一种医学影像体数据的三维纹理分析方法

摘要

本发明提供一种医学影像体数据的三维纹理分析方法，由以下四个有序的步骤构成：第一步：在医学影像体数据中划定要处理的区域；第二步：在划定区域内获得三维灰度共生矩阵的参数：待处理体数据的灰度等级范围、灰度共生矩阵的生成方向和灰度共生矩阵生成的像素间距。第三步：归一化后，按照第二步设定的方向和像素间距参数计算各个方向上的灰度共生矩阵。第四步：基于所有方向的灰度共生矩阵，计算特征值。最终对于每一个方向的灰度共生矩阵获得一个特征向量。对所有的方向上的特征值求平均，得到一个该区域的特征值向量，此向量即为此区域体数据三维纹理分析结果。此算法可以对CT或者MRI所产生的影像体数据中的指定的三维空间区域进行纹理分析，最终得到一个特征向量，用此向量来表征此医学影像体数据中某指定区域的三维纹理。

说明书

技术领域

本发明属于数字图像处理及模式识别领域。特别是在医学影像分析领域中，利用本发明的纹理分析方法可以计算出感兴趣目标的内在纹理模式，从而实现目标的计算机辅助识别。

背景技术

纹理是一种常见且重要的目标物识别方法。目前纹理特征的提取方法大致可以分为两类：统计分析方法和结构分析方法。前者从图像的有关属性的统计分析出发，根据纹理元素及排列规则来描述纹理结构，反映像素之间的灰度级空间相关规律；后者则着力找出纹理基元，再从结构组成探索纹理的规律，也有直接去探求纹理构成的结构规律。一般来说统计法适用于分析纹理细而且不规则的物体；结构法则适用于纹理基元排列较规则的图像。

纹理特征提取的主要目的是将随机的纹理或几何纹理的空间结构差异转化为特征灰度值的差异，用一些数学模型来描述图像的纹理信息，包括图像区域的平滑、稀疏和规则性等。通常，纹理特征与纹理的位置、走向、尺寸、形状等性质有关，但是与平均灰度级(亮度)无关。随着计算机运算能力的提高，利用纹理分析作为核心方法进行计算机辅助病灶检测在最近几年逐渐成为一个研究热点。纹理分析的一个经典算法是1973年由haralick提出的灰度共生矩阵[Haralick，R.M，K.Shanmugam，and Itshak Dinstein.″Textural Featuresfor Image Classification.″IEEE Transactions on Systems，Man，andCybernetics，vol.Smc-3，no.6，Nov.1973.pp.610-621.]。Susomboon等为了探索最佳的纹理分析扫描窗口大小，对离体动脉、脂肪、肾脏、肝脏、肺脏、肌肉、脾脏和骨头用不同的窗口大小扫描后进行二维纹理分析，最终获得了这些正常组织的Haralick典型特征向量数据[R.Susomboon，D.S.Raicu，and J.D.Furst，″Pixel-Based Texture Classification of Tissues in ComputedTomography″，CTI Research Symposium，April 2006]。S.Gordon等利用纹理分析的方法对PACS中的子宫颈图像进行分析归类[S.Gordon，G.Zimmerman，H.Greenspan，Image segmentation of Uterine Cervix images for indexing in PACS，Proceedings of the 17th IEEE Symposium on Computer-Based Medical Systems，2004]。在肺结节的影像学检查中，利用纹理分析的方法降低人工读片的失误已经是一种相对成熟的技术[Bram van Ginneken*，Bart M.ter Haar Romeny，andMax A.Viergever，Member IEEE，Computer-Aided Diagnosis in ChestRadiography：A Survey，IEEE TRANSACTIONS ON MEDICAL IMAGING，2001；20：1228-1240]。另外基于二维纹理分析的方法在在肝脏的疾病的自动分类[Ahmadian，Mostafa，Abolhassani，Salimpour，A texture classification method fordiffused liver diseases using Gabor wavelets，Engineering in Medicine and BiologySociety，2005.IEEE-EMBS 2005.27th Annual International Conference of theVolume，Issue，17-18Jan.2006：1567-1570]和乳腺X照相检查中对于乳腺癌的计算机辅助探测中均有应用[Juliette S.，Kathy，Jeffrey et al.Detection of BreastCancer with Full-Field Digital Mammography and Computer-Aided Detection，Am.J.Roentgenol.，2009；192：337-340]。综上可以看出，二维纹理分析在CAD技术中的应用已经非常广泛而且取得了较好的效果。

申请者考虑到以前纹理分析的焦点在于分析物体的表面信息，而在医学影像体数据中，经过三维重建的人体器官表面只包含了部分信息，而器官内部的一些小的肌肉、神经和血管虽然在目前的硬件分辨率下可能无法完全三维重建，但其大致走向和相互之间的固定的位置关系会构成一定的三维纹理信息。而此纹理信息可能也会随着局部的病变而发生变化。

发明内容

本发明的目的是提供一种医学影像体数据的三维纹理分析方法，此方法可以对CT或者MRI所产生的影像体数据中的指定的三维空间区域进行纹理分析，得到一个特征向量，用来表征此指定体数据区域的三维纹理。

