一种基于知识的CT影像脊髓自动提取方法(修改稿2)

1、CT影像中一种基于知识的脊髓自动提取方法王 玉1, 王 宏2, 康雁1（1.东北大学 中荷生物医学与信息工程学院，辽宁省 沈阳市 110819；2.东北大学 机械工程与自动化学院，辽宁省 沈阳市 110004）照片尺寸为20mm*30mm；最好不用红色背景摘 要：本文基于CT影像人体结构的特征知识，提出了用三个主要步骤实现脊髓的自动提取功能。并在检测脊髓概率区关键步骤中，基于脊髓及其周围结构的特征知识，建立了一个全新的特征模型进行脊髓内一点的检测，并基于该点进行区域增长得到脊髓概率区，进而在脊髓概率区内实现脊髓的检测。在临床60例患者CT图像序列的试验中，躯干轮廓检测率全部达到100，脊髓概率

2、区的检测率有两例99，其余均100，基于脊髓概率区的脊髓检测率全部可以达到100。引入特征模型自适应修正，可以实现全部60例患者CT图像序列脊髓的自动提取。运行于笔记本平台上，患者CT图像序列脊髓检测时间可以达到3秒左右，完全满足临床要求。脊髓自动提取功能的实现，避免了临床放疗医师进行手动勾画的繁琐工作，同时也降低了勾画结果对放疗医师技术水平的依赖，在临床放射治疗领域具有重要意义。关键词：CT影像；自动提取；特征模型；区域增长；手动勾画中图分类号：Q-332 文献标识码：A 国家标准学科分类代码：510-40A Knowledge-Based Method of Automatic Detec

3、tion of the Spinal Cord in CT ImagesWANG Yu1，WANG Hong2，KANG Yan1(1. Sino-Dutch Biomedical and Information Engineering School, Northeastern University, Shenyang 110819, China; 2. Northeastern University POB 319, Shenyang, 110004, China) Abstract：In this article, based on body diagnostic structu

4、ral knowledge, three key subtasks were performed to contour spinal cord automatically. A new diagnostic model was created to detected spinal cord point according to the structural knowledge of spinal cord and its surroundings for detecting spinal cord possible region. From this point the spinal cord

5、 possible region was obtained with region growing method. Then the spinal cord was detected in the spinal cord possible region. The testing results of sixty clinical patients is that body contours were detected successfully for all patient CT series images, spinal cords were detected successfully af

6、ter spinal cord possible region was obtained for all patient CT series images, ninety-nine percent of spinal cord possible region was detected successfully for two patients while hundred percent of spinal cord possible region was detected successfully for the rest. With the adaptive diagnostic model

7、, the automatic detection of spinal cord for all patients was successful. The detection time was about three seconds on notepad PC which meets the clinical requirements. It can reduce the dependence degree of the operator technique, reduce manual contouring hard work with the automatic contouring me

8、thod, which is a very meaningful work in clinic.Key words: ct images; automatic detection; diagnostic model; region growing; manual contouring收稿日期：*基金项目：国家自然科学基金（61071057）1 引 言放射治疗与手术和药物治疗一样，已成为肿瘤治疗的一个重要手段。近些年来，随着放射治疗技术的发展，尤其是精确放疗概念的提出，三维适形及逆向调强计划系统被广泛的应用于临床治疗。三维放射治疗计划系统（Three dimensional radiation

9、therapy planning system,3D-RTPS）是放射治疗产品中重要核心，是放射治疗系统的质量控制和质量保证必不可少的手段。放射治疗计划系统可以利用计算机模拟治疗的整个过程，得到患者体内定量的剂量分布数据，通过对这些数据的分析和评估，可以制定出更加合理的治疗方案，从而有效的减少对正常组织特别是敏感器官的照射量，减少放疗引起的副作用。同时增加肿瘤的照射量，增加肿瘤控制率。一个好的计划系统取决于是否可以制定出精确的治疗计划来保证实际治疗与模拟治疗结果的一致性。这其中除了需要有一个精确的剂量计算模型，计划系统还需要提供足够好的勾画工具，精确快速的勾画出靶区及其周围重要的敏感器官。目前

