[发明专利]基于人体解剖结构相似性的医学图像压缩方法

摘要

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。

主权项

一种基于人体解剖结构相似性的医学图像压缩算法，包括：步骤1，获取CTC数据集；步骤2，利用密度和解剖特征识别CTC数据集上特定的解剖区域，进行分割，完成数据集的预处理阶段，具体包括：步骤2.1，识别扫描区域外的四个区域，即图像四个角落中具有‑1024H的恒定密度的区域；从四个角点开始使用种子区域生长算法，然后通过简单地记录存储这些区域参数来表示区域之间的边界和实际扫描数据；步骤2.2，对不同解剖区域进行分类，根据不同的密度值，将CTC数据集划分为9个主要类别，骨骼区域，软组织区域、空气区域、PVE区域、脂肪组织区域桌子区域、未定义区域和患者身外的空气区域；步骤2.3，提取了整个身体和扫描区域以外的部分之后，基于它们的位置和本质特征将图像中的剩余像素分配给预定义类别中的一个；对图像进行直方图阈值处理，通过阈值将图像粗略分割为不同的区域；然后在这些区域应用基于密度的分割以避免错误分割；步骤2.4，CTC数据集中的各个器官被区分开来了以后，使用基于它们的密度特征和先前的分割结果来识别骨，骨PVE，结肠，结肠PVE，身体PVE，衣服，桌子和外部空气区域，这些分割区域用于提供有用的信息来指导随后的分割过程，提取特定器官；使用基于密度和解剖特征的组合的分割来实现；在器官分割完成之后，身体区域内的剩余体素基于它们的密度特征被分配给脂肪组织或瘦肉组织；步骤3，基于步骤2中的分割结果，随后生成针对每一个特定解剖区域优化的一系列预测器，然后将这些优化的预测器组成的自适应预测模型应用于整个数据集；步骤3.1，选择线性预测模型，P＝β0+β1x1+β2x2+…+βNxN，其中P为预测值，β0、β1…βN是预测模型的系数，对于软组织，空气和脂肪组织区域，N为58，而对于骨区域N为96；每个像素的优化系数可以通过最小均方原理计算，该过程在每个分割区域上重复；步骤3.2，在XZ平面，为法线定义8个离散取向：0°、45°、90°、135°、180°、225°、270°、315°；如果实际角度不等于这8个角度中的一个，则将其量化为最接近的角度，为了避免在45°，135°，225°，和315°的像素缩放，为这些方向上的法线开发附加模板；步骤3.3，确定了法线后，则基于立方体模板生成每个方向的预测值；在基于边缘的预测器中使用5个像素的模板大小，以便达到进度最大化，复杂度最小化；边缘区域的自适应模型是：M＝{A,P{PT1，PT2，PT3，PT4}}，其中A是特定角度，P是相应的预测因子；T1，T2,T3,T4是初始模板位置，使用旋转和平移生成其他模板；步骤4，使用自适应预测模型进行去相关后，将轮廓码，预测器参数和残差数据发送到熵编码器；最终压缩文件包含头部和主体两部分；该文件的头部包含轮廓码，预测器参数，体素大小，切片数目和边界的参数，文件的主体包含残差数据。