X射线发现后不久, X光成像技术作为一种非侵入式检查手段, 在医学临床中得到了广泛的应用, 并越来越受到重视。随着现代技术的发展, 出现了CT、MRI等成像技术。目前在我国, 骨科疾病主要是通过X光平片进行检查^[1]。当X光穿透人体时, 因人体的密度和厚度差异对X光吸收的程度不同, 利用到达荧屏上X光量的差异, 就可得到X光平片图像。X光平片图像能有效地反映出人体内部组织和骨骼的状况。由于人体组织结构的密度和厚度分布较为复杂, 造成X光平片图像具有噪声高、重叠度大、软硬组织灰度差值较小; 动态范围宽、数据量大、细节丰富、灰度级数复杂、对比度低等特点^[2]。

图像分割就是把图像中感兴趣的对象从背景中分离出来的技术和过程。图像分割是机器人视觉、模式识别和医学图像分析等技术的关键步骤, 在图像工程中占据重要的位置。对于具有低对比度、目标处于高噪声背景的图像, 分割仍然是一项比较困难的工作^[3]。分割可以分为基于区域、边缘及主动轮廓模型等方式。至今, 学者们提出了各种不同的分割方法, 如:阀值法、边缘检测法, 分水岭法、区域生长法、主动轮廓法等。这些方法有着各自的优势及应用领域, 但至今没有一种通用且有效的图像分割方法能够满足不同的需求^[4]。

由于人体骨骼组织密度相对较大, 在X光平片图像中, 骨骼的影像是最清晰的。因而, X光平片仍然是骨科疾病中基本的影像学检查方法, 是其他方法不能代替的^[5]。目前X光平片的判读仍然依靠人工, 在读片过程中不同的医生在不同的时间阅读同一张底片时看法也往往不一致。利用计算机图像处理技术将骨骼图像分割出来, 然后再对分割图像进行分析诊断, 这样不但能提高医生的工作效率, 而且还能使其从重复繁重的工作中解脱出来, 具有十分重要的意义。

笔者给出了一种X光平片中长骨的分割方法。通过对目标区域的判断, 适当收缩分割区域, 达到最大限度减低背景噪声对分割效果的影响。考虑到在目标与背景对比度较低的区域出现的分割不到位现象, 对首次分割的结果进行检测。结合检测结果对图像实行二次分割。实验表明, 该方法可消除低对比度情况下的分割不到位现象, 并能将X光平片中的长骨从背景中分割出来。

1 X光平片的图像特点

X光平片由于受辐射剂量、人体组织复杂性和散射效应的影响, 存在对比度降低, 图像比较模糊, 边缘和细节不清晰等现象^[6]。图 1是人体右小腿的侧位X光平片图像。在骨骼影像中, b点区域灰度值为220; c点区域灰度值为100。在非骨骼影像中, a点区域灰度值为145; d点区域灰度值为29。可以看到, 虽然目标与背景的灰度值表现为不同的区间, 但是两者分布范围广且重叠区间较大, 采用单一阀值化方式难以完成分割任务。其次, 目标与背景之间的局部区域灰度对比度不均匀。图 1上方骨骼与肌肉的对比度明显小于图像下方部分, 部分骨骼边缘的灰度值与肌肉的灰度值相差很小, 这给分割阀值的确定造成了很大的困难。再次, X光平片图像是骨骼和肌肉本身空间形状在底片上的影像叠加, 在图 1下方可看到胫骨和腓骨形成的双层区域, 这对完整分割较为清晰的骨骼影像也造成了影响。

2 分割方法

由于如上所述X光平片图像的特殊性, 虽然计算机X射线摄影影像系统已经进入全新的发展阶段, 但是对骨骼进行准确分割, 以利于计算机系统的分析判断, 为医生提供可靠的医疗诊断数据, 一直是一个未解决的难题^[7]。

2.1 图像分块

由于X光平片图像中目标与背景特征分布重叠, 依靠全局阀值技术进行分割通常产生严重的分割误差, 应充分考虑图像的局部区域特性。由于X光是以圆锥形投射向人体的, 在以投射源与底片垂线交点为圆心, 等长半径的圆弧上, X光的垂直分量是相同的。当圆弧半径取足够大时, 可将圆弧看作水平线^[8]。从图 1中可看出:在同一水平区域中, 骨骼影像总是处于灰度值较高的区间。因此, 可先对图像做均匀水平划分子块。子块的长度应适当选取, 这是因为:子块长度过大, 图像中目标与背景的灰度特征重叠明显; 长度过小, 图像中目标特征不突出, 不利于后续分割。本实验中子块的长度选择为10。

设图像的尺寸为M×N。将图像等长划分为i个子块, 每个子块的尺寸为M×10。划分如下

(1)

