醫學圖像感興趣區域(ROI)的分割三維重建算法研究

摘 要:在醫學圖像處理與分析過程中，醫生通常最關心的信息僅占圖像中的很小一部分，這部分就是所謂的感興趣區域，即ROI(Region of Interest)[1]，感興趣區域包含著重要的診斷信息，這些信息是臨床診斷和病理學研究的重要依據。基于感興趣區域的三維重建形成的可視三維圖像結果能夠幫助醫生準確的識別各種組織和器官，并對其進行處理與分析，使診斷更有效、更輕松、更精準，同時它也為醫學培訓、醫學研究和教學提供數字實現手段。

關鍵詞:脈沖耦合神經網絡 活動輪廓模型 Marching Cubes算法

中圖分類號:TP3文獻標識碼:A文章編號:1674-098X(2011)02(c)-0218-03

Studies Based on The Rol Division’s Three Dimensional Reconstructon Algorithm

wangfang

(Minnan Technical institute information management’s teacherFujian Province Shishi 362700 )

Abstract:In medical image processing and analysis，the doctors are most concerned about the information usually only a small part of the image.this part of the so-called region of interest，namely ROI (Region of Interest)，which contains important diagnostic information.clinical diagnosis and the information is an important basis for pathological study.The visual three-dimensional image results formed by three-dimensional reconstruction on ROI can help doctors accurately identify a variety of tissues and organs，and its processing and analysis，making the diagnosis more effective，easier and more accurate.And it also for medical training，medical research and teaching digital implementation means.

Key Words:PCNN;Active contour model;Marching Cubes Algorithm

引言

本文采用基于脈沖耦合神經網絡與活動輪廓模型的圖像分割算法對序列圖像的感興趣區域進行分割。利用基于脈沖耦合神經網絡(PCNN)的活動輪廓模型來進行圖像序列分割，該模型利用圖像自身的內外能量引導輪廓點進行迭代尋優，使輪廓點快速地收斂于圖像感興趣對象的邊緣;另外，為了使輪廓點在移動過程中避免受到噪聲干擾和圖像質量的影響，采用PCNN能使輪廓點沿準確的方向移動。通過觀察和分析圖像分割的整個過程和最終效果，基于PCNN與活動輪廓模型的分割方法能使輪廓較快地收斂到物體邊緣，并且所得的輪廓邊緣與真實的目標邊界差異較小。并在些基礎上，對所分割出的ROI序列的二維斷層圖像進行三維重建，重新還原出被檢測物體的三維圖像。重建后的三維模型“真實”地再現了組織或器官的結構和表面，并且可在重建模型上進行虛擬剖切，可以在不做真實手術的情況下方便地觀察到內部器官、組織或病變體的形狀、大小及空間位置，以便更好地進行診斷和治療。

1 PCNN與活動輪廓模型的結合

在活動輪廓模型進行圖像分割時，為了避免在輪廓點移動過程中誤認為個別的噪聲點為邊緣點，造成過度分割或欠分割，因此，可以使用脈沖神經網絡的抗干擾特性來判斷某像素點是否為噪聲點，使輪廓點形變到真實的對象邊緣。該算法如下:

(1)輸入區:我們把輪廓點的8鄰域的灰度值作為脈沖輸出的輸入，并設輪廓點的灰度值作為神經元的輸入項，則該神經元的連接輸入為:

(1)

(2)連接輸入區:設內部活動項的連接系數，則神經元的內部活動項為:

(2)

(3)脈沖輸出區:通過比較神經元的內部活動項與閾值門限值的大小來判斷當前點是否為噪聲點，如果時說明當前點為噪聲點，則輪廓點應該向其它領域繼續移動。否則當時則說明輪廓點已移動到了第次迭代時目標對象的邊緣。我們定義脈沖輸出函數為:

(3)

這里閾值門限值的值使用最大類間方差法來獲得，類間方差的計算公式為:，當取最大值時為最佳閾值，和分別是目標和背景占圖像總像素的比例，和分別是目標和背景的灰度均值，為圖像總的平均灰度值。

