（计算机系统结构专业论文）在体肝脏DSACT图像分割配准技术的研究.pdf

摘要 虚拟肝脏手术计划系统能够提供可交互操作的平台，仿真模拟手术过程，从 而有助于制定合理的个体化手术方案，可以降低损伤肝脏重要结构的危险，减少 术后肝功能不全的发生率。 作为虚拟肝脏手术计划系统的组成部分，本文探索的是基于计算机断层扫描 ( c o m p u t e dt o m o g r a p h y ，c t ) 图像及数字减影血管造影( d i g i t a ls u b t r a c t e d a n g i o g r a p h y ，d s a ) 图像中的肝血管的分割配准问题。首先对c t 图像的肝实质进 行分割，再进一步分割出肝实质中的血管，且对d s a 图像中的血管进行分割；然 后，对c t 血管进行三维重建，选取部分角度进行投影，将投影结果与d s a 图像 进行配准，并在配准结果中选取与d s a 血管配准程度最高的结果，根据此结果计 算出c t 投影血管的肝实质轮廓，根据配准参数，将肝实质轮廓信息叠加至d s a 图像中，便于医生观察d s a 血管所对应的肝脏轮廓，为制定肝脏手术计划提供指 导依据。 本文的研究工作内容及创新主要包括以下几点： 1 根据c t 图像及d s a 图像各自的特点，分别设计了比较适合其图像特点的 分割算法。实现c t 图像肝实质分割及c t 图像和d s a 图像的血管的分割。 2 实现了c t 血管图像的三维重建和所得三维血管丛模型任意角度的二维 投影算法。 3 为便于与d s a 灌注所观察到的局部血管丛进行配准，提出了一种三维血 管局部切割算法。先进行血管细化，再提取骨脊线，获得c r 血管的骨脊 线，得到各个节点，以各个节点为基准点，进行平面切割，从而得到局 部数据。此方法有效的利用了d s a 的成像原理，相比穷举法，在速度上 有了很大的改善。 4 设计了一种改进的配准算法，实现基于三维c t 血管丛投影所得二维图像 与d s a 图像的二维配准算法。 关键词：分割；配准；肝脏；d s a ；c t a b s t r a c t v i r t u a ll i v e rs u 唱e p l a n n i n gs y s t e mc a l lp r o v i d eap l a t f o r mf o ri n t e r - o p e r a t i o n ， s i m u l a t es u r g i c a lp r o c e d u r e s ，t h e r e b yc o n t r i b u t et ot h ed e v e l o p m e n to fi n d i v i d u a l i z e d r e a s o n a b l es u r g i c a lp r o g r a m i tc a nr e d u c et h er i s ko fi n j u r yo fi m p o r t a n ts t r u c t u r e so f l i v e r ；c a nr e d u c et h ei n c i d e n c eo fp o s t o p e r a t i v el i v e rf u n c t i o n a sa ni n t e g r a lp a r to fv i r t u a ll i v e rs u r g e r yp l a n n i n gs y s t e m ，t h ee x p l o r a t i o no f t h i sa r t i c l ei so no ft h es e g m e n t a t i o na n dr e g i s t r a t i o no fc tl i v e ri m a g e sa n dd s a l i v e rv e s s e li m a g e f i r s t , s e g m e n t a t i o no fl i v e rp a r e n c h y m ai nc ti m a g e s ，a n dt h e n d i v i s i o no f t h eb l o o dv e s s e li nt h el i v e rp a r e n c h y m a , a n ds e g m e n t a t i o no f v e s s e l si n d s a i m a g e t h e n t h r e e d i m e n s i o n a lr e c o n s t r u c t i o no fc tv e s s e l s s e l e c tv i e wp o i n t t oh a v ep e r s p e c t i v ep r o j e c t i o n ，r e g i s t r a t i o nt h ep r o j e c t i o nr e s u l t sw i t hd s ai m a g e s e l e c tt h eh i g h e s td e g r e eo fm a t c h i n gr