（生物医学工程专业论文）脑血管树建模方法的研究.pdf

东南大学硕士学位论文 t h r e ed i m e n s i o n a l ( 3 d ) m o d e l so ft h eh u m a nc e r e b r a lv a s c n i a t m ea g eu s e f u li nn m n e r o u s a p p l i c a t i o n si n c l u d i n gv a s c u l a rs u r g e r y ，i n t e r v e n t i o n a lr a d i o l o g yo r ) ，a n dm e d i c a l e d u c a t i o n i n c l i n i c a la p p l i c a t i o n s ，ag o o du n d e r s t a n d i n go ft h ec e r e b r a lv a s c u l a rt r e ei se s s e n t i a lf o rd i a g n o s i sa n d t r e a t m e n to ft h ep a t i e n t av a s c u l a rm o d e ls u p p o r t i n gt h e s ep r o c e d u r e sh a st ob er o b u s ta n dr e a l i s t i ct o b ea c c e p t a b l ec l i n i c a l l y i na d d i t i o nt ob eq u i c k , a n de a s yt ou n d e r s t a n da n du t h i sd i s s e r t a t i o n p r e s e n t s ac e r e b r a lv a s c u l a t u r em o d e ld e a l i n gw i t hm a g n e t i cr e s o n a n c e a n g i n g r a p h y ( m r a ) g e n e r a l i z e dc y l i n d e ri su s e dt os i m p l i f yv a s c u l a rs t r u c t u r ed e s c r i b i n gv e s s e l sa s 1 da u r v e si n3 ds p a c e ( c e n t e d i n e s ) a n dt h ew i d t h sa s s o c i a t e dw i t ht h e m t h i sm o d e lc l e a r l yr e f l e c t s t h es t r u c t u r ei n f o r m a t i o nt o p o l o g i c a l l ya n dp l a y sa ni m p o r t a n tr o l ei nn a v i g a t i o ns u r g e r y i na d d i t i o n , am e t h o dn a m e dm a r c h i n gc u b e s ( m c ) i su s e dt oe x t r a c ti s o s u f a c e so fc e r e b r a lv a s c u l a l u r et og e ta n i m p r e s s i o ni n t u i t i v e l y t h es t u d yi nd e t a i la sf o l l o w s ： ( 1 ) a na u t o m a t i cs e g m e n t a t i o nm e t h o di sp r o p o s e dt oe x t r a c tv a s c u l a t o r ef i o mm r a d a t as e t a f u n c t i o nc a l l e ds i g m o i di su s e dt oe n h a n c et h eo r i g i n a li m a g e t h ep a r a m e t e ro ft h ef u n c t i o ni s a d j u s t e db a s e do nt h es t a t i s t i cf e a t u r eo fs l i c e so fi m a g e a f a rt h ee n h a n c e m e n t ，e a c hs l i c e sh a v e t h es i m i l a rs t a t i s t i cf e a t u r ea n dw emt h es a m et l u e s h o l dg r a yl e v e lv a l u et og e tab i n a r yi m