10、，这部分工作还主要依靠医生手动进行勾画。但往往由于一个计划需要勾画的靶区及危及器官较多，使得这部分工作变得特别繁琐，需要很长时间的细致工作才能完成。因此，近些年来，无论是学术界或一些国际主流的计划系统软件，对于危及器官的自动分割都非常关注。医学图像分割到今天仍然没有获得圆满解决，一个重要的原因是医学图像的复杂性和多样性。人体解剖组织结构和形状复杂，人与人之间也有相当大的差别。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。因此，有必要针对医学应用这个领域，对图像分割方法进行深入的研究，特别是可以基于各种基本图像处理方法1-5及一些新方法在医学图像分割中的应用6-8，可以针对一些特定器官

11、的分割进行研究9-13。在各种器官组织中，脊髓是一个非常重要的敏感器官，在射线治疗过程中要尽可能接受少的照射剂量。否则很容易引起无法预测的如麻痹等脊髓方面的神经性并发症。对于脊髓，目前主要还是一层一层图像进行手动勾画。尽管也有一些半自动14或全自动15方法的出现，但往往由于自动提取整个识别过程过于复杂而使识别率较低，时间较长，无法在临床上得到很好的应用和认可。因此基于CT图像的脊髓自动勾画在临床应用上有待进一步完善。本文基于CT影像人体结构的特征知识，提出了用三个主要步骤实现脊髓的自动提取功能。在检测脊髓概率区关键步骤中，基于脊髓及其周围结构的特征知识，建立了一个全新的特征模型，并通过对临床患

12、者相关CT影像数据确定模型的特征参数。模型参数确定下来以后，基于这个模型进行匹配，找到脊髓内某一点，并以该点在有效小区域内基于脊髓阈值范围进行组织增长得到包含脊髓的区域，即脊髓概率区。对其进行标记。最后在该标记区域内进行脊髓的检测。2 基于知识的图像处理人体解剖组织结构和形状信息描述是非常复杂的，而且同一组织，人与人之间的差别也是相当大的，甚至同一个人在不同状态下组织器官的形状也是变化的。因此，对于计算机影像系统，我们几乎不太可能提供一个可行的统一方式。下面以脊髓自动提取的特定需求为例，首先对基于知识的图像处理做一下简要介绍。基于这些关联逐步实现脊髓的自动提取。基于知识的图像处理一般需要进行三

13、个方面的工作：图像的获取、图像的解译和知识的表达。2.1 图像的获取临床上，放疗医师最关心的是肿瘤的区域及位置，靶区距离脊髓远近，肿瘤周围正常组织器官是否会被照射等。基于以上考虑，放疗患者的CT图像扫描一般要根据放疗科的要求事先形成一些相对固定的扫描协议，然后再根据对肿瘤部位等信息的预判，选择合适的协议，以便得到的患者CT图像可以用于放射治疗计划系统进行计划制定。2.2 图像的解译得到患者CT图像后，放疗医师会基于这些CT图像形态学特征及密度等信息进行相应的评估。而放射治疗计划系统软件则需要针对患者CT图像进行解译，提供上述相关信息，以便放疗医师做出正确的处理及判断。计算机软件系统对于医学影像

14、的解译，一般需要以下至少一种知识模型。1结构知识模型：用于解译人体静态空间结构及关系（肺、脊髓等）2动态知识模型：用于解译人体正常及非正常变化（生理及病理）3程序知识模型：用于实现某种图像处理算法进行的可执行的任务分解及流程（例如，图像合成、算法流程等） 2.3 知识的表达所谓知识就是用于对图像的解译及描述某些基本图像处理算法的参数。对于人体特定组织结构，都对应一种原型，这个原型的定义也就是对上节提到的知识模型的定义，然后基于这些知识模型进行相应的处理，实现某种特定目标。3 脊髓自动提取对于脊髓的自动提取，由于不需要考虑肿瘤病理生长的影响，我们只需建立结构和程序两种知识模型。结构知识模型：主要

15、是对脊髓及脊髓自动提取涉及到的组织器官的定义，包括形状，位置，CT值范围等属性及各组织器官之间的联系。程序知识模型：主要用于脊髓自动提取子任务的分解及算法流程。本文在脊髓自动提取算法设计上也用到了所谓参考对象15的概念，即首先定义目标任务涉及到的参考对象，然后根据这些参考对象之间的依赖关系设计算法流程。本文基于知识模型理论，将脊髓的自动提取分解成以下三个关键步骤：1确定躯干轮廓。2确定脊髓概率区。3在脊髓概率区检测脊髓。子任务关键步骤对应的图解见图1，其中图中区域（1）对应步骤1中的躯干轮廓，区域（2）对应步骤2中的脊髓概率区，区域（3）对应步骤3中的脊髓。图1子任务步骤对应图解Fig.1 S

