ＣＴ图像颅内血肿体积测量方法的研究技术

本发明专利技术针对颅内血肿ＣＴ图像的特点，对图像的预处理采用非线性各向异性扩散滤波，有效去除了噪声、伪影，且满足医学图像处理的实际性要求；对其采用二步图像分割处理，巧妙去除了颅骨及颅骨外非脑组织，并且不需要图像配准等工作；将熵的概念引入图像分割，实现了二维熵阈值化，用像素灰度及其邻域灰度为参数来分割图像，它不仅反映了灰度信息分布，而且反映了图像象素邻域空间相关信息，因此有效的抑制噪声，排除干扰和不需要的细小结构；改进遗传算法的各个算子，尤其为防止遗传算法存在的“早熟”问题，也就是算法过早收敛于一个非全局最优点，采用自适应大变异算子，最后用改进的分层遗传算法搜索最佳阈值。

【技术实现步骤摘要】

本专利技术CT图像颅内血肿体积测量方法的研究，是将颅内血肿体积测量的临床需 求转变为CT图像的血肿分割问题，提出一种新的分割算法，属于临床应用软件领域。
技术介绍
颅脑损伤导致颅内出血，血液在颅脑内积聚达到一定体积时形成颅内血肿。通常， 小脑幕上血肿在20ml以上，幕下血量在10ml以上，即可引起急性颅脑受压症状，危及生命。 而30ml以上的高血压脑出血是中老年人病率、致残率极高的疾病，一般小脑幕上的血肿在 30ml以上，幕下血肿在10ml以上，并结合其它临床症状及指标，应采取手术治疗(颞叶血肿 易致脑疝，手术指征应放宽，血肿量在20ml以上应手术)，对于非手术治疗的适应症(幕上 者〈30ml，幕下者〈10ml)可视情况采取药物治疗或微创清除术。由以上可见，颅内血肿的 大小是一重要临床治疗指标，能否准确和精确测量该血肿的体积意义重大。 当前临床上颅内血肿的测量主要是人工分割和人工计算。所谓人工分割是指解剖 学家手工地描绘出医学图像中各种器官的边界。人工计算是对人工画出的ROI (Region of interest)区域，由计算机自动测量面积，然后人工相加得到体积。目前手工分割的效果一 般而言是较好的，但却是极其费时和费力的。人工分割的另一个问题就是分割的结果会因 人而异，即使同一个人不同时间分割的结果也不能保证完全相同。据报道5名专家在分割 脑肿瘤时会产生15% _22%的误差。在医学研究尤其是神经系统科学的研究中结果的可重 复性和精确性是极其重要的，所以人工分割的方法不能胜任这种需求。 与人工分割相对应的就是自动分割。自动分割结果的可重复性是不用考虑的，因 为几乎所有算法的结果都不会因为运行次数的不同而改变。自动分割的难点在于如何将人 工分割中解剖学家的知识运用到自动分割中来，这种知识之所以难以表示是因为医学图像 形状和外表的复杂性。所谓医学图像形状复杂就是指解剖结构没有规则的形状，因此也不 容易用简单的方法来表示。医学图像外表复杂原因是不同的组织可能具有相同或相近的灰 度，例如头皮、肌肉、皮下血种等与颅内血肿的灰度相近，又如脑灰质和脑低度胶质瘤的灰 度也很相象，而同一组织却由于成像设备的原因而表现出不同的灰度。由于自动分割的难 度和深度，其进展比较缓慢。近几年国内外在此领域出现了大量的研究成果，从人工智能技 术到模式识别技术以及神经网络、小波变换、模糊聚类等的应用涉及到众多的学科。但由于 医学图像的复杂性及不同个体之间的差异性等，目前，没有一种分割算法能对所有的图像 产生满意的分割效果，同时也找不到一种特定类型的图像使所有的算法能获得同样好的分 割结果。对于一个具体的应用，如CT颅脑图像的分割，从目前图像分割技术在临床上的应 用情况来看，绝大部分方法还停留在实验研究阶段，真正能应用于临床的还为数不多。本项 目正是在此背景下对CT图像的处理与自动分割问题进行研究的。
技术实现思路
