（计算机软件与理论专业论文）基于目标形状的脑CT图像特征提取.pdf

摘要 摘要 医学图像的分割和特征提取是医学图像处理中的关键技术，它们是医学图像识 别的前提并为计算机辅助诊断提供了重要的信息礴 征提取是标识图像的关键一步， 如何准确、充分的提取图像信息，并以适当的方式表示出来，将直接影响分类的精 度和效率。 形状信息不会随物体的颜色发生变化，是物体稳定的特征。因此，形状特征既 是图像的核心特征，又是进行图像识别的关键信息之一。 本文根据脑c t 的特点，对脑c t 图像分割和形状特征提取进行了研究。首先， 本文在深入分析脑c t 图像的基础上，根据c t 图像不同层面的具体结构，采取了 不同的分割方法：改进的自适应阈值算法和改进的区域增长算法。从实验结果来看， 取得了比较理想的效果，为后续的特征提取打下了良好的基础。其次，结合脑c t 图像病症特点，为了获取最佳特征组合，根据图转树的思想，实现了一种综合考虑 相邻部位个数提取形状特征的方法。通过对临床病例数据的检验分析，表明该方法 能获得较高的诊断正确率。 关键词形状特征；图像分割；特征提取；医学图像 a b s t r a c t a b s t r a c t m e d i c a “m a g es e g m e n t a t i o da n df e a t u r ee x t r a c t i o n2 u r ek e yt e c h n o l o g i e si nm e d i c a i i m a g ep r o c e s s i n g t h e ya r et h ep r e m i s eo ft h em e d i c a li m a g er e c o g n i t i o na n dp r o v i d e c o m p u t e r a i d e dd i a g n o s i sw i t l li m p o r t a n ti n f o m l a t i o n f e a t u r ee x t r a c t i o ni sak e ys t e po f i d e n t i f y i n gi m a g ea n di s o n eo ft h ek e yr e s e a r c ht e c h n o l o g i e so fc o m p u t e r - a i d e d d i a g n o s i s h o wt oa c c u r a t e l ya n d 向l l ye x t r a c ti m a g ei n f o m a t i o na n dt oe x p r e s si ti na s u i t a b l ew a yw i l ld i r e c t l ya f f e c tc l a s s i 行c a t i o np r e c i s i o na n de f j f i c i e n c y s h a p ei n f o m a t i o nw i l ln o tc h a n g ea l o n gw i t ht h eo b je c tc o l o ra n di s s t a b l e c h a r a c t e r i s t i co ft h eo b j e c t t h e r e f o r e ，s h a p ei n f o m a t i o nn o to n l yb e c o m e st h ec o r e f e a t u r e sb u ta l s oc 龇r i e so nk e yi n f o 咖a t i o no fi m a g er e c o g n i t i o n a c c o r d i n gt oc h a r a c t e r i s t i c so ft 1 1 e b r a i nc t b r a i nc ti m a g es e g m e n t a t i o na n d s h a p ef b a n l r ee x t r a c t i o na r es t u d i e di nt m sp a p e r f i r s t ， a c c o r d i n gt ot h es p e c i f i c s t r u c t u r ea td i 疗e r e n tl e v e l s ，t 1 1 i sp a p e ri m p r o v e sd i f r e r e n ts e g m e n t a t i o na l g o r i t h m so nt h e b a s i so fi n d e p t ha n a l y s i so fb r a i nc ti m a g e ：i m p r o v e da u t o - a d a p t e dt h r e s h o l dv a l u e a l g o r i t l l ma n di m p r o v e dr e g