一種基于知識的CT影像脊髓自動(dòng)提取方法(修改稿2)

1、CT影像中一種基于知識的脊髓自動(dòng)提取方法王 玉1, 王 宏2, 康雁1（1.東北大學(xué) 中荷生物醫(yī)學(xué)與信息工程學(xué)院，遼寧省 沈陽市 110819；2.東北大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院，遼寧省 沈陽市 110004）照片尺寸為20mm*30mm；最好不用紅色背景摘 要：本文基于CT影像人體結(jié)構(gòu)的特征知識，提出了用三個(gè)主要步驟實(shí)現(xiàn)脊髓的自動(dòng)提取功能。并在檢測脊髓概率區(qū)關(guān)鍵步驟中，基于脊髓及其周圍結(jié)構(gòu)的特征知識，建立了一個(gè)全新的特征模型進(jìn)行脊髓內(nèi)一點(diǎn)的檢測，并基于該點(diǎn)進(jìn)行區(qū)域增長得到脊髓概率區(qū)，進(jìn)而在脊髓概率區(qū)內(nèi)實(shí)現(xiàn)脊髓的檢測。在臨床60例患者CT圖像序列的試驗(yàn)中，軀干輪廓檢測率全部達(dá)到100，脊髓概率

2、區(qū)的檢測率有兩例99，其余均100，基于脊髓概率區(qū)的脊髓檢測率全部可以達(dá)到100。引入特征模型自適應(yīng)修正，可以實(shí)現(xiàn)全部60例患者CT圖像序列脊髓的自動(dòng)提取。運(yùn)行于筆記本平臺上，患者CT圖像序列脊髓檢測時(shí)間可以達(dá)到3秒左右，完全滿足臨床要求。脊髓自動(dòng)提取功能的實(shí)現(xiàn)，避免了臨床放療醫(yī)師進(jìn)行手動(dòng)勾畫的繁瑣工作，同時(shí)也降低了勾畫結(jié)果對放療醫(yī)師技術(shù)水平的依賴，在臨床放射治療領(lǐng)域具有重要意義。關(guān)鍵詞：CT影像；自動(dòng)提??；特征模型；區(qū)域增長；手動(dòng)勾畫中圖分類號：Q-332 文獻(xiàn)標(biāo)識碼：A 國家標(biāo)準(zhǔn)學(xué)科分類代碼：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：*基金項(xiàng)目：國家自然科學(xué)基金（61071057）1 引 言放射治療與手術(shù)和藥物治療一樣，已成為腫瘤治療的一個(gè)重要手段。近些年來，隨著放射治療技術(shù)的發(fā)展，尤其是精確放療概念的提出，三維適形及逆向調(diào)強(qiáng)計(jì)劃系統(tǒng)被廣泛的應(yīng)用于臨床治療。三維放射治療計(jì)劃系統(tǒng)（Three dimensional radiation

9、therapy planning system,3D-RTPS）是放射治療產(chǎn)品中重要核心，是放射治療系統(tǒng)的質(zhì)量控制和質(zhì)量保證必不可少的手段。放射治療計(jì)劃系統(tǒng)可以利用計(jì)算機(jī)模擬治療的整個(gè)過程，得到患者體內(nèi)定量的劑量分布數(shù)據(jù)，通過對這些數(shù)據(jù)的分析和評估，可以制定出更加合理的治療方案，從而有效的減少對正常組織特別是敏感器官的照射量，減少放療引起的副作用。同時(shí)增加腫瘤的照射量，增加腫瘤控制率。一個(gè)好的計(jì)劃系統(tǒng)取決于是否可以制定出精確的治療計(jì)劃來保證實(shí)際治療與模擬治療結(jié)果的一致性。這其中除了需要有一個(gè)精確的劑量計(jì)算模型，計(jì)劃系統(tǒng)還需要提供足夠好的勾畫工具，精確快速的勾畫出靶區(qū)及其周圍重要的敏感器官。目前

