CN102419864A - 一种提取脑部ct图像骨骼方法及装置 - Google Patents

Abstract

本申请公开了一种提取脑部CT图像骨骼方法及装置，包括：对原始脑部CT图像的像素点进行灰度映射获得对应的灰度直方图，根据所述灰度直方图获得第一预设分割阈值；根据第一预设分割阈值计算背景像素灰度阈值，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像；基于所述预处理脑部CT图像，计算骨阈值；在所述预处理脑部CT图像中查找所有灰度值大于等于所述骨阈值的像素点，提取所述像素点对应的图像，该图像为脑CT图像中的脑骨骼。应用本发明，避免了提前对骨阈值进行经验值设定而造成的提取骨骼错误。此外，本申请能在短时间内提取出脑部骨骼的故影像，不会给整体算法的运算速度带来负面影响。

Description

一种提取脑部CT图像骨骼方法及装置

技术领域

本发明涉及计算机技术领域，特别涉及一种提取脑部CT图像骨骼方法及装置。

背景技术

CT是一种功能齐全的病情探测仪器，它是电子计算机X线断层扫描技术简称。CT图像是以不同的灰度来表示，反映器官和组织对X线的吸收程度。因此，与X线图像所示的黑白影像一样，黑影表示低吸收区，即低密度区，如肺部；白影表示高吸收区，即高密度区，如骨骼。人体软组织的密度差别虽小，吸收系数虽多接近于水，也能形成对比而成像。这是CT的突出优点。所以，CT可以更好地显示由软组织构成的器官，如脑、脊髓、纵隔、肺、肝、胆、胰以及盆部器官等，并在良好的解剖图像背景上显示出病变的影像。CT图像是层面图像，常用的是横断面。为了显示整个器官，需要多个连续的层面图像。

当前在临床上，多层螺旋CT血管造影(MSCTA，multi-slice spiral CTangiography)是一种新型的血管造影技术，通过该技术得到的图像称为CTA图像。该技术对病人无创伤，为医生观察诊断脑血管疾病提供了方便可靠的依据。

通常通过CT图像和CTA图像的配准减影技术获得颅内血管影像。其原理是将脑部CT图像和CTA图像进行配准，然后提取CT图像中的骨骼影像，按照提取出的骨骼的空间位置，对应到CTA图像中，即可把CTA图像中的高亮度的骨骼去掉，剩下的高亮度像素表示的则是血管影像，再应用最大密度投影或者体重建方法将去除骨骼后的CTA图像进行三维可视化，即可看到清晰的血管影像。

由于CTA图像中骨骼的去除完全依赖于从CT中提取的骨骼影像的准确性和配准的准确性，因此国内外的研究者都将配准算法的研究作为研究CTA减影技术的重点，而骨骼影像的提取则是根据经验值提前设定。这样做虽然比较省时，但是对于实际临床图像中可能出现的多种灰度值不统一的情况，提前设定骨骼的经验值显然会阻碍算法的应用，造成错误的结果。

例如，图1所示为现有技术的两幅脑组织的原始图像，从图中可以很明显的确定，两幅图像的明暗度不同。将图1所示两幅图像的灰度值范围都映射到0-4096范围内后，统计各自灰度值直方图的范围，统计结果如图2所示。

其中，图1a所示脑组织对应的灰度值直方图分布范围如图2a所示，图1b所示脑组织对应的灰度值直方图分布范围如图2b所示。

从图2中可以明显看出，两幅同样为脑部组织的CT图像的像素点的灰度值分布范围有很大差别，如果通过事先设定骨骼阈值范围的方式来去除脑骨骼组织就会出现错误，即有可能将本应是脑骨骼的图像留下了，或将本应不是脑骨骼的图像去除了。

