基于轮廓和灰度特征匹配的X线影像成像部位自动判定方法研究

韩立博，马安然，任宁宁，孙 勇，绍 岩，邱建峰

1 泰山医学院放射学院，泰安市，271016

2 泰山医学院信息工程学院，泰安市，271016

3 泰山医学院附属医院放射科，泰安市，271000

基于轮廓和灰度特征匹配的X线影像成像部位自动判定方法研究

【作者】韩立博1,2，马安然1,2，任宁宁1,2，孙 勇1，绍 岩1,3，邱建峰1

1 泰山医学院放射学院，泰安市，271016

2 泰山医学院信息工程学院，泰安市，271016

3 泰山医学院附属医院放射科，泰安市，271000

目的 开发了一种基于图像信息进行X线影像成像部位自动判定的方法。方法 对于任意选定的输入临床X线数字影像，使用图像选择最佳阈值的边缘检测方法提取图像轮廓，并进行二值化处理，将图像轮廓同经过拼接获得的全身体模X线影像进行灰度相似性遍历检测。结果 通过最优化判定，获得同输入影像相似的最佳匹配区域，并基于先验知识确定输入影像的成像部位。结论 算法快速并具有较强的鲁棒性。

边缘检测；灰度值匹配；图像检索；图像匹配

0 引言

数字X线成像的发展,使得影像科需要面对海量的数字影像资料。如何仅基于影像信息进行影像成像部位的自动判定，是大影像数据条件下自动分析影像信息的首要步骤。

仅基于图像信息进行摄影部位自动识别，是一种基于图像匹配、检索的图像分析技术。目前单纯的医学图像检索、匹配算法被广泛研究和报道[1]，例如：特征点匹配、灰度值匹配、相位相关匹配等，但仅能进行对输入图像的最佳相似检索或类似匹配。能够进一步获得成像部位，并获得正、侧位、朝向等成像部位信息的研究尚未见报道，而这些信息的自动监测，将有效增加医学图像检索、匹配的人工智能程度，有助于后续的大影像数据分析[2-3]。本研究通过对图像基本轮廓和灰度信息的检测，自动匹配或检索成像部位，并获得成像部位的自动判定信息。

1 研究方法

1.1 图像的获取

采集泰山医学院附属医院影像科，2015年8月临床连续3 d的所有X线影像，其中包括颅脑、四肢、肺部、腹部以及胸腔，共计124幅。经过临床影像医生和技师验证，发生分歧时以医生意见为主。采用全身X线体模（Whole body phantom PBU-50，Kyoto Kagaku, 日本）拍摄X线影像模板。该体模是用来仿真人体外形和组织等效参数的实验设备，如仿真体形轮廓、骨骼和基本组织外形，但刻意忽略微观尺度组织信息。分别对体模颅脑、颈椎、胸肺、腰椎、盆腔和四肢进行摄影（万东DF X线机，北京，中国），各部位影像采用设备默认kV、mAs参数曝光。得到各部位独立影像后，对图像进行基本直方图拉伸、滤波、去噪后，进行图像配准和拼接。图像配准使用刚体变换，通过平移、尺度变换和灰度渐变，拼接成一个完整的人体X线影像图。考虑到各个器官灰度不同的特点，再进行基于自适应直方图调整的灰度均衡化处理。实验体模X影像见图1。

图1 实验体模X线影像Fig.1 The phantom X-ray image

1.2 轮廓提取及阈值选取

1.2.1 轮廓的提取

将待检测部位影像进行适当缩放并且采用高斯低通滤波降噪，以便与体模图像匹配。采用基于图像选择最佳阈值的边缘检测方法，即将图像灰度分成不同的等级，然后设置阈值确定有意义的区域或边界。图像阈值化处理的变换函数见式(1)，采用灰度标准差来筛选边界的像素点。

