基于CT数据的髋臼脱位辅助治疗方法研究

基于CT数据的髋臼脱位辅助治疗方法研究作 者 姓 名：指 导 教 师：单 位 名 称：专 业 名 称：Xx 大 学20xx年6月An Auxiliary Treatment Research for Acetabulum Dislocation Based on the CT Data by Zhang XiongSupervisor: Lecturer Li HongNortheastern UniversityJune 2015毕业设计（论文）任务书毕业设计（论文）题目：基于CT数据的髋臼脱位辅助治疗方法研究设计(论文)的基本内容：(1) 医学CT图像的分割：从髋关节的CT图像中分割出髋臼和股骨头(2) 基于CT数据的球面拟合：根据已分割的髋臼和股骨头的数据，拟合球面毕业设计（论文）专题部分：题目：设计或论文专题的基本内容：学生接受毕业设计（论文）题目日期第周指导教师签字：年月日- V -基于CT数据的髋臼脱位辅助治疗方法研究摘 要随着社会的进步和人类生活水平的不断提高，人们越来越关注自身健康和生命质量，生物医学工程学作为一个交叉学科得到了迅速的发展，其中计算机辅助外科手术(CAS)在治疗过程中起到了非常重要的作用。螺旋CT等产生的图像信息重建出的二维图像或三维模型为医生在进行疾病诊断、病变区域的定位、治疗方案的设计等提供了客观、准确、直观、科学的手段。基于此，本文开展基于CT数据对髋臼脱位疾病辅助治疗方法的研究。在查阅大量文献的基础上，本文针对辅助治疗研究方案的需求，系统的研究了人体髋关节的结构及髋臼脱位的相关信息，并对在处理过程中涉及到的CT图像预处理、去噪、骨骼分割、数据提取、及CT图像股骨头和髋臼建模的理论和方法等相关内容进行研究。主要的研究内容和贡献如下：本文主要通过对髋臼脱位的CT影像进行分析，将髋臼与股骨头进行分割（本研究主要集中在数据模型的建立），获取各部分的独立数据；利用分割得到的髋臼数据，通过计算机编程建立髋臼和股骨头的球体模型，并测量相关的参数，辅助医生判断病人髋臼是否存在脱位以及脱位的级别。经过4个病例中的7组髋关节数据进行测试，本文的研究方法，髋臼脱位的诊断成功率达到了85.71%。本文的创新之处在于，利用如今掌握的图像处理相关知识，探索了一种发育性髋臼脱位的辅助诊断手段，填补了目前在国内外此方面研究的空白，可以有效的辅助医生对髋臼脱位进行诊断，减少误诊的几率；另一方面，本文通过对髋臼和股骨头的球面拟合，可以通过拟合的球心来对髋臼和股骨头进行粗定位，辅助医生对髋臼脱位的病人进行治疗，提高治疗的效率以及准确度，改善对患者治疗效果。关键词：髋臼脱位；辅助治疗；图像分割；球面拟合An Auxiliary Treatment Research for Acetabulum Dislocation Based on the CT Data AbstractWith the progress of the society and human life level, people pay more attention to their health and quality of life. The biomedical engineering as a cross subject gets rapidly development. The computer aided surgery (CAS) in the treatment process has played a very important role. Doctors can use spiral CT image reconstruction from the 2-d images or 3-d model in more parts such as disease diagnosis, the positioning of the lesion area, and design of the accurate intuitive treatment. This article researches an auxiliary treatment method for developmental dislocation of the hip (DDH) based on CT data of acetabulum.After reading a large number of literatures, this article did some research about structure of the human hip joint and the information of dislocation of the acetabulum. Also, I did much research about the technology used in this program, such as the CT image