CN101916443B - Ct图像的处理方法及系统 - Google Patents

Abstract

本发明涉及一种CT图像的处理系统，包括CT图像获取模块、感兴趣区域估计模块、特征提取模块、异常信号识别模块以及显示模块；CT图像获取模块用于获取进行过脑组织分割的头部CT图像；感兴趣区域估计模块对头部CT图像进行蛛网膜下腔感兴趣区域的估计；特征提取模块对感兴趣区域估计后的头部CT图像进行特征提取，得到特征值；异常信号识别模块采用模式识别的方法，根据特征值识别感兴趣区域内是否有异常信号；显示模块将识别结果和被识别为有异常信号的感兴趣区域进行显示。本发明还涉及一种CT图像的处理方法。本发明能够将识别为有异常信号的位置显示出来，供医务人员参考，能够降低蛛网膜下腔出血的误诊/漏诊率。

Description

CT图像的处理方法及系统

【技术领域】

本发明涉及医学图像分析领域，特别是涉及一种CT图像的处理方法，还涉及一种CT图像的处理系统。

【背景技术】

利用医学图像分析实施计算机辅助诊断，是现代医学图像分析的研究热点之一，尤其是对于有高误诊率的重大疾病，迫切需要研究医学图像分析处理方法与系统，给疾病的诊断提供参考信息和技术支撑。

蛛网膜下腔正常时在CT(X射线计算机断层成像)图像上为脑脊液(Cerebro-Spinal Fluid，CSF)低信号，不为低信号就有可能出现了病变等异常，尤其是蛛网膜下腔出血(Subarachnoid hemorrhage，SAH)。对于蛛网膜下腔的非低异常信号，医生难于根据CT图像进行判断，主要原因是该类异常信号极易与周围的正常脑信号相混淆，而且蛛网膜下腔的位置对于医生来说在二维切片上难于判断。因此，若能通过图像分析提供蛛网膜下腔的位置信息及判别该位置内是否有异常信号，对于避免误诊将提供技术支持，尤其对蛛网膜下腔出血的漏诊或误诊有很大帮助。

传统的根据CT图像进行出血检测的方法大多基于高信号阈值与出血对中矢状面的非对称性。然而蛛网膜下腔出血血液进入脑脊液后被稀释，因此其信号阈值比普通出血要低。并且蛛网膜下腔出血可以是对中矢状面对称的。此外蛛网膜下腔出血通常会导致高信号是小的且弥漫的而不是集中的。因此，传统的根据CT图像进行出血检测的方法难以对蛛网膜下腔出血进行检测。

例如Chan T提出了一种针对脑CT中少量出血信号的计算机辅助检测系统(Chan T.Computer aided detection of small acute intracranial hemorrhage oncomputer tomography of brain.Computerized Medical Imaging and Graphics 2007；31(4-5)：285-298.)，基于高信号和非对称性，难以检测到被脑脊液冲淡了的蛛网膜下腔出血的非高而又非低的信号。而且实际中蛛网膜下腔出血可以是具对称性的，该方法并不适用。

又例如Yuh等人提出的脑外伤出血检测算法(Yuh EL，GeanAD，Manley GT，Callen AL，Wintermark M.Computer-aided assessment of head computedtomography(CT)studies in patients with suspected traumatic brain injury.Journal ofNeurotrauma 2008；25：1163-1172.)，利用阈值、空间滤波和聚类分析来实现出血的分割，进而进行判定。但其对于出血量较小且出血呈弥散分布的蛛网膜下腔出血很难进行精确的出血区域分割及出血判定。

【发明内容】

鉴于传统的根据CT图像进行出血检测的方法无法对蛛网膜下腔出血进行准确判定的问题，有必要提供一种CT图像的处理系统，能够准确的对头部CT图像进行处理，得到蛛网膜下腔出血区域的图像，为医务人员的诊断提供精确的资料。

一种CT图像的处理系统，包括CT图像获取模块、感兴趣区域估计模块、特征提取模块、异常信号识别模块以及显示模块；所述CT图像获取模块用于获取进行过脑组织分割的头部CT图像；所述CT图像获取模块包括依次连接的输入模块、图像预处理模块、以及脑组织分割模块；所述输入模块用于获取原始的头部CT图像；所述图像预处理模块接收所述原始的头部CT图像，并矫正机架倾斜带来的图像变形，具体是计算所述原始的头部CT图像的切片间的距离，然后根据所述切片间的距离计算位移，接着根据位移得到变换矩阵，通过所述变换矩阵矫正机架倾斜；其中，所述变换矩阵为

$M=\left|\begin{array}{ccc}1& 0& 0\\ 0& 1& -\mathrm{GT}\\ 0& 0& 1\end{array}\right|,$ GT为所述位移且GT＝tan(α)×Vox_z×(n-1)/Vox_x，

α是机架倾斜的角度，Vox_z是各个切片间的距离，Vox_x是XY平面的像素间距；所述图像预处理模块还用于对矫正了机架倾斜的头部CT图像进行线性插值，所述线性插值采用的间距为薄层扫描的间距；所述脑组织分割模块接收图像预处理模块处理过的头部CT图像并将脑组织分割出来，得到进行过脑组织分割的头部CT图像；所述感兴趣区域估计模块接收所述头部CT图像，并对所述头部CT图像进行蛛网膜下腔感兴趣区域的估计；所述特征提取模块接收感兴趣区域估计后的头部CT图像，并对所述感兴趣区域估计后的头部CT图像进行特征提取，得到特征值；所述异常信号识别模块接收所述感兴趣区域估计后的头部CT图像和特征值，并采用模式识别的方法，根据所述特征值识别所述感兴趣区域内是否有异常信号，并将识别结果传送给所述显示模块；所述显示模块接收所述识别结果，并将所述识别结果和被识别为有异常信号的感兴趣区域进行显示。

优选的，所述感兴趣区域估计模块包括脑图谱存储模块、图谱配准模块以及形态学膨胀模块；所述脑图谱存储模块用于存储脑部的概率图谱，所述概率图谱标记有蛛网膜下腔的待处理区域，所述待处理区域包括左外侧裂池、右外侧裂池、基底池、四叠体和环池、脑纵裂池全长、脑纵裂池前端、脑纵裂池后端区域；所述图谱配准模块接收所述概率图谱和所述头部CT图像，并将所述概率图谱配准到头部CT图像上；所述形态学膨胀模块用于对配准后的头部CT图像的感兴趣区域进行形态学的膨胀操作。

