（模式识别与智能系统专业论文）CR数字胸片图像肺实质和肋骨分割算法研究.pdf

摘要 摘要 随着经济发展和人们生活水平的日益提高，我国肺癌发病率逐年增加。肺部计 算机辅助检测系统( c a d ) 在普查中对肺癌的提早发现和诊疗具有重要意义。作 为肺部c a d 的一个重要组成部分，肺实质和肋骨的分割算法的准确性至关重要。 c r ( c o m p m e dr a d i o g r a p h y ) 是一种辐射小，使用非常普遍的放射科影像方法。 目i j ，基于c r 的胸片检查可以占到例行诊断图像的4 0 。然而，由于c r 图像各 组织间分界线模糊使得肺实质和肋骨的分割存在很多困难。本文提出了非常有效 的自动分割肺实质及肋骨的算法。首先提出了一种新的基于o t s u 法和局部阈值法 的层次肺实质分割算法，同时在该算法中提出了一种新的基于o t s u 的自适应阈值 分割法做为层次分割法的第一次分割。层次分割法利用空气与肌肉组织的对比度 强的特点将空气背景与肺实质同时从肌肉组织中分割出来，然后利用局部阈值根 据空气背景的位置信息将空气背景与肺实质分离完成二次分割。该方法充分利用 了c r 图像的性质，实验证明分割准确。本文还提出了一种基于高斯钝化掩膜阈值 的肋骨分割法。首先通过高斯钝化掩膜阈值法提取肋骨的候选区域，针对与阈值 法分割结果中的气管组织和噪声，采用了抛物线拟合的方法拟合肋骨边缘，达到 了分割肋骨的目的，拟合边缘与实际边缘较为吻合。 经过1 0 0 多幅图像的测试，本文提出的方法具有较好的分割效果和精度。 关键词：医学图像分割o t s u 高斯钝化掩膜阈值分割肋骨分割 a b s t r a c t a bs t r a c t a l o n gw i t ht h ed e v e l o p m e n to ft e c h n o l o g ya n dt h ei m p r o v e m e n to fs t a n d a r do f l i v i n g ，t h ei n c i d e n c eo fl u n gc a n c e ri n c r e a s e sy e a ra f t e ry e a ri nc h i n a c o m p u t e ra i d e d d e t e c t i o n ( c a d ) s y s t e mi so fi m p o r t a n c ea n dv e r yu s e f u lf o rd e t e c t i o na n dd i a g n o s eo f l u n gc a n c e ri np h y s i c a le x a m i n a t i o n a sai m p o r t a n tp a r to fl u n gc a d ，t h ea c c u r a c y o ft h el u n g sa n dr i b ss e g m e n t a t i o ni sv e r yc r u c i a l ， c r ( c o m p u t e dr a d i o g r a p h y ) i sa c o m m o ns c r e e n i n gp r o c e d u r ew i t hl i t t l er a d i a t i o n n o wc h e s tr a d i o g r a p h yo c c u p i e sa l m o s t f o r t yp e r c e n t a g e s 。i ni m a g i n gm e t h o d s h o w e v e r , b e c a u s eo ft h el o w e rc o n t r a s tb e t w e e nt h et i s s u e ，l u n g sa n dr i b ss e g m e n t a t i o n i nc h e s tr a d i o g r a p hi sv e r yd i f f i c u l t i nt h i sp a p e ra ne f f e c t i v em e t h o dw a sp r e s e n t e d f i r s t ，an e wa u t o m a t i ca l g o r i t h mf o rt h es e g m e n t a t i o no fl u n gf i e l d si nc h e s tr a d i o g r a p h s i sp r o p o s e d ，w h i c hi su s e da st h ef i r s tl a y e ro fah i e r a r c h i c a ls e g m e n t a t i o nb a s e do n o t s ua n da d a p t i v et h r e s h o l d s i nt h eh i e r a r c h i c a la l g o r i t h m ，t h ep r o p e r t i e so ft