其中Y为原始图像，t为图像阈值，H为分割后的二值图像。对于物体的图像元素H(i, j)=255，对于背景的图像元素H(i, j)=0。

编码的具体过程为：遍历输入影像像素点当作中心点，检测出自身与其周围的8个点，依次进行。对每次检测出的9个点进行分析，求得9个点的灰度标准差，见式

其中s代表标准差，n代表像素点的个数，Xi表示检测出的像素点。X代表均值。设定阈值t与该标准差做比较，当标准差大于阈值t时，则该点为边界点。

1.2.2 阈值t的选取

使式(3)最小的阈值t为最佳阈值，因此对式(3)微分得式(4)：

由于f(t)和g(t)都服从正态分布，所以有式(5)、(6)：

将式(5)、(6)代入式(4)得式(7)：

由式(7)得：

根据式(8)，运用数学先验知识易得出最佳阈值t，可将物体与背景进行分割。在许多情况下，物体和背景的对比度在图像中的各处是不一致的，这时很难有一个统一的阈值将物体与背景分开。随机选取20幅X射线影像，其中颅脑、四肢、肺部、腹部以及胸腔各4幅。分别求其最佳阈值t，求20幅影像阈值的平均值，将该平均值作为最终的最佳阈值，实验所有部位均采用该值。

1.3 基于轮廓和灰度值模板匹配方法分析

首先输入图像经过图像选择最优化阈值轮廓提取，进行二值化处理，然后将二值图像同全身体模X线影像模板进行灰度匹配。匹配方法基于灰度矩阵相似性，匹配方法利用模板影像与搜索影像之间的像素灰度差来表示二者的相关性。设搜索影像为S，模板影像为T，模板影像大小为P×Q，搜索影像大小为M×N（S为大图，T为小图，且M×N＞P×Q）。那么在搜索影像中共有(M-P+1)×(N-Q+1)个可能匹配点存在，每一个可能的匹配点对应一个P×Q的搜索窗口。即可看做将模板影像T在搜索影像S上移动，在每个位置上求模板与模板覆盖下的子图的绝对差

如式(9)所示：

由式(9)得：

当模板图与搜索子图达到最佳匹配时λ(i, j)的值最大。

2 实验处理结果

2.1 常用边缘检测方法与基于图像选择最佳阈值的边缘检测方法比较

对颅脑、四肢、肺部、腹部以及胸腔X线影像进行基于图像选择最佳阈值的边缘检测，同时进行Canny算子，Sobel算子轮廓提取，进行对照比较分析，结果如图2所示。基于图像选择最佳阈值的边缘检测算法所获得的轮廓，尺度较为一致，边缘连通性好，噪声低，取得良好的效果，见图2(d)。

2.2 基于轮廓和灰度值模板匹配方法匹配结果

将任意输入X线影像同比例做预处理，进行边缘提取，提取后获得的边缘二值影像，同体模整体影像进行移动检索匹配。当体模某部位与模板影像相似度最高时则认为两部分为相同部位，用标识框标出，示例如图3所示，自动判定的平均判定时间和判定结果正确率如表1所示。由判断结果可得，算法具有较高的鲁棒性，平均准确率为83.07%，平均判断时间为8.24 s。本算法判定结果同医生的主观判断结果相同，并能准确地给出标准成像解剖部位和影像朝向信息。

图2 不同算法提取的轮廓Fig.2 Contour extraction by different algorithms

图3 匹配结果图Fig.3 Matching result charts

常用边缘检测算子，Canny和Sobel算子，在检测过程中会造成不同程度的轮廓缺失，且不同尺度的组织轮廓并存于图像中，造成图像整体轮廓不突出[4-10]。基于图像选择最佳阈值[11-12]的边缘检测算法很好地解决了轮廓缺失的问题，在阈值选取得当的情况下，轮廓的尺度得到很好的体现，具有不同的层次。这对仅需要组织宏观轮廓进行灰度匹配[13-18]的后续算法，能够具有更高的敏感性和特异性。在仅用影像自身形态和灰度信息的情况下，本算法能够快速准确地自动判定被检者的X线成像部位和方向。相较于传统的灰度值模板匹配[19]，运算量减小，同时也减小了相同部位因为不同环境（曝光差异、胶片差异）所造成的误差。算法具有较好的敏感性和鲁棒性，可以用于影像大数据下，X线影像的特征提取和自动分析，具有一定的应用价值。