优选的，所述概率图谱是国际脑电图协会的ICBM_452_T1数字脑图谱。

优选的，所述将所述概率图谱配准到头部CT图像上，是通过基于图像分割与配准工具包的多分辨B样条配准算法实现配准的。

优选的，所述特征值包括每个感兴趣区域在各个所述头部CT图像的切片中的灰度均值、灰度方差、图像熵、以及图像平均能量；

$\mathrm{mean}=\frac{1}{N\×255}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i,$ $\mathrm{variance}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2,$

$\mathrm{entropy}=-\frac{1}{8}\underset{j=0}{\overset{255}{\mathrm{\Σ}}}{p}_j\log p_j,$ $\mathrm{energy}=\frac{1}{65025}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2;$

其中mean是灰度均值，variance是灰度方差，entropy是图像熵，energy是图像平均能量，N为感兴趣区域中的像素个数，x_i为感兴趣区域内第i个像素的灰度，

为感兴趣区域的平均灰度，p_j为感兴趣区域内灰度为j出现的概率或频率。

优选的，所述异常信号识别模块包括相互连接的模式训练模块和模式识别模块，所述模式训练模块存储有经过训练得到的模型，所述模式识别模块使用所述模式识别的模型，根据所述特征值判别所述头部CT图像的每个感兴趣区域内是否含有异常信号。

优选的，所述异常信号识别模块还包括阈值识别模块，用于接收感兴趣区域估计后的头部CT图像，然后在每一个所述感兴趣区域的颅骨内统计距所述颅骨的距离d为1＜d＜21、且CT值大于切片的灰质CT值Th1并位于[40Hu，95Hu]之间的像素个数Num1，距所述颅骨的距离d大于20、且CT值大于Th1+10并位于[55Hu，95Hu]之间的像素个数Num2；若Num1+Num2＞40，则判定所述感兴趣区域有异常信号。

优选的，所述脑组织分割模块包括依次连接的二值化处理模块、形态学腐蚀模块、恢复模块、以及非脑组织去除模块；所述二值化处理模块接收所述图像预处理模块处理过的头部CT图像并采用模糊C-均值聚类方法进行二值化处理，得到二值化CT图；所述形态学腐蚀模块接收所述二值化CT图并采用形态学腐蚀断开所述二值化CT图中大脑与其它组织的连接，得到断开CT图；所述恢复模块接收所述断开CT图，并找到所述断开CT图中前景像素的最大连通区域，然后对所述最大连通区域做形态学膨胀运算以恢复大小，得到膨胀CT图；所述非脑组织去除模块接收所述膨胀CT图，并利用空间相关性去除所述膨胀CT图中的非脑组织，得到经过脑组织分割后的头部CT图像。

优选的，所述恢复模块的形态学膨胀运算的膨胀算子为5x5x3，在XY方向上膨胀两个像素，在Z方向上膨胀一个像素。

还有必要提供一种能够准确的对头部CT图像进行处理，得到蛛网膜下腔待处理区域图像的CT图像的处理方法。

一种CT图像的处理方法，包括以下步骤：对头部CT图像进行预处理；所述对头部CT图像进行预处理的步骤包括矫正机架倾斜带来的图像变形，具体是计算所述头部CT图像的切片间的距离，然后根据所述切片间的距离计算位移，接着根据位移得到变换矩阵，通过所述变换矩阵矫正机架倾斜；其中，所述变换矩阵为

$M=\left|\begin{array}{ccc}1& 0& 0\\ 0& 1& -\mathrm{GT}\\ 0& 0& 1\end{array}\right|,$ GT为所述位移且GT＝tan(α)×Vox_z×(n-1)/Vox_x，

α是机架倾斜的角度，Vox_z是各个切片间的距离，Vox_x是XY平面的像素间距；所述对头部CT图像进行预处理的步骤还包括采用薄层扫描的间距，对所述头部CT图像的切片进行线性插值；对头部CT图像进行脑组织分割；对进行过脑组织分割的头部CT图像进行蛛网膜下腔感兴趣区域的估计；对估计出的所述感兴趣区域进行特征提取，得到特征值；采用模式识别的方法，根据所述特征值判别所述感兴趣区域内是否有异常信号；将被判别为有异常信号的感兴趣区域进行显示。

优选的，所述对进行过脑组织分割的头部CT图像进行蛛网膜下腔感兴趣区域的估计，是采用概率图谱配准的方法进行；具体是选择脑部的概率图谱后，通过基于图像分割和配准工具包的多分辨B样条配准算法，将所述概率图谱配准到头部CT图像上，再进行形态学的膨胀操作；所述概率图谱标记有蛛网膜下腔的待处理区域，包括左外侧裂池、右外侧裂池、基底池、四叠体和环池、脑纵裂池全长、脑纵裂池前端、脑纵裂池后端区域。

优选的，所述对估计出的所述感兴趣区域进行特征提取，得到特征值的步骤是计算每个感兴趣区域在各个所述头部CT图像的切片中的灰度均值、灰度方差、图像熵、以及图像平均能量作为特征值；

$\mathrm{mean}=\frac{1}{N\×255}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i,$ $\mathrm{variance}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2,$

$\mathrm{entropy}=-\frac{1}{8}\underset{j=0}{\overset{255}{\mathrm{\Σ}}}{p}_j\log p_j,$ $\mathrm{energy}=\frac{1}{65025}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2;$

其中mean是灰度均值，variance是灰度方差，entropy是图像熵，energy是图像平均能量，N为感兴趣区域中的像素个数，x_i为感兴趣区域内第i个像素的灰度，

为感兴趣区域的平均灰度，p_j为感兴趣区域内灰度为j出现的概率或频率。

优选的，所述对头部CT图像进行脑组织分割的步骤，具体包括：采用模糊C-均值聚类方法对头部CT图像进行二值化处理，得到二值化CT图；采用形态学腐蚀断开所述二值化CT图中大脑与其它组织的连接，得到断开CT图；找到所述断开CT图中前景像素的最大连通区域，然后对所述最大连通区域做形态学膨胀运算以恢复大小，得到膨胀CT图；利用空间相关性去除所述膨胀CT图中的非脑组织，得到经过脑组织分割后的头部CT图像。

