c t a l g o r i t h m sp r i n c i p l ea n dt h ei n f e r e n t i a lr e a s o n i n gp r o c e s s ，d r a wo u tt h i sa r t i c l et h e a l g o r i t h m t h i sa r t i c l ed i v i d e si n t ot w os t e p st oc a r r yo ns e g m e n tp r o c e s s i n gt ot h ei m a g e i no r d e rt oe l i m i n a t eo u t s i d et h es k u l la n dt h es k u l lt h ep a r t i a li n f o r m a t i o nd i s t u r b a n c e , t h i sa r t i c l ef i r s ts e l e c t st h em e t h o dw h i c ht h et h r e s h o l dv a l u ea n dt h el i n e a rt r a c eu n i f y t ot h ei m a g et oc a r r yo nt h ep r e - d i v i s i o n o b t a i n st h ec o m p l e t ee n c e p h a l i cp a r t t h e s e c o n ds t e pu s e st h ei m p r o v e m e n tt h ef c ma l g o r i t h mt oc a r r yo nt h et h i nd i v i s i o nt o t h ei m a g e ，t h ee x t r a c t i o ne n c e p h a l i cp a r t i nt h i ss t e p ，t oe n h a n c et h ea l g o r i t h mt h e a n t i - c h i r pn a t u r es i m u l t a n e o u s l ym a i n t a i n st h ea l g o r i t h mt h eo p e r a t i n ge f f i c i e n c y , t h i s a r t i c l ei n c r e a s e si nt h ef c mo b j e c t i v ef u n c t i o nh a st a k e ni n t oc o n s i d e r a t i o nt h e n e i g h b o r h o o di n f o r m a t i o nt h ep e n a l t yi t e ma n dt h ec o n t r o lt e m p l a t e c o m p a r e sw i t h t h ef o r m e ra l g o r i t h m ，a f t e rt h ei m p r o v e m e n ta l g o r i t h mh a dt h ed i s t i n c ti m p r o v e m e n t i nt h ea n t i c h i r pn a t u r a la n dt h er u n n i n gr a t ea s p e c t f i n a l l yt h i sa r t i c l eu s e st w ot i m e c l u s t e rt h em e t h o d sa f t e rd i v i d i n