i o ng r o 、t ha l g o r i t h m t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h e a l g o r i t h m sa r ee f f e c t i v e i ti sa l s oag o o df o u n d a t i o nf o rt 1 1 ef e a t u r ee x t r a c t i o n s e c o n d ， i no r d e rt og e tt h eb e s tc o m b i n a t i o no ft h ef e a t u r e s ，t h i sp a p e ra c h i e v e sam e t h o dt h a t e x t r a c t st h es h a p ef e a t u r ec o n s i d e r i n gt h ea d ja c e n tp a r t sb a s e do nt h ei d e ao fc h a r t t r a n s f e r r i n gt r e ea n dt h ec h a r a c t e ro ft h eb r a i nc ti m a g e a c c o r d i n gt ot h ee x 锄i n a t i o n a n da n a l y s i so fc l i n i c a lc a s e s ，i ts h o w st h a tt h em e t h o dc a no b t a i nah i g h e rd i a g n o s t i c a c c u r a c y k e y w o r d ss h a p ef e a t u r e s ；i m a g es e g m e n t a t i o n ；f e a t u r ee x t r a c t i o n ；m e d i c a li m a g e 河北大学 学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本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的研究成果，也不包含为获得河北大学 或其他教育机构的学位或证书所使用过的材料。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致谢。 作者签名：磐二么查砬企日期：丝垄年月二l 同 学位论文使用授权声明 本人完全了解河北大学有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅 和借阅。学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他 复制手段保存论文。 本学位论文属于 l 、保密口，在年月同解密后适用本授权声明。 ， 2 、不保密酣。 ( 请在以上相应方格内打“) 作者签名：盥盈壁垒 剔醛轹专雠一 日期：丛年月土同 日期：趟年上月上同 保护知识产权声明 本人为申请河北大学学位所提交的题目为( 基于目标形状的脑c t 图像 特征提取) 的学位论文，是我个人在导师( 王熙照) 指导并与导师合作下取 得的研究成果，研究工作及取得的研究成果是在河北大学所提供的研究经费 及导师的研究经费资助下完成的。本人完全了解并严格遵守中华人民共和国 为保护知识产权所制定的各项法律、行政法规以及河北大学的相关规定。 本人声明如下：本论文的成果归河北大学所有，未经征得指导教师和河 北大学的书面同意和授权，本人保证不以任何形式公开和传播科研成果和科 研工作内容。如果违反本声明，本人愿意承担相应法律责任。 声眠盟盈监嗍丛年月土同 作者签名：码馋林日期：丝年月二l 同 导师签名：妇争一日期：丝年月上r 第1 章绪论 1 1 课题背景及意义 第1 章绪论 近年来，随着医学影像技术的发展，医学影像诊断和介入治疗的效果提高到了一个 新的水平，有力的促进了临床医学的发展。因此，医学影像学作为现代医学一项基本诊 疗手段，占有越来越重要的地位。 在临床应用领域，随着医院的信息化水平不断提高，许多医院收集了大量病人的医 学影像和其它的有关医学参数，为计算机的辅助诊断创造了良好的硬件条件。将计算机 技术引入到医生的诊断过程中，可以极大地提高诊断的同一性，减少个体差异和主观性， 并部分地代替人的劳动，解决医生受到智力、经验、情绪、精力等各方面因素影响的诊 断的准确性与效率。 如何充分利用以前的确诊病例和医生的诊断经验加上当前病人的信息，使计算机帮 助医生快速、有效地正确诊断疾病，是计算机辅助医学诊断系统的目标。医学诊断的准 确性在很大程度上取决于对医学图像的解释，充分利用医学图像信息提高医学诊断的精 度是计算机辅助诊断的关键。 医学图像的分割和特征提取是医学图像处理中的关键技术，它们是医学图像识别的 前提并为计算机辅助诊断提供了重要的信息。 