h e c o n t r a s to fa i ra n dm u s c l ei sm a d eu s et oi n i t i a l l ys e g m e n tt h ea i rb a c k g r o u n da n dt h e p a r e n c h y m a t h e nw eu s ek n o w l e d g eo ft h ep o s i t i o no fa i rb a c k g r o u n dt os e p a r a t et h e a i rb a c k g r o u n da n dp a r c n c h y m ac o m p l e t e l y t h ee x p e r i m e n t a lr e s u l t sv e r i f yt h e e f f e c t i v e n e s so ft h i sa l g o r i t h m f u r t h e r m o r e ，an o v e lg u a s s i a nu n s h a r pm a s k i n g t h r e t h o l d i n gs e g m e n t a t i o na l g o r i t h mo ft h er i b si nc h e s tr a d i o g r a p h si sp r o p o s e d f i r s t ， w eu s eg u a s s i a nu n s h a r pm a s k i n gt h r e t h o l da l g o r i t h mt os e g m e n tt h ec a n d i d a t er e g i o n s o fr i b s s i n c et h e r ea r em a n yn o i s e sa n dt r a c h e a sa m o n gt h ec a n d i d a t er i b s ，w eu s e p a r a b o l a sf i t t i n gt oe x t r a c tt h er i bb o r d e r s t h ee x p e r i m e n t sd e m o n s t r a t et h er e s u l t a n t r i bb o r d e r sa r ec o i n c i d e dw i t ht h eg r o u n d t r u t h t h em e t h o d si nt h i sp a p e ra r ev a l i di na b o u t10 0c h e s tr a d i o g r a p h s k e y w o r d s ：m e d i c a li m a g es e g m e n t a t i o no t s ug u a s s i a nu n s h a r pm a s k i n g t h r e t h o l ds e g m e n t a t i o nr i b ss e g m e n t a t i o n 西安电子科技大学 学位论文独创性( 或创新性) 声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果：也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切的法律责任。 本人签名：查叠日期型2 ：f ：! 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保 留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内 容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后 结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。 ( 保密的论文在解密后遵守此规定) 本人签名：立盛 翮签名f 癣珞磐 导师签名f 篮l 翌刍! 兽 日期圭塑：f ： 日期丝望：么：z 第一章绪论 第一章绪论 图像分割是将一幅图像根据某种人为设定的规则，分成若干互不相交区域的 过程【1 】，其本质是按照图像的像素相似的性质，比如灰度相似性、颜色相似性、纹 理相似性等进行聚类的过程。随着技术的不断发展，图像分割在生物医学图像分 析中所占的地位越来越重要，也吸引了越来越多的研究人员的重视和兴趣。 由于医学图像的特点，比如信息噪声、影像重叠、图像数据不确定性等各种 因素影响，医学图像分割面临很多挑战。目前尽管医学图像分割算法已经发展了 数百种，而且新的算法还在不停的涌现，可是并不存在一种通用的分割算法；也 缺乏分割成功的客观标准【l 】。正是这些困难和挑战，才使得这一领域拥有巨大的研 究价值和研究空间。 1 1 课题研究的目的和意义 自从伦琴于1 8 9 5 年发现x 射线开始，基于影像的医学诊断日新月异，各种放 射诊断方法和仪器不断被发明，人类进入了医疗诊断的放射时代。