|
|
颅脑病变自动识别的整体方案设计
2.1 颅脑病变CT基础知识
对计算机辅助颅脑病变自动识别的研究，需要颅脑CT诊断学的知识。包括有颅脑的基本结构、颅脑疾病分类知识和CT脑图的有关知识。下面首先对以上基础知识做一个简要的介绍。
人的头部从外到内有以下几层结构：颅盖软组织、脑颅骨、脑膜及其间隙、脑。脑部疾病多发于脑，脑分为大脑，脑干，间脑和小脑。大脑分左右两个半球，基本对称。大脑半球以三个沟裂为标记，分成四个叶和一个脑岛。按Brodmann功能定位法，在CT图像中进行定位，主要有：额叶、顶叶、颞叶、枕叶和岛叶。大脑半球内部有侧脑室、大脑半球内部的神经核团、大脑半球的白质等等。在CT图片中，脑干、间脑、小脑较少被成像故不作介绍。
颅脑疾病种类相当繁多，这也是造成颅脑CAD研究艰难的一个原因。颅脑疾病可大体分为以下几类：脑先天性疾病、脑血管病、颅内肿瘤性病变、颅内感染性疾病和脑白质病。其中，以颅内肿瘤性病变最为常见，占颅脑疾病的绝大多数。脑瘤有神经胶质细胞瘤、脑膜瘤、垂体瘤、颅神经瘤等等。其病变的表现多体现于密度变化、占位效应、水肿、钙化等等。
CT是在现代医院影像科中被广泛使用的成像设备。CT图片是由X射线透射人体断层，射线被人体组织衰减后投影成像。较先进的有双层螺旋CT，全身CT等等。颅脑CT图片一般分为8层，最低层以听眦线为基准，层厚约10毫米。有颅底层、蝶鞍层、第三脑室前后层、侧脑室层等等。扫描分平扫和增强扫描。平扫的病变特征一般以密度的改变为主，增强扫描则主要为强化的种类不同。除此以外脑室系统的变化如占位效应，萎缩，梗阻等等也是医生诊断时会注意的特征。
2.2 颅脑病变自动识别整体方案
本文研究颅脑病变自动识别方案的思路是首先研究医生进行病变诊断的流程。在总结医生诊断过程的基础上，利用计算机模拟诊断的各个步骤。研究每个环节的计算机自动实现，最终达到颅脑病变自动识别的目的。
医生对疾病进行诊断的基本流程可以概括为发现病灶、观察分析病灶，最后根据观察所得结合医学理论和临床表现确定疾病种类。发现病灶即是找出具体病变的区域，对于数字图像就是分割问题。观察分析病灶的目的是获取病灶的表征其为区域特征提取问题。由特征来自动分类病变是模式识别问题。 综上颅脑病变的自动识别方案如下图所示。
图2-1 颅脑病变识别过程
本文研究的重点是如何自动分割出病变区域以及对分割出的病变区域提取特征，下面将对这两个模块的方案进行介绍。
2.3 颅脑病变区域的自动分割方案
现在研究中比较常用的颅脑病变区域自动分割方案是：第一步先对颅脑CT图像进行分割，将整个颅脑包括病变在内的所有结构和组织都分割出。第二步或是利用基准灰度模板或是利用结构化的先验知识，基于对照或是分布规则将病变区域识别出来。其流程如图2-2。
图 2-2 常规颅脑病变分割方案
针对颅脑结构的分割算法很多，有基于统计学的算法、基于信息论的算法、基于神经网络的算法、基于小波变换的算法等等。较为常用的是阈值分割算法。其利用了颅脑不同结构的CT值不同进行分割。但是想获得较好的效果则图源必须为标准的DICOM格式图片。
对比模板的建立同样是建立在优良的分割算法的基础上的。而利用结构化的判断方法需要有关各个CT层的大量结构先验知识。同时，由于每个病人的颅脑结构都有个体差异，所以在利用以上方法时还需要先进行配准，在初步判断后再依据一个概率意义上的容错谱解决个体差异问题。
笔者缺少大量的医学先验知识，也没有途径获得标准的CT图源。通过对基础医学知识的学习，发现颅脑的结构对所有正常人而言都是对称的这一先验知识是一个很好的立足点。多数情况下，病变区域与对称侧脑的同区域是有着明显不同的。这一点和所处的CT图层无关，只和病变的具体情况有关。通过这一点，可以发现病变区域而排除正常的灰度值有变化的结构和组织。但是，在没有进行分割之前是无法知道病变区域的，也就无法进行精确的基于对称性的比较。
本文的思路如下：首先不对图片进行分割，而只进行简单的分块。将颅脑CT图片分为对称矩形区域。其次对矩形区域选择合适的特征并表达。根据特征和基于颅脑对称性的先验知识确定包含有病变的区域。将所有包含有病变的分块进行合并。最后，利用基于阈值的分割算法分割出具体的病变区域。
图2-3 本文设计的病变分割方案
2.4 颅脑病变区域特征提取方案
颅脑病变区域特征提取的合适与否关系到之后的分类器的设计。因为颅脑病变的种类多样，判断依据的特征较多，分类器多采用非度量的结构判断，这也是符合医生的判断过程的。由此，特征的需要数量较多，选择的标准应以医生判断病变时的选择为依据，这样可以在后续分类器设计时尽可能利用大量的成熟的医学先验知识。同时，也可以辅助医生进行诊断。
通过学习相关的医学理论，可以确定医生在判断时多会考察位置、边缘、面积，灰度、病变区域内部纹理等等的特征。可以根据数字图像处理的相关理论量化这些特征。选取平均灰度，灰度对比度，灰度共生矩阵的矩等等作为分类特征。
2.5小结
颅脑CT病变的自动识别整体方案包含三个步骤，其中病变区域自动分割，病变区域特征提取为本文关注的两个核心模块。病变区域自动分割首先利用颅脑结构对称的先验知识和病变区域灰度变化明显的特征确定病变的分块区域，之后再利用常规的阈值分割算法分割出精确的病变区域。病变区域特征提取依据医生判断所考虑的特征，选取平均灰度，灰度对比度，灰度共生矩阵等作为分类特征。