算法主要基于图像选择最佳阈值进行轮廓提取，然后对二值化图像进行体模标准图像的匹配检索。人体各个部位在宏观结构上，具有高度的相似性，X线影像拍摄又具有严格的拍摄姿势规范。因此，拍摄过程中无论环境还是拍摄姿势都比较固定，无论大人还是小孩的身体部位在拍摄处理后大小变化不明显。同时，体模结构是在人体基本结构简化而来，具有宏观器官的外形，但忽略组织细节和微尺度脏器，如：胸部采用软组织材料仿真肺部轮廓，但小于一定尺度的肺纹理予以放弃。这样，在X线下，体模影像能宏观的表达人体X线摄影的基本部位和方向，又不带有影响边缘检测和灰度匹配的边缘细节。由此，对体模影像进行匹配的算法能够具有较高的准确率，同时还能表达（标示）绝大多数常规X线摄影部位。

算法尽管在一些部位具有较高准确率，但仍存在一些问题和不足。例如两幅不同的影片轮廓相似性比较高，匹配便会出现错误。一些拍摄体位非常不规范的X线影像，也会导致匹配错误。因此在接下来的工作中我们会继续探究，融合更为标准的体模模型，如考虑男性、女性体模，成人、儿童体模，来进一步提高匹配效率。

表1 基于最佳阈值自动判定与Canny算子进行判定时间与正确率比较Tab.1 Comparison between the time and the correct rate based on the automatic determination of the optimal threshold and the Canny operator

[1] 宁彬. 图像处理技术在机动车车牌自动识别技术中的应用[J]. 科学技术与工程, 2013, 13(2): 366-371.

[2] 王弈, 李传富. 人工智能方法在医学图像处理中的研究新进展[J].中国医学物理学杂志, 2013, 30(3): 4138-4143.

[3] 徐彩云. 图像识别技术研究综述[J]. 电脑知识与技术, 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] 郑友益, 饶吉来, 吴雷. 数字图像几种边缘检测方法的比较分析[J]. 机械工程与自动化, 2010, (2): 25-27.

[7] 谭衢霖, Aldred A, 胡吉平. 基于知识规则的数字扫描图像目标边界提取[J]. 应用基础与工程科学学报, 2013, 21(3): 553-561.

[8] 余博, 郭雷, 赵天云, 等. Freeman链码描述的曲线匹配方法[J].计算机工程与应用, 2012, 48(4): 5-8.

[9] 王竞雪, 宋伟东, 赵丽科, 等. 改进的 Freeman 链码在边缘跟踪及直线提取中的应用研究[J]. 信号处理, 2014, 30(4): 422-430.

[10] 熊华晖, 李永, 李建红, 等. 基于磁共振图像的鼻腔边界分割及解剖结构提取[J]. 生物医学工程与临床, 2014, 18(1): 1-4.

[11] 张德丰. MATLAB数字图像处理[M]. 北京: 机械工业出版社, 2009.

[12] 李蓉, 周维柏. 基于灰度标准差的光流模型的步态识别算法[J].昆明理工大学学报( 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] 李强, 张钹.一种基于图像灰度的快速匹配算法[J].软件学报, 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] 刘宁, 罗洪艳, 谭立文, 等. 基于双重边缘检测和区域生长的大脑皮层分割算法[J]. 中国介入影像与治疗学, 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. 几种基于灰度的图像匹配算法研究[D]. 天津: 南开大学, 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

泰山医学院磁共振成像与质量控制创新中心（ZD0101）；泰山医学院高层次课题（GCC003）

邱建峰，副教授，E-mail: jfqiu100@gmail.com