一种中心线的提取方法发明专利

1、一种中心线的提取方法技术领域本发明涉及医学图像的处理领域，尤其涉及一种中心线的提取方法。背景技术磁共振MR检查由于其无损伤、任意断面和多参数成像等特点而日益普及，尤其在中 枢神经和脊柱临床应用中优势更为突出。一般地，为了便于诊断，在进行MR脊柱图像成 像的时候，通常会将扫描平面设置为平行于目标椎间盘的中心线方向。这是因为MR成像 非各向同性，扫描平面上的分辨率高于扫描平面之间的分辨率。因此通过将扫描平面分别 与各个椎间盘中心线对齐，可以去除脊椎次要特征信息的影响而精确清晰地得到脊椎以及 椎间盘的图像信息。通常的脊柱扫描技术首先会用较短时间粗略地扫描出低分辨率的Scout图像，然后由 操作者手动

2、确定各个椎间盘的扫描角度和位置，最后进行高分辨率但耗时较长的MR-T1， MR-T2图像扫描。而在这个过程中，病人会一直处 于被扫描状态，因此通过自动生成扫 描平面来节省时间，并保持扫描面生成模式的一致性以便后续图像的比较，显得尤为重要。美国专利US7804986提出了一种基于局部脊椎分割的方法：首先手动提供一个脊椎 附近的点，然后通过自适应的阈值分割的方法得到这个点近邻的一对脊椎，接着通过形态 学方法去除掉周围组织包括椎间盘而留下2个具有清晰边界的脊椎。然后(1)算出一个它们 之间的中心点作为种子点，通过基于方向场的区域增长方法得到椎间盘区域并算出中心线 方向；(2)通过2个脊椎靠近椎间盘一

3、侧的边界直接定位椎间盘中心线的方向。这种方法在 开始阶段需要对每2个脊椎人为输入初始点，而且精度受图像清晰度影响很大，缺点明显。文献 1: Szu-HaoHuang ，Yi-HongChu，Shang-HongLai，CarolL.Novak. Learning- BasedvertebradetectionanditerativeNormalized-Cut segmentationforspinalMRI.IEEETransactiononMedicalImaging vol. 28，No.10.2009.提 出了一种基于学习的方法来自动识别脊椎并采用改进的Normalized-Cut分割

4、方法进行脊椎 区域的提取。但是由于采用了这种较为复杂的分割算法，计算量较大而且受图像清晰度的 影响明显，后续计算椎间盘的中心点和中心线还将再次受到图像清晰度的影响。文 献 2 ； P.P.Smyth ， C.J.TaylorandJ.E.Adams.Automaticmeasurement ofvertebralshapeusingactiveshapemodels.(199采用了基于模型(ActiveShapeModel)的 方法来训练并检测一段脊柱从而确定每个脊椎的区域。但是这种方法需要提前训练出一段 固定脊椎数目的脊柱模型，对于检测一副脊椎数目未知的图像来说不具有通用性。文 献 3 :

5、RuiqiongShi ， DongmeiSun ， ZhengdingQiuandKennethL. Weiss.AnefficientmethodforsegmentationofMRIspineimages.(2007).采用一种基于模型的 方法并配合霍夫变换来提取脊柱线。但是这种方法非常依赖于脊柱边界的清晰度，因此普 适性不强。发明内容本发明解决的问题是提供一种中心线的提取方法，用以避免应先检测脊椎块然后定位 椎间盘位置导致的分割误差。为了解决上述问题，本发明提供一种中心线的提取方法，包括：提供脊柱图像，基于分类器检测所述脊柱图像中的椎间盘点和头颈部连接点，基于所 述椎间盘点和头颈部连

6、接点提取所述脊柱图像的椎间盘的中心线。可选的，所述分类器包括：基于概率的决策树分类器、线性判别分析分类器、支持向 量积分类器或者贝叶斯分类器。可选的，所述分类器为基于概率的决策树分类器，训练所述分类器包括：准备椎间盘 正负样本，采用Ada-Boost方法训练各个强分类器，作为各个树结点并最终生成基于概率 的决策树的树形分类器。可选的，包括：基于所述分类器对脊柱图像检测获得概率图；对所述概率图进行区域 增长获取若干数目的连通域；基于所述连通域获取椎间盘点和头颈部连接点。可选的，通过3阶曲线拟合或者直线拟合对所述椎间盘点和头颈部连接点进行拟合， 确定所述脊柱的拟合曲线。可选的，所述3阶曲线拟合或直