gt h ei m a g et oc a r r yo nt h ei n f e c t i o ni n f o r m a t i o nt h e e x t r a c t i o n , t h es u r v e y , o b t a i n si ne a c hc ti m a g e i n f e c t i o n sa r e a , t h e ne x t r a c t st h e e n t i r ei n f e c t i o n sv o l u m e k e y w o r d s ：c ti m a g e ：c e r e b r a lh e m o r r h a g e ；f c ma l g o r i t h m ；c o n t r o lt e m p l a t e i l l 第一章绪论 第一章绪论 脑出血是生活中很常见的一种疾病，病情急促且后果严重。目前，c t 检查是 医生对脑出血诊断的最主要方法。近年来，随着大量新型的医学影像仪器的出现， 人们能够获得大量的医学影像，通过这些高清晰度的c ，i 图像，能够帮助医生更 准确地判断出血肿的位置、出血程度和发病时间等情况，是医生研究治疗方案和 观察治疗效果的重要依据。但是随着仪器精度的增加，每次检查获得的病人信息 都是海量的，面对大量的医学图像和数据，医生往往要耗费大量时间自行处理。 为了方便医生对c t 图像的观察、实现对组织器官以及病灶区域实现直观定量地 测量，我们使用图像处理的方法对医学c t 图像【1 】进行计算机辅助处理提高医学 图像的可读性【2 1 。 1 1 脑出血的简介 脑出血是现在生活中十分常见的一种疾病。目前，脑出血的发病原因一般可 分为外伤性与非外伤性两种【3 】。其中后者又被称为自发性脑出血。自发性脑出血 一般是由颅内血管病变、坏死等原因产生的，例如血管畸形、肿瘤、高血压等原 因。 其中高血压是引起脑出血的最常见原因占到脑出血比例的4 0 0 5 左右。 5 0 岁及以上的高血压患者是脑出血发病的高危人群，最易在人剧烈运动或 情绪激动时发作。它起病突然，发展迅速常常伴有头晕、呕吐等症状，严重时甚 至导致昏迷。通常情况下，一次性出血时间在三十分钟内。但是少部分病人在发 病后二十四内持续性出血，脑部大量的出血会直接导致病人死亡。脑出血发病前 一般没有明显的预兆，但是也有少数病人会出现四肢麻木、头晕等症状。中老年 等高危人群在日常生活中除了要保持平和的心态，控制血压，避免过于剧烈运动 外，还应当在出现可能的前兆时及时去医院检查。 1 2c t 扫描原理 如图所示，c t 扫描【4 1 首先由x 射线管发出x 射线对人体的不同层面进行扫描， 因为人体的不同部位对x 射线的吸收率不同，因此射线经过人体后衰减的效果有 所差异。探测器则将这些通过人体衰减后的信号收集起来转变成电信号，经过 d i c o m 格式的图像分割技术在脑出血c t 影像中的应用 a d 转换变成数字信号储存到计算机中，得到单位面积上的c 1 值，并且以矩 阵的形式排列，成为c j i 图像。 鑫压l 禳臌l 薅一吃 啼 诗算机 _ 攫肇嚣 转撬嚣蜡邋嚣 囊西臂1 i i j 1 r一 弘 戥覆 转凌器 罾圉 1r 探测嚣 期糨机 - 量承磊 呈。 图1 - 1c t 图像的产生 f i g 1 1t h ep r o c e s so f c ti m a g e c ，i i 检查最常用的方法为平扫，定位扫描，螺旋扫描还有薄层扫描。 ( 1 ) 普通的平扫就是利用人体密度的差别对检查的区域进行断层扫描，从而形 成多层的扫描图像。这种方法对摆位的要求较高，一般要对称扫描。同时 在断层扫描时病人要处于相对静止的状态下以消除伪影。平扫法最常用于 头部和脊椎部分的扫描。 ( 2 ) 定位扫描是对检查部位照一个侧位或者正位图像，然后根据所示部位进行 有选择地扫描。