阐释脑部脑部MRI图像头皮三维提取及重建站
最后更新时间：2024-01-23
作者：用户投稿
本站原创
点赞:31970
浏览:146009
本站原创
点赞:31970
浏览:146009
论文导读：。实验结果表明，该算法从三维角度对头皮进行提取，很好地结合了图像的空间信息，使得到的轮廓线准确而连源于：毕业设计论文www.7ctime.com续；26邻域方法保留了头皮真实的灰度信息，使MC重建时图像精度达到亚像素级别，进而得到连续而光滑的头皮轮廓。5结语本文结合阈值和数学形态学算法，从三维角度提取MRI脑部图像的头
摘要：
开颅手术中，为了满足手术导航系统进行快速、准确定位的要求，提出一种脑部核磁共振成像（MRI）图像三维头皮轮廓提取方法。首先采用各向异性扩散滤波方法对图像滤波，借助BrainSuite3医学软件获取脑标记图像；然后将图像中脑实质部分剔除，根据非脑组织图像计算头皮组织的分割阈值；再利用数学形态学处理二值图像获取头皮轮廓；最后结合目标灰度信息，用移动立方体（MC）算法进行三维重建。实验结果表明，该方法结合阈值、数学形态学和MC算法，能连续、光滑地提取出头皮外轮廓，并使精度达到亚像素级别。
关键词：
核磁共振成像图像分割；各向异性扩散滤波；数学形态学；三维头皮提取；亚像素； 移动立方体算法
0引言
在手术导航系统中，让医生简单、准确、快速地判定出肿瘤和手术器械的位置，是一个技术难点，而患者头部的标记点和一些器官（如耳朵、鼻子等）在定位过程中有着重要的参考价值。另外，核磁共振成像（Magnetic Resonance Imaging，MRI）因其高分辨率、高信噪比、无放射性危害、软组织成像效果好等优点而被广泛应用于临床，所以对脑部MRI图像头皮地提取和重建在临床上具有重要的应用价值。
虽然MRI脑部图像的分割算法很多，但是大部分文献都只重于脑实质（灰质、白质、脑脊液）和脑肿瘤的分割[3]。文献[4-5]用水平集算法有效地提取了大脑轮廓，该算法的实质是以图像的内力和外部约束力共同判断目标轮廓，但是和脑实质相比，头皮组织的厚度很薄，灰度值与周围组织相差不大，所以头皮组织内力和外部约束力的作用不明显。另外该算法初始参数过多，结果易受初始轮廓的影响，且实验结果重复性不强，所以用于头皮的提取时效果不好。文献[6]用模糊聚类方法很好地分割出灰质和白质，其实质是判断每个像素点隶属每个类的度，然后根据隶属度来对像素点分类，进而达到分割效果。但是头皮组织覆盖面广和厚度薄等特点，使模糊聚类未能达到良好分割效果。文献[7]结合区域生长方法分割出脑瘤，然而头皮组织不像脑瘤组织集中，且难于获取种子点，所以在提取头皮组织时，也不能得到满意的分割结果。数学形态学以完善的理论基础和定量描述，分析图像几何结构的优点，被广泛地应用于图像处理中。它的实质是以一定形状的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的，受到目标体积、集中度的影响不大，比较适合头皮的提取。但是其结构元素的选取是个难点，另外该算法处理的图像一般为二值图像[3]。
根据以上分析，本文提出一种阈值和形态学相结合的三维头皮组织分割算法。通过该算法得到的二值体数据再经过26邻域算法处理，获取头皮组织的灰度信息，经过移动立方体（Marching Cubes， MC）法进行三维重建。实验结果表明，该算法从三维角度对头皮进行提取，很好地结合了图像的空间信息，使得到的轮廓线准确而连源于：毕业设计论文www.7ctime.com
续；26邻域方法保留了头皮真实的灰度信息，使MC重建时图像精度达到亚像素级别，进而得到连续而光滑的头皮轮廓。
5结语
本文结合阈值和数学形态学算法，从三维角度提取MRI脑部图像的头皮组织，并用MC算法进行三维重建，效果如图8（a）、8（b）所示，可以看出，整个头皮的轮廓信息被连续完整的重建出来，但是图像比较模糊，一些细节部分显现得不是很好。通过26邻域方法，获取头皮组织的灰度信息后，重建结果如图8（c）、8（d）所示，不仅连续而光滑地重建出头皮轮廓，而且对头部特征点和器官的细节部分也有很好的显示效果。把两种方法的重建效果表示在单张切片上，效果如图9所示，可以看出，加入图像灰度信息后，图像的重建精度达到了亚像素级别。另外，利用本文算法还对多组数据做了实验，其结果也表明了其鲁棒性强的优点。
该算法借助BrainSuite3软件获取脑标记图像，不利于整个算法的全自动性，且耗费时间较长。研究一种自动、快速获取脑标记图像的方法，同时获取BrainSuite3软件同样或者更好的分割效果，是下一步的研究重点。
参考文献：
侯宏花，桂志国. 基于数学形态学人脑MR图像感兴趣区域的提取[J]. 中国组织工程研究与临床康复， 2010， 14（13）： 2369-2372.