因此，如何能够准确的提取出CT图像的脑骨骼是保证能够准确呈现出脑血管影像的关键的步骤之一，是个亟需解决的问题。

发明内容

本发明实施例的提供一种提取脑部CT图像骨骼方法及装置，能准确的从脑CT图像中提取出骨骼图像，以保证后续成像的准确性。

本发明实施例提供了一种提取脑部CT图像骨骼方法，包括：

对原始脑部CT图像的像素点进行灰度映射获得对应的灰度直方图，根据所述灰度直方图获得第一预设分割阈值；

根据第一预设分割阈值计算背景像素灰度阈值，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像；

基于所述预处理脑部CT图像，计算骨阈值；

在所述预处理脑部CT图像中查找所有灰度值大于等于所述骨阈值的像素点，提取所述像素点对应的图像，该图像为脑CT图像中的脑骨骼。

其中，所述根据第一预设分割阈值计算背景像素灰度阈值的步骤包括：

设所述原始脑部CT图像中像素点的灰度值范围为(minv，maxv)，其中，minv为最小灰度值，maxv为最大灰度值；

令阈值间隔为detavalue，其中detavalue＝maxv-minv；

将所述原始脑部CT图像的灰度值映射到0-detavalue区间内；

在所述0-detavalue区间内对每层脑CT图像分别进行灰度直方图统计，获得各灰度值累积比例

k＝min value，…，max value，其中，

minvalue和maxvalue分别表示所述原始脑CT图像中像素点所表示的最小和最大灰度值，C_i表示灰度值为i的像素点个数，C_all表示图像中像素点的总个数，k值即为背景像素灰度阈值的参考值；

判断所述累积比例HA_k是否大于等于第一预设分割阈值，且k的值小于detavalue*0.1，若是，则设置背景像素灰度阈值k′为detavalue*0.1；否则，设置背景像素灰度阈值k′为HA_k大于等于第一预设分割阈值时的k值。

其中，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像的步骤包括：

查找并去除所有灰度值小于所述背景像素灰度阈值的像素点，从而去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像。

其中，计算骨阈值的步骤包括：

设所述预处理脑部CT图像有N个像素，detavalue-k′个灰度级i，i＝k′，k′+1，k′+2，...，detavalue；灰度值为i的像素个数为n_i，则

其中，k′为所述背景像素灰度阈值；灰度值为i的像素的概率密度为：

且

令 ${\mathrm{\ω}}_0=\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\ω}}_1=\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\μ}}_r=\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i,$ ${\mathrm{\μ}}_0=\frac{\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_0},$ ${\mathrm{\μ}}_1=\frac{\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_1},$ 且μ₀ω₀+μ₁ω₁＝μ_r，ω₀+ω₁＝1；

其中，t1为骨分割阈值，ω₀为灰度级低于或等于t1的所有点的概率密度之和，ω₁为灰度级高于t1的所有点的概率密度之和，μ_r为图像总体平均灰度，μ₀为灰度级低于或等于t1的所有点平均灰度，μ₁为灰度级高于t1的所有点的平均灰度，类间方差为 ${\mathrm{\σ}}_B^2={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-{\mathrm{\μ}}_r)}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-{\mathrm{\μ}}_r)}^2.$

本发明实施例还提供了一种提取脑部CT图像骨骼装置，包括：

灰度映射单元，用于对所述原始脑部CT图像的像素点进行灰度映射，获得对应的灰度直方图，根据所述灰度直方图获得所述脑部CT图像的灰度值的第一预设分割阈值；

背景像素去除单元，用于根据第一预设分割阈值计算背景像素灰度阈值，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像；

骨阈值计算单元，用于基于所述预处理脑部CT图像，计算骨阈值；

脑骨骼提取单元，用于在所述预处理脑部CT图像中查找所有灰度值大于等于所述骨阈值的像素点，提取所述像素点对应的图像，该图像为脑CT图像中的脑骨骼。

其中，所述背景像素去除单元包括：

第一计算单元，用于根据第一预设分割阈值计算背景像素灰度阈值；

第二计算单元，用于根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像。

其中，所述第一计算单元包括：

第一设置子单元，用于设所述原始脑部CT图像中像素点的灰度值范围为(minv，maxv)，其中，minv为最小灰度值，maxv为最大灰度值；令阈值间隔为detavalue，其中detavalue＝maxv-minv；