所谓图像分割【i 】就是要将图像表示为物理上有意义的连通区域的集合，其目的是将 原始的图像划分成不同性质( 如狄度、纹理等) 的区域，根据目标与背景的先验知识，对 图像中的目标、背景进行标记、定位，从而把感兴趣的区域提取出来。因此，当目标从 背景中分离出来并且尽可能地接近解剖结果，它会为计算机辅助诊断提供可靠的依据。 图像分割是从处理到分析的转变关键，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转化为更抽象更紧凑的形式， 使得更高层的分析和理解成为可能。虽然人们已经进行了广泛而深入的研究，还没有一 种通用的分割算法对所有图像都有效，只能具体问题具体分析。因此，图像分割仍然是 具有挑战性的课题。 河北人学i ：学硕十学位论文 特征提取是标识图像的关键一步，如何准确、充分的提取图像信息，并以适当的方 式表示出来，将直接影响分类的精度和效率，它是计算机辅助诊断的关键研究技术之一。 形状特征既是图像的核心特征，又是进行图像识别的关键信息之一。形状信息不会随物 体的颜色发生变化，是物体稳定的特征。 尽管在这一领域已做了很多的工作，但由于医学图像的分类需要很高的精确度，因此 目前还没有一个广泛使用的用于医学图像的计算机辅助诊断系统。 1 2 研究状况 1 2 1 图像分割 图像分割一直是图像处理领域中的重点和难点。图像在分割后的处理，如特征提取、 目标识别等都依赖图像分割的质量，所以分割被视为图像处理中的瓶颈。在图像分割最 初发展的二十年里，人们主要研究了三种分割方法1 2 j ：阈值分割、边缘检测和区域。进 入八十年代以后，越来越多的学者开始将模糊理论【3 1 、遗传算法理论【4 1 和小波理论5 1 等 研究成果运用于图像分割的研究，取得了很大进展。图像分割技术从兴起到现在，算法 上得到了不断的改进和创新，己经取得了很大的进步。但由于图像种类的多样性，很难 用一个精确的数学公式来表征图像分割的过程。一般来说，对图像分割方法的选择都应 依据图像和目标而异。 1 2 2 形状特征 形状特征是人的视觉系统对物体的基本认识，它是刻画物体的本质特征之一。 1 9 6 1 年，m k h u l 6 j 引入矩不变量，将几何矩用于图像描述，给出了平移不变性、 旋转不变性和比例不变性的七个不变矩的表达式，为图像矩理论奠定了基石。这种矩不 依赖形状的位置、方向、以及比例大小，但是这种矩不能恢复图像。t e a g u e l 7 j 基于j 下交 多项式提出用正交矩来恢复形状，并且引入z e r n j k e 矩，而且可以构建任意高阶的独立 的矩不变量。与h u 矩相比，z e m i k e 矩的优点在于它是正交矩，能够构造任意的高阶矩： 并且还能够比较容易地从矩特征构造原图。由于z e m i k e 矩是一种积分运算，对噪声不 第1 章绪论 太敏感，主要体现的是目标的形状和大小的稳定性特征，因此这种矩在目标识别中也有 着广泛的应用。 f o 嘶e r 描述子是经典的形状描述方法【8 】，后来p e r s o o n 做了改进。该方法先用角累 加函数表示形状边界，然后对角累加函数进行f o 嘶e r 变换，用得到的系数来描述形状， 称为f o u r i e r 描述子。在一定条件下，它具有位移、旋转、大小、起点等不变性质。当 进行傅立叶变换以后，形状的局部信息都被分配到了所有的系数当中，已经不存在于频 域当中了。但是切线角与弧长的方法会受到噪声的干扰，因为它很难确定切线角的噪声 范围。对边界函数进行傅立叶变换，变换结果的系数用来描述形状。由于对弧长进行了 标准化，所以形状的描述对于比例的变化具有不变性。形状描述对于位置的变化也具有 不变性。物体形状的旋转只能引起傅立叶变换中相位的变化，然而傅立叶变换的系数的 数量级可以保证这种方法的旋转不变性。 1 3 本文主要研究内容 本文针对医学脑c t 图像的特点，提取医学c t 图像中相关部位的形状特征，取得 较好的分类效果，提高医疗诊断效率。 具体章节结构安排如下： 第l 章主要叙述了课题的背景、意义以及与本课题相关的国内外研究状况。 第2 章介绍了脑c t 图像的相关知识，包括c t 图像特点、颅脑解剖结构和c t 分 布特点。 第3 章介绍医学图像分割的常用算法，根据脑c t 不同层的结构特点，分别改进了 自适应阈值分割算法和区域增长算法。 第4 章介绍了形状特征的相关知识，实现了一种综合考虑相邻部位个数提取形状特 征的方法，通过对临床病例的检验分析，表明该方法能获得较高的诊断f 确率。 第5 章是本文的总结与展望。 河北人学j l ：学硕十学仿论文 第2 章脑c t 图像相关知识 1 8 9 5 年，外科医生伦琴【9 】发现了x 射线，首先应用于医学领域，利用x 射线观察 人体的内部解剖结构，第一次无创伤地为人类提供了体内器官组织的解剖形态图像，开 创了影像技术的先河。1 9 7 2 年x 线计算机断层成像技术( x - r a yc o m p u t e r i z e dt o m o g r a p h y ) 的出现奠定了现代医学影像学的基础。英国工程师h o u l l s f i e l d 和英国神经放射学家 a m b r o s e 一起将该技术首次应用于脑部扫描，获得了第一幅脑肿瘤图像，标志着人类进 入二维断层可视时代。