（计算机应用技术专业论文）CT脑部图像的肿瘤提取算法研究.pdf

硕士学位论文 m a s t e r st h e s i s 摘要 随着多层计算机断层扫描( c t ) 和快速扫描时代的到来，c t 已经成为脑部成 像的重要工具，并已经成为检查脑癌，中风，颅内出血，创伤和退化疾病等的主要 工具。通过对c t 影像的诊断和分析，医生可以准确的判断出病人的实际情况。然 而，对脑部c t 图像的分析，过程是枯燥乏味的，需要每天处理大量的数据，很容 易出现错误。在这种情况下，提出了自动检测和辅助诊断，通过一些自动化方法， 分割，特征提取，识别等，得到病变区域，最后医生对这些病变区域再做一个细致 的检查，从而更加安全有效的分析病人情况。 目前国内外更多的是对m r i 脑部图像分割的研究，而对脑部c t 图像分割的研 究很少。因此，本文在脑部病变辅助诊断系统的图像分割提取方面做了一些探索、 研究，提出了一种自动的多区域脑部分割算法。该算法首先将原始的三维图像数据 以二维形式表示，以方便后续处理，然后提取颅内区域，消除颅骨对后续分割的影 响，接着通过基于模拟退火粒子群的p c n n 分割算法，得到第二次点火和第三次 点火的二值图，由于第二次点火得到的中间灰度值最小的区域，我们将第三次点火 减去去除第一次点火的区域，得到另一个灰度阶区域，该区域就可能是病变区域， 如果继续对后面点火区域进行处理将得到更多分类的区域，该算法可以很好的获得 我们所需的区域，由于各类疾病的灰度值变化范围都不同，因此可通过不同批次点 火的图像获得不同的病变区域，从而达到自动诊断的目的。 关键词：医学图像，脉冲神经网络，模拟退火，粒子群，连通区域标记，区域生 长法 硕士学位论文 m a s t e r st h e s i s a b s t r a c t w i t ht h ea d v e n to fm u l t i d e t e c t o rc o m p u t e dt o m o g r a p h y ( c da n df a s ts c a nt i m e s ， c th a sb e c o m et h ec e n t e r p i e c ef o rc r a n i a li m a g i n g i ti st h ee x a m i n a t i o no fc h o i c ef o r b r a i nc a n c i n v e s t i g a t i n gs t r o k e , i n t r a c r a n i a lh e m o r r h a g e ，t r a u m aa n dd e g e n e r a t i v e d i s e a s e s b yo b s e r v i n ga n da n a l y z i n gc tb r a i ni m a g e s ，i tm a y e f f e c t i v eh e l pd o c t o rm a k e a c c u r a t ej u d g e m e n tt oa c t u a ld i s e a s e h o w e v e r , t h ea n a l y s i so nb r a i nc ti m a g e s ，t h e c o u r s ei sd r ya sd u s t , n e e dt od e a lw i t l lal a r g en u m b e ro fd a t ae v e r yd a y , i ti sv e r ya p tt o p r e s e n tt h em i s t a k e i nt h i sc a s e ，h a v ep r o p o s e dm e a s u r i n g ，a s s i s t i n ga n dd i a g n o s i n g ， t h r o u g hs o m ea u t o m a t i cm e t h o d sa u t o m a t i c a ll y c u ta p a r t ，t h ec h a r a c t e r i s t i ci sd r a w n ， d i s c e r ne t c ，g e tt h ea r e ao fp a t h o l o g i c a lc h a n g e , t h ed o c t o rd oo n em o r ec a r e f u l i n s p e c t i o nt oa r e ao ft h e s ep a t h o l o g i c a lc h a n g e sf m a l l y , t h u ss a f ea n dm o r ee f f e c t i v e a n a l y s i sp a t i e n t ss i t u a t i o n u n l i k et h er i c hl i t e r a t u r ei nb r a i ns e g m e n t a t i o nf r o mm 刚d