CN1869994A

CN1869994A - 医学影像/图像特征提取和解剖位置注册方法

Info

Publication number: CN1869994A
Application number: CNA2006100342659A
Authority: CN
Inventors: 陈自强; 张明; 刘立峰; 张小粤; 李云叶; 叶声
Original assignee: 张小粤
Priority date: 2006-03-15
Filing date: 2006-03-15
Publication date: 2006-11-29

Abstract

本发明涉及医学技术领域，具体说是一种医学影像/图像特征提取和解剖位置注册方法。本发明提出了一种基于影像/图像信息的判据去搜寻相关信息数据库的方法，及其相应的在医学信息系统方面的应用，包括对医学影像/图像的信息过滤和信息提取的预处理。本发明首先提出了对所讨论的人体大脑器官采用弹性极坐标模块作为子结构注册的框架，对影像的像素特征的提取，然后描述了一种将医学影像的像素信息转换到上述相应的子结构特征值的方法。最后医学影像的自动解剖位置的注册的解决方案也被探讨。

Description

医学影像/图像特征提取和解剖位置注册方法

技术领域：

本发明涉及医学技术领域，具体说是一种医学影像/图像特征提取和解剖位置注册方法。

背景技术：

当使用者在对一个数据库进行查询时，总是希望能够对所有的信息都可以进行不同路径和层次的有效的搜索。而当前市场上的绝大部分的数据库，包括那些即使已经具有影像和图像资料的数据库，都是基于文字的信息搜索。这样一来就大大地限制了使用者的应用，尤其是在他们需要对这些影像/图像的内容进行查询的时候。本发明提出了一种基于影像/图像信息的判据去搜寻相关信息数据库的方法，及其相应的在医学信息系统方面的应用，包括对医学影像/图像的信息过滤和信息提取的预处理。本发明首先提出了对所讨论的人体大脑器官采用弹性极坐标模块作为子结构注册的框架，以及对其影像的像素特征的提取，然后描述了一种将医学影像的像素信息转换到上述相应的子结构特征值的系统和方法。最后对医学影像的自动解剖位置的注册的解决方案也进行了探讨。

发明内容：

结合附图对本发明的具体内容从以下几方面进行详细说明：因该项申请涉及有关医学影像，所以需要附上一些医学影像的黑白JPG截图。

1.影像自动注册的预处理

1.1.DICOM文件头的信息提取

在本发明所描述的系统中，标准的DICOM III的文件头(Header)里的信息是被用作为以文字基础的标识、影像分类以及下一步的医学影像处理的数据来源。

1.2.影像分类

与医学影像相关的物理和几何参数可被用于判别成像设备的种类和型号，以及医学影像的类型。例如，对核磁共振影像(MRI)来说，诸如T1、T2、PD、FLAIR等系列参数可被作为基本的过滤参数来进行预处理。

1.3.图像的本底剥离

为保证从不同数据来源所获得的数据一致性，原始数据要经过一系列后处理过程：诸如使用二维韩宁(2D Hanning)平滑过滤方法以减少数据躁声；在上述的平滑处理之后，将会产生一个信号强度的直方图(Histogram)。而直方图的多重态(多重峰)通常表示在某一种特定的核磁共振图像(MRI)采集方式下，可被用于区分样品的多重组织类型。最低的直方图峰总是来源于低信号强度的本底像素。如果选择适当的阈值(门坎值)，可以大致将影像的本底(背景)像素与其它像素区分开。下面我们以大脑的核磁共振的影像的AXL系列为例：以图像四角作为起始种子，然后扩展到整个本底区域，通过一系列的形态操作(例如，侵蚀，扩散和区域增长等等)后，该大脑AXL影像的中央区域上所剩下的最大相连区域即为头部‘面具’或‘面罩’(MASK)。当然，同样的思路和方法可以应用到其它的人体解剖位置和不同的扫描方式上。详细内容请参见图1。