preprocessing, denoising, bone segmentation, data extraction, and the CT images of the femoral head and acetabulum modeling theory. The main research contents and contributions are as follows:This article mainly analyzed CT images of the dislocation of the acetabulum, and then get the segmentations of the acetabulum and femoral head, this research is focused on the establishment of data model. Using the acetabulum data obtained from the division and the acetabulum and femoral head was established to sphere model through computer programming, then measure the relevant parameters, assisting doctors to determine whether a patient acetabulum is the dislocation. After testing 7 groups of hip data in this paper, there were six correct samples in seven.The innovation of this article is that using mastered knowledge of image processing, explored a kind of auxiliary diagnosis method for the developmental dislocation of hip, filling the blank in the research of this aspect both at home and abroad at present, which can effectively assist doctors to diagnosis of DDH, reducing the rate of misdiagnosis. On the other hand, this article can coarsely position the acetabulum and femoral head using the acetabulum and femoral head of the spherical surface fitting, which can assist doctors in the treatment of dislocation of the acetabulum patients, improving the efficiency of the treatment and accuracy.Key words：acetabulum dislocation; auxiliary treatment; image segmentation; sphere fitting 目录毕业设计（论文）任务书I摘要IIAbstractIII目录IV第一章 绪论11.1 研究的背景11.2 研究的意义21.3 CT图像相关知识21.3.1 CT图像和CT值21.3.2 CT切面31.4 人体髋关节31.4.1 股骨头41.4.2 髋臼51.4.3 髋关节脱位51.5 国内外研究现状61.5.1 图像分割研究现状61.5.2 髋臼建模研究现状71.6 研究的内容及章节安排8第二章 医学CT图像的数据获取及预处理92.1 引言92.2 CT图像的获取及有效数据筛选92.3 感兴趣区域选取92.4 CT图像的预处理102.5 本章小结12第三章 髋臼CT图像分割133.1 引言133.2 图像初始分割133.2.1 灰度阈值法分割133.2.2 二值图像的初步形态学操作153.3 髋臼和股骨头的提取163.3.1 区域生长法163.3.2 区域生长法的局限性及解决方案183.3.3 区域填充183.3.4 边缘提取193.4 本章小结21第四章 髋臼和股骨头建模224.1 引言224.2 数据点提取224.2.1 股骨头表面数据点采集224.2.2 髋臼表面数据点采集224.3 误差点去除234.4 球面拟合264.4.1 股骨头球面拟合274.4.2 髋臼月状面球面拟合284.4.3 成果28第五章 结论295.1 全文工作总结295.2 后续工作展望29参考文献30致谢310 绪论第一章 绪论1.1 研究的背景社会的进步和人类生活水平的不断提高，人们越来越关注自身健康和生命质量，对医学研究水平、临床诊断和治疗手段等提出了更高的要求。