專利名稱：醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)技術(shù)領(lǐng)域，具體說(shuō)是一種醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法。
背景技術(shù)：
當(dāng)使用者在對(duì)一個(gè)數(shù)據(jù)庫(kù)進(jìn)行查詢時(shí)，總是希望能夠?qū)λ械男畔⒍伎梢赃M(jìn)行不同路徑和層次的有效的搜索。而當(dāng)前市場(chǎng)上的絕大部分的數(shù)據(jù)庫(kù)，包括那些即使已經(jīng)具有影像和圖像資料的數(shù)據(jù)庫(kù)，都是基于文字的信息搜索。這樣一來(lái)就大大地限制了使用者的應(yīng)用，尤其是在他們需要對(duì)這些影像/圖像的內(nèi)容進(jìn)行查詢的時(shí)候。本發(fā)明提出了一種基于影像/圖像信息的判據(jù)去搜尋相關(guān)信息數(shù)據(jù)庫(kù)的方法，及其相應(yīng)的在醫(yī)學(xué)信息系統(tǒng)方面的應(yīng)用，包括對(duì)醫(yī)學(xué)影像/圖像的信息過(guò)濾和信息提取的預(yù)處理。本發(fā)明首先提出了對(duì)所討論的人體大腦器官采用彈性極坐標(biāo)模塊作為子結(jié)構(gòu)注冊(cè)的框架，以及對(duì)其影像的像素特征的提取，然后描述了一種將醫(yī)學(xué)影像的像素信息轉(zhuǎn)換到上述相應(yīng)的子結(jié)構(gòu)特征值的系統(tǒng)和方法。最后對(duì)醫(yī)學(xué)影像的自動(dòng)解剖位置的注冊(cè)的解決方案也進(jìn)行了探討。

發(fā)明內(nèi)容
結(jié)合附圖對(duì)本發(fā)明的具體內(nèi)容從以下幾方面進(jìn)行詳細(xì)說(shuō)明因該項(xiàng)申請(qǐng)涉及有關(guān)醫(yī)學(xué)影像，所以需要附上一些醫(yī)學(xué)影像的黑白JPG截圖。
1.影像自動(dòng)注冊(cè)的預(yù)處理1.1.DICOM文件頭的信息提取在本發(fā)明所描述的系統(tǒng)中，標(biāo)準(zhǔn)的DICOM III的文件頭(Header)里的信息是被用作為以文字基礎(chǔ)的標(biāo)識(shí)、影像分類以及下一步的醫(yī)學(xué)影像處理的數(shù)據(jù)來(lái)源。
1.2.影像分類與醫(yī)學(xué)影像相關(guān)的物理和幾何參數(shù)可被用于判別成像設(shè)備的種類和型號(hào)，以及醫(yī)學(xué)影像的類型。例如，對(duì)核磁共振影像(MRI)來(lái)說(shuō)，諸如T1、T2、PD、FLAIR等系列參數(shù)可被作為基本的過(guò)濾參數(shù)來(lái)進(jìn)行預(yù)處理。
1.3.圖像的本底剝離為保證從不同數(shù)據(jù)來(lái)源所獲得的數(shù)據(jù)一致性，原始數(shù)據(jù)要經(jīng)過(guò)一系列后處理過(guò)程諸如使用二維韓寧(2D Hanning)平滑過(guò)濾方法以減少數(shù)據(jù)躁聲；在上述的平滑處理之后，將會(huì)產(chǎn)生一個(gè)信號(hào)強(qiáng)度的直方圖(Histogram)。而直方圖的多重態(tài)(多重峰)通常表示在某一種特定的核磁共振圖像(MRI)采集方式下，可被用于區(qū)分樣品的多重組織類型。最低的直方圖峰總是來(lái)源于低信號(hào)強(qiáng)度的本底像素。如果選擇適當(dāng)?shù)拈撝?門坎值)，可以大致將影像的本底(背景)像素與其它像素區(qū)分開(kāi)。下面我們以大腦的核磁共振的影像的AXL系列為例以圖像四角作為起始種子，然后擴(kuò)展到整個(gè)本底區(qū)域，通過(guò)一系列的形態(tài)操作(例如，侵蝕，擴(kuò)散和區(qū)域增長(zhǎng)等等)后，該大腦AXL影像的中央?yún)^(qū)域上所剩下的最大相連區(qū)域即為頭部‘面具’或‘面罩’(MASK)。當(dāng)然，同樣的思路和方法可以應(yīng)用到其它的人體解剖位置和不同的掃描方式上。詳細(xì)內(nèi)容請(qǐng)參見(jiàn)圖1。
在多種不同的‘面具’的抽取方式(例如，基于梯度方式，分離-融合的分割方式等等)被測(cè)試后，由大量圖片統(tǒng)計(jì)分析優(yōu)化后的‘面具’分離算法即可被確定。
1.4.圖像平面內(nèi)旋轉(zhuǎn)位移的修正由于在作影像/圖像的搜尋時(shí)，其比對(duì)方式等都要求數(shù)據(jù)庫(kù)中的目標(biāo)影像/圖像標(biāo)準(zhǔn)化，既需校準(zhǔn)在同一坐標(biāo)系統(tǒng)下，這樣的比對(duì)結(jié)果才有意義。通常，當(dāng)病人被安置于核磁共振掃描設(shè)備或CT掃描設(shè)備中進(jìn)行成像掃描時(shí)，其被測(cè)人體的解剖參照系與圖像數(shù)據(jù)庫(kù)的標(biāo)準(zhǔn)坐標(biāo)系統(tǒng)并不能保證一致。人體解剖的兩側(cè)對(duì)稱參照線與Y軸(圖像縱軸)的夾角即為圖像的偏轉(zhuǎn)角。遵循下列方案，圖像特征值應(yīng)在標(biāo)準(zhǔn)化后的圖像的基礎(chǔ)上獲得。仍以上面的大腦MRI的AXL(Axial)影像為例，基于‘頭部面具’的左右對(duì)稱性，當(dāng)穿過(guò)‘面具’中心的直線旋轉(zhuǎn)到一特定角度時(shí)，‘面具’沿直線翻轉(zhuǎn)后的重合程度最高，這一角度即為圖像的旋轉(zhuǎn)修正角。在同一給定參照系下，同一系列圖像的平面內(nèi)旋轉(zhuǎn)角度應(yīng)相同，所以整個(gè)系列圖像應(yīng)作為一個(gè)剛體進(jìn)行旋轉(zhuǎn)修正。同樣地，相同的思路和方法可以應(yīng)用到其它的人體解剖位置和不同的掃描方式上。