e s u l t s ，c a l c u l a t et h ee d g eo ft h el i v e r p a r e n c h ) r m ai na c c o r d a n c ew i t ht h er e s u l t so fc ta n g i o g r a p h yp r o j e c t i o n a f t e r r e g i s t r a t i o n ，a d dt h ee d g eo fl i v e rp a r e n c h y m a o nd s ai m a g e w h i c hc a nf a c i l i t a t e d o c t o ro b s e r v et h ee d g eo fl i v e rp a r e n c h y m ao nd s a i m a g e ，p r o v i d eg u i d a n c et o v i r t u a ll i v e rs u r g e r yp l a n n i n gs y s t e m t h em a i nc o n t r i b u t i o n so ft h i st h e s i sa r em a i n l yl i e di nt h ef o l l o w i n ga s p e c t s ： 1 a i m e da tt h er e s p e c t i v ec h a r a c t e r i s t i c so fc ta n dd s a i m a g e s ，c o r r e s p o n d i n g a l g o r i t h m sw e r ed e s i g n e d t h es e g m e n t a t i o no fc tl i v e rp a r e n c h y m a ，c t v e s s e l sa n dd s av e s s e l s w e r er e a l i z e d 2 t h r e e - d i m e n s i o n a lr e c o n s t r u c t i o no fc tv e s s e li m a g e sa n dp r o j e c t i o n a l g o r i t h mo fa n ya n g l ew e r er e a l i z e d 3 f r o mt h ep r i n c i p l eo fi m a g i n gb yc t , c td a t ao ft h eb l o o dv e s s e l sa r et h e o v e r a l lv a s c u l a r d s ac a l lg e tp a r t i a lv e s s e l sb e c a u s eo fc a r r i e do u tf o rt h e i n f u s i o no fap o i n t t h e n ，b e f o r er e g i s t r a t i o n ，s h o u l df i r s td e t e r m i n ew h i c h p a r to ft h a tt h r e e - d i m e n s i o n a lc tv e s s e lf o rr e g i s t r a t i o n ，f o rp a r t i a lc u t t i n g ， t h a ti s ，p a r t i a lc u t t i n gf o rt h r e e d i m e n s i o n a lc tv e s s e l s i i i 4 a ni m p r o v e dr e g i s t r a t i o na l g o r i t h m sw e r ed e s i g n e d ，t h er e g i s t r a t i o na l g o r i t h m w i t hd s a i m a g ea n dp r o j e c t i o ni m a g e so ft h r e e d i m e n s i o n a lc tv e s s e l sw e r e r e a li z e d k e yw o r d s ：s e g m e n t a t i o n ；r e g i s t r a t i o n ；l i v e r ；d s a ；c t 厦门大学学位论文原创性声明 本人呈交的学位论文是本人在导师指导下，独立完成的研究成 果。本人在论文写作中参考其他个人或集体己经发表的研究成果，均 在文中以适当方式明确标明，并符合法律规范和厦门大学研究生学 术活动规范( 试行) 。 另外，该学位论文为() 课题( 组) 的研究成果，获 得( 孽疑莠玖) 课题( 组) 经费或实验室的资助，在( 哩燃) 实验室完成。( 请在以上括号内填写课题或课题组负责人或实验室名 称，未有此项声明内容的，可以不作特别声明。) 