进入21世纪，生命科学和生物医学工程学等学科逐渐已经成为科学领域的研究热点，被认为是21世纪最重要的科学研究和经济的增长点。作为一个发展迅速的且倍受关注的交叉学科，生物医学工程学(Bio-Medical Engineering, BME)综合了生物学、医学与工程学的理论和方法，把生命体的构造、功能状态和变化、生物信息等作为研究对象，把新材料、新技术、新仪器设备等开发和应用作为新的研究目标，对防病、治病、保护人民健康和提高医学水平具有特别重要的作用。近几年来，生物医学工程学发展非常迅速，其主要的分支学科，如生物力学、组织工程学、生物材料、人工器官、仿生学、生物医学信息提取、生物医学图像处理、建模及医学影像学的发展更是日新月异，特别是计算机辅助外科手术(CAS)和虚拟外科手术(VS)等的飞速发展，对提高医学诊断和治疗水平具有重要的意义1。利用螺旋CT、磁共振成像、超声等图像信息，重建二维图像或三维模型，为外科医生进行疾病诊断2、病变区域的定位、解剖结构的研究、治疗方案的设计以及计算机辅助外科手术3等提供了客观、准确、直观、科学的手段，在人体整形、假体置换、放射治疗等各个方面均得到很好地应用，对提高手术精度、降低手术风险具有重要意义。但这方面的研究还只是开始，其技术和设备远没有成熟，因此，这方面的研究具有广阔的发展前景。发育性髋关节脱位(Development Dislocation of the Hip, DDH)是临床上常见的小儿先天性畸形，其病理改变包括骨性和软组织两个方面，其中，骨性病理变化主要包括髋臼发育不良、股骨头脱位及股骨近端改变，形态学上表现为正常解剖结构变化，导致临床上不同程度的病理改变，主要分为全脱位、半脱位和发育不良三种类型4。此疾病需要及早处理，早期的 DDH 保守治疗是可以取得良好的临床效果；但晚期或延误最佳保守治疗时机的发育性髋关节脱位的病例常需手术矫形治疗5。然而治疗中，通过手术的方法，在手术中股骨头形状和大小的确定仅仅通过医师的主观判断，缺乏精确的模型指导和对修复重建后模型的客观评价，因而手术效果受到一定影响。为此本学院与医院联合提出此研究项目，目的是通过建立辅助手术系统,利用病人自身的CT影像数据，构建骨骼模型，然后在模型指导下完成定位等工作，进一步提高髋臼脱位复位治疗的精度,降低手术风险。1.2 研究的意义发育性髓关节脱位(Developmental Dislocation of the Hip, DDH)是小儿骨科最常见的先天性畸形之一。具有发病率高、致残率高、治疗时间长、需要长期随访观察等特点，有的甚至是终身随访评估和干预治疗。本文主要探索一种较好的辅助诊断治疗手段，填补目前自动化髋臼脱位诊断的空白。通过对CT数据进行处理，有效的辅助医生对髋臼脱位进行诊断，减少误诊的几率；另一方面，通过CT数据来对髋臼和股骨头进行球面拟合，可以根据球心来对髋臼和股骨头粗略定位，辅助医生对髋臼脱位的病人进行治疗，如手术过程中对髋臼和股骨头的定位，提高治疗的效率以及准确度，改善对患者治疗效果。1.3 国内外研究现状髋关节是人体重要的承重部位之一，而发育性髋关节脱位是常见的儿童骨骼发育性疾病，因此髋关节形态的分析和建模是国内外学者研究的热点问题。从文献的查阅情况来看，目前还没有关于利用CT髋臼脱位恢复治疗的文献。经过对研究内容的分析，将髋臼脱位恢复治疗分为两个大的步骤，一个是对髋臼CT数据的分割，另一个则是对髋臼和股骨头模型建立。1.3.1 图像分割研究现状CT 图像分割方法按所使用方法的性质，概括性的可分为四类：基于区域（Region Based）的分割方法、基于边界（Edge Based）的分割方法、基于模型（Model Based）的分割方法以及基于图谱（Atlas Based）的分割方法。其中基于模型的分割方法又可以分为：基于变形模型（Deformable Model Based）的分割方法和基于统计形状模型（Statistical Model Based）的分割方法。本文重点研究图像分割方法在髋关节，因此，接下来着重对骨CT图像的分割进行介绍。在CT图像中，由于骨相比周围的软组织有更高的密度，因此基于灰度信息分割法是一种最为普遍应用的骨分割方法6。阈值分割是该类分割方法中的代表方法，进一步细化，阈值分割又可包括全局阈值分割法和局部阈值分割法。全局阈值分割法需要事先手动或者自动的选定一个全局阈值，阈值的选取决定着分割的成败。对于髋关节CT图像，由于骨密度的不均匀性、股骨头和髋臼之间连接区域的狭窄性以及由病变引起的弱边缘性等原因，现实情况中很难选择一个恰当的阈值，使其大于所有软组织的强度同时小于骨组织的强度，因此仅使用全局阈值分割髋关节CT图像难以取得较好效果。局部阈值分割方法可以较好的缓解全局阈值分割过程中过分依赖所选定的全局阈值的缺陷。