a g e a t l a s t t h er e p r e s e n t a t i o n o f v a s c u l a t u r e i nv o x e l i ss e c u r e da f t e r m o r p h o l o g i c o p e r a t i o n s ( 2 ) g e n e r a l i z e dc y l i n d e rm o d e li ss t u d i e do nt h eb a s eo fv o x e lr e p r e s e n t a t i o no fv a s c n i a t u r e d i s t a n c e t r a n s f o r m a t i o n ( d t ) a p p r o a c h i su s e dt oe x t r a c tt h ec e n t e r l i n eo fc e r e b r a lv a s c u l a t u r e w e c o m p u t e s t w od i f f e r e n tt r a n s f o r m a t i o nc a l l e db o u n d a r yu l s f o r m a t i o na n ds i n g l ep o i n tr e f e r e n c e d t r a n s f o r m a t i o n b o u n d a r yt r a n s f o r m a t i o ni su s e dt oe v a l u a t et h ec e n t e r u e s so fap o i n tw h i l es i n g l e p o i n tr e f e r e n c e dt r a n s f o r m a t i o n i su s e dt og u a r a n t e et h ec o n n e c t i v i t yo fc e n t e r f i n e s w i t ht h eh e l p o ft h e mw eg e tc e n t e r f i n e sw h i c ha r eo n ev o x e lw i d t h t h i sf e a t u r ei sc r u c i a lt og e tt h et o p o l o g i c a l d e s c r i p t i o no fv a s c u l a t u r e i na d d i t i o n , w ec o n s i d e rt h eb o u n d a r yt r a n s f o r m a t i o nv a l u e o f c e n t e r l i n e st ob et h ew i d t ho fv e s s e l s ( 3 ) t r a c et h ec e n t e r f i n e sf r o mt h er o o tt og e tt h et o p o l o g i c a ls t r u c t u r e b r a n c h i n gp o i n t s , e n dp o i n t s a n ds e g m e n tp o i n t si nc e n t e r l i n e sh a v ed i f f e r e n tn u m b e r so fn e i g h b o r i n go b j e c tp o i n t s w eu s f t h i sf e a t u r et og e tt h et o p o l o g i c a ls t r u c t u r e b e c a u s eo ft h ed i s c r e t ec h a r a c t e r i s t i co fc e n t e r l i n e ，w e u s eas l i d ef i l t e rt os m o o t he a c hs e g m e n t s w h i c hm a k et h ev e s s e l sm o r er e a l l i k e ( 4 ) a ni s o s u r f a c ee x t r a c tm e t h o di su s e dt or e p r e s e n tt h es l m e a c e so fc e r e b r a l v a s c u l a t u r ef r o mm r a a f t e rt h e3 dg a u s s i a nf i l l e r ，w eu s e dd i f f e r e n tt h r e s h o l dv a l u e sc o m h i n e dw i t hc l i n i c a l e x p e r i e n c e st or e c o n s t r u c tt h