优选的，；所述形态学膨胀运算的膨胀算子为5x5x3，在XY方向上膨胀两个像素，在Z方向上膨胀一个像素。

优选的，所述采用模式识别的方法，根据所述特征值判别所述感兴趣区域内是否有异常信号的步骤，是利用支持向量机模型，根据所述特征值判别所述头部CT图像的每个感兴趣区域内是否含有异常信号。

优选的，还包括采用基于灰度阈值的方法判别感兴趣区域内是否有异常信号的步骤；具体是在每一个所述感兴趣区域的颅骨内统计距所述颅骨的距离d为1＜d＜21、且CT值大于切片的灰质CT值Th1并位于[40Hu，95Hu]之间的像素个数Num1，以及距所述颅骨的距离d大于20、且CT值大于Th1+10并位于[55Hu，95Hu]之间的像素个数Num2；若Num1+Num2＞40，判定所述感兴趣区域有异常信号。

上述CT图像的处理方法和系统，能够将识别为有异常信号的蛛网膜下腔位置显示出来，供医务人员参考，为医务人员的诊断提供精确的资料，以辅助对蛛网膜下腔出血进行准确判定，能够降低蛛网膜下腔出血的误诊/漏诊率。

【附图说明】

图1是一个实施例中CT图像的处理方法的流程图；

图2是ICBM_452_T1数字脑图谱；

图3是配准前的ICBM_452_T1数字脑图谱和病人的头部CT图像；

图4是配准后的ICBM_452_T1数字脑图谱和病人的头部CT图像；

图5为配准并经过形态学膨胀后的头部左外侧裂池区域的CT图像；

图6为配准并经过形态学膨胀后的头部右外侧裂池区域的CT图像；

图7为配准并经过形态学膨胀后的头部基底池区域的CT图像；

图8为配准并经过形态学膨胀后的头部四叠体和环池区域的CT图像；

图9为配准并经过形态学膨胀后的头部脑纵裂池前段的CT图像；

图10为配准并经过形态学膨胀后的头部脑纵裂池后段的CT图像；

图11为CT图像的处理方法得到的蛛网膜下腔有异常信号的CT图像；

图12是另一个实施例中CT图像的处理方法的流程图；

图13是进行脑组织分割前的头部CT图像；

图14是进行脑组织分割后的头部CT图像；

图15是一个实施例中CT图像的处理系统的结构图；

图16是一个实施例中CT图像获取模块的结构图；

图17是一个实施例中脑组织分割模块的结构图；

图18是一个实施例中感兴趣区域估计模块的结构图；

图19是异常信号识别模块的结构图；

【具体实施方式】

图1是一个实施例中CT图像的处理方法的流程图，包括下列步骤：

S110，对进行过脑组织分割的头部CT图像进行蛛网膜下腔感兴趣区域(ROI)的估计。

在本实施例中，采用基于图谱的方法进行脑脊液(CSF)区域、进而进行蛛网膜下腔感兴趣区域的划分和估计。在其他实施例中，也可以采用基于灰度的分割方法、基于形变模型和水平集的方法进行划分和估计。选用基于图谱的方法，先验信息多，分割的精度好。尤其可以采用基于概率图谱配准的方法来划分CSF区域。因为图谱中不仅仅包含了待分割对象中各个组织的灰度和纹理信息，还包含了形状信息和相对位置关系。而概率图谱，是从多个样本平均之后得到的，更具有人群的代表性。

在本实施例中，具体选用了国际脑电图协会(The International Consortium forBrain Mapping，ICBM)的ICBM_452_T1数字脑图谱进行配准。选用该图谱是基于如下考虑：

第一：该数字脑图谱的构建来源是是多个人的。ICBM_452_T1数字脑图谱是由452个健康人的脑配准之后平均得到的一个概率图谱，代表了一般正常人脑组织的灰度、形状和位置信息。

第二：该图谱标记过程有医学专家进行专门的评估。

第三：该图谱专门针对蛛网膜下腔的CSF区域有标记。该图谱灰度图像文件为icbm452_atlas_warp5，而与其同一个坐标系的icbm452_atlas_probability_csf文件保存了CSF的概率信息。

对于概率图谱，我们只对那些有可能对蛛网膜下腔出血诊断有帮助的区域感兴趣，考虑到一般的蛛网膜下腔出血不发生于侧脑室、第三脑室、第四脑室等区域，所以可以在概率图谱的基础上，重新划分七个蛛网膜下腔的待处理区域，包括左外侧裂池区域、右外侧裂池区域、基底池区域、四叠体和环池区域、脑纵裂池全长区域、脑纵裂池前段区域以及脑纵裂池后端区域。上述七个区域为本领域人员所熟知的区域，划分这样的区域也可以方便地在后续的配准实现中将CT图像中各个感兴趣区域提取出来。即通过专业医师对一张概率图谱上蛛网膜下腔的待处理区域的划分和标记，再将标记有该区域的概率图谱配准到每一个病人头部CT图像中，实现在每一个病人头部CT图像中估计出感兴趣区域的目的。感兴趣区域的细化有助于精确地确定异常信号(高信号)的区域和所在的层面，这对于辅助诊断出血量较小的蛛网膜下腔出血来说尤为重要。

医学图像配准是指对于一幅图像(浮动图像)寻找一种或一系列最佳的空间变换，使它经过这一系列变换之后与另一幅医学图像(参考图像)达到空间上的对应。这个过程的目的是使人体上的同一解剖点在两个图像中实现位置对应。图像配准根据其采用的空间变换类型可以分为刚性配准、仿射配准和非刚性配准。寻找最佳变换又涉及到一个数学优化的过程。通过图像配准，即将ICBM_452_T1数字脑图谱的灰度图像文件icbm452_atlas_warp5配准到病人的头部CT图像上，可以估计出每一个病人的蛛网膜下腔感兴趣区域。有很多算法可以实现这种配准，本实施例中采用基于ITK(Insight Segmentation andRegistration Toolkit，图像分割与配准工具包，算法具体内容可参http://www.itk.org/)的多分辨B样条配准算法。具体是采用基本B样条的非刚性配准算法，且为了降低处理时间，采用了多分辨率，将原始图像512*512依次子采样为256*256，128*128，64*64，配准时先从最低分辨率开始配准。先用刚体变换从整体上将图像对准，然后再用B样条变换来矫正局部的弹性形变。计算完一层之后，提升图像分辨率，重复上述优化过程，一直达到满意的效果。这样就更好的利用了B样条优秀的局部变形能力，同时又可以避免空间位置较大变化导致的配准时间过长的问题。

