一种提取脑部 CT 图像骨骼方法及装置 【技术领域】
本发明涉及计算机技术领域， 特别涉及一种提取脑部 CT 图像骨骼方法及装置。背景技术 CT 是一种功能齐全的病情探测仪器， 它是电子计算机 X 线断层扫描技术简称。CT 图像是以不同的灰度来表示， 反映器官和组织对 X 线的吸收程度。因此， 与 X 线图像所示的 黑白影像一样， 黑影表示低吸收区， 即低密度区， 如肺部 ； 白影表示高吸收区， 即高密度区， 如骨骼。人体软组织的密度差别虽小， 吸收系数虽多接近于水， 也能形成对比而成像。这是 CT 的突出优点。所以， CT 可以更好地显示由软组织构成的器官， 如脑、 脊髓、 纵隔、 肺、 肝、 胆、 胰以及盆部器官等， 并在良好的解剖图像背景上显示出病变的影像。CT 图像是层面图 像， 常用的是横断面。为了显示整个器官， 需要多个连续的层面图像。
当 前 在 临 床 上，多 层 螺 旋 CT 血 管 造 影 (MSCTA， multi-slice spiral CT angiography) 是一种新型的血管造影技术， 通过该技术得到的图像称为 CTA 图像。该技术 对病人无创伤， 为医生观察诊断脑血管疾病提供了方便可靠的依据。
通常通过 CT 图像和 CTA 图像的配准减影技术获得颅内血管影像。其原理是将脑 部 CT 图像和 CTA 图像进行配准， 然后提取 CT 图像中的骨骼影像， 按照提取出的骨骼的空间 位置， 对应到 CTA 图像中， 即可把 CTA 图像中的高亮度的骨骼去掉， 剩下的高亮度像素表示 的则是血管影像， 再应用最大密度投影或者体重建方法将去除骨骼后的 CTA 图像进行三维 可视化， 即可看到清晰的血管影像。
由于 CTA 图像中骨骼的去除完全依赖于从 CT 中提取的骨骼影像的准确性和配准 的准确性， 因此国内外的研究者都将配准算法的研究作为研究 CTA 减影技术的重点， 而骨 骼影像的提取则是根据经验值提前设定。这样做虽然比较省时， 但是对于实际临床图像中 可能出现的多种灰度值不统一的情况， 提前设定骨骼的经验值显然会阻碍算法的应用， 造 成错误的结果。
例如， 图 1 所示为现有技术的两幅脑组织的原始图像， 从图中可以很明显的确定， 两幅图像的明暗度不同。将图 1 所示两幅图像的灰度值范围都映射到 0-4096 范围内后， 统 计各自灰度值直方图的范围， 统计结果如图 2 所示。
其中， 图 1a 所示脑组织对应的灰度值直方图分布范围如图 2a 所示， 图 1b 所示脑 组织对应的灰度值直方图分布范围如图 2b 所示。
从图 2 中可以明显看出， 两幅同样为脑部组织的 CT 图像的像素点的灰度值分布范 围有很大差别， 如果通过事先设定骨骼阈值范围的方式来去除脑骨骼组织就会出现错误， 即有可能将本应是脑骨骼的图像留下了， 或将本应不是脑骨骼的图像去除了。
因此， 如何能够准确的提取出 CT 图像的脑骨骼是保证能够准确呈现出脑血管影 像的关键的步骤之一， 是个亟需解决的问题。
发明内容本发明实施例的提供一种提取脑部 CT 图像骨骼方法及装置， 能准确的从脑 CT 图 像中提取出骨骼图像， 以保证后续成像的准确性。
本发明实施例提供了一种提取脑部 CT 图像骨骼方法， 包括 ：
对原始脑部 CT 图像的像素点进行灰度映射获得对应的灰度直方图， 根据所述灰 度直方图获得第一预设分割阈值 ；
根据第一预设分割阈值计算背景像素灰度阈值， 根据背景像素灰度阈值去除所述 原始脑部 CT 图像中的背景像素点， 获得预处理脑部 CT 图像 ；
基于所述预处理脑部 CT 图像， 计算骨阈值 ；
在所述预处理脑部 CT 图像中查找所有灰度值大于等于所述骨阈值的像素点， 提 取所述像素点对应的图像， 该图像为脑 CT 图像中的脑骨骼。