在多种不同的‘面具’的抽取方式(例如，基于梯度方式，分离-融合的分割方式等等)被测试后，由大量图片统计分析优化后的‘面具’分离算法即可被确定。

1.4.图像平面内旋转位移的修正

由于在作影像/图像的搜寻时，其比对方式等都要求数据库中的目标影像/图像标准化，既需校准在同一坐标系统下，这样的比对结果才有意义。通常，当病人被安置于核磁共振扫描设备或CT扫描设备中进行成像扫描时，其被测人体的解剖参照系与图像数据库的标准坐标系统并不能保证一致。人体解剖的两侧对称参照线与Y轴(图像纵轴)的夹角即为图像的偏转角。遵循下列方案，图像特征值应在标准化后的图像的基础上获得。仍以上面的大脑MRI的AXL(Axial)影像为例，基于‘头部面具’的左右对称性，当穿过‘面具’中心的直线旋转到一特定角度时，‘面具’沿直线翻转后的重合程度最高，这一角度即为图像的旋转修正角。在同一给定参照系下，同一系列图像的平面内旋转角度应相同，所以整个系列图像应作为一个刚体进行旋转修正。同样地，相同的思路和方法可以应用到其它的人体解剖位置和不同的扫描方式上。

2.基于医学影像解剖结构的子结构系统

2.1.基于影像像素和子结构的特征

由于标准的医学图像的像素数目通常都相当大(例如，磁共振图像为256×256；而CT为512×512)；而且与影像像素有关的物理参数常常表现出相当明显的差异(如：像素尺寸，信号强度校正，以及与人体影像成像方向，位移，人体解剖的正常差异有关的像素内容变化)，所以对基于图像的像素作直接比较即不可靠也不现实。

因此，本发明提出了一种新的处理方法，即首先将待处理的医学影像分解为一组子结构，在此我们称之为子块(Tiles)，然后对这组子块(子结构)分别进行处理并提取其各种有用的属性(Attributes)，那么，这一组子块属性的有机组合即代表了该医学影像的一种特征标识。这里，每一个子块的属性(或特征)是由对本系列的所有影像的像素进行处理和计算而得到的，这些处理和计算包括(但不限于)：对系列的一维计算(信号强度直方图的动量，Moments ofSI Histogram)；和对系列的二维计算(梯度、曲度，Gradient、Curvature)。这些计算结果将被用作各子块和整个影像的特征描述。详细请参看以下相应的章节及图1和图2。

这种方法的成功与否的关键取决于以下三点：弹性模块子结构的选取，子块中的属性(或特征)的选取，和这些特征值的组合方式。早期常用的弹性模块子结构的选取方法采用了基于网格的子块分解法，在此方法中子块是一组N维的方柱体(Parallelepipeds)。它的优点是非常直接明了，而缺点是不能全部覆盖并仅覆盖影像的有效子元素，从而使整个影像特征化的工作变得相对困难。

本发明提出了一种与待处理的医学影像系列的结构和特征相关的弹性子块的设计系统。每一组待处理的影像系列都有它们自己的子块系统，而其构成则由这些影像和它们的子元素的几何特性来确定。

以上的思路和方法已被应用到核磁共振(MR)和CT的大脑影像的子块系统的设计上，但可以将同样的技术应用到不同类型的医学影像/图像，和不同的人体部位上。

2.2.大脑影像的弹性极坐标子块的结构设计

本子块设计的思路是：找到一种能够覆盖整个大脑的有效区域，而又不会引入太多背景噪声的子块结构。同时，该子块结构应该不会对由于以下各种因素而产生的人体大脑解剖位置正常的变化范围及其差异过于敏感：诸如年龄、物理的大小、形状和由成像过程引起的小角度位移倾斜等等。而在另一方面，该子块结构又应对解剖位置(扫描、成像的位置)相对敏感，从而使在搜寻和对比非正常的病灶的信号强度的变化、以及医学影像注册有较好的效果。