a t a ，r e s e a r c ho n s e g m e n t i n gb r a i nf r o mc ti m a g e si ss p a r s e f o rt h a t ，t h i sp a p e rh a sd o n es o m er e s e a r c h s i nc o m p u t e r - a s s i s t e da u t o m a t i cd e t e c t i o ns y s t e mo fc tb r a i ni m a g e s ，a n dp r o p o s e da n a l g o r i t h mb a s e do ns a - p s oa n dp c n nf o rs e g m e n t i n gc tb r a i ni m a g e s f i r s t l y , a2 d r e f e r e n c ei m a g ei sc h o s e nt or e p r e s e n tt h ei n t e n s i t yc h a r a c t e r i s t i c so ft h eo r i g i n a l3 dd a t a s e t s e c o n d l y , t h er o io fr e f e r e n c ei m a g ei sd e t e r m i n e da st h es p a c ee n c l o s e db yt h e s k u l l ，t h e nt h r o u g ht h i sm e t h o db a s e do ns a p s oa n dp c n n ，t h ea r e ao fv a l u eo f m i n i m u mg r a yl e v e lw i l lb eo b t a i n e db yl i g h t i n gaf i r e a tt h es e c o n dt i m e ，c o m b i n e d a h e a db i n a r yi m a g e 淅t l lt h et 1 1 i r df i r i n gb i n a r yi m a g e ，w ec a ng e ta n o t h e rg r a yl e v e l i m a g e ，t h i si m a g em a yb es o m ed i s e a s er e g i o n t h en e x tl i g h t i n gb i n a r yi m a g ei n c l u e d t h el a s to n e ，s ow ec a nt a k et h eb i n a r yi m a g e so fa r e ao fv a l u eo fe v e r yg r a yl e v e l t h e s e s b i n a r yi m a g e sa r et h er e g i o n so fc e r e b r o s p i n a lf l u i d ( c s f ) ，g r a ym a t t e r ( g m ) ，a n dw h i t e m a t t e r ( a n d s oo n k e y w o r d s ：m e d i c a li m a g e ，p c n n ，s i m u l a t e da n n e a l i n g ，p s o ，c o n n e c t e dc o m p o n e n t s l a b e l i n g ，r e g i o ng r o w i n gm e t h o d 硕士学位论文 m a s t e r st h e s i s 华中师范大学学位论文原创性声明和使用授权说明 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，独立进行研究工作 所取得的研究成果。除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均己在 文中以明确方式标明。本声明的法律结果由本人承担。 作者签名： 殆确日期：川年易月乒日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、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。本人授权华中师范大学可以将本学位论文的全部或部分内容编入有关数据库进 行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。同时授权 中国科学技术信息研究所将本学位论文收录到中国学位论文全文数据库，并通 过网络向社会公众提供信息服务。 作者签名：豕朔 日期：川年占月舻日 导师签名： 日期：年月 日 本人已经认真阅读“c a l l s 高校学位论文全文数据库发布章程，同意将本人的 学位论文提交“c a l l s 高校学位论文全文数据库”中全文发布，并可按“章程”中的 规定享受相关权益。