尤其是进入了 二十世纪中后期以来，由于科学技术的飞速发展，人们不断开发和研制出了各种 先进的放射医疗设备，如超声波( u s ) 、计算机x 射线断层扫描仪( c t ) 、核磁共 振成像仪( m r i ) 、发射体断层成像( e c t ) 等。利用这些先进的医学成像技术获 得的图像在临床诊断、新药研制、基础研究、远程医疗等环节得到了广泛的应用i l j 。 随着电子和计算机技术方面的飞速发展，在医学领域中，计算机x 线摄影系统已 经进入全新的发展阶段，c r ( 计算机x 线摄影) 是使用可记录并由激光读出x 线 成像信息的成像板作为载体，以x 线曝光及信息读出处理，形成数字或平片影像。 c r 适用于各个系统的影像检查，包括平片、断层摄影、造影等。c r 胸片中包括 了心脏、肺和骨骼等不同组织系统的信息，为肺部疾病、心脏血管病理及骨骼损 伤的研究和诊断提供了依据。在一般医院中，c r 胸片图像的诊断可以占到例行诊 断图像的4 0 。当一个人患有胸部的疾病，例如肺结核、肺癌以及非典型肺炎等 疾病时，在其c r 胸片图像中，就会产生肺部有结节或纹理异常等症状。目前， c r 胸片图像已经由传统的胶片图像快速向c r 数字胸片图像转变，为计算机辅助 分析和检测提供了便利。因此一种计算机辅助检测的手段c a d ( c o m p u t e r a i d e dd e t e c t i o n ) 软件也随之应运而生。c a d 作为辅助临床医生诊断和治疗的工 具日益受到人们的关注和重视，它被称为医生的“第二双眼睛 ( s e c o n de y e s ) 。 c a d 软件对欲检测病灶的医学图像进行图像分割、病灶特征提取和模式识别等处 2 c r 数字胸片图像肺实质和肋骨分割算法研究 理，得出有价值的诊断信息，同时结合其他可能的生理、生化检测结果，辅助影 像科医生发现病灶，提高诊断的敏感性、特异性和准确率。防止医生的漏诊，从 而减轻临床医生的工作量和工作负担。 一套c a d 产品主要分为四个模块，即预处理、图像分割、特征提取和病灶分 类模块。图像分割的好坏程度直接影响到后续的特征提取模块的效果，图像分割 的越理想，特征提取的越准确，越能够提高检测的准确率。这些恰恰是c a d 产品 成功与否的关键指标。 图像分割在c a d 产品中的应用主要有以下几个方面【2 1 ： 1 ) 图像分割的结果作为后续医学图像分析的r o i ( r e g i o no fi n t e r e s t ) 区域， 可以进行不同形式图像的配准、融合、区域内解剖结构的再分割、提取、测量， 获取先验知识以便图像重建等； 2 )用图像分割的结果来量化的测量人体器官、组织的体积，如在血管跟踪和 分割的基础上，测量血管宽度等信息，来计算血管狭窄度，或计算分割后血管钙 化斑大小，用来辅助医生诊断病人病情，制定或修改治疗方案； 3 )用图像分割结果作为医学图像三维重建源数据，如将c t 扫描图像的分割 结果，加入到可视化系统中，对术前制定手术方案，手术导航，或观察病灶器官 发展变化等着重要的作用和意义； 钔对图像分割结果进行压缩传输，进行下一步研究。一般来说医学图像都比 较大，需要占用大量的存储空间，传输也需要大量的网络资源，因此在不丢失信 息的前提下存储和传输分割结果则可以节省大量的资源和空间，是提高效率的重 要手段； 5 )对图像分割后使得检测目标更加清晰，对于观察和研究，指导治疗和教学 都有很重要的作用和意义。 1 2c r 数字胸片图像肺分割和肋骨分割的研究现状 c r 系统由于自身的结构，在受到x 线照射时，图像板中的磷粒子使x 线存在 着散射，引起潜像模糊；在判读潜像过程中，激光扫描仪的激发光在穿过图像板 的深部时产生着散射，沿着路径形成受激荧光，使图像模糊，降低了图像分辨率， 因此，c r 数字胸片图像具有自然图像所不具备的特殊性。首先，在c r 数字胸片 图像中，不同组织之间的分界线比较模糊；其次，在c r 数字胸片图像中，组织之 间的局部区域灰度对比度不均。再次，不同于c t ，m r i 等断层扫描图像，c r 数 字胸片图像里面包含的信息量很大，成份也很复杂，包含了软组织，肺实质，肋 骨，锁骨，血管，气管，心脏，脊柱等等组织器官。因此在进行分割的时候受到 的干扰也最多。 第一章绪论 目前有一些学者和专家专门针对c r 肺实质分割进行了研究，研究主要分成了 两个方向来进行：基于规则级的肺实质分割和基于像素分类的肺实质分割。基于 规则级的分割方法最早由“等人提出【2 1 ，包括了一系列的步骤，试验和分割规则， 是目前的主流研究方向。阈值分割法、区域生长法、边缘检测法、山脊检测法、 形态学滤波法、几何模型匹配法还有动态模型匹配等【3 1 i 】都包含在了规则级分割范 畴之内。基于像素分类的肺实质分割是近几年来发展起来的分割方法。随着神经 网络、遗传算法及模糊聚类等新理论、新概念的提出和飞速发展，研究肺实质分 割理论的学者，专家也把这些理论引入到了他们的研究中来。a n t o n e l l i 1 2 】在文献中 提出了利用神经网络训练进行肺实质分割的方法，t s u j i i 等人f 13 】则在文章中采用了 马尔可夫随机场模型来分割肺实质。