基于PCNN的活動輪廓模型的算法步驟:

(1)選取一個初始輪廓，使初始輪廓能夠完整包圍感興趣對象，并在其上設定幾個采樣點作為輪廓點;

(2)計算當前輪廓點位置的外部能量以及其周圍8鄰域的外部能量，比較大小使輪廓點向外部能量最小處移動;

(3)當輪廓點移動到某一最小外部能量點時，使用式(1.1)、式(1.2)及式(1.3)來判斷當前點是否為噪聲點，如果是噪聲點，則繼續搜索其余鄰域內的最小外部能量點，直到所找到的點不是噪聲點并且是最小外部能量點為止;

(4)當所選的輪廓點都到達其能量最小點時，該輪廓就是所求對象第次迭代時的邊緣。當循環迭代到設定的最大迭代次數時，活動輪廓曲線收斂于目標邊緣，完成圖像中目標對象的分割處理。

使用該算法分別對圖像序列中的腦瘤軟組織和膝蓋關節骨骼進行分割。分割結果及效果如圖1、圖2所示。

在這里，我們把基于PCNN的活動輪廓模型算法引入到半自動的醫學圖像序列分割中，我們采用基于交叉熵改進型PCNNN方法獲得了一張或多張切片的精確分割，并且利用基于PCNN的活動輪廓模型去分割鄰近的待分割切片。為了保證圖像自動分割結果的可靠性，用戶需要進行介入這個過程去及時修正。此外我們在活動輪廓的輪廓點中引入灰度模型來記錄切片中感興趣對象的區域特性并替換原活動輪廓的外部能量。該算法可在只需要很少的人工干預的情況下就能對醫學序列圖像的每個切片進行較準確的分割。根據圖1、2所示的分割結果可以看出，該分割方法能較好地把圖像序列中同一組織的結構分割出來。

2 基于ROI的Marching Cubes方法

基于ROI的MC方法的思想是首先將醫學圖像序列進行分割得到該圖像序列每張圖像切片的二值數據圖像，然后在分割結果基礎上采用MC算法構造等值面，并在表面跟蹤時，采用基于區域生長的體元檢測方法，最后將所得的等值面進行顯示。這樣不僅能在一定程度上避免醫學圖像的模糊性問題，而且也可以較快的重建圖像并得到較好的顯示效果。

(1)切片分割

圖像分割[2，3]是進行三維重建的基礎，不僅減少了三維重建的數據量，而且也可能把醫生感興趣的對象提取出來，并且好的分割效果也是高質量的三維重建結果的前提。

這里采用我們前面介紹的基于PCNN和活動輪廓模型的圖像序列分割算法，該方法可以對醫學圖像序列進行自動分割，并且分割準確度和結果可較好的滿足人們正常的需求。該方法的輸出結果是二值圖像數據，可作為MC算法的輸入來構造等值面。

(2)表面跟蹤

表面跟蹤是對三維數據場中的所有體元進行掃描，找出那些包含等值面的體元，從而提取出等值面。這里的等值面提取方法與傳統MC算法的基本相同，都使用15種基本體元的連接方式來構造索引狀態表，只是等值面與體元交點的計算方式有所不同。這里將體元邊上的中點作為等值面與體元的交點免去了線性插值計算。由于普遍的顯示設備的分辨率精度不高，并且用中點作為交點時的最大誤差為0.5個體元，對于數據集來說該誤差在向屏幕進行投影顯示時可忽略不計。

首先建立兩個查找表CubeTable(CTable)和NeighborTable(NTable)，CTable包括體元的256種連接方式索引及其所對應的三角面片的形式，NTable包括每種連接方式索引及其所對應的相鄰體元的狀態。接著建立一個隊列，用來記錄處理的體元，同時建立一個標志數組，標志數組都初始化為0，用來記錄該體元是否被處理(1表示已經處理過，0表示沒有處理過)。用戶首先在三維數據集上選定一個種子體元(體元中含有等值面)加到隊列中，并將其標志設為1。接著從隊列中取出一個體元，并判斷該體元的連接方式(該連接方式在0到255之間)，以此來確定該體元上哪條邊上有交點，并將交點及法向量計算出來加入三角面片數組。然后通過NTable來確定哪個相鄰體元將被繼續訪問，并將該體元(如果沒有被訪問過)加到隊列中，該體元標志更新為1。該算法循環執行直到隊列為空為止，這時等值面就被構造出來了[4]。