NARENDRAN V论文导读：异性扩散平滑滤波的改进算法.中国图象图形学报，2006，11（2）：210-216.PERONAP，MALIKJ.Scalespaceandedgedetectionusinganisotropicdiffusion.IEEETransactionsonPatternAnalysisandMachineIntelligence，1990，12（7）：629-639.苏雪平，齐敏，赵海涛，等.一种基于数学形态学的CT图像脑肿瘤
K， NARENDIRA K， SOMASUNDARAM K. 3D brain tumors and internal brain structures segmentation in MR images[J].International Journal of Image， Graphics and Signal Processing，2012， 4（1）： 35-43.
[3]
DOGDAS B， SHATTUCK D W， LEAHY R M. Segmentation of skull and scalp in 3D human MRI using mathematical morphology[J]. Human Brain Mapping， 2005， 26（4）： 273-285.
[4]
ITH S M. Fast robust automated brain extraction[J]. Human Brain Mapping， 2002， 17（3）： 143-155.
[5]
ZHUANG A H， VALENTINO D J， TOGA A W. Skullstripping magnetic resonance brain images using a modelbased level set[J].NeuroImage， 2006， 32： 79-92.[6]
LI B 摘自：毕业论文下载www.7ctime.com
N， CHUI C K， CHANG S， et al. Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation[J]. Computers in Biology and Medicine，2011， 41（1）： 1-10.
[7]
DENG W K， XIAO W， DENG H， et al. MRI brain tumor segmentation with region growing method based on the gradients and variances along and inside of the boundary curve[C]// 2010 3rd International Conference on Biomedical Engineering and Informatics. Piscataway： IEEE， 2010，1：393-396.
[8]
谢美华，王正明. 基于边缘定向增强的各向异性扩散抑噪方法[J]. 电子学报，2006， 36（4）： 59-63.
[9]
王毅，张良培，李平湘. 各向异性扩散平滑滤波的改进算法[J]. 中国图象图形学报，2006， 11（2）： 210-216.
[10]
PERONA P， MALIK J. Scalespace and edge detection using anisotropic diffusion[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1990， 12（7）： 629-639.
[11]
苏雪平，齐敏，赵海涛，等. 一种基于数学形态学的CT图像脑肿瘤分割方法[J]. 计算机仿真，2010， 27（9）：249-252.
[12]
阮秋琦，阮宇智. 数字图像处理 [M]. 2版. 北京：电子工业出版社，2004：420-431.
[13]
张黄群，于盛林，白银刚. 形态学图像去噪中结构元素选取原则[J]. 数据采集与处理，2008，23（5）：81-83.
[14]
SOMASUNDARAM K， KALAISELVI T. Automatic brainextraction methods for T1 magnetic resonance images using region labeling and morphological oper论文导读：ations.ComputersinBiologyandMedicine，2011，41（8）：716-725.SOMASUNDARAMK，EZHILARASANK.Abrainextractionmethodusingcontourandmorphologicaloperations.MathematicalModellingandScientificComputation，2012，283（2）：449-455.上一页123
ations[J]. Computers in Biology and Medicine，2011，41（8）： 716-725.