在医学影像学中，标准成像的三个坐标方位分别为：从左至右，Sagittal(SAG)；从前至后，Coronal(COR)和从上至下，Axial(AXL，即横断层)。最基本和最常用的人体对称系统是两侧对称系统，显然这适用于Axial和Coronal的影像，而它们在本发明里是被作为旋转位移修正的参考坐标系。人体大脑的AXL影像的基本形状从其长轴横断面来看相似于一个蛋形。如果将AXL影像按照其极坐标分成若干个同心的椭圆型层次，它的最外层基本上是脑灰质区域；而中间层是脑白质区域，最里层从上到下分别为脑灰质、脑室、基础神经节和脑干等区域。因此，本发明所提出的前后部(Anterior-Posterior)非对称的弹性极坐标多层子块结构对所讨论的人体大脑来说是一种最合理的结构形式。

最简单的子块参数集由六个变量组成：极坐标子块的中心点(Xc，Yc)，对称轴的转角(θ)，前部(Anterior)长轴半径(Ra)，后部(Posterior)长轴半径(Rp)和两侧短轴半径(R0)。本蛋形子块的半径关系式表达如下：

R(α)＝R0+(Ra-R0)*cos²(α)；if-π/2＜＝α＜＝π/2

R(α)＝R0+(Rp-R0)*cos²(α)；otherwise

式中的α为与该蛋形子块结构的对称轴相关的、并按照顺时针增长的角度。详细请参见图1。

这种处理方法保证了在四个顶点上半径的平滑过渡(既两个侧边，前部和后部)。另一种相似的方法是采用前后部非对称椭圆形子块来产生子结构。

这种极坐标子块系统的设计开始于位于影像中间的最小蛋型层(即中心层)，从而避免了其它可能的奇异点。该中心层只有一个子块。其它的各层与中心层处于同一坐标原点，从而使得，如果中心层的半径为1时，其它外层的半径应为2*Ln+1，这里Ln是层次数。

除第一层外的每一层都按等角的原则来划分子块(Tile)。每层中子块的数目的选取原则为：使所有的子块的大小(即像素数目)尽可能相等，从而使子块特征的计算在统计意义上来说尽可能相近。特别需要指出的是，在这种同心的多层子块的结构中，每层的子块数目应为8*Ln，而子块的总数为(2Ln，max+1)²，这里Ln，max是总层数。详细请参见图2。

总的来说，子块大小的选择，以及同心蛋型层数的选择，取决于所要研究的对象和目的。需要指出的是，基本原则是既要使子块小得足以反映该蛋型刚体的人体微结构的细节，又要避免使其对正常人体解剖位置的差异有过敏反应。由于人体大脑的半球体形状的非对称性和平面内旋转位移校正的非精确性，目前尚没有一种方法能够保证人体大脑的中轴线可以匀称地分布于两个相邻的子块间。在本发明提出的方法中，我们选择影像的对称中轴线通过子块的中心点。相对于Axial影像而言，Coronal影像在其子块结构和解剖位置结构的修正方面的稳定度尚未理想。例如，对人体大脑MRI的T2系列影像的测试数据表明，本方法对AXL系列影像的Z轴向位置注册的准确率为5％，而对Coronal系列影像的Y轴向位置注册的准确率为6-8％。

2.3.极坐标子块的拟合(Fitting)

极坐标子块参数的拟合可以通过对二维二进制‘面罩’(MASK)的动量或对二进制‘面罩’的边缘像素拟合的计算获得。在进行了对影像的预处理后，一个‘面罩’将被生成，以覆盖每个二维影像距阵中的大脑有效区域。基于两侧对称的旋转位移校正技术将被应用于整个系列影像。

AXL影像的最小拟合目标(Fitting Minimum Objective)函数是：

f_obj＝∑i abs(R(θi)-(R0+(R_a-R0)*cos²(θi)) if-π/2＜＝α＜＝π/2

f_obj＝∑i abs(R(θi)-(R0+(R_p-R0)*cos²(θi)) otherwise

其中

R(θi)＝sqrt((Xi-Xc)*(Xi-Xc)+(Yi-Yc)*(Yi-Yc))

以及

θi＝arctan((Xi-Xc)/(Yi-Yc))

基于这一目标函数，一个多维非强迫型、非线性最小化的处理过程将被采用，从而得到最优拟合的极坐标子块参数集(Xc，Yc，R0，R_a，R_p)，如以下图3、图4所示。

