本發(fā)明涉及圖像處理技術(shù)，具體涉及CT影像處理技術(shù)。

背景技術(shù)：

放射治療與手術(shù)和藥物治療一樣，已成為腫瘤治療的一個(gè)重要手段。三維放射治療計(jì)劃系統(tǒng)是放射治療產(chǎn)品中重要核心。計(jì)劃系統(tǒng)需要提供足夠好的勾畫(huà)工具，精確快速的勾畫(huà)出靶區(qū)及其周?chē)匾拿舾衅鞴?。目前，這部分工作還主要依靠醫(yī)生手動(dòng)進(jìn)行勾畫(huà)。但往往由于一個(gè)計(jì)劃需要勾畫(huà)的靶區(qū)及危及器官較多，使得這部分工作變得特別繁瑣，需要很長(zhǎng)時(shí)間的細(xì)致工作才能完成。因此，近些年來(lái)，無(wú)論是學(xué)術(shù)界或一些國(guó)際主流的計(jì)劃系統(tǒng)軟件，對(duì)于危及器官的自動(dòng)分割都非常關(guān)注。在各種器官組織中，脊髓是一個(gè)非常重要的敏感器官，在射線治療過(guò)程中要盡可能接受少的照射劑量。否則很容易引起無(wú)法預(yù)測(cè)的如麻痹等脊髓方面的神經(jīng)性并發(fā)癥。對(duì)于脊髓，目前主要還是一層一層圖像進(jìn)行手動(dòng)勾畫(huà)。盡管也有一些半自動(dòng)或全自動(dòng)方法的出現(xiàn)，但往往由于自動(dòng)提取整個(gè)識(shí)別過(guò)程過(guò)于復(fù)雜而使識(shí)別率較低，時(shí)間較長(zhǎng)，無(wú)法在臨床上得到很好的應(yīng)用和認(rèn)可。因此基于CT圖像的脊髓自動(dòng)勾畫(huà)在臨床應(yīng)用上有待進(jìn)一步完善。

參見(jiàn)圖1，目前脊髓自動(dòng)檢測(cè)過(guò)程主要分四個(gè)步驟：(1)找到體輪廓，(2)找到脊板，(3)找到椎管，(4)找到脊髓。這四個(gè)步驟是順序的，且后一步依賴(lài)前一步，所以準(zhǔn)確率是乘積關(guān)系。由于第2步檢測(cè)率一般較低，且總檢測(cè)率是四個(gè)步驟乘積，從而造成最后的檢測(cè)率偏低；而且由于第2步和第3步較復(fù)雜，造成整個(gè)自動(dòng)檢測(cè)過(guò)程耗時(shí)較長(zhǎng)。

由于脊髓的自動(dòng)提取通常的辦法是先提取脊髓外圍的脊椎管等骨結(jié)構(gòu)，然后基于外圍的脊椎管等骨結(jié)構(gòu)的輪廓及M.Held及D.T.Lee等人提供的類(lèi)似方法進(jìn)行脊髓檢測(cè)。但由于脊髓外圍的脊椎管等骨結(jié)構(gòu)自動(dòng)檢測(cè)過(guò)程較復(fù)雜，步驟較多，往往檢測(cè)率較低，脊椎管的檢測(cè)率只有85％左右，脊髓的自動(dòng)檢測(cè)與其是依賴(lài)關(guān)系，從而造成脊髓的檢測(cè)率降低。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有脊髓自動(dòng)檢測(cè)方案存在檢測(cè)率低、耗時(shí)長(zhǎng)等問(wèn)題，需要一種高效的脊髓自動(dòng)檢測(cè)方案。

為此，本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于知識(shí)的脊髓自動(dòng)提取方法，提高脊髓自動(dòng)檢測(cè)的檢測(cè)率。

為了達(dá)到上述目的，本發(fā)明提供的基于知識(shí)的脊髓自動(dòng)提取方法，包括：

確定軀干輪廓；

確定脊髓概率區(qū)，首先基于脊構(gòu)模型找到脊髓內(nèi)的區(qū)域增長(zhǎng)點(diǎn)，然后基于區(qū)域增長(zhǎng)點(diǎn)得到脊髓概率區(qū)；

在脊髓概率區(qū)檢測(cè)脊髓。

在本方法中，通過(guò)如下步驟確定軀干輪廓：

(1)計(jì)算CT圖像內(nèi)象素點(diǎn)對(duì)應(yīng)的梯度；

(2)由圖像中心列第一行象素開(kāi)始搜索，沿列方向找到第一個(gè)梯度大于閾值ε的象素點(diǎn)，閾值ε用以確定圖像內(nèi)軀干的邊界點(diǎn)象素；