ec e r e b r a lv a s c u l a t u r e k e yw o r d s ：c e r e b r a lv a s c a l a t u r em o d e l i n g ：m r a ；g e n e r a l i z e dc y l i n d e r ：d i s t a n c et r a n s f o r m a t i o n ： c e n m r l i n ee x t r a c t i o n ；t o p o l o g i c a lf , t g u c t u r e ；m a r c h i n gc u b e s 东南大学学位论文独创性声明 本人声明所呈交的学位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的地方外，论文中不包含其他人 已经发表或撰写过的研究成果，也不包含为获得东南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 作了明确的说明并表示了谢意。 研究生签名：j j 盘l _ 一日期：刈 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论 文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子 文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查 阅和借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研究生院办理。 研究生签名：邑上句一导师签名： 第一章绪论 1 1 课题背景与意义 第一章绪论 随着计算机技术的飞速发展，出现了计算机辅助断层成像( c o m p u t e dt o m o g r a p h y ：c d 、磁 共振成像( m a g n e t i cr e s o n a n c ei m a g i n g ：m r u 等形式的数字医学成像技术，提供了大量的医学解 剖信息。这些成像技术产生的三维数据集，一般都包括1 5 到3 0 0 个断层图像，而每个断层图像 都可以有2 5 6 2 5 6 或5 1 2 5 1 2 个像素。在目前的医疗诊断中，主要是通过观察一组二维断层 图像去发现病变体。但是，要准确的确定病变体的空阃位置、大小、几何性质以及与周围生物 组织之间的空间关系，仅凭医生在头脑中进行重建是十分困难的。因此，迫切需要一种有效的 技术来完成从三维医学体数据中提取所蕴涵的信息，并把这些复杂的信息及其相互关系以直观 的方式显示给临床医生，展现人体器官的三维结构与形态，从而辅助医生对病变体和周围组织 进行全面准确的分析提高医疗诊断的准确性和科学性。这就需要利用计算机来进行医学图像 数据的表达、处理和定量分析。其中主要涉及到两个过程，即如何更好地分割( s e g m e n l ) 物体以 及描述( d e s c r i b e ) 物体。根据人体各个部分器官的形态和生理的不同，我们往往需要建立不同的 模型来提取和描述它。 脑血管疾病是人类健康的主要威胁因素之一。如何能够早期发现疾病，并且能够正确诊断 疾病对于脑血管疾病的诊治具有重要的意义。借助于各种医学成像技术，血管疾病的检测技术 得到了长足的进步和日益广泛的应用。磁共振血管成像( m a g n e t i c r e s o n a n c e a n g i o g r a p h y ：m r a ) 和数字减影成像( d i g i t a ls u b t r a c t i o na n g i o g r a p h y ：d s a ) 是采用最多的血管检测技术。 m r a 利用流动血液在外部磁场激励脉冲作用下的流入性增强效应和相位变化效应而成像， 一般分为相位增强法( p h a s e e n h a n c e m e n t ：p e ) 和时间飞逝法( t u n e o f f l i g h t ：t o f ) 。这种方法具有 病人无创伤，无射线辐射危害，可以直接得到三维数据等优点，缺点是分辨率比较低，只能显 示较大的血管，而且具有夸大效应【1 1 2 1 。 d s a 利用造影剂对于x 射线吸收系数的不同在病人血管内注射造影剂前后分别拍摄同一 部位的x 射线图像，经过对数变换后利用减法器进行相减，就能够得到幅清晰的、造影荆标 志出来的血管图像。这种方法成像分辨率高，被认为血管检测的金标准。但是病人受到的痛苦 大，而且要受到x 射线的辐射1 3 “。 传统认为，由于受空日j 分辨率的影响。在对颅内血管特别是细小动脉的显示上m r a 不如 d s a ，故应以d s a 作为金标准。然而在临床实践中由于d s a 空间信息的缺乏，可引起血管动 东南大学硕士学位论文 脉瘤漏诊，而d s a 和m r a 互为补充会提高动脉瘤的诊断率i ”。而且对于w i l t s 环 6 1 形态学的 研究，d s a 更比m r a 困难、复杂的多。 