[发明专利]一种3D CT图像中骨组织的移除方法及系统

说明书

技术领域

本发明属于目标检索及提取技术领域，具体涉及一种3D CT图像中骨组织的移除方法及系统。本发明用于对CT影像设备所采集的3D CT数据进行自动骨组织的提取及移除。

背景技术

相对于X射线影像，CT(计算机断层成像)能为医生提供关于目标器官完整的、高分辨的3D信息，其在目前已经成为临床观测的一个重要工具。随着数字化临床技术的发展，有效的计算机辅助诊断及决策系统对医生合理及快速诊断及诊疗方案的制定具有重要意义。在诸多应用中，对不同的器官进行提取及分割是对CT图像进行精确解译的一个重要步骤。大量的基于像素、边界及子区域的分割及分类方法可以被用于3D CT图像数据得到可接受的分割结果，如阈值(thresholding)，分水岭(watershed)、区域生长(region growing)、图切(graph-cut)、水平集(level-set)方法等。但通常情况下，3D CT图像数据规模交大，如腹部CT序列通常大于300(含有不少于512*512*300的像素数)，这给数据在计算机中的存储及处理带来一定负担。同时，各种不同的成像因素，如放射剂量，CT图像的重构方法，扫描的层厚等，会对最终的CT图像引入大量的伪影及噪声，这也会使各种解译方法的使用带来一定的难度。

在通过CT数据对心脏和血管的可视化及病理变化研究中，准确及快速的骨组织分割及提取是计算机辅助医学工程中一个非常重要的研究课题。与其他器官的提取及分类不同的是，由于骨组织具有复杂的结构及位置，因此利用简单的机器学习方法对CT数据逐层进行自动骨提取是非常困难的。由于在CT成像中，骨组织比其他的软组织具有较高的CT值，因此阈值方法通常被广泛引用提取骨组织。虽然阈值类方法比较简单且易于实现，但通过一个CT值对骨头组织及软组织进行分类是不合理的，特别是对于血管壁和骨头组织，他们都具有相近的CT值。相对于基于像素的处理方法，基于过分割子区域的处理方法具有一定的优势，特别是在实际的应用系统中，其拥有比基于像素的处理方法更小的存储的计算代价，但该类方法对图像的噪声极为敏感，同时对细小的及具有低对比度的骨结构的检测能力有限。通过将分割问题建模为一个能量最小化过程，形变模型可以精确提取对应目标的边界，特别是对于部分软组织，如肾脏，心脏，肺部等，但对于部分具有非匀质及扩散性边界的骨区域来说(如盆骨及股骨区域)，该类方法对边界的定位及提取仍不能达到较为满意的结果。同时，形变模型对初始化过程较为敏感，较差的初始化方法会使得对该模型的求解陷入局部最优值。 除了上面所提到的各种方法用于骨组织提取之外，统计形状类方法通过大量标记数据对待提取的目标的平均形状进行学习。统计形状类方法能有效抑制成像过程中所产生的伪影及噪声的影响，但提取性能受所学的平均形状的精确性的影响，同时，对骨组织数据来说，形状的标记及训练过程需要极大的人力及时间代价。

发明内容

针对上述现有技术中存在的缺陷与不足，本发明的一个目的在于，提供一种3D CT图像中骨组织的移除方法及系统。

为了实现上述目的，本发明采用如下技术方案予以解决：

一种3D CT图像中骨组织的移除方法，具体包括如下步骤：

步骤1：读取3D CT图像数据序列，利用聚类法对其进行划分，并对划分后得到的类作为超体素进行标号；

步骤2：对步骤1得到的每个标号后的超体素分别从超体素级、像素级和超体素邻域关系级进行描述，得到对每个超体素进行描述的特征向量；

步骤3：构造超体素训练集，利用其中的超体素对应的特征向量对分类器进行训练，然后用训练后的分类器对步骤1得到的超体素进行分类并标记类别；

步骤4：依据步骤3中所得到的超体素标记值y，如果某一超体素被标记为骨组织，则从原始CT数据中对其进行移除，否则保留。

进一步的，所述步骤1的具体步骤如下：