（计算机应用技术专业论文）基于脑CT图像的病变自动化检测技术研究.pdf

哈尔滨理t 大学t 学硕r j ：学位论文 基于脑c t 图像的病变自动化检测技术研究 摘要 随着医学影像技术的飞速发展，开展以计算机辅助诊断或计算机智能化 诊断为目标的医学图像处理和分析研究已经成为日前这个领域的一个研究热 点和发展的主要趋势。 计算机智能化诊断研究首先必须解决的问题是如何实现医学图像上病变 的计算机自动化检出。病变自动化检出又必须涉及到图像配准，图像分割， 数字化图谱创建等多项基本的图像处理与分析技术。本文瞄准计算机智能化 诊断这个方向，以c t 图像数据为研究对象，以颅脑病变，主要是灰度异常 病变的计算机自动化检出为研究目标，通过密切结合医学专业知识，对病变 检出及其相关技术进行了研究。 本文首先总结分析了图像处理与分析的关键技术，然后在此基础上提出 了我们的图像预处理方法，即改进了的d e m o n s 非刚性配准算法，基于先验 知识和图像形态学的颅脑c t 图像自动化分割方法，以及基于灰度和标注的 数字化统计图谱的创建方法。最后在这些处理方法基础上，通过对专业医师 诊断思维的计算机模拟，提出了一种通过灰度对比分析的自动化检出方法。 该方法首先创建了代表正常人各种图像特征的数字化图谱，然后通过将病人 图像与灰度均值图谱的对比分析突出病变区域，通过基于标注的统计图谱克 服个体差异和不完全配准造成的影响，最后通过基于影像诊断专业知识的模 糊推理系统，实现灰度异常病变的自动化检出。 关键词病变检出；脑c t ；非刚性配准；图像分割；数字化统计图谱 哈尔滨理t 大学t 学硕一i ：学位论文 r e s e a r c ho ft h ea u t o m a t i cp a t h o l o g yd e t e c t i o n b a s e do nt h ec e r e b r a lc o m p u t e r i z e d t o m o g r a p h yi m a g e s a b s t r a c t a l o n gw i t ht h ef a s td e v e l o p m e n to ft h em e d i c a li m a g et e c h n o l o g y , m e d i c a l i m a g ep r o c e s s i n ga n dr e s e a r c ha i m i n ga tc o m p u t e ra i d e dd i a g n o s i so rc o m p u t e r i n t e l l i g e n td i a g n o s i sh a v eb e c a m eah o tp o i n ta n dt h em a j o rt r e n di nt h i sf i e l d t h ep r o b l e mt ob es o l v e d f i r s t l yi s h o wt oi m p l e m e n tt h ea u t o m a t i c p a t h o l o g yd e t e c t i o no fm e d i c a li m a g e t h ea u t o m a t i cp a t h o l o g yd e t e c t i o n i n v o l v e si m a g er e g i s t r a t i o n ，i m a g es e g m e n t a t i o n ，c o n s t r u c t i o no fd i g i t a lm a p s a n ds u c ho fi m a g ep r o c e s s i n ga n da n a l y s i st e c h n o l o g y t h ea t t e n t i o no ft h i s p a p e ri sc o n c e n t r a t e d o na u t o m a t i cp a t h o l o g yd e t e c t i o nt h a td e a l sw i t ht h e t r e a t m e n to f c o m p u t e r i z e dt o m o g r a p h yi m a g e s t h e a u t o m a t i c p a t h o l o g y d e t e c t i o nb a s e do nc e r e b r a li n t e n s i t ya b n o r m a lp a t h o l o g yi sr e s e a r c h e dc o m b i n e d w i t ht h em e d i c a lp r o f e s s i o n a lk n o w l e d g e w ep r o p o s e do u ri m a g e sp r e p r o c e s s i n gm e t h o da f t e ra n a l y s i so ft h ek e y t e c h n o l