7、线拟合包括宽松距离条件的3阶曲线拟合或直线拟合 及严格距离条件的3阶曲线拟合或直线拟合。可选的，通过医学图像若干数目的椎间盘点和头颈部连接点进行3阶曲线拟合或直线 拟合，确定具有点最多的作为最佳拟合曲线或直线，根据所述最佳拟合曲线或直线去除假 阳性点；在去除假阳性点后剩余的点中进行严格距离条件的3阶曲线拟合或者直线拟合， 确定脊柱的拟合曲线。可选的，若所述脊柱图像为矢状面颈椎图像，包括：确定脊柱图像中上方的一个虚拟 点，若检测到头颈部连接点，则位于所述头颈部连接点一侧的点作为虚拟点，将所述虚拟 点和任意3个候选点进行所述宽松距离条件的3阶曲线拟合；将所述虚拟点移至剩余点中 最上面点的上方位置，

8、用虚拟点和剩余任意3个候选点进行较严格距离条件的3阶曲线拟 合。可选的，若所述脊柱图像为冠状面颈椎或者腰椎图像，则通过所述柱图像中上方的一 个虚拟点和任意3个候选点进行宽松距离条件的直线拟合；并用所述虚拟点和剩余任意3 个候选点进行较严格距离条件的直线拟合。可选的，还包括对未分布所述椎间盘点和头颈部连接点的空缺区域进行预测和填补， 包括：计算各相邻椎间盘点的距离，并将距离进行排序；提供容忍范围，在容忍范围内的 距离值中，取出一个中间值作为椎间盘之间的平均距离；基于所述平均距离对空缺区域进 行候选点的预测和填补。可选的，提取所述中心线包括：以所述各个椎间盘点作为种子点进行区域增长，判断 得到聚类

9、的概率点个数，提供判断阈值进行判断：若大于所述判断阈值，则判断对应位置 具有椎间盘，计算聚类的质心点作为中心点，计算聚类的主方向作为中心线方向。可选的，所述计算聚类的主方向作为中心线方向包括：提供合理范围，若椎间盘点对 应的聚类主方向与所述质心点相对于脊柱拟合线的法线方向夹角超过合理范围，则取对应 的法线方向为椎间盘中心线方向；若聚类概率点小于合理范围，则判断对应位置没有椎间 盘，将对应候选点作为椎间盘的中心点，对应点相对于脊柱拟合线的法线方向作为椎间盘 中心线方向。与现有技术相比，本发明具有以下优点：本发明提出一种分类器检测脊柱图像椎间盘和头颈部连接点，并在检测结果概率图上 进行区域增长算出

10、连通域从而得到椎间盘点，最后基于脊柱拟合线以及检测概率图进行椎 间盘中心点和中心线计算的方法。采用分类器直接检测椎间盘，而不是先检测脊椎块然后 定位椎间盘位置，避免了因分割导致的误差；进一步地，采用检测头颈部连接点的方法来辅助定位脊柱拟合线的起始位置以及上部 椎间盘的起始位置，增加了脊柱线拟合的精确度以及起始椎间盘检测位置的正确性；进一步地，采用基于较宽松距离条件和较严格距离条件的多层次脊柱线拟合和假阳性 点去除方法，增加了脊柱线拟合的精确度；最后，采用基于经验值过滤和取中间值的方法得到具有自适应特性的椎间盘相邻候选 点参考间距，并据此填补空缺区域椎间盘候选点，提高了鲁棒性；最后，基于脊柱拟合