另外，也有学者提出了一种基于综合知识的 分割方法一活动轮廓模型( a c t i v e s h a p em o d e l s 简称a s m ) 方法【1 4 1 。a s m 分割 法作为有监督的训练方法，需要在检测之前人工圈定肺实质的外围轮廓，提取这 些轮廓的参数作为标准训练。但是在实际的c a d 系统中，由于各医院使用的设备 不同，采用的标准不同，即使是同一家医院同一台设备产生的c r 数字胸片图像也 会因为体检的人群不同而导致差别很大，所以训练结果很难通用。大部分学者认 为：在肺分割方面适应性较广的方法是阈值分割法和边缘检测法【l5 。1 6 】。 目前的医学图像处理技术对于如何将胸部进行轮廓定位和对肋骨准确分割并 没有一个很好的解决方案。在医学图像处理中，临床应用对分割的准确度和分类 算法的速度要求较高。目前关于肋骨分割的方法有很多，有基于几何学模型的肋 骨分割，有基于边缘检测提取的分割方法等等。t o r i w a k i 等人【1 7 】采用边缘检测的 方法提取候选肋骨边界，然后利用抛物线拟合来连接候选肋骨边界；w e c h s l e r 等 人【1 8 】也采用了边缘检测的方法提取候选肋骨边界并利用h o u g h 变换和四次多项式 模型来连接边界；p o w e l l 等人【1 9 】采用变化周期的余弦函数拟合肋骨边界；y u e 等 人【2 0 】则在边缘检测和h o u g h 变换拟合边界的基础上使用了s n a k e s 方法对分割后的 边界修正；v o g e l s a n g 等1 2 1 】在边缘检测的基础上利用模板匹配的方法提取肋骨并采 用h o u g h 变换来对提取肋骨的边界进行修正：v a ng i n n e k e n 等【2 2 】则提出了基于边 缘检测的最优化代价函数模型参数的方法来分割肋骨。如同其他医学图像分割一 样，随着新理论的发现，如神经网络、模糊聚类等理论的产生，也有一些学者尝 试着将这些理论应用到肋骨分割领域，由此产生了一些新的方法。如：k - 均值聚 类法和神经网络法l z 3 2 引。 纵观c r 数字胸片图像分割算法研究的理论发展，可以得出这样几个发展趋势 2 5 - 2 7 】： 1 )新概念，新方法引入图像分割领域，如模糊理论、神经网络、遗传算法、 小波理论和形态学等都被一些学者引入到分割领域，并取得了一些成果，为图像 分割的发展注入了新的活力，解决了一些原有算法的缺陷，改进了分割效果，为 4 c r 数字胸片图像肺实质和肋骨分割算法研究 后人的研究提供了一个新的思路； 2 )多种分割算法结合。每一种算法都有其自身的特点和特性，准确地把握好 各种算法的特质并有效的结合起来应用到具体的分割过程中，通常能获得比单一 方法更好的分割效果。这也是当前大部分文献中都采用的一种处理方法，具体针 对某一特定问题采用怎样的几种方法结合，也将是未来人们研究的方向之一； 3 、l针对特定领域，利用相关领域的专业知识辅助解决图像分割问题，也是当 前研究的方向之一。每个特定领域的问题，总有其特定的特点是其他图像问题所 不具有的。利用相关领域的先验知识与图像处理的手段相结合，往往能起到事半 功倍的效果，也可以很好地解决这一领域的特有问题。如肋骨分割需要应用肋骨 宽度的专业知识等。 1 3 本文研究内容和结构安排 图像分割虽然已经发展了几十年，也有了很多成熟的方法，但对于特定领域 的分割问题仍没有解决或待解决。本文根据课题要求并结合医学图像处理的特点， 针对c r 肺图像c a d 处理系统的分割模块进行研究，并提出了具体的分割算法。 本文主要内容分为五章，具体安排如下： 第一章介绍医学图像分割的目的意义，国内外c r 数字胸片图像肺分割和肋骨 分割算法的发展状况，指出本文的研究背景和主要研究内容； 第二章简要介绍了c r 数字胸片c a d 和进行分割前对c r 数字胸片图像的预 处理过程，预处理主要包括了边缘裁剪、图像下采样、灰度范围规定化和图像增 强几部分，其中对于常用的医学图像增强方法和多尺度增强方法做了比较，选择 了更适合与c r 数字胸片图像增强的多尺度增强方法； 第三章研究了一种o t s u 法与局部阈值法结合的层次肺分割算法，通过两种不 同方法分层次将c r 数字胸片图像的肺实质分割出来，。针对c r 数字胸片图像中 空气与肌肉组织灰度对比度强烈，采用基于o t s u 的自适应阂值分割法将空气背景 与肺实质同时与肌肉组织分割开同时保证了肺实质的完整性，然后利用局部阈值 分割法将空气背景与肺部分开完成肺实质分割； 第四章研究了一种基于高斯钝化掩膜阈值提取肋骨算法。与大多数专家采用 的边缘检测和滤波器阈值法不同，本文采用了高斯钝化掩膜阈值法来对肋骨初步 分割，有效的将肋骨与肺实质分离开。针对肋骨初步分割中同时分割出的气管和 噪声，我们在充分考虑了解剖学知识和几何学知识的基础上，采用了对肋骨边缘 采样并用抛物线拟合的方法对肋骨进行二次分割，完成了最终的肋骨分割； 第五章全文的总结与展望，在总结了本文工作的基础上，对未来的研究和发展 方向提出了一些个人看法。 第二章c r 数字胸片图像预处理及多尺度增强 第二章c r 数字胸片图像预处理及多尺度增强 2 0 世纪8 0 年代起，美国芝加哥大学对胸部疾病的计算机辅助检测技术( 简称 c a d 技术) 进行了大量研究，并取得了阶段性成果。