基于鲁棒特征统计的三维医学图像的局部自适应分割算法外文翻译资料

Local adaptive segmentation algorithm for 3-D medical image based on robust feature statistics

Abstract Medical image segmentation is of pivotal importance in computer-aided clinical diagnosis. Many factors, including noises, bias field effect, local volume effect, as well as tissue movement may affect the medical image, thus causing blurring or uneven characteristics when forming a picture. Such quality defects will inevitably impair the gray-scale difference between adjacent tissues and lead to insufficient segmentation or even leakage during tissue or organ segmentation. In the present investigation, a local adaptive segmentation algorithm for 3-D medical image based on robust feature statistics (LARFS) was proposed. By combining segmentation algorithm principles for traditional region growing (RG) and robust feature statistics (RFS), the location and neighborhood image information of input seed point can be comprehensively analyzed by LARFS. Results show that, for different segmentation objects, under controlling the input parameter of growing factor within certain range, LARFS segmentation algorithm can adapt well to the regional geometric shape. And be-cause the robust feature statistics is applied in the contour evolution process, LARFS algorithm is not sensitive to noises and not easily influenced by image contrast and object topology. Hence, the leakage and excessive segmentation effects are ameliorated with a smooth edge, and the accuracy can be controlled within the effective error range.

Keywords medical image, adaptive segmentation, region growing, robust feature statistics, contour evolution

1 Introduction

Recently, with the continuous development of medical informatization, medical imaging has stepped from the film era into the digital era. It has become a very important research orientation to provide doctors with diagnostic assistance from the focal information of digital images obtained via computer technology, for instance, medical image segmentation. It has been widely acknowledged that, based on certain algorithms, medical image segmentation is of pivotal importance in clinical practice as it extracts the target organs or tissues in medical images according to their regional features [1]. Some particular facts are listed below [2]:

1) Medical image segmentation is the basis for post-productions. For example, the registration and fusion of images with different modalities.

2) Medical image segmentation is the basis for structural analysis of the images, results of which could be applied in the qualitative and quantitative analysis of human organs and tissues or focuses on helping doctors with their diagnosis and the enactment and amendment of treatment planning for patients.

3) Medical image segmentation is the basis for 3-D reconstruction and visualization.

4) Medical image segmentation is the major premise for image-guided operation, for tumor radiotherapy, and for evaluation of clinical treatment.

Currently, several segmentation algorithms are available, including live-wire [3], algorithm based on gray levels [4,5], level-set [6], graph-cut [7], algorithm using statistical analysis [8,9], etc. Such algorithms normally aim at specific organs or tissues. However, it should be noted that the medical image is easily affected by many factors, including noises, bias field effect, local volume effect, tissue motion, etc.Therefore, blurring and uneven characteristics may occur during the imaging process. Inevitably, the gray-scale difference between adjacent tissues can be impaired, which leads to insufficient segmentation or even leakage in segmenting tissues and organs. For this purpose, this study, based on the information of 3-D reconstruction data field of medical image series, combines the traditional region growing (RG) and robust feature statistics (RFS) algorithms to fully use the regional information of every image (e.g., mean, variance, and probability density function) to exhibit the features of an image and to drive the contour evolution. Then, we successfully come up with a local adaptive segmentation algorithm for 3-D medical image based on robust feature statistics (LARFS), which could effectively avoid the influence of noises and provide favorable segmentation results.

2 Construction of 3-D data field of medical image

Before the performance of LARFS segmentation algorithm, a 3-D data field was constructed based on gridding process of different positions and angle information from the standard 2-D DICOM medical image slice data. In the 3-D grid, every node is called a voxel, indicating its opacity and color values [10], and also functions as the basic operating unit in the visualization of the volume rendering algorithm. At the beginning of the volume rendering ray-casting algorithm, resampling of the discrete 3-D data field was performed to create consecutive data field, and each voxel was assigned a color and an opacity value in accordance with the characteristics of the sampling point. A beam of light was then projected on the 3-D data field parallel to the sight line. The opacity of the voxel can determine the transmission of the light intersecting with it, and the incident angle of the light can suggest its reflection. By substituting the values of color and opacity into (1), the projected image of the whole data field can, therefore, be obtained after that

（1）

where is the initial light intensity; s is the length parameter of the incident light; and and are the attenuation coefficients of the light intensity and the luminous intensity of the particle point,respectively. Because of the development of high-performance 3-D rendering technology, the efficiency of traditional 3-D visualization algorithm has been largely improved. In our study, we adopted the ray-casting volume rendering algorithm ba