16、ubtask steps三个关键步骤中对应的区域存在依赖关系，其中躯干轮廓是脊髓概率区的参考对象，而脊髓概率区又是脊髓的参考对象。因此，需要三个步骤是有时间先后顺序的。具体，先检测躯干轮廓，然后，基于脊髓及脊髓与躯干之间的联系确定脊髓概率区，最后在脊髓概率区内，基于脊髓的知识模型搜索到脊髓。3.1 躯干轮廓检测在用于放射治疗的CT图像中，考虑到体位重复性及物理密度一致性问题，在扫描过程中CT设备的床板需要是平的炭纤维板，所以躯干皮肤部分与外围CT值差别非常明显。因此，图像内躯干的边界点象素的应大于某一特定值。我们可以通过对躯干及空气CT值的直方图分析来确定具体值。算法具体实现步骤：1计算图像内

17、象素点对应的梯度。2由图像中心列第一行象素开始搜索，沿列方向找到第一个梯度大于的象素点。3从该点开始，沿顺时针方向搜索梯度大于的象素点，直到第一个点。考虑到本文采用的脊髓自动提取算法主要依赖躯干轮廓进行概率意义上粗略定位搜索脊髓的子区域。因此对于躯干轮廓的提取，不需要一定具有很高的精度，这也为提高躯干轮廓的检测率提供了相应的空间。3.2 脊髓概率区检测在脊髓自动提取算法中，确定脊髓概率区是最为关键的一步，本文基于脊髓及其周围包绕的脊椎骨结构特征知识，采用了一种全新的结构模型检测脊髓内一点，并基于该点进行增长得到脊髓概率区。脊髓概率区检测具体分三个步骤：1确定脊髓内一点检测区域。2检测脊髓内一点

18、。3确定脊髓概率区。脊髓内一点检测区域主要根据躯干轮廓进行确定。首先，根据躯干轮廓确定躯干包围盒，见图1。然后再根据包围盒及中轴线确定脊髓内一点检测区域。具体取法见图2中灰色区域，图中标定的距离应确保脊髓内的某一点在该区域内。图2脊髓内一点检测区域Fig.2 Detection region with a spinal cord point脊髓内一点检测就是要找到一个象素，使这个象素属于脊髓内的某一点，这样才能基于该点进行脊髓概率区的增长。为了进行检测脊髓内的某一点，基于脊髓及其周围包绕的脊椎骨结构特征知识，本文采用了一种全新的结构模型，见图3。图3脊构模型Fig.3 Spinal struc

19、ture model为了方便，以下称此结构模型为“脊构模型”。脊构模型包含4个基本形状单元，E0、E1、E2及E3。基于知识，考虑到模型的通用性及算法实现的可操作性，本文选择了三角形及圆形或两种形状的组合做为模型的基本形状单元。其中E0的CT值具有三个属性，标准差、最小值和最大值。E1、E2及E3的CT值具有两个属性，最小值和最大值。E0、E1、E2及E3的属性值可基于临床上各单元所在区域组织的CT值范围得到，也可通过在CT图像上手动移动模型，统计相关属性值得到。图4列举出了包含脊髓的胸、腹、髋部位的CT断层图像典型的脊柱结构图。从图中可以看出，脊构模型很好的适配了脊髓在各种CT断层图像中的结

20、构。图4脊构模型适配Fig.4 Spinal structure matching检测过程，在脊髓内一点检测区域移动E0中心，满足脊构模型属性特征要求的E0中心点即为脊髓内某一点。上述方法检测到的脊髓内一点只是保证该点是脊髓内的某一点，并不能保证一定是脊髓的圆心。因此，为了确定脊髓圆心的具体位置及大小，还需要基于该点确定脊髓概率区。确定脊髓概率区首先需要确定脊髓概率区的范围。考虑到脊髓断面自身尺寸大小，脊髓中心一定在以检测到的脊髓内一点为中心边长为4厘米的正方形区域内。为了在这一区域内找到脊髓，需要基于检测到的脊髓内一点及脊髓的CT值范围（同脊构模型E0的属性）在正方形区域内进行区域增长，得到