3.影像特征的提取

本节描述的方法是：如何将一组原始的数字影像数据转换成相应的一组特征值，来准确表达这张影像，从而大大提高其查询能力。这组特征值的计算方法包括两步。第一步是在原始数据的解析度的基础上计算出采用不同特性过滤后的影像，诸如低通特性、高通特性、梯度、曲度等等。这些过滤后的影像将被在第二步的计算中使用。然后在第二步的计算中，这张影像的每个子块的特征向量将被计算出来。目前在本发明中采用的MRI大脑例子里，我们选取了总数为49个的子块结构。在以上两步计算后，所提交待处理的影像被转换为一组对应的特征向量。以下的章节将详细描述这些计算方法和步骤。输出的结果是一个总数为(Ntiles x Nfeat/tile)，即子块总数乘每个子块的特征值总数，维的特征向量。

3.1.像素特征和影像过滤

在第一步中，对每张待处理的影像都要进行相应的过滤操作，从而产生一系列的过滤后的影像。本方法共采用六种过滤的方法，然后这些过滤后的影像将在第二步的计算中使用。这六种过滤后的影像是：

影像数目标志说明

过滤影像 # 1I_In 原始影像

过滤影像 # 2I_Edge 梯度绝对值影像

过滤影像 # 3I_Xgrad X轴梯度影像

过滤影像 # 4I_Ygrad Y轴梯度影像

过滤影像 # 5I_MeanCurv 曲度平均值影像

过滤影像 # 6I_LSCurv 水平集(level-set)曲度影像

3.1.1过滤影像#1：原始影像

这并不是从扫描设备直接输入的影像，而是对其原始的影像进行了一些必要的预处理(诸如，标准化增益处理，Gain Normalized)后的输出影像。

3.1.2过滤影像#2：边界影像

此即梯度绝对值影像。首先通过对标准化增益后的输入影像作一阶低通过滤，从而消除其高端噪声，然后作高通过滤处理从而得到梯度绝对值。其计算过程如下：

I_Edge(i，j)＝sqrt(I² _Xgrad(i，j)+I² _Ygrad(i，j))

这里

I_Xgrad＝(I_In*h_lp)*h_dx

I_Ygrad＝(I_In*h_lp)*h_dy

和*表示二维卷积(Convolution)，h_lp是二维韩宁(2-D Hanning)低通过滤器，h_dx是X轴梯度过滤器，而h_dy是Y轴梯度过滤器。

总的来说，以上的卷积操作将使影像的大小增加。为了减少影像大小的增加，我们仅仅保留最终卷积结果的中央部分，从而是每个输出的卷积结果的大小与原始影像保持相同。

3.1.3过滤影像#3：X轴梯度影像

这一组过滤的影像是X轴梯度影像。首先通过对标准化增益后的输入影像作一阶低通过滤，从而消除其高端噪声，然后作高通过滤处理从而得到X轴向梯度影像。其计算过程如下：

I_Xgrad＝(I_In*h_lp)*h_dx

这里，我们对边界作了相应的零填充(Zero Padding)处理，而且只保留其卷积结果的中央部分。

3.1.4过滤影像#4：Y轴梯度影像

这一组过滤的影像是Y轴梯度影像。首先通过对标准化增益后的输入影像作一阶低通过滤，从而消除其高端噪声，然后作高通过滤处理从而得到Y轴向梯度影像。其计算过程如下：

I_Ygrad＝(I_In*h_lp)*h_dy

同样，我们对边界作了相应的零填充(Zero Padding)处理，而且只保留其卷积结果的中央部分。

3.1.5过滤影像#5：曲度平均值影像

这一组过滤的影像属于一种曲度平均值影像。同样，首先通过对标准化增益后的输入影像作一阶低通过滤，从而消除其高端噪声，然后作高通过滤处理从而得到影像的二阶导数。其计算过程如下：

I_MeanCurv(i，j)＝sqrt(I² _Nxx(i，j)+I² _Nyy(i，j))