(3)從步驟(2)找到的象素點(diǎn)開(kāi)始，沿順時(shí)針?lè)较蛩阉魈荻却笥陂撝郸诺南笏攸c(diǎn)，直到第一個(gè)點(diǎn)。

在本方案中，通過(guò)如下步驟確定脊髓概率區(qū)：

(1)確定脊髓內(nèi)一點(diǎn)檢測(cè)區(qū)域；

(2)基于脊構(gòu)模型檢測(cè)脊髓內(nèi)一點(diǎn)，作為區(qū)域增長(zhǎng)點(diǎn)；

(3)基于步驟(2)檢測(cè)的一點(diǎn)進(jìn)行增長(zhǎng)得到脊髓概率區(qū)。

在本方案中，所述步驟(1)中首先根據(jù)軀干輪廓確定軀干包圍盒；然后再根據(jù)包圍盒及中軸線確定脊髓內(nèi)一點(diǎn)檢測(cè)區(qū)域。

在本方案中，所述脊構(gòu)模型基于脊髓及其周?chē)@的脊椎骨結(jié)構(gòu)特征知識(shí)構(gòu)成。進(jìn)一步的，所述脊構(gòu)模型包括4個(gè)基本形狀單元：E0、E1、E2及E3，基本形狀單元E0、E1、E2及E3用于表征脊構(gòu)模型的特征。

在本方案中，所述步驟(2)中在脊髓內(nèi)一點(diǎn)檢測(cè)區(qū)域移動(dòng)脊構(gòu)模型中E0單元中心，直至E0單元中心滿足脊構(gòu)模型屬性特征要求，此時(shí)E0單元中心對(duì)應(yīng)的點(diǎn)即為脊髓內(nèi)一點(diǎn)。

在本方案中，所述步驟(3)中基于檢測(cè)到的脊髓內(nèi)一點(diǎn)及脊髓的CT值范圍在脊髓概率區(qū)限定區(qū)域內(nèi)進(jìn)行區(qū)域增長(zhǎng)，得到的區(qū)域即為脊髓概率區(qū)。

在本方案中，通過(guò)搜索脊髓概率區(qū)邊界的內(nèi)接最大圓來(lái)檢測(cè)脊髓。

在本方案中，通過(guò)如下步驟來(lái)檢測(cè)脊髓：

在人體脊髓半徑實(shí)際尺寸范圍內(nèi)，按半徑實(shí)際尺寸由大到小依次定義不同半徑的搜索圓模板；

然后按半徑尺寸由大到小在脊髓概率區(qū)內(nèi)移動(dòng)搜索圓模板中心，首先滿足搜索圓內(nèi)包含的點(diǎn)均屬于脊髓概率區(qū)象素的圓即為檢測(cè)的目標(biāo)圓；如果沒(méi)有檢測(cè)到目標(biāo)圓，則移動(dòng)半徑最小的模板圓中心，圓內(nèi)包含的點(diǎn)屬于脊髓概率區(qū)象素最多的圓做為目標(biāo)圓。

本發(fā)明提供的方案首先基于脊構(gòu)模型直接找到脊髓的區(qū)域增長(zhǎng)點(diǎn)，然后得到脊髓概率區(qū)，整個(gè)脊髓自動(dòng)提取過(guò)程步驟少，檢測(cè)率高，且由于脊髓概率區(qū)是基于脊髓屬性特征進(jìn)行區(qū)域增長(zhǎng)得到的，所以基于此區(qū)域得到的脊髓更精確。

同時(shí)，本方案實(shí)現(xiàn)脊髓的自動(dòng)提取，實(shí)際應(yīng)用中能夠避免臨床放療醫(yī)師進(jìn)行手動(dòng)勾畫(huà)的繁瑣工作，同時(shí)也降低了勾畫(huà)結(jié)果對(duì)放療醫(yī)師技術(shù)水平的依賴(lài)，在臨床放射治療領(lǐng)域具有重要意義。