这种扫描方式多用于对腹部、颅脑和胸部的扫描。 ( 3 ) 螺旋扫描是一种新的扫描方法。它使用了滑环技术，在扫描床匀速运动的 情况下连续扫描，与普通的平扫相比速度得到数倍的提升。这种方法最多 由于检查运动器官的损伤。 ( 4 ) 薄层扫描是指为了观察微小的病灶而采用的扫描方式。目前扫描层的厚度 2 第一章绪论 图1 - 2 人体各组织c t 值 f i g 2 2t h ec t v a l u eo fb o d yt i s s u e 上图标识的是人体各部分的c t 值的大小。从图中我们很容易看出，人体的骨骼 部分是高密度区，因为对x 射线的吸收量高，在c t 图像中属于白影部分；空气 的密度最小，对x 射线的吸收量很低，在c t 图像中表现为黑色部分。 d i c o m 格式的图像分割技术在脑出血c t 影像中的应用 1 3 脑出血的c t 表现 脑出血在c t 图像中主要表现为血肿影像、病变区域边缘部分的变化和占位 的变化。脑出血病变的c t 表现与病人病期的长短有密切关系。 病人在脑出血3 小时内，血肿部分的c t 值呈现高密度，为5 5 - 8 0 h ，且较为 均匀一致。病灶边缘有一个低密度带，称为坏死水肿带。脑水肿与占位性在3 到 7 日内的表现最为明显。随着发病时间的增加，血肿的边缘逐渐变得模糊，病灶 区的c t 值逐渐下降。1 6 日后，占位性开始减轻。 c t 检查是脑出血诊断的最主要方法，通过高清晰度的c t 图像，不但能为病 灶区域提供定性和定量的参考，而且可以很容易地判断出血肿的出血位置、出血 程度和发病时间等情况。所以，颅脑c t 扫描不仅是高效的诊断方法，也是医生 研究治疗方案和观察治疗效果的重要依据。同m r i 相比，c t 检查具有低成本、 高效率的优点。特别是对于早期脑出血患者的诊断，颅脑c t 扫描具有m r i 显像 不可替代的作用。 1 4 医学图像分割的的定义和经典算法的介绍 医学图像分割【5 】是将医学扫描得到的医学影像，依据像素、边缘等因素，划 分到不同的区域，再从所有区域里分离出所要研究的区域睁9 1 。随着计算机技术 的提高和医学成像水平的飞速进步，人们可以获得大量的高清晰度医学图片。如 何定性、定量地分析处理这些图像已经成为当前非常重要的问题。要对医学图像 分析处理，首先要做的就是进行图像分割，将需要分析的部分提取出来。 1 4 1 医学图像分割的定义 图像分割是指人们对图像中某些感兴趣的区域进行分析和理解的过程。他们 的首要任务就是把特定区域同图像中的其他部分例如，要识别卫星遥感图像中的 城市、水库、河流等区域，首先要把这些部分从图像中辨别出来；又如现在十分 流行的人脸识别技术，也是要将所需的特征值分离出来。像这种把图像按照一定 的要求分成一些有意义区域的技术就叫做图像分割。在集合的概念下，图像分割 的表述如下： 4 第一章绪论 1 对于任意的f 和，f ， a r ，= ； 2 u r , = 尺； l = l 3 i = l ，2 刀时，m f ) = t r u e ： 4 对于任意的f 和_ ，f 歹，p 取，彤) = 力厶p 为连通区域。 5 i - 1 , 2 力时，r 是联通区域。 公式中，r 表示整个图像部分，r ，彤表示图像中满足条件的子区域，代 表空集。 目前为止，许多学者已提出了大量的图像分割算法。主要可以将它们分为1 阈值分割；2 边缘检测；3 区域生长三类。事实上这三种方法在本质上并不是相 互独立的，例如区域生长法实际上也是包含了阈值法和边缘检测的相关内容。以 后的各种改进的图像分割方法大多也都是以这三种图像分割方法为基础的。 图像处理的基本概念 1 像素： 像素是用来表示数字图像的一种单位。数字图像中那些连续的色调实际上是 由大量的小方点组成，这些小方点就是组成数码图像的最小单位一像素。每个像 素都是有空间位置的，图像处理中的坐标变化实际上就是像素点位置的变换。 