这里

I_Nxx＝I_Nx*h_dx2

I_Nyy＝I_Ny*h_dy2

I_Nx(i，j)＝I_Xgrad2(i，j)/sqrt(I² _Xgrad2(i，j)+I² _Ygrad2(i，j)+1)

I_Ny(i，j)＝I_Ygrad2(i，j)/sqrt(I² _Xgrad2(i，j)+I² _Ygrad2(i，j)+1)

I_Xgrad2＝(I_In*h_lp)*h_dx2

I_Ygrad2＝(I_In*h_lp)*h_dy2

同样，我们对边界作了相应的零填充的处理，而且只保留其卷积结果的中央部分。请注意在本节的计算中，X和Y梯度是采用了与上二节不同的卷积核(Kernel)。

3.1.6过滤影像#6：水平集(level-set)曲度影像

这一组过滤的影像属于一种水平集(level-set)影像。同样，首先通过对标准化增益后的输入影像作一阶低通过滤，从而消除其高端噪声，然后作高通过滤处理从而得到影像的二阶导数。其计算过程如下：

I_LSCurv(i，j)＝(I_Mxx(i，j)+I_Myy(i，j))

这里

I_Mxx＝I_Mx*h_dx2

I_Myy＝I_My*h_dy2

I_Mx(i，j)＝I_Xgrad2(i，j)/(I² _Xgrad2(i，j)+I² _Ygrad2(i，j))

I_My(i，j)＝I_Ygrad2(i，j)/(I² _Xgrad2(i，j)+I² _Ygrad2(i，j))

I_Xgrad2＝(I_In*h_lp)*h_dx2

I_Ygrad2＝(I_In*h_lp)*h_dy2

同样，我们对边界作了相应的零填充的处理，而且只保留其卷积结果的中央部分。同样，请注意在本节的计算中，X和Y梯度是采用了与上二节不同的卷积核(Kernel)。

3.2子块特征

在求取特征值向量的第二步，需要首先定义一组覆盖影像大脑有效区域的子块。本节中，我们首先导出每个子块的特征向量的计算和方法。本节的输入是前一节输出的过滤后的大脑有效区域的影像(诸如，I_In，I_Edge，I_Xgrad，I_Ygrad，I_MeanCurv和I_LSCurv)。输出是每个子块的一组特征向量。每个子块的特征向量的元素为：

特征值编号标签描述

特征值 # 1 F_ImgMean 子块的I_In的平均值

特征值 # 2 F_Std 子块的I_In的标准方差

特征值 # 3 F_EdgeMean 子块的I_Edge的平均值

特征值 # 4 F_EdgeThresh 子块的I_Edge经阀值处理后的部分

特征值 # 5 F_ImgOrder 子块的I_Edge亮度最大值的部分

特征值 # 6 F_XGradMean 子块的I_Xgrad的平均值

特征值 # 7 F_YGradMean 子块的I_Ygrad的平均值

特征值 # 8 F_MCMean 子块的I_MeanCurv的平均值

特征值 # 9 F_LCMean 子块的I_LSCurv的平均值

3.2.1特征值#1：I_In的平均值

这个特征值是标准化后输入影像的该子块信号强度的平均值。其计算如下：

F^k _ImgMean＝sum_i，j(I^k _In(i，j))/N^k

3.2.2特征值#2：I_In的标准方差

这个特征值是标准化后输入影像的该子块信号强度的标准方差值。其计算如下：

F^k _Std＝sum_i，j(I^k _In(i，j)--F^k _ImgMean)²/N^k

3.2.3特征值#3：I_Edge的平均值

这个特征值是标准化后输入影像的该子块边界信号幅度的平均值。其计算如下：

F^k _EdgeMean＝sum_i，j(I^k _Edge(i，j))/N^k

3.2.4特征值#4：I_Edge经阀值处理后的部分

这个特征值是标准化后输入影像的该子块经阀值处理后的部分的值。其计算如下：

F^k _EdgeThresh＝sum_k，i，j(I^k _EdgeThresh(i，j))/N^k

这里

I^k _EdgeTHresh(i，j)＝0 if I^k _Edge(i，j)＞C_Thresh

I^k _EdgeTHresh(i，j)＝1 Otherwise

C_Thresh＝0.3*(sum_k，i，j(I^k _Edge(i，j))/sum_k(N^k))

