基于64排CT序列图像的肝脏及其管道的提取算法
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于64排CT序列图像的肝脏及其管道的提取算法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
(1.广东技术师范学院 计算机学院,广东 广州 510665;2.华南师范大学 计算机学院,广东 广州 510665)
摘要: 目的:把肝脏及其内部的肝静脉和门静脉两种管道从64排CT序列图像中提取出来,为后续肝及其管道的三维重建及最终的虚拟手术模拟提供正确的数据。方法:利用CT序列图像之间的相似性,通过自适应的区域生长算法对CT序列图像进行自动提取。结果:实验结果表明这种提取算法能得到很好的分割结果。结论:本文提出的这种算法可以正确有效地完成CT序列图像的提取工作。
关键词:序列图像;相似性;自适应;区域生长
中图分类号:TP18文献标识码:A文章编号:1009-3044(2009)28-8040-03
Liver and its Vessel Extraction Algorithm Based on 64-row CT Sequence Image
JIANG Peng1, PENG Feng-ping2
(1. Department of Computer, Guangdong Polytechnic Normal University, Guangzhou 510665; 2. Department of Computer, South China Normal University, Guangzhou 510665)
Abstract: Objective: Extracting the liver and its intern vessels from the 64-Row CT images can provide the correct data for the following 3D reconstruction of liver and the final virtual surgery. Methods: Using the similarity between CT sequence images, the automatic extraction is carried on to the CT sequence image based on the algorithm of auto-adapted region growing. Results: Datasets have been used to test our algorithm,and results show that our method is effective. Conclusion: The algorithm put forward in this paper is very useful in automatic segmentation of CT Sequence image.
Key words: Sequence Image;Similarity;Auto-adapted;Region growing
图像分割是CT断层数据进行三维重建的关键步骤之一。将图像中具有特殊含义互相不交叉的不同区域分开来,使得每一个区域都满足特定区域的一致性。 图像分割在医学应用中具有特殊的重要意义,它是医学图像处理的关键一步,是个跨越医学和计算机科学综合性研究课题。
把肝脏及其管道从CT图像中提取出来,是肝脏虚拟手术系统实现的一个基本前提。以往对肝脏CT序列中的每一幅图像是通过手工方法将肝脏及其管道提取出来,这样既耗时费力,而且精确度也不高,对一个实用的虚拟手术系统来说手工提取基本没什么价值。因此,研究肝脏及其内部管道的计算机自动提取技术就成为一个迫切的问题。
1 CT序列图像
本文研究的对象是实际的64排螺旋腹部CT图像序列,它以两两间距很小的一序列二维切片传递三维信息。通常64排CT腹部扫描结果中,有肝脏的图片数大约有300-400张,如果所有的这些图片都通过人工来分割,效率太低,根本无法应用于医学临床。因此,要充分利用序列图像之间的相似性,尽量减少人工的参与,提高CT序列图像的自动分割的程度。
1.1序列化分割模型
实现序列化分割,要充分利用基于模型分割方法的优点,目前常用的主要有两种方案[5]:
1)将前面图像的分割结果作为后面图像的先验知识,即轮廓初值。
2)将序列图像分成若干组,每组共用一个人工的初始化轮廓。
由于64排螺旋ct机扫描层厚非常薄,一般为0.5mm,同时考虑到CT造影的特点,再加上2)方案需要更多的人工参与,为此,本文选择1)方案。
为了更好的指导下一层切片的分割,就要充分利用相邻切片之间的相似性特征。
图1是一组连续的肝CT序列图像,从图可以看出,当相邻层间距很小时,肝CT序列图像的目标区域之间有如下几个特征[4]:
1)相邻层肝脏形状变化很小,也就是说相邻层的肝脏边界具有形状相似性。
2)每一层肝区的平均灰度基本相似。
3)每一层肝区在图像中的位置相对稳定。
4)相邻层的肝脏面积相近。
5)每一层肝区的灰度分布具有一致性。
因此,除了第一层外,其它各层都可以把上一层的分割结果作为初始化轮廓值。
2 自适应区域生长算法
区域生长的基本思想是将具有相似性质的像素集合起来构成区域。首先在待分割的目标区域中选择一个种子点作为生长的起始点,然后在种子点的领域中搜索那些与种子点的相似特征度满足指定生长准则的像素,并与种子点所在区域合并。此时将新合并的像素作为新的种子点,继续以上搜索和合并过程,直到没有可以合并的像素为止[6]。
本文采用了自适应区域生长算法,首先在感兴趣区域(ROI)选择一种子点S(i,j)作为初始点,然后计算该种子点3×3邻域的灰度均值作为种子区域的初始值,同时计算5×5邻域的方差,作为生长准则的归并阈值。计算公式如下:
其中(x,y)表示种子区域中心点坐标,g(x,y)表示像素点(x,y)的灰度值。