一种基于知识的脊髓自动提取方法与流程

本发明涉及图像处理技术，具体涉及CT影像处理技术。

背景技术：

放射治疗与手术和药物治疗一样，已成为肿瘤治疗的一个重要手段。三维放射治疗计划系统是放射治疗产品中重要核心。计划系统需要提供足够好的勾画工具，精确快速的勾画出靶区及其周围重要的敏感器官。目前，这部分工作还主要依靠医生手动进行勾画。但往往由于一个计划需要勾画的靶区及危及器官较多，使得这部分工作变得特别繁琐，需要很长时间的细致工作才能完成。因此，近些年来，无论是学术界或一些国际主流的计划系统软件，对于危及器官的自动分割都非常关注。在各种器官组织中，脊髓是一个非常重要的敏感器官，在射线治疗过程中要尽可能接受少的照射剂量。否则很容易引起无法预测的如麻痹等脊髓方面的神经性并发症。对于脊髓，目前主要还是一层一层图像进行手动勾画。尽管也有一些半自动或全自动方法的出现，但往往由于自动提取整个识别过程过于复杂而使识别率较低，时间较长，无法在临床上得到很好的应用和认可。因此基于CT图像的脊髓自动勾画在临床应用上有待进一步完善。

参见图1，目前脊髓自动检测过程主要分四个步骤：(1)找到体轮廓，(2)找到脊板，(3)找到椎管，(4)找到脊髓。这四个步骤是顺序的，且后一步依赖前一步，所以准确率是乘积关系。由于第2步检测率一般较低，且总检测率是四个步骤乘积，从而造成最后的检测率偏低；而且由于第2步和第3步较复杂，造成整个自动检测过程耗时较长。

由于脊髓的自动提取通常的办法是先提取脊髓外围的脊椎管等骨结构，然后基于外围的脊椎管等骨结构的轮廓及M.Held及D.T.Lee等人提供的类似方法进行脊髓检测。但由于脊髓外围的脊椎管等骨结构自动检测过程较复杂，步骤较多，往往检测率较低，脊椎管的检测率只有85％左右，脊髓的自动检测与其是依赖关系，从而造成脊髓的检测率降低。

技术实现要素：

针对现有脊髓自动检测方案存在检测率低、耗时长等问题，需要一种高效的脊髓自动检测方案。

为此，本发明所要解决的技术问题是提供一种基于知识的脊髓自动提取方法，提高脊髓自动检测的检测率。

为了达到上述目的，本发明提供的基于知识的脊髓自动提取方法，包括：

确定躯干轮廓；

确定脊髓概率区，首先基于脊构模型找到脊髓内的区域增长点，然后基于区域增长点得到脊髓概率区；

在脊髓概率区检测脊髓。

在本方法中，通过如下步骤确定躯干轮廓：

(1)计算CT图像内象素点对应的梯度；

(2)由图像中心列第一行象素开始搜索，沿列方向找到第一个梯度大于阈值ε的象素点，阈值ε用以确定图像内躯干的边界点象素；

(3)从步骤(2)找到的象素点开始，沿顺时针方向搜索梯度大于阈值ε的象素点，直到第一个点。

在本方案中，通过如下步骤确定脊髓概率区：

(1)确定脊髓内一点检测区域；

(2)基于脊构模型检测脊髓内一点，作为区域增长点；

(3)基于步骤(2)检测的一点进行增长得到脊髓概率区。

在本方案中，所述步骤(1)中首先根据躯干轮廓确定躯干包围盒；然后再根据包围盒及中轴线确定脊髓内一点检测区域。

在本方案中，所述脊构模型基于脊髓及其周围包绕的脊椎骨结构特征知识构成。进一步的，所述脊构模型包括4个基本形状单元：E0、E1、E2及E3，基本形状单元E0、E1、E2及E3用于表征脊构模型的特征。

在本方案中，所述步骤(2)中在脊髓内一点检测区域移动脊构模型中E0单元中心，直至E0单元中心满足脊构模型属性特征要求，此时E0单元中心对应的点即为脊髓内一点。

在本方案中，所述步骤(3)中基于检测到的脊髓内一点及脊髓的CT值范围在脊髓概率区限定区域内进行区域增长，得到的区域即为脊髓概率区。

在本方案中，通过搜索脊髓概率区边界的内接最大圆来检测脊髓。

在本方案中，通过如下步骤来检测脊髓：

在人体脊髓半径实际尺寸范围内，按半径实际尺寸由大到小依次定义不同半径的搜索圆模板；

然后按半径尺寸由大到小在脊髓概率区内移动搜索圆模板中心，首先满足搜索圆内包含的点均属于脊髓概率区象素的圆即为检测的目标圆；如果没有检测到目标圆，则移动半径最小的模板圆中心，圆内包含的点属于脊髓概率区象素最多的圆做为目标圆。