2.基于醫(yī)學(xué)影像解剖結(jié)構(gòu)的子結(jié)構(gòu)系統(tǒng)2.1.基于影像像素和子結(jié)構(gòu)的特征由于標(biāo)準(zhǔn)的醫(yī)學(xué)圖像的像素?cái)?shù)目通常都相當(dāng)大(例如，磁共振圖像為256×256；而CT為512×512)；而且與影像像素有關(guān)的物理參數(shù)常常表現(xiàn)出相當(dāng)明顯的差異(如像素尺寸，信號(hào)強(qiáng)度校正，以及與人體影像成像方向，位移，人體解剖的正常差異有關(guān)的像素內(nèi)容變化)，所以對(duì)基于圖像的像素作直接比較即不可靠也不現(xiàn)實(shí)。
因此，本發(fā)明提出了一種新的處理方法，即首先將待處理的醫(yī)學(xué)影像分解為一組子結(jié)構(gòu)，在此我們稱之為子塊(Tiles)，然后對(duì)這組子塊(子結(jié)構(gòu))分別進(jìn)行處理并提取其各種有用的屬性(Attributes)，那么，這一組子塊屬性的有機(jī)組合即代表了該醫(yī)學(xué)影像的一種特征標(biāo)識(shí)。這里，每一個(gè)子塊的屬性(或特征)是由對(duì)本系列的所有影像的像素進(jìn)行處理和計(jì)算而得到的，這些處理和計(jì)算包括(但不限于)對(duì)系列的一維計(jì)算(信號(hào)強(qiáng)度直方圖的動(dòng)量，Moments ofSI Histogram)；和對(duì)系列的二維計(jì)算(梯度、曲度，Gradient、Curvature)。這些計(jì)算結(jié)果將被用作各子塊和整個(gè)影像的特征描述。詳細(xì)請(qǐng)參看以下相應(yīng)的章節(jié)及圖1和圖2。
這種方法的成功與否的關(guān)鍵取決于以下三點(diǎn)彈性模塊子結(jié)構(gòu)的選取，子塊中的屬性(或特征)的選取，和這些特征值的組合方式。早期常用的彈性模塊子結(jié)構(gòu)的選取方法采用了基于網(wǎng)格的子塊分解法，在此方法中子塊是一組N維的方柱體(Parallelepipeds)。它的優(yōu)點(diǎn)是非常直接明了，而缺點(diǎn)是不能全部覆蓋并僅覆蓋影像的有效子元素，從而使整個(gè)影像特征化的工作變得相對(duì)困難。
本發(fā)明提出了一種與待處理的醫(yī)學(xué)影像系列的結(jié)構(gòu)和特征相關(guān)的彈性子塊的設(shè)計(jì)系統(tǒng)。每一組待處理的影像系列都有它們自己的子塊系統(tǒng)，而其構(gòu)成則由這些影像和它們的子元素的幾何特性來(lái)確定。
以上的思路和方法已被應(yīng)用到核磁共振(MR)和CT的大腦影像的子塊系統(tǒng)的設(shè)計(jì)上，但可以將同樣的技術(shù)應(yīng)用到不同類型的醫(yī)學(xué)影像/圖像，和不同的人體部位上。
2.2.大腦影像的彈性極坐標(biāo)子塊的結(jié)構(gòu)設(shè)計(jì)本子塊設(shè)計(jì)的思路是找到一種能夠覆蓋整個(gè)大腦的有效區(qū)域，而又不會(huì)引入太多背景噪聲的子塊結(jié)構(gòu)。同時(shí)，該子塊結(jié)構(gòu)應(yīng)該不會(huì)對(duì)由于以下各種因素而產(chǎn)生的人體大腦解剖位置正常的變化范圍及其差異過(guò)于敏感諸如年齡、物理的大小、形狀和由成像過(guò)程引起的小角度位移傾斜等等。而在另一方面，該子塊結(jié)構(gòu)又應(yīng)對(duì)解剖位置(掃描、成像的位置)相對(duì)敏感，從而使在搜尋和對(duì)比非正常的病灶的信號(hào)強(qiáng)度的變化、以及醫(yī)學(xué)影像注冊(cè)有較好的效果。
在醫(yī)學(xué)影像學(xué)中，標(biāo)準(zhǔn)成像的三個(gè)坐標(biāo)方位分別為從左至右，Sagittal(SAG)；從前至后，Coronal(COR)和從上至下，Axial(AXL，即橫斷層)。最基本和最常用的人體對(duì)稱系統(tǒng)是兩側(cè)對(duì)稱系統(tǒng)，顯然這適用于Axial和Coronal的影像，而它們?cè)诒景l(fā)明里是被作為旋轉(zhuǎn)位移修正的參考坐標(biāo)系。人體大腦的AXL影像的基本形狀從其長(zhǎng)軸橫斷面來(lái)看相似于一個(gè)蛋形。如果將AXL影像按照其極坐標(biāo)分成若干個(gè)同心的橢圓型層次，它的最外層基本上是腦灰質(zhì)區(qū)域；而中間層是腦白質(zhì)區(qū)域，最里層從上到下分別為腦灰質(zhì)、腦室、基礎(chǔ)神經(jīng)節(jié)和腦干等區(qū)域。因此，本發(fā)明所提出的前后部(Anterior-Posterior)非對(duì)稱的彈性極坐標(biāo)多層子塊結(jié)構(gòu)對(duì)所討論的人體大腦來(lái)說(shuō)是一種最合理的結(jié)構(gòu)形式。
