关键字 |
| 全局阈值分割，IRMA数据库x射线分割，非线性全变分算法 |
介绍 |
| 诊断放射学需要准确地解释医学图像中的每一个复杂成分。特别是对于x射线图像，骨分割是x射线图像分析技术中至关重要的一步。分割的主要目的是帮助医生研究骨骼结构，识别和测量骨折，并在术前规划治疗。这是一项具有挑战性的任务，因为骨x线图像本质上是复杂的，分割算法的输出受到各种因素的影响，如部分体积效应、强度变化、噪声和伪影的存在以及不同软组织在灰度上的相似性。[1,2]在不同的医院和医疗中心，每天都有大量不同类型的医学图像，如牙科、内窥镜、颅骨、核磁共振成像、超声、放射学[4]。分割是一个关键的预处理步骤，它进一步有助于将图像分离到不同的感兴趣的区域。Mohmmad et al.[16]提出了一种基于形态学的医学图像分割方法。该方法利用形态学变换得到了有效的分割结果。首先进行梯度分析以确定边缘，然后将其作为后续侵蚀图像膨胀的输入。结果证明，分割是有效的，能够保留重要的骨骼x射线图像的边缘。已有几种方法采用人工分割来排除由于分割错误造成的检索误差。 However, despite its advantages, manual segmentation is a tedious task. This has lead to the development of semiautomatic and automatic segmentation algorithms to extract the regions of interest. [9]Segmentation of bone structures in x-ray images is both intrinsically and extrinsically difficult. Intrinsic difficulties refer to those caused by the intrinsic properties of x-ray imaging systems: Following are some of the intrinsic difficulties. |
| 1:噪音。x射线图像中的噪声有许多来源，但最基本的是x射线源本身。这种类型的噪声被称为量子噪声，参考x射线光子的离散性质。 |
| 2:重叠。在某些情况下，两根骨头或关节骨头重叠会造成骨折的确切位置问题。 |
| 外在困难通常与患者有关，有以下几种: |
| 1:模糊性-人体内相邻组织可能具有相似的x射线吸收率。因此，器官的边界可能是模糊的。 |
| 2:骨密度变异性-不同的患者骨密度不同，这可能导致他们的x线图像之间的骨区域强度明显不同。正常患者通常骨骼密度大，x光片的骨骼图像很亮，而患有骨质疏松症的患者骨骼密度低，这可能会导致骨骼图像暗得多。此外，其他身体组织也可能影响骨骼图像的强度。 |
| 3:患者之间的形状变异性——不同患者的骨骼形状可能有相当大的差异。特别是，女性患者的骨盆骨形状与男性患者截然不同。这是因为女性的骨盆骨通常要宽得多。 |
| 4:成像位姿变异性——由于成像位姿不同，同一骨在不同时间成像时可能位于不同位置。[15] |
| 本文的其余部分组织如下，第二节介绍了在x射线图像分割中所做的相关工作，第三节介绍了提出的x射线图像分割框架，然后给出了实验结果，第四节提出了论文的结束语。 |
相关工作 |
| 自动图像分类是将图像映射到预先定义的类中，它涉及到一些基本原则，如图像的视觉特征提取的表示和泛化，即训练和评估分类器。任何分类系统的第一个也是最重要的组成部分是图像表示。它分为两种主要方法，(i)低级图像表示和(ii)基于补丁的图像表示。低级图像表示已被多个领域的研究人员使用[2-9]。 |
| Seong-Hoon等[2]提出了医学x射线图像的分类方法，其中使用LBP提取医学x射线图像的纹理信息;所获得的分类精度优于其他使用边缘直方图描述符的方法。在ImageCLEF 2007[3]中，采用基于块的局部二值模式与边缘直方图相结合的医学图像表示方法，实现医学图像自动标注任务。Zhy等[4]将基于GLCM得到的纹理特征的超声医学图像分割方法应用于超声医学图像。将GLCM与直方图矩相结合进行特征提取，对[5]中的超声医学图像进行分类。另一种广泛使用的策略是将不同的局部和全局描述符组合成唯一的特征表示。像素值作为全局图像描述符，与其他图像表示技术相结合，构造图像的特征向量[6-9]。 |