o g y i n i m a g ep r o c e s s i n g a n da n a l y s i n g ，t h a ta r ei m p r o v e dd e m o n s a l g o r i t h mw h i c hi san o n - r i g i dr e g i s t r a t i o n ，a na u t o m a t i cs e g m e n t a t i o nm e t h o d f o rc e r e b r a lc ti m a g eb a s e do np r i o rk n o w l e d g ea n dm o r p h o l o g y ，a n dt h e c o n s t r u c t i o nm e t h o do fs t a t i s t i cm a p sb a s e do ni n t e n s i t ya n dl a b e l s o nt h eb a s i s o ft h e s em e t h o d s ，b yt h ec o m p u t e rs i m u l a t i o nt od i a g n o s et h o u g h to ft h ed o c t o r s ， w ep r o p o s e da na u t o m a t i cd e t e c t i o nm e t h o db ym e a n so fi n t e n s i t yc o m p a r i s o n t h i sm e t h o dc o n s t r u c td i g i t a lm a pr e p r e s e n to fn o r m a lp e r s o n s i m a g ef e a t u r e ， t h e nf i n dt h ep a t h o l o g yd i s t r i c tb yt h ec o m p a r i s o no ft h ep a t i e n t s i m a g et ot h e i n t e n s i t ya v e r a g em a p ，o v e r c o m et h ee f f e c to fi n d i v i d u a ld i f f e r e n c e sa n dn o n c o m p l e t e dr e g i s t r a t i o nb ys t a t i s t i cm a p sb a s e do nl a b e l s ，a c h i e v et h ea u t o m a t i c p a t h o l o g yd e t e c t i o nb a s e do nc e r e b r a li n t e n s i t ya b n o r m a lp a t h o l o g yb yf u z z y l l 哈尔滨理- t 大学工学硕| j 学位论文 i n f e r e n c es y s t e mb a s e do np r o f e s s i o n a li m a g ed i a g n o s i s k n o w l e d g e k e y w o r d sp a t h o l o g yd e t e c t i o n ，c e r e b r a lc t ，n o n - r i g i dr e g i s t r a t i o n ，i m a g e s e g m e n t a t i o n ，d i g i t a ls t a t i s t i cm a p s 1 1 1 哈尔滨理工大学硕士学位论文原创性声明 本人郑重声明：此处所提交的硕士学位论文基于脑c t 图像的病变自动化检测 技术研究，是本人在导师指导下，在哈尔滨理工大学攻读硕士学位期间独立进 行研究工作所取得的成果。据本人所知，论文中除已注明部分外不包含他人已发 表或撰写过的研究成果。对本文研究工作做出贡献的个人和集体，均已在文中以 明确方式注明。本声明的法律结果将完全由本人承担。 作者躲p 、影7 呼 r 期2 衅弓月修同 哈尔滨理工大学硕士学位论文使用授权书 基于脑c t 图像的病变自动化检测技术研究系本人在哈尔滨理工大学攻 读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归哈尔滨 理工大学所有，本论文的研究内容不得以其它单位的名义发表。本人完全了解哈 尔滨理工大学关于保存、使用学位论文的规定，同意学校保留并向有关部门提交 论文和电子版本，允许论文被查阅和借阅。本人授权哈尔滨理工大学可以采用影 印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。 本学位论文属于 保密口，在年解密后适用授权书。 不保密日。 ( 请在以上相应方框内打4 ) 作者签名产彩可 啉2 0 0 8 年雩月嘶 导师签名：弓v 7 衫彳广 同期： 2 0 0 8 易 月六广同 哈尔滨理t 人学工学硕十学位论文 1 1引言 第1 章绪论 向计算机输入图像数据，由计算机智能化地处理、分析图像，最后输出诊 断结果，即计算机智能化诊断，是所有医学图像处理和分析的最重要终极目标 之一，也是当前医学图像处理与分析研究的热点和趋势n 1 。然而，当前阶段的 研究进展距离这种理想化的目标还相差甚远。目前的研究只是利用计算机医学 图像分析结果作为参考意见，而由影像诊断医师最后做出诊断的“计算机辅助 诊断”( c o m p u t e r a i d e dd i a g n o s i s ) c a d 系统心1 ，包括实验室研究和商业化的实用 系统在医学临床的许多方面都得到了比较成功的应用，其中包括乳腺摄影，胸 部x 线和c t 检查，心血管影像，神经影像，儿科影像，骨关节影像以及虚拟结 肠镜的c a d 应用1 等。其中研究最多，也是应用最为普遍的是乳腺摄影的c a d 和胸部x 线检查的c a d 系统。c a d 系统目前主要用于大批量体检中减少读片医 师视觉疲劳等因素造成的影响，尽量避免不必要的误诊或漏诊，以提高乳腺癌 和肺癌的早期检出率。但是，由于乳腺摄影和胸部x 线摄影都是二维的投影图 像，存在着前后影像重叠，密度分辨率不高，有检查盲区等局限性，因而针对 二维图像的c a d 的研究也不可避免地受到二维图像本身诊断能力的限制。 基于计算机图像重建技术的断层扫描设备产生的三维图像数据，即容积数 据或体数据克服了常规二维投影图像的诸多局限性，不仅具有更高的图像分辨 率，而且图像数据的每个体素与人体的组织结构存在明确的空间对应关系。基 于容积数据c a d 的研究或病变检出算法研究已经逐渐成为近年来的研究热点和 趋势1 ，其中包括针对胸部c t 图像的病变检出研究，虚拟结肠镜的病变检出研 究等。由于人脑疾病在人类生命健康中极其重要的作用，基于颅脑影像学检查 的病变检出算法也是最重要的研究方向之一。人脑常见的影像学检查方法包括 常规的x 线摄影，颅脑c t 检查，m r i 检查，p e t ( 正电子发射断层扫描) 以及 s p e c t ( 单光子发射断层扫描) 等。其中常规的x 线摄影由于其诊断价值有限， 有关颅脑病变的计算机自动化检出研究基本上都是基于后四类检查模式，即 c t ，m r i ，p e t ，s p e c t 。 不管是当日订阶段的c a d ，还是将来的计算机智能化诊断，基本的研究方法 都是首先实现病变的计算机自动化检出，然后对病变的特征进行分析和提取， 哈尔滨理t 大学t 学硕十学位论文 最后结合临床资料做出诊断。其中的关键问题，也是难度最大的问题都是如何 实现从复杂的医学图像上准确、自动化地检出病变。要解决这个问题，必需涉 及到医学图像配准，图像分割以及数字化图谱创建等多项图像预处理技术。本 文将瞄准计算机智能化诊断这个将来的研究方向，以颅脑c t 图像为病变检出 目标，通过对病变检出及其基础性图像处理技术，包括图像配准，图像分割以 及数字化图谱创建等进行系统性的研究，结合医学影像诊断专业知识，进行一 些传统算法的改进。最后利用这些研究成果，针对灰度异常图像提出一种病变 检出的处理方法。 1 2颅脑病变检出方法的研究进展 瞄准实现计算机智能化诊断这个最终目标，利用图像处理与分析方法进行 颅脑病变的计算机自动化检出算法研究，并将这些研究成果应用于解决临床实 际问题是近年来该领域研究的热点和趋势。此类研究的关键问题是如何实现病 变的自动化检出，即研究实现颅脑病变计算机自动化检出的方法。 常见的颅脑医学影像学检查技术，包括c t ，m r i ，p e t 和s p e c t 等，都是通 过计算机数据处理技术显示人脑内部结构某种物理学参数空间分布的技术，如 c t 图像反映脑内结构的密度空间分布；m r i 检查的质子密度像反映人脑结构中 氢原子内质子的空间密度分布；t 2 加权像反映氢原子内质子的t 2 驰豫时间空间 分布等。医学影像学之所以能够用于诊断各类颅脑的疾病，其物理学基础是疾 病能够改变病变区域这些物理参数的空间分布。在医学图像上病变区域可以表 现为异常的灰度区域，如c t 图像上的高密度或低密度区域，m r i 图像上的高信 号区或低信号区等；也可表现为某种人脑固有结构的形态或大小异常，如脑室 系统的增大，海马结构的萎缩等。因此，我们根据病变区域在医学图像上是否 具有明显的异常灰度区域，将医学图像中的颅脑病变大体上分为灰度异常病变 和形态异常病变。 灰度异常病变是指病变的区域与正常人图像对应的区域相比，在医学图像 上表现为明显的图像灰度异常，如c t 图像上的高密度或低密度区域，m r i 图 像上的高信号或低信号区域，以及s p e c t 和p e t 检查中高灌注区或低灌注区 等。常见的灰度异常病变包括脑出血，脑梗塞，脑肿瘤等。而形态异常病变是 指这类病变在医学图像上一般没有明显的异常信号区域，仅表现为正常人脑内 某种固有的结构，如脑室系统，海马结构等结构的形态或大小变化。常见的形 态异常病变包括a l z h e i m e r s 病( 即老年性痴呆) ，精神分裂症，原发性癫痫等。 哈尔滨理t 人学工学硕j j 学位论文 结合上述的颅脑病变大体分型，我们将目前大量的颅脑病变检出算法分为下述 的4 个大类。 1 2 1 基于病变的具体特征 基于病变具体特征的颅脑病变检出方法一般都是在确定病变存在并己知病 变特征的情况下对病变区域的分割和信息提取，因而这类算法严格意义上说不 能算作真正的病变检出算法。