3.2.5特征值#5：I_Edge亮度最大值的部分

这个特征值是标准化后输入影像的该子块亮度最大值的部分的值。其计算如下：

F^k _EdgeOrder＝sum_i ^NTileDiag(I^k _EdgeRank(i))/C_{AvgEdgePerTile}

这里

I_EdgeRank＝sort(I^k _Edge(i，j))

N_TileDiag＝sqrt(2N^k)

C_{AvgEdgePerTile}＝N_TileDiag(sum_k，i，j(I^k _Edge(i，j))/sum_k(N^k))

式中sort代表对元素集合的降序排序，因此I_EdgeRank是一个排序后的向量。

3.2.6特征值#6：I_Xgrad的平均值

这个特征值是该子块X轴梯度的平均值。其计算如下：

F^k _XGradMean＝sum_i，j(I^k _Xgrad(i，j))/N^k

3.2.7特征值#7：I_Ygrad的平均值

这个特征值是该子块Y轴梯度的平均值。其计算如下：

F^k _YGradMean＝sum_i，j(I^k _Ygrad(i，j))/N^k

3.2.8特征值#8：I_MeanCurv的平均值

这个特征值是该子块影像曲度的平均值。其计算如下：

F^k _MCAbsMean＝sum_i，j(I^k _MeanCurv(i，j))/N^k

3.2.9特征值#9：I_LSCurv的平均值

这个特征值是该子块水平集(level-set)曲度绝对值的平均值。其计算如下：

F^k _LSCurvMean＝sum_i，j(I^k _LSCurv(i，j))/N^k

4.人体解剖位置的自动确定

4.1.标准Axial影像位置的算法确定和数据

为了确定影像位置算法和校验结果，首先从数据库里随机选择一个AXL影像系列。然后人为地标签至少其中两张影像的Z轴的位置(Z-positions)，从而创立该系列的标准参考位置影像。接下来可以线性地确定该系列中其它所有影像的Z轴位置。最后，应采用大量的各种不同参数类型的、正常和非正常的系列影像数据来校验，最终决定最有效的算法。详细请参见图5。

4.2.部分最小二乘法(PLS)及其拟合模式

采用部分最小二乘法和上述的数据，可以确定将影像子块的特征向量与各个影像系列的Z轴位置联系在一起的拟合算法模型。然后这个PLS拟合模型将被用于影像解剖位置的自动估算和确定。测试结果表明，该模型用在人体大脑系列影像的Z轴位置的自动注册上的误差在5％左右。而对单个影像的效果则不够理想，尤其是有病灶的单个影像。测试结果请参考图6。因此，此方法应该用于整个系列的Z轴注册。

5.人体解剖位置的人工注册

为了建立一个可搜索的大型医学影像数据库，有时在人体解剖位置注册时要求一定的人工干预，尤其是在有病灶的条件下。

5.1.基于文字的注册

这里，对某些影像或某些感兴趣区域(ROI)，需要按照所示具有文字说明的树状结构的人体大脑解剖样板作相应的人工干预标志。详细请参考图7。如图所示，使用者可以在左侧的影像上选择所要标志的区域(红色圆形)，然后在右侧的所示的树状结构的人体大脑解剖样板上找到其相应的文字说明，建立它们的联系和标志。

5.2.基于图形参考的注册

这种影像的注册技术是基于3D图形的人工注册。首先采用一个3D的虚拟人体大脑模型作为参考，并在该模型上标出尽可能多的点(如图8右侧所示)，从而可在相应的输入影像系列或单个影像得到相对的点(如图8左侧所示)。然后采用线性或非线性的3D转换，该系列中所有的影像都可以准确地注册到标准的3D模型上。详细请参考图8。