附圖說(shuō)明

以下結(jié)合附圖和具體實(shí)施方式來(lái)進(jìn)一步說(shuō)明本發(fā)明。

圖1為現(xiàn)有脊髓自動(dòng)檢測(cè)示意圖；

圖2為本發(fā)明實(shí)例中脊髓檢測(cè)的流程圖；

圖3為本發(fā)明實(shí)例中脊髓檢測(cè)的示意圖；

圖4為本發(fā)明實(shí)例中脊髓概率區(qū)檢測(cè)示意圖；

圖5為本發(fā)明實(shí)例中構(gòu)模型示意圖；

圖6為本發(fā)明實(shí)例中脊構(gòu)模型適配圖；

圖7為本發(fā)明實(shí)例中增長(zhǎng)得到的脊髓概率區(qū)效果圖；

圖8為本發(fā)明實(shí)例中檢測(cè)到的脊髓的效果圖。

具體實(shí)施方式

為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合具體圖示，進(jìn)一步闡述本發(fā)明。

本實(shí)例提供的脊髓自動(dòng)提取方案，基于CT影像人體結(jié)構(gòu)的特征知識(shí)，在檢測(cè)脊髓概率區(qū)中，基于脊髓及其周?chē)Y(jié)構(gòu)的特征知識(shí)，建立相應(yīng)的特征模型(即脊構(gòu)模型)進(jìn)行脊髓內(nèi)一點(diǎn)的檢測(cè)，并基于該點(diǎn)進(jìn)行區(qū)域增長(zhǎng)得到脊髓概率區(qū)，進(jìn)而在脊髓概率區(qū)內(nèi)實(shí)現(xiàn)脊髓的檢測(cè)。

在此原理下，本實(shí)例可通過(guò)建立結(jié)構(gòu)和程序兩種知識(shí)模型來(lái)實(shí)現(xiàn)對(duì)于脊髓的自動(dòng)提取。

其中，結(jié)構(gòu)知識(shí)模型：主要是對(duì)脊髓及脊髓自動(dòng)提取涉及到的組織器官的定義，包括形狀，位置，CT值范圍等屬性及各組織器官之間的聯(lián)系。

而程序知識(shí)模型：主要用于脊髓自動(dòng)提取子任務(wù)的分解及流程控制。

基于知識(shí)模型，本實(shí)例方案中將脊髓的自動(dòng)提取過(guò)程分解成以下三個(gè)關(guān)鍵步驟(參見(jiàn)圖2)：

1.確定軀干輪廓。

2.確定脊髓概率區(qū)，其基于脊髓及其周?chē)Y(jié)構(gòu)的特征知識(shí)，建立相應(yīng)的特征模型(即脊構(gòu)模型)進(jìn)行脊髓內(nèi)一點(diǎn)的檢測(cè)，并基于該點(diǎn)進(jìn)行區(qū)域增長(zhǎng)得到脊髓概率區(qū)。

3.在脊髓概率區(qū)檢測(cè)脊髓。

參見(jiàn)圖3，其所示為脊髓檢測(cè)的示意圖，其中圖中區(qū)域(1)對(duì)應(yīng)步驟1中的軀干輪廓，區(qū)域(2)對(duì)應(yīng)步驟2中的脊髓概率區(qū)，區(qū)域(3)對(duì)應(yīng)步驟3中的脊髓。

由此可知，本脊髓檢測(cè)提取方案中的三個(gè)關(guān)鍵步驟中對(duì)應(yīng)的區(qū)域存在依賴(lài)關(guān)系，其中軀干輪廓是脊髓概率區(qū)的參考對(duì)象，而脊髓概率區(qū)又是脊髓的參考對(duì)象。因此，需要三個(gè)步驟是有時(shí)間先后順序的。具體，先檢測(cè)軀干輪廓，然后，基于脊髓及脊髓與軀干之間的聯(lián)系確定脊髓概率區(qū)，最后在脊髓概率區(qū)內(nèi)，基于脊髓的知識(shí)模型搜索到脊髓。

針對(duì)上述方案，以下具體說(shuō)明一下其實(shí)現(xiàn)過(guò)程(參見(jiàn)圖2)。

步驟(一)軀干輪廓檢測(cè)，即確定軀干輪廓。

由于掃描過(guò)程中CT設(shè)備的床板為平的炭纖維板，所以在用于放射治療的CT圖像中，軀干皮膚部分與外圍CT值差別非常明顯。因此，圖像內(nèi)軀干的邊界點(diǎn)象素的應(yīng)大于某一特定值ε，故本實(shí)例通過(guò)對(duì)軀干及空氣CT值的直方圖分析來(lái)確定具體ε值，以并該ε值來(lái)確定圖像內(nèi)軀干的邊界點(diǎn)象素。

據(jù)此，本實(shí)例針對(duì)CT圖像進(jìn)行軀干輪廓檢測(cè)的實(shí)現(xiàn)過(guò)程如下：

(1)計(jì)算圖像內(nèi)象素點(diǎn)對(duì)應(yīng)的梯度。

(2)由圖像中心列第一行象素開(kāi)始搜索，沿列方向找到第一個(gè)梯度大于ε的象素點(diǎn)。

(3)從步驟(2)搜索到的第一個(gè)梯度大于ε的象素點(diǎn)開(kāi)始，沿順時(shí)針?lè)较蛩阉魈荻却笥讦诺南笏攸c(diǎn)，直到第一個(gè)點(diǎn)。

