基于輪廓和灰度特征匹配的X線影像成像部位自動判定方法研究

韓立博，馬安然，任寧寧，孫 勇，紹 巖，邱建峰

1 泰山醫學院放射學院，泰安市，271016

2 泰山醫學院信息工程學院，泰安市，271016

3 泰山醫學院附屬醫院放射科，泰安市，271000

基于輪廓和灰度特征匹配的X線影像成像部位自動判定方法研究

【作者】韓立博1,2，馬安然1,2，任寧寧1,2，孫 勇1，紹 巖1,3，邱建峰1

1 泰山醫學院放射學院，泰安市，271016

2 泰山醫學院信息工程學院，泰安市，271016

3 泰山醫學院附屬醫院放射科，泰安市，271000

目的 開發了一種基于圖像信息進行X線影像成像部位自動判定的方法。方法 對于任意選定的輸入臨床X線數字影像，使用圖像選擇最佳閾值的邊緣檢測方法提取圖像輪廓，并進行二值化處理，將圖像輪廓同經過拼接獲得的全身體模X線影像進行灰度相似性遍歷檢測。結果 通過最優化判定，獲得同輸入影像相似的最佳匹配區域，并基于先驗知識確定輸入影像的成像部位。結論 算法快速并具有較強的魯棒性。

邊緣檢測；灰度值匹配；圖像檢索；圖像匹配

0 引言

數字X線成像的發展,使得影像科需要面對海量的數字影像資料。如何僅基于影像信息進行影像成像部位的自動判定，是大影像數據條件下自動分析影像信息的首要步驟。

僅基于圖像信息進行攝影部位自動識別，是一種基于圖像匹配、檢索的圖像分析技術。目前單純的醫學圖像檢索、匹配算法被廣泛研究和報道[1]，例如：特征點匹配、灰度值匹配、相位相關匹配等，但僅能進行對輸入圖像的最佳相似檢索或類似匹配。能夠進一步獲得成像部位，并獲得正、側位、朝向等成像部位信息的研究尚未見報道，而這些信息的自動監測，將有效增加醫學圖像檢索、匹配的人工智能程度，有助于后續的大影像數據分析[2-3]。本研究通過對圖像基本輪廓和灰度信息的檢測，自動匹配或檢索成像部位，并獲得成像部位的自動判定信息。

1 研究方法

1.1 圖像的獲取

采集泰山醫學院附屬醫院影像科，2015年8月臨床連續3 d的所有X線影像，其中包括顱腦、四肢、肺部、腹部以及胸腔，共計124幅。經過臨床影像醫生和技師驗證，發生分歧時以醫生意見為主。采用全身X線體模（Whole body phantom PBU-50，Kyoto Kagaku, 日本）拍攝X線影像模板。該體模是用來仿真人體外形和組織等效參數的實驗設備，如仿真體形輪廓、骨骼和基本組織外形，但刻意忽略微觀尺度組織信息。分別對體模顱腦、頸椎、胸肺、腰椎、盆腔和四肢進行攝影（萬東DF X線機，北京，中國），各部位影像采用設備默認kV、mAs參數曝光。得到各部位獨立影像后，對圖像進行基本直方圖拉伸、濾波、去噪后，進行圖像配準和拼接。圖像配準使用剛體變換，通過平移、尺度變換和灰度漸變，拼接成一個完整的人體X線影像圖。考慮到各個器官灰度不同的特點，再進行基于自適應直方圖調整的灰度均衡化處理。實驗體模X影像見圖1。

圖1 實驗體模X線影像Fig.1 The phantom X-ray image

1.2 輪廓提取及閾值選取

1.2.1 輪廓的提取

將待檢測部位影像進行適當縮放并且采用高斯低通濾波降噪，以便與體模圖像匹配。采用基于圖像選擇最佳閾值的邊緣檢測方法，即將圖像灰度分成不同的等級，然后設置閾值確定有意義的區域或邊界。圖像閾值化處理的變換函數見式(1)，采用灰度標準差來篩選邊界的像素點。

其中Y為原始圖像，t為圖像閾值，H為分割后的二值圖像。對于物體的圖像元素H(i, j)=255，對于背景的圖像元素H(i, j)=0。

編碼的具體過程為：遍歷輸入影像像素點當作中心點，檢測出自身與其周圍的8個點，依次進行。對每次檢測出的9個點進行分析，求得9個點的灰度標準差，見式

其中s代表標準差，n代表像素點的個數，Xi表示檢測出的像素點。X代表均值。設定閾值t與該標準差做比較，當標準差大于閾值t時，則該點為邊界點。

1.2.2 閾值t的選取

使式(3)最小的閾值t為最佳閾值，因此對式(3)微分得式(4)：

由于f(t)和g(t)都服從正態分布，所以有式(5)、(6)：

將式(5)、(6)代入式(4)得式(7)：

由式(7)得：

根據式(8)，運用數學先驗知識易得出最佳閾值t，可將物體與背景進行分割。在許多情況下，物體和背景的對比度在圖像中的各處是不一致的，這時很難有一個統一的閾值將物體與背景分開。隨機選取20幅X射線影像，其中顱腦、四肢、肺部、腹部以及胸腔各4幅。分別求其最佳閾值t，求20幅影像閾值的平均值，將該平均值作為最終的最佳閾值，實驗所有部位均采用該值。

