基于CT图像的颅内血肿体积测量方法的研究.pdfVIP

医疗设备锫垂 骨内组织：采用人工参与方式，用鼠标在颅骨内某处点击一 下，设此点A(x，Y)为种子点，并将此点灰度值置为“1”，利用四 c ， = {2： ： ； _l臣K gg (tx, y； cs， 邻域方法生长，判断四邻域像素是否全为 “1”，如果不全为 其ep，1≤b0，bl，S，T≤L “1”，则以为“0”的像素继续生长，并将其置为“1”；如果为“1”， (2)二维熵阈值化。在阈值化的基础上引入熵的思想，若以 则说明搜索到了颅骨边缘，则停止，直至充满整个颅骨内面 (S，t)为分割阈值，对应物体(目标)的概率分布 ，，与其相关的 积。 熵为Hf01： 如此可将颅骨内组织全部搜索到并置为“1”，此图像记为 (D)=1n + (4) I2，如罔3。 (3)逻辑运算以去除颅骨等非脑组织。将图像I，与I 作“异 与背景B的概率分布相关的熵为H(B1： 或”运算，得到只有颅骨内组织且灰度为“1”的图像，其余为背 景灰度为“0”，记此图像为I，，如图4。 日( )= ，一 ； 巴+ln(1一尸、 ，) (5) (4)还原颅内组织原始图像。将原始图像与I，做相乘运算， 其中． 则颅内组织与“1”相乘，还是原始灰度值，而颅骨等非脑组织 = ∑∑ H．盯=一∑∑ ln H =一∑∑ In 与 “0”相乘变为 “0”，成为背景，记此图像为I ，如图5。 至此，定义二维熵阈值分割的准则函数IlJ(S，T)为H(0)， H(B)之和： ， 一n 卜 + +竿 (6) 1．3分层遗传算法对二步分割的实现 为了使目标和背景体现最大的信息量，即目标与背景相 图3 区域增长图像 图4异或图像 图5一步分割后的图像 关的熵最大，须选择最优阈值。为了更快更精确的计算二维熵 1．2 CT颅内m肿图像的二步分割 最优阈值，利用改进的分层遗传算法搜寻最优阈值 。该方法 对只含脑组织和血肿的图像作二步分割，获取仅含血肿 分高低两层，高、低层上均使用了遗传算法旧。 的网像。脑组织和血肿在灰度上有较大差别，考虑到噪声和CT 分层遗传算法中算子的改进： 成像的特点，采用二维熵阈值方法进行二步分割。 (1)复制(选择)算子的改进：(Determinstic sampling)定性 二维熵阈值分割： 采样选择算子。此算子能较好的解决子群规模较小的特点，避 将信息论中“熵”的概念用于图像分割，基本思想是选择 免漏掉适应度较高的个体。 最优阈值，使得物体与背景的灰度分布体现最大的信息量，其 f2)交叉算子的改进：非等概率融合单阈值单点(逻辑)交 中信息量由“熵”来衡量13]。 叉算子。这借鉴了“基因融合”的思想，从生物学角度看，有利 图像的二维熵阈值由象素点的灰度值和其邻域的灰度平 于得到优良后代。 均值决定[41。它不仅反映了灰度信息分布，而且反映了图像象