灰度值累积比例计算单元，用于将所述原始脑部CT图像的灰度值映射到0-detavalue区间内；在所述0-detavalue区间内对每层脑CT图像分别进行灰度直方图统计，获得各灰度值累积比例k＝min value，…，max value，其中，minvalue和maxvalue分别表示所述原始脑CT图像中像素点所表示的最小和最大灰度值，C_i表示灰度值为i的像素点个数，C_all表示图像中像素点的总个数，k值即为背景像素灰度阈值的参考值；

第一判断子单元，用于判断所述累积比例HA_k是否大于等于第一预设分割阈值，且k的值小于detavalue*0.1，若是，则设置背景像素灰度阈值k′为detavalue*0.1；否则，设置背景像素灰度阈值k′为HA_k大于等于第一预设分割阈值时的k值。

其中，所述骨阈值计算单元包括：

第二设置子单元，用于设所述预处理脑部CT图像有N个像素，detavalue-k′个灰度级i，i＝k′，k′+1，k′+2，...，detavalue；灰度值为i的像素个数为n_i，则

其中，k′为所述背景像素灰度阈值；灰度值为i的像素的概率密度为： $p_i=\frac{n_i}{N},$ 且 $\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i=1;$

第三计算单元，用于令 ${\mathrm{\ω}}_0=\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\ω}}_1=\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\μ}}_r=\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i,$ ${\mathrm{\μ}}_0=\frac{\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_0},$ ${\mathrm{\μ}}_1=\frac{\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_1},$ 且μ₀ω₀+μ₁ω₀＝μ_r，ω₀+ω₁＝1；

其中，t1为骨分割阈值，ω₀为灰度级低于或等于t1的所有点的概率密度之和，ω₁为灰度级高于t1的所有点的概率密度之和，μ_r为图像总体平均灰度，μ₀为灰度级低于或等于t1的所有点平均灰度，μ₁为灰度级高于t1的所有点的平均灰度，类间方差为 ${\mathrm{\σ}}_B^2={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-{\mathrm{\μ}}_r)}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-{\mathrm{\μ}}_r)}^2.$

应用本发明实施例提供的方法和装置，通过先去除脑部CT图像中的背景像素点，获得预处理脑部CT图像，再应用计算出的骨阈值对预处理脑部CT图像进行脑骨骼和其余脑组织的区分，准确地从脑CT图像中提取出了骨骼图像，保证了后续成像的准确性。避免了提前对骨阈值进行经验值设定而造成的提取骨骼错误。此外，本申请能在短时间内提取出脑部骨骼的故影像，不会给整体算法的运算速度带来负面影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是现有技术的两幅脑组织的原始图像；

图2是与图1中脑CT图像对应的灰度分布直方图；

图3是根据本发明实施例的提取脑部CT图像骨骼的方法流程图；

图4是一脑部CT图像中背景像素所占比重统计分析图；

图5是另外两个脑部CT图像中背景像素所占比重的统计分析图；

图6是应用本发明实施例后骨骼提取效果图；

图7是计算骨骼阈值算法的运算时间统计图；

图8是根据本发明实施例的提取脑部CT图像骨骼装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请的思路是先去除脑部CT图像中的背景像素点，再对剩下的全脑图像进行脑骨骼和其余脑组织的区分，从而提取出脑骨骼CT图像，为将来后续CTA图像中脑骨骼的去除提供可靠依据。

参见图3，其是根据本发明实施例的一种提取脑部CT图像骨骼的方法流程图，具体包括：

步骤301，对原始脑部CT图像的像素点进行灰度映射获得对应的灰度直方图，根据所述灰度直方图获得第一预设分割阈值；

在去除背景像素点之前，对脑部CT图像中背景和全脑图像的像素点个数在整幅图像中所占的比例进行分析。用类间最大方差方法计算出脑部图像与背景图像的分割阈值后，对表示背景图像的像素数目占总像素数的比例进行逐层分析，获得图4所示一脑部CT图像中背景像素所占比重统计分析图。