2.2 分割区域的收缩

在本实验中, 分割的目标是骨骼影像。图像中除目标外, 其余的影像可划分为背景。考察图 1, 背景可分为两类:一类是没有任何影像的区域, 在图像中表现为黑色, 定义为第一类背景; 另一类是除骨骼外人体其他组织的影像, 定义为第二类背景。第一类背景特征较为明显, 通过对子块的区域收缩, 可在分割前将其排除在分割区域之外。分别从各子块的两边向中间逐列进行统计, 当达到停止条件时停止, 并记录下左、右边界的位置。

定义停止条件:设P_j为W_i中第j列不为零像素点的个数, 当有

(2)

时, 停止统计。记左、右边界分别为Edge_left和Edge_right。从各子块的[Edge_left 1; Edge_right 9]中取出包含目标和第二类背景的最小区域W_iarea。

图 2是经过对各子块收缩后的分割区域图, 对比图 1可以看到, 第一类背景已被排除在分割区域之外。对分割区域进行收缩, 不但可以减小后续分割算法的工作量, 还能提高分割精度。

2.3 一次分割

对于各个子块中的W_iarea, 采用最大类间方差法^[9]确定分割阀值T_i。设X是一幅具有0~(L-1)级灰度的图像, 第i级灰度值像素的个数为n_i, 则

总像素数:

第i级像素的概率:

(3)

图像的总平均灰度值:

(4)

存在阀值K (0 ≤ K ≤ L-1)将X分为背景与前景两类。其中背景C₀={ 0, 1, …, k }; 前景C₁={ K+1, K+2, …, L-1}。

C₀的概率:

(5)

C₀的平均灰度:

(6)

C₁的概率:

(7)

C₁的平均灰度:

(8)

定义前景与背景的类间方差:

(9)

从0~(L-1)遍历K, 当取得max σ_k²时, K就是X的分割阀值。

2.4 二次分割

经过一次分割后的结果如图 3c, 图像中部分背景仍然没有被有效分割。对比原图与第一次分割图, 可发现剩余背景与该区域目标同处于灰度区间中较高的部分。当该子块中背景灰度分布范围较大时, 一次分割只消除了该区域中灰度值较小的部分。对于剩余的背景, 可通过二次分割消除。

在一次分割后, 有部分目标已完成分割, 这部分图像无需进行二次分割。为区别分割完成和未完成的子块, 需要对一次分割后的结果进行检测。

设W'_i为一次分割后子块, 由式(2)可得出分割后剩余非零图像位置的左右边界Edge'_left和Edge'_right。则分割后非零图像的长度为:

(10)

对应W_i中的W_iarea:

(11)

考虑到骨骼在人体中所占比例, 完成条件设定为:

(12)

当检测结果不符合分割完成条件时, 对子块图像一次分割结果中的Edge'_left和Edge'_right中的区域使用最大类间方差法进行二次分割。

3 实验结果及讨论

本文的原始图片来自医疗机构放射科的骨科X光检查照片。原图为医学DCM格式, 考虑到原图尺寸过大, 实验中为减少运算时间和突出效果, 在保留主体目标的基础上对原图进行了一定的裁剪并转换为JPG格式。实验图像尺寸由941 × 1 265至1 788 ×2 290。为了校验本算法实际应用的效果, 裁剪后的图片不进行缩放。

图 3是实验效果对比图。图 3a分别为人体小腿与前臂X光图像。图 3b对原图采取了分层分割。由于没有收缩分割区域, 黑色背景对分割阀值选取的影响很大, 肌肉组织影像几乎没有被分割开来。图 3c采用了收缩分割区域的分层分割方法, 在图像中对比度较大的区域, 背景能被有效消除而且目标保存完整, 可以认为在这些区域分割是达到要求的。但在对比度低的区域, 如膝关节和肘关节附近, 目标和背景由于所处灰度区间接近, 一次分割还不能有效地消除非骨骼组织影像。图 3d在一次分割的基础上进行二次分割, 对一次分割后检测结果未达到完成条件的子块进行再次分割。二次分割后, 目标整体保留完整, 背景与目标分割彻底, 没有出现分割不彻底或者是目标区域丢失的现象。达到分割要求。

4 结论

笔者提出了一种对X光图像中长骨影像的分割方法。利用骨骼影像的纹理以及灰度值分布区间的特点, 首先对其进行子块划分; 然后根据目标在图像中的分布特点动态收缩分割区域, 消除黑色背景对分割效果的影像; 最后结合分割后的校验条件实施二次分割。实验结果表明, 本文算法能较好地分离X光图像中的长骨影像; 有效地解决了此类图像中因目标与背景灰度值重叠区间大, 对比度低而导致分割效果不理想的现象。此研究结果可为后续的模式识别提供一定的基础。