真正的病变检出算法应当是在不知道病变是否存 在的一情况下，通过图像处理和分析提示病变是否存在，并确定病变的区域。 但是作为与病变检出有关的研究，我们也对这些算法作一简单的回顾。 基于病变具体特征的病变检出方法一般都是利用一些相对简单的图像处理 技术结合有关病变特征的先验知识实现的病变区域分割和分析，常用的方法包 括模糊聚类，模糊推理，神经网络，主动轮廓模型，区域生长算法等。最近， 还有一些研究通过将同一个病人不同检查模式( 如c t 和m r l 检查) 或同一检查模 式不同扫描序列( 如m r i 检查的t 1 j i ：l 权像，t 2 加权像，质子密度加权像，t 1 增 强扫描以及灌注成像) 综合在起形成的特征向量进行归类，实现病变区域的 检出哺1 ：还有利用增强扫描时肿瘤组织的强化特征，通过配准后增强图像与平 扫图像的减影实现病变的检出。 在这类病变检出方法中，图像处理的目标一般都是病变区域的图像灰度变 化，所以检出的病变多以灰度异常病变为主，包括脑出血，脑梗塞，脑肿瘤 等。由于这类基于病变具体特征的算法需要事先知道病变的具体类型和特征， 因而无法达到病变检出自动化的目的。 1 2 2 基于颅脑结构对称性分析 正常人左右两侧大脑半球的解剖结构基本对称，因而有许多研究利用颅脑 结构的对称性分析实现对病变的检出。颅脑结构的对称性包括形态对称和灰度 对称两个方面。基于对称性分析的病变检出方法大多数是针对形态对称性的分 析，也有针对狄度对称性的分析。最近的研究一般都是将两者综合起来进行病 变的检出研究1 ，综合性对称性分析方法较单纯的形态或灰度分析在病变检出 效果方面有了明显的改进。 对称性分析方法采用的技术基本上都是首先利用人脑左右两侧结构基本对 称的特点确定脑中轴平面，将图像数据与其左右镜像的数据进行配准，然后通 过分析配准形变场的对称性或和图像灰度的对称性发现可能存在的病变。这 哈尔滨理t 火学工学硕。f j 学位论文 种方法在部分颅脑病变的检出中取得了一定程度的成功。如在老年性痴呆症或 精神分裂症病人的研究中，该方法能够检出许多人工读片难以发现的异常。然 而，这种基于对称性分析的病变检出方法，只在少数形态异常病变的检出中取 得了有限的成功。而对灰度异常病变，这类方法一般都不能准确描述病变的完 整区域，只能提示病变存在的可能或只显示病变的部分区域。 同时，由于人脑结构在形态学上的个体差异巨大，大多数人脑结构都存在 不同程度的不对称，再加上非刚性配准算法本身存在的一些不足，使得这些基 于形态对称性分析的研究结果存在着某种程度的不确定性。更为重要的一点， 由于疾病病理改变的多样性，并非所有的病变都会导致双侧大脑半球的不对 称，例如占位效应不明显的病变或呈双侧对称性分布的病变等。因此，尽管对 称性研究可以用于提示某些类型病变的存在，但人脑内绝大多数病变都不可能 通过简单的对称性分析来实现病变的自动化检出。 1 2 3 基于同一个体的纵向比较 通过纵向地比较同一个病人不同时间的检查结果来检出病变或了解病变的 发展变化情况，也是目前有关病变检出和分析研究的一种重要手段，即纵向比 较。纵向比较的基本过程是通过将不同时间的检查数据配准( 刚性或非刚性) ， 然后分析正常解剖结构( 如脑实质，侧脑室，海马等) 或异常病变区域( 如多发性 硬化斑块，脑肿瘤等) 随时间的变化。这种方法的显著优势之一是不需要考虑 个体差异因素的影响。因此，该方法被广泛应用于许多病变的诊断或变化随 访。 纵向比较的方法主要是通过分析正常结构或异常病灶的形态变化或和信 号变化来实现病变的检出或随访。如何表示或定量这些变化是这类研究的重 点。其中最简单也是最直接的方法就是将配准后的两个图像相减，通过处理减 影后的差值图像( d i f f e r e n c ei m a g e ) 定量发生的变化，这种方法一般都是基于刚 性配准。而基于非刚性配准技术的纵向比较方法通常采用的途径是对配准形变 场的分析。形变场是配准过程中得到的一组数据向另外一组数据对应结构对齐 时所发生的形变向量。为此研究者提出了许多量化形变场的方法。其中 d a v a t z i k o s 等提出的一种表示方法( r a v e n s 图) 1 7 1 具有一定的代表性。r a v e n s 图采用图像的灰度值表示每个像素在配准过程中的变化情况，亮度增加表示该 结构被压缩，亮度减低表示该结构被扩展，这种r a v e n s 图与后面将要提及的 j a c o b e a n 表示方法非常类似，但具体的计算方法不同。除了研究病变的形态结 哈尔滨理t 大学t 学硕l 二学位论文 构变化之外，病变的灰度值变化也是近年来研究的一个重点内容。因为灰度改 变是疾病影像表现的基本特征，也是反映病变发展变化情况的一个非常重要的 征象。通过纵向比较不同时间病变的灰度变化，不仅可以了解病变的进展程 度，还可以了解病变的发展变化规律，波及范围等重要的变化特征。 由于这种纵向比较的方法避免了个体差异的影响，能够较为准确地反映病 变的发展变化，包括非常细微的改变，因而这种方法被广泛应用于许多疾病的 诊断，鉴别诊断，随访，疗效观察以及病变发生机理的研究中，包括老年性痴 呆的诊断和鉴别诊断；精神分裂症的脑结构特点研究；多发性硬化活动病灶的 检出和特征分析；生长激素缺乏症激素治疗后脑容积的变化；胶质瘤病灶发展 变化的随访；脑梗塞病人梗塞病灶形态和灰度变化分析以及脑肿瘤放射治疗后 疗效观察等。 