10、，這部分工作還主要依靠醫(yī)生手動(dòng)進(jìn)行勾畫。但往往由于一個(gè)計(jì)劃需要勾畫的靶區(qū)及危及器官較多，使得這部分工作變得特別繁瑣，需要很長時(shí)間的細(xì)致工作才能完成。因此，近些年來，無論是學(xué)術(shù)界或一些國際主流的計(jì)劃系統(tǒng)軟件，對于危及器官的自動(dòng)分割都非常關(guān)注。醫(yī)學(xué)圖像分割到今天仍然沒有獲得圓滿解決，一個(gè)重要的原因是醫(yī)學(xué)圖像的復(fù)雜性和多樣性。人體解剖組織結(jié)構(gòu)和形狀復(fù)雜，人與人之間也有相當(dāng)大的差別。傳統(tǒng)的分割技術(shù)或者完全失敗，或者需要一些特殊的處理技術(shù)。因此，有必要針對醫(yī)學(xué)應(yīng)用這個(gè)領(lǐng)域，對圖像分割方法進(jìn)行深入的研究，特別是可以基于各種基本圖像處理方法1-5及一些新方法在醫(yī)學(xué)圖像分割中的應(yīng)用6-8，可以針對一些特定器官

11、的分割進(jìn)行研究9-13。在各種器官組織中，脊髓是一個(gè)非常重要的敏感器官，在射線治療過程中要盡可能接受少的照射劑量。否則很容易引起無法預(yù)測的如麻痹等脊髓方面的神經(jīng)性并發(fā)癥。對于脊髓，目前主要還是一層一層圖像進(jìn)行手動(dòng)勾畫。盡管也有一些半自動(dòng)14或全自動(dòng)15方法的出現(xiàn)，但往往由于自動(dòng)提取整個(gè)識別過程過于復(fù)雜而使識別率較低，時(shí)間較長，無法在臨床上得到很好的應(yīng)用和認(rèn)可。因此基于CT圖像的脊髓自動(dòng)勾畫在臨床應(yīng)用上有待進(jìn)一步完善。本文基于CT影像人體結(jié)構(gòu)的特征知識，提出了用三個(gè)主要步驟實(shí)現(xiàn)脊髓的自動(dòng)提取功能。在檢測脊髓概率區(qū)關(guān)鍵步驟中，基于脊髓及其周圍結(jié)構(gòu)的特征知識，建立了一個(gè)全新的特征模型，并通過對臨床患

12、者相關(guān)CT影像數(shù)據(jù)確定模型的特征參數(shù)。模型參數(shù)確定下來以后，基于這個(gè)模型進(jìn)行匹配，找到脊髓內(nèi)某一點(diǎn)，并以該點(diǎn)在有效小區(qū)域內(nèi)基于脊髓閾值范圍進(jìn)行組織增長得到包含脊髓的區(qū)域，即脊髓概率區(qū)。對其進(jìn)行標(biāo)記。最后在該標(biāo)記區(qū)域內(nèi)進(jìn)行脊髓的檢測。2 基于知識的圖像處理人體解剖組織結(jié)構(gòu)和形狀信息描述是非常復(fù)雜的，而且同一組織，人與人之間的差別也是相當(dāng)大的，甚至同一個(gè)人在不同狀態(tài)下組織器官的形狀也是變化的。因此，對于計(jì)算機(jī)影像系統(tǒng)，我們幾乎不太可能提供一個(gè)可行的統(tǒng)一方式。下面以脊髓自動(dòng)提取的特定需求為例，首先對基于知識的圖像處理做一下簡要介紹?；谶@些關(guān)聯(lián)逐步實(shí)現(xiàn)脊髓的自動(dòng)提取。基于知識的圖像處理一般需要進(jìn)行三