9 0 年代以来，随着化影像设 备市场比重增大，c a d 系统越来越多地与设备配套设计出售，足以证明c a d 技 术的成功。相对来说，我国的c a d 技术研究和产品开发较为缓慢，但是，随着经 济发展和人们生活水平的日益提高，我国肺癌发病率逐年增加。因此，开发适合 国人体质的肺部c a d 系统对疾病的诊疗具有重要意义。 2 1c r 数字胸片c a d 介绍 c a d 对医学图像进行模式识别、图像分割、病灶特征提取等处理，进而得出 有价值的诊断信息，同时结合其他可能的生理、生化检测结果，辅助影像科医师 发现病灶，提高诊断的敏感性、特异性和准确率。 与计算机辅助诊断系统相区别的是，前者重点用于检测，即计算机把异常的 征象标注出来，并提供常见的影像后处理技术，不进行诊断。可以说，计算机辅 助诊断是计算机辅助检测的延伸和最终目的，计算机辅助检测是计算机辅助诊断 的基础和必经阶段。c a d 技术使p a c s 功能得到延伸，对数据的应用从低层次的 简单查询提升为从数据库中挖掘有意义的规律或深层次信息。 c a d 在胸部疾病中的应用主要集中在胸片的心脏和肺野的自动分析，如：心 胸比例、肺结节、气胸、肺间质渗出的检测，肿块和钙化的分类、鉴别等方面， 尤其是对肺结节的检出有着特别重要的意义 2 8 - 3 1 】。一个c a d 系统集成了多种技术 和算法，可以实现完整地检测和提示病灶的功能。目前，分割和特征提取模块这 两个核心模块的研究最为深入，其研究成果也最为丰富。 c r 数字胸片的c a d 流程如图2 1 所示。本文主要进行了预处理模块，肺实 质分割模块与肋骨分割模块的研究工作。 6 c r 数字胸片图像肺实质和肋骨分割算法研究 (原始，像) 上 t 预处理 | l l 肺实去分割 l 肋骨分割 l 一 i 肿森测 图2 1c r 数字胸片c a d 流程 2 2c r 数字胸片图像预处理 由于c r 数字胸片图像自身具有噪声多，图像组织间分界线较模糊的特点，因 此需要进行一定的预处理。 2 2 1 常用的c a d 预处理方法 常用的c a d 预处理方式主要有灰度变换和滤波处理【l 】。灰度变换是比较简单 的一类图像预处理方法，通过常用的三种几本类型函数：线性函数( 正比和反比) 、 对数函数( 对数和反对数变换) 、幂次函数( n 次幂和力次方根变换) ，可将灰度区 间 a ，b 】内的像素点映射到 c ，d 区间。滤波又分为空域滤波和频域滤波。空域滤波 基本是利用模板卷积的方式处理。将模板在图中遍历，并将模板中心与图像中某 个像素位置重合，然后将模板上系数与模版下对应像素进行某种运算，最后将运 算结果赋给对应模板中心位置的像素。对于线性操作，其运算一般为将模板上系 数与模版下对应像相乘，并将所有乘积相加，最后将运算结果赋给对应模板中心 位置的像素，如均值滤波、高斯滤波等；而对于非线性操作，则可能是取其模版 下对应像素的某个值赋给对应模版中心位置的像素，如中值滤波等。 第二章c r 数字胸片图像预处理及多尺度增强 7 2 2 2 本文采用的c r 胸片预处理方法 预处理是所有医学图像处理和c a d 系统的一个必不可少的过程，经过对c r 胸片噪声情况的主要分析，本文采用的预处理过程主要包括下面几个步骤，如图 2 2 所示。 (原始? 像) 上 边缘袅剪 l - 图像；采样 l灰度范围规定化 l - i图像二强 图2 2c r 数字胸片预处理流程 边缘剪裁：几乎所有的医学图像的边界都有很多白边，特别是在c r 数字胸片 图像中，因为这些白边的存在，导致了部分c r 数字胸片图像内部灰度值压缩的较 低，同时这些白边将所有的空气背景连成一个整体，在部分图像中的面积甚至超 过了作为研究主体的肺实质面积，严重影响了后续分割算法的分析和计算，因此 必须对c r 数字胸片图像先进行边界的裁减。通过观察和统计数据库中的所有c r 数字胸片图像，发现这些白边并不宽，普遍少于7 个像素，因此我们对图像的上 下边界和左右边界各裁减掉8 个像素的宽度。那么这样进行边缘裁减的好处是显 而易见的，通过实验，不仅解决了上述的各种问题，同时由于对边缘的裁减，减 少了没有研究意义的空气背景的面积，增大了肺实质在总图像中的比重，对于后 续的分割处理模块是有益的。 图像下采样：不同医院，不同设备得到的c r 数字胸片图像的分辨率各不相同， 常见的空间分辨率有下面几种：2 5 0 0 2 0 0 0 的，3 0 0 0 2 0 0 0 的，3 0 0 0 x 2 5 0 0 的等。 c r 数字胸片图像肺实质和肋骨分割算法研究 不论是哪一种规格的图像，毫无疑问的是它们的图像尺寸都比较大，考虑到计算 效率和最终的效果，本文对原始的c r 数字胸片图像都进行了下四采样。采样的过 程是遍历图像，每隔三行三列取一个像素，这样采样后图像的二位空间分辨率是 ， 原始图像的1 1 6 ，最终将一个大小为m 大小的图像变成了；的图像。实 4 4 验表明经过下采样后的c r 数字胸片图像不仅没有降低后续分割模块算法的计算 精度，同时大幅度的加快了算法的运行速度，提高了运算效率，可达到1 0 倍以上。 灰度范围规定化：一般来说c r 数字胸片图像的灰度范围都是固定的，不同医 院，不同设备产生的图像在灰度范围上没有什么不同，都是在0 - 3 0 0 0 0 之间。