其中， 所述根据第一预设分割阈值计算背景像素灰度阈值的步骤包括 ：
设所述原始脑部 CT 图像中像素点的灰度值范围为 (minv， maxv)， 其中， minv 为最 小灰度值， maxv 为最大灰度值 ；
令阈值间隔为 detavalue， 其中 detavalue ＝ maxv-minv ；
将所述原始脑部 CT 图像的灰度值映射到 0-detavalue 区间内 ；
在所述 0-detavalue 区间内对每层脑 CT 图像分别进行灰度直方图统计， 获得各灰 k ＝ min value，…， max value， 其中，度值累积比例
minvalue 和 maxvalue 分别表示所述原始脑 CT 图像中像素点所表示的最小和最大 灰度值， Ci 表示灰度值为 i 的像素点个数， Call 表示图像中像素点的总个数， k 值即为背景 像素灰度阈值的参考值 ；
判 断 所 述 累 积 比 例 HAk 是 否 大 于 等 于 第 一 预 设 分 割 阈 值， 且 k 的值小于 detavalue*0.1， 若是， 则设置背景像素灰度阈值 k′为 detavalue*0.1 ； 否则， 设置背景像 素灰度阈值 k′为 HAk 大于等于第一预设分割阈值时的 k 值。
其中， 根据背景像素灰度阈值去除所述原始脑部 CT 图像中的背景像素点， 获得预 处理脑部 CT 图像的步骤包括 ：
查找并去除所有灰度值小于所述背景像素灰度阈值的像素点， 从而去除所述原始 脑部 CT 图像中的背景像素点， 获得预处理脑部 CT 图像。
其中， 计算骨阈值的步骤包括 ：
设所述预处理脑部 CT 图像有 N 个像素， detavalue-k ′个灰度级 i， i ＝ k ′， 则 k′ +1， k′ +2， ...， detavalue ； 灰度值为 i 的像素个数为 ni， 述背景像素灰度阈值 ； 灰度值为 i 的像素的概率密度为 ： 且 其中， k′为所
令且μ0ω0+μ1ω1 ＝ μr， ω0+ω1 ＝ 1 ；
其中， t1 为骨分割阈值， ω0 为灰度级低于或等于 t1 的所有点的概率密度之和，ω1 为灰度级高于 t1 的所有点的概率密度之和， μr 为图像总体平均灰度， μ0 为灰度级低 于或等于 t1 的所有点平均灰度， μ1 为灰度级高于 t1 的所有点的平均灰度， 类间方差为 本发明实施例还提供了一种提取脑部 CT 图像骨骼装置， 包括 ：
灰度映射单元， 用于对所述原始脑部 CT 图像的像素点进行灰度映射， 获得对应的 灰度直方图， 根据所述灰度直方图获得所述脑部 CT 图像的灰度值的第一预设分割阈值 ；
背景像素去除单元， 用于根据第一预设分割阈值计算背景像素灰度阈值， 根据背 景像素灰度阈值去除所述原始脑部 CT 图像中的背景像素点， 获得预处理脑部 CT 图像 ；
骨阈值计算单元， 用于基于所述预处理脑部 CT 图像， 计算骨阈值 ；
脑骨骼提取单元， 用于在所述预处理脑部 CT 图像中查找所有灰度值大于等于所 述骨阈值的像素点， 提取所述像素点对应的图像， 该图像为脑 CT 图像中的脑骨骼。
其中， 所述背景像素去除单元包括 ：
第一计算单元， 用于根据第一预设分割阈值计算背景像素灰度阈值 ；
第二计算单元， 用于根据背景像素灰度阈值去除所述原始脑部 CT 图像中的背景 像素点， 获得预处理脑部 CT 图像。
其中， 所述第一计算单元包括 ：
第一设置子单元， 用于设所述原始脑部 CT 图像中像素点的灰度值范围为 (minv， maxv)， 其中， minv 为最小灰度值， maxv 为最大灰度值 ； 令阈值间隔为 detavalue， 其中 detavalue ＝ maxv-minv ；