最簡(jiǎn)單的子塊參數(shù)集由六個(gè)變量組成極坐標(biāo)子塊的中心點(diǎn)(Xc，Yc)，對(duì)稱軸的轉(zhuǎn)角(θ)，前部(Anterior)長(zhǎng)軸半徑(Ra)，后部(Posterior)長(zhǎng)軸半徑(Rp)和兩側(cè)短軸半徑(R0)。本蛋形子塊的半徑關(guān)系式表達(dá)如下R(α)＝R0+(Ra-R0)*cos2(α)；if-π/2＜＝α＜＝π/2R(α)＝R0+(Rp-R0)*cos2(α)；otherwise式中的α為與該蛋形子塊結(jié)構(gòu)的對(duì)稱軸相關(guān)的、并按照順時(shí)針增長(zhǎng)的角度。詳細(xì)請(qǐng)參見(jiàn)圖1。
這種處理方法保證了在四個(gè)頂點(diǎn)上半徑的平滑過(guò)渡(既兩個(gè)側(cè)邊，前部和后部)。另一種相似的方法是采用前后部非對(duì)稱橢圓形子塊來(lái)產(chǎn)生子結(jié)構(gòu)。
這種極坐標(biāo)子塊系統(tǒng)的設(shè)計(jì)開(kāi)始于位于影像中間的最小蛋型層(即中心層)，從而避免了其它可能的奇異點(diǎn)。該中心層只有一個(gè)子塊。其它的各層與中心層處于同一坐標(biāo)原點(diǎn)，從而使得，如果中心層的半徑為1時(shí)，其它外層的半徑應(yīng)為2*Ln+1，這里L(fēng)n是層次數(shù)。
除第一層外的每一層都按等角的原則來(lái)劃分子塊(Tile)。每層中子塊的數(shù)目的選取原則為使所有的子塊的大小(即像素?cái)?shù)目)盡可能相等，從而使子塊特征的計(jì)算在統(tǒng)計(jì)意義上來(lái)說(shuō)盡可能相近。特別需要指出的是，在這種同心的多層子塊的結(jié)構(gòu)中，每層的子塊數(shù)目應(yīng)為8*Ln，而子塊的總數(shù)為(2Ln，max+1)2，這里L(fēng)n，max是總層數(shù)。詳細(xì)請(qǐng)參見(jiàn)圖2。
總的來(lái)說(shuō)，子塊大小的選擇，以及同心蛋型層數(shù)的選擇，取決于所要研究的對(duì)象和目的。需要指出的是，基本原則是既要使子塊小得足以反映該蛋型剛體的人體微結(jié)構(gòu)的細(xì)節(jié)，又要避免使其對(duì)正常人體解剖位置的差異有過(guò)敏反應(yīng)。由于人體大腦的半球體形狀的非對(duì)稱性和平面內(nèi)旋轉(zhuǎn)位移校正的非精確性，目前尚沒(méi)有一種方法能夠保證人體大腦的中軸線可以勻稱地分布于兩個(gè)相鄰的子塊間。在本發(fā)明提出的方法中，我們選擇影像的對(duì)稱中軸線通過(guò)子塊的中心點(diǎn)。相對(duì)于Axial影像而言，Coronal影像在其子塊結(jié)構(gòu)和解剖位置結(jié)構(gòu)的修正方面的穩(wěn)定度尚未理想。例如，對(duì)人體大腦MRI的T2系列影像的測(cè)試數(shù)據(jù)表明，本方法對(duì)AXL系列影像的Z軸向位置注冊(cè)的準(zhǔn)確率為5％，而對(duì)Coronal系列影像的Y軸向位置注冊(cè)的準(zhǔn)確率為6-8％。
2.3.極坐標(biāo)子塊的擬合(Fitting)極坐標(biāo)子塊參數(shù)的擬合可以通過(guò)對(duì)二維二進(jìn)制‘面罩’(MASK)的動(dòng)量或?qū)ΧM(jìn)制‘面罩’的邊緣像素?cái)M合的計(jì)算獲得。在進(jìn)行了對(duì)影像的預(yù)處理后，一個(gè)‘面罩’將被生成，以覆蓋每個(gè)二維影像距陣中的大腦有效區(qū)域。基于兩側(cè)對(duì)稱的旋轉(zhuǎn)位移校正技術(shù)將被應(yīng)用于整個(gè)系列影像。
AXL影像的最小擬合目標(biāo)(Fitting Minimum Objective)函數(shù)是fobj＝∑i abs(R(θi)-(R0+(Ra-R0)*cos2(θi)) if-π/2＜＝α＜＝π/2fobj＝∑i abs(R(θi)-(R0+(Rp-R0)*cos2(θi)) otherwise其中R(θi)＝sqrt((Xi-Xc)*(Xi-Xc)+(Yi-Yc)*(Yi-Yc))以及
θi＝arctan((Xi-Xc)/(Yi-Yc))基于這一目標(biāo)函數(shù)，一個(gè)多維非強(qiáng)迫型、非線性最小化的處理過(guò)程將被采用，從而得到最優(yōu)擬合的極坐標(biāo)子塊參數(shù)集(Xc，Yc，R0，Ra，Rp)，如以下圖3、圖4所示。
3.影像特征的提取本節(jié)描述的方法是如何將一組原始的數(shù)字影像數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的一組特征值，來(lái)準(zhǔn)確表達(dá)這張影像，從而大大提高其查詢能力。這組特征值的計(jì)算方法包括兩步。第一步是在原始數(shù)據(jù)的解析度的基礎(chǔ)上計(jì)算出采用不同特性過(guò)濾后的影像，諸如低通特性、高通特性、梯度、曲度等等。這些過(guò)濾后的影像將被在第二步的計(jì)算中使用。然后在第二步的計(jì)算中，這張影像的每個(gè)子塊的特征向量將被計(jì)算出來(lái)。目前在本發(fā)明中采用的MRI大腦例子里，我們選取了總數(shù)為49個(gè)的子塊結(jié)構(gòu)。在以上兩步計(jì)算后，所提交待處理的影像被轉(zhuǎn)換為一組對(duì)應(yīng)的特征向量。以下的章節(jié)將詳細(xì)描述這些計(jì)算方法和步驟。輸出的結(jié)果是一個(gè)總數(shù)為(Ntiles x Nfeat/tile)，即子塊總數(shù)乘每個(gè)子塊的特征值總數(shù)，維的特征向量。