本课题利用临床m r a 数据，结合脑血管特点的模型建立起大血管的拓扑结构，然后在已 经建立的拓扑结构的基础上描述血管的其他特征( 半径、血流速等) 。得到血管的中轴结构同时构 造符合实际情况的血管截面模型，从而最终合成完整的三维血管。这实际上是由图像( i m a m ) 到 图形咖p h ) 的转换，通过这些工作可以使医生获得更加直观的脑血管信息，提高诊疗的准确度。 1 2 脑血管树建模和可视化问题的研究和发展 近年来m r a 作为一种快速、无损的成像方法得到了长足的发展，临床应用日益广泛。但是 由于缺乏合适的可视化和结构描述工具，使得m r a 中包含的血管信息无法得到充分的利用当 前m r a 中血管的观察主要是通过二维的最大密度投影( m a x i m u mi n t e n s i t yp r o j e c t i o n ：m i p ) - 技术 川，它的基本原理是将三维的m r a 数据沿着某个方向投影到二维平面上，投影面上的像素值为对 应投影线上所有像素中的最大值。但是m i p 仅能得到血管的二维数据，丧失了血管的空间信息t 给医生的诊断带来了不便。如果能够将m r a 中的血管信息提取出来并进行三维可视化，就能够充 分利用m r a 中的信息。参见图1 1 。显示沿射线穿过物体所遇到像素的最大值。由于二维图像仅 提供了三维血管的投影而丧失了空间信息给血管形态和病变的理解带来了困难。 圈1 1 ：m r a 体数据的唧显示，分别从三个方向投影，明显可以看出由于血管的选加失去了空同信恳 不少学者提出了血管结构的三维绘制m d i m e i l s i a ir e n d e r i n g ) l s l 。虽然细小血管的提取 还有待提高，但是与m i p 相比，对大血管的三维绘制己经显示出了其优越性。一般的血管建模 和可视化方法分为基于骨架的和不基于骨架的。基于骨架的方法一般先提取出血管系统的空间 骨架，然后结合血管的表面信息重建出血管系统。不基于骨架的方法则直接由三维体数据重建 出血管表面并实现可视化。 在基于骨架的方法中，主要有： 宾西法尼亚州立大学的w e h i g g i n s 等人在m a y o 公司的医学处理及可视化软件a n a l y z e 2 第一章绪论 的基础上开发了心血管动脉树的处理系统n 包括血管提取树形跟踪和显示等功能，但是他 们没有对脑血管进行实验，由于脑血管的复杂性，必将比心血管具有更大的难度。 瑞典苏黎世大学图像科学通信技术实验室的o g e f i g 等人提出了一个原型系统，用来提取 m r a 中的血管并将其表示为具有一定结构的三维物体i l o l 。首先经过预处理提取出血管并进行细 化，然后使用图论的方法将细化后的血管编译为图形。但是由于三维细化效果不理想，尽管他 们使用了 一图【 - g r a p h ) ，所得到的血管树中仍然含有大量冗余的节点。 美国北卡罗来纳大学的计算机辅助手术和图像实验室1 1 1 i 的e b u h i h 等人也对此问题进行了 研究。他们从m r a 图像中提取出血管并进行符号化描述( s y m b o l i cd e s c r i p t i o n ) ，其总体框架与 0 g e r i g 基本类似。对于得到的血管描述，他们进行了更深一步的研究，他们将m r a 血管与 d s a 进行了3 d 2 d 匹配i l “。 广义柱模型往往用来表示圆柱形的物体。广义柱是一种参数型的模型，它包含一个空问曲 线，也称为中轴和一个定义在中轴上的横断面函数。最早是b i n f o r d 1 1 9 l x 到医学领域用于血 管的描述。横断面函数往往定义为一个椭圆，它垂直于中轴扫过中轴以形成管状物体的表面。 o d o n n e l 等人对广义柱模型进行了很大的改进，他用一个3 d 的空间b 样条曲线表示中轴横 截面垂直扫过形成物体他引入了有限元网格的方法这样可以表示血管表面的复杂结构，参见 图1 2 蠢薹罄攀 。 彳 一 i 。f 7 鼍、- 血管的精确分割是建立正确血管树的前提条件。由于l 临床图像中包含有大量的噪声，给分 割工作带来了极大的困难，因此血管分割成为医学成像研究的一个热点。针对m r a 图像中 血管灰度比较高的特点，g g e r i g 等人提出了假设阙值技术( h y s 忙m s i st h r e s h o l d i n g ) ，采用两个阈 值，较人的表示上限较小的表示下限，人于上限的像素认为属于血管，小于上限的认为小属 于血管，在上限和下限之间的像素如果与上限相连则认为属于血管。y s a t o 等人的多尺度线条 东南大学硕士学位论文 滤波罂( m u l t i - s c a l e l l n e f i l t e r ) 【1 j ，对于半径不同的血管进行不同参数的高斯滤波，然后计算 h e s s i a n 矩阵的特征值和特征向量来得到血管。又如s a y l w a r d 将血管图像看作一幅高度图，血 管对应于图像中最高的部分，通过提取出脊线来得到血管”j 1 3 论文研究内容与章节安捧 本论文的主要工作和创新点包括以下几个方面： 1 首先对于常见的三维图像分割算法进行了简单介绍，提出了一种新的自动分割方法从h 豫a 数 据序列中提取出血管信息，首先对原始图像进行s i g m o i d 变换以增强对比度，同时根据图像的 灰度不同自适应地调整s i g m o i d 的参致，变换后的图像由于具有较为相似的统计特性，我们对 它们取相同的阈值得到二值图像，先后利用形态学开、闭运算对其调整。