算法偽代碼如下:

設二元標志數組用來存儲體元的訪問狀態，(=0表示沒有被訪問過，=1表示被訪問過)。隊列用來存儲待處理的體元，數組用來存儲生成的三角面片。

初始化中所有元素的為0;

初始化隊列為空;

檢測數據集，選取一個體元，并且使所選體元的連接方式索引不為0，將其加入隊列中，并置;

從隊列取出體元;

置;

通過判斷的8個頂點的狀態計算體元的連接方式索引;

由查找表，得到該體元中的等值面的三角面片，同時計算三角面片的頂點和法向量并將該三角面片存放到數組;

通過查找表，把與體元有公共交點的相鄰體元放入隊列中;

輸出三角面片數組，構造由等值面構成的三維表面;

3 法向量的計算

這里用中心差分法獲得體素中心點的梯度值來代替體素的法向量，公式如所示:

(4)

(5)

(6)

(7)

其中，表示點的灰度值。

由于該算法使用PCNN分割算法對醫學圖像序列進行分割，去除了圖像中無關的部分，只把目標圖像區域作為MC算法的輸入。相比傳統MC算法，不但加快了重構的速度，而且最終的三維顯示效果也較好。采用種子生長的方式進行體元檢測，減少了無用體元的檢測時間，采用中點代替插值計算，用整數運算代替浮點運算，這兩方面的改進大大提高了三維的重建速度。

圖3、圖4分別是在采用PCNN活動輪廓模型對腦瘤組織和膝關節圖像序列自動分割的基礎上采用本算法進行三維重建后的效果圖。

4 結語

本文對醫學數字圖像的感興趣區域分割和三維重建兩個主要處理過程的算法進行深入研究和改進，將脈沖神經網絡(PCNN)較強的抗干擾性和活動輪廓模型自動的圖像序列分割方法進行有效結合，大大提高了圖像分割的速度和質量，為下一步的三維重建提供了較高質量的素材。在所得到的感興趣區域圖像序列基礎上，利用Marching Cubes重建算法對其進行快速的三維面繪制，得到對應器官的三維圖像。

雖然該算法可較好、較快地實現圖像的分割和重建，但不利于在實際的醫療環境中應用，所以基于三維空間的直接三維分割及其應用將是今后要研究課題。

參考文獻

[1]Zhang HM，Bian ZZ，Guo YM，Ye M.An efficient approach to extraction of region of interest[J].Journalof Software，2005，16(1):77～88.

[2] 朱峰.醫學圖像自動分割若干關鍵技術研究:[碩士學位論文].江蘇:江蘇大學，2006.

[3] LUO Xi-ping，TIAN Jie，LIN Yao.An Algorithm for Segmentation of Medical Image Series Based on Active Contour Model[J].Journal of Software，2002，13(6):1050～1058.

[4] N.Paragios，R.Deriche.Geodesic Active Regions and Level Set Methods for Motion Estimation andTracking[J].Computer Vision and Image Understanding，2005，97(3):259～282.

[5] 林瑤，田捷.醫學圖像分割方法綜述[J].模式識別與人工智能，2002，15(2):192～204.

[6]F.Y.Shih，S.Cheng.Adaptive Mathematical Morphology for Edge Linking[J].Information Sciences.2004，167(4):9～21.

[7]諸葛斌，馮煥清，周荷琴.表面重建中等值面的快速定位[J].生物醫學工程學雜志，2005，22(2):351～354.

[8] 唐澤圣等.三維數據場可視化[M].北京:清華大學出版社，1999.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文