辐照场识别的制作方法

本发明涉及提取由数字信号表示所表示的X射线图像中的辐照场区的方法。

背景技术：

在数字射线照相术中，不透X射线的材料被用来保护受验者免于不必要地暴露于X射线，从而限制辐射散射以及获得记录介质(如，可受刺激荧光片)上的多个辐照场。当在显示装置上显示图像时，辐照场外侧的区域将具有高亮度。强光将对诊断的效率和精确度具有负面影响。

因此，对辐照场以及所描绘的辐照场外侧的区域的黑化的自动识别是数字射线照相术图像的图像处理的重要部分。

现有技术是基于边缘的。在数字灰度图像中搜索构成辐照场与不透X射线的材料的阴影之间的边界的像素。这些像素组合成候选线段，从而获得辐照场的正确描绘。对照通常为局部图像特点的规则组来评估候选线段。跟随用于该辐照场识别的这一总体构想的专利为EP 0610605。基于该构想的另一专利为US 5901240。

这些基于边缘的途径在图像中几乎不可辨别出边缘的情况下可能失效。这是针对具有高散射辐射的图像的情况。在这些图像中，辐照场与不透X射线的材料的阴影之间的过渡不是边缘，而是逐渐的过渡带。

可引起基于边缘的途径失效的另一种类的图像为辐照场与不透X射线的材料的阴影之间的具有很低对比度的低剂量图像。示例为侧鼻图像，在该图像中，头颅的密质骨与不透X射线的材料的阴影之间的过渡具有较低的对比度。

本发明的一个方面在于提供克服上述缺点的用于提取X射线图像中的辐照场的方法。

技术实现要素：

以上提到的方面由权利要求1中陈述的方法来实现。从属权利要求中陈述了本发明的优选实施例的具体特征。

本发明涉及一种识别数字X射线图像中的辐照场的基于区域的方法，基于区域的在某种意义上为由图像的分割图而不是直接由灰度图像计算候选辐照场边界。

所提出的方法是一种3步骤过程。第一步骤为获得图像成为多个区域的精确分割。

第二步骤为将线段拟合到区域边界，由此使线段为候选的辐照场边界，且构成新的分割图。

第三步骤为使用局部的和/或区域的和/或总体的图像特点来在新的分割图中识别与辐照场相对应的区域。

本发明的方法大体上以当在计算机上运行时适于执行本发明的方法步骤的计算机程序产品的形式来实现。计算机程序产品通常存储在计算机的可读载体介质如DVD中。作为备选，计算机程序产品采取电信号的形式，且可通过电通信传输给用户。

本发明的其它优点和实施例将从以下描述和附图中变得明显。

附图说明

图1示出了在左侧的辐照场与在右侧的准直区域之间的过渡带的灰度像素分布，

图2示出了图1中示出的分布的梯度大小，

图3示出了图2中示出的梯度大小的梯度，

图4示出了所计算的图1中示出的分布的不同之点的量度，

图5为示例性数据集，

图6示出了图5中示出的示例数据集的分级聚类树，

图7示出了直线的参数化方程，

图8为边界框的示意，

图9示意了多个辐照场的情况。

具体实施方式

所提出的方法是一种3步骤过程。第一步骤是获得图像成为多个区域的精确分割。

第二步骤是将线段拟合到区域边界，由此线段成为候选的辐照场边界并构成新的分割图。

第三步骤是使用局部的、区域的和全局的图像特点在该分割图中识别对应于辐照场的区域。

分割

在所描述的实施例中，图像成为多个区域的分割涉及多标度分水岭技术和聚类技术。

多标度分水岭技术相比于标准分水岭技术具有一些优点。

多标度分水岭技术相比于基本分水岭技术具有更好的边缘焦点，在基本分水岭技术中，模糊影响被分割对象的形状。

多标度分水岭技术不提供完整分割，但提供成为尺寸变化的区域的粗略分割，所述尺寸变化的区域可形成用于先进的、更专门的分割过程的建构块。

在ISBN 1-4020-1502-8，由Bart M. ter Haar Romeny所作的" Front-End Vision and Multi-Scale Image Analysis"中可找到多标度分水岭分割的详细描述。

该多标度分水岭分割需要关于标度空间的不同之点的量度。

在特定标度处的不同之点的量度的简单定义是使用1阶高斯导数计算的且被平方的梯度大小。

将1阶和2阶高斯导数结果组合对于具有相对高的散射的辐射且因此具有较差的边缘清晰度以及具有辐照场与不透X射线的材料的阴影之间的相对宽的过渡带的图像而言，是更好的边缘聚焦，其中该不透X射线的材料的阴影也被称为准直区域。

