[发明专利]基于人体解剖结构相似性的医学图像压缩方法

说明书

本发明涉及一种基于人体解剖结构相似性的医学图像压缩算法，本发明将传统的基于强度的分割算法与解剖学的知识结合起来，对腹部CT数据集中的特定的器官进行分割。首先基于当前数据集的先验解剖学知识获得每个器官的候选区域，然后在该候选区域中使用基于密度的方法来精确提取器官的数据。本发明利用器官在身体中的相对位置，可应用于不同患者尺寸的图像。其次，以渐进方式执行这个分割技术，先大致定义候选区的，然后使用基于密度的分割方法精炼目标区域，这种方法使得分割精度更加理想。本发明可以用于在医学图像中分割单个器官，并且可以适应于不同患者之间的解剖变异性，有助于减少分段误差，最终有助于改进后续的压缩操作。

技术领域

本发明涉及计算机应用技术领域，尤其是数字图像处理领域。

背景技术

医学成像技术在现代临床医学中起到不可或缺的作用，是医生诊断病情的重要依据。但是，随着医学成像设备分辨率的提高，所获取的图像产生庞大的数据量给图像存储与实时传输带来了巨大的压力。因此寻求一种有效的压缩算法是非常有必要的，该技术的难度在于将图像进行压缩的同时，要保持较好的画质。

大多数医学图像是三维图像序列，不仅存在片内相关性，同时片间存在较强的相关性，片数越多，相关性越强。医学图像的这种特性决定了医学图像的压缩与普通图像压缩的不同，医学图像压缩主要采用有损压缩和无损压缩来降低或者去除图像的相关性。

使用有损压缩技术来提高传输速度并节省空间，在给定目标码率条件下，重建图像与原始图像之间在均方误差意义上应该非常接近，但是有损压缩为了可以产生较高的压缩比，将不可避免地给医学图像带来一定程度的降质，可能导致关键诊断信息的丢失。

无损压缩主要采用预测编码或者变换编码的方法。预测编码是医学图像领域中使用的最早的压缩技术之一，该压缩技术的关键挑战之一是生成准确的预测模型，目前主要的预测模型有基于JPEG的预测模型，基于上下文自适应预测模型和基于最小二乘法的自适应预测模型。

JPEG-LS在静止图像无损压缩中获得较好的效果，其性能甚至超过了 JPEG2000无损压缩，但它只是针对单幅图像压缩，无法利用图像的帧间相关性。基于JPEG的预测技术计算成本较低，但是由于JPEG预测结果不能很好地适应特定图像上下文，因此它用于压缩复杂图像时性能较差。

基于上下文自适应的无损压缩算法，可以在当前像素附近点的强度梯度有显著变化的时候，切换不同的子预测器，在像素上下左右前后6个方向使用最佳子预测器执行去相关操作。该技术比基于JPEG的预测技术需要更长的编码和解码时间，此外，预测模型的参数(切换阈值和预测器系数) 是实验预定义的，不能基于被压缩图像的局部数据特性进行适应性的改变，降低了去相关性能。

基于最小二乘法的自适应方法已经证明了对基于上下文的自适应预测方案有了显著地改进，该技术通过局部优化预测系数来更新模型，以产生准确的预测值，这些优化系数通常通过最小均方原理计算。尽管基于最小二乘法的自适应方法在编码和解码阶段期间能够自适应地更新预测模型，但是仍然存在于最小二乘法的自适应方法的另一种方式，它基于头信息，通过解码直接生成预测模型，在解码阶段中消除繁重的计算，提供给一个快速解码的方法。

变换编码是医学领域中压缩技术的另一个重要类别，大多数研究集中在变换阶段的小波变换中，它相对于其他类型的变换，在时域和频域二者中的去相关和定位方面的性能比较优越。但是小波变换压缩方法要得到进一步的拓展，应在与人眼视觉特性的结合上下工夫，提高图像质量，提高压缩比，并与其他压缩方法的优势相结合。

医学图像具有不同于一般图像的特征，例如由于部分体积效应(PVE) 现象导致的弱边缘，边界上的像素由于具有周围所有像素的平均值，导致边界区域“模糊”，因此一般的预测方法不适合直接应用与医学图像的压缩，此外，考虑到医学图像数据具有的特性，即双侧解剖对称性和跨不同患者的结构解剖结构相似性，因此提出一个为医学图像定制的压缩算法是非常有必要的。

发明内容