基于腦出血CT圖像的分割與提取算法研究.pdf

1、圖像分割是圖像處理、計(jì)算機(jī)視覺(jué)、目標(biāo)識(shí)別等領(lǐng)域中一項(xiàng)最基本的、最重要的技術(shù)，也是圖像分析領(lǐng)域中一項(xiàng)艱巨的、富有挑戰(zhàn)性的任務(wù)。醫(yī)學(xué)圖像分割作為圖像分割中一個(gè)不可或缺的分支領(lǐng)域，在計(jì)算機(jī)輔助診斷、形狀統(tǒng)計(jì)分析和醫(yī)學(xué)圖像可視化等方面起到了重要的作用。分割的目的就是改變對(duì)一幅圖像中感興趣的疑似病灶區(qū)域的描述，使其分析起來(lái)更加容易并且更有意義。醫(yī)學(xué)圖像不同于一般的圖像，常會(huì)伴隨著出現(xiàn)弱邊界、低對(duì)比度、強(qiáng)噪音等現(xiàn)象，正因?yàn)獒t(yī)學(xué)圖像自身所具有多樣性和

2、特殊性，才導(dǎo)致了分割的復(fù)雜性。近幾年，隨著醫(yī)學(xué)成像技術(shù)和計(jì)算機(jī)技術(shù)的快速發(fā)展，特別是CT(ComputerTomography--計(jì)算機(jī)斷層掃描)技術(shù)取得的重大進(jìn)步，對(duì)圖像分割的精確度和速度提出了更高的要求，當(dāng)前存在的多數(shù)圖像分割算法已經(jīng)難以滿足當(dāng)前復(fù)雜分割應(yīng)用的需求。圖像分割算法正向著高度的自動(dòng)化、更好的穩(wěn)定性以及更強(qiáng)的魯棒性方向在發(fā)展。與此同時(shí)，醫(yī)學(xué)影像設(shè)備實(shí)現(xiàn)數(shù)字化已經(jīng)成為現(xiàn)實(shí)。DICOM(DigitalImagingandCom

3、municationinMedicine--數(shù)字化醫(yī)學(xué)圖像與通信)標(biāo)準(zhǔn)得到了廣泛地應(yīng)用，使得傳統(tǒng)的醫(yī)學(xué)影像資料從局域化走向了網(wǎng)絡(luò)化，實(shí)現(xiàn)了醫(yī)學(xué)影像資料的共享，為建立異地專家會(huì)診、遠(yuǎn)程醫(yī)療等機(jī)制提供了可靠的技術(shù)支持。
　　 本文主要研究了腦出血CT圖像的分割算法與疑似血腫區(qū)域的提取算法。首先介紹了課題的研究背景與意義，探討了CT圖像在腦出血診斷中的優(yōu)勢(shì)；其次，重點(diǎn)分析了DICOM3.0標(biāo)準(zhǔn)的產(chǎn)生、內(nèi)容、信息模型以及如何在Windo

4、ws系統(tǒng)下的顯示等內(nèi)容；最后，在分割階段，本文主要分四個(gè)步驟來(lái)實(shí)現(xiàn)準(zhǔn)確、有效地提取疑似血腫區(qū)域并計(jì)算體積的目標(biāo)：
　　 (1)在粗分割階段，本文使用基于閾值法的水平方向左右掃描算法來(lái)獲取顱內(nèi)部分，去除顱外結(jié)構(gòu)部分，盡可能的減少顱外結(jié)構(gòu)部分給醫(yī)生診斷所產(chǎn)生的干擾，可以在很大程度上提升分割的速度與精度；
　　 (2)在細(xì)分割階段，首先分析了標(biāo)準(zhǔn)的FCM、FCM_S、FCM_S1、FCM_EN等算法，針對(duì)這些算法的缺陷，本文通

5、過(guò)重新設(shè)計(jì)濾波器提出了改進(jìn)的FCM算法，針對(duì)區(qū)域邊界點(diǎn)、區(qū)域內(nèi)部點(diǎn)和噪音點(diǎn)進(jìn)行有區(qū)別的對(duì)待，通過(guò)設(shè)置濾波系數(shù)將區(qū)域邊界點(diǎn)和噪音點(diǎn)去除掉；對(duì)于區(qū)域內(nèi)部點(diǎn)，根據(jù)鄰域內(nèi)像素點(diǎn)到中心像素點(diǎn)的空間距離不同，將鄰域內(nèi)像素點(diǎn)對(duì)中心像素點(diǎn)的影響程度設(shè)為不同的加權(quán)系數(shù)，并將這些加權(quán)系數(shù)作為權(quán)值與鄰域內(nèi)相應(yīng)像素點(diǎn)的灰度值進(jìn)行加權(quán)求和，從而來(lái)改變中心像素點(diǎn)的灰度值。通過(guò)仿真驗(yàn)證了本文算法對(duì)于椒鹽噪音和高斯噪音均有較好的分割效果，同時(shí)使圖像中感興趣的疑似病灶區(qū)

6、域信息得到了突出；
　　 (3)將水平集方法與主動(dòng)輪廓模型相結(jié)合來(lái)完成對(duì)疑似病灶區(qū)域的定位。針對(duì)傳統(tǒng)的PC模型沒(méi)有利用圖像的區(qū)域梯度信息以及需要周期性的重新初始化水平集函數(shù)等缺點(diǎn)，提出了改進(jìn)的PC模型，一方面加入了基于區(qū)域梯度信息的能量泛函項(xiàng)，另一方面也融入了Li模型中的懲罰項(xiàng)。改進(jìn)的PC模型在提升分割精度的同時(shí)，也提高了分割的速度；
　　 (4)快速、準(zhǔn)確的體積估算對(duì)于許多醫(yī)學(xué)診斷、治療、評(píng)估是至關(guān)重要的。本文從病人入

7、院期間所拍攝的腦出血CT圖像序列中選取含有疑似血腫區(qū)域的圖像，利用前面三個(gè)步驟，完成對(duì)每幅圖像中的疑似血腫區(qū)域準(zhǔn)確的定位與識(shí)別，再通過(guò)掃描算法提取出疑似血腫區(qū)域，逐一統(tǒng)計(jì)每幅圖像中血腫區(qū)域像素點(diǎn)的個(gè)數(shù)，此時(shí)每幅圖像中的疑似血腫區(qū)域面積S等于像素點(diǎn)的面積乘以血腫區(qū)域內(nèi)像素點(diǎn)的個(gè)數(shù)，再將每幅圖像中的疑似血腫區(qū)域面積乘以每幅圖像的層厚就可以得出層片圖像的體積，最后疊加含有疑似血腫區(qū)域的所有CT層片圖像，就可以計(jì)算出血腫區(qū)域的體積，相比較于傳統(tǒng)