基于搜索到的像素點(diǎn)即可確定軀干輪廓(如圖3所示)。同時(shí)，由此提取的軀干輪廓為提高軀干輪廓的檢測(cè)率提供了相應(yīng)的空間。

步驟(二)確定脊髓概率區(qū)。

在脊髓自動(dòng)提取方案中，確定脊髓概率區(qū)是最為關(guān)鍵的一步，本方案具體基于脊髓及其周?chē)@的脊椎骨結(jié)構(gòu)特征知識(shí)，構(gòu)建相應(yīng)的結(jié)構(gòu)模型用于檢測(cè)脊髓內(nèi)一點(diǎn)，并基于該點(diǎn)進(jìn)行增長(zhǎng)得到脊髓概率區(qū)。

據(jù)此，本實(shí)例方案中進(jìn)行脊髓概率區(qū)檢測(cè)具體分如下三個(gè)步驟(參見(jiàn)圖4)：

(1)確定脊髓內(nèi)一點(diǎn)檢測(cè)區(qū)域。

(2)檢測(cè)脊髓內(nèi)一點(diǎn)。

(3)確定脊髓概率區(qū)。

其中，脊髓內(nèi)一點(diǎn)檢測(cè)區(qū)域主要根據(jù)軀干輪廓進(jìn)行確定。首先，根據(jù)軀干輪廓確定軀干包圍盒(見(jiàn)圖3)；然后再根據(jù)包圍盒及中軸線確定脊髓內(nèi)一點(diǎn)檢測(cè)區(qū)域，見(jiàn)圖4中的方形區(qū)域，圖中標(biāo)定的距離應(yīng)確保脊髓內(nèi)的某一點(diǎn)在該區(qū)域內(nèi)。

脊髓內(nèi)一點(diǎn)檢測(cè)即為找到一個(gè)象素，使這個(gè)象素屬于脊髓內(nèi)的某一點(diǎn)，以便基于該點(diǎn)進(jìn)行脊髓概率區(qū)的增長(zhǎng)。

為了進(jìn)行檢測(cè)脊髓內(nèi)的某一點(diǎn)，本實(shí)例基于脊髓及其周?chē)@的脊椎骨結(jié)構(gòu)特征知識(shí)構(gòu)建相應(yīng)的“脊構(gòu)模型”，并以此在脊髓內(nèi)一點(diǎn)檢測(cè)區(qū)域內(nèi)進(jìn)行脊髓內(nèi)一點(diǎn)的檢測(cè)。

參見(jiàn)圖5，該脊構(gòu)模型包含4個(gè)基本形狀單元，E0、E1、E2及E3。這四個(gè)基本形狀單元E0、E1、E2及E3用于表征脊構(gòu)模型的特征，如均值，方差等。

基于知識(shí)，本實(shí)例選擇三角形及圓形或兩種形狀的組合作為模型的基本形狀單元。由此可保證模型的通用性及實(shí)現(xiàn)的可操作性。

再者，該脊構(gòu)模型中E0單元的CT值具有三個(gè)屬性，標(biāo)準(zhǔn)差、最小值和最大值。E1、E2及E3單元的CT值具有兩個(gè)屬性，最小值和最大值。

另外，脊構(gòu)模型中E0、E1、E2及E3單元的屬性值可基于臨床上各單元所在區(qū)域組織的CT值范圍得到，也可通過(guò)在CT圖像上手動(dòng)移動(dòng)模型，統(tǒng)計(jì)相關(guān)屬性值得到。

參見(jiàn)圖6，其所示為包含脊髓的胸、腹、髖部位的CT斷層圖像典型的脊柱結(jié)構(gòu)圖。從圖中可以看出，本脊構(gòu)模型能夠很好的適配了脊髓在各種CT斷層圖像中的結(jié)構(gòu)。

基于上述的脊構(gòu)模型進(jìn)行脊髓內(nèi)一點(diǎn)的檢測(cè)時(shí)，在脊髓內(nèi)一點(diǎn)檢測(cè)區(qū)域移動(dòng)脊構(gòu)模型中E0單元中心，直至E0單元中心滿足脊構(gòu)模型屬性特征要求，此時(shí)E0單元中心對(duì)應(yīng)的點(diǎn)即為脊髓內(nèi)一點(diǎn)。