已平方的梯度大小与L_ww的省略版本相组合，L_ww是梯度在梯度方向的去导数。L_ww的局部最大值和最小值指出了最大的梯度变化。

L_ww可由1阶和2阶高斯导数按照如下形式计算：

主要关注的是最接近不透X射线的准直材料的阴影的局部极值。由于平均来说不透X射线的材料的阴影相比于辐照场的灰度像素值通常具有较高的灰度像素值，故仅局部最小值必须被保留。

不同之点Diss的量度由已平方的梯度大小以及L_ww按照如下形式计算：

图1示出了在左侧的辐照场与在右侧的准直区域之间的过渡带的灰度像素分布。图2示出了图1中示出的分布的梯度大小。图3示出了图2中示出的梯度大小的梯度。图4示出了对于图1中示出的分布所计算的不同之点的量度。相似度的量度具有与靠近准直区域的最大梯度变化对应的最大值。

在该实施例中，多标度风水岭分割优选地限于相当精密的标度，关于较粗的标度，模糊效应可除去重要的低对比度边缘。

通过多标度分水岭技术的分割的结果是多个小区域的图。这些小区域可被组合或聚类，从而获得改善的以及更加精确的图像分割。

不同的聚类算法是可利用的。

在该实施例中，使用了分级聚类技术，更具体地说，使用了附聚的分级聚类技术。

在附聚的分级聚类中，独立数据点被认为是连续成对地组合成母群集的群集。

群集的组合将被重复直到整个数据集被合并成1个群集。以此方式，通过追踪哪个群集被合并来产生分级结构或树结构。

在每个迭代中，最相似的群集对被合并。

一对群集之间的相似度或距离的量度基于独立区域m_k的中间像素值和独立区域s_k内的像素值的标准偏差。

存在分级聚类的若干变型，这些变型差别在于如何根据一对群集的成员来限定这对群集之间的距离。

在该实施例中，使用了完全联合聚类，可替代地被称为成对的最大联合聚类。对于该类型的分级聚类，一对群集之间的距离被定义为两个群集的成员之间的成对的距离中的最大距离。

在距离量度时，采用欧几里得距离：

在对于小群体而言，标准偏差变成不可预测的可变性的测量结果时，分级聚类被应用在其上的数据集被限制到具有最小尺寸的区域，进一步被称为大区域。

图6示出了图5中示出的示例性数据集的分级聚类树。例如，群集"ABC"与群集"DE"之间的相似度将为成员A与成员E之间的距离，因为这是两个群集的成员之间的所有成对的距离中的最大距离。

由于将所有群集联合以及合并成1个群集与该实施例不相关，故停止标准被定义成在中间结果处停止分级聚类。用于分级聚类的可能的停止标准为：群集的总数目减少到区域的原始数目的预定百分率，或一对群集之间的最小距离超过最大距离，或上述停止标准的组合。

在最后一个步骤中，没有被包括在分级聚类中的小独立区域被与大区域的最相似的群集合并。

相似度的量度基于小区域的中间像素值与大区域m_k的群集，以及小区域的位置和图像(posX_k,posY_k)中的大区域的群集。区域的位置被计算为重心，即，在该区域的所有像素的X方向和Y方向的平均位置。为了计算中间像素值和大区域的群集的位置，群集的成员的所有像素被考虑。

欧几里得距离用作大区域L的群集与小区域S之间的距离量度：

线段的拟合

分割过程的下一步骤是将线段拟合到被分割的区域的边界。

在该实施例中，霍夫变换被用来提取直线段。

对本领域中的技术人员来说，已知的是使该技术适于提取辐照场的其它形状，如，圆形或椭圆。

霍夫变换是特征提取技术。目的在于通过投票程序在图像中局部化具有特定形状的对象的不完美情况。

关注的形状由参数方程指定。投票被累积在被称为霍夫空间的参数空间中。

用于直线的提取的参数化方程为：

r=xcosθ+ysinθ

其中参数r为线与原点之间的垂直距离，而参数θ为垂直于线定向的方向(参看图7)。

霍夫空间被量化用于两个参数。

如果像素被认为是边缘像素，对于关注的θ的每一个定向，计算相应的参数r，其中(r,θ) 指定穿过边缘像素的线。在投票步骤中，对于所有计算的(r,θ)对，量化的参数空间中的相应的仓的值被增大。这样，生成了累积器空间。图像中显著的直线被发现为霍夫空间中的局部最大值。