灰 度 值 累 积 比 例 计 算 单 元， 用 于 将 所 述 原 始 脑 部 CT 图 像 的 灰 度 值 映 射 到 0-detavalue 区间内 ； 在所述 0-detavalue 区间内对每层脑 CT 图像分别进行灰度直方图
统计， 获得各灰度值累积比例k ＝ min value， …， max value， 其中，minvalue 和 maxvalue 分别表示所述原始脑 CT 图像中像素点所表示的最小和最大灰度值， Ci 表示灰度值为 i 的像素点个数， Call 表示图像中像素点的总个数， k 值即为背景像素灰度 阈值的参考值 ；
第一判断子单元， 用于判断所述累积比例 HAk 是否大于等于第一预设分割阈值， 且 k 的值小于 detavalue*0.1， 若是， 则设置背景像素灰度阈值 k′为 detavalue*0.1 ； 否则， 设 置背景像素灰度阈值 k′为 HAk 大于等于第一预设分割阈值时的 k 值。
其中， 所述骨阈值计算单元包括 ：
第二设置子单元， 用于设所述预处理脑部 CT 图像有 N 个像素， detavalue-k ′ 个灰度级 i， i ＝ k ′， k ′ +1， k ′ +2， ...， detavalue ； 灰度值为 i 的像素个数为 ni， 则 其中， k′为所述背景像素灰度阈值 ； 灰度值为 i 的像素的概率密度为 ： 且
第 三 计 算 单 元，用 于 令且 μ0ω0+μ1ω0 ＝ μr， ω0+ω1 ＝ 1 ； 其中， t1 为骨分割阈值， ω0 为灰度级低于或等于 t1 的所有点的概率密度之和， ω1 为灰度级高于 t1 的所有点的概率密度之和， μr 为图像总体平均灰度， μ0 为灰度级低 于或等于 t1 的所有点平均灰度， μ1 为灰度级高于 t1 的所有点的平均灰度， 类间方差为
应用本发明实施例提供的方法和装置， 通过先去除脑部 CT 图像中的背景像素点， 获得预处理脑部 CT 图像， 再应用计算出的骨阈值对预处理脑部 CT 图像进行脑骨骼和其余 脑组织的区分， 准确地从脑 CT 图像中提取出了骨骼图像， 保证了后续成像的准确性。避免 了提前对骨阈值进行经验值设定而造成的提取骨骼错误。此外， 本申请能在短时间内提取 出脑部骨骼的故影像， 不会给整体算法的运算速度带来负面影响。
附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本 发明的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下， 还可以 根据这些附图获得其他的附图。
图 1 是现有技术的两幅脑组织的原始图像 ；
图 2 是与图 1 中脑 CT 图像对应的灰度分布直方图 ；
图 3 是根据本发明实施例的提取脑部 CT 图像骨骼的方法流程图 ；
图 4 是一脑部 CT 图像中背景像素所占比重统计分析图 ；
图 5 是另外两个脑部 CT 图像中背景像素所占比重的统计分析图 ；
图 6 是应用本发明实施例后骨骼提取效果图 ；
图 7 是计算骨骼阈值算法的运算时间统计图 ；
图 8 是根据本发明实施例的提取脑部 CT 图像骨骼装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。基于 本发明中的实施例， 本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例， 都属于本发明保护的范围。
本申请的思路是先去除脑部 CT 图像中的背景像素点， 再对剩下的全脑图像进行 脑骨骼和其余脑组织的区分， 从而提取出脑骨骼 CT 图像， 为将来后续 CTA 图像中脑骨骼的 去除提供可靠依据。