综上所述，本发明概述为：

一种医学影像/图像特征提取和解剖位置注册方法，提出一种基于影像/图像信息的判据去搜寻相关信息数据库的方法，及其相应的在医学信息系统方面的应用，包括对医学影像/图像的信息过滤和信息提取的预处理，首先提出了对所讨论的人体大脑器官采用弹性极坐标模块作为子结构注册的框架，对影像的像素特征的提取，然后描述了一种将医学影像的像素信息转换到上述相应的子结构特征值的方法，从而医学影像的自动解剖位置的注册的解决方案得到解决；所述的医学影像/图像特征提取和解剖位置注册方法，对核磁共振医学影像(MRI)成像后处理的方法，为保证从不同数据来源所获得的数据一致性，原始数据要经过一系列平滑处理过程以减少数据躁声，在上述的平滑处理之后产生信号强度的直方图(Histogram)的多重态(多重峰)通常表示在某一种特定的核磁共振图像(MRI)采集方式下，可被用于区分样品的多重组织类型的方法；所述的对医学影像成像后处理的方法，其产生的最低的直方图峰总是来源于低信号强度的本底像素，如果选择适当的阈值(门坎值)，可以将影像的本底(背景)像素与其它像素区分开的方法；所述的对医学影像本底分离的方法，以图像四角作为起始种子，然后扩展到整个本底区域，通过一系列的形态操作(例如，侵蚀，扩散和区域增长等等)后，产生该相应医学影像的‘面具’或‘面罩’(MASK)的方法；所述的医学影像/图像特征提取和解剖位置注册方法和所述的产生医学影像的‘面具’或‘面罩’(MASK)的方法，引出以下对图像平面内旋转位移的修正方法，由于当病人被安置于核磁共振扫描设备或CT扫描设备中进行成像扫描时，其被测人体的解剖参照系与图像数据库的标准坐标系统并不能保证一致，而对图像的偏转角的修正方法应为：基于‘头部面具’的左右对称性，当穿过‘面具’中心的直线旋转到一特定角度时，‘面具’沿直线翻转后的重合程度最高，这一角度即为图像的旋转修正角，所以整个系列图像应作为一个刚体按此角度进行旋转修正；所述的医学影像/图像特征提取和解剖位置注册方法，产生子块及其特征提取的方法，本发明提出了一种新的处理方法，即首先将待处理的医学影像分解为一组子结构或子块，然后对这组子块(子结构)分别进行处理并提取其各种有用的属性(包括对系列的一维计算，如信号强度直方图的动量，和对系列的二维计算，如梯度、曲度，Gradient、Curvature等等，然后，这一组子块属性的有机组合即代表了该医学影像的一种特征标识；所述的产生子块及其特征提取的方法，其中对大脑MR影像AXL系列的弹性极坐标子块的结构设计方法，其详细描述见说明书的第2.2节；所述的产生子块及其特征提取的方法，其中对大脑MR影像AXL系列的极坐标子块参数的拟合方法，其详细描述见说明书的第2.3节；所述的医学影像/图像特征提取和解剖位置注册方法和所述的产生子块及其特征提取的方法，在第3节描述的特征值及其提取的两步方法，即第一步是在原始数据的解析度的基础上计算出采用不同特性过滤后的影像，诸如低通特性、高通特性、梯度、曲度等等；然后在第二步的计算中，这张影像的每个子块的特征向量将被计算出来，从而将一组原始的数字影像数据转换成相应的一组特征值，来准确表达这张影像，从而大大提高医学影像及其相关信息的查询能力；本说明书第4节描述的人体大脑AXL医学影像解剖位置(Z轴位置)的自动确定方法；本说明书第5节描述的建立一个可搜索的大型医学影像数据库，人体解剖位置的人工注册方法。