3.1.像素特征和影像過(guò)濾在第一步中，對(duì)每張待處理的影像都要進(jìn)行相應(yīng)的過(guò)濾操作，從而產(chǎn)生一系列的過(guò)濾后的影像。本方法共采用六種過(guò)濾的方法，然后這些過(guò)濾后的影像將在第二步的計(jì)算中使用。這六種過(guò)濾后的影像是影像數(shù)目 標(biāo)志說(shuō)明過(guò)濾影像 # 1IIn原始影像過(guò)濾影像 # 2IEdge梯度絕對(duì)值影像過(guò)濾影像 # 3IXgradX軸梯度影像過(guò)濾影像 # 4IYgradY軸梯度影像過(guò)濾影像 # 5IMeanCurv曲度平均值影像過(guò)濾影像 # 6ILSCurv水平集(level-set)曲度影像
3.1.1過(guò)濾影像#1原始影像這并不是從掃描設(shè)備直接輸入的影像，而是對(duì)其原始的影像進(jìn)行了一些必要的預(yù)處理(諸如，標(biāo)準(zhǔn)化增益處理，Gain Normalized)后的輸出影像。
3.1.2過(guò)濾影像#2邊界影像此即梯度絕對(duì)值影像。首先通過(guò)對(duì)標(biāo)準(zhǔn)化增益后的輸入影像作一階低通過(guò)濾，從而消除其高端噪聲，然后作高通過(guò)濾處理從而得到梯度絕對(duì)值。其計(jì)算過(guò)程如下IEdge(i，j)＝sqrt(I2Xgrad(i，j)+I2Ygrad(i，j))這里IXgrad＝(IIn*hlp)*hdxIYgrad＝(IIn*hlp)*hdy和*表示二維卷積(Convolution)，hlp是二維韓寧(2-D Hanning)低通過(guò)濾器，hdx是X軸梯度過(guò)濾器，而hdy是Y軸梯度過(guò)濾器。
總的來(lái)說(shuō)，以上的卷積操作將使影像的大小增加。為了減少影像大小的增加，我們僅僅保留最終卷積結(jié)果的中央部分，從而是每個(gè)輸出的卷積結(jié)果的大小與原始影像保持相同。
3.1.3過(guò)濾影像#3X軸梯度影像這一組過(guò)濾的影像是X軸梯度影像。首先通過(guò)對(duì)標(biāo)準(zhǔn)化增益后的輸入影像作一階低通過(guò)濾，從而消除其高端噪聲，然后作高通過(guò)濾處理從而得到X軸向梯度影像。其計(jì)算過(guò)程如下IXgrad＝(IIn*hlp)*hdx這里，我們對(duì)邊界作了相應(yīng)的零填充(Zero Padding)處理，而且只保留其卷積結(jié)果的中央部分。
3.1.4過(guò)濾影像#4Y軸梯度影像這一組過(guò)濾的影像是Y軸梯度影像。首先通過(guò)對(duì)標(biāo)準(zhǔn)化增益后的輸入影像作一階低通過(guò)濾，從而消除其高端噪聲，然后作高通過(guò)濾處理從而得到Y(jié)軸向梯度影像。其計(jì)算過(guò)程如下IYgrad＝(IIn*hlp)*hdy同樣，我們對(duì)邊界作了相應(yīng)的零填充(Zero Padding)處理，而且只保留其卷積結(jié)果的中央部分。
3.1.5過(guò)濾影像#5曲度平均值影像這一組過(guò)濾的影像屬于一種曲度平均值影像。同樣，首先通過(guò)對(duì)標(biāo)準(zhǔn)化增益后的輸入影像作一階低通過(guò)濾，從而消除其高端噪聲，然后作高通過(guò)濾處理從而得到影像的二階導(dǎo)數(shù)。其計(jì)算過(guò)程如下IMeanCurv(i，j)＝sqrt(I2Nxx(i，j)+I2Nyy(i，j))這里INxx＝INx*hdx2INyy＝INy*hdy2INx(i，j)＝IXgrad2(i，j)/sqrt(I2Xgrad2(i，j)+I2Ygrad2(i，j)+1)INy(i，j)＝IYgrad2(i，j)/sqrt(I2Xgrad2(i，j)+I2Ygrad2(i，j)+1)IXgrad2＝(IIn*hlp)*hdx2IYgrad2＝(IIn*hlp)*hdy2同樣，我們對(duì)邊界作了相應(yīng)的零填充的處理，而且只保留其卷積結(jié)果的中央部分。請(qǐng)注意在本節(jié)的計(jì)算中，X和Y梯度是采用了與上二節(jié)不同的卷積核(Kernel)。
3.1.6過(guò)濾影像#6水平集(level-set)曲度影像這一組過(guò)濾的影像屬于一種水平集(level-set)影像。同樣，首先通過(guò)對(duì)標(biāo)準(zhǔn)化增益后的輸入影像作一階低通過(guò)濾，從而消除其高端噪聲，然后作高通過(guò)濾處理從而得到影像的二階導(dǎo)數(shù)。其計(jì)算過(guò)程如下ILSCurv(i，j)＝(IMxx(i，j)+IMyy(i，j))這里
IMxx＝IMx*hdx2IMyy＝IMy*hdy2IMx(i，j)＝IXgrad2(i，j)/(I2Xgrad2(i，j)+I2Ygrad2(i，j))IMy(i，j)＝IYgrad2(i，j)/(I2Xgrad2(i，j)+I2Ygrad2(i，j))IXgrad2＝(IIn*hlp)*hdx2IYgrad2＝(IIn*hlp)*hdy2同樣，我們對(duì)邊界作了相應(yīng)的零填充的處理，而且只保留其卷積結(jié)果的中央部分。同樣，請(qǐng)注意在本節(jié)的計(jì)算中，X和Y梯度是采用了與上二節(jié)不同的卷積核(Kernel)。