滤除掉不属于血管的 部分从而获得了三维脑血管的体素表示，为下一步的脑血管模型的建立和分析打下基础 2 建立了一个针对脑血管的广义柱模型，用来将核磁共振血管图像表示为具有一定逻辑结构且 保持拓扑的空间点集，这些点集表示了脑血管的中轴线，该点集以树的形式来组织首先对二值化 的脑血管图像用距离变换的方法重新编码，提取新生成图像的局部极大值点，这些局部的极值点 作为中轴线的候选点然后递归跟踪生成血管树，对血管树的遍历可以容易地提取出血管的分叉 点和端点。结合距离变换中的数据可以获得血管的宽度，在此基础上重建出脑血管结构，实现可视 化这个模型的优点在于在可视化的同时也获得了脑血管的空间拓扑结构，这在临床的介入手术 上重要的意义。 本论文共分为五章，各章节内容安捧如下： 第一章绪论； 第二章m r a 图像分割介绍了一般的三维血管分割的重建算法，并在其中给出了我 们设计的针对m r a 脑血管图像的分割算法： 第三章介绍了如何进行血管中轴的提取，并给出了几种不同的中轴提取算法，在获得 了血管中轴的基础上，我们对血管中轴分析找出脑血管的拓扑信息，识别出 那些体素是端点，哪些是分叉点，结合血管的宽度信息重建出脑血管图像； 第四章采用基于等值面提取的表面重建方法提取m r a 中血管表面。我们在对m r a 数据 集进行了三维高斯滤波后结合临床经验数据用不同的阈值对脑血管进行了重建的 工作。在提取等值面的过程中。依据提出的两个标准对三角面片进行了简化； 第五章对论文的全文进行了总结和展望。 4 第章绪论 参考文献 【1 】黄继英，粱星原磁共振成像原理【m 1 西安：陕西科学技术出版社，1 9 9 8 【2 1 祁吉，范占明，刘继生译临床磁共振血管成像【m 】北京：人民卫生出版社，l 螂 【3 1 余建明数字减影血管造影技术【m 1 北京：人民军医出版社，1 9 9 9 【4 1 祁吉数字减影血管造影基本原理【m 1 北京：人民卫生出版社，1 9 9 1 【5 】赵云辉颈内动脉狭窄或闭塞侧支循环途径的d s a 和m r a 评价及其临床意义【d 】第一军 医大学硕士论文2 0 0 2 【6 】m j h a r t k a m p ，j v a nd e rg r o n d h w e s t i g a f i o no ft h eg i l l i eo fw i l l i su s i n gm ra n g i o g r a p h y m e d i c a m u n d i ，m a r 2 0 0 0 ，4 4 1 ) ：2 0 - 2 7 【7 】h - h e h r i c k s , g l a u b c o m b i n e d3 d - d i s p l a y o fc e r e b r a lv a s e u l a t u r ea n dn e n r m n a t o m i c s t r u c t u r e si nm 啦q b e r l i nh e i d e l b e r g ：s p r i n g e r - v e d a g ，j u n e1 9 9 0 ：2 2 9 - 2 3 9 【8 】h e c l i n e ，w e l o r e m e n ，s p s o u z ae ta 1 3 ds u r f a c er e n d e r e dm ri m , a g e so ft h eb r a i na n d i m v a s c u l a t u m j j o u r n a lo fc o m p u t e ra s s i s t e dt o m o g a p h y ，1 9 9 1 ，1 5 ( 2 ) ：3 4 4 - 3 5 1 【9 】w e h i g g i n s ，e ta 1 s y s t e m f o r a n a l y z i n gh i g h r e s o l u t i o n t h r e e - d i m e n s i o n a lc e f o n m y a n g l o g r u m s j i e e et r a n s a c t i o n so nm e d i c a li m a g i a f ，1 9 9 6 ，1 5 ( 3 ) ：3 7 7 3 8 5 【1 0 】g g e r i g , t k o l l e r ，g s z e k e l y ，c b r e c h b u l d e r , e ta 1 s y m b o l i cd e s c r i p t i o no f3 - ds t r u c t u r e s a p p l i e dt oc e r e b r a lv e s s e l 仃e eo b t a i n e df r o mm ra n g i o g r a p h