这样 宽的一个狄度范围，在后续的分割处理模块中运算是很费时间的，特别是实际中 c r 数字胸片c a d 一般要求实时处理拍摄出的图片，需要很快的处理速度和运算 效率。所以必须将狄度范围进行压缩。本文在图像边缘裁减和下采样之后又进行 了灰度范围规定化处理。参考了大量的文献和专家的意见，本文将灰度范围规定 化到0 - 2 5 5 之间。规定化的具体流程是：首先遍历全图，找到其中的最大值靠。和 最小值靠i n ，然后通过最大值和最小值将其归- - n0 - 2 5 5 之间，其表达式如式( 2 1 ) 所示： y ：2 5 5 兰吐 ( 2 1 ) 。一x 。i n 其中x ，y 分别为灰度范围规定化前后图像的灰度值。 图像增强处理：所有的医学图像都不可避免的存在很多噪声，不仅影响图像的 质量，同时也对后续分割模块造成影响。又因为在c r 数字胸片图像中，不同组织 之间没有清晰的分界线，组织之间的局部区域灰度对比度不均，这些特点使得我 们必须要对c r 数字胸片图像进行必要的图像增强，来尽量减少上述特点的影响。 我们在2 3 节给出图像增强处理的详细算法。 2 3c r 数字胸片图像增强 由于c r 数字胸片图像的器官内容丰富，各组织间局部灰度对比度不均，医学 图像分割的难度较大。我们设计了医学图像的增强模块，来调整图像灰度范围， 增强局部灰度对比度。为了选择适合c r 数字胸片图像的图像增强手段，本文对几 种增强方法做了仿真和比较，选择了最适合c r 数字胸片图像的增强方法。 2 3 1c r 数字胸片图像直方图均衡化和中值滤波增强 常用的增强方法有：直方图拉伸、直方图均衡化和中值滤波1 1 。其中，直方图 拉伸和直方图均衡化是两种最常见的间接图像对比度增强方法。而中值滤波主要 第二章c r 数字胸片图像预处理及多尺度增强 9 是适用于噪声消除。直方图拉伸通过对比度拉伸对直方图进行调整，从而“扩 大 前景和背景灰度的差别，以达到增强对比度的目的。这种方法可以利用 线性或非线性的方法来实现；直方图均衡化则通过使用累积函数对灰度值进 行“调整”以实现对比度的增强。直方图均衡化处理的“中心思想是把原 始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均 匀分布，对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内 的像素数量大致相同，也可以说是把给定图像的直方图分布改变成“均匀 分布直方图分布。缺点则在于： 1 ) 变换后图像的灰度级减少，某些细节消失。 2 ) 某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。 3 ) 对处理的数据不加选择，可能会增加背景杂讯的对比度并且降低有用 信号的对比度。 不过对于c r 数字胸片图像来说，它的优点则更重要： 1 ) 直方图均衡化通常用来增加许多图像的局部对比度，尤其是当图像的 有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方 图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方 图均衡化通过有效地扩展常用的亮度来实现这种功能。 2 ) 直方图均衡化对于背景和前景都太亮或者太暗的图像非常有用，尤其 是可以带来x 光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片 中更好的细节。这种方法的一个显著优势是它是一个相当直观的技术并且是 可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算 量也不大。 首先实验了直方图均衡化的方法，对c r 数字胸片图像进行增强。设原始图像 在( 而y ) 处的灰度为厂，而改变后的图像为g ，则对图像增强的方法可表述为 将在( x ，y ) 处的灰度厂映射为g 。在灰度直方图均衡化处理中对图像的映射函 数可定义为：g = e q ( f ) ，这个映射函数e q ( f ) 必须满足两个条件( 其中三为 图像的灰度级数) ： ( 1 ) e q ( f ) 在0 f l 一1 范围内是一个单值单增函数。这是为了保证增强 处理没有打乱原始图像的灰度排列次序，原图各灰度级在变换后仍保持从黑 到白( 或从白到黑) 的排列。 ( 2 ) 对于0 厂l 一1 有0 g l 一1 ，这个条件保证了变换前后灰度值动态范 围的一致性。 累计分布函数( c u m u l a t i v ed i s t r i b u t i o nf u n c t i o n ，c d f ) 耳o 可以满足上述两 个条件，并且通过该函数可以完成将原图像厂的分布转换成g 的均匀分布。 此时的直方图均衡化映射函数为： 1 0 c r 数字胸片图像肺实质和肋骨分割算法研究 g k = e q ( f k ) = ( ，2 ) = ( z )( k = o ，1 ，2 ，l - 1 ) ( 2 - 2 ) 上述求和区间为0 到k ，根据该方程可以由原图像的各像素灰度值直接得 到直方图均衡化后各像素的灰度值。