回意论塞握童卮溢卮! 旦主生；旦二生；旦三生筮盔! 作者签名：办药 日期州年占月乒日 导师签 日期： 硕士学位论文 m a s t e r st h e s i s 1 1 背景介绍 第一章绪论 产生医学图像的技术有很多，主要包括“多层计算机断层扫描( c ，r ) 、单光子辐 射断层摄像( s p e c t ) 、磁共振成像( m r i ) 、正电子放射层析成像技术( p e t ) 、超声 ( u 1 t r a s o u n d ) 及其它医学影像成像工具所获得的，实际应用中大多使用的是c t 和m r i 图像，对于一些医学图像的自动化处理，可以减少诊断时间，提高诊断速度， 为后面的治疗和手术提供更多时间。医生使用的各种影像设备方面，图像分割越来 越多的在使用，图像分割是指把图像按特性分成各种区域，我们需要的区域能被 提取出来的技术，它也是从图像处理到图像分析的一个关键步骤和种基本的计算 机视觉技术乜1 。最后通过对提取出的信息进行必要的处理，帮助医生进行诊断，减 少诊断时问，让医生轻装上阵，对自动医学诊断的发展提供动力，并且图像分割在 整个医学图像处理中有着很重要的地位，分割结果的精确程度至关重要，它直接影 响后续的其他处理过程口1 。 医学影像处理和诊断中使用图像分割作为预处理的地方很多，例如医学研究、 临床诊断、病理分析、手术计划、治疗方案、疗效评估、影像处理、计算机辅助手 术、图像引导手术、手术摸拟、远程医疗等等。在这些应用中，图像分割的作用不 容忽视，需要我们认真对待，切不可小视此问题，他常常成为应用中的瓶颈，阻碍 科学的发展。通过对象的特征的提取，把感兴趣的区域从背景中分离出来，分析和 计算分割对象的解剖、病理、生理、物理等方面的信息，并且医学图像分割是对医 学图像进行病变区域提取、定量分析、立体显示、三维重建、医学图像配准等处理 的一个非常重要的预处理h 1 。因此在进行其他相关研究的前，非常有必要进行医学 图像分割，提取出感兴趣的区域，为后续的图像融合、特征提取、识别等提供了必 要的前提条件。 脑是人类的控制终端，是人类精神活动的器官，控制着人类的其他器官的协调， 脑部由于有脑颅的保护，很难受伤，但一旦受伤对人的生命将会是致命打击，而且 脑的健康决定了人们的生活质量。脑癌( 又被称为脑肿瘤) ，脑出血( 中风) 等脑 部疾病，随着医学的进一步发展越来越为人类所了解，治疗手段也越来越多。“脑 硕士学位论文 m a s t e r st h e s i s 肿瘤立体定向内放疗联合经皮穿刺癌内放疗术，是在c t 的引导下确定肿瘤位置， 然后寻找一条避开脑部重要功能区域的路径，在患者脑肿瘤内埋下一根直径3 毫米塑料管，实施立体定向术下近距离内放疗；与此同时，在c t 引导下，行经皮 穿刺直接至肺癌组织进行内放疗，两种手术都是基于精确的三维立体定向，而三维 立体定向的前提就是通过对断层图像进行逐层进行图像分割，从而三维重塑人脑内 部病变区域的位置，帮助医生进行定位，准确、快速的找到放疗区域进行治疗”( 该 段治疗过程来自长征医院) 碍1 。因此通过图像分割提取找到病变区域，并对位置进 行预测将帮助医生更加顺利的完成手术，提高手术成功率。 如何更好的进行放疗，必须从对医学影像的诊断开始，基于c t 图像的周围型脑 癌自动识别系统，该系统从c t 图像中识别出可疑周围型脑癌区，并将定性为脑癌 的区域的轮廓线输出给放疗计划制定系统作为制定放疗计划的一个参考，这里轮廓 线的自动识别就是本文要解决的问题关键，这里主要通过图像分割的方法提取出病 变区域，然后获得边境信息，因此图像分割又成为该系统运作成功的关键，研究意 义重大。 总之，医学图像的分析和处理，无论现实意义还是理论研究，都是一个重要的， 亟待解决的问题，而图像分割在大多数自动图像模式识别和场景分析问题中是一个 基本的预备性步骤，选择一种分割技术而不选择另一种主要是由所面对的问题的特 定决定的，而脑部c t 图像就具有他自身的一些特点，c t 作为当前最经济，应用面 最广的图像成像方法，也是医生处理最多的医学图像之一，正是在这种背景下，我 们后续提出了针对脑部c t 图像分割提取的相应技术。 1 2 国内外已取得的研究成果 医学图像处理的研究在国外开展的比较早，国内在这方面从2 0 世纪末才开始涉 足，医学成像技术的突飞猛进，为医学图像处理提供了更高质量的图像，处理信息 的增多，同样算法速度相对就较慢，因此对算法运行速度提出了更高的要求。目前 主要的医学图像分割算法有口1 ： 1 基于不同区域的分割 分割的目的是将图像划分为不同区域，阈值分割、区域生长、区域分离与合并、 分类器和聚类、基于随机场的方法、其它基于统计学的方法，这类方法的基本思想 都是基于此，将图像划分为不同区域，使各区域内部特征的相似性大于区域问特征 的相似性，各区域内像素都满足基于灰度、纹理等特征的某种相似性准则。 2 基于边缘特征的分割 2 硕士学位论文 m a s t e r st h e s l s 并行微分算子算法、边界曲线拟合、基于串行边界的查找、曲面的拟合等。