1 2 4基于不同个体的横向比较 尽管基于同一个体不同时间检查结果纵向比较的方法可以克服个体差异的 影响，但是采用这些方法的前提条件是该病例具有可用于纵向比较的两次或两 次以上的检查结果。这些检查结果一般要求属于相同检查模式且间隔一定时 间。最好第一组数据是没有发病以前的检查结果。现实中绝大多数需要检出病 变的病例不太可能具有这些条件，因此这种纵向比较的方法虽然具有许多优 势，但在以病变检出为目标的临床实际应用中一般难以实施。尽管这种纵向比 较的方法也是专业的影像诊断医师( 以下简称专业医师) 随访观察病变发展或临 床治疗效果的重要诊断技巧之一，但在专业医师日常的诊断工作中更为重要的 诊断技巧或诊断思维是将病人的图像与脑海里正常人的图像比较，即横向比 较。横向比较的方法能够避免纵向比较方法的某些缺陷，也更加符合专业医师 的诊断思维，然而横向比较方法必须面对的二个难题就是如何克服个体差异的 影响。利用横向比较方法进行病变检出的研究也很多，根据其比较的内容不同 可将这些算法再进一步分为基于形态差异分析和基于灰度差异分析两种方法。 1 2 4 1 基于形态差异分析通过分析病人图像与j 下常人图像之间的形念学差 异实现颅脑病变的自动化检出是目前颅脑病变检出研究中应用最广也是最为成 功的一种方法，又称为形念测量术( m o r p h o m e t r y ) 。所谓形态测量术就是定量测 量组织结构的形态变化。根据具体方法的不同可将其分为两大类，即基于图像 分割的形态测量术和基于形变分析的形态测量术。 基于图像分割的形态测量术( s e g m e n t a t i o n b a s e dm o r p h o m e t r y ，s b m ) 是在图 哈尔滨理i t 人学工学硕一l ：学位论文 像分割基础上的形态测量。根据图像分割算法是否需要利用数字化图谱，可将 图像分割算法大体上分为基于图谱的图像分害l j ( a t l a s b a s e ds e g m e n t a t i o n ，m 3 s ) 和非基于图谱的图像分害f f n o n a t l a s b a s e ds e g m e n t a t i o n ，n a b s ) 。因此，基于图 像分割的形态测量术( s b m ) 可再分为a b s s b m 和n a b s s b m 。早期的形态测 量术研究多数属于n a b s s b m 。如s o l t a n i a n z a d e h 等埔1 利用一种半自动的方法 将颅脑c t 中的脑组织分割成为正常脑组织，脑脊液区域和病变区域，然后对 这些分割后的结构进行定量的测量和分析，以及a h m e d 等采用的神经网络方法 和b a n e r j e e 等采用的模糊聚类( f c m ，f u z z y c m e a n s ) 方法饽1 等。然而由于人脑结构 的复杂性，这些依赖单纯的图像处理技术进行的分割只能分割出人脑的大体解 剖结构，包括m r i 检查图像上的脑皮质，脑白质和脑脊液等，但要实现更细结 构的分割难度很大。而基于图谱的图像分割( a b s ) 通过将病人图像与数字化图 谱配准，在图谱内先验知识的指导下分割，不仅可以增加图像分割的准确度还 可以实现更为细节结构的分割。基于图像分割的形态侧量术( s b m ) 在病变检出 中的应用比较简单，就是首先确定需要分析的结构，然后对其进行分割，最后 定量分析其容积的变化。 基于形变分析的形态测量术( d e f o r m a t i o n b a s e dm o r p h o m e t r y ，d b m ) 是通过 对配准形变场的分析，达到定量形态变化的目的。形变场是配准源图像向目标 图像配准过程中产生的形变向量场，是配准过程中组织结构形态变化程度的量 化表示。这种方法的基本过程是通过将病人图像与代表正常人脑结构形态变异 程度的形变图谱( d e f o r m a t i o n b a s e da t l a s ) 进行比较分析，或直接将一组病人的 图像和一组正常人的图像向一个共同的参考图像配准，然后分析两组图像的形 变场差异。d b m 可以了解特定病人或特定组群病人的脑形态结构与j 下常人的 差异。算法实现的关键是如何分析形变场的差异，为此研究者提出了许多处理 形变场的方法。其中得到广泛认可的一种方法是j a c o b i a n 表示方法引。形变场 的j a c o b i a n 数是指配准变形过程中单位立方体的容积变化大小，因此可用 j a c o b i a n 数表示图像中每个体素点在配准过程中的形态变化程度，故d b m 通常 又被称为v b m ( v o x e t b a s e dm o r p h o m e t r y ) 。与基于图像分割的形态测量术( s b m 、) 方法相比，v b m 的重要优势之一就是这种方法不需要事先确定将要进行形态 分析的区域。正是由于这些优势，v b m 在人脑功能的研究中得到了广泛的应 用，包括人脑与性别、年龄、用手习惯、智商，性格，甚至种族之间的关系 等。 