1.3 基于輪廓和灰度值模板匹配方法分析

首先輸入圖像經過圖像選擇最優化閾值輪廓提取，進行二值化處理，然后將二值圖像同全身體模X線影像模板進行灰度匹配。匹配方法基于灰度矩陣相似性，匹配方法利用模板影像與搜索影像之間的像素灰度差來表示二者的相關性。設搜索影像為S，模板影像為T，模板影像大小為P×Q，搜索影像大小為M×N（S為大圖，T為小圖，且M×N＞P×Q）。那么在搜索影像中共有(M-P+1)×(N-Q+1)個可能匹配點存在，每一個可能的匹配點對應一個P×Q的搜索窗口。即可看做將模板影像T在搜索影像S上移動，在每個位置上求模板與模板覆蓋下的子圖的絕對差

如式(9)所示：

由式(9)得：

當模板圖與搜索子圖達到最佳匹配時λ(i, j)的值最大。

2 實驗處理結果

2.1 常用邊緣檢測方法與基于圖像選擇最佳閾值的邊緣檢測方法比較

對顱腦、四肢、肺部、腹部以及胸腔X線影像進行基于圖像選擇最佳閾值的邊緣檢測，同時進行Canny算子，Sobel算子輪廓提取，進行對照比較分析，結果如圖2所示。基于圖像選擇最佳閾值的邊緣檢測算法所獲得的輪廓，尺度較為一致，邊緣連通性好，噪聲低，取得良好的效果，見圖2(d)。

2.2 基于輪廓和灰度值模板匹配方法匹配結果

將任意輸入X線影像同比例做預處理，進行邊緣提取，提取后獲得的邊緣二值影像，同體模整體影像進行移動檢索匹配。當體模某部位與模板影像相似度最高時則認為兩部分為相同部位，用標識框標出，示例如圖3所示，自動判定的平均判定時間和判定結果正確率如表1所示。由判斷結果可得，算法具有較高的魯棒性，平均準確率為83.07%，平均判斷時間為8.24 s。本算法判定結果同醫生的主觀判斷結果相同，并能準確地給出標準成像解剖部位和影像朝向信息。

圖2 不同算法提取的輪廓Fig.2 Contour extraction by different algorithms

圖3 匹配結果圖Fig.3 Matching result charts

常用邊緣檢測算子，Canny和Sobel算子，在檢測過程中會造成不同程度的輪廓缺失，且不同尺度的組織輪廓并存于圖像中，造成圖像整體輪廓不突出[4-10]。基于圖像選擇最佳閾值[11-12]的邊緣檢測算法很好地解決了輪廓缺失的問題，在閾值選取得當的情況下，輪廓的尺度得到很好的體現，具有不同的層次。這對僅需要組織宏觀輪廓進行灰度匹配[13-18]的后續算法，能夠具有更高的敏感性和特異性。在僅用影像自身形態和灰度信息的情況下，本算法能夠快速準確地自動判定被檢者的X線成像部位和方向。相較于傳統的灰度值模板匹配[19]，運算量減小，同時也減小了相同部位因為不同環境（曝光差異、膠片差異）所造成的誤差。算法具有較好的敏感性和魯棒性，可以用于影像大數據下，X線影像的特征提取和自動分析，具有一定的應用價值。

算法主要基于圖像選擇最佳閾值進行輪廓提取，然后對二值化圖像進行體模標準圖像的匹配檢索。人體各個部位在宏觀結構上，具有高度的相似性，X線影像拍攝又具有嚴格的拍攝姿勢規范。因此，拍攝過程中無論環境還是拍攝姿勢都比較固定，無論大人還是小孩的身體部位在拍攝處理后大小變化不明顯。同時，體模結構是在人體基本結構簡化而來，具有宏觀器官的外形，但忽略組織細節和微尺度臟器，如：胸部采用軟組織材料仿真肺部輪廓，但小于一定尺度的肺紋理予以放棄。這樣，在X線下，體模影像能宏觀的表達人體X線攝影的基本部位和方向，又不帶有影響邊緣檢測和灰度匹配的邊緣細節。由此，對體模影像進行匹配的算法能夠具有較高的準確率，同時還能表達（標示）絕大多數常規X線攝影部位。

算法盡管在一些部位具有較高準確率，但仍存在一些問題和不足。例如兩幅不同的影片輪廓相似性比較高，匹配便會出現錯誤。一些拍攝體位非常不規范的X線影像，也會導致匹配錯誤。因此在接下來的工作中我們會繼續探究，融合更為標準的體模模型，如考慮男性、女性體模，成人、兒童體模，來進一步提高匹配效率。

表1 基于最佳閾值自動判定與Canny算子進行判定時間與正確率比較Tab.1 Comparison between the time and the correct rate based on the automatic determination of the optimal threshold and the Canny operator

[1] 寧彬. 圖像處理技術在機動車車牌自動識別技術中的應用[J]. 科學技術與工程, 2013, 13(2): 366-371.