本发明提供的方案首先基于脊构模型直接找到脊髓的区域增长点，然后得到脊髓概率区，整个脊髓自动提取过程步骤少，检测率高，且由于脊髓概率区是基于脊髓属性特征进行区域增长得到的，所以基于此区域得到的脊髓更精确。

同时，本方案实现脊髓的自动提取，实际应用中能够避免临床放疗医师进行手动勾画的繁琐工作，同时也降低了勾画结果对放疗医师技术水平的依赖，在临床放射治疗领域具有重要意义。

附图说明

以下结合附图和具体实施方式来进一步说明本发明。

图1为现有脊髓自动检测示意图；

图2为本发明实例中脊髓检测的流程图；

图3为本发明实例中脊髓检测的示意图；

图4为本发明实例中脊髓概率区检测示意图；

图5为本发明实例中构模型示意图；

图6为本发明实例中脊构模型适配图；

图7为本发明实例中增长得到的脊髓概率区效果图；

图8为本发明实例中检测到的脊髓的效果图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

本实例提供的脊髓自动提取方案，基于CT影像人体结构的特征知识，在检测脊髓概率区中，基于脊髓及其周围结构的特征知识，建立相应的特征模型(即脊构模型)进行脊髓内一点的检测，并基于该点进行区域增长得到脊髓概率区，进而在脊髓概率区内实现脊髓的检测。

在此原理下，本实例可通过建立结构和程序两种知识模型来实现对于脊髓的自动提取。

其中，结构知识模型：主要是对脊髓及脊髓自动提取涉及到的组织器官的定义，包括形状，位置，CT值范围等属性及各组织器官之间的联系。

而程序知识模型：主要用于脊髓自动提取子任务的分解及流程控制。

基于知识模型，本实例方案中将脊髓的自动提取过程分解成以下三个关键步骤(参见图2)：

1.确定躯干轮廓。

2.确定脊髓概率区，其基于脊髓及其周围结构的特征知识，建立相应的特征模型(即脊构模型)进行脊髓内一点的检测，并基于该点进行区域增长得到脊髓概率区。

3.在脊髓概率区检测脊髓。

参见图3，其所示为脊髓检测的示意图，其中图中区域(1)对应步骤1中的躯干轮廓，区域(2)对应步骤2中的脊髓概率区，区域(3)对应步骤3中的脊髓。

由此可知，本脊髓检测提取方案中的三个关键步骤中对应的区域存在依赖关系，其中躯干轮廓是脊髓概率区的参考对象，而脊髓概率区又是脊髓的参考对象。因此，需要三个步骤是有时间先后顺序的。具体，先检测躯干轮廓，然后，基于脊髓及脊髓与躯干之间的联系确定脊髓概率区，最后在脊髓概率区内，基于脊髓的知识模型搜索到脊髓。

针对上述方案，以下具体说明一下其实现过程(参见图2)。

步骤(一)躯干轮廓检测，即确定躯干轮廓。

由于扫描过程中CT设备的床板为平的炭纤维板，所以在用于放射治疗的CT图像中，躯干皮肤部分与外围CT值差别非常明显。因此，图像内躯干的边界点象素的应大于某一特定值ε，故本实例通过对躯干及空气CT值的直方图分析来确定具体ε值，以并该ε值来确定图像内躯干的边界点象素。

据此，本实例针对CT图像进行躯干轮廓检测的实现过程如下：

(1)计算图像内象素点对应的梯度。

(2)由图像中心列第一行象素开始搜索，沿列方向找到第一个梯度大于ε的象素点。

(3)从步骤(2)搜索到的第一个梯度大于ε的象素点开始，沿顺时针方向搜索梯度大于ε的象素点，直到第一个点。

基于搜索到的像素点即可确定躯干轮廓(如图3所示)。同时，由此提取的躯干轮廓为提高躯干轮廓的检测率提供了相应的空间。

步骤(二)确定脊髓概率区。

在脊髓自动提取方案中，确定脊髓概率区是最为关键的一步，本方案具体基于脊髓及其周围包绕的脊椎骨结构特征知识，构建相应的结构模型用于检测脊髓内一点，并基于该点进行增长得到脊髓概率区。

据此，本实例方案中进行脊髓概率区检测具体分如下三个步骤(参见图4)：

(1)确定脊髓内一点检测区域。

(2)检测脊髓内一点。

(3)确定脊髓概率区。

其中，脊髓内一点检测区域主要根据躯干轮廓进行确定。首先，根据躯干轮廓确定躯干包围盒(见图3)；然后再根据包围盒及中轴线确定脊髓内一点检测区域，见图4中的方形区域，图中标定的距离应确保脊髓内的某一点在该区域内。