将ICBM_452_T1图谱利用B样条变形到头部CT空间之后，得到一个变换场，就可以利用相同的变换将CSF概率信息也变形到该空间，由此得到头部CT空间中的CSF区域。在选择图像插值算法时，对于标记信息的变形，选择最近邻插值，这样可以避免变形之后标记信息变化太大，找不到对应区域。图2是ICBM_452_T1数字脑图谱，其中上方三图为灰度图像，下方三图为CSF概率信息图像。图3是配准前的ICBM_452_T1数字脑图谱和病人的头部CT图像，其中上方三图为数字脑图谱，下方三图为头部CT图像。图4是配准后的ICBM_452_T1数字脑图谱和病人的头部CT图像，其中上方三图为数字脑图谱，下方三图为头部CT图像。

利用已经标记的概率图谱(例如上述ICBM_452_T1)配准可以在头部CT图像中得到对应的七个感兴趣区域，这七个区域对应了所有蛛网膜下腔出现异常信号的可能位置。因为临床CT数据在Z轴方向分辨率太低，数据缺失严重。所以B样条配准的结果很难保证非常精确，为了弥补图像配准引入的误差，在估计感兴趣区域时，可以对配准后得到的感兴趣区域做形态学的膨胀操作。根据实验结果，在优选的实施例中，膨胀算子选择为5x5x3。在XY方向上膨胀两个像素，在Z方向上膨胀一个像素。膨胀之后的感兴趣区域如图5至图10中白色线条包围的区域所示(只示出了六个区域)，其中图5为左外侧裂池区域、图6为右外侧裂池区域、图7为基底池区域、图8为四叠体和环池区域、图9为脑纵裂池前段区域、图10为脑纵裂池后段区域。

S120，对估计出的感兴趣区域进行特征提取，得到特征值。

对估计出的感兴趣区域，计算其中的灰度特征用于随后的模式识别。在本实施例中的特征值的计算方式为，计算每个感兴趣区域在各个CT切片中的灰度均值(mean)，灰度方差(variance)，图像熵(entropy)和图像平均能量(energy)，作为模式识别以及模式训练的特征值，并且按照如下公式做了归一化处理：

$\mathrm{mean}=\frac{1}{N\×255}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i---\left(1\right)$

$\mathrm{variance}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2---\left(2\right)$

$\mathrm{entropy}=-\frac{1}{8}\underset{j=0}{\overset{255}{\mathrm{\Σ}}}{p}_j\log p_j---\left(3\right)$

$\mathrm{energy}=\frac{1}{65025}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2---\left(4\right)$

其中N为感兴趣区域中的像素个数，x_i为感兴趣区域内第i个像素的灰度，

为感兴趣区域的平均灰度，p_j为感兴趣区域内灰度为j出现的概率或频率。

S130，采用模式识别的方法，根据特征值识别感兴趣区域内是否有异常信号。

采用模式识别的方法，判断感兴趣区域是否为有异常信号(即有灰度介于脑灰质和其它非蛛网膜下腔区域的脑出血的高信号之间的信号)。模式识别的一种方法是支持向量机(Support Vector Machine，SVM)。分为两个独立的阶段，即模式训练和模式识别阶段。

模式训练阶段的过程是通过已经有标识的数据(即由有经验的神经放射学专家事先对一定数量病人的七个感兴趣区域在每个切片上有无异常信号进行判断并标识)训练支持向量机模型，得到优化的判决函数。训练所用的特征值是步骤S120中计算的每个感兴趣区域的灰度特征值。对于支持向量机的训练，可以利用开源的LIBSVM来训练支持向量机模型(LIBSVM具体可参http://www.csie.ntu.edu.tw/～cllin/libsvm/)。也可以直接采用已训练好的支持向量机模型。

模式识别阶段中，对于待识别的病例，利用模式训练阶段得到的分类器模型(本实施例中为支持向量机模型)，根据特征值判别头部CT图像的每个感兴趣区域内是否含有异常信号。

S140，将被判别为有异常信号的感兴趣区域进行显示。

将判定为存在异常信号的蛛网膜下腔感兴趣区域进行显示，供相关人员(如诊断医生)参考，如图11所示。

图12是另一个实施例中CT图像的处理方法的流程图，其与图1所示实施例的主要区别在于，在S110之前还包括如下步骤：

S102，对头部CT图像进行预处理。

该步骤主要是进行机架扫描角度的处理和图像数据的三维重构。在实际CT成像操作中，为了避免病人的眼球等重要器官受到X射线的辐射，很多情况下，放射科医生会将CT机架做一定的倾斜，使得X射线不会直接照射到这些重要器官上。这样的操作一般称为机架倾斜(gantry tilt technique)。机架倾斜使CT断层成像的成像中心与病人数据的中心不一致，会导致三维重建时出现错切的变形，进而也会影响到后续的图像配准。

为了矫正机架倾斜带来的三维图像变形，我们需要对原始图像格式的CT图像做一个错切变换来将其矫正，设原始图像的坐标为(x，y，z)，我们的目的是通过做一个错切变化将其变为矫正后的坐标(x’，y’，z’)，且矩阵[x’，y’，z’]满足：[x’，y’，z’]^T＝M×[x，y，z]^T，其中上标T表示矩阵的转置，变换矩阵

$M=\left|\begin{array}{ccc}1& 0& 0\\ 0& 1& -\mathrm{GT}\\ 0& 0& 1\end{array}\right|---\left(5\right)$

例如对原始图像的坐标(1，2，3)， $M\×{\left[\mathrm{1,2,3}\right]}^T=\left|\begin{array}{c}1\\ 2-3\mathrm{GT}\\ 3\end{array}\right|,$ 转置后得到[1，2-3GT，3]，则矫正后的坐标就是(1，2-3GT，3)。

式(5)中位移GT的计算公式如下

GT＝tan(α)×Vox_z×(n-1)/Vox_x    (6)