21、的区域即为脊髓概率区，见图5。图5中矩形区域是脊髓概率区限定区域，十字线是脊髓内一点。矩形区域内的不规则区域是脊髓概率区。图6中圆形区域是最终检测到的脊髓。图5增长得到的脊髓概率区Fig.5 Spinal cord region by region growing图6检测到的脊髓Fig.6 Spinal cord detected3.3 脊髓检测脊髓概率区确定以后，考虑到该区域是基于脊髓知识模型属性增长得到的，则脊髓是该区域的子集。基于放射治疗临床上脊髓勾画原则，自动检测脊髓定义为脊骨形成的腔体的内接最大圆15，则脊髓检测的任务变为搜索脊髓概率区边界的内接最大圆。基于M. Held16等人提供

22、的方法可以完成脊髓概率区内接圆的检测工作。考虑到脊髓概率区搜索区域较小，脊髓半径也有一定范围，本文采用了如下方法：在人体脊髓半径实际尺寸范围内，按半径实际尺寸由大到小依次定义不同半径的搜索圆模板，然后按半径尺寸由大到小在脊髓概率区内移动搜索圆模板中心，首先满足搜索圆内包含的点均属于脊髓概率区象素的圆即为检测的目标圆。如果没有检测到目标圆，则移动半径最小的模板园中心，圆内包含的点属于脊髓概率区象素最多的园做为目标圆。为了确保可以检测到目标，考虑到不同部位及个体差别，本文选择的脊髓半径实际尺寸范围为0.5cm2.0cm。模板半径基于象素实际尺寸进行离散。具体取法为，最大模板半径2.0cm，然后按（

23、1）式依次递减： （1）其中最大值为2cm，最小值为按（1）式得到的递减序列中小于0.5cm的最大值。图6中绿色圆是对应图5在脊髓概率区内检测到的最大圆，也就是脊髓。针对本文提供的脊髓自动提取方法的特定应用，与M. Held等人提供的方法相比，本文提供的最大园检测方法由于不受边界形状的限制，理论上是一定可以找到目标的。基于知识的脊髓自动提取算法是由一系列的子任务顺序执行来完成的，而每一个子任务都基于相关的知识，图7是脊髓自动提取整个算法流程图。 图7 脊髓检测算法流程图 Fig.7 Spinal cord detection flow chart 图8 符合率定义Fig.8 Coinciden

24、ce rate definition4 试验数据与结果为了验证本文算法的有效性，我们进行了20例实际临床患者试验。其中包括男性患者11例，女性患者9例。年龄跨度从26岁到82岁。患者病变部位包括胸部11例，腹部9例。图像层数从46层到85层。图像层厚3毫米。患者CT图像数据来自GE公司影像设备试验软件程序运行环境是Dell公司的 Latitude E6420笔记本，CPU配置Intel® Core(TM) i5-2430M 2.4GHz。在试验数据评估过程我们主要统计了三个指标，符合率、检测率及检测时间。符合率定义：设由临床医生勾画或由临床医院计划系统软件自动生成的脊髓象素集合为，象

25、素个数为。本文方法自动检测得到的脊髓象素集合为，象素个数为。为集合和交集的象素个数。符合率由下式给出： （2）图8左侧CT图像及脊髓ROI来自于实际临床患者，右侧为本文方法检测到的该图像脊髓ROI。根据符合率定义，左侧图像中紫色区域为集合，右侧图像中红色圆区域为集合。经过计算，该图像符合率为98.2%。对于对于患者图像序列，符合率是所有层图像符合率的平均值。这个符合率可以通过软件程序自动统计计算。检测率定义为：设患者图像序列层数为，成功检测到目标的图像层数为。检测率由下式给出： （3）检测时间是指检测患者图像序列所有层所用时间。在所有测试用例中，躯干轮廓检测率全部可以达到100，这主要是由于躯

26、干与体外CT值差别较大，而且对于本文的算法主要是基于躯干轮廓确定脊髓内一点检测区域，不需要躯干轮廓有很高的精度，客观上增加了躯干轮廓的检测率。对于脊髓的检测率同样全部可以达到100，这主要是理论上基于本文的脊髓检测方法，脊髓概率区的最大内接圆是存在和可检测到的。对于脊髓概率区的检测，没有全部达到100的检测率，主要是一个胸部患者靠近头颈部的一层图像和腹部靠近尾部一层图像检测失败。在检测时间上，我们只对患者图像序列所有图像总体检测时间做了统计。从统计的数据看，检测时间不一定与层数成正比，这主要是因为算法本身对不同单层图像检测速度不完全一样。最长检测时间在3秒左右，满足临床要求。表1 来自20例临