我 们常见的基于边缘的分割方法主要有s n a k e 算法、水平集算法等，图像局部特征的 不连续性是边缘的主要特征，因此基于边缘的分割方法首先检测出哪些部位存在边 缘的不连续性或突变，然后将它们连成边界，从而形成不同的区域，达到分割的目 的。 3 结合边缘与区域特征的分割 同时利用区域和边缘的信息，例如利用参数结合区域，几何结合区域等信息， 该方法一般针对具有一类特征信息的图像。 4 图谱引导( a t l a s g u i d e d ) 方法 图谱引导方法是通过人工判定，大量的相同解剖部位的医学图像的整理等方法 获得标准模板，然后通过标准模板对医学图像进行分割。利用已得到的相应模版， 对新的该类型的解剖部位的图像进行分割，这就是我们所说的图谱引导分割方法， 图谱引导方法需要样本，这点和分类器方法相似，但是分类器的样本是按特征值空 间组织的，而图谱引导的样本却是时域内的。图谱引导的工作原理将已分割好的模 板图像，作为一个模版矩阵，通过映射关系，应用到目标图像上，由于解剖结构的 复杂和多样性，映射过程肯定是相对复杂的，因此计算量可能会比较大。图谱引导 分割主要应用于对脑部m r i 图像的分割，当然也有改进算法用于c t 图像分割，图 谱引导分割也可方便的分析形态学特征。最后，图谱引导分割的优点有很多方面， 首先，在分割的同时，可以分割出的每一类相应的解剖部位，但是考虑到人体解剖 结构的差异性和复杂性，一种简单的线性或非线性结构是很难解决这种映射关系 的，因此其必然是个异常复杂急需解决的模型映射问题。 5 模糊理论在医学图像分割的应用 首先，图像分割是典型的结构不良问题，而模糊理论则具有解决该问题的能力， 这也是有些学者可以将模糊理论引入到图像处理与分析领域，用于解决医学图像模 糊，灰度阶差异小等问题，当然在图像分割中引入模糊理论，也有其优势。结合模 糊理论的图像分割方法包括模糊聚类分割方法、模糊阈值分割方法和模糊连接度分 割方法等。模糊阈值方法利用不同的s 型隶属函数来定义模糊目标，通过优化过程 最后选择一个具有最小不确定性的s 函数，通过该函数确定目标之间的关系，以及 增强相应类的强度，这样得到的s 型函数的交叉点为就为阈值分割所需要的阈值， 但是这种方法存在一定的困难一隶属函数如何选择。h d c h e n g 等人将模糊测度函数 的概念引入最大熵原则，提出了模糊c 一分类最大熵原则。l i a n g - k a ih u a n g 等人提 出的通过极小化图像的某种模糊测度来决定灰度阈值的方法1 ，他们提到的模糊测 硕士学位论文 m a s t e r st h e s i s 度，主要包括y a g e r 测度和熵。模糊均值聚类( f c m ，f u z z yc - m e a n s ) 方法是医学图 像处理中最常用的方法，它主要是通过优化图像像素点与c 一类中心之间的相似性的 目标函数来获得局部最大值，最后得到各聚类，该方法存在一定缺点，计算量达， 实时性差等：l e ea n dv a n n i e 为纠正医学图像中的强度偏差而扩充了模糊c _ 均值 算法。d z u n gl p h a m 为解决强度不均匀的医学图像的分割问题，提出一种自适应模 糊c 均值方法。u d u p a 提出了几点建议，关于如何更加有效地利用模糊理论来解决 实际问题，首先他认为聚类是因为某中力度才结合在一起的，因此他使用模糊连接 度的概念来对对象进行划分，但此方法需要人工选择阈值和初始种子点，并且模糊 连接度中参数如何选择，也是一个存在争议的问题，并没有得到理论支持。综上， 他们提出的方法在医学图像的分割问题上都取得比较好的分割效果，目前模糊理论 在医学图像分割中的应用非常广泛，它可以更好的获得医学图像的细节信息，提高 医学诊断的准确性，当然也存在一些弊端和缺点。 6 数学形态学的分割方法 数学形态学方法，最早是用于图像的预处理和后处理，消除部分噪点，小块区 域等，后来被引入到图像分割等领域。形态学主要是利用卷积操作，通过在图像中 移动一个矩阵算子，该矩阵算子大小任意，一般不会太大。腐蚀和膨胀是主要的形 态学操作，通过对这些运算的复杂结合可以得到不同的效果，并且这些操作可通过 相应的硬件构造，结合查找表来实现。形态学理论在图像处理中的主要方法是l u c v i n c e n t 等人提出的分水岭算法，而相关的扩展算法业很多，这里就不一一做介绍 了。由于这些方法需要用户的参与，或提供图像结构的先验知识，因此只能说是半 自动的分割方法，为了改进该算法的半自动化性质，后续有人提出将该算法结合其 它算法以达到自动化分割的目的，这里有以下这些方法，k h a r i s 提出了将分水岭 算法与分层区域合并方法结合，b c h a n d a 给出了一种基于形态学算子的多尺度滤波 算法。通过以上算法的研究，虽然这些算法可以有效的处理特定的医学图片，但是 每一种方法都有他的不完备性，需要我们做进一步的研究，改进并使该算法更好的 适应与医学图像分割，当然这都有待进一步发展。 7 神经网络在图像分割中的应用 1 9 7 0 年以后，受到图像处理、模式识别和计算机视觉等人工智能领域发展的影 响，将推理机相关理论用于了图像识别，图像分割等，并且在解决具体的医学问题 时，出现了基于人工神经网络模型( a n n ) 的方法，通过神经网络的传播性及其快 速学习的能力，将其应用于图像分割及其相关预处理方面。