声明人( 签名) ： 熄塑 多尹雕日 厦门大学学位论文著作权使用声明 本人同意厦门大学根据中华人民共和国学位条例暂行实施办 法等规定保留和使用此学位论文，并向主管部门或其指定机构送交 学位论文( 包括纸质版和电子版) ，允许学位论文进入厦门大学图书馆 及其数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国博 士、硕士学位论文共建单位数据库进行检索，将学位论文的标题和摘 要汇编出版，采用影印、缩印或者其它方式合理复制学位论文。 本学位论文属于： () 1 经厦门大学保密委员会审查核定的保密学位论文，于 年月日解密，解密后适用上述授权。 () 2 不保密，适用上述授权。 ( 请在以上相应括号内打“”或填上相应内容。保密学位论文 应是已经厦门大学保密委员会审定过的学位论文，未经厦门大学保密 委员会审定的学位论文均为公开学位论文。此声明栏不填写的，默认 为公开学位论文，均适用上述授权。) 烙坚 第一章绪论 第一章绪论 自伦琴1 8 9 5 年发现x 射线以来，随着计算机技术、电子技术、信息技术以 及生物医学的高速发展，医学成像技术也得以飞速的发展和广泛的应用，各种医 疗设备被开发出来，为医生的诊断提供了前所未有的丰富手段，医学的临床诊断 方式发生了翻天覆地的变化，使得基于医学影像的诊断学成为现代诊断技术中的 重点，现代医学已越来越离不开医学影像的信息处理。 1 1 课题的背景和意义 在对图像的研究和应用中，人们往往只对每幅图像中的某些部分感兴趣， 这些部分常常被称为一幅图像的目标或者前景，它们一般对应图像中特定的、具 有独特性质的区域。为了辨别和分析目标，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行进一步的利用，如进行特征提取和测量。图像分 割就是把图像分割成各具特色、各有特点的区域，并从这些区域中提取出感兴趣 的目标的技术和过程。根据需要的不同，提取的特征可以是一幅图像的灰度、颜 色、纹理等，而且分割的目标可以对应单个区域，也可以对应多个区域【。 图像分割( i m a g es e g m e n t a t i o n ) 就是把图像中具有特殊涵义的不同区域分 开来，这些区域使互不相交的每一个区域都满足特点区域的一致性。医学图像分 割技术是图像分割技术的一个重要分支。医学图像分割技术是从医学图像处理进 入到医学图像分析的关键步骤，它是后续图像分析和识别的前提，同时也是制约 医学图像处理中相关技术发展的瓶列引。 医学图像配准( m e d i c a li m a g er e g i s t r a t i o n ) 就是通过寻找一种( 或一系列) 空间变换，使两幅图像的对应点达到空间位置和解剖结构上的完全一致。配准结 果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点都达到匹配。 随着计算机技术的发展，医学成像技术也得到了飞速的发展。各种新的成像 设备不断涌现，产生了不同成像模式的医学图像，如x 射线、超声图像 ( u l t r a s o u n d ) 、计算机断层扫描成像( c o m p u t e dt o m o g r a p h y ，c t ) 、磁共振成像 在体肝脏d s a - c t 图像分割配准技术的研究 ( m a g n e t i cr e s o n a n c ei m a g i n g ，m r i ) 、正电子发射计算机断层扫描( p o s i t r o n e m i s s i o n t o m o g r a p h y ，p e t ) 数字减影血管造影( d i g i t a ls u b t r a c t e d a n g i o g r a p h y ，d s a ) 等。 由于不同成像设备成像原理的不同，所显示病人组织信息的侧重点不同， 临床上，常需使用不同成像设备对同一个病人进行多次成像，以便同时从几幅图 像中获得信息，进行综合分析。如c t 图像肝实质信息清晰，但只能显示较大的 血管，而d s a 图像血管成像清晰，可以显示细微血管，但不能显示肝实质等除血 管之外的人体组织。在对医学图像进行综合分析之前，首先要解决这些图像的严 格对齐问题，即医学图像配准，否则，对其的综合分析是毫无意义的。传统做法 是医生通过肉眼对这些图像进行观察，然而这种做法常常带有较强的主观性，经 常会存在误差。因此，需要借助计算机来实现。图像配准可以分为单模图像配准 和多模图像配准。单模图像配准是指在同一设备不同时间得到的图像的配准：多 模配准是指在不同设备不同时间得到的图像的配准。 虚拟手术计划系统是计算机3 d 虚拟现实技术在医学领域的应用的产物，医 生可借助该手术计划系统进行手术预演，合理制定手术方案，指导临床手术计划。 对于选择最佳手术路径、减小手术损伤，预测治疗效果，提高病人术后生存质量 有重要意义。虚拟手术计划系统还可用于手术培训和解剖教学，虚拟手术提供给 医生重复练习的条件，减少了对昂贵的实验对象的需求，减少名医成才中病人付 出的代价，极大降低了手术的风险。 作为厦门大学肝癌手术计划系统的组成部分，本文研究的是c t 图像与d s a 图像的分割、配准、融合问题，先把感兴趣的组织从相应图像中分割出来，再对 其进行配准融合操作。