| 近年来，基于局部贴片的图像表示研究越来越有前景。单词袋(BoW)表示使用局部补丁量化外观的直方图的图像。近年来，许多研究在包括医学领域在内的各个图像分类领域中利用了这一特征[10-20]。随着医疗x射线档案规模的增加，拥有简单的离散表示和简单的匹配措施以保持计算效率是很重要的。本文认为BoW模式为解决大型数据库(如ImageCLEF[10])中CBIR系统的挑战提供了有效的手段。他们提出了基于局部补丁表示的x射线图像分类和检索，使用“视觉词袋”方法。他们分析了各种参数对系统性能的影响。采用简单特征的密集采样和基于非线性核的支持向量机(SVM)，得到了最佳的结果。这是另一项工作的扩展，其中视觉词字典被生成来表示x射线胸部图像[11]。在[12]中，Deselaers等人从不同大小的局部斑块中提取特征，这些局部斑块在每个位置都被取下，并缩小到一个共同的大小。 In that work, rather than using a dictionary, the feature space was quantized uniformly in every dimension and the image was represented as a sparse histogram in the quantized space. |
提出了x射线图像分割框架 |
| 图像分割有助于描述解剖结构和其他感兴趣的区域。分割是图像处理中最困难的任务之一，它决定了病理区域分析和评价的结果。 |
| 所提出的系统使用了图像处理技术，如基于非线性全变分的噪声去除，应用Sobel边缘检测来定位感兴趣区域(ROI)，使用Otsu方法进行全局图像阈值分割，最后通过形态算子进行后期处理。图1显示了所提出工作的流程图。 |
图像去噪 |
| 发现x射线图像有随机噪声。随机失真使图像处理难以达到完美。Leonid等提出的基于部分微分方程的非线性全变分算法。我们考虑[7]，因为它可以有效地去除随机噪声，并使图像平滑。对于输入x射线图像(图2来自IRMA数据库)，如果观测到的强度函数为uo(x, y)表示噪声图像的像素值。设u(x, y)为期望的干净图像，n为加性噪声，则两者关系可表示为(1)。 |
 |
| 受涉及噪声统计的约束，图像的总变化是最小化的。约束是使用拉格朗日乘法器施加的，如(2)。 |
 |
| 采用以时间为参数的梯度投影法求解。当t扩展到无穷大时，解收敛到稳态，得到所需的去噪图像(图3)。 |
感兴趣区域检测 |
| 边缘检测是图像处理中分割的一部分。分割的目标是简化和改变图像的表示，使其更有意义，更容易分析。edge函数用于检测边缘，边缘是图像中与物体边界对应的地方。为了找到边缘，这个函数在图像中寻找强度变化迅速的地方。Edge返回一个二值图像，在找到边的地方包含1，在其他地方包含0。不同的边缘检测方法Sobel, Prewitt, Roberts, Laplacian of a Gaussian (LOG)， Zero Cross, Canny应用于x射线医学图像[17,18]。这里使用了Sobel边缘检测器，因为Sobel算子对图像进行二维空间梯度测量，因此它强调了与边缘对应的高空间频率区域。通常，它用于在输入灰度图像的每个点上找到近似的绝对梯度幅度。 |
| 这些内核被设计为最大限度地响应相对于像素网格的垂直和水平运行的边缘，两个垂直方向中的每一个内核。核可以分别应用于输入图像，以产生每个方向上的梯度分量的单独测量(称为Gx和Gy)。然后，这些可以组合在一起，以找到每个点的梯度的绝对大小和梯度的方向。梯度幅值为: |
 |
| 其中Gx和Gy是X轴和Y轴方向的梯度 |
| 通常，近似的震级是用以下方法计算的: |
 |
| 计算起来要快得多。 |
| 产生空间梯度的边缘(相对于像素网格)的倾斜角(θ)由: |
 |
| 算法: |
| 1.创建索贝尔水平边缘强调过滤器 |
| 2.创建Sobel垂直边缘强调过滤器 |
| 3.对去噪后的图像进行Sobel水平边缘强化滤波处理 |
| 4.对去噪后的图像进行Sobel垂直边缘强化滤波处理 |
| 5.计算滤波后图像水平分量和垂直分量的梯度幅值。 |
3.图像阈值 |
| 阈值分割是通过为每个像素分配一个强度值T(阈值)来从背景中提取一个对象，这样每个像素就可以被分类为对象点或背景点 |
| 一般T = T[x, y, p(x, y)， f (x, y)] |
| •如果T是f(x,y)的函数，则称为全局阈值 |
| •如果T是f(x,y)和局部属性p(x, y)的函数，则为局部阈值 |
| •如果T依赖于坐标(x, y)动态/自适应阈值。 |
