一种中心线的提取方法发明专利.docxVIP

一种中心线的提取方法 技术领域 本发明涉及医学图像的处理领域，尤其涉及一种中心线的提取方法。 背景技术 磁共振MR检查由于其无损伤、任意断面和多参数成像等特点而日益普及， 尤其在中枢神经和脊柱临床应用中优势更为突出。一般地，为了便于诊断， 在进行MR脊柱图像成像的时候，通常会将扫描平面设置为平行于目标椎间盘 的中心线方向。这是因为MR成像非各向同性，扫描平面上的分辨率高于扫描 平面之间的分辨率。因此通过将扫描平面分别与各个椎间盘中心线对齐，可 以去除脊椎次要特征信息的影响而精确清晰地得到脊椎以及椎间盘的图像信 息。 通常的脊柱扫描技术首先会用较短时间粗略地扫描出低分辨率的Scout 图像，然后由操作者手动确定各个椎间盘的扫描角度和位置，最后进行高分 辨率但耗时较长的MR-T1，MR-T2图像扫描。而在这个过程中，病人会一直处 于被扫描状态，因此通过自动生成扫描平面来节省时间，并保持扫描面生成 模式的一致性以便后续图像的比较，显得尤为重要。 美国专利US7804986提出了一种基于局部脊椎分割的方法：首先手动提供 一个脊椎附近的点，然后通过自适应的阈值分割的方法得到这个点近邻的一 对脊椎，接着通过形态学方法去除掉周围组织包括椎间盘而留下2个具有清晰 边界的脊椎。然后(1)算出一个它们之间的中心点作为种子点，通过基于方向 场的区域增长方法得到椎间盘区域并算出中心线方向；(2)通过2个脊椎靠近 椎间盘一侧的边界直接定位椎间盘中心线的方向。这种方法在开始阶段需要 对每2个脊椎人为输入初始点，而且精度受图像清晰度影响很大，缺点明显。 文献1：Szu-HaoHuang，Yi-HongChu，Shang-HongLai，CarolL.Novak. Learning-BasedvertebradetectionanditerativeNormalized-Cut segmentationforspinalMRI.IEEETransactiononMedicalImaging，vol. 28，No.10.2009.提出了一种基于学习的方法来自动识别脊椎并采用改进的 Normalized-Cut分割方法进行脊椎区域的提取。但是由于采用了这种较为复 杂的分割算法，计算量较大而且受图像清晰度的影响明显，后续计算椎间盘 的中心点和中心线还将再次受到图像清晰度的影响。 文献2；P.P.Smyth，C.J.TaylorandJ.E.Adams.Automaticmeasurement ofvertebralshapeusingactiveshapemodels.(1996)采用了基于模型 (ActiveShapeModel)的方法来训练并检测一段脊柱从而确定每个脊椎的 区域。但是这种方法需要提前训练出一段固定脊椎数目的脊柱模型，对于检 测一副脊椎数目未知的图像来说不具有通用性。 文献3：RuiqiongShi，DongmeiSun，ZhengdingQiuandKennethL. Weiss.AnefficientmethodforsegmentationofMRIspineimages. (2007).采用一种基于模型的方法并配合霍夫变换来提取脊柱线。但是这种方 法非常依赖于脊柱边界的清晰度，因此普适性不强。 发明内容 本发明解决的问题是提供一种中心线的提取方法，用以避免应先检测脊 椎块然后定位椎间盘位置导致的分割误差。 为了解决上述问题，本发明提供一种中心线的提取方法，包括： 提供脊柱图像，基于分类器检测所述脊柱图像中的椎间盘点和头颈部连 接点，基于所述椎间盘点和头颈部连接点提取所述脊柱图像的椎间盘的中心 线。 可选的，所述分类器包括：基于概率的决策树分类器、线性判别分析分 类器、支持向量积分类器或者贝叶斯分类器。 可选的，所述分类器为基于概率的决策树分类器，训练所述分类器包括： 准备椎间盘正负样本，采用Ada-Boost方法训练各个强分类器，作为各个树 结点并最终生成基于概率的决策树的树形分类器。 可选的，包括：基于所述分类器对脊柱图像检测获得概率图；对所述概 率图进行区域增长获取若干数目的连通域；基于所述连通域获取椎间盘点和 头颈部连接点。 可选的，通过3阶曲线拟合或者直线拟合对所述椎间盘点和头颈部连接 点进行拟合，确定所述脊柱的拟合曲线。 可选的，所述3阶曲线拟合或直线拟合包括宽松距离条件的3阶曲线拟 合或直线拟合及严格距离条件的3阶曲线拟合或直线拟合。 可选的，通过医学图像若干数目的椎间盘点和头颈部连接点进行3阶曲 线拟合或直线拟合，确定具有点最多的作为最佳拟合曲线或直线，根据所述 最佳拟合曲线或直线去除假阳性点；在去除假阳性点后剩余的点中进行严格 距离条件的3阶曲线拟合或者直线拟合，确定脊柱的拟合曲线。 可选的，若所述脊柱图像为矢状面颈椎图像