从图4中可以分析出，背景像素所占比例在一套整脑数据中的分布情况可以分为两种，一种是比例在0.55-0.65之间，一种是比例数值大于0.65的情况。为了验证这个结论，笔者又对另外两套整脑数据进行了背景像素比重统计分析，得到图5所示另外两个脑部CT图像中背景像素所占比重的统计分析图。

结合图4、5的统计分析可知，在脑部CT图像中，背景像素所占比重通常分为两种情况，一种情况是背景像素所占比例到达43％以上，另一种情况是背景像素所占比例在43％以下。这里的43％是根据以上几组图像的背景像素比重的分布规律估计出的一经验数值。

也就是说，根据所述灰度直方图获得第一预设分割阈值是一经验数值，例如，该数值可以在0.4-0.6之间。

步骤302，根据第一预设分割阈值计算背景像素灰度阈值，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像；

上述根据第一预设分割阈值计算背景像素灰度阈值的步骤包括：

设所述原始脑部CT图像中像素点的灰度值范围为(minv，maxv)，其中，minv为最小灰度值，maxv为最大灰度值；

令阈值间隔为detavalue，其中detavalue＝maxv-minv；

将所述原始脑部CT图像的灰度值映射到0-detavalue区间内；

在所述0-detavalue区间内对每层脑CT图像分别进行灰度直方图统计，获得各灰度值累积比例

k＝min value，…，max value，其中，minvalue和maxvalue分别表示所述原始脑CT图像中像素点所表示的最小和最大灰度值，C_i表示灰度值为i的像素点个数，C_all表示图像中像素点的总个数，k值即为背景像素灰度阈值的参考值；

判断所述累积比例HA_k是否大于等于第一预设分割阈值，且k的值小于detavalue*0.1，该第一灰度分割阈值是根据前述图4、5的统计分析得出的经验值，例如43％，若是，则设置背景像素灰度阈值k′为detavalue*0.1；否则，设置背景像素灰度阈值k′为HA_k大于等于第一灰度分割阈值时的k值。

也就是说，k是背景像素灰度阈值的参考值，而k′是背景像素灰度阈值，当累积比例HA_k大于等于第一预设分割阈值，且k的值小于detavalue*0.1，k’的取值为detavalue*0.1；当累积比例HA_k小于第一预设分割阈值时，k’的取值为k。

根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像的步骤为；查找并去除所有灰度值小于所述背景像素灰度阈值的像素点，从而去除所述CT图像中的背景像素点。这里，去除所有灰度值小于所述背景像素灰度阈值的像素点的处理实际是将这些像素点的灰度值置0。

步骤303，基于所述预处理脑部CT图像，计算骨阈值；

本步骤可以具体包括：

设所述预处理脑部CT图像有N个像素，detavalue-k′个灰度级i，i＝k′，k′+1，k′+2，...，detavalue；灰度值为i的像素个数为n_i，则

其中，k′为所述背景像素灰度阈值；

灰度值为i的像素的概率密度为：

且

这里，需要说明的是，每个灰度级都对应一个灰度值，因此，灰度级为i的灰度值必然为i；

令 ${\mathrm{\ω}}_0=\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\ω}}_1=\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\μ}}_r=\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i,$ ${\mathrm{\μ}}_0=\frac{\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_0},$ ${\mathrm{\μ}}_1=\frac{\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_1},$ 且μ₀ω₀+μ₁ω₁＝μ_r，ω₀+ω₁＝1；

其中，t1为骨分割阈值，ω₀为灰度级低于或等于t1的所有点的概率密度之和，即脑组织类的概率密度之和，ω₁为灰度级为高于t1的所有点的概率密度之和，即脑骨骼类概率密度之和，μ_r为图像总体平均灰度，μ₀为灰度级低于或等于t1的所有点平均灰度，即脑组织类所有点平均灰度，μ₁为灰度级高于t1的平均灰度，即脑骨骼类所有点的平均灰度，类间方差为