本文希望可以通过计算机的应用，提高相关图像的分割精 度及配准效果，使其能够尽快地应用到临床中，更好地为临床诊断和治疗服务。 1 2 国内外研究现状 图像分割是图像处理与图像分析中的一个经典问题。目前针对各种具体问题 己经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。 但是由于图像分割问题所面向领域的特殊性，至今尚未得到圆满的、具有普适性 的解决方法。 第一章绪论 医学图像分割经历了一个从人工分割到半自动分割最后到自动分割的过程。 早期的人工分割是让医生利用手工描绘出所需部分的边界，然后提取出所要解剖 结构的区域信息，这是一个十分繁琐的重复性工作，工作量大，且容易让人厌烦， 容易导致出错，且分割精度不易保证。随着计算机技术的发展及图像处理技术的 发展，半自动分割方法逐渐取代了人工分割方法。半自动分割法是凭借医生的经 验以及对图像知识的理解，通过一定的人机交互，由计算机完成分割，具有较快 的分割速度和比较高的分割精度，是人工分割技术后的一大突破，现在广泛的应 用于各种大型医院的临床医疗中。但是半自动分割技术受操作者的经验与知识限 制比较大。使得半自动分割很难再实现比较大的突破【3 1 。近年来，大量新概念和 新方法被引入到图像分割领域，如这几年逐渐引起人们重视的模糊算法f 4 1 、神经 网络【5 1 小波分析等理论都先后被应用于医学图像分割领域。 图像分割是图像后续分析处理的基础，图像分割的结果将直接影响到后续工 作的准确性。图像配准是建立在图像准确分割的基础上的，本文研究的内容是在 图像分割的基础上c t 图像与d s a 图像的配准融合问题。 d s a c t 的配准在国内外有一些研究，韩国学者h e l e nh o n g 提出了一种基于 体数据的c t - d s a 配准的方法，用于确定颅内动脉瘤的位置及大小，该方法可以 在不分割骨头的情况下找到动脉瘤，可以应用于检测脑动脉瘤的早期诊断，并帮 助外科医生进行安全和适当的外科手术或血管内治疗【6 1 。美国j u li e n t 等人提出 了一种3 d 2 d 配准的方法，先得到三维血管模型，再将其与两张垂直相交的d s a 图像进行配准。此方法适用于肝内门静脉的配准，速度快，配准准确。缺点有： 使用的是刚性配准，忽略了静脉的运动。配准的起始点很重要，如果起始点和最 终的配准点很接近的话，配准可以很快完成并且精度很高，否则，在很多情况下 配准都会失败1 7 1 。美国t r o h l f i n g 等人提出了一种基于灰度的头颈、腹部的 c t - d s a 非刚体配准方法，用于减少c t 图像造影前后因器官运动造成的伪影。该 方法使用一个统一的控制点栅格，计算b 样条形变，并以归一化互信息法作为相 似测度，可以大大减少由于刚体运动造成的运动伪影，但处理时间较长，一般要 几个小时【8 】o 上海交通大学做过d s a - c t 图像无框架配准的研究，需要在病人头部安放标 记点，拍摄两个角度的d s a 投影图片，取得了很好的配准效剽引。东南大学也有 在体肝脏d s a - c t 图像分割配准技术的研究 做过关于2 d 一3 d 医学图像配准的研究，以c t 数据重建后产生d r r 图像模拟x 射 线刚1 0 】。南方医科大学陆态、鲍旭东等人对c t 图像进行d r r 重建，用改进s l n c 函数评价其与x 线透视图像的相似性，利用与b r e n t 相结合的p o w e l l 优化方法， 搜索出相似性最大时的投影变换参数。此研究利用基于灰度的相似性测度一改进 的s l n c ，结合p o w e l l 优化方法，对人体右膝关节侧位片以及c t 数据进行了配 准实验，避免了对于图像的几何特性进行分割以及手术侵入的风险，实验取得了 较好的效果，但没有说明实验的时间复杂度，且对图像的手工处理较多【l i 】。东南 大学梁玮等人提出一种基于互信息的2 d 一3 d 医学图像配准方法，将此方法用于 x 线透射图( 由d r r 模拟) 与c t 体数据的配准，对具体实现方法进行了探讨，用 数据采样和灰度级压缩的方法对体数据进行预处理，通过改变平行光入射角度， 计算不同方向的d r r 图像，用互信息方法配准d r r 图像，得到了较好的2 d 一3 d 图像配准效果。使用以单纯形为基础的模拟退火算法作为优化算法，则克服了其 他搜索算法的弊端。与单纯形法的结合提高了收敛效率。用最大互信息作为图像 配准的相似性测度，不需要进行图像分割和特征提取，因而避免了预处理造成的 精度损失。但是当图像灰度范围增大时，配准过程型1 2 】。 这些研究都取得了一定的成果，但是这些研究成果仍存在一定的局限性，不 能直接使用于肝脏d s a c t 的图像配准过程，并不能适合临床的实际需求。例如 这些研究大都是以头部图像、关节图像等骨骼清晰的图像为研究对象而展开的， 有的研究需要事先设定标记点，有的研究只能对垂直相交的d s a 图像进行配准。 有的虽然取得了较好的配准结果，但手工干预大，配准的计算工作量大，很难投 入实时应用。肝脏d s a 图像由于其位于腹部及自身的运动，在造影时不能方便的 设定标记点。而c t 成像事先只能知道其大概的成像角度。