本文就是基于此，将藕 和脉冲神经网络应用到了脑c t 图像的分割，后面章节会重点介绍该算法。 4 硕士学位论文 m a s t e r st h e s i s 1 3 本课题的主要研究内容 图像分割提取是图像处理与分析中的一个重要阶段，可以自动或半自动的描绘 出医学图像中的解剖结构和其它感兴趣的区域，并将其提取出来，从而缩短医生的 诊断时间，为后面的治疗争取宝贵的时间，基于此，国内外都致力于将图像分割技 术更好的应用于医学图像处理，达到快速、准确找到病变区域，为后续的定位，重 构，融合，三维重现等提供前期处理。但医学图像由于其本身图像的特点，相对其 它领域的图象，存在分割难度大，且需要一定医学专业知识，医学图像分割技术的 发展远远没有其他领域快。而脑部c ，i 图像在一些脑肿瘤、脑瘀血的诊断上理论上 由于病变面积相对较大，易于自动诊断，因此可以自动检测，减轻医生的负担，提 高效率，此课题正是通过研究和实验，试图找到有效的对脑部c ，i 图像进行分割与 处理的方法，辅助医生准确诊断病因，以及后面的手术提供准确的病变区域位置信 息。文中的算法流程是预处理，提取颅内区域，对颅内区域进行多目标分割，最后 通过实验证实是可行和有效的。 全文共分五章，结构安排如下： 第一章绪论。叙述了医学图像处理的重要性，脑c t 图像分割提取的重要性， 以及图像分割技术的发展现状。 第二章脑部病变及其诊断。介绍了脑部的常见疾病及其病因、医学诊断方法， 并分析了脑部病变c t 图像医学诊断特点。脑c ，i 图像分割技术研究。主要讲了c t 成像技术，包括c t 图像原理，特点，优点等，接着又介绍了医学图像分割技术及 国内国外对脑部图像分割技术的研究，以及最新的分割方法。 第三章脑部c t 图像的预处理。介绍了颅内区域提取技术，通过对比度增强， 阈值分割，连通区域标记等方法提取颅内区域，以及行( 竖) 扫描，区域生长法提 取颅内区域。 第四章基于粒子群自动设定p c n n 参数的颅内区域自动分割。该章主要介绍了 本文提出的算法的主要原理及流程，对p c n n 神经网络及其简化模型，模拟退火粒 子群算法等做了介绍，并写出了算法的主要步骤，最后通过实验验证了该算法的可 行性。 第五章总结和展望。本章总结了本文所做的工作，对此做出了中肯的评价，并 指出了该课题今后的研究方向。 5 硕士学位论文 m a s t e r st h e s i s 2 1c t 成像技术 第二章脑c t 图像分割技术研究 c t ( c o m p u t e dt o m o g r a p h y ) 直译过来就是计算机x 射线断层扫描，主要用来在 不开刀的情况下检查人身体内的病变情况，是一种病变检测工具。下面我们介绍一 下c ，i 的工作流程：首先由于不同的密度其x 射线的吸收和渗透率都不一样，人体 的不同组织密度也不同，应用一些高精度设备对透过人体的x 射线进行测量，对收 集到的信息通过模数转换输入到计算机，计算机再对数据进行一些相应的变换，最 后生成人体被检查部位的断面或立体显示的图像，方便医生发现人体内部的微小病 变，如骨折等盯，刚。 2 1 1c t 成像原理介绍 x 射线束的发展带来c t ，通过x 射线束对人体检查部位进行照射，透过该层面 的x 射线将被探测器接收，成为人眼可以看到的光，再通过光电转换器，最后输出 电子，电子再经模拟数字转换器，最后输出数字信号，并输入到计算机中，进行 后续处理。体素就是指若干个体积相同的长方体，他们由选定层面分成。为获得每 个体素的x 射线衰减系数或吸收系数，我们将扫描所得信息进行处理，然后将这些 系数排列成矩阵。存储于光盘或硬盘中的数字矩阵，经数模转换器把数字矩阵中 的每个数字转换成相应的灰度值( 0 - 2 5 5 ) ，就是图像中的像素( p i x e ) ，这些像素 也是按照矩阵排列的，而该矩阵就是所谓的c t 图像，整个c t 图像产生过程如下图 所示。 6 高习医磊l _ 。i _ l 瓦磊 图2 - ic r 成像原理流程图 2 1 2c t 图像特征 我们在矩阵中存入一定数阿的从0 到2 5 5 的灰度值，这些灰度值分别代表不同 的颜色，而这个矩阵就是我们的c t 图像，而这些像素可以表示出相应体索的x 射 线吸收系数，与之成一定比例。由于不同的c t 装置，其设备的局限性，因此会得 到不同像素的大小的圈像，其大小可以是1o x l o m m ，0s 05 m m 不等，数日i 叮以是 2 5 6 x 2 5 6 ，总共6 5 5 3 6 个，或5 1 2 x5 1 2 。当然，像素数越大，数日越少，相应的图 蒙也越不清晰，其空i 白j 分辨率也越低。 c t 图像的不同灰度值反映了不同器官和组织对x 射线的吸收程度。因此，越黑 则表示吸收越低，相应的密度也越低，这些包括肺部，由于其含有大量气体；越白 则表示吸收越多，相应的密度值也越高，如骨骼就是这种情况。与x 射线产生的图 像相比，c t 图像的密度分辨率高。因此，虽然人体软组织的密度差别很小吸收系 数和水的系数类似，但是町咀显示出不错的图像，这是c r 的一个突出优点，可以 显示密度差别很小的部位。最后，c t 可以更好地显示由软组织构成的器官，如脑、 脊髓、纵隔、肺、肝、胆、胰及盆部等器官，在相应的器官图像分割中提供更高质 量的图像，也更易于分割。 