[15]
SOMASUNDARAM K， EZHILARASAN K. A brain extraction method using contour and morphological operations[J]. Mathematical Modelling and Scientific Computation， 2012， 283（2）： 449-455.
摘要：
开颅手术中，为了满足手术导航系统进行快速、准确定位的要求，提出一种脑部核磁共振成像（MRI）图像三维头皮轮廓提取方法。首先采用各向异性扩散滤波方法对图像滤波，借助BrainSuite3医学软件获取脑标记图像；然后将图像中脑实质部分剔除，根据非脑组织图像计算头皮组织的分割阈值；再利用数学形态学处理二值图像获取头皮轮廓；最后结合目标灰度信息，用移动立方体（MC）算法进行三维重建。实验结果表明，该方法结合阈值、数学形态学和MC算法，能连续、光滑地提取出头皮外轮廓，并使精度达到亚像素级别。
关键词：
核磁共振成像图像分割；各向异性扩散滤波；数学形态学；三维头皮提取；亚像素； 移动立方体算法
0引言
在手术导航系统中，让医生简单、准确、快速地判定出肿瘤和手术器械的位置，是一个技术难点，而患者头部的标记点和一些器官（如耳朵、鼻子等）在定位过程中有着重要的参考价值。另外，核磁共振成像（Magnetic Resonance Imaging，MRI）因其高分辨率、高信噪比、无放射性危害、软组织成像效果好等优点而被广泛应用于临床，所以对脑部MRI图像头皮地提取和重建在临床上具有重要的应用价值。
虽然MRI脑部图像的分割算法很多，但是大部分文献都只重于脑实质（灰质、白质、脑脊液）和脑肿瘤的分割[3]。文献[4-5]用水平集算法有效地提取了大脑轮廓，该算法的实质是以图像的内力和外部约束力共同判断目标轮廓，但是和脑实质相比，头皮组织的厚度很薄，灰度值与周围组织相差不大，所以头皮组织内力和外部约束力的作用不明显。另外该算法初始参数过多，结果易受初始轮廓的影响，且实验结果重复性不强，所以用于头皮的提取时效果不好。文献[6]用模糊聚类方法很好地分割出灰质和白质，其实质是判断每个像素点隶属每个类的度，然后根据隶属度来对像素点分类，进而达到分割效果。但是头皮组织覆盖面广和厚度薄等特点，使模糊聚类未能达到良好分割效果。文献[7]结合区域生长方法分割出脑瘤，然而头皮组织不像脑瘤组织集中，且难于获取种子点，所以在提取头皮组织时，也不能得到满意的分割结果。数学形态学以完善的理论基础和定量描述，分析图像几何结构的优点，被广泛地应用于图像处理中。它的实质是以一定形状的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的，受到目标体积、集中度的影响不大，比较适合头皮的提取。但是其结构元素的选取是个难点，另外该算法处理的图像一般为二值图像[3]。
根据以上分析，本文提出一种阈值和形态学相结合的三维头皮组织分割算法。通过该算法得到的二值体数据再经过26邻域算法处理，获取头皮组织的灰度信息，经过移动立方体（Marching Cubes， MC）法进行三维重建。实验结果表明，该算法从三维角度对头皮进行提取，很好地结合了图像的空间信息，使得到的轮廓线准确而连源于：毕业设计论文www.7ctime.com
续；26邻域方法保留了头皮真实的灰度信息，使MC重建时图像精度达到亚像素级别，进而得到连续而光滑的头皮轮廓。
5结语
本文结合阈值和数学形态学算法，从三维角度提取MRI脑部图像的头皮组织，并用MC算法进行三维重建，效果如图8（a）、8（b）所示，可以看出，整个头皮的轮廓信息被连续完整的重建出来，但是图像比较模糊，一些细节部分显现得不是很好。通过26邻域方法，获取头皮组织的灰度信息后，重建结果如图8（c）、8（d）所示，不仅连续而光滑地重建出头皮轮廓，而且对头部特征点和器官的细节部分也有很好的显示效果。把两种方法的重建效果表示在单张切片上，效果如图9所示，可以看出，加入图像灰度信息后，图像的重建精度达到了亚像素级别。另外，利用本文算法还对多组数据做了实验，其结果也表明了其鲁棒性强的优点。
该算法借助BrainSuite3软件获取脑标记图像，不利于整个算法的全自动性，且耗费时间较长。研究一种自动、快速获取脑标记图像的方法，同时获取BrainSuite3软件同样或者更好的分割效果，是下一步的研究重点。
参考文献：
侯宏花，桂志国. 基于数学形态学人脑MR图像感兴趣区域的提取[J]. 中国组织工程研究与临床康复， 2010， 14（13）： 2369-2372.