在实际处理变换时，一般先对原始图像 的灰度情况进行统计分析，并计算出原始直方图分布，然后根据计算出的累 计直方图分布求出疋到g 。的灰度映射关系。在重复上述步骤得到原图像所有 灰度级到目标图像灰度级的映射关系后，按照这个映射关系对原图像各点像 素进行灰度转换，即可完成对原图的直方图均衡化。i 增强后的图像如图2 3 b 所示。 。 然后实验了中值滤波对原始图像的增强方法。本文选取了一个3 x 3 的模板， 将模板在图中遍历，并使模板中心与图像中某个像素位置重合，然后将模板上系 数与模板下对应像素值进行排序取得排在中间的值，最后将这个结果赋给对应模 板中心位置的像素。中值滤波的主要功能就是让与周围像素灰度值得差比较大的 像素改取与周围像素值接近的值，是一种非线性的图像平滑法，对脉冲干扰级椒 盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。增强后 的图像如图2 3 c 所示。 2 3 2 多尺度增强方法 最后对多尺度增强方法进行仿真实验。多尺度增强【3 2 弓3 】是采用分层数据结构 将图像分成若干个不同粒度的层次，使图像分解为一系列频率递减的细节图像和 一个最大尺度的近似图像。可以根据需要将处理控制在较小的数据量上，同时方 便的处理各个层次的细节。两种典型分层表示数据结构是金字塔和四叉树结构。 m p y r a m i d 金字塔结构是一个图像序列 m l ，心书m l 2 ，m 。 ，其中m l 是具 有原始分辨率的图像，然后依次降低一倍的分辨率得到该图像的金字塔序列。当 原始图像的分辨率是2 的整数幂的时候，m 。仅对应于一个像素。当需要对不同的 分辨率同时进行处理时，可以采用这种金字塔分层结构。分辨率每降低一层，数 据量减少4 倍。m p y r a m i d 金字塔结构存储所有图像矩阵需要的像素个数大约是 1 3 3 n 2 个。多分辨率分析可以在不同尺度上对图像的不同程度细节信息进行分析 和处理，可得到比在单一尺度上进行处理更佳的效果。 金字塔结构可以表示为树状结构：t - p y r a m i d ，而四叉树是对t - p y r a m i d 的改进， 除了叶子结点外，每个节点都有四个子结点。与t - p y r a m i d 一样，每层图像都被 分解成为四个象限，但是不需要保留所有的结点。如果父结点有四个与它的值， 如灰度值，一样的子结点，则不需要保留这些子结点。 目前研究的主流多尺度增强算法主要有：基于金字塔分解的多尺度增强和采用 四叉树结构的基于小波变换的多尺度增强 3 4 - 3 6 。考虑到工程应用上，特别是应用 第二章c r 数字胸片图像预处理及多尺度增强 1 1 到c r 数字胸片图像c a d 系统中，基于金字塔分解的多尺度增强l t d , 波分解更为 简单、方便，同时增强效果不差，因此本文采用了基于金字塔分解的多尺度增强。 多尺度金字塔型结构算法是基于上述金字塔结构对图像进行分层数据处理的 原理设计的。多尺度金字塔型结构算法先对图像进行分解，将原始图像在各个尺 度上分解成代表不同细节的多尺度拉普拉斯金字塔层，再利用系数调整函数对各 个塔层的系数进行调整变换来达到增强的效果，最后再对各个塔层进行重构，得 到增强图像。具体的算法原理如下： 高斯金字塔是一组图像序列，图像第k 层g 是通过低通滤波和缩小( r e d u c e ) 两个步骤从下一层q 一，中产生的，g o 表示原始图像，即为c r 数字胸片图像。生成 公式为式( 2 3 ) ： g k ( i ，) = w ( a ，6 ) g 一，( 2 i + a ，2 j + b ) ( 尼= 1 ，2 ，3 ，k ) ( 2 3 ) a = ob = 0 其中，g 0 的大小为m n ，k 表示塔的层数，w ( a ，6 ) 表示生成核。生成核的选取 满足以下条件： 1 )可分离性：w ( a ，b ) = 以以) 以6 ) ； 2 2 )归一化：以口) = 1 ； a 。= 。- 。2 3 ) 对称性：以口) = 以一口) ，a = o ，1 ，2 ； 4 )奇偶对称性：a + 2 c = 2 b ，a = 烈0 ) ，b = 协( 一1 ) = 仍( 1 ) ，c = 以一2 ) = 影( 2 ) 。 将由q 一，得到q 的过程叫做r e d u c e 算子，即q = 尺肋驭盈( g 一。) 。第k 级图像 矩阵的每一个像素值均可用可分离算子w ( a ，6 ) 对第k 一1 级进行加权平均得到， r e d u c e 算子为： g j , ( i ，_ ，) = w ( a ，6 ) q 一，( 2 i + a ，2 j + b ) ( 2 - 4 ) a = - m b = - m 更简单的使用局部均值作为映射关系可以得到r e d u c e 算子： g ( f ，) = 去q 一。( 2 i + 口，2 j + 6 ) ( 2 5 ) - ta = ob = o 以此类推，金字塔方法使金字塔结构中相邻两级图像的频带以1 8 倍率减小，图像 以1 4 倍率减小。加权平均映射实际上也是种低通运算，通过一层到一层的映射， 高频成分被逐渐滤掉，图像也由高到低逐步分解为不同频率的细节层。 拉普拉斯金字塔与高斯金字塔略有不同，其中第k 层厶是把q + 。