| 这里使用Otsu的方法进行全局阈值分割。它通过最小化由阈值运算符分隔的两组像素的类内方差来选择阈值。它不依赖于概率密度函数的建模;然而，它假设灰度值的双峰分布 |
| 假设我们有一个L个灰度级的图像及其归一化直方图(即，对于每个灰度值i, P(i)是i的归一化频率)。 |
| 假设我们在T处设置了阈值，将被分类为背景和对象的像素的归一化-分数将为: |
 |
| 其中qb和qo为给定图像的背景和对象像素的分数。 |
| 整个图像的平均灰度(μ)值(grand mean)为: |
 |
| 背景像素与目标像素的方差(σ)为: |
 |
| 其中，σb(T)和σo(T)分别为背景方差和对象方差。[15] |
| 整个图像的方差为: |
 |
| 得到的阈值图像如图4所示。 |
| 下面的图像已经用所提出的方法进行了测试，结果令人满意。 |
4.使用形态运算的后处理 |
| 具有阈值后的图像，以去除小于预定义阈值的小物体。形态学打开二值图像，去除小物体。[13] |
| 算法: |
| 1.在图像中找到连接的组件。 |
| 2.根据实际观察和用于分割的图像研究定义一个阈值。 |
| 3.应用阈值去除连接组件的小区域。 |
| 最后分割结果通过图5所示的图像显示出来。 |
结论 |
| 本文采用基于非线性全变分的算法对x线医学图像进行了简单快速的分割。结果似乎是国家的艺术非常嘈杂的图像，因为该方法是非侵入性的，产生尖锐的图像边缘。下面的实验测试了近300张脊柱和手部x光图像，并报告了所需的精细边缘检测的满意结果。对来自IRMA数据库的手和脊柱图像的结果进行了测试，使用基于全变分的去噪，然后使用Otsu方法进行全局阈值分割，并进行了一些形态学变换，使原始分割图像检索成为可能。 |
数字一览 |
|
|
参考文献 |
- Rafael c . gonzalez和Richard E.Woods，“数字图像处理”，2005年第二版。
- Rafael C.Gonzalez, Richard E.Woods&Steven L. Eddins，“使用matlab的数字图像处理”，培生教育，2007。
- Kenneth R.Castleman，“数字图像处理”，培生教育。, 2006年
- Adrian Low，“计算机视觉与图像处理”，McGraw Hill (1991)
- B.Chanda&DuttaMajumdar，“数字图像处理与分析”，PHI (2001)www.mathworks.com
- 列奥尼德·鲁丁，“基于非线性全变分的噪声去除算法”，物理学报D(1990)259-268。
- MitraBasu，“基于高斯的边缘检测方法综述”，《IEEE系统人与控制论部分:应用与评论》，第32卷，第3期，2002年8月。雷竞技苹果下载
- J. Canny，“边缘检测的计算方法”，IEEE Trans Pattern Anal。机器。智能。，vol. PAMI-8, pp. 679–698, Nov. 1986.
- V. Torre和T. Poggio，“边缘检测”，IEEE Trans。模式肛门。机器。英特尔。，vol. PAMI-8, pp. 147–163, Mar. 1986.
- 刘国强，“区域生长与边缘检测的整合”，IEEE学报。模式肛门。机器智能。第12卷，第225 - 233页，1990年3月。
- 高塔姆·a·库达尔，希凡纳德。Gornale“医学图像边缘检测方法的性能分析”，全国信息技术和互联网安全进步会议(AITIS 2008)， SIBAR，浦那。(女士)。印度。
- Mahesh Pawar, GautamKudale, S.S. Gornale“模糊图像的去模糊:医学图像处理应用”。信息技术的新兴趋势及其在技术和管理教育中的应用全国会议。印度拉贾斯坦邦的阿尔瓦尔。
- Mahesh Pawar, GautamKudale, S.S. Gornale“医学影像的模糊化”，第八届全国先进计算与应用会议(NCACA'09)，哥印拜陀，国际计算机科学与应用杂志2010年ISSN 0974-0767 Tamilnadu。
- 克里斯汀·诺雷尔的“在嘈杂的锯木厂图像中计算年轮的自动方法”，施普林格柏林/海德堡。
- Mohamed Roushdy，“基于形态学滤波器的灰度噪声图像边缘检测算法的比较研究”，GVIPJournal，第6卷，第4期，2006年12月。
- “边缘检测”，(Trucco，第4章和jain等人，第5章)。
- 王洛，“群体图像边缘检测的比较”，《国际计算机科学与网络安全学报》，VOL.6 No.9A, 2006年9月。
|
菜单