在颅脑病变检出方面，形态测量术得到了较为广泛的临床应用，其中比较 成功的应用包括精神性疾病，痴呆和癫痫等病变的自动化检出。这一类病变的 哈尔滨理工人学t 学硕i ：学位论文 主要影像学表现是人脑固有结构的形态或大小改变，一般不伴有图像灰度的异 常，即形态异常病变。由干人脑结构在正常人群中存在着巨大的生理性变异， 传统的人工读片方式很难发现这种不是很明显的形态结构异常，因此形态测量 术在这类异常病变的检出方面显示出了巨大的优势。然而，对于大多数人脑的 病变而言，病变在医学图像上并非表现为单纯的形态结构异常。相反，绝大多 数常见病变( 如脑出血，脑梗塞和脑肿瘤等) 的影像学直接征象是信号( m r i ) 或密 度( c - r ) 的异常，即图像灰度的变化。尽管这些病变也可能伴有周围组织的形态 异常，但这些形态上的改变只是病变的间接影像表现。m e h t a 等1 通过对各类 形态测量术进行系统性研究后认为，形态测量术对局灶性异常密度病变的检出 敏感度低，而且检出敏感度还受到具体参数的影响，通常不能满意地描绘出病 变的完整轮廓，不适合单独用于检出局灶性异常密度病变。因此，对应大多数 灰度异常病变，必须分析病人图像与正常人图像的灰度差异，才有可能实现灰 度异常病变的计算机自动化检出。 1 2 4 2 基于灰度差异的分析尽管在理论上利用病人图像病变区域与正常人 图像对应区域的灰度差异可以实现灰度异常病变的自动化检出，但由于个体差 异以及配准本身精确性等因素的影响，对于大多数解剖结构分辨率较高的检查 模式( 如c t 和m r i ) 而言，如何利用病人图像与正常人的灰度差异实现病变的自 动化检出仍然是一个非常困难的问题。所见文献中尚未发现基于异体灰度差异 分析进行颅脑c t 或m r i 病变自动化检出的报道。所见的两篇报道都是针对核医 学图像( 包括p e t 和s p e 上病变区域，即异常灌注区的研究。t h u r f j e l 等通过 分析病人图像与灰度统计图谱之间的灰度差异，实现了s p e c t 脑扫描图像中异 常灌注区的自动化检出。他们的方法是n 引：首先将一组正常人的s p e c t 脑扫描 图像向一个标准空问( t a l a i r a c h 空间1 ) 配准，创建一个数字化灰度均值图谱和灰 度方差图谱。然后将病人图像配准到相同的空间( 空间归一化) ，再经过灰度归 一化处理后，与均值图谱相减得出两者的差值图像，最后利用灰度方差图谱对 差值图像的每个体素进行统计学分析，判断每个体素的灰度差异是否具有显著 性。有显著性差异的区域即可认为是异常灌注区。s l o m k a 等采用基本相同的方 法川设计出了一个用于脑核医学成像( 包括p e t 和s p e c t ) 自动读片的实用系 统，同时也将该方法扩展应用于心脏核医学检查的分析。该系统取得了非常良 好的应用效果，利用该系统自动读片的结果与专家的读片结果基本一致。 尽管这种利用图像狄度差异分析的病变检出方法无论是在理论上，还是在 实际应用中都表明是一种非常有效的病变检出途径，但利用这种厌度差异分析 的方法进行病灶检出的研究报道却非常少，而且都是针对解剖分辨率很低的功 哈尔滨理t 人学t 学硕f j 学位论文 能性成像检查，这其中的关键问题和难点就是个体差异的影响。因为对于大多 数解剖分辨率很高的解剖成像模式( 包括c t 和m r i ) ，个体差异特别是细节结构 的个体差异非常显著，再加上配准精确性不足等因素的影响，利用与s l o m k a 等 类似的方法难以取得满意的效果。如何解决这些难题将是本项研究的一个重 点。 1 3 研究的目标和意义 本项研究的基本目标是实现颅脑c t 灰度异常病变的计算机自动化检出， 为医学图像处理的终极目标一实现医学影像学的计算机智能化诊断创造条件。 1 3 1适应医学影像技术飞速发展的要求 随着医学影像检查设备的飞速发展，高分辨率、大容量的医学影像检查数 据已经成为目前医学影像诊断的主流。特别是随着多排螺旋c t 等新型设备的 快速普及，在医学图像分辨率极大提高的同时，图像的数据量也呈指数级的增 长。医师每天必须面对大量的病人以及数量庞大的图像，如果仍然采用传统的 人工读片方式，工作负荷将逐渐变得难以承受。负荷过大的直接后果是读片医 师的视觉疲劳，这不仅将显著降低这些高分辨率图像的使用效率，还可能导致 不必要的漏诊或误诊。如何充分挖掘先进设备的潜能以取得最佳的检查效果， 这个问题将随着技术的不断发展而变得越来越突出。因此，研究如何利用计算 机图像处理技术进行计算机辅助诊断或计算机智能化诊断，减轻影像诊断医师 的工作负荷，提高设备的使用效率，具有非常重要的现实意义和广泛的应用前 景。 1 3 2解决目前针对单一病变研究的局限性 实现计算机智能化诊断最关键的问题是如何实现医学图像上病变区域的计 算机自动化检出。由于人体正常解剖结构复杂性以及疾病影像表现多样性等因 素的影响，如何解决这个问题一直是医学图像处理和分析领域的一大难题。尽 管目前研究己经提出了许多病变检出算法，而且也取得了良好的临床应用效 果。但这些算法基木上都是针对单一的病变类型。然而，由于人类疾病的种类 太多，而且还在不断地发展变化，、针对单一病变的研究难以满足实现计算机智 能化诊断这个最终目标的需要。