1、针对颅内血肿CT图像的特点，对其采用二步图像分割处理。3 2、对图像的预处理采用非线性各向异性扩散滤波，有效去除了噪声、伪影，且满足 医学图像处理的实际性要求。 3、图像的第一步分割中，对同一图像二值化进行"异或"运算，巧妙去除了颅骨及 颅骨外非脑组织，并且不需要图像配准等工作，这是本项目的一个重要部分。 4、将熵的概念引入图像分割，实现了二维熵阈值化，用像素灰度及其邻域灰度为 参数来分割图像。它不仅反映了灰度信息分布，而且反映了图像象素邻域空间相关信息，因 此有效的抑制噪声，排除干扰和不需要的细小结构。这是本项目的一个重点和难点。 5、改进遗传算法的各个算子，尤其为防止遗传算法存在的"早熟"问题，也就是算 法过早收敛于一个非全局最优点，采用自适应大变异算子，最后用改进的分层遗传算法搜 索最佳阈值，这是本项目的难点。具体实施例方式1、采用非线性各向异性扩散滤波器对颅脑CT图像进行滤波处理。 2、对CT序列图像二步分割 1)利用阈值法和图像"异或"、"乘"逻辑运算，得到只有脑组织与血肿的CT图像， 去除了颅骨及颅骨外非脑组织。 2)采用二维熵阈值化的方法，用像素灰度及其邻域灰度为参数来分割图像，去除 脑组织，得到只有血肿的图像。这里为防止计算量庞大，采用分层遗传算法搜寻最优阈值， 并提出了 "自适应的大变异算子"理论。 3、测量血肿体积7 = ￡^其中n血肿图像层数，Vi = SiX层厚，Si =像素大小X 个数。 4、制作体模，并用CT扫描，将扫描图像用以上方法进行分割处理、计算体积，并与 已知体积比较，验证此项目的有效性。 5、编写程序。权利要求采用一种性能优良的非线性各向异性扩散滤波器先对颅脑CT图像进行滤波处理，即能有效滤除图像中的噪声，又能很好地保持图像的细节及边缘并且速度快；2. 在研究颅内血肿体积大小时，将CT序列图像进行二步自动分割，采用了如下方法1) CT图像的第一步分割中，颅骨及颅骨外非脑组织的去除利用了阈值法、区域生长及 图像逻辑运算，由于颅骨在CT图像中与其它组织在灰度差异很大，因此采用经验阈值很容 易得到颅骨边缘，不需要复杂耗时的检测方法，区域生长采用四邻域生长，遍布整个脑组织 与血肿，最后图像进行"异或"和"乘"逻辑运算，得到只有脑组织与血肿的CT图像，用简单 的图像处理方法得到较好的结果；2) CT图像的第二步分割中，对于脑组织与血肿的分割，考虑到CT图像可避免的噪声因 素，采用二维熵阈值化的方法，用像素灰度及其邻域灰度为参数来分割图像，它不仅反映了 灰度信息分布，而且反映了图像象素邻域空间相关信息，因此它可以有效的抑制噪声，排除 干扰和不需要的细小结构；3) 采用改进的遗传算法来搜寻最优分割阈值使二维熵准则函数最大，遗传算法是具有 全局并行搜索最优解的能力；采用分层遗传算法，并对选择、交叉、变异算子做了改进，特别 为了防止算法陷于"早熟"结果；4) 采用了 "自适应的大变异算子"，通过判断适应度函数平均值与最大值比值，最终决 定采用的变异概率和交叉概率。全文摘要本专利技术针对颅内血肿CT图像的特点，对图像的预处理采用非线性各向异性扩散滤波，有效去除了噪声、伪影，且满足医学图像处理的实际性要求；对其采用二步图像分割处理，巧妙去除了颅骨及颅骨外非脑组织，并且不需要图像配准等工作；将熵的概念引入图像分割，实现了二维熵阈值化，用像素灰度及其邻域灰度为参数来分割图像，它不仅反映了灰度信息分布，而且反映了图像象素邻域空间相关信息，因此有效的抑制噪声，排除干扰和不需要的细小结构；改进遗传算法的各个算子，尤其为防止遗传算法存在的“早熟”问题，也就是算法过早收敛于一个非全局最优点，采用自适应大变异算子，最后用改进的分层遗传算法搜索最佳阈值。文档编号G06T5/00GK101756712SQ20081016029公开日2010年6月30日 申请日期2008年11月19日 优先权日2008年11月19日专利技术者李祥 申请人:李祥本文档来自技高网...

【技术保护点】
采用一种性能优良的非线性各向异性扩散滤波器先对颅脑ＣＴ图像进行滤波处理，即能有效滤除图像中的噪声，又能很好地保持图像的细节及边缘并且速度快；。

【技术特征摘要】

【专利技术属性】
技术研发人员：李祥，
申请(专利权)人：李祥，
类型：发明
国别省市：37[]