其中α是机架倾斜的角度，记录在原始的头部CT图像头信息(0018，1120)中；Vox_z是各个切片间的距离；n是切片在整个扫描序列中的序号；Vox_x是XY平面的像素间距。

在式(6)中一个值得注意的问题是计算各个切片间的距离Vox_z。本实施例中是根据病人图像位置(IPP)和病人图像姿态(IOP)这两个标记域(Tag)进行计算。对于原始图像格式的CT图像数据，我们在其头信息中找到IPP(0020，0032)和IOP(0020，0037)。其中IPP(0020，0032)表示原始图像格式的CT图像中左上角第一个像素中心点的三维空间坐标(X，Y，Z)，以毫米为单位。IOP(0020，0037)是图像的第一行和第一列相对于病人空间坐标的三个坐标轴方向的余弦值，以cos[i](i＝0，..，5)表示IOP向量的六个分量，cos[0]、cos[1]、cos[2]分别代表图像的第一行所在方向与(X，Y，Z)所在坐标系的三个坐标轴夹角的余弦，cos[3]、cos[4]、cos[5]分别代表图像第一列所在方向与(X，Y，Z)三个坐标轴夹角的余弦。实际计算时首先根据IOP计算法向量V：

V[0]＝cos[1]×cos[5]-cos[2]×cos[4](7)

V[1]＝cos[2]×cos[3]-cos[o]×cos[5](8)

V[2]＝cos[o]×cos[4]-cos[1]×cos[3](9)

得到了法向量V之后，就可以计算实际的切片间的距离：

Vox_z＝V[0]×IPP[0]+V[1]×IPP[1]+V[2]×IPP[2](10)

在校准了机架倾斜之后，还要考虑多序列扫描问题。临床上对于疑似脑出血病人的CT扫描中，为了平衡X射线剂量和扫描误差这两个因素，除了定位序列外，还会采用两个扫描序列，即在脑底下方常常采用间隔在5mm以下的薄层扫描，而在脑底上方则采用10mm左右的间隔。为了完成全自动的图像分析，需要将这样的扫描序列进行重构，一般采用线性插值的方法，使两个扫描序列在Z轴方向的间隔一致。在线性插值计算的时候，根据式(10)计算出来的切片间的距离，选择薄层扫描的间距为最终的间距，对间距较大的切片插值。

S104，对头部CT图像进行脑组织分割。

从临床CT图像中得到脑组织区域的方法有很多，在本实施例中，使用基于模糊C-均值(FCM)聚类的灰度阈值分割方法，并基于脑部区域的三维连通性，利用空间相关性进行形态学处理。步骤S104具体包括以下四个步骤：

S1042，对头部CT图像进行二值化处理。在CT图像中，各类组织一般都对应一定范围内的CT值，不过这些CT值的范围是有重叠的，而且实际CT数据中还有部分体积效应等噪声，因此不能直接利用CT值的阈值来实现脑部区域分割。在头部CT图像中，灰度值从低到高依次为背景、皮肤、大脑、可能的出血、钙化、颅骨和头托。背景一般为黑色，而颅骨和头托为白色。利用FCM聚类算法，选择4个灰度值的聚类中心，可以得到4类灰度值。用T_bone表示第四类的灰度均值，去掉颅骨和头托；用T_back表示第一类灰度的最大值，去掉皮肤等非脑组织。当T_back＜g(x，y，z)＜T_bone时，B1(x，y，z)＝1；当g(x，y，z)＜T_back或g(x，y，z)＞T_bone时，B1(x，y，z)＝0。以此来二值化前景像素B1(x，y，z)，得到前景区域的二值模板。其中g(x，y，z)为头部CT图像在坐标(x，y，z)处的灰度值。

S1044，采用形态学腐蚀断开大脑与其它组织的连接。在本实施例中，选择结构元为4毫米长的正方形，然后对前景区域的二值模板实施腐蚀操作，就可以断开大脑和其他组织的连接。

S1046，找到前景像素的最大连通区域，然后对其做形态学膨胀运算恢复其大小。前景像素的最大连通区域是指区域内的每个像素均为B1(x，y，z)＝1，且在空间中连通，拥有最多的像素数的区域。

S1048，利用空间相关性去除眼眶下方的非脑组织(如肌肉等)，得到经过脑组织分割后的头部CT图像。具体可以通过图像处理检测眼眶的位置，然后从该位置以下检查每个轴向切片的前景连通区域，仅当它与前一个轴向切片有足够多(例如50％)的前景像素相邻(不孤立)时才保留，否则将其设置为背景像素。

步骤S104的详细操作可参考以下文献：Hu QM，Qian GY，Aziz A，NowinskiWL.Segmentation of brain from computed tomography head images.Proceedings ofthe 2005IEEE Engineering in Medicine and Biology 27^th Annual Conference：1551-1554.)。图13、图14分别是S104前后的头部CT图像，可以看到图14中除了脑组织外，其余颅骨、头托、皮肤等都已被去除。

图12所示实施例还同时采用基于灰度阈值的方法识别感兴趣区域内是否有异常信号，即在步骤S110后还要进行如下步骤：

S122，采用基于灰度阈值的方法识别感兴趣区域内是否有异常信号。

由于未被脑脊液冲淡的出血信号与其他脑出血的信号相仿，因此可以直接采用基于灰度阈值的方法，在经过了步骤S102后的头部CT图像中检测CT值以进行识别。考虑到靠近颅骨附近像素的部分容积效应，在本实施例中采用如下的异常信号检测方法：

以颅骨为界，计算整个脑部的距离变换，颅骨外部设置为负值，颅骨内部设置为正值。对于感兴趣区域中的每一个像素(x，y，z)，用g(x，y，z)表示其灰度值，用d(x，y，z)表示该像素到颅骨的距离，用Th1表示为了去除低电流导致的噪声而设置的阈值。在本实施例中，Th1是切片脑组织去掉脑脊液(CT值小于20Hu的区域)后，所有像素的灰度均值加上灰度方差。其中Hu为CT值的单位Housfield Unit。