c t 圈像是层面图像，横断面最常用，需要多个连续的层面图像显示整个器官。 夯中；一 硕士学位论文 m a s t e r st h e s i s 通过图像分割的预处理，得到各个层面的可疑病变区域，会后续病变区域的重构提 供必要前提，最终得到整个器官的立体显示。 2 1 3c t 图像和c t 值的区别 c t 图像和c t 值是两个截然不同的概念，这里我们介绍一下他们的区别，为后 续研究铺平道路。 c t 图像：其实也就是图像处理中的图像矩阵，只是这里是通过一些数学方法对 c t 设备产生的原始数据进行了转换。而最后由于矩阵中不同的像素点有不同的值， 即我们所谓的颜色或灰度值，这些值显示出不同的明暗程度，反应在显示器上就是 c t 图像。 c t 值：c t 采用的标准是根据各种组织对x 射线的吸收系数来决定。 h o u n s f i e l d 给了我们详细的定义，“将线性衰减系数划分为2 0 0 0 个单位，医学 上称为c 1 、值，单位是l u ”。在物理过程中，物质对x 射线的衰减系数表示了物质的 相应密度，而c t 成像过程中能显示病人组织信息的是相对密度，而不是绝对密度， 因此某物质的c t 值一般按下式计算。 c t ：10 0 0 t x - t , 像 ( 2 - 1 ) 这里c r 为某物质的c t 值，如为该物质的衰减系数，呶为水的吸收系数。从 公式中我们可以看出该物质的衰减系数越大该物质的c t 值也越大，而x 射线的能 量值又与物质的衰减系数有关x 射线的能量越低则相同物质的c t 值会有所增大。 2 1 4 采用c t 的优势 影像学检查方法有很多，相对这些方法，采用c t 检测具有一些有点，主要 表现在下面三个方面。 1 真正意义的截断面图像 c t 通过准直器系统的准直，可得到无层面外组织结构干扰的横断面图像。 我们通过与普通的x 射线摄影比较得出，c t 设备得到的横断面图像也更加准确， 图像的清晰度也更高，得到的细节信息也更多，层面以外结构的干扰对他的干 8 硕士学位论文 m a s t e r 。st h e s i s 扰小。 2 密度分辨率高 c ，i 影像可以获得更高的分辨率，相对其它医学影像检测手段，核磁共振除 外。 3 可作定量分析 c 1 i 能够准确地测量各组织的x 射线吸收衰减值，也就是我们前面提到的c t 值，可以方便的进行后续图像分割处理，因为c i 图像本身就是个数字矩阵， 直接可以使用数学上的方法进行处理。 2 2 脑部的主要疾病及c t 诊断 当今世界脑部疾病越来越多，脑是人体的神经中枢，控制着人的各种活动，脑 部病变往往对家庭的冲击是巨大的，而脑病中最容易发现，且死亡率最高的当是脑 癌和脑部瘀血，这类疾病相对其他，发病区域在脑c t 图像上的表现相对明显，面 积有时候很大，成块状，且颜色也较深，有利于计算机自动识别，因此本文主要是 对这类病变脑c t 图像进行处理，获取病变区域位置等信息，为后续治疗提供帮助， 方便医生对比c t 影像资料，为病人的治疗争取宝贵的时间。 2 2 1 脑癌及颅内出血概述 “脑癌是一种在颅腔内大量繁殖，破坏原有平衡的细胞，脑癌又称颅内肿瘤， 可起源于脑、脑膜、神经、血管及脑附件，或由身体的其他组织或脏器转移侵入颅 内而形成，由于癌细胞具有无限复制繁殖的特点，将会对脑部大量正常神经造成伤 害，大都可产生头痛、颅内高压及局灶性症状，是神经系统中常见的疾病之一，对 人类的生命健康，生活起居有着很大的影响”。脑癌一般分为原发和继发两大类， 原发性颅内肿瘤可发生于脑部一些组织、脑膜、颅内神经组织、脑垂体、脑部血管、 残余胚胎组织等，身体其它部位的恶性肿瘤转移或侵入颅内形成的转移瘤，我们称 之为继发性肿瘤。 2 2 1 1 脑瘤的相关研究。 ( 一) 发病原理 脑瘤的发病原因至今都是一个谜，没有哪个组织国家真正搞懂过，我们只能推 9 硕士学位论文 m a s t e r st h e s i s 测可能与遗传因素、胚胎残余组织、病毒感染及某些物理、化学因素刺激以及环境 影响有关。近年来分子生物学，遗传学的发展，使我们对脑癌发病原因有了一个新 的认识，脑癌可能是由于某些基因出现不正常，通常称这些基因为癌基因，当正常 细胞的染色体碰上了这一基因就能诱使细胞发生异常繁殖，阻碍正常细胞的生长， 产生一些其它问题。 ( 二) 脑癌的分类 脑癌按笼统的方法可以这样分： ( 1 ) 神经胶质瘤：占颅内肿瘤的一半左右，它又分成l 4 级，这其中1 2 级为偏良性的肿瘤，3 4 级称“恶性胶质瘤 。这种痛细胞主要生长在脑神经组织， 对脑神经进行破坏。 ( 2 ) 脑膜瘤：约占脑瘤的2 0 ，属于良性肿瘤。 ( 3 ) 垂体瘤：占脑瘤的1 0 左右，为良性肿瘤。 ( 4 ) 听神经瘤：占脑瘤的8 ，为良性肿瘤。 ( 5 ) 来源于胚胎残余组织的肿瘤，多属于良性肿痛。 从上面我们可以看到大部分致病肿痛都是神经胶质瘤，该类肿瘤对人体伤害最 大。 ( 三) 脑癌的诊断 “脑瘤的诊断，以往主要依赖于临床症状、体征、神经系统检查、x 线头颅摄 片的阳性结果，目前采用头颅c t 检查或磁共振成像，其检出率在9 0 以上，可高 达9 9 7 ，有助于病人的早期发现”。