11、线预测椎间盘中心线方向，提高了提取中心线的准确性。附图说明图1是本发明一个实施例的中心线提取方法的流程示意图；图2图5为本发明一个实施例中心线提取方法的效果示意图。具体实施方式在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多 不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做 类似推广，因此本发明不受下面公开的具体实施的限制。其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述 示意图只是实例，其在此不应限制本发明保护的范围。本发明解决的问题是提供一种中心线的提取方法，用以避免应先检测脊椎块然后定位 椎间盘位置导致的分

12、割误差。为了解决上述问题，本发明提供一种中心线的提取方法，包括：提供脊柱图像，基于分类器检测所述脊柱图像中的椎间盘点和头颈部连接点，基于所 述椎间盘点和头颈部连接点提取所述脊柱图像的椎间盘的中心线。所述分类器包括：基于 概率的决策树分类器、线性判别分析分类器、支持向量积分类器或者贝叶斯分类器。进一步地，所述分类器为基于概率的决策树分类器，训练所述分类器包括：准备椎间 盘正负样本，采用Ada-Boost方法训练各个强分类器，作为各个树结点并最终生成基于概 率的决策树的树形分类器。基于所述分类器，还包括：基于所述分类器对脊柱图像检测获得概率图；对所述概率 图进行区域增长获取若干数目的连通域；基于所

13、述连通域获取椎间盘点和头颈部连接点。进一步地，还包括：通过3阶曲线拟合或者直线拟合对所述椎间盘点和头颈部连接点 进行拟合，确定所述脊柱的拟合曲线；所述3阶曲线拟合或直线拟合包括宽松距离条件的 3阶曲线拟合或直线拟合及严格距离条件的3阶曲线拟合或直线拟合。具体地，通过医学图像若干数目的椎间盘点和头颈部连接点进行3阶曲线拟合或直线 拟合，确定具有点最多的作为最佳拟合曲线或直线，根据所述最佳拟合曲线或直线去除假 阳性点；在去除假阳性点后剩余的点中进行严格距离条件的3阶曲线拟合或者直线拟合， 确定脊柱的拟合曲线。若所述脊柱图像为矢状面颈椎图像，包括：确定脊柱图像中上方的一个虚拟点，若检 测到头颈部连接

14、点，则位于所述头颈部连接点一侧的点作为虚拟点，将所述虚拟点和任意 3个候选点进行所述宽松距离条件的3阶曲线拟合；将所述虚拟点移至剩余点中最上面点 的上方位置，用虚拟点和剩余任意3个候选点进行较严格距离条件的3阶曲线拟合。进一步地，若所述脊柱图像为冠状面颈椎或者腰椎图像，则通过所述柱图像中上方的 一个虚拟点和任意3个候选点进行宽松距离条件的直线拟合；并用所述虚拟点和剩余任意 3个候选点进行较严格距离条件的直线拟合。接着，还包括对未分布所述椎间盘点和头颈部连接点的空缺区域进行预测和填补，包 括：计算各相邻椎间盘点的距离，并将距离进行排序；提供容忍范围，在容忍范围内的距 离值中，取出一个中间值作为椎

15、间盘之间的平均距离；基于所述平均距离对空缺区域进行 候选点的预测和填补。最后，提取所述中心线包括：以所述各个椎间盘点作为种子点进行区域增长，判断得 到聚类的概率点个数，提供判断阈值进行判断：若大于所述判断阈值，则判断对应位置具 有椎间盘，计算聚类的质心点作为中心点，计算聚类的主方向作为中心线方向。其中，所 述计算聚类的主方向作为中心线方向包括：提供合理范围，若椎间盘点对应的聚类主方向 与所述质心点相对于脊柱拟合线的法线方向夹角超过合理范围，则取对应的法线方向为椎 间盘中心线方向；若聚类概率点小于合理范围，则判断对应位置没有椎间盘，将对 应候 选点作为椎间盘的中心点，对应点相对于脊柱拟合线的法线

16、方向作为椎间盘中心线方向。图1是本发明一个实施例的中心线提取方法的流程示意图，方法步骤如下。包括：执 行步骤S1，采用PBT训练分类器。其中，所述PBT为Probability-Boosting-Tr树形分 类器。进一步地，采用所述分类器训练椎间盘分类器和头颈部连接点分类器，包括：准备椎 间盘正负样本，采用 Ada-Boost 方法训练各个强分类器，作为 各个树结点并最终生成 Probability-Boosting-Tr#!形分类器。类似地，训练出头颈部连接点分类器。执行步骤S2，读取脊柱图像和分类器。执行步骤S3，图像预处理。包括：将图像重采样到标准化大小并标准化图像像素灰 度值范围。执行