2 邻域： ” 对于图像中任意像素点o ，) ，我们把像素集合 ( z + 口，+ 6 ) ( 口，b 为整数) 叫 做像素o ，_ ，) 的邻域。直观上可以看成是像素点o ，j ) 附近的像素组成的区域，其 中最常用到的是四邻域和八邻域。 四邻域 5 ( i - l j j + 1 )( i j j + 1 )( i + l 。j + i ) ( i l j j )( i ，j )( i + 1 j ) ( i - 1 ，j - 1 )( 0 j 1 )( i + l j 一1 ) 八邻域 d i c o m 格式的图像分割技术在脑f l j 血c t 影像中的应用 图卜3 邻域不恿图 f i g 1 - 3n e i g h b o r h o o ds c h e m a t i cd r a w i n g 3 灰度图像： 一幅数字图像可以理解为一个数字矩阵，矩阵中每个元素的值称为灰度值。 通常，灰度值被量化成不同的级别。在黑白图像中，灰度是指点的颜色深度， 一个8 位的数字图像，灰度范围是从0 到2 5 5 。黑色为0 ，白色为2 5 5 ，故 黑白图片也称灰度图像，在医学、图像识别等领域有着很广泛的用途。 4 二值图像： 二值图像是指每个像素点的灰度值只有两种可能的数字图像，通常用“0 、 “l ”两个值来表示。“0 表示黑，“l 表示白。二值图像的每个像素点只用一 位来表示，因此具有结构紧凑、存储简单的优点。 1 4 2 医学图像分割的经典算法介绍 医学图像在边缘部分往往明显的界限，这些因素给传统的图像分割算法带来 了许多复杂的问题，为此，人们将数学领域模糊集合【协1 5 】的概念引入到图像分割 领域。1 9 7 3 年，由b e z d e k 等人将模糊隶属度等概念引入图像分割，提出了著名 的模糊c 均值聚类算法( f c m ) d 6 【1 7 1 。因为f c m 算法具有算法简单收敛速度 快的特点，在目前的医学图像分割领域得到了广泛的应用。此后，许多学者在 f c m 算法的基础上提出许多改进的方法【1 8 垅】，这些算法使得医学图像分割无论 在运行速度、分割精度还是抗噪性方面都有了显著提高。 曲边缘检测法 图像的边缘是图像分割的重要依据【2 3 1 ，因为图像的边缘往往含有易于识别的 有用信息。经典的边缘检测算法往往是基于目标图像的像素值，通过计算目标图 像某个邻域内灰度变化的一阶或二阶导数来检测出图像的边缘信息。 经典的梯度边缘检测算法通常有如下的顺序进行的： 1 滤波：如上一段的叙述，边缘检测算法主要是基于图像灰度的导数，但是导 数的计算往往对噪声点、不连续的孤立点比较敏感，因此，求导前应当通过 一个适当的滤波器来改善与噪声相关的边缘检测函数的性能。要注意的是， 图像在经过滤波器的时候虽然降低了噪声的影响，但是会让原始图像有一定 6 第一章绪论 的失真。因此，我们在降噪和保真之间应当找到一个合适的折中点。 2 增强：边缘的增强是基于图像邻域的灰度差，是把区域中的灰度差别较大的 部分突出出来。边缘的增强一般是通过计算梯度差来实现的。 3 检测：图像中有许多点的梯度差比较大，但是在特定的情况下并不全是图像 中的边缘部分，所以应当选用一定的方法来鉴别哪些点才是边缘点。 4 定位：如果在某个特定的情况下需要确定边缘的位置，那么边缘的位置可以 在子像素的分辨率上进行估计，边缘的位置就可以估计出来。 边缘检测误差是指边缘误分类的误差，即保留了假的边缘信息而删去了真正 的边缘信息。边缘估计误差是通过概率统计模型来描述边缘的位置和方向误差 的。边缘检测误差和边缘估计误差是人们对边缘检测效果对比的两个重要因素。 目前人们已经提出了许多的边缘检测器，边缘检测算子是其中很好的代表。 经典的边缘检测算子有r o b e r t 算子，s o b e l 算子，l a p l a c i a n 算子、c a n n y 算子等。其中l a p l a c i a n 算子是二阶微分算子，对于细线及孤立点的检测有不错 的效果。