專利名稱：顱內(nèi)血腫體積的測量方法
技術(shù)領(lǐng)域：
本發(fā)明顱內(nèi)血腫體積測量方法的研究，是將顱內(nèi)血腫體積測量的臨床需求轉(zhuǎn)變?yōu)?br> 圖像的血腫分割問題，提出一種新的分割算法，屬于臨床應(yīng)用軟件領(lǐng)域。
背景技術(shù)：
顱腦損傷導(dǎo)致顱內(nèi)出血，血液在顱腦內(nèi)積聚達到一定體積時形成顱內(nèi)血腫。通常， 小腦幕上血腫在20ml以上，幕下血量在10ml以上，即可引起急性顱腦受壓癥狀，危及生命。 而30ml以上的高血壓腦出血是中老年人病率、致殘率極高的疾病，一般小腦幕上的血腫在 30ml以上，幕下血腫在10ml以上，并結(jié)合其它臨床癥狀及指標，應(yīng)采取手術(shù)治療(顳葉血腫 易致腦疝，手術(shù)指征應(yīng)放寬，血腫量在20ml以上應(yīng)手術(shù))，對于非手術(shù)治療的適應(yīng)癥(幕上 者〈30ml，幕下者〈10ml)可視情況采取藥物治療或微創(chuàng)清除術(shù)。由以上可見，顱內(nèi)血腫的 大小是一重要臨床治療指標，能否準確和精確測量該血腫的體積意義重大。
當前臨床上顱內(nèi)血腫的測量主要是人工分割和人工計算。所謂人工分割是指解剖 學(xué)家手工地描繪出醫(yī)學(xué)圖像中各種器官的邊界。人工計算是對人工畫出的ROI (Region of interest)區(qū)域，由計算機自動測量面積，然后人工相加得到體積。目前手工分割的效果一 般而言是較好的，但卻是極其費時和費力的。人工分割的另一個問題就是分割的結(jié)果會因 人而異，即使同一個人不同時間分割的結(jié)果也不能保證完全相同。據(jù)報道5名專家在分割 腦腫瘤時會產(chǎn)生15% _22%的誤差。在醫(yī)學(xué)研究尤其是神經(jīng)系統(tǒng)科學(xué)的研究中結(jié)果的可重 復(fù)性和精確性是極其重要的，所以人工分割的方法不能勝任這種需求。
與人工分割相對應(yīng)的就是自動分割。自動分割結(jié)果的可重復(fù)性是不用考慮的，因 為幾乎所有算法的結(jié)果都不會因為運行次數(shù)的不同而改變。自動分割的難點在于如何將人 工分割中解剖學(xué)家的知識運用到自動分割中來，這種知識之所以難以表示是因為醫(yī)學(xué)圖像 形狀和外表的復(fù)雜性。所謂醫(yī)學(xué)圖像形狀復(fù)雜就是指解剖結(jié)構(gòu)沒有規(guī)則的形狀，因此也不 容易用簡單的方法來表示。醫(yī)學(xué)圖像外表復(fù)雜原因是不同的組織可能具有相同或相近的灰 度，例如頭皮、肌肉、皮下血種等與顱內(nèi)血腫的灰度相近，又如腦灰質(zhì)和腦低度膠質(zhì)瘤的灰 度也很相象，而同一組織卻由于成像設(shè)備的原因而表現(xiàn)出不同的灰度。由于自動分割的難 度和深度，其進展比較緩慢。近幾年國內(nèi)外在此領(lǐng)域出現(xiàn)了大量的研究成果，從人工智能技 術(shù)到模式識別技術(shù)以及神經(jīng)網(wǎng)絡(luò)、小波變換、模糊聚類等的應(yīng)用涉及到眾多的學(xué)科。但由于 醫(yī)學(xué)圖像的復(fù)雜性及不同個體之間的差異性等，目前，沒有一種分割算法能對所有的圖像 產(chǎn)生滿意的分割效果，同時也找不到一種特定類型的圖像使所有的算法能獲得同樣好的分 割結(jié)果。對于一個具體的應(yīng)用，如CT顱腦圖像的分割，從目前圖像分割技術(shù)在臨床上的應(yīng) 用情況來看，絕大部分方法還停留在實驗研究階段，真正能應(yīng)用于臨床的還為數(shù)不多。本項 目正是在此背景下對CT圖像的處理與自動分割問題進行研究的。