3.2子塊特征在求取特征值向量的第二步，需要首先定義一組覆蓋影像大腦有效區(qū)域的子塊。本節(jié)中，我們首先導(dǎo)出每個(gè)子塊的特征向量的計(jì)算和方法。本節(jié)的輸入是前一節(jié)輸出的過(guò)濾后的大腦有效區(qū)域的影像(諸如，IIn，IEdge，IXgrad，IYgrad，IMeanCurv和ILSCurv)。輸出是每個(gè)子塊的一組特征向量。每個(gè)子塊的特征向量的元素為特征值編號(hào) 標(biāo)簽 描述特征值 #1 FImgMean子塊的IIn的平均值特征值 #2 FStd子塊的IIn的標(biāo)準(zhǔn)方差特征值 #3 FEdgeMean子塊的IEdge的平均值特征值 #4 FEdgeThresh子塊的IEdge經(jīng)閥值處理后的部分特征值 #5 FImgOrder子塊的IEdge亮度最大值的部分特征值 #6 FXGradMean子塊的IXgrad的平均值特征值 #7 FYGradMean子塊的IYgrad的平均值特征值 #8 FMCMean子塊的IMeanCurv的平均值特征值 #9 FLCMean子塊的ILSCurv的平均值3.2.1特征值#1IIn的平均值這個(gè)特征值是標(biāo)準(zhǔn)化后輸入影像的該子塊信號(hào)強(qiáng)度的平均值。其計(jì)算如下
FkImgMean＝sumi，j(IkIn(i，j))/Nk3.2.2特征值#2IIn的標(biāo)準(zhǔn)方差這個(gè)特征值是標(biāo)準(zhǔn)化后輸入影像的該子塊信號(hào)強(qiáng)度的標(biāo)準(zhǔn)方差值。其計(jì)算如下FkStd＝sumi，j(IkIn(i，j)--FkImgMean)2/Nk3.2.3特征值#3IEdge的平均值這個(gè)特征值是標(biāo)準(zhǔn)化后輸入影像的該子塊邊界信號(hào)幅度的平均值。其計(jì)算如下FkEdgeMean＝sumi，j(IkEdge(i，j))/Nk3.2.4特征值#4IEdge經(jīng)閥值處理后的部分這個(gè)特征值是標(biāo)準(zhǔn)化后輸入影像的該子塊經(jīng)閥值處理后的部分的值。其計(jì)算如下FkEdgeThresh＝sumk，i，j(IkEdgeThresh(i，j))/Nk這里IkEdgeTHresh(i，j)＝0 if IkEdge(i，j)＞CThreshIkEdgeTHresh(i，j)＝1 OtherwiseCThresh＝0.3*(sumk，i，j(IkEdge(i，j))/sumk(Nk))3.2.5特征值#5IEdge亮度最大值的部分這個(gè)特征值是標(biāo)準(zhǔn)化后輸入影像的該子塊亮度最大值的部分的值。其計(jì)算如下FkEdgeOrder＝sumiNTileDiag(IkEdgeRank(i))/CAvgEdgePerTile這里IEdgeRank＝sort(IkEdge(i，j))NTileDiag＝sqrt(2Nk)CAvgEdgePerTile＝NTileDiag(sumk，i，j(IkEdge(i，j))/sumk(Nk))式中sort代表對(duì)元素集合的降序排序，因此IEdgeRank是一個(gè)排序后的向量。
3.2.6特征值#6IXgrad的平均值這個(gè)特征值是該子塊X軸梯度的平均值。其計(jì)算如下FkXGradMean＝sumi，j(IkXgrad(i，j))/Nk3.2.7特征值#7IYgrad的平均值這個(gè)特征值是該子塊Y軸梯度的平均值。其計(jì)算如下FkYGradMean＝sumi，j(IkYgrad(i，j))/Nk3.2.8特征值#8IMeanCurv的平均值這個(gè)特征值是該子塊影像曲度的平均值。其計(jì)算如下FkMCAbsMean＝sumi，j(IkMeanCurv(i，j))/Nk3.2.9特征值#9ILSCurv的平均值這個(gè)特征值是該子塊水平集(level-set)曲度絕對(duì)值的平均值。其計(jì)算如下FkLSCurvMean＝sumi，j(IkLSCurv(i，j))/Nk4.人體解剖位置的自動(dòng)確定4.1.標(biāo)準(zhǔn)Axial影像位置的算法確定和數(shù)據(jù)為了確定影像位置算法和校驗(yàn)結(jié)果，首先從數(shù)據(jù)庫(kù)里隨機(jī)選擇一個(gè)AXL影像系列。然后人為地標(biāo)簽至少其中兩張影像的Z軸的位置(Z-positions)，從而創(chuàng)立該系列的標(biāo)準(zhǔn)參考位置影像。接下來(lái)可以線性地確定該系列中其它所有影像的Z軸位置。最后，應(yīng)采用大量的各種不同參數(shù)類型的、正常和非正常的系列影像數(shù)據(jù)來(lái)校驗(yàn)，最終決定最有效的算法。詳細(xì)請(qǐng)參見(jiàn)圖5。
4.2.部分最小二乘法(PLS)及其擬合模式采用部分最小二乘法和上述的數(shù)據(jù)，可以確定將影像子塊的特征向量與各個(gè)影像系列的Z軸位置聯(lián)系在一起的擬合算法模型。然后這個(gè)PLS擬合模型將被用于影像解剖位置的自動(dòng)估算和確定。測(cè)試結(jié)果表明，該模型用在人體大腦系列影像的Z軸位置的自動(dòng)注冊(cè)上的誤差在5％左右。而對(duì)單個(gè)影像的效果則不夠理想，尤其是有病灶的單個(gè)影像。測(cè)試結(jié)果請(qǐng)參考圖6。因此，此方法應(yīng)該用于整個(gè)系列的Z軸注冊(cè)。