剩余内容已隐藏，支付完成后下载完整资料

基于鲁棒特征统计的三维医学图像的局部自适应分割算法

摘要：医学图像分割中计算机辅助临床诊断是至关重要。在形成一张医学照片的时候，包括噪声、 偏置场效应、 本地卷效果以及组织运动等许多因素可能会影响医学图像，从而导致模糊或不均匀的特点。这种质量缺陷在组织或器官的分割过程中必定会破坏邻近组织间的灰度级区别和引起分割不足或者过分割现象。在本研究中，提出了基于鲁棒特征统计 (LARFS) 的三维医学图像的局部自适应分割算法。。通过结合传统区域生长 (RG) 和鲁棒特征统计 (RFS) 分割算法原则，可以通过LARFS综合分析输入的种子点的位置和邻域图像信息。结果表明，对于不同的分割对象，在一定范围内控制生长因子的输入的参数，LARFS分割算法能够适应区域的几何形状并且因为鲁棒的统计特征在应用轮廓演化过程中的应用，LARFS 算法则对噪声不敏感并且不容易受图像对比度和对象拓扑的影响。因此，泄漏和过度分割的影响通过光滑的边缘得到了改善，同时精度可以控制在有效的误差范围内。

关键词：医学图像自适应分割；区域生长；鲁棒特征统计；轮廓演化

1 引言

近年来，随着医疗信息化的不断发展，医学影像学已加强从胶片时代向数字时代过渡。通过从像医学图像分割的相关计算机技术处理过的数字图像中得到焦点信息，它已成为一个向医生提供诊断的协助的非常重要的研究方向。根据其区域特征，在医学图像中提取目标器官或组织中时，以确定的算法为基础的医学图像分割在临床实践是至关重要的，这已经被广泛认可。下面列出了一些特定的事实：

1. 医学图像分割是后期处理的基础。例如：用不同的方式，对图像进行配准和融合。
2. 医学图像分割是图像结构分析的基础，可以被应用于到人类器官和组织的定量和定性分析中，重点是帮助医生对他们的诊断和制订和修订，规划为病人的治疗。
3. 医学图像分割是三维重建与可视化的基础。
4. 医学图像分割是图像引导手术、 肿瘤放疗和临床治疗评价的重要前提。

目前，几种分割算法都可用，包括活线，基于灰度级、水平集算法、图切割的算法，使用统计分析的算法等等。这种算法通常针对特定的器官或组织。然而，应指出的是，医学图像易受很多因素的影响，包括噪声、 偏置场效应、 局部体积效应、 组织运动等。因此，在成像过程中可能会出现模糊和不均匀的特点。不可避免地，邻近组织的灰度差异可能受损，导致在分割的组织和器官中分割不足或甚至泄漏。为此目的，本文基于信息的医学图像序列的三维重建数据字段结合传统区域生长 (RG) 和鲁棒特征统计(RFS)算法的研究，充分利用每个图像的区域信息（如均值、方差和概率密度函数），以表现出图像中的特征和推动的轮廓的演变。然后，我们成功地赶上为基于鲁棒特征统计 (LARFS)，这可以有效避免噪声的影响，并提供良好的分割结果的三维医学图像的局部自适应分割算法。

2 医学图像的三维数据字段建构

在LARFS 分割算法应用之前，三维数据字段的构建以从标准的二维DICOM 医学图像切片数据中获取的不同位置和角度信息的网格化过程为基础。在三维网格中，每个节点称为体素，指示其不透明度和颜色值，而且还需要函数作为分析与可视化的体绘制算法的基本操作单元。在体绘制光线投射算法起始的时候，图像重采样离散三维数据字段被用来创建连续的数据字段，而且根据采样点的特性，每个像素点被分配一种颜色和不透明度值。然后，一束与视线平行的光投射到的三维数据字段上。像素的不透明度可以确定与它相交的光传输，而且光的入射角可以表明它的反射状况。因而代入颜色和不透明度值，就可以得到整个数据字段的投影的图像。

（1）

初始光强所在s 是长度参数的入射光;和分别为光照强度的衰减系数和粒子点，发光强度。高性能三维渲染技术的发展，传统的三维可视化算法的效率很大程度上提高了。在我们的研究中，我们采用基于 GPU加速的计算光线投射体绘制算法。有关详细过程，请参阅 [12]。我们可视化算法设计进行 c 通过英特尔 i5-2320 CPU、 8 GB RAM 和 NVIDIA GeForce GTX 570 组成的计算环境。 显示三维体绘制，其中的数据源包括 206 腹部 CT 图像的标准 DICOM 格式的示例。为了加速体绘制的速度，减少大数据计算之后，通过线性插值剪辑，并对所有输入的数据与设置在 0.5 放大因子重新取样。

3 LARFS 算法的描述

通常情况下，数字的DICOM图像系统可以提供器官及其周围组织间对比的高分辨率，高灰阶的临床诊断图像。对于这些图像，RG算法可以从图像中直接提取整个器官。作为一种半自动分割算法，RG算法使用简单，具有良好的区域适应性。它在分割前需要几个种子点对目标器官的手动标记作为分割的初步条件。该算法当启动时，将检查每个种子点附近的像素的灰度值。如果像素的灰度值类似于种子点，该像素点将作为分割结果，作为新的种子点。此过程称为'生长'，直到整幅图像中没有新性质的像素点出现，该生长过程结束。RG算法已经在一些商业的医学图像分割系统和研究软件中得到应用。例如，在基础算法中包括RG在内的MITK运用到了肺图像的分割当中，而且最近 Mancas等人为了更好地处理有关脊椎和肿瘤的图像分割，对RG分割算法进行了改善。然而，RG算法也有一定的缺陷，因为它将图像的灰度值作为唯一的参数，仅仅在分割的图像当中产生了清晰的边界和对图像内部的像素值进行均匀分布。例如，如果该图像有着隐隐绰绰的灰阶超声造影、 复杂的边界、 干扰噪声或纹理，它将会导致分割不足或泄漏。