yv o l u m ed a t a c 1 i n f o r m a t i o n p r o c e s s i n gi nm e d i c a li m a g i n g , 1 9 9 3 9 4 - 1 1 1 【1 1 】h t l p ：c a s i l a b m e d u l l c e d u f m d e x h t m l 【1 2 le b u l l i t t , s a y l w a r d ，i c s m i t h , s m u k h e r j i ，m j i m u t e k , k m u l l e r s y m b o f i cd e s c r i p t i o n o f i n t r a c e r e b r a lv e s s e l ss e g m e n t e df r o mm r aa n de v a l u a t i o nb yc o m p a r i s o nw i t hx - r a y a g i o g r u m s p m e d i c a li m a g ea n a l y s i s2 0 0 1 , 5 ：1 5 7 - 1 6 9 【1 3 】c k r b a s , f h i c o u e kv e s s e le x t r a c t i o nt e c h n i q u e s a n da l g o r i t h m s ：as t o r e y ，t h i r di e e e s y m p o s i u mo i ib i o i n f o r m a t i c sa n db i o e n g i n e e r i n g c 2 0 0 3 ，2 3 8 2 4 5 1 1 4 1y s a t o , s n a h j i m a , n s h i r a g a l ，e ta 1 t h r e e - d i m e n s i o n a lm u l t i - s c a l el i n ef i l t e rf o r s e g m e n t a t i o na n dv i s u a l i z a t i o no fc u r 恤a rs t r u c t u r e si nm e d i c a li m a g e s j m e d i c a li m a g e a n a l y s i s ，1 9 9 8 ，2 ( 2 ) ：1 4 3 - 1 6 8 【1 5 ls a y l w a r d ，s m p i z c r ，e b u l l i t t ，e ta 1 i n t e n s i t yr i d g ea n dw i d t h sf o r3 do b j e c ts e g m e n t a t i o n a n d d e s c r i p t i o n c 匝e ew o r k s h o p o nm a t h e m a t i c a lm e t h o d si nb i o m e d i c a li m a g e a n a l y s i s ，1 9 9 6 1 3 1 - 1 3 8 1 1 6 】g a g i na n dt b i n _ f o r d , c o m p u t e rd e s c p t i o no fc m v e do b j e c t s m i e e et r a n s o nc o m p , 1 9 7 6 g 2 5 ：4 3 9 - 4 4 9 5 东南大学硕士学位论文 2 1 图像分割概述 第二章血管分割 在对图像的研究和应用中，人们往往仅对各幅图像中的某些部分感兴趣。这些部分常称为 目标或者前景( 其他部分称为背景) 它们一般对应图像中特定的、具有独特性质的区域。为 了辨识和分析目标，需要将这些有关区域分离提取出来，在此基础上才有可能对目标进一步利 用，如进行特征提取和测量。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的 技术和过程。这个特性可以是灰度、颜色、纹理等，目标可以对应单个区域，可以对应多个区 域。 图像分割是由图像处理进到图像分析的关键步骤。也是一种基本的计算机视觉技术。这是 因为图像的分割、目标的分离、特征的提取和参数的测量将原始图像数据转换为更抽象更紧凑 的形式使更高层次的分析和理解成为可能。图像分割多年来一直得到人们的高度重视。至今 已经提出了上千种各种类型的分割算法，而且近年来每年都有上百篇有关的研究报道发表1 1 l 图像分割可借助集合的概念用如下比较正式的定义： 令集合斤代表整个图像区域，对厅的分割可以看做将霄分成若干个满足以下5 个条件的非 空子集( 子区域) 尼，j 乙，尼 ( 1 ) u r - r ； 1 = 1 ( 2 ) 对所有的j 和f j ，有墨n q a ； ( 3 ) 对j = l ，2 ，1 1 ，有p c r i ) = t u r e ： ( 4 ) x , l i - ，- 有p r 墨u r , j = f a l s e ： ( 5 )对j = 1 ，2 ，n 尼是连通的区域。 