其中，类间方差越大表示阈值选择的越好。

步骤304，在所述预处理脑部CT图像中查找所有灰度值大于等于所述骨阈值的像素点，提取所述像素点对应的图像，该图像为脑CT图像中的脑骨骼。

至此，完成了脑骨骼提取。

用本发明实施例提出的基于类间最大方差的自适应骨阈值提取方法得到的实验结果如图6所示。其中，图6中的(a)和(b)分别是原脑部CT图像和与其对应的骨骼分割图像。

从图6中可以看出，骨骼提取效果良好。

提取单层CT图像中骨骼阈值的运算时间统计如图表7所示，从图7中可以分析出，本发明实施例提出的计算骨骼阈值算法的时间性能相对稳定，对于单层脑部CT图像的运算时间控制在45-65ms之间。

可见，应用本发明实施例提供的方法，通过先去除脑部CT图像中的背景像素点获得预处理脑部CT图像，再应用计算出的骨阈值对所获得的预处理脑部CT图像进行脑骨骼和其余脑组织的区分，准确地从脑CT图像中提取出了骨骼图像，保证了后续成像的准确性。避免了提前对骨阈值进行经验值设定而造成的提取骨骼错误。此外，本申请能在短时间内提取出脑部骨骼的故影像，不会给整体算法的运算速度带来负面影响。

本发明实施例还提供了一种提取脑部CT图像骨骼装置，参见图8，具体包括：

灰度映射单元801，用于对所述原始脑部CT图像的像素点进行灰度映射，获得对应的灰度直方图，根据所述灰度直方图获得所述脑部CT图像的灰度值的第一预设分割阈值；

背景像素去除单元802，用于根据第一预设分割阈值计算背景像素灰度阈值，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像；

骨阈值计算单元803，用于基于所述预处理脑部CT图像，计算骨阈值；

脑骨骼提取单元804，用于在所述预处理脑部CT图像中查找所有灰度值大于等于所述骨阈值的像素点，提取所述像素点对应的图像，该图像为脑CT图像中的脑骨骼。

上述背景像素去除单元802可以具体包括：

第一计算单元，用于根据第一预设分割阈值计算背景像素灰度阈值；

第二计算单元，用于根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像。

上述第一计算单元可以具体包括：

第一设置子单元，用于设所述原始脑部CT图像中像素点的灰度值范围为(minv，maxv)，其中，minv为最小灰度值，maxv为最大灰度值；令阈值间隔为detavalue，其中detavalue＝maxv-minv；

灰度值累积比例计算单元，用于将所述原始脑部CT图像的灰度值映射到0-detavalue区间内；在所述0-detavalue区间内对每层脑CT图像分别进行灰度直方图统计，获得各灰度值累积比例k＝min value，…，max value，其中，minvalue和maxvalue分别表示所述原始脑CT图像中像素点所表示的最小和最大灰度值，C_i表示灰度值为i的像素点个数，C_all表示图像中像素点的总个数，k值即为背景像素灰度阈值的参考值；

第一判断子单元，用于判断所述累积比例HA_k是否大于等于第一预设分割阈值，且k的值小于detavalue*0.1，若是，则设置背景像素灰度阈值k′为detavalue*0.1；否则，设置背景像素灰度阈值k′为HA_k大于等于第一预设分割阈值时的k值。

上述骨阈值计算单元803可以具体包括：

第二设置子单元，用于设所述预处理脑部CT图像有N个像素，detavalue-k′个灰度级i，i＝k′，k′+1，k′+2，...，detavalue；灰度值为i的像素个数为n_i，则

其中，k′为所述背景像素灰度阈值；灰度值为i的像素的概率密度为： $p_i=\frac{n_i}{N},$ 且 $\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i=1;$

第三计算单元，用于令 ${\mathrm{\ω}}_0=\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\ω}}_1=\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\μ}}_r=\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i,$ ${\mathrm{\μ}}_0=\frac{\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_0},$ ${\mathrm{\μ}}_1=\frac{\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_1},$ 且μ₀ω₀+μ₁ω₁＝μ_r，ω₀+ω₁＝1；