5.人體解剖位置的人工注冊(cè)為了建立一個(gè)可搜索的大型醫(yī)學(xué)影像數(shù)據(jù)庫(kù)，有時(shí)在人體解剖位置注冊(cè)時(shí)要求一定的人工干預(yù)，尤其是在有病灶的條件下。
5.1.基于文字的注冊(cè)這里，對(duì)某些影像或某些感興趣區(qū)域(ROI)，需要按照所示具有文字說(shuō)明的樹(shù)狀結(jié)構(gòu)的人體大腦解剖樣板作相應(yīng)的人工干預(yù)標(biāo)志。詳細(xì)請(qǐng)參考圖7。如圖所示，使用者可以在左側(cè)的影像上選擇所要標(biāo)志的區(qū)域(紅色圓形)，然后在右側(cè)的所示的樹(shù)狀結(jié)構(gòu)的人體大腦解剖樣板上找到其相應(yīng)的文字說(shuō)明，建立它們的聯(lián)系和標(biāo)志。
5.2.基于圖形參考的注冊(cè)這種影像的注冊(cè)技術(shù)是基于3D圖形的人工注冊(cè)。首先采用一個(gè)3D的虛擬人體大腦模型作為參考，并在該模型上標(biāo)出盡可能多的點(diǎn)(如圖8右側(cè)所示)，從而可在相應(yīng)的輸入影像系列或單個(gè)影像得到相對(duì)的點(diǎn)(如圖8左側(cè)所示)。然后采用線性或非線性的3D轉(zhuǎn)換，該系列中所有的影像都可以準(zhǔn)確地注冊(cè)到標(biāo)準(zhǔn)的3D模型上。詳細(xì)請(qǐng)參考圖8。
綜上所述，本發(fā)明概述為本發(fā)明涉及醫(yī)學(xué)技術(shù)領(lǐng)域，具體說(shuō)是一種醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法。本發(fā)明提出了一種基于影像/圖像信息的判據(jù)去搜尋相關(guān)信息數(shù)據(jù)庫(kù)的方法，及其相應(yīng)的在醫(yī)學(xué)信息系統(tǒng)方面的應(yīng)用，包括對(duì)醫(yī)學(xué)影像/圖像的信息過(guò)濾和信息提取的預(yù)處理。本發(fā)明首先提出了對(duì)所討論的人體大腦器官采用彈性極坐標(biāo)模塊作為子結(jié)構(gòu)注冊(cè)的框架，對(duì)影像的像素特征的提取，然后描述了一種將醫(yī)學(xué)影像的像素信息轉(zhuǎn)換到上述相應(yīng)的子結(jié)構(gòu)特征值的方法。最后醫(yī)學(xué)影像的自動(dòng)解剖位置的注冊(cè)的解決方案也被探討。
一種醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法，提出一種基于影像/圖像信息的判據(jù)去搜尋相關(guān)信息數(shù)據(jù)庫(kù)的方法，及其相應(yīng)的在醫(yī)學(xué)信息系統(tǒng)方面的應(yīng)用，包括對(duì)醫(yī)學(xué)影像/圖像的信息過(guò)濾和信息提取的預(yù)處理，首先提出了對(duì)所討論的人體大腦器官采用彈性極坐標(biāo)模塊作為子結(jié)構(gòu)注冊(cè)的框架，對(duì)影像的像素特征的提取，然后描述了一種將醫(yī)學(xué)影像的像素信息轉(zhuǎn)換到上述相應(yīng)的子結(jié)構(gòu)特征值的方法，從而醫(yī)學(xué)影像的自動(dòng)解剖位置的注冊(cè)的解決方案得到解決；所述的醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法，對(duì)核磁共振醫(yī)學(xué)影像(MRI)成像后處理的方法，為保證從不同數(shù)據(jù)來(lái)源所獲得的數(shù)據(jù)一致性，原始數(shù)據(jù)要經(jīng)過(guò)一系列平滑處理過(guò)程以減少數(shù)據(jù)躁聲，在上述的平滑處理之后產(chǎn)生信號(hào)強(qiáng)度的直方圖(Histogram)的多重態(tài)(多重峰)通常表示在某一種特定的核磁共振圖像(MRI)采集方式下，可被用于區(qū)分樣品的多重組織類型的方法；所述的對(duì)醫(yī)學(xué)影像成像后處理的方法，其產(chǎn)生的最低的直方圖峰總是來(lái)源于低信號(hào)強(qiáng)度的本底像素，如果選擇適當(dāng)?shù)拈撝?門坎值)，可以將影像的本底(背景)像素與其它像素區(qū)分開(kāi)的方法；所述的對(duì)醫(yī)學(xué)影像本底分離的方法，以圖像四角作為起始種子，然后擴(kuò)展到整個(gè)本底區(qū)域，通過(guò)一系列的形態(tài)操作(例如，侵蝕，擴(kuò)散和區(qū)域增長(zhǎng)等等)后，產(chǎn)生該相應(yīng)醫(yī)學(xué)影像的‘面具’或‘面罩’(MASK)的方法；所述的醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法和所述的產(chǎn)生醫(yī)學(xué)影像的‘面具’或‘面罩’(MASK)的方法，引出以下對(duì)圖像平面內(nèi)旋轉(zhuǎn)位移的修正方法，由于當(dāng)病人被安置于核磁共振掃描設(shè)備或CT掃描設(shè)備中進(jìn)行成像掃描時(shí)，其被測(cè)人體的解剖參照系與圖像數(shù)據(jù)庫(kù)的標(biāo)準(zhǔn)坐標(biāo)系統(tǒng)并不能保證一致，而對(duì)圖像的偏轉(zhuǎn)角的修正方法應(yīng)為基于‘頭部面具’的左右對(duì)稱性，當(dāng)穿過(guò)‘面具’中心的直線旋轉(zhuǎn)到一特定角度時(shí)，‘面具’沿直線翻轉(zhuǎn)后的重合程度最高，這一角度即為圖像的旋轉(zhuǎn)修正角，所以整個(gè)系列圖像應(yīng)作為一個(gè)剛體按此角度進(jìn)行旋轉(zhuǎn)修正；所述的醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法，產(chǎn)生子塊及其特征提取的方法，本發(fā)明提出了一種新的處理方法，即首先將待處理的醫(yī)學(xué)影像分解為一組子結(jié)構(gòu)或子塊，然后對(duì)這組子塊(子結(jié)構(gòu))分別進(jìn)行處理并提取其各種有用的屬性(包括對(duì)系列的一維計(jì)算，如信號(hào)強(qiáng)度直方圖的動(dòng)量，和對(duì)系列的二維計(jì)算，如梯度、曲度，Gradient、Curvature等等，然后，這一組子塊屬性的有機(jī)組合即代表了該醫(yī)學(xué)影像的一種特征標(biāo)識(shí)；所述的產(chǎn)生子塊及其特征提取的方法，其中對(duì)大腦MR影像AXL系列的彈性極坐標(biāo)子塊的結(jié)構(gòu)設(shè)計(jì)方法，其詳細(xì)描述見(jiàn)說(shuō)明書(shū)的第2.2節(jié)；所述的產(chǎn)生子塊及其特征提取的方法，其中對(duì)大腦MR影像AXL系列的極坐標(biāo)子塊參數(shù)的擬合方法，其詳細(xì)描述見(jiàn)說(shuō)明書(shū)的第2.3節(jié)；所述的醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法和所述的產(chǎn)生子塊及其特征提取的方法，在第3節(jié)描述的特征值及其提取的兩步方法，即第一步是在原始數(shù)據(jù)的解析度的基礎(chǔ)上計(jì)算出采用不同特性過(guò)濾后的影像，諸如低通特性、高通特性、梯度、曲度等等；然后在第二步的計(jì)算中，這張影像的每個(gè)子塊的特征向量將被計(jì)算出來(lái)，從而將一組原始的數(shù)字影像數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的一組特征值，來(lái)準(zhǔn)確表達(dá)這張影像，從而大大提高醫(yī)學(xué)影像及其相關(guān)信息的查詢能力；本說(shuō)明書(shū)第4節(jié)描述的人體大腦AXL醫(yī)學(xué)影像解剖位置(Z軸位置)的自動(dòng)確定方法；本說(shuō)明書(shū)第5節(jié)描述的建立一個(gè)可搜索的大型醫(yī)學(xué)影像數(shù)據(jù)庫(kù)，人體解剖位置的人工注冊(cè)方法。


圖1是所選擇的人體大腦MR AXL影像的蛋型面罩結(jié)構(gòu)圖。
圖2是所選擇的人體大腦MR AXL影像的同心多層子結(jié)構(gòu)圖。
圖3是最優(yōu)擬合后的極坐標(biāo)子塊用于不同真實(shí)MR AXL影像的效果示意圖I。
圖4是最優(yōu)擬合后的極坐標(biāo)子塊用于不同真實(shí)MR AXL影像的效果示意圖II。
圖5是標(biāo)準(zhǔn)Axial影像Z位置的算法確定和數(shù)據(jù)示意圖。
圖6是對(duì)采用部分最小二乘法(PLS)模擬模型的測(cè)試結(jié)果比較。
圖7是對(duì)影像感興趣區(qū)域(ROI)作人工干預(yù)標(biāo)志的方法說(shuō)明示意圖。
圖8是對(duì)影像的三維模型相應(yīng)標(biāo)志方法的說(shuō)明示意圖。
權(quán)利要求
1.一種醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法，其特征在于提出一種基于影像/圖像信息的判據(jù)去搜尋相關(guān)信息數(shù)據(jù)庫(kù)的方法，及其相應(yīng)的在醫(yī)學(xué)信息系統(tǒng)方面的應(yīng)用，包括對(duì)醫(yī)學(xué)影像/圖像的信息過(guò)濾和信息提取的預(yù)處理，首先提出了對(duì)所討論的人體大腦器官采用彈性極坐標(biāo)模塊作為子結(jié)構(gòu)注冊(cè)的框架，對(duì)影像的像素特征的提取，然后描述了一種將醫(yī)學(xué)影像的像素信息轉(zhuǎn)換到上述相應(yīng)的子結(jié)構(gòu)特征值的方法，從而醫(yī)學(xué)影像的自動(dòng)解剖位置的注冊(cè)的解決方案得到解決。
2.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法，對(duì)核磁共振醫(yī)學(xué)影像(MRI)成像后處理的方法，其特征在于為保證從不同數(shù)據(jù)來(lái)源所獲得的數(shù)據(jù)一致性，原始數(shù)據(jù)要經(jīng)過(guò)一系列平滑處理過(guò)程以減少數(shù)據(jù)躁聲，在上述的平滑處理之后產(chǎn)生信號(hào)強(qiáng)度的直方圖(Histogram)的多重態(tài)(多重峰)通常表示在某一種特定的核磁共振圖像(MRI)采集方式下，可被用于區(qū)分樣品的多重組織類型的方法。