本发明由以下四个有序的步骤构成：

第一步：在医学影像体数据中划定要处理的区域。

第二步：在划定区域内获得三维灰度共生矩阵的参数：待处理体数据的灰度等级范围、灰度共生矩阵的生成方向和灰度共生矩阵生成的像素间距。

第二步：归一化后，按照第二步设定的方向和像素间距参数计算各个方向上的灰度共生矩阵。

第四步：基于所有方向的灰度共生矩阵，计算特征值。最终对于每一个方向的灰度共生矩阵获得一个特征向量。对所有的方向上的特征值求平均，得到一个该区域的特征值向量，此向量即为此区域体数据三维纹理分析结果。

本发明基于以前二维纹理分析方法的思想，发明了一种医学影像体数据的三维纹理分析方法，用来获得体数据内部的内在分布关系和模式规律。此方法利用CT或者MRI影像体数据，对于目标区域进行三维纹理分析，获得的特征向量，利用这些获得的特征向量最后在分类器中可以在一定程度上区分结构变异组织和正常组织，或者用于别的用途。

附图说明

图1是灰度共生矩阵方向方向参数示例。

具体实施方式

本发明由以下四个有序的步骤构成：

第一步：指定区域。指定区域是指在医学影像体数据中划定一个需要进行计算的范围，指定的方法往往与本发明的算法应用领域有关。可人工勾勒，也可用一些别的自动化选取。

第二步：确定以下三个参数(参数的获取没有先后顺序)：

(1)待处理体数据的灰度等级范围。

对待处理区域进行遍历，记录最大灰度等级MaxGrey和最小灰度等级MinGrey。

(2)灰度共生矩阵的生成方向。

将纹理的分析扩展到三维空间后，要全面的表现体数据纹理在三维空间中各个方向的变化，可供选择的方向参数和二维情况下相比呈几何倍数增加。为了能够全面的描述纹理在三维空间中的变化，表1的列举了13种灰度共生矩阵的生成方向。其中θ表示生成方向在XOY平面上的投影与X轴的夹角，φ表示生成方向相对于Z轴的角度。考虑到计算效率，在实际计算中可以从上述方向中选取一些主要方向，具体选取方法可根据实际问题的纹理特点确定，但是至少要包含(0°，90°)，(90°，90°)和(垂直于XOY平面，0°)三个主轴方向。例如可以选取(0°，90°)，(45°，45°)，(45°，135°)，(90°，90°)，(135°，45°)，(135°，135°)，(垂直于XOY平面，0°)共7个有代表性的方向参数，这7个方向在3D图像上的具体表现如图1所示。

表1灰度共生矩阵生成方向列表

  序号 θ φ  1 0° 45°  2 0° 90°  3 0° 135°  4 45° 45°  5 45° 90°  6 45° 135°  7 90° 45°  8 90° 90°  9 90° 135°  10 135° 45°  11 135° 90°  12 135° 135°  13 垂直于XOY平面 0°

(3)灰度共生矩阵生成的像素间距

在每一个方向上可以采用不同的像素间距D_i(1≤D_i≤D_max，其中D_max为选定区域内最远的两个像素之间的像素数)。也可以所有方向采用统一的像素间距D。像素间距的具体值在实际应用中可以根据经验值来选定。

第三步：计算三维灰度共生矩阵。

由于纹理分析与平均灰度级(亮度)无关，因此在计算灰度共生矩阵之前，先对选定区域的灰度值进行归一化。即令选定区域中的每一个体数据数值：

Grey_new＝Grey_old-MinGrey

其中Grey_old为归一化前的灰度值，而Grey_new为归一化后的灰度值，MinGrey为第二步中确定的参数。

把选定区域的数值范围归一化到0到MaxGrey-MinGrey之间。对所有选定区域的数据点，以指定的像素间距D，按照第二步中指定的每一个方向计算出一个灰度共生矩阵。在进行计算时，若从当前点出发，沿着某一个选定的方向，移动指定的D个像素后，所在像素已经超出了选定的区域，则忽略此点进入下一个点的计算。

第四步：计算可用于分类的特征值

基于所有方向的灰度共生矩阵，计算出所有的14种Haralick建议的特征值或者用其他新的算法计算出一些别的特征值。最终对于每一个方向的灰度共生矩阵，都可以计算出一个特征向量。假设共计算了N个特征值，则每个方向上的特征向量如下：

V1＝[Direction1_feature1，Direction1_feature2，...，Direction1_featureN]

V2＝[Direction2_feature1，Direction2_feature2，...，Direction2_featureN]

...

VM＝[DirectionM_feature1，DirectionM_feature2，...，DirectionM_featureN]

考虑到选定区域的体数据旋转不能影响运算结果，因此对所有的方向上的特征值求平均：

Feature1＝(Direction1_feature1+Direction2_feature1+..+DirectionM_feature1)/M

Feature2＝(Direction1_feature2+Direction2_feature2+..+DirectionM_feature2)/M

FeatureN＝(Direction1_featureN+Direction2_featureN+..+DirectionM_featureN)/M

最终得到一个该区域的特征值向量

V＝[Feature1，Feature2，...，FeatureN]

此向量即为此区域体数据三维纹理分析结果。