将来的计算机智能化诊断研究需要一种能够自 哈尔滨理工人学工学硕j ：学位论文 动化检出多种类型病变的算法。为此，就必须针对病变检出技术的难点( 正常 解剖结构的复杂性和病变表现的多样性) ，在继承目前众多研究成果的基础上 有所创新，有所突破。 1 4 论文内容安排 要实现真正意义上的颅脑c t 病变计算机自动化检出不可避免地要将病人 的图像与正常人的图像进行比较。这种比较首先必须解决以下两个方面的问 题。第一个问题是如何在空间关系上对齐两个或多个不同来源的数据，这是实 现不同来源数据之间比较的基础。由于这些图像数据一般都来源于不同的个 体，简单的刚性配准技术无法实现这种异体数据的对齐，非刚性配准技术是不 可或缺的技术手段。第二个方面的问题是如何描述正常人的图像特征及其个体 差异。由于人体解剖结构的复杂性，利用数字化图谱表示正常人的图像特征及 其个体差异应当是目前唯一比较可行的方案。要创建数字化图谱，除了必须采 用非刚性配准技术之外，图像分割也是必要的基础技术之一。为此本文首先介 绍了一下医学图像处理与分析的技术与方法，然后选择合适的图像预处理方 法，进行我们的医学图像预处理过程。最后我们提出一种基于灰度异常的病变 自动检出方法，并对其进行了试验和结果讨论。 本文第二章对我们研究中所涉及到的医学图像预处理技术( 包括图像的分 割方法，图像的配准方法，数字化统计图谱的创建方法) 作一简单的分析和介 绍。 本文第三章主要讲述我们所用的医学图像的预处理方法，包括基于 d e m o n s 的非刚性配准技术的实现和改进方法；基于先验知识的图像分割方法 和灰度与标注图谱的创建方法。这些将为我们下面提出的灰度异常检出方法作 了必要的准备。 本文第四章主要研究了基于灰度异常的病变检出算法。结合第三章的研究 成果，我们在对图像作了行之有效的预处理后，结合医学影像学专业诊断知 识，通过对专业医师诊断思维的计算机模拟，提出了一种通过灰度对比分析 ( i n t e n s i t yc o m p a r i s o nb a s e d ，i c b ) 自动化检出狄度异常病变的方法。该方法首先 创建了代表正常人各种图像特征的数字化图谱，然后通过将病人图像与狄度均 值图谱进行数字减影突出病变的区域，通过基于标注的统计概率图谱克服个体 差异和不完全配准造成的影响，最后通过基于专业影像珍断知识的模糊推理系 统，实现灰度异常病变的自动化检出。 哈尔滨理t 大学t 学硕十学位论文 本文第五章，针对上述i c b 自动化检出方法进行了试验，并对试验结果进 行了分析和讨论。 本文最后总结了我们的研究成果和内容，并对研究中存在的不足提出了进 一步的研究目标和展望。 哈尔滨理t 大学t 学硕f ：学位论文 2 1引言 第2 章图像处理与分析关键技术 自2 0 世纪9 0 年代起，借助计算机影像处理与分析、计算机图形学、虚拟 现实和计算机网络等技术的医学图像处理与分析，一直是国内外研究与应用的 热点，也逐渐形成了具有特色的一门交叉学科1 。借助图形、图像技术的有力 手段，医学图像的质量和显示方法得到了极大的改善。这使得基于现有的医学 影像设备的临床诊断水平大大提高，而且能为医学培训、医学研究与教学、计 算机辅助临床外科手术等提供数字实现手段，为医学的研究与发展提供坚实的 基础。因此，目前世界上也有不少国家的研究机构开始致力于这个领域的研发 工作，并且研究出一些面向临床的、功能简单的医学图像处理与分析系统。这 些系统虽然仅能提供有限的临床所需的功能，但在临床研究中已经发挥重要的 作用。正是由于医学图像处理与分析对临床医学的发展有着巨大的促进作用， 因而，医学图像处理与分析的研究正逐步受到世界许多国家的重视。 由于研究的侧重点不同，人们对于医学图像的分析与处理要求也不同。但 总的来说，不管是用于计算机辅助诊断或是三维可视化，以及p a c s 系统，都 要求对图像进行预处理，包括图像的获取，分割及配准。这些步骤完成后，才 可以完成对病变的自动化检出，进而为智能化诊断做好准备工作。因此，以下 我们简要地介绍一下一些医学图像的处理和分析方法，从中比较，分析，选取 适合我们目标要求的处理算法，为我们后面提出特定的病变检出方法做准备。 2 2 图像分割技术 2 2 1概述 医学图像处理的主要研究方向有图像分割、图像配准、结构分析、运动分 析等，而其中医学图像分割的研究具有更重要的意义。结构分析、运动分析、 三维可视化等后续操作，以及图像引导手术、肿瘤放射治疗、治疗评估等应用 研究都假设已对图像做了准确分割，或者说都足以图像分割为基础的，这与计 算机视觉中出现的情况类似。 哈尔滨理t 大学t 学硕 ：学位论文 医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的 基础，也是临床医学应用的瓶颈，分割的准确性对医生判断疾病的真实情况并 做确的诊断计划至关重要引。由于医学图像具有的极其繁杂的多样性和复杂 性，加上目前医学影像设备( c t ，m r i ，p e t 等) 成像技术上的特点，使得医 学图像存在一定的噪声，图像中目标物体部分边缘也有可能局部不清晰，这使 得医学图像的分割更加困难。因此，目前在医学图像分割方面仍然没有可以通 用的理论和方法。 从指导思想上看，图像分割方法可以分为两种体系n 6 1 ：以计算机为单一执 行者的自动分割方法和人机结合的交互式分割方法。