在该实施例中，霍夫变换的基本实施被改善，从而更有选择地提取辐照场的边界。

在霍夫变换的基本实施的投票步骤中，所累积的权重随预定值(通常为1)而增大。

该实施例中使用了更有选择性的投票方法。对于梯度大小和梯度定向，投票的强度被加权。

梯度向量被投射向不同离散方向[0,Pi]，对于其，计算霍夫参数空间。梯度向量的长度首先被标准化并且被限制到图像中的梯度分布的特定百分比。具有该百分比以上的大小的梯度向量将具有标准化的长度1，而低于该百分比的梯度大小在[0,1]之间线性地重新调节。该限制禁止过度响应于图像中的强边缘。梯度向量向特定方向的投射导致更有选择性的投票，且取消了基本的霍夫变换(例如，棋盘模式)中的相反梯度的权重累积。

所计算的霍夫空间被标准化，使得对于图像中的特定定向及位置的具有最大长度的线段将在霍夫空间中具有绝对值1.0。标准化的霍夫空间中的值因此独立于图像的纵横比和尺寸。

通过以第2霍夫空间划分霍夫空间来应用该标准化。在灰度图像中的每个像素都是边缘像素的假设下，计算该第2霍夫空间。

尽管上述改善处理了基本霍夫变换的一些通常已知的缺点，但可对所计算的霍夫空间实施另外的校正，以克服关于辐照场的边界的探测的一些问题。

相对于整个图像区，辐照场可能非常小，例如，小儿科手指的DR图像。辐照场还可能非常细长且其可具有不同于图像本身的纵横比的纵横比。

对于此类小的或细长的辐照场的边界，这导致在霍夫空间中的非常低的累积值。

以上提到的问题可通过估计图像中的辐照场的最佳拟合边界框来解决，即，包围属于存在于图像中的辐照场的所有像素的定向的最小矩形。

边界框粗略地指出了最大的线段长度，以及因此指出了可被发现的用于2个垂直方向的最大累积权重。

此类边界框可通过确定灰度图像的阈值来计算。确定阈值导致指出低于阈值的像素的二进制掩码，因此导致图像中的最暗区域。图8示出了这样的二进制掩码和最佳拟合的边界框。

为了估计边界框的定向，图像中的主方向由霍夫空间计算。主方向是具有最多及最长的线段的方向。对于每个方向θ都计算了霍夫空间的累积和。仅用于定向θ的最长线段的预定百分比被考虑。具有最高的累积和θ_max的方向被认为是图像中的主方向，且定义了边界框的定向。

为了计算边界框的大小，沿主方向θ_max和沿其垂直方向θ_max90分析二进制掩码的霍夫变换。

由于二进制掩码给出了辐照场的粗略的、有噪音的估计，故边界框必须正好包括一定百分比的所指出的辐照场像素。

沿主方向θ_max的分布计算二进制掩码的霍夫空间的总和。该分布的分析开始于2个外点处，直到累积和超过预定阈值。相同的分析沿垂直方向应用于该分布。

以此方式，发现了边界框的尺寸、定向和位置，以及因此发现了对于主方向θ_max的最大线段长度r_max以及对于垂直方向的最大线段长度r_max90。这可被用来将倍增的校正应用到用于[0,Pi]之间的不同角度的标准化霍夫空间中：

在1个图像中有多个辐照场的情况下，辐照场边界相比于总图像长度或宽度短一些。

辐照场的数目可通过搜索用于具有相反极性的2个平行的或略微倾斜的线段的霍夫空间来计算。这样的对指出了辐照场之间的不透X射线的材料的小一些的阴影。如果发现了这样的具有相反极性的线段对，则可将校正应到用于垂直方向的霍夫空间。

如果图像由多个辐照场构成，则这些趋于与主图像方向粗略地对准。在此情况下，具有相反极性的线段对的搜索范围限于围绕主方向θ_max和θ_max90的-10度到+10度的范围内。

所探测到的线段对的数目和它们在边界框内的位置确定被应用的校正因数。

沿主方向(N_irr和N_irr90)的截面中的辐照场数目等于沿该方向探测到的线对的数目加1。独立辐照场的宽度或长度被计算作为如图9中所示的线对之间的距离以及线对与边界框边界之间的距离。

该最大距离用于计算用于两个主方向的倍增的校正因数：

倍增的校正被应到用于[0,Pi]之间的不同角度的标准化霍夫空间中:

在将上述校正应用于计算的标准化霍夫空间之后，辐照场的边界应具有ca.1.0的理论霍夫空间值。

在标准化的校正的霍夫空间之外，最强的边缘被选择为具有高于预定阈值的值的局部最大值。

为了确保不失去重要的辐照场边界，相对于计算的用于霍夫空间的校正的边界框的位置来检查霍夫边缘的组。如果在边界框的一侧的邻域没有探测到霍夫边缘，则即使对应的霍夫值低于预定阈值，最强的霍夫边缘也附加有适当的定向和位置。

霍夫空间中的每个局部最大值都与完全穿过图像的线相对应。该线被分成由与其它保存的霍夫边缘的交叉所确定的分离的线段。仅线段保存有与区域边界(多标度分水岭分割和分级聚类的结果)的显著重叠。所保存的线段以直的边界来将图像划分在多个区域中。标记这些独立区域限定了被称为霍夫分割图的新的分割图。

分类

包括在分割图中的线段限定了未重叠的图像区域，在下文还叫做霍夫区域。

二进制分类被应用于霍夫分割图中，以识别作为辐照场的一部分的区域和作为不透X射线的材料的阴影的一部分的区域。

对于该分类，使用了局部的、区域的和全局的图像特点。

不同的分类方法是可利用的。

在该实施例中，使用了感知器，该感知器为最简单的前馈神经网络种类，事实上为线性分类器：

其中x为特征值[x₁,x₂...x_p]的向量，w为权重向量，而θ为偏项。关于感知器和调整权重向量w的更多详细信息可在ISBN 0-02-352761-7的Simon Haykins所作的"Neural Networks：A Comprehensive Foundation"中找到。

用于区别辐照场与准直的未诊断区域的重要特点是局部标准偏差。相比于诊断图像区域的局部标准偏差，未诊断区域的局部标准偏差相当低。大体上，诊断区域中存在更多的局部像素值变化。

霍夫区域的局部标准偏差的直方图与整个图像的局部标准偏差的全局直方图之间的距离是要被用在该分类法中的强特征。在距离测量时，使用欧几里得距离。2个直方图之间的欧几里得距离通过求两个直方图的仓计数之间的平方差的和来计算，假定两个直方图都具有相同的进仓，且标准化成相同的累积计数：

如果大部分图像区由诊断区域构成，则未诊断区域将具有到局部标准偏差的全局直方图的大距离，而诊断区域将具有到局部标准偏差的全局直方图的小距离。

对于相对于总图像区具有小的诊断区域的图像，未诊断区域的直方图将与局部标准偏差的全局直方图很相似，且因此相比于诊断区域的直方图的距离，将具有较小的距离。

因此，存在对第二距离量度的需要。在这种情况下，基准直方图被计算为仅图像中的明亮区域的局部标准偏差的直方图。

为了计算该基准直方图，仅考虑了具有高于预定阈值的灰度值的对应像素的局部标准偏差值。

与第一欧几里得距离不同，该距离将对于未诊断区域小些，而对于诊断区域大些。

由不同区域的局部标准偏差的直方图所计算的另一个特点是具有N个仓数目的第一N个仓的标准化直方图的仓计数的累积和，对于其，局部标准偏差的全局直方图的累积的标准化仓计数超过了预定值。如我们阐明的那样，未诊断区域平均上具有相比于诊断区域的较小的局部标准偏差，对于未诊断区域，这将导致更高的累积和。

所使用的另一个特点是强边缘的数量。诊断区域将包含比未诊断区域更多的强边缘。如果局部标准偏差超过了预定阈值，则像素被认为是强边缘的一部分。

该特点表示为区域中的像素数量，对于其，局部标准偏差相对于区域中的总像素数目超过了预定阈值。

要在该分类中使用的另一个强特征为区域与其周围区域之间的灰色像素值的差异。辐照场的边界的特点在于在内侧处的暗像素和在外侧处的较明亮像素。在霍夫区域的边界处的平均灰度像素值差是用以将区域分类为辐照场或准直区域的指标。

特色特征的上述列表可被以其它特征扩充，如，霍夫区域的中间或平均灰度像素值、图像内的位置、形状特点(例如，纵横比)、烧坏的像素（burned pixel）的存在等。

使用上述特征，形成用于霍夫分割图中的每个独立区域的特征向量。将该特征向量用作感知器的输入，实现了对于霍夫分割图中每个区域的精确分类。结果为描绘了射线照相术图像中的辐照场的二进制图。

可将该二进制图转变成更加紧凑的表示。

在一个实施例中，该表示是行程长度编码的。

在另一个实施例中，该表示是从二进制图中提取的一组多边形。