但是局部阈值分割对噪音更加的敏感而且对于股骨头和髋臼之间的狭窄连接区域依然难以准确分割。分类（Classification）和聚类（Clustering）法也常用在骨 CT 图像分割过程中。分类是指用已知样本集训练得到其特征实现对新样本划分的过程，属于有监督的统计分析方法，而聚类是指通过自我迭代训练的实现自身划分的过程，属于无监督的统计方法。分类、聚类和阈值法都属于基于区域的图像分割方法，但与阈值分割方法不同的是，分类和聚类方法可以较好的结合图像的空间信息，因此对噪音具有更强的鲁棒性。分水岭（Watershed）方法由于对图像中的弱边缘具有良好的响应，因此对骨 CT 图像中存在的弱边缘现象有较好的分割结果7。1.3.2 髋臼建模研究现状因不同人员研究目的和病体需要的不同，髋关节建模的方法很多，所使用的数据来源也各不相同，为便于分析、比较，本文以不同数据类型为线索，对国内外髋关节建模的研究现状进行分析。目前，在对人体关节或骨骼建模的研究中，基于不同的数据的建模方法主要可分为以下几种：1）基于点云数据的建模方法。首先通过三维激光测量仪得到的尸体骨骼标本的点云数据，再结合点云拼接、曲面重构等反求工程技术获得髋关节重建模型。这种建模方法可以真实再现髋关节的原始形态，精度高。2）基于医学影像设备检测的尸体标本数据的建模方法，如CT图像、X光片等。基于CT图像的建模方法主要利用断层图像，提取骨骼轮廓，然后利用表面重建方法和绘制方法获得骨骼或关节的表面模型。3）基于活体影像数据如CT或MRI图像的髋关节建模。这种方法直接利用病人自身的数据，个体匹配高，对辅助手术系统建模是非常理想的方法。近年来，这方面的研究越来越受到国内外研究人员的关注，已有不少研究成果出现，如加拿大George等16利用从CT数据得到的骨几何形状的自适应重构模型，再利用Bernstein基函数BBF曲线曲面拟合方法重构出骨的几何模型；国内在人工髋关节CAD建模的研究与应用方面也取得了一定的成果；上海交通大学生命质量与机械工程研究所对于“定做式”人工髋关节的研究起步较早，已初步建立了“定做式”人工髋关节假体的CAD/CAM系统。1.4 研究的内容及章节安排本文主要通过对髋臼脱位的三维CT影像数据进行分析，根据计算机可视技术将髋臼和股骨头的三维形体在计算机上显示，然后将髋臼与股骨头进行分割（本研究主要集中在数据模型的建立），获取各部分的独立数据；利用分割得到的髋臼数据，通过计算机编程建立髋臼的数学模型，并测量相关的髋臼参数，为医生提供诊断治疗。在此过程中主要涉及到以下几个关键技术，图像的去噪、图像分割、边界提取、曲面重构等。研究过程中的主要难点在于：（1）如何去使平面分辨率和纵向分辨率保持一致。（2）如何去将髋臼和股骨头分割开，以便对其独立操作。（3）如何去获取髋臼和股骨头的数据点用以拟合球体。（4）如何去判断数据的有效性及如何提出无效数据。（5）怎么实现球面拟合。章节安排如下：第一章绪论中主要介绍选题的背景和意义，分析国内外发展现状，对本文中涉及到的知识点进行综述，并对本文的研究内容做简要概括。第二章主要介绍髋臼的解剖结构、CT数据的相关知识、本文中使用的医学CT数据的来源、CT数据的相关信息，并筛选有效数据，最后对CT图像进行预处理。第三章主要对CT数据进行分割处理，分别提取出髋臼数据和股骨头数据，并对髋臼和股骨头进行边缘提取。第四章在几章的基础上，提取髋臼和股骨头的表面数据点，使用相关技术剔除误差数据，来对髋臼的月状面和股骨头进行球面拟合，计算出球体的球心坐标。第五章对本文的研究工作做出总结，展望以后的工作方向。- 40 - 第二章 人体髋关节解剖结构及其CT图像预处理本章首先详细介绍人体髋关节的构造，并介绍了髋臼和股骨头的相关信息。同时，介绍了在临床上的髋臼脱位疾病的情况。接下来介绍了在本文研究过程中使用的CT图像的来源，同时介绍了这些数据的相关信息，例如平面像素的间距（平面分辨率）、层间距（纵向分辨率）、数据集尺寸范围（有效数据）等。最后重点探讨了在图像进行分割之前需要进行的图像预处理。2.1 人体髋关节本文对人体髋关节CT图像进行研究，研究得主要对象是关节中的骨骼区域，模型重建时需要将骨骼从髋关节CT图像中分离出来，同时还要将股骨和髋臼从关节骨骼中单独分割出来。然后根据分割出来的股骨头和髋臼分别建立模型，来进行辅助治疗。下面对髋关节的解剖结构进行简要说明。髋关节由髋臼和股骨头构成，是人体最大，关节窝最深，也是最典型最完善的杵臼关节。如图2.1、图2.2所示，股骨是人体最长、最重、最强壮的长骨，连接了两大关节，远端连接膝关节，近端则与髋骨上的髋臼构成髋关节，包括股骨头、股骨颈和大、小转子等。髋关节的主要功能是负重。其位置在全身的中部，结构持殊，当全身剧烈运动时，髋关节的结构能够适应骨的杠杆作用产生的巨大力量，因此，髋臼的构造，既坚固又灵活8。图2.1 髋关节的解剖结构图2.2 髋臼和股骨头2.1.1 股骨头股骨头位于股骨上端，朝向上内前方，除顶部稍显扁平外，整体呈球形状，约占圆球体的2/3。