由此檢測(cè)到的脊髓內(nèi)一點(diǎn)可保證該點(diǎn)是脊髓內(nèi)的某一點(diǎn)。在此基礎(chǔ)上，為了確定脊髓圓心的具體位置及大小，還需要基于該點(diǎn)確定脊髓概率區(qū)。

在確定脊髓概率區(qū)時(shí)，首先需要確定脊髓概率區(qū)的范圍。鑒于脊髓斷面自身尺寸大小，脊髓中心一定在以檢測(cè)到的脊髓內(nèi)一點(diǎn)為中心邊長(zhǎng)為4厘米的正方形區(qū)域內(nèi)。

為此，本實(shí)例為該方形區(qū)域作為脊髓概率區(qū)限定區(qū)域，并基于檢測(cè)到的脊髓內(nèi)一點(diǎn)及脊髓的CT值范圍(即同脊構(gòu)模型E0單元的屬性)在該正方形區(qū)域內(nèi)進(jìn)行區(qū)域增長(zhǎng)，得到的區(qū)域即為脊髓概率區(qū)。作為舉例，如圖7所示，圖中方形區(qū)域是脊髓概率區(qū)限定區(qū)域，十字線是脊髓內(nèi)一點(diǎn)，而方形區(qū)域內(nèi)的不規(guī)則區(qū)域則是脊髓概率區(qū)。

步驟(三)脊髓檢測(cè)。

脊髓概率區(qū)確定以后，由于該區(qū)域是基于脊髓知識(shí)模型屬性增長(zhǎng)得到的，則脊髓是該區(qū)域的子集?；诜派渲委熍R床上脊髓勾畫(huà)原則，自動(dòng)檢測(cè)脊髓定義為脊骨形成的腔體的內(nèi)接最大圓，由此，本實(shí)例中通過(guò)搜索脊髓概率區(qū)邊界的內(nèi)接最大圓來(lái)完成脊髓檢測(cè)。

由于脊髓概率區(qū)搜索區(qū)域較小，脊髓半徑也有一定范圍，本實(shí)例具體采用了如下方法：

首先，在人體脊髓半徑實(shí)際尺寸范圍內(nèi)，按半徑實(shí)際尺寸由大到小依次定義不同半徑的搜索圓模板；

然后按半徑尺寸由大到小在脊髓概率區(qū)內(nèi)移動(dòng)搜索圓模板中心，首先滿足搜索圓內(nèi)包含的點(diǎn)均屬于脊髓概率區(qū)象素的圓即為檢測(cè)的目標(biāo)圓；如果沒(méi)有檢測(cè)到目標(biāo)圓，則移動(dòng)半徑最小的模板圓中心，圓內(nèi)包含的點(diǎn)屬于脊髓概率區(qū)象素最多的圓做為目標(biāo)圓。

在具體實(shí)現(xiàn)時(shí)，為了確保可以檢測(cè)到目標(biāo)，優(yōu)選脊髓半徑實(shí)際尺寸范圍為0.5cm～2.0cm；而搜索圓模板半徑基于象素實(shí)際尺寸p_s進(jìn)行離散。具體取法為，最大模板半徑2.0cm，然后按公式(1)依次遞減：

r_n+1＝r_n-p_s-0.000001 (1)

其中r最大值為2cm，最小值為按公式(1)得到的遞減序列中小于0.5cm的最大值。

另外，本實(shí)例提供的最大圓檢測(cè)方案在實(shí)際應(yīng)用時(shí)，將不受邊界形狀的限制，能夠準(zhǔn)確的找到目標(biāo)。作為舉例，如圖8所示，其圖中的圓即是對(duì)應(yīng)圖7在脊髓概率區(qū)內(nèi)檢測(cè)到的最大圓，也就是脊髓。

由上可知，相對(duì)于現(xiàn)有脊髓自動(dòng)提取方案通常先提取脊髓外圍的脊椎管等骨結(jié)構(gòu)，然后基于外圍的脊椎管等骨結(jié)構(gòu)的輪廓進(jìn)行脊髓檢測(cè)；本實(shí)例方案采用相反的策略，即首先基于脊構(gòu)模型直接找到脊髓的區(qū)域增長(zhǎng)點(diǎn)，然后得到脊髓概率區(qū)，由此不僅減少步驟，還提高檢測(cè)率；而且由于脊髓概率區(qū)是基于脊髓屬性特征進(jìn)行區(qū)域增長(zhǎng)得到的，所以基于此區(qū)域得到的脊髓更精確。

以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是說(shuō)明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書(shū)及其等效物界定。