附图说明

图1是所选择的人体大脑MR AXL影像的蛋型面罩结构图。

图2是所选择的人体大脑MR AXL影像的同心多层子结构图。

图3是最优拟合后的极坐标子块用于不同真实MR AXL影像的效果示意图I。

图4是最优拟合后的极坐标子块用于不同真实MR AXL影像的效果示意图II。

图5是标准Axial影像Z位置的算法确定和数据示意图。

图6是对采用部分最小二乘法(PLS)模拟模型的测试结果比较。

图7是对影像感兴趣区域(ROI)作人工干预标志的方法说明示意图。

图8是对影像的三维模型相应标志方法的说明示意图。

Claims

1、一种医学影像/图像特征提取和解剖位置注册方法，其特征在于：提出一种基于影像/图像信息的判据去搜寻相关信息数据库的方法，及其相应的在医学信息系统方面的应用，包括对医学影像/图像的信息过滤和信息提取的预处理，首先提出了对所讨论的人体大脑器官采用弹性极坐标模块作为子结构注册的框架，对影像的像素特征的提取，然后描述了一种将医学影像的像素信息转换到上述相应的子结构特征值的方法，从而医学影像的自动解剖位置的注册的解决方案得到解决。

2、根据权利要求1所述的医学影像/图像特征提取和解剖位置注册方法，对核磁共振医学影像(MRI)成像后处理的方法，其特征在于：为保证从不同数据来源所获得的数据一致性，原始数据要经过一系列平滑处理过程以减少数据躁声，在上述的平滑处理之后产生信号强度的直方图(Histogram)的多重态(多重峰)通常表示在某一种特定的核磁共振图像(MRI)采集方式下，可被用于区分样品的多重组织类型的方法。

3、根据权利要求2所述的对医学影像成像后处理的方法，其产生的最低的直方图峰总是来源于低信号强度的本底像素，如果选择适当的阈值(门坎值)，可以将影像的本底(背景)像素与其它像素区分开的方法。

4、根据权利要求3所述的对医学影像本底分离的方法，以图像四角作为起始种子，然后扩展到整个本底区域，通过一系列的形态操作(例如，侵蚀，扩散和区域增长等等)后，产生该相应医学影像的‘面具’或‘面罩’(MASK)的方法。

5、根据权利要求1所述的医学影像/图像特征提取和解剖位置注册方法和权利要求4所述的产生医学影像的‘面具’或‘面罩’(MASK)的方法，引出以下对图像平面内旋转位移的修正方法，其特征在于：由于当病人被安置于核磁共振扫描设备或CT扫描设备中进行成像扫描时，其被测人体的解剖参照系与图像数据库的标准坐标系统并不能保证一致，而对图像的偏转角的修正方法应为：基于‘头部面具’的左右对称性，当穿过‘面具’中心的直线旋转到一特定角度时，‘面具’沿直线翻转后的重合程度最高，这一角度即为图像的旋转修正角，所以整个系列图像应作为一个刚体按此角度进行旋转修正。

6、根据权利要求1所述的医学影像/图像特征提取和解剖位置注册方法，产生子块及其特征提取的方法，其特征在于：本发明提出了一种新的处理方法，即首先将待处理的医学影像分解为一组子结构或子块，然后对这组子块(子结构)分别进行处理并提取其各种有用的属性(包括对系列的一维计算，如信号强度直方图的动量，和对系列的二维计算，如梯度、曲度，Gradient、Curvature等等，然后，这一组子块属性的有机组合即代表了该医学影像的一种特征标识。

7、根据权利要求6所述的产生子块及其特征提取的方法，其中对大脑MR影像AXL系列的弹性极坐标子块的结构设计方法，其详细描述见说明书的第2.2节。

8、根据权利要求6所述的产生子块及其特征提取的方法，其中对大脑MR影像AXL系列的极坐标子块参数的拟合方法，其详细描述见说明书的第2.3节。

9、根据权利要求1所述的医学影像/图像特征提取和解剖位置注册方法和权利要求6所述的产生子块及其特征提取的方法，在第3节描述的特征值及其提取的两步方法，即第一步是在原始数据的解析度的基础上计算出采用不同特性过滤后的影像，诸如低通特性、高通特性、梯度、曲度等等，然后在第二步的计算中，这张影像的每个子块的特征向量将被计算出来，从而将一组原始的数字影像数据转换成相应的一组特征值，来准确表达这张影像，从而大大提高医学影像及其相关信息的查询能力。