1 9 7 4 年，由l e d l e y 设计成功全身c t 装置，c t 进入临床医学领 域，医学的诊断方式发生了翻天覆地的变化。 计算机断层扫描成像具有价格低、无创、快速、高分辨率、提供的解剖关系明确等 特点，在临床上得到了广泛应用。它对胸部、腹部和盆腔可以提供高分辨率的解剖图像， 被作为相关方面的首选检查手段。c t 成像技术有广泛的适用范围。c t 可用于体外定量 分析脏器功能、心脑器官代谢、脏器内部的细微结构分析、软组织肿瘤和癌的诊断等方 面。人们通过c t 可观察到不同器官、不同密度的各类组织在吸收x 射线上的差异而形 成的图像，从而对那些对比度低的软组织即过去不能诊断或难以诊断的血肿、水肿、梗 塞、萎缩等进行诊断。c t 成像技术有广泛的适用范围。 近2 0 年来，由于c t 装置、成像软件及扫描技术的不断更新和改进，出现了c t 血 管造影、超高速c t 、高分辨率c t 、螺旋c t 等技术，使得c t 技术在临床的许多领域 得到了应用，提高了诊断的准确度和可信度。可以说，c t 是当今医学影像技术中不可 缺少的重要手段。 2 1c t 图像成像原理和图片特点 七十年代初，计算机断层技术( c o m p u t e rt o m o 铲a p h y ) 的出现，使e m i 公司的g o d 厅e y h o u n f l e l d 荣获1 9 7 9 年的诺贝尔医学生物学奖。c t 的异军突起成为了放射医疗设备中 的一个重要组成部分。与常规x 线相比，c t 能检出相当微细的x 线吸收或衰减之差异。 通过医学影像可视化技术，充分利用医学图像中包含的丰富信息，揭示人体内部精细的 组织解剖信息，增强人们对人体结构和机能的理解，便于他们从多角度、多层次进行观 第2 章脯c t 图像相关知识 察，并对病变体或感兴趣的区域进行准确的定量分析，这无疑对提高影像数据的利用价 值有深远的意义，而且对提高临床诊断的准确性和正确性有很大益处。 2 1 1c t 成像原理 c t i l o 】是以x 线束从多个方面沿着检查部位扫过，被透射的部分构成一个薄层，我 们称之为欲成像的体层，又称断层。探测器接收透过层面的x 线，转变为可见光后，由 光电转换器变为电信号，再经模拟数字转接器转为数字，输入计算机处理。把体层按一 定的大小和空间坐标划分成许多小体积元，这些小体积元称之为体素。每个体素的表面 所形成的面积小元，称为像素，每个像素都与其体素一一对应，就形成与体素的空间位 置编码相应的像素数组。扫描信息经计算而获得每个体素的x 线衰减系数，再排列成数 字矩阵，经数字模拟转换器把数字矩阵中的每个数字转换为由黑到自不等灰度的小方块 ( 像素) ，按矩阵排列便构成c t 图像。所以c t 应属于重建的断层图像。 c t 的工作过程j ：( 1 ) 采集数据：当c t 扫描启动后，x 线通过源准直器、人体 和接收准直器到达探测器，使探测器取得丰富的密度信息，并把探测器取得的原始数据 进行一系列修正。( 2 ) 重建图像：将原始数据进行褶积和反投影运算，得出每个像素的 亮度值的过程。( 3 ) 图像显示：通过计算机软件的控制，对各个象素的位置、数值关系 进行编排，形成窗宽、窗位、格式、坎阶以及统计计算、字符注释等处理功能。然后经 数模转换，使每个象素在荧屏上表现不同的亮度显示出图像。 2 1 2c t 的图片特点 c t 图像实际上是人体某一部位有一定厚度( 如l m m 或1 0 l l 瑚) 的体层图像，是由 一定数目从黑到白不同的厌度像素成矩阵排列所构成。根据c t 的成像原理，这些像素 实际反映的是相应体素的x 线吸收系数。不同的c t 装置所得的图像像素大小及数目不 同。像素越小，越能分辨图像的细节，即图像的分辨率越高。 c t 图像中的像素是用不同的灰度来表示的，反映器官和组织对x 射线的吸收程度。 吸收率高的显示为白影，代表高密度区，如骨骼；吸收率低的显示为黑影，代表低密度 区，如肺部。c t 具有很高的密度分辨力。因此人的软组织密度差别虽小( 吸收系数多接 近于水) 也能形成对比成像。这是c t 的突出优点。c t 的另一个优点是，将组织对x 线 5 河北人学：i ：学硕十学位论文 吸收的吸收系数对应的密度高低的程度进行量化，换算 成c t 值【2 5 】，如图2 1 所示。用c t 值h u ( h o u n s f i e l d u n i t ) 来说明。水的吸收系数是1 o ，c t 值定为0 h u ， 人体中密度最高的骨皮质吸收系数最高，c t 值定为 + 1 0 0 0 叫，而空气的密度最低，c t 值则定为1 0 0 0 h u 。 相应的脂肪及软组织等一般分布在7 0 9 0 h u ；软组织 则分布在2 0 5 0 h u 。 在c t 成像技术中，c t 值与c t 图像是两个重要 概念，这里给出这两个概念的涵义【1 2 】。 c t 图像：c t 图像是真正的断面图像，显示了人 体某个断面的组织密度分布。通过数学方法对c t 原始 数据进行重建，得到图像矩阵，计算机把重建图像矩阵 中的各个像素转变为不同明暗的相应光点，通过显示设 备显示出来，这样就形成了受检层面的c t 图像。