但是l a p l a c i a n 算子对噪声比较敏感，在噪声影响下容易产生双边缘的 现象。c a n n y 算子实际上是利用一个准高斯函数做平滑运算，然后用带方向的一 阶微分算子定位导数的最大值。c a n n y 算子是经典的一阶微分算子中效果最好的 算子之一。 b ) 阈值法 图像分割中，阈值法是一种简单而且有效的方法，是图像分割算法中应用次 数最多的一类。简单来说，阈值分割就是运用一个或多个阈值，将图像按照灰度 值的大小分为几个部分，然后将图像中各个像素点的灰度值与这些阈值相比较， 并根据比较的结果将相应的像素划分到不同的类，从而达到区域分割的目的。由 此可知，阈值分割法的主要步骤就是： ( 1 ) 确定分割阈值的大小； ( 2 ) 将待分割图像每个像素点的灰度值与阈值相比较，并划分到不同的区域 中，从而达到分割的目的。 从上述步骤中我们不难看出，阈值的选择是分割的关键，如果能选择一个合适的 阈值就能将一副灰度图像准确的分割出来。当阈值选定后，把图像中像素点的灰 度值同阈值的比较和对像素的分割是同步进行的，分割的结果直接给出图像区 7 d i c o m 格式的图像分割技术在脑出血c t 影像中的应用 域。 采用阈值法对灰度图像进行分割时一般对灰度图像有一定的假设，或者说是 满足某类特定条件的图像模型。通常将这些模型描述为：假定图像的目标和背景 的灰度分布具有单峰分布的特点，处在目标区域和背景区域内的像素点灰度值 是高度相关的，但是分别处在背景区域和目标区域的两个点的灰度值有很大的差 异。符合这样条件的灰度图像，在灰度直方图上可以看做是由代表目标区域点和 背景区域点的两个单峰直方图构成的。这类图像采用阈值可以获得较好的分割效 果。 将图像中所有的灰度像素分成不同的两类，需要选取一个阈值；如果要将图 像中所有的灰度像素分成许多不同的类，那么就应当选择多个阈值来进行分类。 只采用一个阈值进行分割的叫做单阈值法分割，采用多个阈值进行分割的方法叫 多阈值分割。单阈值分割可以看作是多阈值分割的特殊形式。无论采用什么方法 选取阈值，一幅原始灰度图像f ( i ，_ ，) 进行单阈值分割，设闽值为r ，则分割后的 图像可以定义为： 删，= 置嚣籍 ， 通过( 3 一1 ) 我们就可以得到二值图像g ( i ，_ ，) 。 类似的，对灰度图像f ( i ，) 进行多阈值分割，正，互，乃，为一系列的阈值， 那么阈值分割后的图像定义为： lk l ， 互 f ( i ，歹) 疋 g ( f ，) ： 也，乏 l 需要注意的是，不管是单阈值分割还是多阈值分割，分割的结果都可能出现不连 通的区域，主要原因是阈值法仅仅针对的是像素灰度值的因素而没有将空间位置 等因素放入考虑范围。在这种情况下，往往需要采用一些先验知识来进行进一步 的判断。 目前基于阈值分割的算法有很多，大体上可以分为如下三类： 1 ) 基于各个像素值的阈值分割，阈值的选取仅与图中像素点的灰度值有关； 第一章绪论 2 ) 基于区域性质的阈值分割，阈值的选取不仅与本像素的灰度值有关，还与邻 域像素有一定关系； 3 ) 基于空间位置的阈值分割，阈值在选取时不仅考虑了像素灰度值和邻域灰度 差的关系，还将像素的空间位置坐标纳入考虑范围。 近年来，很多的阈值分割法借助了神经网络、模糊数学等工具，但是他们最终都可以归 纳到上述三种类型中去。 c ) 区域生长法 区域生长法的基本思想就是把具有相似性质的集合起来形成一个区域。做法 是先在目标区域内寻找一个像素点作为生长点，然后将邻域中的像素点与种子点 进行相似性判断，若该像素与种子点像素的性质相似，那么这个像素点就被划分 到这个区域内并且作为新的种子点继续执行上面的过程，当再也找不到满足条件 的像素点时，算法执行结束。这样，一个区域就划分出来了。 