扩大 ( e x p a n d ) ，然后与q 求差： l k = q - e x p a n d ( g j , 一1 ) ( 2 6 ) 这样，由公式( 2 6 ) 得到的图像系列是一组带通滤波图像，也称为拉普拉斯金字 塔。可以采用如下的e x p a n d 算子计算： q ( 2 f ，2 j ) = g + 。( f ，_ ，) ( 2 7 ) c r 数字胸片图像肺实质和肋骨分割算法研究 g k ( 2 i + l ，2 ，) = f q + 。o ，) + q + ( j + 1 ，) 】 ( 2 培) g , ( 2 i ，可+ 1 ) = i q + 。( f ，j ) + q + i ( f ，+ 1 ) 1 ( 2 9 ) g k ( 2 i + l ，2 + 1 ) = 甜q + ( f ，) + q + ，( f + l ，) + q + ( f ，j + 1 ) + g k i “+ l + 1 ) 】( 2 - 1 0 ) 按照拉普拉斯金字塔分解方法，选用了5 x 5 的高斯低通滤波器模板对图像滤波并 逐层分解对每层的细节图像系数做相应的增强，主要是对比度补偿，边缘系数 调整和动态范围压缩等。 本文目的是增强c r 数字鹏片图像的对比度，因为在各层细节图像中，较大 系数对应较强的边缘，它们在很大程度上影响整个图像的动态范围，需要适当的 压制，这样既不影响视觉效果，同时又可以提高图像的整体对比度。然后对于一 系列的调粒好的细节图像按照k 文中分解的逆过程重构。虽终得到了增强后的 图像，如图23 d 所示。 ( a ) 原始图像 b ) 中值滤波幽像 第二章c r 数字胸片图像预处理及多尺度增强 ( c ) 直方图均衡化图像( d ) 多尺度增强幽像 幽2 3 预处理增强图像结果 ( a 为原始图像并组纵之间没有明显界限组织问灰度分布不均；b 为中值滤波图像，减少 了噪卢世没有改善图像组织间对比度：c 为直方刚均衡化结采，有效改善了组织问对比度i d 为多尺度j 骨强结果不仅有效改番了组织问对比度，同h t 抑制了噪声，对肋骨部分处理效果 好y - c 中的方法) 通过三种方法的对比，可以看出经过中值滤波方法增强的c r 数字胸片图像 2 3 b 对于整体的对比度并没有什么明是的改善，只是相对减少了噪声的影响并没 有明显破坏原始图像的对比度；直方图均衡化增强的c r 数字胸片图像23 c ，改善 了图像的对比度，调整了整体的驮度分布，效果比较好；而经过拉普拉斯金字塔 分解增强后的c r 数字胸片图像23 d ，通过对每一层的细节系数调整，不仅提高了 图像整体的对比度，同时也增强了局部感兴趣区域的对比效果，如肺实质部分和 肋骨部分，对于后续肺实质分割模块和肋骨检测模块具有很重要的作用，是本文 主要采用的增强方法。 2 4 本章小结 本文针对c r 数字胸片图像的特点进行了简单，方便且有效的预处理，包括边 缘裁剪、罔像下采样、扶度范田规定化和图像增强。特别是利用了拉普拉斯金字 塔分解的多尺度增强方法，有效的抑制了c r 数字胸片图像不同组织之间没有清晰 的分界线，组织之间的局部区域扶度对比度不均的特点，增强了图像整体的对比 度，同时提高了局部感兴趣区域特别是肺实质部分和肋骨部分的对比效果，为虬 后的c r 数字胸片分割模块创造了有利条件。 第三章基于o t s u 和局部阂值的层次肺实质分割算法 1 5 第三章基于o t s u 和局部阈值的层次肺实质分割算法 肺实质分割是c r 数字胸片图像c a d 一个重要的组成部分，主要是对c r 数 字胸片图像中的肺实质部分从其他软组织中分割出来。可以说肺实质分割的好坏 程度，直接影响到后续特征提取和病灶分类模块。 目前医学图像分割主要分为半自动分割和全自动分割两种，前者一直是目前 医学图像分割的主流手段；后者则一直是医学图像处理的研究重点。大部分医学 图像分割处于在人机交互这种半自动分割水平上，费时费力，受人为因素影响非 常大。而且不同的专家手动分割的结果可能有很大不同，即使同一个人来分割， 对于不同时间得到的分割结果也是有差别的，可重复性差，效率也很低。全自动 分割是目前重点研究的主流。在图像分割发展的过程中，人们研究的方向主要是： 阈值分割、边缘检测和区域提取。近年来越来越多的学者也将模糊理论、马尔科 夫模型，遗传算法、小波理论、神经网络等方法引入到图像分割领域，取得了一 些成果。目前肺部c a d 的图像分割方面，有很多比较好的算法。香港大学的陈世 峰等【3 7 】提出了形态学滤波和新型基于图表最优化方法分割肺部的算法；p a o l a c a m p a d e l l i 等【3 8 】通过高斯滤波器边缘检测和边缘跟踪相结合的方法进行肺部分割； c o o t e se ta 1 【3 9 】第一次提出了a c t i v es h a p em o d e l ( a s m ) 模型的概念，b r a mv a n g i n n e k e n 等【2 3 采用a s m 模型方法来分割肺部图像；d g a d o s 等【4 0 】采用p c a 与解 剖学知识的方法进行肺部分割；t a k e s h ih a r a 等【4 l 】提出了一种遗传算法和模板匹配 结合的方法进行肺部分割； 本文提出一种运用o t s u 法进行初步分割，