除股骨头凹处之外，均为关节软骨所覆盖，但并不均匀一致。股骨头的关节面要比髋臼的关节面大，这样可以增加活动面积和范围。见图2.3。图2.3 股骨解剖结构2.1.2 髋臼髋臼呈倒杯状，约占球面的2/3。负重关节面部分呈马蹄形，称月状面，较厚，被关节软骨覆盖；不负重的部位为非关节面，位于马蹄形二臂之间，较薄，为髋臼窝。髋臼横韧带将髋臼切迹缺口封闭，形成一个完整的球凹。见图2.4。图2.4 髋骨及髋臼的解剖结构2.1.3 髋关节脱位发育性髓关节脱位(developmental dislocation of the hip, DDH)是小儿骨科最常见的先天性畸形之一。具有发病率高、致残率高、治疗时间长、需要长期随访观察等特点，有的甚至是终身随访评估和干预治疗。根据Tonnis分级9评估，可将脱位程度分为以下几类4组，见表1.1。表1.1 Tonnis分级分级标准内容度股骨头骨骺骨化中心位于髋臼外上缘垂直线的内侧。度股骨头骨骺骨化中心位于 Perkins 线外侧，但在髋臼外上缘的下方。度股骨头骨化中心位于髋臼外上缘水平，与 H 线同一水平。度股骨头骨化中心位于髋臼外上缘水平，在 H 线之上。髋关节脱位的治疗方案大体上分为两种，一是保守治疗，闭合复位；二是骨性手术切开复位。其中保守治疗具有创伤小，早期干预。骨性手术切开复位则依据患儿年龄、脱位程度、髋臼指数等因素选择不同的术式，主要是骨盆截骨术式的区别，常见的有 Salter 截骨、Pemberton 截骨、Dega 截骨、Charri截骨、Ganz 截骨、Steel 三联截骨等。实际临床工作中发现闭合复位治愈率较低，且残余畸形率高，大部分仍然需要行二次手术。2.2 CT图像相关知识2.2.1 CT图像和CT值CT 图像由两部分构成：像素的强度和大小，其中像素强度反映的是器官或者组织对于 X 射线的吸收程度，像素的大小反映的是图像的精细程度，也即图像的空间分辨力。CT图像的CT值反映了组织对X射线的吸收值(即衰减系数)，其单位为Hounsfield Unit(HU)。以水的衰减系数为参照，水的衰减系数为0，其它物质的衰减系数大于水的为正值，小于水的为负值，并以骨皮质和空气的衰减系数为上限和下限，定为+l000和-1000。图 2.5 为人体各组织所对应的CT 值，其中骨骼对应的 CT 值最高，空气对应的 CT值最低，人体其他各组织的 CT 值介于这两者之间。图 2.5 人体不 同 组 织的 CT值分布一般，我们所处理的CT图像是经量化后的灰度图像，通常为12位或16位灰度图像，图1.2表示了人体CT图像中主要组织的灰度值分布情况。图2.6 人体CT图像灰度值分布2.2.2 CT切面CT 图像是关于人体的三维图像，在实际应用中常需要从不同方向观察和分析 CT 图像。在人体解剖学中，沿左右方向将人体纵切为前后两部分的截面称为冠状面；通过人体铅垂轴和纵轴的平面及其平行的所有平面称为矢状面；垂直于人体的轴心线方向切断人体后所露出的表面称为横断面，如图 2.7 所示。截面与截面之间的距离称之为层间距，CT 图像的截面通常都是横断面。图2.7 冠状面、矢状面和横切面示意图2.3 CT数据的来源及有效数据筛选本文总共使用了5套髋关节CT数据，包含10个髋关节，数据由辽宁省沈阳市盛京医院提供。这些数据中，有3套男性数据，2套女性数据。具体数据信息见下表2.1。医院提供的是整个髋关节的断层扫描图像，而我们研究的重点是股骨头和髋臼部分，因此，为了提高后续分割和建模的处理速度和效率，需要剔除部分无关数据。分割和建模过程主要用到股骨头和髋臼部分的图像，故需要去除其他的无效数据，只保留股骨头和髋臼部分的数据，因此得到了相应的数据范围，详情见表2.2。表2.2 CT数据相关信息数据序号年龄性别切片平面像素数平面像素间距(mm)层间距(mm)层数数据集范围13女512*5120.41211.5153512*512*35 512*512*80212男512*5120.74801266512*512*100 512*512*19034女512*5120.56841328512*512*90 512*512*20541男512*5120.43551116512*512*20 512*512*60其中，在本文中使用到了其中的7副数据，正常髋有3副，病变髋有4副。2.4 感兴趣区域选取髋关节CT图像除了骨骼以外，还有背景、软组织、肌肉等，见图2.1(a)，而本文需要处理的是髋关节和股骨部分，为了减少数据量，提高运算速度，应先将感兴趣区域(Region of Interesting, ROI )提取出来。提取的方法是在MATLAB软件内，手动选取感兴区域，然后用鼠标点出围成ROI区域的多边形的顶点，只保留感兴趣区域内的数据，框外的数据全都置成0。这种做法的目的在于，保留髋臼及股骨头在整幅图像内的坐标信息，因为之后会通过分割之后的结果来拟合球面，如果不一致，会导致坐标出现紊乱。其他的断层图像按照此窗口来完成提取操作。分割之后的结果见图2.8(c)。 (a) (b) (c) (d)图2.8 CT图像、ROI区域选取和结果之后对这两个ROI区域的数据体进行分别保存，后续的处理皆可在此基础上进行。经验证可得，运算速率得到很大提升。2.5 CT图像的预处理CT 图像在采集以及存储过程中难免受到某种程度的破坏以及各种各样噪音的污染，使得所得到的图像丧失了本质或者偏离了人们的需求，在此情况下就需要采用图像预处理技术消除图像所受到的影响。常用的图像预处理技术包括滤波、增强、恢复、插值以及几何变换10。鉴于本文的主要研究内容是通过医学CT数据建立数字髋臼模型，分割不是本文研究的重点，故在图像分割过程中，遇到使用阈值法无法有效分割的部分，需要结合手动操作来进行，例如手动绘制掩膜等。因此，在预处理部分，主要的内容是对CT图像进行等方性处理，来使图像的分辨率保持一致。根据CT 图像的成像特点可知，图像在各层间的数据密度远小于各层内的数据密度，即图像的平面分辨率远高于轴向分辨率，由此导致物体的冠状面和矢状面图像存在拉长或者压扁的现象。直接处理这些图像，不仅会导致一些依赖图像各向同性技术的失效比如三维高斯滤波、均值滤波；而且会导致分割后重建的图像产生严重变形，失去三维的意义。本文中涉及到的CT数据，方向的分辨率是一致的，故只需要对方向进行插值。为了解决这种问题，本文采用线性插值（linear Interpolation）方法对原始髋关节 CT 图像进行插值，使其在三个方向达到空间分辨率的一致。线性插值的基本思想是：待估计点的取值是由相邻的两点之间的值进行插值估计。基本的步骤为：在两层断层图像之间，设即待估计点到上层点的距离，由如下给出： (2.1)其中，z为待估计点z坐标，z0为比z小的整数。z1为比z大的整数。因此，所有点的取值便可用以下公式求得：(2.2)公式里， 为待估计点处的取值，以此类推。通过此方法，即可得到分辨率一致的数据体。本文通过MATLAB软件来实现此功能， interp3 函数为MATLAB软件自带的一个插值处理函数，可以实现三维数据的插值。经过运行，查看结果可以发现，见图2.9，平面分辨率与纵向分辨率的差异会导致图像出现压扁的现象。在之后的处理，会通过数据点来进行球面拟合，若是以未经过等方性处理的数据来进行拟合，会导致坐标出现偏差，影响拟合效果。本文总共对5套数据分别进行了等方性处理，此处就不一一列举处理结果图片，只选取一张仅供参考。 (a) 患者1等方性处理之前 (b) 患者1等方性处理之后 c) 患者2等方性处理之前 d) 患者2等方性处理之后图2.9 等方性处理前后差异通过观察患者CT图的冠状面视图可以发现，在患者2的图中更明显，如果不进行等方性处理，则患者的股骨头的形状更近似一个椭圆，2.6 本章小结本章首先介绍了髋关节的解剖结构，接着介绍了髋臼脱位的相关信息，然后介绍本文使用到的CT数据的数据来源、平面像素间距、层间距、数据集尺寸范围等信息；然后通过对数据进行浏览，选取和本文研究相关的有效数据。接着对数据进行预处理，这是本文中特别重要的一个步骤，关系到球面拟合的成功与否，也涉及到拟合球的球心位置正确与否，预处理步骤主要是对体数据进行等方性处理，即使平面分辨率与纵向分辨率保持一致，此过程需要进行大量的计算，缺点就是运行速率太慢，之后可以尝试改进算法，使计算更加快速。东北大学本科毕业设计（论文）第二章 把要粘贴的内容粘到把字前面东北大学本科毕业设计（论文）第三章 髋臼和股骨头CT图像分割第三章 髋臼和股骨头CT图像分割CT 图像的髋关节准确分割，对于患者髋关节的疾病诊断、辅助治疗和术后评估具有重要意义。在髋关节的 CT 图像中，由于骨组织的密度高于周围的软组织，所以骨组织在 CT 图像中的强度更高，因此基于阈值的图像分割法是一种最为常用的骨组织分割方法，但实际上很难找一个或者几个合适的阈值能将股骨头和髋臼完整准确的分割出来，具体原因可以归结到以下几点：（1）相邻骨骼间的缝隙太小，或由于部分容积效应造成的骨骼间的边界模糊；（2）一些疏松骨质的CT值介于骨头和软组织之间，难以用阈值法区分；（3）由于病变骨骼的缺损、塌陷等造成骨骼轮廓模糊；（4）由于病人的年龄较小，骨质没有完全发育，出现股骨头没有完全发育的状况。导致提取股骨头和髋臼困难。本文基于之前查找的文献，将分割过程分为以下两个步骤：（1）图像初始分割，即基于阈值对图像进行二值化并进行相关形态学处理。（2）提取目标物，用区域生长的方法，分别提取髋臼和股骨头。3.1 图像初始分割对图像进行预处理之后，图像的分割可以分为以下两步，第一是利用全局阈值方法将图像二值化。在二值化处理之后，骨骼的大致区域被分割出来，但是由于骨密度不均匀或者发生病变，会出现骨骼内部孔洞或者骨骼边界不连续的现象，对上述问题，在第二步中，利用三维数学形态学方法对于二值图像进行初步的处理，去除噪声及骨间粘连。3.1.1 灰度阈值法分割灰度阈值法是在灰度图像中找出一个灰度值作为阈值，将图像分成两部分。