13、個(gè)方面的工作：圖像的獲取、圖像的解譯和知識的表達(dá)。2.1 圖像的獲取臨床上，放療醫(yī)師最關(guān)心的是腫瘤的區(qū)域及位置，靶區(qū)距離脊髓遠(yuǎn)近，腫瘤周圍正常組織器官是否會(huì)被照射等。基于以上考慮，放療患者的CT圖像掃描一般要根據(jù)放療科的要求事先形成一些相對固定的掃描協(xié)議，然后再根據(jù)對腫瘤部位等信息的預(yù)判，選擇合適的協(xié)議，以便得到的患者CT圖像可以用于放射治療計(jì)劃系統(tǒng)進(jìn)行計(jì)劃制定。2.2 圖像的解譯得到患者CT圖像后，放療醫(yī)師會(huì)基于這些CT圖像形態(tài)學(xué)特征及密度等信息進(jìn)行相應(yīng)的評估。而放射治療計(jì)劃系統(tǒng)軟件則需要針對患者CT圖像進(jìn)行解譯，提供上述相關(guān)信息，以便放療醫(yī)師做出正確的處理及判斷。計(jì)算機(jī)軟件系統(tǒng)對于醫(yī)學(xué)影像

14、的解譯，一般需要以下至少一種知識模型。1結(jié)構(gòu)知識模型：用于解譯人體靜態(tài)空間結(jié)構(gòu)及關(guān)系（肺、脊髓等）2動(dòng)態(tài)知識模型：用于解譯人體正常及非正常變化（生理及病理）3程序知識模型：用于實(shí)現(xiàn)某種圖像處理算法進(jìn)行的可執(zhí)行的任務(wù)分解及流程（例如，圖像合成、算法流程等） 2.3 知識的表達(dá)所謂知識就是用于對圖像的解譯及描述某些基本圖像處理算法的參數(shù)。對于人體特定組織結(jié)構(gòu)，都對應(yīng)一種原型，這個(gè)原型的定義也就是對上節(jié)提到的知識模型的定義，然后基于這些知識模型進(jìn)行相應(yīng)的處理，實(shí)現(xiàn)某種特定目標(biāo)。3 脊髓自動(dòng)提取對于脊髓的自動(dòng)提取，由于不需要考慮腫瘤病理生長的影響，我們只需建立結(jié)構(gòu)和程序兩種知識模型。結(jié)構(gòu)知識模型：主要

15、是對脊髓及脊髓自動(dòng)提取涉及到的組織器官的定義，包括形狀，位置，CT值范圍等屬性及各組織器官之間的聯(lián)系。程序知識模型：主要用于脊髓自動(dòng)提取子任務(wù)的分解及算法流程。本文在脊髓自動(dòng)提取算法設(shè)計(jì)上也用到了所謂參考對象15的概念，即首先定義目標(biāo)任務(wù)涉及到的參考對象，然后根據(jù)這些參考對象之間的依賴關(guān)系設(shè)計(jì)算法流程。本文基于知識模型理論，將脊髓的自動(dòng)提取分解成以下三個(gè)關(guān)鍵步驟：1確定軀干輪廓。2確定脊髓概率區(qū)。3在脊髓概率區(qū)檢測脊髓。子任務(wù)關(guān)鍵步驟對應(yīng)的圖解見圖1，其中圖中區(qū)域（1）對應(yīng)步驟1中的軀干輪廓，區(qū)域（2）對應(yīng)步驟2中的脊髓概率區(qū)，區(qū)域（3）對應(yīng)步驟3中的脊髓。圖1子任務(wù)步驟對應(yīng)圖解Fig.1 S

16、ubtask steps三個(gè)關(guān)鍵步驟中對應(yīng)的區(qū)域存在依賴關(guān)系，其中軀干輪廓是脊髓概率區(qū)的參考對象，而脊髓概率區(qū)又是脊髓的參考對象。因此，需要三個(gè)步驟是有時(shí)間先后順序的。具體，先檢測軀干輪廓，然后，基于脊髓及脊髓與軀干之間的聯(lián)系確定脊髓概率區(qū)，最后在脊髓概率區(qū)內(nèi)，基于脊髓的知識模型搜索到脊髓。3.1 軀干輪廓檢測在用于放射治療的CT圖像中，考慮到體位重復(fù)性及物理密度一致性問題，在掃描過程中CT設(shè)備的床板需要是平的炭纖維板，所以軀干皮膚部分與外圍CT值差別非常明顯。因此，圖像內(nèi)軀干的邊界點(diǎn)象素的應(yīng)大于某一特定值。我們可以通過對軀干及空氣CT值的直方圖分析來確定具體值。算法具體實(shí)現(xiàn)步驟：1計(jì)算圖像內(nèi)

