脑出血CT成片扫描分析系统

脑出血ct成片扫描分析系统
技术领域
1.本发明涉及脑ct影像分析技术领域，具体涉及脑出血ct成片扫描系统。


背景技术：

2.对脑ct影像的处理，大多为传统的手动标记，这种方法不仅费时费力，且由于大多数患者血肿边界的确定不十分明确，因此这种方法也面临着存在较大的测量者个体及个体间分割误差，现有系统大多只能采用种子生长算法和分水岭算法其中的一个，缺乏对两个算法的有机融合，且由于ct机参数不同，不同ct机拍摄的ct片会导致复杂度不同，割切难度大，同时在计算出血体积时，如果出现不规则的情况，则需要逐层计算，层层相加，综上所述，现有脑ct影响处理技术计算量大，消耗时间长，人力成本高。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，提供脑出血ct成片扫描系统，包括以下内容：
4.ct成片扫描模块：用于对ct成片进行扫描、捕捉、存储得到电子档信息；
5.图像读取模块：用于对电子档进行读取，得到ct成片的dicom格式图像；
6.图像预处理模块：基于分水岭算法对dicom格式图像上疑似脑血肿的区域进行标记；
7.出血区域筛选模块：基于种子生长算法对标记出的脑血肿区域进行筛选；
8.出血体积计算模块：用于对筛选出的脑血肿区域进行体积计算；
9.所述ct成片扫描模块、图像提取模块、图像预处理模块、出血区域筛选模块、出血体积计算模块依次连接。
10.优选的，所述出血体积计算模块对脑出血ct成片上出血总体积v的计算公式为：
[0011][0012]
si为当前脑出血ct成片i中的出血部分面积，h为当前脑出血ct成片的图层厚度，vi为当前脑出血ct成片i中的出血部分体积。
[0013]
优选的，还包括图像保存模块，用于对脑血肿区域体积计算结果进行存档，所述图像保存模块与所述出血体积计算模块连接。
[0014]
优选的，还包括出血区域切割模块、阈值调整模块，所述出血区域切割模块用于对ct 成片的dicom格式图像上筛选后的单个或多个出血区域进行切割，所述阈值调整模块用于对出血区域切割模块的切割阈值进行调节，所述出血区域筛选模块、出血区域切割模块、阈值调整模块依次连接，所述图像保存模块与所述出血区域切割模块连接。
[0015]
优选的，所述电子档信息包括ct成片排序数据、图像像素间距、ct成片图层厚度。
[0016]
脑出血ct成片扫描方法，包括以下步骤：
[0017]
步骤1：对ct成片进行扫描，获取ct成片的电子档信息，根据ct成片电子档信息生
成dicom格式图像；
[0018]
步骤2：基于分水岭算法对dicom格式图像进行预处理，标记出脑血肿疑似区域；
[0019]
步骤3：基于种子生长算法对疑似区域进行筛选，得出实际脑出血区域；
[0020]
步骤4：对出血区域进行切割，并计算实际脑出血区域的总体积。
[0021]
优选的，所述步骤4中，还包括以下步骤：
[0022]
步骤41：采用自适应阈值对出血区域进行切割，判断切割阈值是否合理；
[0023]
步骤42：调节阈值大小直到切割阈值合理。
[0024]
步骤43：根据调节后的合理阈值进行切割。
[0025]
本发明的有益效果是：
[0026]
为解决传统ct影像处理中人力成本大的问题，该发明中将分水岭算法以及种子生长法进行有机融合，只需操作者将颅脑ct影像导入系统，根据需求选择，便可分割出血区域，精确量化出血区域，减少人工成本，节省时间。同时将脑ct影像中的出血部位进行批量化分割储存，便于后续不同医院的医生进行阅览，便于存储和电子可视化，且该系统可将ct进行扫描得到对应的电子档，以便进行后续的ct影像处理。
附图说明
[0027]
图1显示为本发明的系统原理图；
[0028]
图2显示为本发明的方法流程图；
[0029]
图3显示为本发明导入ct成片后的效果图；
[0030]
图4显示为本发明对ct成片进行图像预处理后的效果图；
[0031]
图5显示为本发明对ct成片进行出血区域切割的效果图；
[0032]
图6显示为本发明对保存切割后的出血区域的效果图；
[0033]
图7显示为本发明对出血区域进行人工选点的效果图。
具体实施方式
[0034]
下面结合本发明的附图1～7，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。
[0035]
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0036]
如图1所示，脑出血ct成片扫描系统，包括以下内容：
[0037]
ct成片扫描模块：用于对ct成片进行扫描、捕捉、存储得到电子档信息；
[0038]
图像读取模块：用于对电子档进行读取，得到ct成片的dicom格式图像；
[0039]
图像预处理模块：基于分水岭算法对dicom格式图像上疑似脑血肿的区域进行标记；
[0040]
出血区域筛选模块：基于种子生长算法对标记出的脑血肿区域进行筛选；
[0041]
出血体积计算模块：用于对筛选出的脑血肿区域进行体积计算；
[0042]
所述ct成片扫描模块、图像提取模块、图像预处理模块、出血区域筛选模块、出血体积计算模块依次连接。
[0043]
ct成片扫描模块通过直接对ct成片进行扫描，得出ct图片的电子档信息，可以避免由于不同医院仪器参数的不同，影响后续图像的处理效果，图像读取模块既可用于读取有ct 成片扫描模块扫描到的ct成片电子档，也可以直接读取ct机中的dicom格式图像。