参见图 3， 其是根据本发明实施例的一种提取脑部 CT 图像骨骼的方法流程图， 具 体包括 ：
步骤 301， 对原始脑部 CT 图像的像素点进行灰度映射获得对应的灰度直方图， 根 据所述灰度直方图获得第一预设分割阈值 ；在去除背景像素点之前， 对脑部 CT 图像中背景和全脑图像的像素点个数在整幅 图像中所占的比例进行分析。 用类间最大方差方法计算出脑部图像与背景图像的分割阈值 后， 对表示背景图像的像素数目占总像素数的比例进行逐层分析， 获得图 4 所示一脑部 CT 图像中背景像素所占比重统计分析图。
从图 4 中可以分析出， 背景像素所占比例在一套整脑数据中的分布情况可以分为 两种， 一种是比例在 0.55-0.65 之间， 一种是比例数值大于 0.65 的情况。为了验证这个结 论， 笔者又对另外两套整脑数据进行了背景像素比重统计分析， 得到图 5 所示另外两个脑 部 CT 图像中背景像素所占比重的统计分析图。
结合图 4、 5 的统计分析可知， 在脑部 CT 图像中， 背景像素所占比重通常分为两 种情况， 一种情况是背景像素所占比例到达 43％以上， 另一种情况是背景像素所占比例在 43％以下。 这里的 43％是根据以上几组图像的背景像素比重的分布规律估计出的一经验数 值。
也就是说， 根据所述灰度直方图获得第一预设分割阈值是一经验数值， 例如， 该数 值可以在 0.4-0.6 之间。
步骤 302， 根据第一预设分割阈值计算背景像素灰度阈值， 根据背景像素灰度阈值 去除所述原始脑部 CT 图像中的背景像素点， 获得预处理脑部 CT 图像 ；
上述根据第一预设分割阈值计算背景像素灰度阈值的步骤包括 ：
设所述原始脑部 CT 图像中像素点的灰度值范围为 (minv， maxv)， 其中， minv 为最 小灰度值， maxv 为最大灰度值 ；
令阈值间隔为 detavalue， 其中 detavalue ＝ maxv-minv ；
将所述原始脑部 CT 图像的灰度值映射到 0-detavalue 区间内 ；
在所述 0-detavalue 区间内对每层脑 CT 图像分别进行灰度直方图统计， 获得各 灰度值累积比例 k ＝ min value， …， max value， 其中， minvalue 和maxvalue 分别表示所述原始脑 CT 图像中像素点所表示的最小和最大灰度值， Ci 表示灰度 值为 i 的像素点个数， Call 表示图像中像素点的总个数， k 值即为背景像素灰度阈值的参考 值；
判 断 所 述 累 积 比 例 HAk 是 否 大 于 等 于 第 一 预 设 分 割 阈 值， 且 k 的值小于 detavalue*0.1， 该第一灰度分割阈值是根据前述图 4、 5 的统计分析得出的经验值， 例如 43％， 若是， 则设置背景像素灰度阈值 k′为 detavalue*0.1 ； 否则， 设置背景像素灰度阈值 k′为 HAk 大于等于第一灰度分割阈值时的 k 值。
也就是说， k 是背景像素灰度阈值的参考值， 而 k ′是背景像素灰度阈值， 当 累积比例 HAk 大于等于第一预设分割阈值， 且 k 的值小于 detavalue*0.1， k’的取值为 detavalue*0.1 ； 当累积比例 HAk 小于第一预设分割阈值时， k’ 的取值为 k。
根据背景像素灰度阈值去除所述原始脑部 CT 图像中的背景像素点， 获得预处理 脑部 CT 图像的步骤为 ； 查找并去除所有灰度值小于所述背景像素灰度阈值的像素点， 从而 去除所述 CT 图像中的背景像素点。这里， 去除所有灰度值小于所述背景像素灰度阈值的像 素点的处理实际是将这些像素点的灰度值置 0。