[2] 王弈, 李傳富. 人工智能方法在醫學圖像處理中的研究新進展[J].中國醫學物理學雜志, 2013, 30(3): 4138-4143.

[3] 徐彩云. 圖像識別技術研究綜述[J]. 電腦知識與技術, 2013, 9(10): 2446-2447.

[4] Yue D, Xu S, Nie H.Co-phasing of the segmented mirror and imageretrieval based on phase diversity using a modified algorithm[J]. Appl Opt, 2015, 54(26): 7917-7924.

[5] Takahashi T,Kurita T.Mixture of subspaces image representation and compact coding for large-scale image retrieval[J].IEEE Trans Pattern Anal Mach Intell, 2015, 37(7): 1469-1479.

[6] 鄭友益, 饒吉來, 吳雷. 數字圖像幾種邊緣檢測方法的比較分析[J]. 機械工程與自動化, 2010, (2): 25-27.

[7] 譚衢霖, Aldred A, 胡吉平. 基于知識規則的數字掃描圖像目標邊界提取[J]. 應用基礎與工程科學學報, 2013, 21(3): 553-561.

[8] 余博, 郭雷, 趙天云, 等. Freeman鏈碼描述的曲線匹配方法[J].計算機工程與應用, 2012, 48(4): 5-8.

[9] 王競雪, 宋偉東, 趙麗科, 等. 改進的 Freeman 鏈碼在邊緣跟蹤及直線提取中的應用研究[J]. 信號處理, 2014, 30(4): 422-430.

[10] 熊華暉, 李永, 李建紅, 等. 基于磁共振圖像的鼻腔邊界分割及解剖結構提取[J]. 生物醫學工程與臨床, 2014, 18(1): 1-4.

[11] 張德豐. MATLAB數字圖像處理[M]. 北京: 機械工業出版社, 2009.

[12] 李蓉, 周維柏. 基于灰度標準差的光流模型的步態識別算法[J].昆明理工大學學報( 理工版), 2010, 35(5): 66-69.

[13] Tachibana H, Uchida Y,Shiizuka H.Technical note: determination of the optimized image processing and templatematching techniques for a patient intrafraction motion monitoring system[J]. Med Phys, 2012, 39(2): 755-764.

[14] Li HS, Huang XL, Huang JZ, et al. Feature matching with aff nefunction transformation models[J]. IEEE Trans Pattern Anal Mach Intell, 2014, 36(12): 2407-2422.

[15] 李強, 張鈸.一種基于圖像灰度的快速匹配算法[J].軟件學報, 2006, 17(2): 216-222.

[16] Wu J, Li C, Gogna A, et al. Technical Note: Automatic real-time ultrasound tracking of respiratory signal using selective filtering and dynamic templatematching[J].Med Phys, 2015, 42(8): 4536-4541.

[17] 劉寧, 羅洪艷, 譚立文, 等. 基于雙重邊緣檢測和區域生長的大腦皮層分割算法[J]. 中國介入影像與治療學, 2012, 9(8): 629-632.

[18] Hsu YC, Lo YC, Chen YJ, et al. NTU-DSI-122: A diffusion spectrum imaging template with high anatomical matching to the ICBM-152 space[J]. Hum Brain Mapp, 2015, 36(9): 3528-3541.

[19] 桑智明. 幾種基于灰度的圖像匹配算法研究[D]. 天津: 南開大學, 2011.

The Automatic X-ray Radiological Positions Detection Based on Contour and Gary Feature Matching

【Writers】HAN Libo1,2, MA Anran1,2, REN Ningning1,2, SUN Yong1, SHAO Yan1,3, QIU Jianfeng1
1 College of Radiology, Taishan Medical University, Tai’an, 271016
2 College of Information and Engineering, Taishan Medical University, Tai’an, 271016
3 Department of Radiology, Aff liated Hospital of Taishan Medical University, Tai’an, 271000

Objective Designed a method that can automatically distinguish the X-ray radiological positions based on image information. Methods For any selected input clinical X-ray digital images, we extract the image outline in the edge detection method using optimal threshold selection, then process binarization. After compared with the whole body phantom X-ray images, then process gray level similarity traverse detection. Results By optimizing the decision, the best matching region of the same input f lm was obtained, and the imaging part of the patient is determined based on prior knowledge. Conclusion The algorithm is fast and has a high degree of robust.

edge detection, gray level matching, image retrieval, image matching

TP391.41

A

10.3969/j.issn.1671-7104.2016.05.002

1671-7104(2016)05-0318-04

2016-04-21

泰山醫學院磁共振成像與質量控制創新中心（ZD0101）；泰山醫學院高層次課題（GCC003）

邱建峰，副教授，E-mail: jfqiu100@gmail.com