图2 一lc t 值分布 c t 值：x 线穿过人体的过程中，计算出每个单位容积的x 线吸收系数( 亦称衰减 系数p 值) 。根据各种组织对x 射线的吸收系数p 来决定，h o u i l s f i e l d 将线 性衰减系数划分为2 0 0 0 个单位，医学上称为c t 值，定义为： c 丁= 1o o o ，、 【一i i i ：。j 伽 ( 2 1 ) 即特定物质的c t 值等于该物质的吸收系数与水的吸收系数之差再与水的吸收系数相 比，然后乘以1 0 0 0 ，物质的c t 值越高，表明其密度越大。另外c t 值的大小还与x 射 线的能量有关，x 射线的能量越低则相同物质的c t 值会越大。 2 1 3c t 图像的窗宽与窗位 c t 图像主要的特点是分辨率高，对病变进行定性、定量分析的功能，医生可以根 据f 常组织和异常组织之间的c t 值差异诊断病情。 人体中密度不同的各种组织的c t 值通常在1 0 0 0 + 1 0 0 0 之白j 【13 1 ，通常c t 机只有 第2 章脑c t 附像相荚知识 1 个字节来显示扶度级，狄度图像撮高可显示2 5 6 个狄度级，所以为了最大不失真地显 示c t 图像各个不同组织的结构细节，将一些c t 值差别不太大的痛变部位明显区别出 来，引入了窗宽和窗位的概念。 窗宽【l ”是屏幕上显示的c t 值范围，在此c t 值范围内的组织和病变均以扶度图显 示，c t 值高于此范围的组织和病变，无论高出程度有多少，均以白色显示，反之，低 于此范围的组织结构，均以黑影显示。增大窗宽，则图像所示c t 值范嗣加大显示具 有不同密度的组织结构增多，但各结构之间的伙度差s 憾小。 窗位是将某一c t 值对应扶度级的中心位置，这个c t 值表示窗位，同样的窗宽， 窗位不同，其内c t 值也会有差异，例如窗宽同为1 0 0 h ( h 为c t 值的单位1 ，当窗位 为0 h 时，其c r 值范围为- 5 0 h + 5 0 h ；当窗位为+ 3 5 h 时，则c t 值范围为1 5 + 8 5 h 。 通常，欲观察某组织结构及发生的病变，应以该组织的c t 值为窗位。 通过上述方法对同一扫描层面正确选择不同的窗宽和窗位，可获得各种观察不 同组织结构的灰度图像，包括正常和病变组织的内部和外围细节。图2 2 给出了同一幅 c t 图在不同窗宽、窗位下观察的结果，其中含有脑出血病症。由此可以看出，c t 图像 内容复杂，且以相对差异值描述病变特征。 图2 2 不同窗宽、窗位下的一幅图的病灶区 总之，要获得较清楚且能满足诊断要求的c t 图像。必须选用合适的窗宽和窗位 否则不仅图像不清楚，还往往难以达到诊断要求，降低了c t 扫描的诊断教能。因此 本文根据医生的先验知识，统一选取了窗宽和窗位：密宽2 5 5 窗位1 2 7 。 堡些垒兰! 茎堡圭茎堡尘三 2 2 颅脑c t 的相关知识 22 1 解剖学知识 正常的颅脑结构【1 ”包括脑实质和脑脊液区域。颅腔由外向内分别覆盖着头皮、皮下 组织、帽状筋膜、血管、神经及紧贴颅骨表面的骨膜，这些结构统称为软组织；颅腔内 有脑膜、脑组织、血管及神经。脑膜由外向内分为硬脑膜( 紧贴颅骨内面) 、蛛网膜及软 脑膜( 紧贴脑表面) 在蛛网膜与软脑膜之间有一个腔隙，称蛛网膜下腔，其日j 充满对大 脑起保护作用的脑脊液。下方通过枕胃大孔与脊髓延续，颅底的形态结构不规则。颅内 的血管和神经均通过颅底部位的孔裂进出颅内。与颅底层面相比，邻近颅顶的部分结构 相对较为简中一从外向内分别是头皮颅骨和颅内结构。 图2 3 邻近颅底部的薄层c t 断层图像 根据颅脑c t 图像的组成区域代表的组织结构的不同。典型的颅脑c t 图像可分为 两大区域：即位于图像中央的圆形扫描野或称为视野( f i e l do fv j c w ) 和扫描野外的区 域。扫描野外区域像素的c t 值一般为+ 2 0 4 8 h u ，系矩形图像中圆形扫描野以外的区域， 不包括被检物体的影像，只有扫描野内的图像才是被检区域物体的影像。 22 2 颅脑c t 值分布 对于密度相同的组织结构，不同类型的设备不同次扫描的c t 值均基本上保持不变 按照组成人体头颅的不同组织成分，c t 值从火到小的次序，可将头颅分为骨组织、软 组织、脑组织、体液、脂肪和气体等6 种不同的组织成分。 第2 章脯c t 图像相关知识 表2 一l 正常颅脑c t 主要组成区域c t 值分布 组成区域c t 值 视场外 一2 0 4 8 头颅周围空气 一1 0 0 0 头垫 一9 0 0 头架 + 6 0 + 3 0 0 皮肤及皮下软组织 一2 0 0 + 6 0 颅骨 + 2 0 0 + lo o o 脑脊液 一2 0 + 2 0 脑组织 + 2 0 + 4 0 由表2 1 可以看出，正常颅脑各个组成区域的c t 值分布有以下规律： ( 1 ) 扫描野内头颅周围的空气和含气的头挚与头颅和头架的c t 值差异很大，它们之 间的c t 值范围也不重叠： ( 2 ) 颅骨的c t 值与临近的皮肤和皮下组织以及颅腔内组织( 包括脑脊液和脑组织) 的 c t 值也具有明显差异，它们的c t 分布值也不重叠： ( 3 ) 脑脊液与脑组织的c t 值差异虽然不大，但两者之间的c t 值分布对于正常人来 说也基本上不重叠； 5 嘲吣 薏3 2 0 0 1 0 0 o 2 珈2 0i 2 0 0 图2 5 颅脑c t 值频度分布 河北人学+ l ：学硕十学位论文 图2 5 所示的是图2 - 4 中不同组织成分的c t 值频度分布图，从中可以看出：不同 组织成分的c t 值分布既有明显的区别又有相互重叠。 