[0044]
本系统使用matlab软件进行gui界面设计，采用分水岭与种子生长等一系列算法，将影像中的出血部位切割出来，并对其出血区域进行面积和体积计算，最终得到一个相对准确的数据供医疗参考。
[0045]
分水岭算法：最初是由meyer所提出，基本思想是将影像看作一个立体的地形区域，并且影像中的每一个像素点的海拔高度是通过该像素点的灰度值表示。由此通过影像中的像素点的灰度值高低不同，有了影像中每个区域的局部最小值与其相对应的区域，称之为集水盆地。在分水岭算法中，如果地形表面从最低处开始淹没并防止了水的合并，那么影像将被划分为两个不同的区域：集水盆地和分水岭线。为了得到更好的分割效果，分水岭应用于梯度影像，由于梯度影像是一个二值影像，因此在影像中灰度变化不大的地方就是集水盆，反之变化很大的地方就是分水岭。但是由于传统的分水岭算法在实现中容易受到噪声的干扰，导致最终出现过切割现象，即一个灰度值均匀的地方被过度切割为多个子区域。
[0046]
而基于标记的分水岭算法可以很好的解决该问题，它使用形态学梯度重构和标记提取技术，对影像进行预处理，能有效解决分水岭算法的过切割问题,又保留了各算法的重要目标。其中，分水岭算法的思想是通过切割的分水岭作为外部标记，而影像中的局部最小值所在区域为内部标记。分水岭算法具有较强的抗噪性,可以得到一个连通的、封闭的、准确的轮廓，由此得到多个连通区域。
[0047]
区域生长法：最初是由adams等人提出的是将具有相似性质的像素点集合起来构成区域,区域内相似性的依据有灰度、颜色、纹理等特性。该方法主要考虑一个像素点与相邻像素点之间的关系。其基本思想是:首先选取一个或者多个种子点；然后制定某种相似性准则,依次将种子像素点和其周围具有相似像素的点,归并到种子像素所在的区域中,就能确定让种子停止生长的边界。
[0048]
在区域生长法的结果受到噪声，初始种子点，生长准则与结束准则四个部分影响。其初始种子点决定了初始信息，同样也决定了区域生长的方向。
[0049]
在区域生长法中，生长准则是其核心。利用可以使用种子像素与相邻像素之间的灰度值之差,即为
[0050]
r＝f(x,y)-f(i,j)
[0051]
其中r表示灰度差值，即通过来判断相邻像素点之间的灰度差值，f(x,y)为种子像素， f(i,j)为相邻像素。若在一定的范围内，则考虑像素点为相似关系，否则是非相似关系。
[0052]
具体的，所述出血体积计算模块对脑出血ct成片上出血总体积v的计算公式为：
[0053]
[0054]
si为当前脑出血ct成片i中的出血部分面积，h为当前脑出血ct成片的图层厚度，vi为当前脑出血ct成片i中的出血部分体积。
[0055]
因为不同医院使用的ct机参数不同，拍出来的ct片也不同，所以需要人工输入像素间距和ct片厚度进行转换像素间距就是指一个像素点有多大，ct片厚度可以理解为像素点的高。
[0056]
如图1所示，具体的，还包括图像保存模块，用于对脑血肿区域体积计算结果进行存档，所述图像保存模块与所述出血体积计算模块连接。
[0057]
如图1所示，具体的，还包括出血区域切割模块、阈值调整模块，所述出血区域切割模块用于对ct成片的dicom格式图像上筛选后的单个或多个出血区域进行切割，所述阈值调整模块用于对出血区域切割模块的切割阈值进行调节，所述出血区域筛选模块、出血区域切割模块、阈值调整模块依次连接，所述图像保存模块与所述出血区域切割模块连接。
[0058]
切割时阈值调节指切割出血区域时对图像边缘平滑度的调节。
[0059]
具体的，所述电子档信息包括ct成片排序数据、图像像素间距、ct成片图层厚度。
[0060]
如图2、图3、图4、图5所示，脑出血ct成片扫描方法，包括以下步骤：
[0061]
步骤1：对ct成片进行扫描，获取ct成片的电子档信息，根据ct成片电子档信息生成dicom格式图像；
[0062]
步骤2：基于分水岭算法对dicom格式图像进行预处理，标记出脑血肿疑似区域；
[0063]
步骤3：基于种子生长算法对疑似区域进行筛选，得出实际脑出血区域；
[0064]
步骤4：对出血区域进行切割，并计算实际脑出血区域的总体积。
[0065]
具体的，所述步骤4中，还包括以下步骤：
[0066]
步骤41：采用自适应阈值对出血区域进行切割，判断切割阈值是否合理；
[0067]
步骤42：调节阈值大小直到切割阈值合理。
[0068]
步骤43：根据调节后的合理阈值进行切割。
[0069]
在种子生长算法对疑似区域进行筛选时，可能出现种子点未落在脑血肿疑似区域内的情况，此时需要人工在脑血肿疑似区域上进行选取，点击出血部位，如图7所示；系统中还包括有出血区域列表，当前ct成片的出血区域个数会在出血区域列表上进行排列，在对出血区域进行切割时，若单个ct成片上存在多个出血区域，则在每一次出血区域切割后，先对 ct成片上的出血区域列表进行更新，图像保存模块再对图像做一次暂存，图像暂存时系统发出确认提示，电机确认后进行更新并对当前图像进行暂存，如图6所示，同时保留切割后的出血区域图像，直到该ct成片上的出血区域被切割完全，则对下一张ct成片进行切割；
[0070]
切割的合理阈值为，即能够完全覆盖出血区域，又不会将非出血区域包括进切割范围内。