NARENDRAN V论文导读：异性扩散平滑滤波的改进算法.中国图象图形学报，2006，11（2）：210-216.PERONAP，MALIKJ.Scalespaceandedgedetectionusinganisotropicdiffusion.IEEETransactionsonPatternAnalysisandMachineIntelligence，1990，12（7）：629-639.苏雪平，齐敏，赵海涛，等.一种基于数学形态学的CT图像脑肿瘤
K， NARENDIRA K， SOMASUNDARAM K. 3D brain tumors and internal brain structures segmentation in MR images[J].International Journal of Image， Graphics and Signal Processing，2012， 4（1）： 35-43.
[3]
DOGDAS B， SHATTUCK D W， LEAHY R M. Segmentation of skull and scalp in 3D human MRI using mathematical morphology[J]. Human Brain Mapping， 2005， 26（4）： 273-285.
[4]
ITH S M. Fast robust automated brain extraction[J]. Human Brain Mapping， 2002， 17（3）： 143-155.
[5]
ZHUANG A H， VALENTINO D J， TOGA A W. Skullstripping magnetic resonance brain images using a modelbased level set[J].NeuroImage， 2006， 32： 79-92.[6]
LI B 摘自：毕业论文下载www.7ctime.com
N， CHUI C K， CHANG S， et al. Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation[J]. Computers in Biology and Medicine，2011， 41（1）： 1-10.
[7]
DENG W K， XIAO W， DENG H， et al. MRI brain tumor segmentation with region growing method based on the gradients and variances along and inside of the boundary curve[C]// 2010 3rd International Conference on Biomedical Engineering and Informatics. Piscataway： IEEE， 2010，1：393-396.
[8]
谢美华，王正明. 基于边缘定向增强的各向异性扩散抑噪方法[J]. 电子学报，2006， 36（4）： 59-63.
[9]
王毅，张良培，李平湘. 各向异性扩散平滑滤波的改进算法[J]. 中国图象图形学报，2006， 11（2）： 210-216.
[10]
PERONA P， MALIK J. Scalespace and edge detection using anisotropic diffusion[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1990， 12（7）： 629-639.
[11]
苏雪平，齐敏，赵海涛，等. 一种基于数学形态学的CT图像脑肿瘤分割方法[J]. 计算机仿真，2010， 27（9）：249-252.
[12]
阮秋琦，阮宇智. 数字图像处理 [M]. 2版. 北京：电子工业出版社，2004：420-431.
[13]
张黄群，于盛林，白银刚. 形态学图像去噪中结构元素选取原则[J]. 数据采集与处理，2008，23（5）：81-83.
[14]
SOMASUNDARAM K， KALAISELVI T. Automatic brainextraction methods for T1 magnetic resonance images using region labeling and morphological oper论文导读：ations.ComputersinBiologyandMedicine，2011，41（8）：716-725.SOMASUNDARAMK，EZHILARASANK.Abrainextractionmethodusingcontourandmorphologicaloperations.MathematicalModellingandScientificComputation，2012，283（2）：449-455.上一页123
ations[J]. Computers in Biology and Medicine，2011，41（8）： 716-725.
[15]
SOMASUNDARAM K， EZHILARASAN K. A brain extraction method using contour and morphological operations[J]. Mathematical Modelling and Scientific Computation， 2012， 283（2）： 449-455.