对于大多数的脑c t 图像处理和分析的研究来说，研究的对象一般都是脑c t 图像 或其中的某一区域，而其它区域均为需要剔除的内容。因此，充分的了解脑c t 相关的 领域知识并把领域知识形式化对于脑c t 图像的分割和特征提取有着重要的现实意义。 第3 章基丁脑c t 的图像分割 第3 章基于脑c t 的图像分割 医学图像包括从c t 、m 、p e t 、s p e c t 等及其他医学影像设备所获得的图像。 新型成像技术和设备的出现以及电脑技术的发展，使得医学图像处理技术对医学科研及 临床实践的作用和影响r 益增大。医学图像是反应人体生物组织的复杂图像，图像信息 量大，很难找到合适的数学模型对图像进行刻画。医学图像还有个显著的特点i l7 j 本质上 具有模糊和不均匀的特点。为弥补医学影像的弱点，准确的分辩医学影像中的正常组织 和异常病变，需要对医学图像进行分割，而分割的准确性直接影响后续任务的有效性， 因此具有十分重要的意义。为了让临床医生对人体内部病变部位的观察更直接、更清晰， 医学图像分割迫切需要把图像本身的低层次视觉属性和待分割目标的知识和经验结合 起来，得到待分割区域的完整表达。 按照通用的分割定义，分割出的区域需同时满足均匀性和连通性的条件。其中均匀 性f 4 】是指该区域中的所有像素点都满足基于灰度、纹理、彩色等特征的某种相似性准则； 连通性是指在该区域内存在连接任意两点的路径。由于噪声、场偏移效应、局部体效应 等的影响，使获取医学的医学图像不可避免的具有多样性、复杂性、存在噪声、目标物 体的边缘不清晰等特点。而且，人体的解剖组织结构和形状很复杂，人与人之问有着相 当大的差别，使得一般的图像分割方法对医学图像分割效果并不理想。所以医学图像分 割除了要用到一般的分割技巧以外，还需要结合医学领域中的相关知识，才能做出合理 的分割，使得医学图像分割计算更加复杂和困难。图像处理和机器视觉界的研究者们为 此付出了长期的努力，但迄今为止大部分研究成果都是针对某一类型图像、某一具体应 用的分割，通用方法和策略仍面临着很大的困难。 从分割完成的形式上来分【l l ，分割分为两类：交互式和自动分割两大类。交互式分 割方法是指从完全手工分割图像到部分甚至极小部分人工干预完成的分割。医学图像分 割主要采用自动或半自动的图像分割方法，因为医学图像分割结果要尽可能的完全保留 感兴趣区域的信息，才有助于医生对解剖结构以及病变进行更有效的观察、研究和诊断。 医学图像分割在医学临床和手术环境中的许多应用，如进行病理或f 常组织的量化研 究，以及与其它可视化技术结合，制定手术前和手术中交互的手术计划等，均要求分割 河北人学一1 ：学硕十学位论文 算法能够从c t ，磁共振或超声等各种图像中分离出解剖结构和定位出病源的位置和形 状。 针对医学图像分割技术已经有了相当多的研究成果和方法，但是远未能达到完善。 因此，医学图像分割算法的研究仍是方前医学图像处理和分析的热点。本章首先介绍了 图像分割的定义，主要阐述了几种在医学c t 图像中比较常用的方法。 3 1 图像分割的定义 所谓图像分割【i 三3 】是指将图像中具有特殊涵义的不同区域分开来，这此区域是相互 不交叉的，每个区域都满足特定区域的一致性。从处理对象角度来讲，分割是在图像矩 阵中对所关心的目标的定位。显然，只有用这种方法把“感兴趣的目标物体”从复杂的 景象中提取出来，才有可能进一步对各个子区域进行定量分析或者识别，进而对图像进 行理解。图像分割可用的特征包括：图像的狄度、颜色、纹理、局部统计特征或频谱特 征等，利用这此特征的差别可以区分图像中不同目标物体。既然我们只能利用图像信息 中某些部分特征分割区域，因此各种方法必然带有局限性和针对性，只能针对各种实际 应用领域的需求来选择合适的分割方法。 根据分割算法适用性的不同，从图像分割方法上分类p j ，分为基于边缘和基于区域 的两大类。其中，基于区域的分割则是将图像分为若干小重叠的区域，且使各区域内部 特征的相似性大于区域之间特征的相似性，而基于边缘的分割是寻找感兴趣的封闭边 界，这类方法通常导致不完全的部分分割结果，例如分割结果中存在间断现象，或者得 到错误的边缘。近年来，随着统计学理论、模糊集理论、神经网络、小波理论等在图像 分割中的应用r 益广泛，遗传算法、非线性扩散方程的概念近期涌现的新思想和方法也 不断用于解决分割问题，国内外学者提出了许多有针对性的分割方法【1 8 1 9 】。 3 2 医学图像分割算法的特点 医学图像中通常将图像分为两类区域：感兴趣区域( 目标部位) 和背景区，感兴趣区 域包含重要的诊断信息，尽管在整幅图像中所占的面积也许不大，但其错误描述的代价 非常高，背景区域的信息则较为次要。因此，医学图像分割至今仍是国内外学者研究的 热点，而且分割算法的研究呈现以下四个特点【2 0 】： 第3 章基丁脑c t 的l 冬 像分割 ( 1 ) 医学图像不可避免的具有多样性、复杂性、存在噪声、目标物体的边缘不清晰 等特点。