从算法的执行过程我们能够看出，区域生长法在实际应用中要解决以下三个 问题：1 如何正确地在区域选择一个点作为生长点；2 如何定义一个合适的准则， 用来判断邻域点的相似度；3 如何确定区域生长算法结束的判断标准。 第一个问题通常是通过图像的特点来进行种子点的选取。如果没有先验知识 的判断，可以通过像素的统计特性或者聚类运算的聚类中心来选取。 第二个问题不仅与具体问题的特征有关，还与像素点的数据类型有关。例如， 目标图像是一幅彩色图像，那么我们用灰度图像的分割准则进行分割就会大大影 响分割效果。同时，我们还应当考虑像素之间的连通性，否则就可能出现无意义 的分割结果。 第三个问题，关于算法停止的判断，一般的区域生长法就是找不到满足条件 的像素点时算法停止。但是对于基于纹理、灰度、彩色的准则大都是基于图像局 部的性质，并没有顾及生长的过程。为了增强区域生长的能力，人们常常会把尺 寸、形状和目标的全局性等因素放入考虑的范围内，用来辅助算法的执行。 d ) 模糊聚类法 模糊技术是在模糊集合理论上建立起来的，由于医学图像本身含有许多的不 确定性，包括分辨率、空间、时间等，这些不确定因素使得模糊技术的产生显得 十分必要。 9 d i c o m 格式的图像分割技术在脑出血c t 影像中的应用 随着模糊技术的发展，特别是模糊c 均值聚类( f c m ) 的出现，使得聚类技 术在医学领域得到了广泛的应用。f c m 算法是一种无监督的分割方法【2 , 9 2 7 ，分割 过程中不需要人为干预。非常适合处理存在不确定性和模糊性的医学图像。 近年来，针对f c m 算法抗噪性不强的缺点，国内外很多学者又提出了众多 改进型的f c m 算法。如通过改善初始聚类中心【2 8 2 9 1 而提高运算速率的基于样本 密度的f c m 算法和通过目标函数加权来提高抗噪性的模糊加权f c m 算法【3 0 。3 7 1 。 2 0 0 2 年，a h m e d 等人提出了顾及空间像素的f c m 算法【3 引，该算法顾及了邻域 像素的空间关系，使f c m 算法的抗噪性得到了显著提高。 e ) 其他分割算法 除了以上方法，图像分割还有许多不同的算法，例如基于数学形态学的分割 算法【3 9 】【加】。它以集合论为数学基础，使用具有一定形态的结构元素去度量和提 取图像中对应的形状以此达到对图像分析和识别的作用。 近年来，随着数学和计算机科学的发展，一些新兴的图像分割算法应运而生。 如神经网络分割技术【4 1 1 、基于基于随机场的分割技术【4 2 】【4 3 】等。 目前，医学图像分割技术已经普遍用于诊断和术后检查等方面，为医生的诊 疗过程提供了可靠的依据 小结： 本章简要介绍了像素、邻域等图像处理的基本概念，为以下c t 图像分割的 内容作了铺垫。然后阐述了图像分割的基本概念。最后简要介绍并分析了一些经 典的图像分割算法。 1 4 4 医学图像分割的发展现状 医学图像分割算法按照时间顺序大致可以分三种，分别是手动法、半手动法 和自动法【4 3 4 7 】。事实上，图像的完全自动分割算法还没有真正运用到实际中去。 因为现在提出的算法整体上较为复杂，算法的实用性不强。同时，作为医学诊断 方面的应用，它的分割结果直接关系到医生对病人病情的判断，因此在降低算法 复杂度的同时还必须保证算法的精确度。 l o 第一章绪论 1 5 本文所做的工作 1 对脑出血的病因和c t 断层扫描原理作了简要介绍。 2 详细地描述了d i c o m 文件的基本格式并在v c + + 6 0 环境下读取和显示一份标准 的d i c o m 文件。 3 使用基于数学形态学的水平线性扫描法去除颅骨及其以外的部分，实现对颅脑 图像的预分割【4 4 4 引。 4 重点了介绍了传统的f c m 算法的原理和推导过程，进而引出各种改进的f c m 算 法，并在m a t l a b 7 0 环境下对各个算法编程实现。 5 详细阐述了本文的算法，在m a t l a b 7 0 环境下对本文算法进行实现，并将结果 同以上算法进行优缺点的比较。 