为了改善RG算法对图像特征提取不足的情况，另一种基于种子点邻域的分割算法RFS已被提出，是一种快速的水平集算法。稳健统计是统计中稳定性的理论部分。因此，提取出来的统计数据对原始模型并不敏感，因为对带噪声的医学图像而言，图像的灰度信息是过于简单和不稳定的，这就可能导致分割失败。因此，RFS算法的原理是从每个像素中提取鲁棒的特征向量，形成特征图像，因此分割目标器官是在形成的特征图像当中完成的。RFS在建模过程中，采用了图像的位置和像素信息并且使用了几何活动轮廓 (GAC) 模型来执行轮廓演化。这种算法可以有效地防止噪声干扰，并已逐步应用。近年来，杨教授等人采用在2006年的多子空间分割中采用了RFS算法，Schimid 等人在 2011年视野小骨骼上的分割中建立了RFS形状模型。然而，RFS算法在分割中的准确性是非常依赖手动标记的图像信息，例如，种子点的数量和形状。因此，在实际使用中，操作失误很有可能发生并且导致分割失败。

在本研究中提出的LARFS算法通过与RG和RFS分割算法的原则相结合，可以充分继承区域的自适应性和从这两种算法中得到的灰度级图像广泛适用性的特定优势，与此同时，有效避免其局限性。通过统计方法，更多三维局部鲁棒特征是通过轮廓演化过程提取，从而非均匀具有复杂边界或小灰阶超声造影的图像可以被很好地实现。因此，通过这种协议，噪声可以被有效地分隔，最终，分割泄露或者RG算法引起的渺小可以被显著改善。同时，RG算法显著的局部增长的特性被用于克服RFS算法在复杂的手工操作的弊端。在输入一个合理的增长因素的前提下，医生可以方便的选择一个单一种子点，自适应地作为目标器官形成具有类似的几何特征的输入的样本。

开始的时候，可以输入通过手动选择的一个单种子点来启动LARFS分割进程。图像的局部几何特征造型可以有与种子点和其相邻的域相关的RG算法原理决定，然后允许种子点自适应生长的三维数据字段中。为了避免分割泄漏，日益增长的因素不应太大。下一步，自适应点设置的结果用于作为输入标签映射对象生长过程中执行图像区域特征分析。最后，在水平集算法的特征区域的轮廓演变后，我们可以得到分割结果。

3.1 自适应几何特征的建模

几何特征的自适应建模需要在开始的三维数据场选取种子点，同时根据每个种子点和其附近的26点计算出灰度值的阈值范围。然后这些分割区域从种子点向外增长，符合阈值范围的点将被纳入区域内作为新的种子点。这样的过程重复，直到分割区域停止增长或迭代次数达到预设的值，最终，最后的一组种子点将代表区域图像的几何特征。有许多方法来计算的阈值范围。在当前的调查中，我们选择了平均灰度值 （平均值） 和标准偏差的种子的邻域点集（方差）来计算置信区间的第 N 次迭代。

3.2 图像特征的增长模型

RFS算法将用于生长图像建模的特征。RFS算法作为一种基于水平集的采用的位置和像素图像信息的建模过程中，使用 GAC 模型来执行轮廓演化的特征区域的初始范围的快速分割方法已被广泛的应用。图像分割的增长前, 应输入标记目标区域，包括不是对噪音特别敏感的三个增长特征值。他们是中位数 MED(x)、 归一化间的四分位数间距 IQR(x) 和中位数标准偏差 MAD(x) 样本像素邻域中。MED(x) 是位于中间的序列中的数值顺序; 重新排列的所有变量的变量IQR(x) 是位于75%和25%的职位; 变量之间的差异和 MAD(x) 是序列由减去他们的中间变量的中位数。上述三个特征是鲁棒性和对图像噪声不敏感，可以保持分割边界平滑度。

4 结论

在当前的研究中，基于鲁棒特征统计的三维医学图像的局部自适应分割算法提出结合的 RG和RFS的分割算法。这样一种分割协议完全可以继承有利区域自适应性的RG算法和广泛的适用性，RFS算法的灰度图像。LARFS是一种特色种子点与区域生长因子在靶器官的半自动分割算法作为输入参数。后几何自适应生长在一个小区域的靶器官，种子点，是在点集的鲁棒特征统计收集的。接下来，基于水平集方法，轮廓的革命可以执行对每个断面图象的二维平面来获得三维轮廓的点集和最后输出的分割结果。分割结果表明，该算法通过选择适当的生长因子值，展品器官重建三维数据字段中的一个有利分割结果，通过 CT/MRI 图像序列。此外，它不是对图像噪音特别敏感，不容易受图像对比度和拓扑结构，很大程度上减少泄漏和过度分割效果与精度控制在有效的误差范围内。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[29086]，资料为PDF文档或Word文档，PDF文档可免费转换为Word