同时，人体的解剖组织结构和形状复杂性以及不同个体间的差异性， 分割算法应该具有自适应性和鲁棒性，对于不同的应用可以自我学习、自我适 应，对噪声、模糊等干扰具有较强的免疫力。 ( 2 ) 大量学者致力子将新的概念、新的方法引入图像分割领域，单的分割算法很 难对一般图像取得令人满意的分割结果，更加重视多种分割算法的有效结合。 近些年很多种算法都是多种方法的结合，采取什么样的结合方式才能充分利用 各种方法的优点，弥补各自的不足，取得好的预期效果，在未来将仍是人们关 注的主要问题之一。 ( 3 ) 针对医学领域的特殊问题，利用医学的专业知识来辅助解决图像分割问题，医 学图像的分割需要利用医学中的大量领域知识，如心室的大致形状，颅内白质 和灰质的含量和相对应的位置关系等等。 ( 4 ) 医学图像分割面向具体的临床应用，分割算法的准确性将影响诊断结果和治疗 方案，因此算法的准确性尤为重要。 3 3 医学c t 图像常用分割算法介绍 ( 1 ) 阈值分割的方法 基于阂值的分割方法是图像分割中十分古老，而又简单有效的常用方法。所谓阈值 的方法实质是利用图像的狄度直方图信息得到用于分割的阈值1 2 。 阈值分割方法1 2 2 1 基于对狄度图像的一种假设：目标或背景内的相邻像素间的灰度值 是相似的，但不同目标或背景的像素在狄度上有差异，反映在图像直方图上，不同目标 和背景则对应不同的峰，选取的阈值应该位于两个峰之间的谷，从而将各个峰分开。在 实际的图像中，由于噪声等干扰因素，直方图往往不能出现明显的峰值，此时选择的闽 值并不能得到满意的结果，这是由阈值分割的特点决定的。为了得到用于分割的阈值， 有人从贝叶斯方法入手，假设目标和背景的象素按照相同的分布规律进行分布，关于目 标和背景的先验概率是相同的，从而得到选取闽值的方法。 基于阈值的分割方法可以分为全局阈值、局部阈值和动态阂值的方法【2 3 1 。所谓全局 阈值的方法是利用整幅图像的灰度信息，从整个图像中得到用于分割的阈值，并且根据 河北人学j r 学硕+ 学何论文 该阈值对图像进行分割。而局部阈值的方法是根据图像中不同区域获得对应不同区域的 几个阈值，利用这些得到的阈值对图像进行分割，也就是一个阈值对应图像中的一个子 区域。前两类对目标和背景的灰度有梯度变化的图像效果较差或失效，同时抗噪能力和 鲁棒性不是很好。 阈值分割实现简单，对于不同种类的物体灰度值或其它特征值相差很大时，它能很 有效地对图像进行分割。但是基阈值的分割方法仅仅考虑了图像的灰度信息，而忽略了 图像的空间信息。对于图像中不存在明显灰度差的图像得不到满意的分割结果。 ( 2 ) 区域增长法 区域生长是一种典型的串行区域分割方法，其特点【2 0 】是将分割过程分解为顺序的多 个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。 区域生长的基本思想2 4 】是将具有相似性质的像素集合起来构成区域，该方法需要先 选取一个种子点，然后依次将种子点像素周围的相似像素合并到种子像素所在的区域 中。在文献中，用区域增长的方法进行脑白质病变的分割。 区域生长算法的优点是计算简单，区域生长能够直接和同时利用图像的若干种性质 来决定最终边界的位置。区域生长法特别适用于分割小的结构。同阈值分割一样，区域 生长也很少单独使用，往往是与其他分割方法起使用。 区域生长方法的缺点f 2 6 1 是：它需要人工交互以获得种子点，这样，使用者必须在每 个需要抽取的区域中植入一个种子点。同时，区域生长法也对噪声敏感，导致抽取的区 域有空洞，或者将原本分开的区域连接起来。它在复杂对象的分割方面往往显不出最佳 性能，因为在这种情况下得不到足够的先验知识。 以上我们主要介绍了常用的脑c t 图像分割的方法。除了上述的分割方法外，还有 基于形态学的图像分割方法和基于小波变换的图像分割方法等，在这就不作介绍了。尽 管近年来在医学图像分析领域的许多研究都集中在图像分割的完全自动化上，但能够适 用于任何数据的鲁棒性算法还没出现。 3 4 分割算法的性能评价 在分割技术的评价中，常用的评价准则有：( 1 ) 区域间对比度。通过比较不同区域 的相关特性的差异来判别图像分分割的精度。( 2 ) 区域内均匀度。通过区域内的均匀程 第3 章基于脑c t 的幽像分荆 度来描述分割图像的质量。( 3 ) 算法的收敛鲁棒性。评判算法收敛主要有2 个指标：一是 表示分割算法收敛稳定性的收敛概率二是表示分割算法收敛一致性的扩散系数。( 4 ) 像素数量误差，通过错分像素个数来来判别分割错误的程度。 3 5 改进的脑c t 分割算法 医学图像分类的效率很大程度上取决于特征提取，而目前大多数医学图像特征提取 都是建立在整幅图像上，或是把图像规则地分为几部分，分别提取各部分特征这些特征 不一定能真正表示图像信息。t i n ak a p u r 将分割可用的医学领域知识归纳为四种1 2 1 ： 一是图像中不同对象的捉度分布情况；二是不同影像设备的成像特点；三是对象的形状 特征，即解剖知识：四是不同对象问的空间几何关系。因此，结合脑部的解剖知识本 文针对脑c t 不同层面的特点采用了两种图像分割方法。 