6 对于分割以后的图像进行病灶提取，计算每个层面的病灶面积，进而求出病灶 部分的体积。 文章的主体结构 第一章绪论简要阐述了本文研究的意义和研究重点，介绍了c t 断层扫描原理以 及医学图像的发展现和发展趋势。 第二章首先简单介绍脑出血的病理和临床表现。然后详细介绍了d i c o m 格式图像 基本的结构，并且在v c + + 6 0 环境下读取、调整并显示一幅d i c o m 图像。 第三章对用于医学图像分割的常用算法作了详细介绍。 第四章运用数学形态学和线性扫描结合的方式对颅内部分进行预分割，除去颅骨 及颅骨以外的部分。 第五章重点阐述了模糊c 均值聚类算法的推导过程以及它的各种改进算法，比较 它们的优缺点，最后引出本文提出的改进方法。 第六章对分割后的图像采用t f c m 4 9 1 算法进行二次分割，提取病灶。计算出各层 病灶的面积进而求出它的体积。 第七章对算法进行了总结，指出算法的优点和不足，指出了改进方向。并且对以 后的工作进行了展望。 d i c o m 格式的图像分割技术在脑出血c t 影像中的应用 第二章d i c o m 的文件格式与显示 2 1c t 图像的结构及显示技术 2 1 1 图像显示的基本术语 窗技术是用来观察c ，i i 图像的一种显示技术，它包括窗宽和窗位。由于人体 不同的组织结构或病变区域有不同的c t 值，因此要观察某些部分的细节时应当 调整适当的窗宽和窗位，以获得最佳的观察效果。 1 窗宽： 窗宽是指能够显示出来的c t 值范围，也就是说只有c t 值在窗宽的范围以内 的组织或器官，它才就能够在屏幕上显示出来。而在此范围之外，若c t 值低于 这个范围的最小值，无论是多少，在图像上均显示为黑色。同理，若c t 值高于 这个范围，则在图像上均显示为无差别的白色。因此，窗宽增大时，能观察到的 c t 值范围也就相应地增大了，能够观察到的不同密度的组织器官也就越多，但 是不同密度的器官之间的灰度值间隔也减小了。窗宽缩小时，能够观察到的c 1 i 值范围也缩小，能够观察到的组织器官也减少，但是各个组织之间的灰度差别也 拉大了，更利于观察到细节的变化。 2 窗位： 窗位是指窗范围内的中间灰度值。在窗宽相同的情况下，窗位的不同同样可 以改变所能观察到的c t 值范围。我们假定的窗宽不变，为2 0 0 h ，如果设定窗位 等于1 0 h 时，那么它能够显示的区域是一9 0 h 到1 1 0 h 。而窗位变成2 0 h 时，它的 能够显示的区域就变为一8 0 h 到1 2 0 h 。在观察病变区域时一定要选择合适的窗位。 2 1 2 医学图像的结构 d i c o m3 0 标准【刈 随着各种医疗影像设备的大量出现，各厂家设备之间的兼容性成为亟待解决 的问题。1 9 9 6 年，美国放射学院h e r ( a m e r i c a nc o l l e g eo fr a d i o l o g y ) 和国家电 器制造商协会n e m a ( n a t i o n a le l e c t r i c a lm a n u f a c t u r e r sa s s o c i a t i o n ) 联合发 1 2 第二章d i c o m 的文件格式与显示 布了命名为d i c o m3 0 的标准。同以往的各个d i c o m 版本相比，完备与成熟 的d i c o m3 o 标准自问世起，就得到了各国影响界的广泛认可，目前已经成为影 像界公认的唯一标准。d i c o m3 o 标准并不是固定不变的，a c r n e m a 委员会每 年都会对他进行修改补充。 1 d i c o m 医学图像的结构； 通过各种医学仪器直接获得的医学图像是d i c o m 格式的。