设原始的灰度图像为，阈值为T，则分割后的图像为：（3.1）然而实际图像的目标和背景之间不一定只地分布在两个灰度范围内，那么就需要两个或以上的阈值来提取目标。如选择一个区间作为阈值，将用公式3.2 来进行图像二值化处理：（3.2）在阈值法分割过程中，阈值的选取相当关键，如果阈值过高，很多骨骼会被当成背景色，出现边界断裂的情况（图3.1（b）；而选取过低，又有很多软组织被当作骨骼，造成髋臼与股骨头的缝隙粘连在一起（图3.2（c）。(a)右髋关节CT图像(b)阈值选取过小 (c)阈值选取过大 (d)较好的阈值图3.1 髋关节CT图像在不同阈值下的二值化结果鉴于此，本文采用手动动态选取阈值的方法来实现对CT图像的二值化。此过程中使用东北大学本科毕业生金时开编写的基于C+的通用影像平台来进行操作11。在此平台上，可以通过手动拖动滑动条来选择阈值，同时，还可以在窗口内预览分割的效果，如图3.2所示，红色区域即为要提取出来的部分。窗口下边两个滑动条分别用来选择式3.2中的T1和T2，非常直观和方便。当然此软件也有缺陷，即需要操作此软件的人有一定的医学知识，能够明确的分辨CT图像中的组织，来进行选取。图3.2 C+影像平台CT图像二值化操作界面下面展示几张本过程中处理的图像分割的结果图，见图3.3。 (a) 患者1左右髋关节原图（ROI效果） (b)患者2髋关节原图(最初效果) (c) 患者1左右髋关节二值化图（ROI效果） (d)患者2髋关节原二值化图(最初效果)图3.3 部分髋关节二值化效果图3.1.2 二值图像的初步形态学处理利用上述阈值化方法可以得到二值图像，但是骨组织内部常常出现孔洞、骨边缘出现不连续以及骨与骨之间出现错误连接等现象。这些现象是因为骨组织密度的不均匀、骨头弱边缘性质以及CT成像过程中的部分容积效应等。为了得到更好的骨组织区域以进行随后的准确边缘分割，本章利用数学形态学方法进行处理。首先，去除骨与骨之间的错误连接，及噪声。如图3.4(a) 所示。使用的方法是对图像进行一次开操作，使用的kernel为3*3*3的全1矩阵。(a) 二值化之后的CT图像 (b)开操作之后的CT图像图3.4 初步形态学操作的结果观察处理后的图像会发现，噪声去除了一部分，同时，可以大部分消除骨与骨之间出现的粘连情况，使得在之后对髋臼和股骨头的分别提取方面更加容易。但是图片的边缘出现了模糊，丢失了部分原有的信息，对于这种情况，此处先不进行处理，暂且保留，在3.2.2节，会对此遗留问题进行处理。骨与骨之间的粘连部分消失后，就可以做下一步处理，来分别提取髋臼和股骨头。在提取完之后，会再对边缘丢失信息的情况做相应的处理。3.2 髋臼和股骨头的提取在得到二值化图像之后，接下来就要对髋臼和股骨头进行提取，运用的方法是区域生长法。3.2.1 区域生长法区域生长法是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。通常先在待分割区域内设定一个种子像素作为生长的起点，称为“种子点”，再根据一定的判定准则，将种子点周围邻域内与其相同或相似性质的像素合并到一个区域，继续利用这些像素作为新的种子点重复以上过程，直到没有满足条件的像素被包括进来，这样一个区域就生成了。下面介绍几种基本的生长准则和方法：（1）基于区域灰度差。本文使用此种方法，着重介绍。主要步骤如下： 对像素进行扫描，找到没有归属的像素。 以种子点为中心，检查其邻域像素，即将邻域中的像素追个与它进行比较，如果灰度差小于预先确定的阈值，则将他们合并。 以新合并的像素为新的种子点，返回步骤，检查新像素的邻域，直到区域不能进一步扩张。 返回步骤，继续扫描，直到所有的像素都有了归属。（2）基于区域内灰度分布统计性质。这里考虑以灰度分布相似性作为生长准则来决定区域的合并。具体步骤如下： 把像素分为互不重叠的小区域。 比较邻接区域的累积灰度直方图，根据灰度分布的相似性进行合并。 设定终止准则，反复进行步骤，直到满足终止条件。（3）基于区域形状。在决定区域的合并时，也可以利用目标形状的检测结果来进行，常用的方法有：把图像分割成灰度固定的区域，设两相邻区域的周长分别为p1和p2，把两区域共同边界线两侧灰度差小于给定值的那部分设为L，如果（T为预定阈值）（3.1）在本文中，因为要处理的数据为三维数据体，数据内的数据为0或1。通过分析图像属性，决定采用第一个准则也进行区域生长。生长的邻域为6邻域，邻域矩阵为：-1 0 0;1 0 0;0 -1 0;0 1 0;0 0 1;0 0 -1;种子点的选取通过交互的形式选取，在MATLAB软件中，通过getpts()函数来选取种子点。如图3.5(a)。 (a)手动选取种子点 (b) 区域生长的结果图3.5 区域生成种子点选取以及结果在区域生长之后，分别得到了髋臼和股骨头的数据体，并分别将其保存。将数据体的进行三维显示。见图3.6。 (a) 未区域生长前(b) 股骨头(c) 髋臼三维视图图3.6 髋臼、股骨头的三维重建结果3.2.2 初始分割过程遗留问题的解决方案此时，我们来解决之前在3.1节时遗留的问题，即在图像开操作之后图像边界出现模糊即细节丢失的情况。