如图3 - 2 所示，脑c t 图像第一层包含颅骨和软组织，适用于闻值分割法。如图3 1 所示脑c t 图像第八层主要包含软组织，适用于区域生长法。根据各个层面的特点， 我们具体问题具体分析，本文首先讨论脑c t 图像第一层的分割方法。 图3 一l 脑c t 第八层图3 _ 2 脑c t 第一层 区域生长法将图像以像素为基本单位来进行操作，基于区域荻度差的方法主要有如 下步骤例： ( 1 ) 在感魁趣的部位选择种子点，设浚像素为( 。y o ) ： ( 2 ) 以该像素( x o ，y 0 ) 为中心检查它的邻域像素( x ，y ) ，即将邻域中的像素逐个 河北人学：l ：学硕+ 学位论文 与它比较。如果灰度差小于预先确定的阈值，将( x 。，y ；) 和( x o ，y o ) 合并，同时将 ( x j ，y ；) 压入堆栈； ( 3 ) 从堆栈中取出一新合并的像素，以它为中心当作( x o ，y o ) ，返回步骤2 ，检查新 像素的邻域，直到区域不能进步扩张； ( 4 ) 当堆栈为空，结束整个生长过程； 采用上述方法，生长过程对种子点的选择有较大的依赖性，分割结果会产生严重的 空洞，且分割得到的边缘也会有严重的锯齿现象。为克服这个问题，本文采用了基于先 验知识的区域增长的改进办法。 通过分析c t 图片，根据脑组织的灰度值变化范围，本文改进了区域生长算法分割 出有器官语义意义的区域( 侧脑室) ，再在分割出的区域上提取基于图像形状特征的矩 特征、转动惯量、似圆度等特征变量。这样的局部特征能够更好的反映图像信息，也更 具有实用意义。 具体算法如下： ( 1 ) 扫描图像，由先验知识选取图像中央一暗点( x 0 ，y o ) 为种子点； ( 2 ) 以( x o ，y o ) 为中心，计算其八邻域狄度均值芦和方差仃2 ； ( 3 ) 判断邻域像素的狄度值是否包含在【5 0 ，1 5 0 】，如果包含在此区间，则计算邻域像 素( x i ，y i ) 相似性r ，按生长准则p ，并将( x i ，y i ) 和( x o ，y o ) 合并入栈； ( 4 ) 取新合并的像素，看作种子点( x o ，y o ) ，重复步骤2 ，直到区域不能在扩张： ( 5 ) 重复步骤1 4 ，图像中每个像素皆有归属，结束整个生长过程； 按照上述步骤可以实现脑c t 图像中感兴趣部位( 目标部位) 的自动化分割。区域 生长后，把外围区域标记为全黑，以便于后续的特征提取。 设种子区域为s ：有均值j j f 及标准方差仃2 ，作为衡量灰度一致性的特征量。其中： n 代表已生长的区域像素个数，i 为灰度均值，i 为待测象素灰度，定义s 的均值万和 方差仃2 为： 万= 磊尺删) ( 3 - 。) o 厶 一 口j l ， 、l ， 一x 一 、， l ，i ， ， 足 胙 = ， 仃 第3 章基丁脑c t 的l 缯像分割 相似性准r ： 合并准则： r = 掣 - 警j ( x ，y ) 一剧 ： 7 6 7 9 1 0 j s d u n c a na n day a c h e m e d i c a li m a g e 卸a j y s i s ：p r o g r e s s0 v e r 坩od e c a d e sa n dt h ec h a i l e n g e sa h e a d 1 e e et r a n s a c t i o n so np a t t e ma n a j y s i sa n dm a c h i n ei n t e l l i g e n c e ，2 0 0 0 ，2 2 ( 1 ) ：8 5 - 10 6 11 余建明医学影像技术学北京：科学出版社，2 0 0 4 1 2 李兵计算机图像处理技术在医学影像中的进展与应用生物医学士程学杂志，1 9 9 3 ， 1o ( 4 ) ：3 6 0 一3 6 3 1 3 庄天戈c t 原理和算法上海：上海交通人学出版社，1 9 9 2 1 4 沈海戈，柯有安医学体数据二维可视化方法的分类与评价中国图像图形学报，2 0 0 0 5 ( 7 ) ： 5 4 5 5 5 0 1 5 石美鑫实h j 外科学北京：人比卫生出版社，2 0 0 0 16 a c h a k r a h o r 哆d e f o r n l a b l eb o u n d a f i n d i n gi nm e d i c a j i m a g e sb yi n t e g r a t i n gg r a d i e n ta n dr e g i o n i n f o 彻a t i o n 1 e et i a n s a c t i o n so nm e d i c a li m a g i n 昏l9 9 6 ，l5 ( 6 ) ：8 5 9 8 7 0 。 17 s a h 蛳a t o l e s i a m i ，j k i t t l e r r e g i o ng m w i n g ：an e wa p p r o a c h 1 e e et r a n s i m a g ep r o c e s s 19 9 8 ， 7