对于d(x，y，z)＞20的像素，将CT值在[40Hu，95Hu]且大于Th1的像素的个数记为Num1。

对于1＜d＜21，将CT值在[55Hu，95Hu]且大于Th1+10的像素的个数记为Num2。

如果Num1+Num2＞40，则判定该感兴趣区域有异常信号。

图15是一个实施例中CT图像的处理系统的结构图，包括CT图像获取模块210、感兴趣区域估计模块220、特征提取模块230、异常信号识别模块240以及显示模块250。

CT图像获取模块210用于获取进行过脑组织分割的头部CT图像。图16是一个实施例中CT图像获取模块210的结构图，包括依次连接的输入模块212、图像预处理模块214、以及脑组织分割模块216。

输入模块212用于获取原始的头部CT图像。可以是从外部的CT成像设备或存储有病人头部CT图像的存储设备获取。

图像预处理模块214接收来自输入模块212的原始的头部CT图像，并矫正机架倾斜带来的图像变形。矫正要首先计算原始的头部CT图像的切片间的距离Vox_z，本实施例中的计算方式是根据病人图像位置(IPP)和病人图像姿态(IOP)这两个标记域。在CT图像数据的头信息中找到IPP(0020，0032)和IOP(0020，0037)，根据式(7)、(8)、(9)计算法向量V，得到了法向量V之后，就可以根据式(10)计算实际的头部CT图像的切片间的距离。然后依照式(6)，根据切片间的距离Vox_z计算位移GT。接着依照式(5)，根据位移GT得到变换矩阵M，通过M对原始的头部CT图像的坐标(x，y，z)做错切变换得到(x’，y’，z’)，矫正机架倾斜。

图像预处理模块214还用于对矫正了机架倾斜的头部CT图像进行线性插值。对于疑似脑出血病人的CT扫描中，除了定位序列外，还会在脑底下方采用间隔在5mm以下的薄层扫描，而在脑底上方则采用10mm左右的间隔扫描。因此采用线性插值的方法，使两个扫描序列在Z轴方向的间隔一致。在线性插值计算的时候，根据式(10)计算出来的切片间的距离，选择薄层扫描的间距为最终的间距，对间距较大的切片插值。

脑组织分割模块216接收图像预处理模块214处理过的头部CT图像并将脑组织分割出来，得到进行过脑组织分割的头部CT图像。图17是一个实施例中脑组织分割模块216的结构图，包括依次连接的二值化处理模块2162、形态学腐蚀模块2164、恢复模块2166以及非脑组织去除模块2168。

二值化处理模块2162接收图像预处理模块214处理过的头部CT图像并采用模糊C-均值聚类方法进行二值化处理，得到二值化CT图。具体是利用模糊C-均值聚类算法，选择4个灰度值的聚类中心，可以得到4类灰度值。用T_bone表示第四类的灰度均值，去掉颅骨和头托；用T_back表示第一类灰度的最大值，去掉皮肤等非脑组织。当T_back＜g(x，y，z)＜T_bone时，B1(x，y，z)＝1；当g(x，y，z)＜T_back或g(x，y，z)＞T_bone时，B1(x，y，z)＝0。以此来二值化前景像素B1(x，y，z)，得到二值化CT图。其中g(x，y，z)为头部CT图像在(x，y，z)处的灰度值。

形态学腐蚀模块2164接收二值化CT图，并采用形态学腐蚀断开二值化CT图中大脑与其它组织的连接，得到断开CT图。在本实施例中，选择结构元为4毫米长的正方形，然后对前景区域的二值模板实施腐蚀操作，就可以断开大脑和其他组织的连接，得到断开CT图。

恢复模块2166接收断开CT图，并找到断开CT图中前景像素的最大连通区域，然后对最大连通区域做形态学膨胀运算以恢复大小，得到膨胀CT图。

非脑组织去除模块2168接收膨胀CT图，并利用空间相关性去除所述膨胀CT图中的非脑组织，得到经过脑组织分割后的头部CT图像。

感兴趣区域估计模块220接收CT图像获取模块210获取的头部CT图像，并对其进行蛛网膜下腔感兴趣区域的估计。图18是一个实施例中感兴趣区域估计模块220的结构图，包括脑图谱存储模块222、图谱配准模块224、以及形态学膨胀模块226。

脑图谱存储模块222用于存储脑部的概率图谱，概率图谱标记有蛛网膜下腔的待处理区域，包括左外侧裂池、右外侧裂池、基底池、四叠体和环池、脑纵裂池全长、脑纵裂池前端、脑纵裂池后端区域。在本实施例中存储的概率图谱为国际脑电图协会的ICBM_452_T1数字脑图谱。

图谱配准模块224接收概率图谱和头部CT图像，并将概率图谱配准到头部CT图像上。通过图像配准，可以估计出每一个病人的蛛网膜下腔感兴趣区域，即将ICBM_452_T1数字脑图谱的灰度图像文件icbm452_atlas_warp45配准到病人的头部CT图像上。本实施例中采用基于图像分割与配准工具包的多分辨B样条配准算法。具体是采用基本B样条的非刚性配准算法，且为了降低处理时间，采用了多分辨率，将原始图像512*512依次子采样为256*256，128*128，64*64，配准时先从最低分辨率开始配准。先用刚体变换从整体上将图像对准，然后再用B样条变换来矫正局部的弹性形变。计算完一层之后，提升图像分辨率，重复上述优化过程，一直达到满意的效果。这样就更好的利用了B样条优秀的局部变形能力，同时又可以避免空间位置较大变化导致的配准时间过长的问题。

将ICBM_452_T1图谱利用B样条变形到头部CT空间之后，得到一个变换场，就可以利用相同的变换将CSF概率信息也变形到该空间，由此得到头部CT空间中的CSF区域。在选择图像插值算法时，对于标记信息的变形，选择最近邻插值，这样可以避免变形之后标记信息变化太大，找不到对应区域。图2是ICBM_452_T1数字脑图谱，其中上方三图为灰度图像，下方三图为CSF概率信息图像。图3是配准前的ICBM_452_T1数字脑图谱和病人的头部CT图像，其中上方三图为数字脑图谱，下方三图为头部CT图像。图4是配准后的ICBM_452_T1数字脑图谱和病人的头部CT图像，其中上方三图为数字脑图谱，下方三图为头部CT图像。