17、象素點(diǎn)對應(yīng)的梯度。2由圖像中心列第一行象素開始搜索，沿列方向找到第一個(gè)梯度大于的象素點(diǎn)。3從該點(diǎn)開始，沿順時(shí)針方向搜索梯度大于的象素點(diǎn)，直到第一個(gè)點(diǎn)?？紤]到本文采用的脊髓自動(dòng)提取算法主要依賴軀干輪廓進(jìn)行概率意義上粗略定位搜索脊髓的子區(qū)域。因此對于軀干輪廓的提取，不需要一定具有很高的精度，這也為提高軀干輪廓的檢測率提供了相應(yīng)的空間。3.2 脊髓概率區(qū)檢測在脊髓自動(dòng)提取算法中，確定脊髓概率區(qū)是最為關(guān)鍵的一步，本文基于脊髓及其周圍包繞的脊椎骨結(jié)構(gòu)特征知識，采用了一種全新的結(jié)構(gòu)模型檢測脊髓內(nèi)一點(diǎn)，并基于該點(diǎn)進(jìn)行增長得到脊髓概率區(qū)。脊髓概率區(qū)檢測具體分三個(gè)步驟：1確定脊髓內(nèi)一點(diǎn)檢測區(qū)域。2檢測脊髓內(nèi)一點(diǎn)

18、。3確定脊髓概率區(qū)。脊髓內(nèi)一點(diǎn)檢測區(qū)域主要根據(jù)軀干輪廓進(jìn)行確定。首先，根據(jù)軀干輪廓確定軀干包圍盒，見圖1。然后再根據(jù)包圍盒及中軸線確定脊髓內(nèi)一點(diǎn)檢測區(qū)域。具體取法見圖2中灰色區(qū)域，圖中標(biāo)定的距離應(yīng)確保脊髓內(nèi)的某一點(diǎn)在該區(qū)域內(nèi)。圖2脊髓內(nèi)一點(diǎn)檢測區(qū)域Fig.2 Detection region with a spinal cord point脊髓內(nèi)一點(diǎn)檢測就是要找到一個(gè)象素，使這個(gè)象素屬于脊髓內(nèi)的某一點(diǎn)，這樣才能基于該點(diǎn)進(jìn)行脊髓概率區(qū)的增長。為了進(jìn)行檢測脊髓內(nèi)的某一點(diǎn)，基于脊髓及其周圍包繞的脊椎骨結(jié)構(gòu)特征知識，本文采用了一種全新的結(jié)構(gòu)模型，見圖3。圖3脊構(gòu)模型Fig.3 Spinal struc

19、ture model為了方便，以下稱此結(jié)構(gòu)模型為“脊構(gòu)模型”。脊構(gòu)模型包含4個(gè)基本形狀單元，E0、E1、E2及E3?；谥R，考慮到模型的通用性及算法實(shí)現(xiàn)的可操作性，本文選擇了三角形及圓形或兩種形狀的組合做為模型的基本形狀單元。其中E0的CT值具有三個(gè)屬性，標(biāo)準(zhǔn)差、最小值和最大值。E1、E2及E3的CT值具有兩個(gè)屬性，最小值和最大值。E0、E1、E2及E3的屬性值可基于臨床上各單元所在區(qū)域組織的CT值范圍得到，也可通過在CT圖像上手動(dòng)移動(dòng)模型，統(tǒng)計(jì)相關(guān)屬性值得到。圖4列舉出了包含脊髓的胸、腹、髖部位的CT斷層圖像典型的脊柱結(jié)構(gòu)圖。從圖中可以看出，脊構(gòu)模型很好的適配了脊髓在各種CT斷層圖像中的結(jié)