發(fā)明內(nèi)容
1、針對顱內(nèi)血腫圖像的特點，對其采用二步圖像分割處理。
2、對圖像的預(yù)處理采用非線性各向異性擴散濾波，有效去除了噪聲、偽影，且滿足 醫(yī)學(xué)圖像處理的實際性要求。 3、圖像的第一步分割中，對同一圖像二值化進行"異或"運算，巧妙去除了顱骨及 顱骨外非腦組織，并且不需要圖像配準等工作，這是本項目的一個重要部分。
4、將熵的概念引入圖像分割，實現(xiàn)了二維熵閾值化，用像素灰度及其鄰域灰度為 參數(shù)來分割圖像。它不僅反映了灰度信息分布，而且反映了圖像象素鄰域空間相關(guān)信息，因 此有效的抑制噪聲，排除干擾和不需要的細小結(jié)構(gòu)。這是本項目的一個重點和難點。
具體實施例方式
1、采用非線性各向異性擴散濾波器對顱腦圖像進行濾波處理。
2、對圖像二步分割 1)利用閾值法和圖像"異或"、"乘"邏輯運算，得到只有腦組織與血腫的圖像，去除 了顱骨及顱骨外非腦組織。 2)采用二維熵閾值化的方法，用像素灰度及其鄰域灰度為參數(shù)來分割圖像，去除 腦組織，得到只有血腫的圖像。這里為防止計算量龐大，采用分層遺傳算法搜尋最優(yōu)閾值， 并提出了 "自適應(yīng)的大變異算子"理論。 3、測量血腫體積7 = ￡^其中n血腫圖像層數(shù)，Vi = StX層厚，Si =像素大小X 個數(shù)。
權(quán)利要求
在研究顱內(nèi)血腫體積大小時，將CT序列圖像進行二步自動分割，采用了如下方法1)CT圖像的第一步分割中，顱骨及顱骨外非腦組織的去除利用了閾值法、區(qū)域生長及圖像邏輯運算，由于顱骨在CT圖像中與其它組織在灰度差異很大，因此采用經(jīng)驗閾值很容易得到顱骨邊緣，不需要復(fù)雜耗時的檢測方法，區(qū)域生長采用四鄰域生長，遍布整個腦組織與血腫，最后圖像進行“異或”和“乘”邏輯運算，得到只有腦組織與血腫的CT圖像，用簡單的圖像處理方法得到較好的結(jié)果；2)CT圖像的第二步分割中，對于腦組織與血腫的分割，考慮到CT圖像可避免的噪聲因素，采用二維熵閾值化的方法，用像素灰度及其鄰域灰度為參數(shù)來分割圖像，它不僅反映了灰度信息分布，而且反映了圖像象素鄰域空間相關(guān)信息，因此它可以有效的抑制噪聲，排除干擾和不需要的細小結(jié)構(gòu)；3)采用改進的遺傳算法來搜尋最優(yōu)分割閾值使二維熵準則函數(shù)最大，遺傳算法是具有全局并行搜索最優(yōu)解的能力；采用分層遺傳算法，并對選擇、交叉、變異算子做了改進，特別為了防止算法陷于“早熟”結(jié)果；4)采用了“自適應(yīng)的大變異算子”，通過判斷適應(yīng)度函數(shù)平均值與最大值比值，最終決定采用的變異概率和交叉概率。
全文摘要
本發(fā)明針對顱內(nèi)血腫圖像的特點，對圖像的預(yù)處理采用非線性各向異性擴散濾波，有效去除了噪聲、偽影，且滿足醫(yī)學(xué)圖像處理的實際性要求；對其采用二步圖像分割處理，巧妙去除了顱骨及顱骨外非腦組織，并且不需要圖像配準等工作；將熵的概念引入圖像分割，實現(xiàn)了二維熵閾值化，用像素灰度及其鄰域灰度為參數(shù)來分割圖像，它不僅反映了灰度信息分布，而且反映了圖像象素鄰域空間相關(guān)信息，因此有效的抑制噪聲，排除干擾和不需要的細小結(jié)構(gòu)；改進遺傳算法的各個算子，尤其為防止遺傳算法存在的“早熟”問題，也就是算法過早收斂于一個非全局最優(yōu)點，采用自適應(yīng)大變異算子，最后用改進的分層遺傳算法搜索最佳閾值。
文檔編號G06T7/00GK101756710SQ20081023865
公開日2010年6月30日 申請日期2008年12月19日 優(yōu)先權(quán)日2008年12月19日
發(fā)明者曹淑蘭 申請人:曹淑蘭