17、步骤S4，检测椎间盘生成候选点。具体地包括：首先基于椎间盘分类器对图像检测得到一张概率图，图2是通过椎间盘 分类器检测后得到的概率图。获取所述概率图后，对概率图进行区域增长得到各个连通域。 基于点的个数阈值去除较小的连通域。分别算出剩余各个连通域的质心作为椎间盘候选点。具体地，对于头颈部连接点检测：类似于椎间盘检测，在头颈部连接点检测得到的概 率图上做区域增长得到各个连通域。基于点的个数阈值去除较小的连通域。算出剩余连通 域的质心作为候选点。然后基于候选点的位置选出靠近图像中上部最可能的候选点作为最 终的头颈部连接点。若没有合适的候选点则认为无法检测到头颈部连接点。如图3所示为 通过概率图得到

18、的椎间盘候选点以及通过头颈部连接点分类器得到的头颈部连接点示意图。选取所述候选点后，还包括：假阳性点去除以及脊柱线拟合。具体地执行步骤S5，计算椎间盘中心点和中心线方向。如图4所示为通过脊柱线拟 合的效果示意图。具体地，若所述脊柱图像是矢状面颈椎图像，则通过图像中上方的一个虚拟点，若检 测到头颈部连接点，则以它左侧的某个点作为虚拟点。讲所述虚拟点和任意3个候选点进 行宽松距离条件的3阶曲线拟合，穷举找出涵盖候选点最多的最优曲线。根据最优曲线去 除距离偏差较大的假阳性候选点。然后将虚拟点移至剩余点中最上面的点的上方某位置， 用虚拟点和剩余任意3个候选点进行较严格距离条件的3阶曲线拟合，穷举找出涵

19、盖剩余 候选点最多的曲线作为最终的脊柱拟合曲线。进一步地，若所述脊柱图像时矢状面腰椎图像，则任取4个候选点进行宽松距离条件 的3阶曲线拟合，穷举找出涵盖候选点最多的最优曲线。根据最优曲线去除距离偏差较大 的假阳性候选点。然后在剩余候选点中任取4个候选点进行较严格距离条件的3阶曲线拟 合，穷举找出涵盖剩余候选点最多的曲线作为最终的脊柱拟合曲线。进一步地，若所述脊柱图像为冠状面颈椎或者腰椎图像，则通过图像中上方的一个虚 拟点和任意3个候选点进行宽松距离条件的直线拟合，穷举找出涵盖候选点最多的最优直 线。根据最优直线去除距离偏差较大的假阳性候选点。然后用虚拟点和剩余任意3个候选 点进行较严格距离条件

20、的直线拟合，穷举找出涵盖剩余候选点最多的曲线作为最终的脊柱 拟合直线。进行了上述的脊柱拟合后，还包括执行步骤S6，缺失椎间盘填补，即空缺区域的椎 间盘候选点预测和填补，包括：算出各个相邻椎间盘候选点之间的距离，将这些距离进行 排序，然后去除掉相对于经验值过大或者过小的距离值，在剩余的距离值中取出一个中间 值作为椎间盘之间的平均距离。基于得到的平均距离可以对相邻候选点距离过大的区域进 行候选点的预测和填补。最后，放松概率图聚类点个数阈值再求一次连通域作为拟合脊柱 线的候选点，依据最优脊柱线并参考头颈部连接点找出漏检测的椎间盘点。接着，执行步骤S7，计算椎间盘中心点和中心线方向。包括：以各个椎 间盘候选点 作为种子点，参考概率图进行区域增长。判断得到的聚类的概率点个数，若大于一定阈值， 则认为此处有清晰的椎间盘，直接计算聚类的质心点作为中心点，计算聚类的主方向作为 中心线方向。若得到的主方向与该质心点相对于脊柱拟合线