3.根據(jù)權(quán)利要求2所述的對(duì)醫(yī)學(xué)影像成像后處理的方法，其產(chǎn)生的最低的直方圖峰總是來(lái)源于低信號(hào)強(qiáng)度的本底像素，如果選擇適當(dāng)?shù)拈撝?門坎值)，可以將影像的本底(背景)像素與其它像素區(qū)分開(kāi)的方法。
4.根據(jù)權(quán)利要求3所述的對(duì)醫(yī)學(xué)影像本底分離的方法，以圖像四角作為起始種子，然后擴(kuò)展到整個(gè)本底區(qū)域，通過(guò)一系列的形態(tài)操作(例如，侵蝕，擴(kuò)散和區(qū)域增長(zhǎng)等等)后，產(chǎn)生該相應(yīng)醫(yī)學(xué)影像的‘面具’或‘面罩’(MASK)的方法。
5.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法和權(quán)利要求4所述的產(chǎn)生醫(yī)學(xué)影像的‘面具’或‘面罩’(MASK)的方法，引出以下對(duì)圖像平面內(nèi)旋轉(zhuǎn)位移的修正方法，其特征在于由于當(dāng)病人被安置于核磁共振掃描設(shè)備或CT掃描設(shè)備中進(jìn)行成像掃描時(shí)，其被測(cè)人體的解剖參照系與圖像數(shù)據(jù)庫(kù)的標(biāo)準(zhǔn)坐標(biāo)系統(tǒng)并不能保證一致，而對(duì)圖像的偏轉(zhuǎn)角的修正方法應(yīng)為基于‘頭部面具’的左右對(duì)稱性，當(dāng)穿過(guò)‘面具’中心的直線旋轉(zhuǎn)到一特定角度時(shí)，‘面具’沿直線翻轉(zhuǎn)后的重合程度最高，這一角度即為圖像的旋轉(zhuǎn)修正角，所以整個(gè)系列圖像應(yīng)作為一個(gè)剛體按此角度進(jìn)行旋轉(zhuǎn)修正。
6.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法，產(chǎn)生子塊及其特征提取的方法，其特征在于本發(fā)明提出了一種新的處理方法，即首先將待處理的醫(yī)學(xué)影像分解為一組子結(jié)構(gòu)或子塊，然后對(duì)這組子塊(子結(jié)構(gòu))分別進(jìn)行處理并提取其各種有用的屬性(包括對(duì)系列的一維計(jì)算，如信號(hào)強(qiáng)度直方圖的動(dòng)量，和對(duì)系列的二維計(jì)算，如梯度、曲度，Gradient、Curvature等等，然后，這一組子塊屬性的有機(jī)組合即代表了該醫(yī)學(xué)影像的一種特征標(biāo)識(shí)。
7.根據(jù)權(quán)利要求6所述的產(chǎn)生子塊及其特征提取的方法，其中對(duì)大腦MR影像AXL系列的彈性極坐標(biāo)子塊的結(jié)構(gòu)設(shè)計(jì)方法，其詳細(xì)描述見(jiàn)說(shuō)明書(shū)的第2.2節(jié)。
8.根據(jù)權(quán)利要求6所述的產(chǎn)生子塊及其特征提取的方法，其中對(duì)大腦MR影像AXL系列的極坐標(biāo)子塊參數(shù)的擬合方法，其詳細(xì)描述見(jiàn)說(shuō)明書(shū)的第2.3節(jié)。
9.根據(jù)權(quán)利要求1所述的醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法和權(quán)利要求6所述的產(chǎn)生子塊及其特征提取的方法，在第3節(jié)描述的特征值及其提取的兩步方法，即第一步是在原始數(shù)據(jù)的解析度的基礎(chǔ)上計(jì)算出采用不同特性過(guò)濾后的影像，諸如低通特性、高通特性、梯度、曲度等等，然后在第二步的計(jì)算中，這張影像的每個(gè)子塊的特征向量將被計(jì)算出來(lái)，從而將一組原始的數(shù)字影像數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的一組特征值，來(lái)準(zhǔn)確表達(dá)這張影像，從而大大提高醫(yī)學(xué)影像及其相關(guān)信息的查詢能力。
全文摘要
本發(fā)明涉及醫(yī)學(xué)技術(shù)領(lǐng)域，具體說(shuō)是一種醫(yī)學(xué)影像/圖像特征提取和解剖位置注冊(cè)方法。本發(fā)明提出了一種基于影像/圖像信息的判據(jù)去搜尋相關(guān)信息數(shù)據(jù)庫(kù)的方法，及其相應(yīng)的在醫(yī)學(xué)信息系統(tǒng)方面的應(yīng)用，包括對(duì)醫(yī)學(xué)影像/圖像的信息過(guò)濾和信息提取的預(yù)處理。本發(fā)明首先提出了對(duì)所討論的人體大腦器官采用彈性極坐標(biāo)模塊作為子結(jié)構(gòu)注冊(cè)的框架，對(duì)影像的像素特征的提取，然后描述了一種將醫(yī)學(xué)影像的像素信息轉(zhuǎn)換到上述相應(yīng)的子結(jié)構(gòu)特征值的方法。最后醫(yī)學(xué)影像的自動(dòng)解剖位置的注冊(cè)的解決方案也被探討。
文檔編號(hào)A61B6/03GK1869994SQ20061003426
公開(kāi)日2006年11月29日 申請(qǐng)日期2006年3月15日 優(yōu)先權(quán)日2006年3月15日
發(fā)明者陳自強(qiáng), 張明, 劉立峰, 張小粵, 李云葉, 葉聲 申請(qǐng)人:張小粵