其中，t1为骨分割阈值，ω₀为灰度级低于或等于t1的所有点的概率密度之和，ω₁为灰度级高于t1的所有点的概率密度之和，μ_r为图像总体平均灰度，μ₀为灰度级低于或等于t1的所有点平均灰度，μ₁为灰度级高于t1的所有点的平均灰度，类间方差为 ${\mathrm{\σ}}_B^2={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-{\mathrm{\μ}}_r)}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-{\mathrm{\μ}}_r)}^2.$

应用本发明实施例提供的装置，通过先去除脑部CT图像中的背景像素点，获得预处理脑部CT图像，再应用计算出的骨阈值对预处理脑部CT图像进行脑骨骼和其余脑组织的区分，准确地从脑CT图像中提取出了骨骼图像，保证了后续成像的准确性。避免了提前对骨阈值进行经验值设定而造成的提取骨骼错误。此外，本申请能在短时间内提取出脑部骨骼的故影像，不会给整体算法的运算速度带来负面影响。

对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种提取脑部CT图像骨骼方法，其特征在于，包括：

对原始脑部CT图像的像素点进行灰度映射获得对应的灰度直方图，根据所述灰度直方图获得第一预设分割阈值；

根据第一预设分割阈值计算背景像素灰度阈值，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像；

基于所述预处理脑部CT图像，计算骨阈值；

在所述预处理脑部CT图像中查找所有灰度值大于等于所述骨阈值的像素点，提取所述像素点对应的图像，该图像为脑CT图像中的脑骨骼。

2.根据权利要求1所述的方法，其特征在于，所述根据第一预设分割阈值计算背景像素灰度阈值的步骤包括：

设所述原始脑部CT图像中像素点的灰度值范围为(minv，maxv)，其中，minv为最小灰度值，maxv为最大灰度值；

令阈值间隔为detavalue，其中detavalue＝maxv-minv；

将所述原始脑部CT图像的灰度值映射到0-detavalue区间内；

在所述0-detavalue区间内对每层脑CT图像分别进行灰度直方图统计，获得各灰度值累积比例

k＝min value，…，max value，其中，minvalue和maxvalue分别表示所述原始脑CT图像中像素点所表示的最小和最大灰度值，C_i表示灰度值为i的像素点个数，C_all表示图像中像素点的总个数，k值即为背景像素灰度阈值的参考值；

判断所述累积比例HA_k是否大于等于第一预设分割阈值，且k的值小于detavalue*0.1，若是，则设置背景像素灰度阈值k′为detavalue*0.1；否则，设置背景像素灰度阈值k′为HA_k大于等于第一预设分割阈值时的k值。

3.根据权利要求1所述的方法，其特征在于，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像的步骤包括：

查找并去除所有灰度值小于所述背景像素灰度阈值的像素点，从而去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像。

4.根据权利要求1所述的方法，其特征在于，计算骨阈值的步骤包括：

设所述预处理脑部CT图像有N个像素，detavalue-k′个灰度级i，i＝k′，k′+1，k′+2，...，detavalue；灰度值为i的像素个数为n_i，则

其中，k′为所述背景像素灰度阈值；灰度值为i的像素的概率密度为：

且

令 ${\mathrm{\ω}}_0=\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\ω}}_1=\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\μ}}_r=\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i,$ ${\mathrm{\μ}}_0=\frac{\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_0},$ ${\mathrm{\μ}}_1=\frac{\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_1},$ 且μ₀ω₀+μ₁ω₁＝μ_r，ω₀+ω₁＝1；

其中，t1为骨分割阈值，ω₀为灰度级低于或等于t1的所有点的概率密度之和，ω₁为灰度级高于t1的所有点的概率密度之和，μ_r为图像总体平均灰度，μ₀为灰度级低于或等于t1的所有点平均灰度，μ₁为灰度级高于t1的所有点的平均灰度，类间方差为 ${\mathrm{\σ}}_B^2={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-{\mathrm{\μ}}_r)}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-{\mathrm{\μ}}_r)}^2.$