20、構(gòu)。圖4脊構(gòu)模型適配Fig.4 Spinal structure matching檢測過程，在脊髓內(nèi)一點(diǎn)檢測區(qū)域移動(dòng)E0中心，滿足脊構(gòu)模型屬性特征要求的E0中心點(diǎn)即為脊髓內(nèi)某一點(diǎn)。上述方法檢測到的脊髓內(nèi)一點(diǎn)只是保證該點(diǎn)是脊髓內(nèi)的某一點(diǎn)，并不能保證一定是脊髓的圓心。因此，為了確定脊髓圓心的具體位置及大小，還需要基于該點(diǎn)確定脊髓概率區(qū)。確定脊髓概率區(qū)首先需要確定脊髓概率區(qū)的范圍?？紤]到脊髓斷面自身尺寸大小，脊髓中心一定在以檢測到的脊髓內(nèi)一點(diǎn)為中心邊長為4厘米的正方形區(qū)域內(nèi)。為了在這一區(qū)域內(nèi)找到脊髓，需要基于檢測到的脊髓內(nèi)一點(diǎn)及脊髓的CT值范圍（同脊構(gòu)模型E0的屬性）在正方形區(qū)域內(nèi)進(jìn)行區(qū)域增長，得到

21、的區(qū)域即為脊髓概率區(qū)，見圖5。圖5中矩形區(qū)域是脊髓概率區(qū)限定區(qū)域，十字線是脊髓內(nèi)一點(diǎn)。矩形區(qū)域內(nèi)的不規(guī)則區(qū)域是脊髓概率區(qū)。圖6中圓形區(qū)域是最終檢測到的脊髓。圖5增長得到的脊髓概率區(qū)Fig.5 Spinal cord region by region growing圖6檢測到的脊髓Fig.6 Spinal cord detected3.3 脊髓檢測脊髓概率區(qū)確定以后，考慮到該區(qū)域是基于脊髓知識模型屬性增長得到的，則脊髓是該區(qū)域的子集?；诜派渲委熍R床上脊髓勾畫原則，自動(dòng)檢測脊髓定義為脊骨形成的腔體的內(nèi)接最大圓15，則脊髓檢測的任務(wù)變?yōu)樗阉骷顾韪怕蕝^(qū)邊界的內(nèi)接最大圓?；贛. Held16等人提供

22、的方法可以完成脊髓概率區(qū)內(nèi)接圓的檢測工作?？紤]到脊髓概率區(qū)搜索區(qū)域較小，脊髓半徑也有一定范圍，本文采用了如下方法：在人體脊髓半徑實(shí)際尺寸范圍內(nèi)，按半徑實(shí)際尺寸由大到小依次定義不同半徑的搜索圓模板，然后按半徑尺寸由大到小在脊髓概率區(qū)內(nèi)移動(dòng)搜索圓模板中心，首先滿足搜索圓內(nèi)包含的點(diǎn)均屬于脊髓概率區(qū)象素的圓即為檢測的目標(biāo)圓。如果沒有檢測到目標(biāo)圓，則移動(dòng)半徑最小的模板園中心，圓內(nèi)包含的點(diǎn)屬于脊髓概率區(qū)象素最多的園做為目標(biāo)圓。為了確保可以檢測到目標(biāo)，考慮到不同部位及個(gè)體差別，本文選擇的脊髓半徑實(shí)際尺寸范圍為0.5cm2.0cm。模板半徑基于象素實(shí)際尺寸進(jìn)行離散。具體取法為，最大模板半徑2.0cm，然后按（

23、1）式依次遞減： （1）其中最大值為2cm，最小值為按（1）式得到的遞減序列中小于0.5cm的最大值。圖6中綠色圓是對應(yīng)圖5在脊髓概率區(qū)內(nèi)檢測到的最大圓，也就是脊髓。針對本文提供的脊髓自動(dòng)提取方法的特定應(yīng)用，與M. Held等人提供的方法相比，本文提供的最大園檢測方法由于不受邊界形狀的限制，理論上是一定可以找到目標(biāo)的。基于知識的脊髓自動(dòng)提取算法是由一系列的子任務(wù)順序執(zhí)行來完成的，而每一個(gè)子任務(wù)都基于相關(guān)的知識，圖7是脊髓自動(dòng)提取整個(gè)算法流程圖。 圖7 脊髓檢測算法流程圖 Fig.7 Spinal cord detection flow chart 圖8 符合率定義Fig.8 Coinciden