c t 作为脑部肿瘤诊断及鉴别的主要手段， 由于其可帮助医生对肿瘤位置进行准确定位，为医生后续实施治疗方案提供可靠依 据，而图像分割提取可以自动的提取脑癌的病变位置，辅助医生进行病变的准确确 诊及后续的手术治疗，同样通过脑癌c t 图像的分割提取，为后续三维重构创造前 提条件，为医生的准确实施虚拟手术提供帮助。 2 2 1 2 颅内出血的c t 表现 “5 4 例均可见脑实质高密度影像，单发者5 l 例，( 占9 4 4 ) ，血肿形态为小圆 形，椭圆型及肾形，边缘整齐，血肿周围无明显低密度水肿区，无脑室受压及中线 结构移位”呻1 。脑出血是一种常见的脑部疾病，一般是在外力重击下，因此其出血 部位不确定，大小形状也千差万别，一般边缘比较模糊，不易区分，还混杂在各种 组织中，且其灰度值与其它软骨等密度相对较大的组织相似，c t 表现为有可见新月 形或带状高密度阴影，不甚规则，可单发或多发，因此仅从灰度值上考虑很难将其 分割出来，必须结合其他信息进行分割n0 1 。 2 2 2 脑部病变的c t 影像特点 1 0 硕士学位论文 m a s t e r st h e $ 1 8 脑癌及颅内出血，中风等脑部疾病的诊断主要是依靠c t 进行诊断和鉴别，通过 分析c t 图像，我们可以很容易的区分出大脑中的灰质、白质、病变区域等，但在 实际应用中，往往由于空间地域、时间参数、设备因素等其他物理条件的影响，使 得成像具有不确定性，图像中往往夹杂着一些噪点，造成后续处理上的困难。本文 中的脑部病变区是高密度区，但是也由于噪点，边缘不够清晰，造成不易区分病变 和非病变，使得图像难以分割1 。 c t 影像仅能检测出大到一定程度的脑器质性病变，而相对轻微的脑器质性病变 非常难查出来，如早期的老年痴呆症，脑血管动脉硬化，血管性头痛等。由于上述 提到的c t 图像的特点，在分辨率和抗干扰，价格等优势上，都可以兼顾，所以我 们选择c t 影像作为我们的数据输入，具体数据都来自于武汉协和医院的临床脑部 c t 图片库。目前c t 已成为脑部病变区域诊断及鉴别的主要方法，能提供病变区域 的精确位置，在原有图片上标示出病变区域的具体位置，并可对比不同时期同一病 变区域的变化情况，为医生提供更直观的医学影像，协助医生进行诊断。 2 3 脑部c t 图像常用分割方法 1 9 8 5 年r m h a r a l i k 和l g s h a p i r o 在“图像分割技术”一文中所给的定义如 下n 2 1 ：“图像分割是将图像划分成一系列具有某种特性、非重叠、连续的均质区域。 如果用i 表示图像域，& 表示第k 类像素的集合 ，根据上面的定义，可以用如下 数学表达式( 2 2 ) 对分割问题加以描述： i = u k = l ( 2 - 2 ) 其中当k 时，s kn s j = ，且s 是一个连续的区域时，从医学图像分割角度来 看，某种特定的解剖结构或感兴趣区域对应于这种连续的区域。 医学图像的分割历来都是世界各国争先解决的难题，近几年来，很多人对其做 了深入的研究，国内国外学者提出了很多实用的分割算法n 3 儿h 儿例，随着统计学理论、 模糊集理论、神经网络、形态学理论、小波理论、生物信息学算法等在图像分割中 的广泛应用，加上近期出现的大量新方法的应用，如遗传算法、尺度空间、多分辨 率方法、非线性扩散方程等，都被尝试用语医学图像分割，并产生了一些针对特定 图象，特定目的的图像分割方法，这些方法在其相关领域取得速度效率等方面的效 果，但是也存在其缺点。 目前，国内国外对脑部c ，i 图像的分割，主要是先对脑部图像进行预处理，去除 噪点、对比度扩展等，这样更有利于后续的颅内区域自动提取，颅内区域分割；颅 内区域的提取主要是采用区域增长法，主动轮廓法( a c t i v ec o n t o u rs e g m e n t a t i o n ) n ，边缘检测法，图像扫描，以及先对原图像进行增强，以使颅骨及外部区域更 加鲜明，以方便使用阈值法提取颅内区域n7 1 ；最后就是颅内各区域的分割，包括病 变区域的提取，目前最常采用的是迭代模型( i c m ) 方法，最大后验空间概率法( m a s p ) n 8 1 ，模糊聚类空间模型( f c s p ) n 引，模糊c 均值法汹1 ，期望最大( e m ) 算法乜，基 于马尔可夫随机场算法1 等。i c m 方法存在参数需要人工设置，自动化程度不高； 最大后验空间概率法和模糊聚类空间模型算法需要其他分割算法的预处理才能取 得较好的分类效果；模糊c 均值算法对噪声比较敏感；基于马尔可夫随机场的算法 耗时较长：e m 算法能够较好的处理图像不均一性，速度也快，但是该算法对计算初 值比较敏感。而本文在以前论文中写到的基于粒子群的二维o t s u 算法1 和f e o t s u 算法乜4 1 基础上，提出了一种采用粒子群优化的改进的p c n n 算法，该算法可以自动 对脑颅内区域进行分割，分别提取出我们感兴趣的不正常区域或者病变区域( 中风， 闹出血，癌变等) ，以及脑脊髓液( c s f ) 和脑髓。 