我们可以用文件 编辑器将其打开，它的展开形式如下： u t t s e th1za雌o，誓，hbept 0 0 0 0 0 0 0 0b 8 日b 口口日a8 日n b 日口口bb 口n bb 口日日日日a 口0 口口日 0 0 0 0 0 日1bb b b b8 a0 0g 日b 日a nb 日口日日b 日0 日80 日日b 0 口b 日舢 0 0 0 0 0 0 2 0b 0 0 0q 0 n 0a n 0 0a 口0 8口b 日0b 口a 0a na 00 口口0 0 0 0 0 f i 0 3 bb 日8 bb b0 00 n 0 80 9b 00 00 bb 00 0 日日a 日日nn 0舻 0 8 0 0 0 0 j 1 0b b 0 b0 0 0 00 口0 b0 0 b 0口nn b 日口0 00 日日0 0 9 口口 0 0 0 0 0 0 s 日0 b b 0 口口b 日日nb b 日0b b口口0 80 bb a8 n 日b 日日b 口 0 0 0 0 0 0 6 0口80 8 日b 日0b n0 0 日a9 00 bb ba 口a 日0 80 00 n 0 bp 0 0 0 0 0 0 7 0b 00 0 口o0 0 o n0 口0 0 口0口口8 0 口口0 00 00 d0 口0 d一 0 0 0 0 0 0 8 0上上l4 9 上1 34 d0 20 0 口0 口口s sj i c0 4 口0d 口8 口口口日od l c h u l 0 0 0 0 0 0 9 0 日20 88 1n al i f | 2 日00 00 2n 0 b nb a0 10 a 日20 b0 b 0 0 0 0 0 0 a o0 2b bs s | 1 91 a b 83 12 e3 22 e3 83 | l3 口2 e3 13 0u i 1 2 。8 4 0 1 0 0 0 0 0 0 0 8 03 03 03 b2 e3 s 2 e3 12 e 3 42 e3 12 e3 12 e3 2 日00 0 8 5 1 1 1 1 1 2 0 0 0 0 0 0 c 00 2a 0l 略0 05 5 4 93 8 口83 12 e3 22 e3 83 卑3 口2 u 1 8 1 2 8 上i 口 0 0 0 0 0 0 d 03 1 3 13 3 3 63 13 9 2 e3 22 e 3 83 1 2 e 3 23 9 3 a2 e1 1 3 6 1 9 2 8 1 2 9 口 0 0 0 0 0 0 e 03 2 3 33 a3 13 l l2 e 3 33 23 63 b3 82 e 3 12 e 3 62 e2 3 廿1 量3 2 6 0 0 1 6 0 0 0 0 0 0 f b3 2 3 03 日3 83 13 2 3 33 12 e3 23 13 b3 23 口3 1a n2 0 0 8 1 2 3 1 2 1 0 2 0 1 0 0 0 0 0 1 n 09 2n 01 口日as s1 91 2 9 83 12 e 3 22 e 3 83 j l3 口2 eu i 1 2 8 上1 8 0 0 0 0 0 1 103 13 03 03 0 3 82 e3 12 e3 2 8 b8 20 01 20 日5 s4 91 n 0 姻1 2 u l 0 0 0 0 0 1 2 01 目0 03 12 e 3 22 e 3 43 日2 e3 0 2 e3 1 3 22 e3 0 2 e1 2 1 口0 1 2 0 0 0 0 0 0 1 3 03 9 3 83 13 2 2 e3 口1 1 2 口n1 3 n 85 34 8b n0 口3 日2 e9 8 1 2 0s h b 。 0 0 0 0 0 1 4 03 1 上1 22 fs 71 1 9 置l e3 33 2 日眨b b1 60 0j 1l i s1 0 0 n1 b ，w i h 3 2 n - 0 0 0 0 0 1 5 01 1 9s 2 | 1 9s 32 日2 b2 日2 b2 口2 b2 02 氆2 日2 b2 b 2 bi r l s 0 0 0