24、ce rate definition4 試驗(yàn)數(shù)據(jù)與結(jié)果為了驗(yàn)證本文算法的有效性，我們進(jìn)行了20例實(shí)際臨床患者試驗(yàn)。其中包括男性患者11例，女性患者9例。年齡跨度從26歲到82歲。患者病變部位包括胸部11例，腹部9例。圖像層數(shù)從46層到85層。圖像層厚3毫米?；颊逤T圖像數(shù)據(jù)來自GE公司影像設(shè)備試驗(yàn)軟件程序運(yùn)行環(huán)境是Dell公司的 Latitude E6420筆記本，CPU配置Intel® Core(TM) i5-2430M 2.4GHz。在試驗(yàn)數(shù)據(jù)評估過程我們主要統(tǒng)計(jì)了三個(gè)指標(biāo)，符合率、檢測率及檢測時(shí)間。符合率定義：設(shè)由臨床醫(yī)生勾畫或由臨床醫(yī)院計(jì)劃系統(tǒng)軟件自動(dòng)生成的脊髓象素集合為，象

25、素個(gè)數(shù)為。本文方法自動(dòng)檢測得到的脊髓象素集合為，象素個(gè)數(shù)為。為集合和交集的象素個(gè)數(shù)。符合率由下式給出： （2）圖8左側(cè)CT圖像及脊髓ROI來自于實(shí)際臨床患者，右側(cè)為本文方法檢測到的該圖像脊髓ROI。根據(jù)符合率定義，左側(cè)圖像中紫色區(qū)域?yàn)榧?，右?cè)圖像中紅色圓區(qū)域?yàn)榧?。?jīng)過計(jì)算，該圖像符合率為98.2%。對于對于患者圖像序列，符合率是所有層圖像符合率的平均值。這個(gè)符合率可以通過軟件程序自動(dòng)統(tǒng)計(jì)計(jì)算。檢測率定義為：設(shè)患者圖像序列層數(shù)為，成功檢測到目標(biāo)的圖像層數(shù)為。檢測率由下式給出： （3）檢測時(shí)間是指檢測患者圖像序列所有層所用時(shí)間。在所有測試用例中，軀干輪廓檢測率全部可以達(dá)到100，這主要是由于軀

26、干與體外CT值差別較大，而且對于本文的算法主要是基于軀干輪廓確定脊髓內(nèi)一點(diǎn)檢測區(qū)域，不需要軀干輪廓有很高的精度，客觀上增加了軀干輪廓的檢測率。對于脊髓的檢測率同樣全部可以達(dá)到100，這主要是理論上基于本文的脊髓檢測方法，脊髓概率區(qū)的最大內(nèi)接圓是存在和可檢測到的。對于脊髓概率區(qū)的檢測，沒有全部達(dá)到100的檢測率，主要是一個(gè)胸部患者靠近頭頸部的一層圖像和腹部靠近尾部一層圖像檢測失敗。在檢測時(shí)間上，我們只對患者圖像序列所有圖像總體檢測時(shí)間做了統(tǒng)計(jì)。從統(tǒng)計(jì)的數(shù)據(jù)看，檢測時(shí)間不一定與層數(shù)成正比，這主要是因?yàn)樗惴ū旧韺Σ煌瑔螌訄D像檢測速度不完全一樣。最長檢測時(shí)間在3秒左右，滿足臨床要求。表1 來自20例臨

27、床患者CT圖像數(shù)據(jù)的統(tǒng)計(jì)結(jié)果Table 1 Results from evaluation using the CT images of twenty patients試驗(yàn)患者ID患者年齡患者性別圖像層數(shù)腫瘤部位軀干輪廓檢測率脊髓概率區(qū)檢測率脊髓檢測率符合率檢測時(shí)間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 討論與分析對于脊髓的自動(dòng)提取通常的辦法是先提取脊髓外圍的脊椎管（spinal canal）等骨結(jié)構(gòu)，然后基于外圍