2 4 本章小结 本章分析了c t 图像的成像特点，对医学成像技术做了简单的概述，并由此引 出了一些常用的脑部c t 图像分割方法，外国对c t 图像分割技术的研究始于9 0 年 代末，半自动、自动分割算法的陆续提出，为医学影像诊断提供了新的技术手段， 脑部c t 图像的分割结果更能客观、准确的描述病变位置和体积等信息。本文就是 在此基础上提出一种新的采用粒子群优化的改进的p c n n 算法，该算法可以自动、 准确的分离出不正常区域( 中风、脑出血和癌变等) ，灰质和白质等颅内正常区域。 后面的章节我们将介绍该算法。 1 2 硕士学位论文 m a s t e r st h e s i s 第三章脑部c t 图像的预处理 在进行不正常区域( 中风、脑出血和癌变等) ，灰质和白质等颅内正常区域分 割前，由于我们实际采集到的c - i - 图像是包括颅骨以及一些其他周边信息的，因此 必须先对脑部图像进行预处理，提取出颅骨内的区域，排除颅骨及其外部区域对颅 骨内区域分割效果的影响。而目前颅骨内区域提取的算法主要采用的是先对脑部c t 图像进行对比度增强，然后进行阈值分割，有些还需要通过区域生长法正确提取出 颅骨内区域。在介绍该传统算法的基础上，本文将提出另一种颅骨内区域提取算法， 该算法更简单有效的提取颅内区域。 3 1 对比度增强 由于原始图像对比度很低，边缘信息不是很强，缺乏动态范围，不利于颅内区 域提取，因此使用对比度增强算法( c o n t r a s ts t r e t c h i n g ) 以增加原图像的灰度 值范围。首先根据原始图像的直方图的波峰确定最低灰度值的限制j 。和最高灰度值 的限制毛，这里我们也可以通过截断函数来确定l 和屯，截断函数一般旋转光滑 曲线。通过方程( 3 1 ) 我们就可以增强原始图像。 删，2 等岩 浯d 这里k ，( f ，j ) t f 1 f ( i ，) 分别是图像的最大灰度值，原图像的灰度值矩阵，增强 后图像的灰度值矩阵。在对比度加强后，结果如图3 1 所示。 ( a ) 图3 - 2 ( a ) 二值化图像 ( b ) ( b ) 只有颅骨的二值化图像 硕士学位论文 m a s t e r st h e s i s 3 2 1 连通域标记算法 基于像素的连通性，通过扫描图像使得它的每一个像素分别进入不同的区域 中，即一个连通区域中的所有像素分享相似的像素强度估计值且彼此以某种方式 联系着，这就是连通域标记算法。一旦所有区域都被确定，每一个像素都一种灰 度值或一种颜色( 颜色标签) 标定，通过他的组成部分被分配不同的颜色。 对连通域的标记分为4 一邻接连通域标记和8 一邻接连通域标记，这主要是根据 对像素邻接性定义的不同来区别。连通域标记即给每个连通域一个唯一的数字( 一 长串整数) ，然后对这些不同的标记( 数字) 进行着色，而最大的整数标号通常给 出了图像中连通域的数目瞵1 。 每一个区域在多区域分类结果图中都是以不同的标号来表示的，这些标号表示 出连通域的数目。这里我们假定当前检测的像素点为尸，其左邻像素点为三，上邻 像素点为a ，r 和b 为其两个斜对角，为了简化，我们这里以4 - 令i j 域为例( 如图3 3 所示) 来介绍经典的连通域标记算法流程汹1 ： ( 1 ) 如果三、彳、r 和b 的类别标记号，即p 领域点的类别标记号与p 的类别 标记号不同，则给尸一个新的连通域标记，否则执行下面的步骤。 ( 2 ) 如果l 、a 、r 和b 中仅有一个具有与尸相同的类别标号，那么p 被赋予 和此像素相同的连通域标记，否则执行下面的步骤。 ( 3 ) 如果l 、a 、r 和b 中与p 有超过两个相同的类别标号，但是三和其领域中 一个的连通域标记又不同，那么将其中一个像素的标记赋给尸，同时把发生冲突 的连通域标示写入相应的等价表。 ( 4 ) 如果三、彳、r 和b 与尸都具有相同的类别标号，并且l 、彳、r 和b 具有 相同的连通域标记，那么将它们的连通域标记赋值给p 。 a l 愚 r b 图3 34 一领域 1 5 通过以上步骤，进行第一次扫描后得到相应分类结果，即每个像素都得到了一 个唯一的连通区域标记值，由于标记的不确定性，可能存在有些连通区域有不同 标号的像素，这就造成连通区域的不连通性，因此需要对图像进行第二次扫描， 用等价表中的最小值来代替发生冲突的连通区域标记”1 。 由于颅骨区域总是堆大的连通区域，因此我们最后保留最大的连通区域，而移 出其他连通区域，可通过计算连通区域的面积来判断哪个连通区域最大。结果如 图3 2 ( b ) 所示。 3 2 2 生成脑部图像的掩模拒阵及颅内区域提取 为了产生脑部图像的掩模矩阵，我们把颅骨和颅骨外的区域的象素值设为1 ( 白 色象素) ，而颅骨内的区域设置为0 ( 黑色像素) ，产生这样一个掩模矩阵，最后通 过1 ( f i n d ( m a s k ) ) = o ；其中，为原始图像的矩阵表示，m a s k 为前面得到的掩模矩阵， 一耐0 为m a t l a b 巾的一个函数，可以帮助我们找到颅骨内区域的图像。虽后结果 立图34 所示 图3 4 提取出来的颅骨内区域 3 3 行列扫描提取颅内区域法 为了达到理想的分割结果，必须首先得到颅腔的准确边界。本文通过如下方法 解决该问题：首先，将源输入图像规格化为5 1 2 5 1 2 大小的灰度图m 。然后从肘 硕士学位论文 m a s t e r st h e s i