之所以不在3.1.2节来解决此问题，有以下原因。可以观察图3.6，如果在未分割的图像之上进行处理，骨与骨之间的连接还会存在，在之后的用区域生长法对髋臼和股骨头进行提取的过程中就会出现问题，即在提取股骨头或者髋臼时，会将股骨头一并提取出来，见图3.7(c)。解决这个问题需要对图像进行一个开操作的逆操作，即分别对髋臼和股骨头数据进行一次闭操作，便可很大程度上减小之前的误差。通过处理结果可以发现，这步操作很好的解决了之前遗留的问题。见图3.7。 (a) 经过开操作的图像 (b)闭操作之后图像 (c) 用闭操作图像区域生长图3.7 在3.12节基础上做闭操作的处理结果 (a)处理前左髋关节 (b)处理前左髋臼 (c)处理前左股骨头 (d)处理后左髋关节 (e)处理后左髋臼 (f)处理后左股骨头图3.8解决方案效果图3.2.3 区域填充区域填充是指用不同的颜色、灰度、线条或符号填充一个有界区域，该区域可以是带孔的，也可以是不带孔的。它是计算机图形学的一项重要内容，在交互式图形设计、真实感图形显示、 计算机辅助设计、图形分析等领域有着广泛的应用，一直是研究的热点。传统的区域填充算法有两种，一种是通过确定横跨区域的扫描线的覆盖间隔来填充的扫描线算法，另一种是从给定的位置开始填充直到指定的边界为止的种子填充算法 12。下面介绍2种经典的区域填充算法。（1） 扫描线算法原理扫描线算法是按照扫描线的顺序，计算扫描线与多边形的相交的区间，再用颜色显示这个区间，区间的端点是扫描线与多边形边界线的交点，可以通过计算获得。要完成这个扫描转换过程，首先计算扫描线与多边形各边的交点，然后对求得的交点再进行排序，接下来利用奇偶配对的方法求出扫描线与多边形相交的区间，最后对这些相交区间填色。（2） 种子填充算法原理种子填充算法是从多边形区域内部的一点开始，由这个点出发找到区域内的所有像素。该算法采用的边界定义是：区域边界上所有像素均具有某个特定的颜色值；区域内部所有像素均不取这一特定颜色；而边界外的像素则可具有与边界相同的颜色值。根据边界定义，算法从多边形区域内部的一个像素点开始，先检测该点的颜色，如果它与边界色和填充色均不相同，就用填充色填充该点。然后检测相邻位置的各个像素点，以确定它们是否与边界色和填充色均相同，若不相同，就填充该相邻点。这个过程持续到已经检测完的区域边界范围内的所有像素点为止。从当前点检测相邻像素有4连通和8向连通两种方法。本文采用填充孔洞的方法来进行处理已经分割好的股骨头和髋臼。从而进一步提取髋臼和股骨头的边界。处理结果如图3.9。(a) 股骨头分割图 (b) 股骨头填充效果 (c) 髋臼分割图 (d)髋臼填充效果 (a) 股骨头分割后三维视图(b) 股骨头填充后三维视图图3.9 髋臼和股骨头的孔洞填充3.2.4 边缘提取图像的边缘是图像的最基本特征，边缘点是指图像中周围像素灰度有阶跃变化或屋顶变化的那些像素点，即灰度值导数较大或极大的地方。图像属性中的显著变化通常反映了属性的重要意义和特征。边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数据图像中亮度变化明显的点。边缘检测可以大幅度地减少数据量，并且剔除了那些被认为不相关的信息，保留图像重要的结构属性。边缘检测的实质是采用某种算法提取出图像中的对象与背景间的交界线。经典的边缘提取方法是考察每个像素在某个领域内灰度的变化，边缘检测的算法可以分为2类：基于查找的算法和基于零穿越的算法。基于查找的算法通过寻找图像一阶导数中的最大和最小值来检测边界，通常将边界定位在梯度最大的方向，是基于一阶导数的边缘检测算法。其中包括Roberts算子、Sobel算子、Prewitt算子等。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是拉普拉斯过零点或者非线性差分表示的过零点，是基于二阶导数的边缘检测算法。其算子主要是高斯-拉普拉斯边缘检测算子。本文采用Soble算子来进行边缘检测。Sobel 边缘检测算子将图像中每个像素的上、下、左、右四邻域的灰度值做加权运算，根据该点是否处于极值状态进行边缘的检测。Sobel 边缘检测算子定义为： (3-2)其中：(3-3)(3-3)和常用如下卷积模板来描述，即：一个检测水平边沿，一个检测竖直边沿，两个卷积的最大值作为像素的输出。选取适当的阈值，如果，则认为像素点(i,j)是边缘点。由于图像的最后一行和最后一列的像素无法进行差分运算，采用前一行和前一列的梯度值替代。Sobel 边缘检测算子对噪声有平滑作用，能减小对噪声的敏感性，可以提供较为精确的边缘方向信息，检测效果较好。但是会检测到伪边缘，定位精度不高，边缘比较粗，适用于对检测精度的要求不高的场合。处理结果见图3.10：(a) 髋臼填充图 (b) 髋臼边缘图(c) 分割效果图 (d) 股骨头填充图 (d) 股骨头边缘图(e) 分割效果图图3.10 髋关节边缘