30、的脊椎管等骨結(jié)構(gòu)的輪廓及M. Held及 D. T. Lee等人提供的類似方法進(jìn)行脊髓檢測。但由于脊髓外圍的脊椎管等骨結(jié)構(gòu)自動(dòng)檢測過程較復(fù)雜，步驟較多，往往檢測率較低，如文獻(xiàn)15中的試驗(yàn)，spinal canal的檢測率只有85左右，脊髓的自動(dòng)檢測與其是依賴關(guān)系，造成脊髓的檢測率降低。而本文建議的方法是相反的策略，即首先基于脊構(gòu)模型直接找到脊髓的區(qū)域增長點(diǎn)，然后得到脊髓概率區(qū)。這種方法的好處是步驟少，檢測率高，且由于脊髓概率區(qū)是基于脊髓屬性特征進(jìn)行區(qū)域增長得到的，所以基于此區(qū)域得到的脊髓更精確。本文建議的算法盡管達(dá)到了很高的檢測率，這主要是由于算法不需要較多的中間參考對象，而且中間用到的都是概

31、率意義上的參考對象，增加了算法適應(yīng)性。但對于胸部CT圖像序列靠近頭頸部的斷層圖像和腹部CT圖像序靠近尾錐的斷層圖像還是有失敗的情況，這主要是機(jī)構(gòu)模型在頭頸部附近適應(yīng)性不是很理想。本文針對這種情況也做了簡單修正。主要基于脊柱生理彎曲的知識17及利用臨近層脊髓中心線性插值得到本層圖像脊髓中心，并把該點(diǎn)做為脊髓內(nèi)一點(diǎn)，利用本文提供的方法進(jìn)行檢測，都成功檢測到了脊髓。此外，結(jié)合軟件提供的手動(dòng)勾畫工具，在實(shí)際的應(yīng)用中對失敗的CT斷層圖像，可以快速方便的檢測到脊髓。6 結(jié) 論第4節(jié)關(guān)于符合率的計(jì)算只是一個(gè)參考值，事實(shí)上手動(dòng)勾畫或其他軟件公司得到脊髓結(jié)果也不一定是最精確的，目前關(guān)于脊髓的自動(dòng)提取更多的還是以

32、臨床醫(yī)生評估為準(zhǔn)，經(jīng)過臨床放療醫(yī)生參與評估，表1中符合率大于90的患者圖像序列基本上都滿足臨床要求，即便低于90的患者圖像序列，由于可以通過膨脹等技術(shù)，擴(kuò)大對脊髓器官保護(hù)的區(qū)域，滿足臨床要求。本文提供的算法簡單有效，縮短了檢測時(shí)間。同時(shí)也減少了放療醫(yī)生手動(dòng)勾畫脊髓的繁瑣工作?；谟?jì)算機(jī)的自動(dòng)提取，也使得提取過程不再依賴放療醫(yī)生的專業(yè)技術(shù)水平，保證了脊髓器官對于不同操作者可以得到相同的勾畫結(jié)果，這就使得該器官在劑量統(tǒng)計(jì)評估過程更具有歷史參考方面的客觀性。參考文獻(xiàn):1 殷明, 劉衛(wèi). 基于非高斯分布的四元數(shù)小波圖像去噪J. 電子測量與儀器學(xué)報(bào), 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, 穆偉斌, 金成. 圖像分割在醫(yī)學(xué)圖像處理中的應(yīng)用研究J. 微型機(jī)與應(yīng)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 孫云山, 張立毅, 張錦. 改進(jìn)恒模盲均衡在醫(yī)學(xué)CT 圖像盲恢復(fù)中的應(yīng)用J. 儀器儀表學(xué)報(bào), 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, 康志偉, 何怡剛. 利用克隆變異的圖像分類算法J. 電子測量與儀器學(xué)報(bào), 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 查方龍, 張定華,

37、 黃魁東. 基于預(yù)分割輪廓的CT 圖像亞體素表面檢測方法J. 儀器儀表學(xué)報(bào), 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 吳一全, 潘喆, 吳文怡. 二維直方圖區(qū)域斜分閾值分割及快速遞推

38、算法J. 通信學(xué)報(bào), 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 賈同, 魏穎, 吳成東. 基于幾何形變模型的三維肺血管圖像分割方法J. 儀器儀表學(xué)報(bào), 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 劉 技, 康曉東, 賈富倉等. 基于圖割與概率圖譜的肝臟自動(dòng)分割研究J. 計(jì)算機(jī)科學(xué), 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