步骤 303， 基于所述预处理脑部 CT 图像， 计算骨阈值 ；本步骤可以具体包括 ： 设所述预处理脑部 CT 图像有 N 个像素， detavalue-k ′个灰度级 i， i ＝ k ′， 其中， k′为所k′ +1， k′ +2， ...， detavalue ； 灰度值为 i 的像素个数为 ni， 则 述背景像素灰度阈值 ；
灰度值为 i 的像素的概率密度为 ：且这里， 需要说明的是， 每个灰度级都对应一个灰度值， 因此， 灰度级为 i 的灰度值必然为 i ；
令且μ0ω0+μ1ω1 ＝ μr， ω0+ω1 ＝ 1 ； 其中， t1 为骨分割阈值， ω0 为灰度级低于或等于 t1 的所有点的概率密度之和， 即 脑组织类的概率密度之和， ω1 为灰度级为高于 t1 的所有点的概率密度之和， 即脑骨骼类概 率密度之和， μr 为图像总体平均灰度， μ0 为灰度级低于或等于 t1 的所有点平均灰度， 即脑 组织类所有点平均灰度， μ1 为灰度级高于 t1 的平均灰度， 即脑骨骼类所有点的平均灰度，
类间方差为
其中， 类间方差越大表示阈值选择的越好。步骤 304， 在所述预处理脑部 CT 图像中查找所有灰度值大于等于所述骨阈值的像 素点， 提取所述像素点对应的图像， 该图像为脑 CT 图像中的脑骨骼。
至此， 完成了脑骨骼提取。
用本发明实施例提出的基于类间最大方差的自适应骨阈值提取方法得到的实验 结果如图 6 所示。其中， 图 6 中的 (a) 和 (b) 分别是原脑部 CT 图像和与其对应的骨骼分割 图像。
从图 6 中可以看出， 骨骼提取效果良好。
提取单层 CT 图像中骨骼阈值的运算时间统计如图表 7 所示， 从图 7 中可以分析 出， 本发明实施例提出的计算骨骼阈值算法的时间性能相对稳定， 对于单层脑部 CT 图像的 运算时间控制在 45-65ms 之间。
可见， 应用本发明实施例提供的方法， 通过先去除脑部 CT 图像中的背景像素点获 得预处理脑部 CT 图像， 再应用计算出的骨阈值对所获得的预处理脑部 CT 图像进行脑骨骼 和其余脑组织的区分， 准确地从脑 CT 图像中提取出了骨骼图像， 保证了后续成像的准确 性。避免了提前对骨阈值进行经验值设定而造成的提取骨骼错误。此外， 本申请能在短时 间内提取出脑部骨骼的故影像， 不会给整体算法的运算速度带来负面影响。 本发明实施例还提供了一种提取脑部 CT 图像骨骼装置， 参见图 8， 具体包括 ：
灰度映射单元 801， 用于对所述原始脑部 CT 图像的像素点进行灰度映射， 获得对 应的灰度直方图， 根据所述灰度直方图获得所述脑部 CT 图像的灰度值的第一预设分割阈 值；
背景像素去除单元 802， 用于根据第一预设分割阈值计算背景像素灰度阈值， 根据 背景像素灰度阈值去除所述原始脑部 CT 图像中的背景像素点， 获得预处理脑部 CT 图像 ；
骨阈值计算单元 803， 用于基于所述预处理脑部 CT 图像， 计算骨阈值 ；
脑骨骼提取单元 804， 用于在所述预处理脑部 CT 图像中查找所有灰度值大于等于 所述骨阈值的像素点， 提取所述像素点对应的图像， 该图像为脑 CT 图像中的脑骨骼。
上述背景像素去除单元 802 可以具体包括 ：
第一计算单元， 用于根据第一预设分割阈值计算背景像素灰度阈值 ；
第二计算单元， 用于根据背景像素灰度阈值去除所述原始脑部 CT 图像中的背景 像素点， 获得预处理脑部 CT 图像。
上述第一计算单元可以具体包括 ：
第一设置子单元， 用于设所述原始脑部 CT 图像中像素点的灰度值范围为 (minv， maxv)， 其中， minv 为最小灰度值， maxv 为最大灰度值 ； 令阈值间隔为 detavalue， 其中 detavalue ＝ maxv-minv ；
