[发明专利]颅内血肿体积的测量方法

摘要

本发明针对颅内血肿图像的特点，对图像的预处理采用非线性各向异性扩散滤波，有效去除了噪声、伪影，且满足医学图像处理的实际性要求；对其采用二步图像分割处理，巧妙去除了颅骨及颅骨外非脑组织，并且不需要图像配准等工作；将熵的概念引入图像分割，实现了二维熵阈值化，用像素灰度及其邻域灰度为参数来分割图像，它不仅反映了灰度信息分布，而且反映了图像象素邻域空间相关信息，因此有效的抑制噪声，排除干扰和不需要的细小结构；改进遗传算法的各个算子，尤其为防止遗传算法存在的“早熟”问题，也就是算法过早收敛于一个非全局最优点，采用自适应大变异算子，最后用改进的分层遗传算法搜索最佳阈值。

主权项

在研究颅内血肿体积大小时，将CT序列图像进行二步自动分割，采用了如下方法：1)CT图像的第一步分割中，颅骨及颅骨外非脑组织的去除利用了阈值法、区域生长及图像逻辑运算，由于颅骨在CT图像中与其它组织在灰度差异很大，因此采用经验阈值很容易得到颅骨边缘，不需要复杂耗时的检测方法，区域生长采用四邻域生长，遍布整个脑组织与血肿，最后图像进行“异或”和“乘”逻辑运算，得到只有脑组织与血肿的CT图像，用简单的图像处理方法得到较好的结果；2)CT图像的第二步分割中，对于脑组织与血肿的分割，考虑到CT图像可避免的噪声因素，采用二维熵阈值化的方法，用像素灰度及其邻域灰度为参数来分割图像，它不仅反映了灰度信息分布，而且反映了图像象素邻域空间相关信息，因此它可以有效的抑制噪声，排除干扰和不需要的细小结构；3)采用改进的遗传算法来搜寻最优分割阈值使二维熵准则函数最大，遗传算法是具有全局并行搜索最优解的能力；采用分层遗传算法，并对选择、交叉、变异算子做了改进，特别为了防止算法陷于“早熟”结果；4)采用了“自适应的大变异算子”，通过判断适应度函数平均值与最大值比值，最终决定采用的变异概率和交叉概率。