27、床患者CT图像数据的统计结果Table 1 Results from evaluation using the CT images of twenty patients试验患者ID患者年龄患者性别图像层数肿瘤部位躯干轮廓检测率脊髓概率区检测率脊髓检测率符合率检测时间Exam150女56腹部100%100%100%92.3%2.343sExam282男58腹部100%100%100%93.1%2.172sExam354男57腹部100%100%100%91.6%2.359sExam478男61腹部100%100%100%89.6%2.453sExam535女63胸部100%100%100%95.

28、6%2.016sExam626女56胸部100%100%100%96.8%2.406sExam760男73胸部100%100%100%93.3%3.141sExam850女65胸部100%100%100%93.5%2.781sExam960女58腹部100%100%100%91.8%2.594sExam1069男52腹部100%100%100%90.7%3.515sExam1166女74腹部100%99%100%90.9%3.896sExam1249女46腹部100%100%100%91.8%2.671sExam1372男46胸部100%100%100%92.9%2.762sExam1450女

29、52胸部100%100%100%93.1%2.976sExam1575男85胸部100%99%100%92.8%2.953sExam1655男56腹部100%100%100%90.9%2.556sExam1772男65胸部100%100%100%91.6%2.752sExam1868男68胸部100%100%100%93.8%2.813sExam1955男65胸部100%100%100%95.2%2.809sExam2046女61胸部100%100%100%96.3%3.109s5 讨论与分析对于脊髓的自动提取通常的办法是先提取脊髓外围的脊椎管（spinal canal）等骨结构，然后基于外围

30、的脊椎管等骨结构的轮廓及M. Held及 D. T. Lee等人提供的类似方法进行脊髓检测。但由于脊髓外围的脊椎管等骨结构自动检测过程较复杂，步骤较多，往往检测率较低，如文献15中的试验，spinal canal的检测率只有85左右，脊髓的自动检测与其是依赖关系，造成脊髓的检测率降低。而本文建议的方法是相反的策略，即首先基于脊构模型直接找到脊髓的区域增长点，然后得到脊髓概率区。这种方法的好处是步骤少，检测率高，且由于脊髓概率区是基于脊髓属性特征进行区域增长得到的，所以基于此区域得到的脊髓更精确。本文建议的算法尽管达到了很高的检测率，这主要是由于算法不需要较多的中间参考对象，而且中间用到的都是概

31、率意义上的参考对象，增加了算法适应性。但对于胸部CT图像序列靠近头颈部的断层图像和腹部CT图像序靠近尾锥的断层图像还是有失败的情况，这主要是机构模型在头颈部附近适应性不是很理想。本文针对这种情况也做了简单修正。主要基于脊柱生理弯曲的知识17及利用临近层脊髓中心线性插值得到本层图像脊髓中心，并把该点做为脊髓内一点，利用本文提供的方法进行检测，都成功检测到了脊髓。此外，结合软件提供的手动勾画工具，在实际的应用中对失败的CT断层图像，可以快速方便的检测到脊髓。6 结 论第4节关于符合率的计算只是一个参考值，事实上手动勾画或其他软件公司得到脊髓结果也不一定是最精确的，目前关于脊髓的自动提取更多的还是以

32、临床医生评估为准，经过临床放疗医生参与评估，表1中符合率大于90的患者图像序列基本上都满足临床要求，即便低于90的患者图像序列，由于可以通过膨胀等技术，扩大对脊髓器官保护的区域，满足临床要求。本文提供的算法简单有效，缩短了检测时间。同时也减少了放疗医生手动勾画脊髓的繁琐工作。基于计算机的自动提取，也使得提取过程不再依赖放疗医生的专业技术水平，保证了脊髓器官对于不同操作者可以得到相同的勾画结果，这就使得该器官在剂量统计评估过程更具有历史参考方面的客观性。参考文献:1 殷明, 刘卫. 基于非高斯分布的四元数小波图像去噪J. 电子测量与仪器学报, 2012, 26(4):338-343.YIN M,