自动分割方法的指导思想 是追求完全由计算机自主完成目标的分割任务，而不需要人的参与。但是，目 前计算机自主分割的结果不能令人满意，准确性不能满足医学图像的应用要 求；而对人机交互过于依赖又是实际应用不能接受的。因而，目前对自动分割 方法的研究继续关注的同时，对交互式分割方法的研究也成了医学图像分割的 研究重点。 根据分割算法适用性的不同，图像分割方法主要分为两大类：一类方法是 基于区域的方法，通常利用同一区域内的均匀性识别图像中的不同区域；另一 类方法是边缘分割方法，通常利用区域间不同性质( 如区域内灰度不连续性) 划分出各个区域之间的分界线，这类方法通常导致不完全的部分分割结果，比 如分割结果中存在间断现象，或者得到错误的边缘。近年来，随着统计学理 论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日 渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的 新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性 的图像分割方法n 7 蚓。下面主要从医学应用的角度，分类介绍一些有代表性的 图像分割方法。 2 2 2基于区域的分割方法 1 阈值分割 阈值分割9 1 是最常见的、并行的直接检测区域的分割方法。 如果只选取一个阈值称为单阈值分割，它将图像分为目标和背景两大类；如果 用多个阈值分割称为多阈值方法，图像将被分割为多个目标区域和背景，为区 分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假 设：目标或背景内的相邻像素问的灰度值是相似的，但不同目标或背景的像素 在狄度上有差异，反映在图像卣方图上，不同目标和背景则对应不同的峰。选 哈尔滨理丁火学t 学硕 ：学位论文 取的阈值应位于两个峰谷处，从而能将各个峰分开。 2 区域生长和分裂合并区域生长和分裂合并旺训是两种典型的串行区域分 割方法，其特点是，将分割过程分解为多个顺序的步骤，其中后续步骤要根据 前面步骤的结果进行判断而确定。区域生长方法的基本思想是，将具有相似性 质的像素集中起来构成区域，该方法需要先选取一个种子点，然后依次将种子 像素周围的相似像素合并到种子像素所在的区域中。区域生长算法的研究重 点：一是特征度量和区域增长规则的设计，二是算法的高效性和准确性。 2 2 3 基于边缘的分割方法 基于边缘的分割方法可以说是人们最早研究的方法，基于区域边缘上的像 素灰度值的变化往往比较剧烈。该方法试图通过检测不同区域间的边缘来解决 图像分割问题。边缘检测技术堙“2 2 1 可以按照处理顺序分为串行边缘检测及并行 边缘检测。在串行边缘检测技术中，当前像素是否属于欲检测的边缘取决于先 前像素的检测结果；而在并行边缘检测技术中，一个像素是否属于检测的边缘 只与当前像素及其相邻像素有关。最简单的边缘检测方法是并行微分算子法。 它利用相邻区域的像素值不连续的性质，采用一阶或二阶导数来检测边缘点。 近年来还提出了基于局部图像函数的方法、基于边界曲线拟合的方法、串行边 界查找等。下面分别介绍这些方法： 1 并行微分算子并行微分算子用于检测图像中的灰度变化，通过求一 阶导数极值点或二阶导数过零点来检测边缘。常用的一阶导数算子有梯度算 子、r o b e r t s 算子、s o b e l 算子和p r e w i t t 算子；二阶导数算子有l a p l a c i a n 算 子，以及k i r s c h 算子等非线性算子。 2 基于曲面拟合的方法这种方法的基本思想是，将狄度看成高度，用 一个曲面来拟合一个小窗口内的数据，然后再在拟合的曲面进行边缘检测来决 定边缘点。由于拟合的曲面是满足一定平滑性的有理曲面，因而可以使图像噪 声得到平滑。v i s h v j i t s n a l w a 等人提出一种用曲面来拟合局部窗口中数据的方 法，先估计该窗口中的边缘方向，再用该方向上的曲面来拟合数据，决定边缘 点。r o b e r t m h a r a l i c k 提出一种用二维三次多项式来拟合小窗口内的图像数据 的方法，为得到该多项式的系数，要先用离散正交多项式的线性组合来拟合数 据，求得线性组合的系数后再据此得到三次多项式的系数，然后求该多项式的 二阶方向导数，用其过零点来决定边缘点。l o a n n i sm a t a l a s 等人采用h a r a l i c k 的这种方法作为他们提出的图像分割算法的第一步，得到初始边缘点，然后在 哈尔滨理t 大学t 学硕 ：学位论文 此基础上用松弛标号法对找出的边缘点进行更进一步的判断，去伪存真。 3 边界曲线拟合法这种方法用平面曲线来表示不同区域之间的图像边 界线，试图根据图像梯度等信息找出讵确表示边界的曲线，从而达到图像分割 的目的，而且由于它直接给出的是边界曲线而不像一般的方法中找出的是离散 的、不相关的边缘点，因而对图像分割的后续处理如物体识别等高层次分析有 很大的帮助。即使是用一般方法找出的边缘点，用曲线来描述它们以便于高层 次分析也是经常采用的一种有效方法。l a w r e n c eh s t a i b 等人给出一种用傅里 叶参数模型来描述曲线的方法。根据b a y e s 定理，按极大后