5.一种提取脑部CT图像骨骼装置，其特征在于，包括：

灰度映射单元，用于对所述原始脑部CT图像的像素点进行灰度映射，获得对应的灰度直方图，根据所述灰度直方图获得所述脑部CT图像的灰度值的第一预设分割阈值；

背景像素去除单元，用于根据第一预设分割阈值计算背景像素灰度阈值，根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像；

骨阈值计算单元，用于基于所述预处理脑部CT图像，计算骨阈值；

脑骨骼提取单元，用于在所述预处理脑部CT图像中查找所有灰度值大于等于所述骨阈值的像素点，提取所述像素点对应的图像，该图像为脑CT图像中的脑骨骼。

6.根据权利要求5所述的装置，其特征在于，所述背景像素去除单元包括：

第一计算单元，用于根据第一预设分割阈值计算背景像素灰度阈值；

第二计算单元，用于根据背景像素灰度阈值去除所述原始脑部CT图像中的背景像素点，获得预处理脑部CT图像。

7.根据权利要求6所述的装置，其特征在于，所述第一计算单元包括：

第一设置子单元，用于设所述原始脑部CT图像中像素点的灰度值范围为(minv，maxv)，其中，minv为最小灰度值，maxv为最大灰度值；令阈值间隔为detavalue，其中detavalue＝maxv-minv；

灰度值累积比例计算单元，用于将所述原始脑部CT图像的灰度值映射到0-detavalue区间内；在所述0-detavalue区间内对每层脑CT图像分别进行灰度直方图统计，获得各灰度值累积比例

k＝min value，…，max value，其中，minvalue和maxvalue分别表示所述原始脑CT图像中像素点所表示的最小和最大灰度值，C_i表示灰度值为i的像素点个数，C_all表示图像中像素点的总个数，k值即为背景像素灰度阈值的参考值；

第一判断子单元，用于判断所述累积比例HA_k是否大于等于第一预设分割阈值，且k的值小于detavalue*0.1，若是，则设置背景像素灰度阈值k′为detavalue*0.1；否则，设置背景像素灰度阈值k′为HA_k大于等于第一预设分割阈值时的k值。

8.根据权利要求5所述的装置，其特征在于，所述骨阈值计算单元包括：

第二设置子单元，用于设所述预处理脑部CT图像有N个像素，detavalue-k′个灰度级i，i＝k′，k′+1，k′+2，...，detavalue；灰度值为i的像素个数为n_i，则

其中，k′为所述背景像素灰度阈值；灰度值为i的像素的概率密度为： $p_i=\frac{n_i}{N},$ 且 $\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i=1;$

第三计算单元，用于令 ${\mathrm{\ω}}_0=\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\ω}}_1=\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{p}_i,$ ${\mathrm{\μ}}_r=\underset{i=k^{\′}}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i,$ ${\mathrm{\μ}}_0=\frac{\underset{i=k^{\′}}{\overset{t_1}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_0},$ ${\mathrm{\μ}}_1=\frac{\underset{i=t_1+1}{\overset{\det \mathrm{avalue}}{\mathrm{\Σ}}}{\mathrm{ip}}_i}{{\mathrm{\ω}}_1},$ 且μ₀ω₀+μ₁ω₁＝μ_r，ω₀+ω₁＝1；

其中，t1为骨分割阈值，ω₀为灰度级低于或等于t1的所有点的概率密度之和，ω₁为灰度级高于t1的所有点的概率密度之和，μ_r为图像总体平均灰度，μ₀为灰度级低于或等于t1的所有点平均灰度，μ₁为灰度级高于t1的所有点的平均灰度，类间方差为 ${\mathrm{\σ}}_B^2={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-{\mathrm{\μ}}_r)}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-{\mathrm{\μ}}_r)}^2.$

Images