为减少计算工作量、 提高配准精度，本文先对c t 及d s a 图像进行分割，再对c t 图像进行重建投影， 并用投影图像对d s a 进行配准，取得了良好的效果。 1 3 本文的研究工作及创新之处 本课题作为卫生部一福建省卫生教育联合攻关计划项目：数字化虚拟肝脏及 手术计划系统( 卫生部联合基金项目批号：w k j 一2 0 0 5 2 0 0 1 ) 和福建省科技计划 项目：数字虚拟器官群及临床应用( 之- - ) 肝癌手术计划系统( 福建省科技重 第一章绪论 点项目：2 0 0 5 y 0 0 1 8 ) 的一部分，合作单位有福建医科大学和厦门市第一医院放 射科。本文的主要工作集中在两个方面：c t 图像中肝实质及肝血管的分割重建、 d s a 图像中血管的分割；c t 血管投影图像与d s a 图像的配准。 为了能最终实现肝轮廓和d s a 瞬像的融合，本文首先慰殴肝实质进行了分 割。传统的手工分割速度漫，王作繁杂，而且，主观性很强。本文实现了静神 经网络对c t 图像肝实质的分割，并对其进行了三维重建。本文比较了不同的分 割算法，选择了改进的三维区域生长法对肝血管进行了分割。对于d s a 图像，本 文采用了手工选取多个种子点的区域生长法，以半手工的方式进行了分割，分割 准确，且基本上不需入工干预。 本文对分割出来的疆翳血管及d s a 翳盎管进行了配准研究。在重建三维肝 血管的基础上，制定算法对肝血管进行任意焦度的投影，并对投影图像和d s a 图 像进行了预处理。对c t 图像及d s a 图像的特点，研究图像的刚体变换以及图像 捅值算法；求解最优配准变换参数的最优化方法；针对目前已有的条件，研究配 准结果的评价方法；将配准后的图像进行融合，实现用户的交置。 本课题的创新主要包括以下凡点： 1 ) 根据e 王图像的特点，使用韶神经网络算法对c l 图像的肝实质进行分割， 此方法具有较强的自学习性、自适应性及鲁棒性；以半交互的方法进行c t 血管 的三维区域生长法分割。 2 ) 实现了c t 血管图像的三维重建和所得三维血管丛模型任意角度的二维投影 算法。先得弼一个沿任意轴旋转角度的方法，再将任意角度划分为方位角( a z ) 和俯视角e 1 ) ，并用绕任意轴旋转的方法对三维数据进行a z 及e 王焦度的旋转， 从覆得到最终的投影数据。 3 ) c t 三维血管局部切割算法。为便于与d s a 灌注所观察到的局部衄管丛进行 配准，提出了种三维血管局部切割算法。此方法有效的利用了d s a 的成像原理， 相比穷举法，在速度上有了很大的改善。 4 针对c t 图像的特点，设计了一种改进的配准算法，将p o w e ll 、b r e n t 法等 优化方法应用于配准过程，大大提高配准速度。 s 在体肝脏d s 帆t 图像分割配准技术的研究 1 4 本文的组织结构及章节安排 本文将主要从以下几个部分进行阐述： 第一章主要介绍课题的背景意义以及国内外的一些研究现状，并介绍了本文 的主要研究工作及创新之处。 第二章主要介绍一些常用的医学图像分割算法及医学图像配准技术中的一 些关键理论。 第三章主要介绍了使用b p 神经网络分割c t 图像序列的肝实质。 第四章主要是研究有效的分割算法，从c t 肝实质图像中分割肝血管，并对 肝血管进行三维重建：从d s a 图像中分割出血管图像。 第五章主要研究了c t - d s a 的配准算法。针对建立好的c t 血管三维模型，设 计相应的算法对其进行投影变换，分别对c t 二维投影图像与d s a 血管图像进行 居中、缩放、平移等预处理操作，然后对其进行配准，得到最适合的配准角度， 并根据配准参数将肝实质轮廓及肝血管信息融合入d s a 图像中去。 最后是总结和展望，总结本文的工作，并提出进一步深入研究、改进的一些 构想。 第二章医学图像分割及配准概述 第二章医学图像分割及配准概述 本章简要的介绍了医学分割及配准技术中的一些关键理论，是后续章节实现 分割及配准过程的理论基础。 2 1 医学图像分割概述 所谓图像分割是指将图像中具有特殊涵义的不同区域分开来：这些区域是互 相不交叉的，每个区域都满足特定区域的一致性【i3 1 。医学图像分割是提取医学图 像中特殊组织的定量信息所不可缺少的手段，同时也是可视化实现的预处理步骤 和前提。分割后的图像正被广泛应用于各种场合，如诊断，病变组织的定位，解 剖结构的学习，治疗规划和计算机指导手术4 1 。 图像分割是图像处理、图像分析和计算机视觉等领域最经典的研究课题之 一，也是最大的难点之一。它是医学图像处理的关键技术之一，目的是在有噪声 背景的图像中确定出目标物。目前在图像分割方面仍然没有可以通用的理论和方 法。从指导思想上看，图像分割方法可以分为两种体系：以计算机为单一执行者 的自动分割方法和人机结合的交互式分割方法。医学图像的许多应用都依赖于对 图像中目标轮廓的准确提取，边缘识别是图像分析的基础。在图像边缘识别的过 程中，采用全自动的识别方法提取图像的轮廓是不现实的。因为现有的全自动识 别方法只能用于被提取的目标轮廓非常简单的情况，才能获得较好的效果：对于 图像结构较复杂，并且有缺损时，采用全自动识别的方法产生的结果就可能与期 望的结论相差很远，即使随后采用人工修补，也很费时，并且结果的重复性差【1 5 】。 于此相反，先人工初始化，在采用全自动识别方式就有了明显的优点。