33、 LIU W. Quaternion wavelet image denoising based on non-Gaussian distributionJ. Journal of Electronic Measurement and Instrument, 2012, 26(4):338-343.2 李靖宇, 穆伟斌, 金成. 图像分割在医学图像处理中的应用研究J. 微型机与应用, 2012, 31(8):29-31.LI J Y, MU W B, JIN CH. Research of image segmentation technique applied in medical imag

34、e processingJ. Microcomputer & Its Applications, 2012, 31(8):29-31.3 孙云山, 张立毅, 张锦. 改进恒模盲均衡在医学CT 图像盲恢复中的应用J. 仪器仪表学报, 2012, 33(4):878-884.SUN Y SH, ZHANG L Y, ZHANG J. Application of improved constant module blind equalization algorithm in medical CT image blind restorationJ. Chinese Journal of Sc

35、ientific Instrument, 2012, 33(4):878-884.4 ISABELLE B. Duality vs. adjunction for fuzzy mathematical morphology and general form of fuzzy erosions and dilations J. Fuzzy Sets and Systems, 2009, 160: 1858-1867.5 李星蕊, 康志伟, 何怡刚. 利用克隆变异的图像分类算法J. 电子测量与仪器学报, 2012, 26(5):446-450. LI X R, KANG ZH W, HE Y G.

36、 Image classification algorithm based on clone and mutationJ. Journal of Electronic Measurement and Instrument, 2012, 26(5):446-450.6 ZHANG H, FRITTS J E. Image segmentation evaluation: A survey of unsupervised methodsJ  Computer Vision and Image Understanding, 2008, 110(2): 260-280.7 查方龙, 张定华,

37、 黄魁东. 基于预分割轮廓的CT 图像亚体素表面检测方法J. 仪器仪表学报, 2012, 33(6):1308-1314.ZHA F L, ZHANG D H, HUANG K D. Subvoxel-accuracy surface detection method based on contour pre-segmentation for computed tomography imagesJ. Chinese Journal of Scientific Instrument, 2012, 33(6):1308-1314.8 吴一全, 潘喆, 吴文怡. 二维直方图区域斜分阈值分割及快速递推

38、算法J. 通信学报, 2008, 29(4):77-83.WU Y Q, PAN ZH, WU W Y. Image thresholding based on two-dimensional histogram oblique segmentation and its fast recurring algorithmJ. Journal on Communications, 2008, 29(4):77-83.9 HEIMANN T, GINNEKEN B, MARTIN A. Comparison and evaluation of methods for liver segmentati

39、on from CT datasets J. IEEE Transactions on Medical Imaging, 2009, 28(8):1251-1265.10 LIN D T, LEI C C, HUNG S W. Computer-aided kidney segmentation on abdominal CT imagesJ . IEEE Trans on Information Technology in Biomedicine, 2006, 10(1):59-65.11 SELVER M A, KOCAOGLU A, DEMIR G K. Patient oriented

40、 and robust automatic liver segmentation for pre-evaluation of liver transplantationJ. Computers in Biology and Medicine, 2008, 38 (7):756-784.12 贾同, 魏颖, 吴成东. 基于几何形变模型的三维肺血管图像分割方法J. 仪器仪表学报, 2010, 31(10): 2296-2301.JIA T, WEI Y, WU CH D. 3D lung vessel image segmentation scheme based on geometric act

41、ive contour modelJ. Chinese Journal of Scientific Instrument, 2010, 31(10): 2296-2301.13 刘 技, 康晓东, 贾富仓等. 基于图割与概率图谱的肝脏自动分割研究J. 计算机科学, 2012, 39(2):288-290. LIU J, KANG X D, JIA F C. Automatic liver segmentation using graph cuts and probabilistic atlasJ. Computer Science, 2012, 39(2):288-290.14 GILHUIJ

42、S K G, VANDEVEN P J, VANHERH M. Automatic three dimensional inspection of patient setup in radiation therapy using portal images, simulator images, and computed tomography dataJ. Med. Phys., 1996, 23(3):389-399.15 ARCHIP N, ERARD P J, EGMONT-PETERSEN M. A knowledge-based approach to automatic detection of the spinal cord in CT imagesJ. IEEE Trans. On Medical Imaging, 2002, 21(12):1504-1516.16 HELD M. VRONI: An engineering approach to the reliable and efficient computation of Voronoi diagrams of points and lin