形态学膨胀模块226用于对配准后的CT图像的感兴趣区域进行形态学的膨胀操作。为了弥补图像配准引入的误差，在估计感兴趣区域时，可以对配准后得到的感兴趣区域做形态学的膨胀操作。根据实验结果，在优选的实施例中，膨胀算子选择为5x5x3。在XY方向上膨胀两个像素，在Z方向上膨胀一个像素。

特征提取模块230接收感兴趣区域估计后的头部CT图像，并对其进行特征提取，得到特征值。特征提取模块230计算估计出的感兴趣区域的灰度特征值，以用于随后的模式识别。本实施例中特征值的计算方式为，计算每个感兴趣区域在各个CT切片中的灰度均值(mean)，灰度方差(variance)，图像熵(entropy)和图像平均能量(energy)，如式(1)-(4)。

异常信号识别模块240接收感兴趣区域估计后的头部CT图像和特征值，并采用模式识别的方法(包括支持向量机、神经元网络、AdaBoost等方法)，根据特征值识别感兴趣区域内是否有异常信号，并将识别结果传送给显示模块250。图19为异常信号识别模块240的结构图，包括模式训练模块242、模式识别模块244以及阈值识别模块246。

模式训练模块242存储有模式识别的模型，该模型是使用已经有标识的数据(即由有经验的神经放射学专家事先对一定数量病人的七个感兴趣区域在每个切片上有无异常信号进行判断并标识)以及特征提取模块230得到的特征值训练好的模型(如判决函数或支持向量机模型)，训练可以直接通过模式训练模块242进行。

模式识别模块244接收该模式识别的模型，并根据特征值判别头部CT图像的每个感兴趣区域内是否含有异常信号。

阈值识别模块246用于接收感兴趣区域估计后的头部CT图像，然后在每一个感兴趣区域的颅骨内统计距所述颅骨的距离d为1＜d＜21、且CT值大于切片的灰质CT值Th1并位于[40Hu，95Hu]之间的像素个数Num1，以及距颅骨的距离d大于20、且CT值大于Th1+10并位于[55Hu，95Hu]之间的像素个数Num2；若Num1+Num2＞40，则判定所述感兴趣区域有异常信号。

显示模块250接收识别结果，并将识别结果和被识别为有异常信号的感兴趣区域进行显示。

上述CT图像的处理方法和系统，能够将识别为有异常信号的蛛网膜下腔位置显示出来，供医务人员参考，为医务人员的诊断提供精确的资料，能够降低蛛网膜下腔出血的误诊/漏诊率。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (14)

1.一种CT图像的处理系统，其特征在于，包括CT图像获取模块、感兴趣区域估计模块、特征提取模块、异常信号识别模块以及显示模块；

所述CT图像获取模块用于获取进行过脑组织分割的头部CT图像；

所述CT图像获取模块包括依次连接的输入模块、图像预处理模块、以及脑组织分割模块；所述输入模块用于获取原始的头部CT图像；所述图像预处理模块接收所述原始的头部CT图像，并矫正机架倾斜带来的图像变形，具体是计算所述原始的头部CT图像的切片间的距离，然后根据所述切片间的距离计算位移，接着根据位移得到变换矩阵，通过所述变换矩阵矫正机架倾斜；其中，所述变换矩阵为

$M=\left|\begin{array}{ccc}1& 0& 0\\ 0& 1& -\mathrm{GT}\\ 0& 0& 1\end{array}\right|,$ GT为所述位移且GT＝tan(α)×Vox_z×(n-1)/Vox_x，α是机架倾斜的角度，Vox_z是各个切片间的距离，n是切片在整个扫描序列中的序号，Vox_x是XY平面的像素间距；所述图像预处理模块还用于对矫正了机架倾斜的头部CT图像进行线性插值，所述线性插值采用的间距为薄层扫描的间距；所述脑组织分割模块接收图像预处理模块处理过的头部CT图像并将脑组织分割出来，得到进行过脑组织分割的头部CT图像；

所述感兴趣区域估计模块接收所述头部CT图像，并对所述头部CT图像进行蛛网膜下腔感兴趣区域的估计；

所述特征提取模块接收感兴趣区域估计后的头部CT图像，并对所述感兴趣区域估计后的头部CT图像进行特征提取，得到特征值；

所述异常信号识别模块接收所述感兴趣区域估计后的头部CT图像和特征值，并采用模式识别的方法，根据所述特征值识别所述感兴趣区域内是否有异常信号，并将识别结果传送给所述显示模块；

所述显示模块接收所述识别结果，并将被识别为有异常信号的感兴趣区域进行显示。

2.根据权利要求1所述的CT图像的处理系统，其特征在于，所述感兴趣区域估计模块包括脑图谱存储模块、图谱配准模块以及形态学膨胀模块；所述脑图谱存储模块用于存储脑部的概率图谱，所述概率图谱标记有蛛网膜下腔的待处理区域，所述待处理区域包括左外侧裂池、右外侧裂池、基底池、四叠体和环池、脑纵裂池全长、脑纵裂池前端、脑纵裂池后端区域；所述图谱配准模块接收所述概率图谱和所述头部CT图像，并将所述概率图谱配准到头部CT图像上；所述形态学膨胀模块用于对配准后的头部CT图像的感兴趣区域进行形态学的膨胀操作。

3.根据权利要求2所述的CT图像的处理系统，其特征在于，所述概率图谱是国际脑电图协会的ICBM_452_T1数字脑图谱。

4.根据权利要求2所述的CT图像的处理系统，其特征在于，所述将所述概率图谱配准到头部CT图像上，是通过基于图像分割与配准工具包的多分辨B样条配准算法实现配准的。

5.根据权利要求1所述的CT图像的处理系统，其特征在于，所述特征值包括每个感兴趣区域在各个所述头部CT图像的切片中的灰度均值、灰度方差、图像熵、以及图像平均能量；

$\mathrm{mean}=\frac{1}{N\×255}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i,$ $\mathrm{variance}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2,$ $\mathrm{entropy}=-\frac{1}{8}\underset{j=0}{\overset{255}{\mathrm{\Σ}}}{p}_j\log p_j,$ $\mathrm{energy}=\frac{1}{65025}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2;$

其中mean是灰度均值，variance是灰度方差，entropy是图像熵，energy是图像平均能量，N为感兴趣区域中的像素个数，x_i为感兴趣区域内第i个像素的灰度，