该方式仅 仅采用有限的人工此相反，先人工初始化，在采用全自动识别方式就有了明显的 优点。该方式仅仅采用有限的人工，粗略地勾画出轮廓的边缘，再通过特定的参 数优化定义轮廓【1 5 1 【1 6 1 。图像分割的算法研究多年来一直受到人们的关注，现有 的分割算法非常多。根据分割的定义，相邻的像素具有不连续性和相似性，区域 内部的像素一般具有某种相似性，而在区域之间的边界上一般具有某种不连续 4 体# md s a - c t 目”“准# 术的“宄 性。分割算法可据此分成利用区域问特性不连续的基于边界的算法和利用区域内 特性相似性的基于区域的算法。 根据分割的定义，相邻的像桑其有不连续性和相似性区域内部的像素一般 具有某种相似性而在区域之间的边界上一般具有某种不连续性。分 4 算 圭可据 此分为利用区域司特性不连续性的基于边缘的算法和利用区域内特性相似性的 基于区域的算法。 2 11 基于边缘的分割 基于边缘的分割方法主要基于图像荻度级的不连续性，它通过检测不同均匀 区域之间的边界米实现对图像的分割，这与人的视觉过程有些相似。依据执行方 式的不同这类方法通常又分为串行边缘检测和并行边缘检测。 21 11 串行边缘检测 串行边缘检测首先要检测出一个边缘起始点，然后根据某种相似性准则寻找 与前一点同类的边缘点，这种确定后继相似点的方法称为跟踪。根据跟踪方法的 不同，这类方法叉可分为轮廓跟踪、光栅跟踪和全向跟踪三种方法。全向跟踪可 以克服由于跟踪的方向性可能造成的边界丢失，但其搜索过程会付出更大的时问 代价。串行边缘检测的优点在于可以得到连续的单像素边缘，但是它的效果严重 依赖于初始边缘点，由不恰当的初始边缘点可能得到虚假边缘，较少的初始边缘 点可能导致边缘漏检。 _ t 簟 1 。1 ： - t 图2 一l 轮廓跟踪算法 示意图 彰一? 图2 2 分割出肝实质及 血管的c t 图像 图2 - 3 使用轮廓跟踪法 得到图像边缘 第二章医学图像分割及稿已准概述 2 1 1 2 并行边缘检测 并行边缘检测遗常借助空闻域微分算子，逶过其模板与图像卷积完成，因而 可以在鑫个像素上同时进行，从而大大降低了时间复杂度。 图像函数f ( x ，y ) 在点( x ，y ) 的梯度向量是 v f ( x , y ) 攀a f ( 盏x , y ) i + a f ( x ，, y ) i ( 2 - 1 ) 梯度筐反映了该点的边缘强度，其方向为： 幽= 毒 ( 掣) ( 掣) 髀2 ， 梯度值大小为： 始，加，( 驾玛z + ( 避业) z ( 2 - 3 ) 馨苏 o y 所有基于一阶微分的边缘检测器之闻的根本区别是算子应用的方向以及在 这些方向上逼近一维导数豹方式和这些近似值合成为梯度幅值的方式。常见的微 分算子有r o b e r t s 算子、l a p l a c i a n 算子、s o b e l 算子、p r e w i t t 算子、k i r s h 算 予、c a n n y 算子等。 下面应用几个经典的边缘检测算子检验其对卵图像的分割效果。 2 1 1 2 1r o b e r t s 算予 r o b e r t s 边缘检测算子是一种利用局部差分算子寻找边缘的算子【l s l ，检测 图像像素灰度在水平方向或者垂直方向上的变化。图像点( x ，y ) 的梯度f ( 肌力 的幅度是焉方向差分的均方僮来近似，由下式给出： g ( x ，y ) 芝 蝻一歹彳；丽f + x f f ( x + l , y ) 一7 丽j 2 托( 2 - 4 ) 其中f ( x ，力是具有整数像素坐标的输入图像，平方根运算使该处理类似于 人类视觉系统中发生的过程。它是一种利用局部差分算子寻找边缘的算子，对具 有陡峭的低噪声图像效果较好。 9 在体肝脏d s a _ c t 图像分割配准技术的研究 ， 划 s x = 纱g + l ，y - 1 ) + 2 f ( x + 1 ，y ) + 厂g + l ，y + 1 ) ) 一扩g 一1 ，y 1 ) + 2 f ( x 一1 ，y ) + 厂( j 一1 ，y + 1 ) s y = c 厂g l ，y + 1 ) + 2 f ( x ，y + 1 ) + 厂g + l ，y + 1 ) 一杪g l ，y - 1 ) + 2 f ( x ，y 1 ) + g + l ，y 1 ) ) ) 雕 只= 杪g + l ，y - 1 ) + f ( x + l ，y ) + g + l ，y + 1 ) - f ( x - l ，y 1 ) + 厂g 一1 ，y ) + ( x 一1 ，y + 1 ) ) 0 = f ( x - 1 ，y + 1 ) + 厂g ，y + 1 ) + g + l ，y + 1 ) - f ( x - 1 ，y - 1 ) + f ( x ，y 1 ) + g + l ，y 1 ) ) 声更明显。 糕 c a n n y 边缘检测【1 9 1 是最优的阶梯型边缘检测算法。c a n n y 对边缘检测质量进 * $ * 目m * “e 概n 行分析，提出了判定边缘检测算子的3 个准则：信噪比准则、定位精度准则和单 边缘响应准则，并发现高斯函数的一阶导数是最佳边缘检测算子的一个较好的近 似。