灰 度 值 累 积 比 例 计 算 单 元， 用 于 将 所 述 原 始 脑 部 CT 图 像 的 灰 度 值 映 射 到 0-detavalue 区间内 ； 在所述 0-detavalue 区间内对每层脑 CT 图像分别进行灰度直方图 统计， 获得各灰度值累积比例 k ＝ min value， …， max value， 其中，minvalue 和 maxvalue 分别表示所述原始脑 CT 图像中像素点所表示的最小和最大灰度值， Ci 表示灰度值为 i 的像素点个数， Call 表示图像中像素点的总个数， k 值即为背景像素灰度 阈值的参考值 ；
第一判断子单元， 用于判断所述累积比例 HAk 是否大于等于第一预设分割阈值， 且 k 的值小于 detavalue*0.1， 若是， 则设置背景像素灰度阈值 k′为 detavalue*0.1 ； 否则， 设 置背景像素灰度阈值 k′为 HAk 大于等于第一预设分割阈值时的 k 值。
上述骨阈值计算单元 803 可以具体包括 ：
第二设置子单元， 用于设所述预处理脑部 CT 图像有 N 个像素， detavalue-k ′ 个灰度级 i， i ＝ k ′， k ′ +1， k ′ +2， ...， detavalue ； 灰度值为 i 的像素个数为 ni， 则 其中， k′为所述背景像素灰度阈值 ； 灰度值为 i 的像素的概率密度为 ： 且
第 三 计 算 单 元，用 于 令且 μ0ω0+μ1ω1 ＝ μr， ω0+ω1 ＝ 1 ； 其中， t1 为骨分割阈值， ω0 为灰度级低于或等于 t1 的所有点的概率密度之和， ω1 为灰度级高于 t1 的所有点的概率密度之和， μr 为图像总体平均灰度， μ0 为灰度级低 于或等于 t1 的所有点平均灰度， μ1 为灰度级高于 t1 的所有点的平均灰度， 类间方差为
应用本发明实施例提供的装置， 通过先去除脑部 CT 图像中的背景像素点， 获得预 处理脑部 CT 图像， 再应用计算出的骨阈值对预处理脑部 CT 图像进行脑骨骼和其余脑组织的区分， 准确地从脑 CT 图像中提取出了骨骼图像， 保证了后续成像的准确性。避免了提前 对骨阈值进行经验值设定而造成的提取骨骼错误。此外， 本申请能在短时间内提取出脑部 骨骼的故影像， 不会给整体算法的运算速度带来负面影响。
对于装置实施例而言， 由于其基本相似于方法实施例， 所以描述的比较简单， 相关 之处参见方法实施例的部分说明即可。
需要说明的是， 在本文中， 诸如第一和第二等之类的关系术语仅仅用来将一个实 体或者操作与另一个实体或操作区分开来， 而不一定要求或者暗示这些实体或操作之间存 在任何这种实际的关系或者顺序。而且， 术语 “包括” 、 “包含” 或者其任何其他变体意在涵 盖非排他性的包含， 从而使得包括一系列要素的过程、 方法、 物品或者设备不仅包括那些要 素， 而且还包括没有明确列出的其他要素， 或者是还包括为这种过程、 方法、 物品或者设备 所固有的要素。在没有更多限制的情况下， 由语句 “包括一个 ......” 限定的要素， 并不排 除在包括所述要素的过程、 方法、 物品或者设备中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可 以通过程序来指令相关的硬件来完成， 所述的程序可以存储于计算机可读取存储介质中， 这里所称得的存储介质， 如： ROM/RAM、 磁碟、 光盘等。
以上所述仅为本发明的较佳实施例而已， 并非用于限定本发明的保护范围。凡在 本发明的精神和原则之内所作的任何修改、 等同替换、 改进等， 均包含在本发明的保护范围 内。