为感兴趣区域的平均灰度，p_j为感兴趣区域内灰度为j出现的概率或频率。

6.根据权利要求1所述的CT图像的处理系统，其特征在于，所述异常信号识别模块包括相互连接的模式训练模块和模式识别模块，所述模式训练模块存储有经过训练得到的模型，所述模式识别模块使用所述模式识别的模型，根据所述特征值判别所述头部CT图像的每个感兴趣区域内是否含有异常信号。

7.根据权利要求1所述的CT图像的处理系统，其特征在于，所述异常信号识别模块还包括阈值识别模块，用于接收感兴趣区域估计后的头部CT图像，然后在每一个所述感兴趣区域的颅骨内统计距所述颅骨的距离d为1＜d＜21、且CT值大于切片的灰质CT值Th1并位于[40Hu，95Hu]之间的像素个数Num1，距所述颅骨的距离d大于20、且CT值大于Th1+10并位于[55Hu，95Hu]之间的像素个数Num2；若Num1+Num2＞40，则判定所述感兴趣区域有异常信号。

8.根据权利要求1所述的CT图像的处理系统，其特征在于，

所述脑组织分割模块包括依次连接的二值化处理模块、形态学腐蚀模块、恢复模块、以及非脑组织去除模块；

所述二值化处理模块接收所述图像预处理模块处理过的头部CT图像并采用模糊C-均值聚类方法进行二值化处理，得到二值化CT图；

所述形态学腐蚀模块接收所述二值化CT图并采用形态学腐蚀断开所述二值化CT图中大脑与其它组织的连接，得到断开CT图；

所述恢复模块接收所述断开CT图，并找到所述断开CT图中前景像素的最大连通区域，然后对所述最大连通区域做形态学膨胀运算以恢复大小，得到膨胀CT图；

所述非脑组织去除模块接收所述膨胀CT图，并利用空间相关性去除所述膨胀CT图中的非脑组织，得到经过脑组织分割后的头部CT图像。

9.一种CT图像的处理方法，包括以下步骤：

对头部CT图像进行预处理；所述对头部CT图像进行预处理的步骤包括矫正机架倾斜带来的图像变形，具体是计算所述头部CT图像的切片间的距离，然后根据所述切片间的距离计算位移，接着根据位移得到变换矩阵，通过所述变换矩阵矫正机架倾斜；其中，所述变换矩阵为

$M=\left|\begin{array}{ccc}1& 0& 0\\ 0& 1& -\mathrm{GT}\\ 0& 0& 1\end{array}\right|,$ GT为所述位移且GT＝tan(α)×Vox_z×(n-1)/Vox_x，α是机架倾斜的角度，Vox_z是各个切片间的距离，n是切片在整个扫描序列中的序号，Vox_x是XY平面的像素间距；所述对头部CT图像进行预处理的步骤还包括采用薄层扫描的间距，对所述头部CT图像的切片进行线性插值；

对头部CT图像进行脑组织分割；

对进行过脑组织分割的头部CT图像进行蛛网膜下腔感兴趣区域的估计；

对估计出的所述感兴趣区域进行特征提取，得到特征值；

采用模式识别的方法，根据所述特征值判别所述感兴趣区域内是否有异常信号；

将被判别为有异常信号的感兴趣区域进行显示。

10.根据权利要求9所述的CT图像的处理方法，其特征在于，所述对进行过脑组织分割的头部CT图像进行蛛网膜下腔感兴趣区域的估计，是采用概率图谱配准的方法进行；具体是选择脑部的概率图谱后，通过基于图像分割和配准工具包的多分辨B样条配准算法，将所述概率图谱配准到头部CT图像上，再进行形态学的膨胀操作；所述概率图谱标记有蛛网膜下腔的待处理区域，包括左外侧裂池、右外侧裂池、基底池、四叠体和环池、脑纵裂池全长、脑纵裂池前端、脑纵裂池后端区域。

11.根据权利要求9所述的CT图像的处理方法，其特征在于，所述对估计出的所述感兴趣区域进行特征提取，得到特征值的步骤是计算每个感兴趣区域在各个所述头部CT图像的切片中的灰度均值、灰度方差、图像熵、以及图像平均能量作为特征值；

$\mathrm{mean}=\frac{1}{N\×255}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i,$ $\mathrm{variance}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2,$ $\mathrm{entropy}=-\frac{1}{8}\underset{j=0}{\overset{255}{\mathrm{\Σ}}}{p}_j\log p_j,$ $\mathrm{energy}=\frac{1}{65025}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^2;$ 其中mean是灰度均值，variance是灰度方差，entropy是图像熵，energy是图像平均能量，N为感兴趣区域中的像素个数，x_i为感兴趣区域内第i个像素的灰度，

为感兴趣区域的平均灰度，p_j为感兴趣区域内灰度为j出现的概率或频率。

12.根据权利要求9所述的CT图像的处理方法，其特征在于，所述对头部CT图像进行脑组织分割的步骤，具体包括：

采用模糊C-均值聚类方法对头部CT图像进行二值化处理，得到二值化CT图；

采用形态学腐蚀断开所述二值化CT图中大脑与其它组织的连接，得到断开CT图；

找到所述断开CT图中前景像素的最大连通区域，然后对所述最大连通区域做形态学膨胀运算以恢复大小，得到膨胀CT图；

利用空间相关性去除所述膨胀CT图中的非脑组织，得到经过脑组织分割后的头部CT图像。

13.根据权利要求9所述的CT图像的处理方法，其特征在于，所述采用模式识别的方法，根据所述特征值判别所述感兴趣区域内是否有异常信号的步骤，是利用支持向量机模型，根据所述特征值判别所述头部CT图像的每个感兴趣区域内是否含有异常信号。

14.根据权利要求9所述的CT图像的处理方法，其特征在于，还包括采用基于灰度阈值的方法判别感兴趣区域内是否有异常信号的步骤；具体是在每一个所述感兴趣区域的颅骨内统计距所述颅骨的距离d为1＜d＜21、且CT值大于切片的灰质CT值Th1并位于[40Hu，95Hu]之间的像素个数Num1，以及距所述颅骨的距离d大于20、且CT值大于Th1+10并位于[55Hu，95Hu]之间的像素个数Num2；若Num1+Num2＞40，判定所述感兴趣区域有异常信号。

Images