脊髓内一点检测即为找到一个象素，使这个象素属于脊髓内的某一点，以便基于该点进行脊髓概率区的增长。

为了进行检测脊髓内的某一点，本实例基于脊髓及其周围包绕的脊椎骨结构特征知识构建相应的“脊构模型”，并以此在脊髓内一点检测区域内进行脊髓内一点的检测。

参见图5，该脊构模型包含4个基本形状单元，E0、E1、E2及E3。这四个基本形状单元E0、E1、E2及E3用于表征脊构模型的特征，如均值，方差等。

基于知识，本实例选择三角形及圆形或两种形状的组合作为模型的基本形状单元。由此可保证模型的通用性及实现的可操作性。

再者，该脊构模型中E0单元的CT值具有三个属性，标准差、最小值和最大值。E1、E2及E3单元的CT值具有两个属性，最小值和最大值。

另外，脊构模型中E0、E1、E2及E3单元的属性值可基于临床上各单元所在区域组织的CT值范围得到，也可通过在CT图像上手动移动模型，统计相关属性值得到。

参见图6，其所示为包含脊髓的胸、腹、髋部位的CT断层图像典型的脊柱结构图。从图中可以看出，本脊构模型能够很好的适配了脊髓在各种CT断层图像中的结构。

基于上述的脊构模型进行脊髓内一点的检测时，在脊髓内一点检测区域移动脊构模型中E0单元中心，直至E0单元中心满足脊构模型属性特征要求，此时E0单元中心对应的点即为脊髓内一点。

由此检测到的脊髓内一点可保证该点是脊髓内的某一点。在此基础上，为了确定脊髓圆心的具体位置及大小，还需要基于该点确定脊髓概率区。

在确定脊髓概率区时，首先需要确定脊髓概率区的范围。鉴于脊髓断面自身尺寸大小，脊髓中心一定在以检测到的脊髓内一点为中心边长为4厘米的正方形区域内。

为此，本实例为该方形区域作为脊髓概率区限定区域，并基于检测到的脊髓内一点及脊髓的CT值范围(即同脊构模型E0单元的属性)在该正方形区域内进行区域增长，得到的区域即为脊髓概率区。作为举例，如图7所示，图中方形区域是脊髓概率区限定区域，十字线是脊髓内一点，而方形区域内的不规则区域则是脊髓概率区。

步骤(三)脊髓检测。

脊髓概率区确定以后，由于该区域是基于脊髓知识模型属性增长得到的，则脊髓是该区域的子集。基于放射治疗临床上脊髓勾画原则，自动检测脊髓定义为脊骨形成的腔体的内接最大圆，由此，本实例中通过搜索脊髓概率区边界的内接最大圆来完成脊髓检测。

由于脊髓概率区搜索区域较小，脊髓半径也有一定范围，本实例具体采用了如下方法：

首先，在人体脊髓半径实际尺寸范围内，按半径实际尺寸由大到小依次定义不同半径的搜索圆模板；

然后按半径尺寸由大到小在脊髓概率区内移动搜索圆模板中心，首先满足搜索圆内包含的点均属于脊髓概率区象素的圆即为检测的目标圆；如果没有检测到目标圆，则移动半径最小的模板圆中心，圆内包含的点属于脊髓概率区象素最多的圆做为目标圆。

在具体实现时，为了确保可以检测到目标，优选脊髓半径实际尺寸范围为0.5cm～2.0cm；而搜索圆模板半径基于象素实际尺寸p_s进行离散。具体取法为，最大模板半径2.0cm，然后按公式(1)依次递减：

r_n+1＝r_n-p_s-0.000001 (1)

其中r最大值为2cm，最小值为按公式(1)得到的递减序列中小于0.5cm的最大值。

另外，本实例提供的最大圆检测方案在实际应用时，将不受边界形状的限制，能够准确的找到目标。作为举例，如图8所示，其图中的圆即是对应图7在脊髓概率区内检测到的最大圆，也就是脊髓。

由上可知，相对于现有脊髓自动提取方案通常先提取脊髓外围的脊椎管等骨结构，然后基于外围的脊椎管等骨结构的轮廓进行脊髓检测；本实例方案采用相反的策略，即首先基于脊构模型直接找到脊髓的区域增长点，然后得到脊髓概率区，由此不仅减少步骤，还提高检测率；而且由于脊髓概率区是基于脊髓属性特征进行区域增长得到的，所以基于此区域得到的脊髓更精确。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。