上述条件( 1 ) 指出分割所得到的全部子区域的总和( 并集) 应能包括图像中的所有像素。 条件( 2 ) 指出各个子区域是互不重叠的，或者说。个像素不能同时属于两个区域。条件( 3 ) 指出分割后得到的属于同一个区域的像素应该具有某些相同的属性。条件( 4 ) 指出分割后得到 的属于小同区域的像素应该具有某些小同的属性。条件( 5 ) 要求同一个子区域内的像素应当是 连通的。 6 第二章血管分割 2 2 图像分割的研究现状 2 2 1 图像分割算法概述 图像的分割前人提出了很多成熟的算法，经过实践检验证明是行之有效的根据国内外图 像分割方法概况，本文将图像分割方法分为以下几类：基于阈值的方法、基于边缘的方法、基 于像素分类的方法、基于人工神经网络的方法、基于模糊集理论的方法、基于小波变换的方法、 动态形变模型法，在此仅做简单的介绍。 ( 1 ) 基于阈值的方法。若把m n 的二维图像i 在像素( j ，j ) 处的灰度值记为f o , p ，设t 为图像1 的一个灰度阈值，则用阈值t 分割目标与背景的分割i 原则为： 目标部分：o - ，o ，) 2 t i ( f ，j ) ， 背景部分：o - ，( f ，j ) t t l ( f ，j ) e z 基于阈值的方法是一种广泛使用的图像分割方法。阈值法既可以基于图像的全局信息( 如整 个图像的直方图) ，也可以使用图像的局部信息( 如灰度共现矩阵) 选取阈值。阈值又分为全局阈 值( 整个图像使用一个阈值) 和局部阈值( 图像中不同区域使用不同的闽值) 。按分割的方法又可 以分为单阈值分割和多阙值分割。常用的阈值选取方法：基于图像灰度直方图的阈值选取方法、 基于图像差异的阈值选取方法，如o t t o 方法( 又称最大类别方差法) 基于图像模糊测度的阈 值选取方法，如模糊阈值法1 2 1 3 。 ( 2 ) 基于边缘的方法边缘唧g e ) 是指图像局部强度变化显著的部分。边缘主要存在于目标与 目标、目标与背景、区域与区域( 包括不同色彩) 之间，是图像分割、纹理特征和形状特征等图像 分析的重要基础。通常把边缘检测( e d g ed e t e c t i o n ) 方法分为两大类：串行边缘检测和并行边缘检 测。前者首先要检测出边缘的一个起始点，然后根据某种相似性准则寻找和前。点同类的边缘 点，这种确定后续相似点的方法称为跟踪，根据跟踪方法不同这种串行边缘检测方法又可分为 轮廓跟踪、光栅跟踪和全向跟踪三种方法i 1 。几种常用的边缘检测器：r o b e r t s 算子、s o b e l 算子、 p r e w i t 算子、k h s h 算子、w a u i s 算子、l a p l a c i a n 算子、l a p l a c i a n 、g u s i a 岬g ) 算子、c a n n y 算子嘲 ( 3 ) 基于像素分类的方法。此类方法中最常见的方法就是区域增长0 r e g i o ng r o w i n g ) 技术、 分类法( c l a s s i f i c a t i o nm e t h o d s ) 、聚类法( c l u s t e r i n gm e t h o d s ) 、概率松弛技术和随机场模型 ( r a n d o mf i e l dm o d e l ) 技术。 区域增长是假定区域的数目以及在每个区域中的单个点的位置l 三知，从一个已知点开始 加上与l 三知点相似的邻近点形成的个区域。相似性准则可以是灰度级、彩色、组织、梯度和 7 东南大学硕士学位论文 其他特性，相似性的测度可以有所阈值来判定。方法是从满足检测准则的点开始在各个方向 上增长区域，当其邻近点满足检测准则就并入小块区域中。当新的点被合并后再用新的区域重 复这一过程，直到没有可接受的邻近点时增长过程终止1 6 j 。方法包括单连接的、混合连接的以 及中心连接的区域增长。三种方法的区别在于单连接的区域增长时，中心像素每次只和一个像 素比较并连接；混合的区域增长时，中心像素每次和一组像素比较并连接；中心区域增长时，中心 像素每次和一组邻域的统计参数作比较并连接。 ( 4 ) 基于神经网络的方法。人工神经网络( a r t i 鲥a ln e u t r a ln e t w o r k ：a n n ) 有与其巨量并行 性、实时性和分布式存储与处理带来的系统冗余能力等，使它在模式识别，图像处理领域受到 了广泛重视。这些网络由模拟生物学习机理的节点或者元素组成网络中每个节点能够执行最 基本的运算，通过调整节点之间的权值可以达到网络对生物机理的学习。原则上讲，大部分分 割方法都可用a n n 实现。但由于a n n 用于分割的研究起步较晚因此，只有多层前馈神经网 络、多层误差反传神经网络、自组织神经网络、h o p f i e l d 神经嘲络1 7 】i q 以及满足约束的神经网络 ( c s n n - c o u s u a i n ts a t i s f a c t i o nn e u r a ln e t w o r k ) 等得到了应用 ( 5 ) 基于模糊理论( f u z z yt h e o r y ) 的方法一个模糊集合可以表示为： a - 恤 ( 五) i x i ，l - 0 ，1 , 2 ) ，其中h 。