c a n n y 算子是高斯函数的一阶导数： 咖，= 斗专爿 进行边缘检测时，用g ( x ，y ) 的一阶微分对图像滤波，得到图像f ( x ，y ) 每个 像素在，方向和y 方向的滤波结果为型! 掣和翌! 掣，则由公式2 2 和2 - 3 得 甜甜 像素梯度方向为日化计，幅值为g “，) 。 c a n n y 边缘检测算于在检测标准( 不丢失重要的边缘，不应有虚假的边缘) 和 定位标准( 实际边缘与检测到的边缘位置之间的偏差最小) 这两个标准上是最优 的。它是具有平滑功能的微分算子，可以克服噪声的影响。 图2 7c t 图像图2 - 8r o b e r t s 分剖结果图2 _ 9s o b e l 分割结果 习匮 图2 1 0p r e w i t t 分割结果图2 - 1 lc a n n y 分割结果 从上述算法的分割结果来看，使用基于边缘检测的分割算法难以从原图中直 在体翳莠疰d s a - c t 圈豫分割琵准按米鹣研究 接分割出肝脏表面轮廓。虽然c a n n y 算子的边缘检测算法效果相当不错，已经基 本上可以将图像中不连续区域划分开来，但其不能得到连续的单像素边缘，其得 到的肝脏形状不完整，焉这对于医学图像的分割来说是至关重要的，因此，上述 算法难于直接应焉予医学图像分割。在本文中，用基予边缘的分割法提取肝实质 的轮廓，并将提取出来的肝轮廓融合到d s a 图像中去。 2 1 2 基于区域的分割 基于边缘检测的分割算法可以得到图像的边界，而我们课题感兴趣的目标是 肝脏断层扫描数据中的肝实质、肝姐管等连续区域的图像，基于区域的分割算法 更适合实现遮一目标。常见的基于区域的算法包括阈值分割法和区域生长法两 种。 2 1 2 1 阈值分割法 闽值处理是一种区域分割技术，将灰度根据主观愿望分成两个或多个等间隔 或不等间隔的灰度区间，它主要是利用图像中要提取的目标物体和背景在灰度上 的差异，选择一个合适的阈值，通过判断图像中的每一个像素点的特征属性是否 满足阗值的要求来确定图像中该像素属于目标区还是背影区域。使用阈值法进行 分割时，阕值的选取成为能否歪确分割麴关键。如累阂值选取褥过高，则过多的 目标区域被选为背影；如果阈傻选取得过低，则过多的背景将被划分到目标区1 2 0 1 。 图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适 用于目标和背景占据不同灰度级范围的图像。图像闽值化的目的是按照灰度级， 对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域， 各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可 以透过从灰度缓出发选取一个域多个阂值来实现 2 。 阈傻方法分为全局阈值程局部阑值两种，如果分割过程中对图像上每个像素 所使用的阈值都相等，则为全局阈值方法；如果每个像素所使用的阈值可能不同， 则为局部阂值方法。最佳全局闽值确定的常用方法一般有下面几种：试验法、直 方图法和最小误差法( 这种方法假设背景和前景的灰度分布都是正态分布的) 。当 光照不均匀、有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有合 第篡章医学图像分割及l i 已准概述 适的单- r l 限，因为单一的阈值不能兼顾图像各个像素的实际情况。这时，可对 图像按照坐标分块，对每块分别选一个阈值进行分割。这种与坐标相关的阀值 称为动态阈值方法，也称为自适应阈值方法。这类方法的时间和空间复杂度比较 大，但是抗噪声熊力比较强，对采糟全局阚值不容易分割的图像有较好的效果。 皇适应阂值选取的比较简单的方法是对每一个像素确定以它为中心的一个邻域 窗口，计算窗口内像素的最大和最小值，然后取它们的均值作为阈值。 2 。l 。2 。2 区域生长法 区域生长法( r e g i o ng r o w i n g ) 是图像分割领域一种行之有效的方法。其基 本思想就是把一幅图像分为许多小韵种予区域。这些初始区域可能是个像素或 是小的领域。在每个区域中，利用恰当定义的能反映个物体虎部成员隶属关系 的准则对临近的像素进行判断，如果它们是物体的一部分，则将它们加入区域。 这一过程一直持续到没有新的像素被加入区域为止。 2 1 2 2 1 连续阈值法 判定像素是否在生长区域内的个简单的准则是检验像素的灰度值是否落 在一个指定的区间内。这个方法就是连续阈值法( c o n n e c t e dt h r e s h o l d ) 【2 2 1 。 连续阈值法使用的准则是基于用户提供的灰度区间。用户提供区间的最小值 l o w e r 和最大值u p p e r 。如果邻近像素的像素值落在区间内，区域生长算法会将 像素包含入生长区域。 兰( x ) 【l o w e r ，u p p e r 】 其中歹表示图像像素僮的遗数，善表示待判定的像素点的位置。 应用连续阐值算法对实验图像2 - 1 2 进行分割。取种予点为( 1 5 0 ，2 0 0 ) ，阈值 区间取为 1 4 0 ，2 5 0 时，实验结果如图2 一1 3 所示。 2 1 。2 2 2 邻域连续阈值法 以一个像素的所有邻近像素是秀包含在用户指定的区间内为准则，判定这个 像素是否包含在生长区域内。