( 工。) r a m 了元素x 隶属于集合一的程度- 在模式识别 问题中，模糊集合可以设定在特征级，表示输入特征对某些特定属性集合的隶属度；也可设定在 分类级，表示模式分类对于某些特定类型集合的隶属度。目前模糊技术已经广泛的应用在了 图像的边缘检测1 9 1 1 1 0 1 “l 聚类算法，随机场方面。 ( 6 ) 基于小波变换( w a v e l e tt r a n s f o r m ) 的方法近年来，在低频和高频分析时有。变焦”特性 的小波变换在医学图像分割中得到广泛的应用。用小波进行医学图像阈值分割的思想是利用二 进制小波变换将图像直方图分解为不同层次的小波系数，依照给定的分割准则和小波系数选择 阈值，整个过程由粗到细，由尺度来控制。如果分割不理想，则利用直方图在精细的子空间上 的小波系数逐步细化图像分割【3 4 】；用小波进行边缘检测，则是利用小波系数的模极大 值。 ( 乃动态形变模型法。s n a k e 模型法是基于模型的，使用闭合参数曲线描绘边界的分割方 法【1 。它的最初思想来源于物理概念：为了描绘出物体边界首先设置一个离真实曲线不远的 初始曲线，在外力和内力的作用下，推动着个曲线移动，最后在图像能量最低处停下来。因为 曲线的移动类似于蛇，所以这个模型又叫做s n a k e 模型( 或a c t i v ec o n t o u rm o d e l ) 。目前，针对 s n a k e 模型有很多改进的算法【1 4 1 1 ”。 s 第= 章血管分割 2 2 2 血管分割的研究现状 血管分割将血管图像分成了两类不同的区域，一类代表血管，另一类表示背景。近年血管 提取已成为医学图像界的研究热点，国内外研究人员提出了大量的分割算法【1 q 【1 7 1 。o n n o w i n k 【”l 将这些算法按照提取方法分为间接提取和直接提取。间接法是指在提取血管前需要经过某种分 割( 例如区域增长算法或者多尺度滤波器等) 构造幅特征图像，它在血管的中心产生较大的 响应，再对这些特征图像进行处理从而提取出血管。直接法是指不需要分割，直接从原始数据 里面提取出血管，例如o w i n l 【提出的利用递归跟踪方法逐点提取出血管的中心线和直径。k o m s h a r t s l l 9 1 则按照提取部位的不同将这些算法分为对于血管段的提取和血管树的提取。前者每次提 取出一段血管它需要用户提供血管段的起点和终点。后者则可以提取出整个血管树，它一般 使用递归跟踪的方法c e m i l k 曲一”i 进行了更为详细的分类，他将血管提取技术分为6 个大类， 分别是模式识别技术，基于模型的方法，基于跟踪方法，基于人工智能的技术基于神经网络 的技术和其他管状物体的提取方法。血管提取吸引了大量学者的兴趣，这些方法或简或繁，各 有利弊，限于篇幅，我们无法全部加以介绍，下面仅讨论一种自适应阈值分割算法。我们分别 用这种算法进行了实验。但是值得指出的是： ( 1 ) 医学图像的分割质量直接关系到后续的处理，一个糟糕的分割会导致极端错误甚至危险 的结果； ( 2 ) 医学图像处理中并没有万能的方法，而是具体问题具体分析，不同的待处理图像，不同 的处理目标决定了不同的处理方法。而正因为如此，医学图像处理中的新方法、新思路才会层 出不穷 2 3 基于白适应阈值的血管分割算法 2 3 1 引言 根据血管与背景组织灰度的不同利用数学形态学的方法进行提取是一种常见的方法。 l l s l 2 1 l 等提出了一种利用灰度区别对躲脑部图像中的各种组织的自适应分割算法。 d l w i l s o n l 2 ”提出了一种基于统计的自动阚值法，他将豫a 图像中的组织分为三类，第一类包 括脑脊液、骨骼和空气，第二类为脑组织，第三类包括血管和皮肤周围的脂肪。前两类采用高 斯分布，第三类采用均值分布，然后利用最大期望算法( e x p e c t a t i o nm a x i m u m ：删) 来估计其 中的参数。 考虑到l 舭中备层切片包含不同的背景组织因而具有不同的特性，目前的提取算法大多对 9 东南大学硕士学位论文 于不同的截面采用自适应的阈值分割。本节提出一种新的自动分割算法从m r a 数据集中提取血 管信息。首先对原始图像进行s i g m o i d 变换瞄j 以增强对比度，同时根据图像的灰度不同自适应 地调整s i g m o i d 变换函数的参数变换后的图像由于具有较为相似的统计特性，我们对它们取 相同的阈值得到二值图像，然后利用形态学的开运算对其调整，滤去不属于血管的部分，从而 得到脑部血管的体素表示，为进一步的血管形态分析提供依据。 由于原始数据在图像空间的各向异性，层与层的距离一般大于层间的分辨率( 对于m r a 图像，层内分辨率一般为l 2 m m 。层间距为3 5 m m ) 1 2 4 1 。在实验中，我们用磁共振仪器得到 的原始m r a 图像只有1 2 0 幅，。为了克服m r a 体数据空间的各向异性，我们对提取的血管进 行了层间插值。插值是医学图像处理中常用的一种方式，一般有近邻插