这种方法被称为邻域连续阈值法( n e i g h b o r h o o d c o n n e c t e d ) 。与连续阈值法不同的是，连续阈值法只要一个像素的值落在指定区 间内。就会被包含在生长区域内。 1 3 在体肝脏d s a - c t 图像分割配准技术的研究 像素的邻域大小由用户给定的整数半径来决定。用邻近像素值来代替当前像 素值，可以降低小结构被并入生长区域的概率。这相当于对当前像素应用连续阈 值法后，再对其进行一次数学形态上的腐蚀。 应用邻域连续阈值算法对实验图像2 1 2 进行分割。取种子点为( 1 5 0 ，2 0 0 ) ， 阈值区间取为 1 2 2 ，2 5 0 ，邻域半径取为l 时，实验结果如图2 - 1 4 所示。 2 1 2 2 3 置信连续阈值法 以当前区域的统计特性为准则，判定像素是否包含在生长区域内。这种算法 被称为置信连续阈值法( c o n f i d e n c ec o n n e c t e d ) 。算法将当前像素的邻近区域内 像素值落在一定区间内的像素包含入生长区域。这个区间的确定方法是：先计算 当前生长区域所有像素灰度值的均值和标准方差。再将用户提供的因子乘以标准 方差，定义一个均值附近的区间。如公式 ，( x ) “所一弦，珊+ 归】 其中i i 旅示均值，o 主际标准方差，f 表示用户指定的一个因子。 如果邻近区域中再没有满足这一准则的像素，算法将完成第一次迭代。这时， 重新计算当前生长区域内所有像素的均值与标准方差。它们定义了一个新的区 间，判定新邻域的所有像素值是否落在这一区间。如此迭代，直到没有更多的像 素包含入生长区域或到达迭代最大次数。 应用置信连续阈值算法对实验图像2 1 2 进行分割。取种子点为( 1 5 0 ，2 0 0 ) ， 邻域半径取为1 ，f 因子取为2 ，迭代次数取为1 0 ，实验结果如图2 - 1 5 所示。 2 1 2 2 4 孤立连续阈值法 孤立连续阈值法( i s o l a t e dc o n n e c t e d ) 需要用户提供两个种子点和一个区间 的上限下限阈值。生长区域只与第一个种子点相连，而不与第二个种子点相连。 算法使用二分查找法找到一个灰度值，自动确定第一个种子点的另一个阈值。此 值能确保两个种子点不相连。孤立连续阈值法较适合分割邻近的，难于分解的解 剖结构。 应用孤立连续阈值算法对实验图像2 1 2 进行分割。取种子点分鬟为( 1 5 0 ，2 0 0 ) 和( 1 3 8 ，2 0 3 ) ，邻域半径取为1 ，最高阈值取为2 0 0 ，实验结果如图2 一1 6 所示。 * = $ e 学目* 分& 配溉 图2 1 2 用于分割的图片圈2 1 3 连续阏值图21 4 邻域连续阈值 同f 图21 5 置信连续阕值图2 一1 6 孤立连续阕值 2 2 医学图像配准概述 各种医学成像模式都有其自己的特点并提供人体不同特征的信息，如c t 图 像对骨组织比较敏感有很好的分辨力，而对于其他敦组织的分辨力不佳；m r i 图像正好与之相反，对软组织有请晰的解释；p e t 图像主要反映身体各部分的代 谢情况，正好弥补了常规c t 、m r i 对功能成像方面的不足；d s a 图像可以清晰的 显示微细的血管，但无法显示其他的组织。因此有必要对这些不同模态的图像 进行融合，得到更全面的信息，以利于医生诊断。要将不同模态的图像提供的信 息进行融合，首先要使两幅图像在空间上的排列保持一致，这个过程就是图像配 准 2 3 l 。 医学图像配准是指对于一幅医学图像寻求一种或一系列空间变换，使它与另 一幅医学图像e 的对应点达到空间上的一致。这种一致是指人体上的同一解剖点 在两张匹配图像上有相同的空旬位置。配准的结果应使两幅图像上所有的解剖 在体肝脏d s a - c t 图像分割配准技术的研究 点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。 2 2 1 医学图像配准原理 图像配准用数学语言描述，就是要在两个数据集之间确定一个函数映射f ， 使其满足：f ( x ，y ) 一厂( 工，y 。) ，其中( x ，y ) 和( 工。，y ) 分别为两幅图像中的对应点。 具体地，对于在不同时间或不同条件下获取的两幅图像i l 和1 2 配准，首先要定 义一个相似性测度，并寻找一个空间变换关系，使得经过该空间变换后，两幅图 像间的相似性测试达到最大，使图像i i 上的每个点在图像1 2 上都有唯一的点与 之相对应。即s ( t ) = s ( i 。，t 。1 2 ) 。其中s 是相似性测度，t 为图像空间变换。配 准过程可归结为寻求最佳空间变换的过程：t = a r g m a x ( s ( t ) ) 】。由于空间变换 r 包含多个参数，可见这是一个多参数最优化问题，可以由迭代过程实现： 丁= 丁+ 丁。相似性测度的选择是图像配准中最重要的步骤之一，决定如何确 定配准变换，不同的配准方法中，要选择与之相适应的相似性测试。由于医学图 像配准本质上是多参数最优化问题，因此，优化算法的选择也是图像配准的主要 工作之一，常见的优化算法有：非线性规划、遗传算法、模拟退火、p o w e i i 等。 2 2 2 医学图像几何变换 由上述医学图像配准原理可知，将一幅图像i i 与另一幅