CT图像数据库（精选7篇）
CT图像数据库 篇1
医学影像解剖学是医学影像学专业学生必修的一门专业基础课程, 它建立在医学成像技术和人体解剖学这两门课程联合的基础上。该课程主要介绍X射线摄影、CT、MRI、核医学、血管造影等基本检查方法以及常用影像诊断相关的解剖内容。通过学习该课程, 学生能够了解临床上常见的影像检查技术并且掌握各种成像技术所显示的人体各部位器官结构的形态及位置关系, 为今后学习影像诊断学和进入临床学习工作打下坚实基础[1]。在影像解剖学教学中, 通常强调利用教科书中的插图、图谱和断层标本来帮助学习, 并以多媒体教学方式为主。但这些资料只能提供二维图像, 一个部位一般由几十幅图像组成, 学生需要很好的空间想象能力, 才能在脑海里建立起某个解剖结构较为完整的空间概念。而老师在教学中也会发现采用二维图像的教学往往很难将某些解剖学结构阐述清楚。与二维图像相比, 三维重建图像具有较好的直观性, 解剖结构的空间位置一目了然, 它既可优化老师的教学过程, 还可帮助学生直观地理解并记忆各种影像解剖结构。随着数字图像技术的不断进步, 目前已有多种图像三维重建的方法, 如激光三维扫描、通过CT、MRI或虚拟人切削断面进行重建等[2]。本文基于3D-DOCTOR软件, 介绍胸部CT图像数据集的三维重建, 并简要阐述其在影像解剖教学中的应用。
1 材料和方法
1.1 材料
选择南通大学附属医院影像科某正常人胸部的CT数据集, 断层扫描层厚为1 mm, 共256层。窗宽800, 窗位-750。
1.2 三维重建方法
运行3D-DOCTOR 4.0 (美国) 软件, 按以下4个主要步骤进行重建。第1步建立3D影像。选择“New Stack”命令, 将连续2D影像图片全选后导入, 将其保存为“chest.Stack”文件。第2步刻度校准。将X、Y像素, Z层厚, Unit的参数分别设置为“0.2”、“0.2”、“3”、“mm”。第3步定义对象并对每个对象建立对象边界。为了区分重建的结构, 红色描绘骨骼, 蓝色描绘肺 (见图1) 。第4步进行表面重建并进行观察和测量。利用软件提供的“Complex Surface”功能, 快速进行表面重建。
1.3 教学应用
将重建后的胸部三维模型应用于我校07级影像专业学生的影像解剖教学, 课后收集教师及学生的学习感受和对方法应用的评价。
2 结果
在计算机辅助下, 完成了正常人胸部CT图像的三维重建, 结果显示重建图像结构逼真, 立体感强, 能准确反映重建结构的解剖形态和毗邻关系, 该图像具有胸廓骨结构、肺组织所有的外形特征。通过选择不同的感兴趣部位, 可以分别显示骨骼、肺等各结构的三维形态, 也可以清楚直观地再现胸廓整体的三维结构 (见图2) 。另外, 通过变化参数的设置, 可以任意角度旋转、切割。从不同角度及解剖面进行观察和测量, 了解各器官的平面和空间的位置关系。
A:胸部骨结构三维重建;B:肺组织三维模型;C:骨结构及肺组织三维模型
3 讨论
通过医学图像的三维重建, 可以很方便地建立医学影像学图像与人体解剖学形态之间的联系, 其应用不仅能提高影像解剖学的教学水平, 同时还在手术规划与模拟、提高诊疗水平和医学研究中发挥着重要作用。临床上普遍利用影像中心的图像工作站, 对患者CT和MRI数据集进行三维重建从而获得人体结构的三维图像。但该方法用于影像解剖学教学的难度较大。本实验采用基于PC机的医学图像三维重建软件3D-DOCTOR 4.0。该软件获得了美国食品与药品管理局 (FDA) 的认证, 具有占用内存小, 重建速度快等优点。对于灰度图像, 利用阈值分割可半自动化地提取目标边缘。在序列二维图像目标勾画的基础上, 用短短的几分钟就可以重建目标的三维表面, 实现立体渲染, 快速而方便地显示3D图像。同时3D-DOCTOR基于向量的编辑工具, 可以方便地完成图像的处理、测量以及定量分析。因此, 利用基于PC机的医学图像三维重建软件, 提高了三维图像重建在影像解剖学教学中应用的可操作性, 能够极大地方便师生双方的教与学过程。
影像解剖学是影像专业学生的必修课, 学习的目的是让学生掌握人体结构的正常表现和病变, 为影像诊断学的学习打下坚实的基础。现代医学影像学的检查手段多样, 图像数据量大, 尤其是MRI能从冠状面、矢状面及横断面呈现, 切面灵活, 这也成为影像解剖学教学的重点和难点。要对各种成像模式的特点与不足有比较深刻的理解, 才能综合同一种病变的不同成像模式的图像表现, 给出正确的影像诊断。这就要求老师在影像解剖学教学时, 应注意对学生的各种影像学检查图像与人体解剖学形态之间空间关系构建能力的训练。传统的影像解剖教学以影像解剖图谱、多媒体教学为主。它能提供学生直观的影像图像, 例如CT、X线、MRI等, 然而该教学方法只能使学生局限在二维的思维空间中, 看到的记住的也只是各种正常组织结构或病变的二维图像, 学生无法直接获得关于目标的完整的三维视见。3D-DOCTOR软件能够将二维图文变为三维动态影像, 变抽象概念为形象生动的动画, 用简单动态变化过程来帮助理解复杂的影像征象, 培养了学生的平面—立体—平面的换位思考, 充分地提高了学生自主学习和探索知识的积极性, 提高了学生的课堂参与意识和主动性。另外, 基于PC机的医学图像三维重建软件的应用, 学生可以不受学习时间和学习进度的限制自主地进行影像解剖学的学习, 从而满足个性化学习的需求。
三维可视化模型在影像解剖学教学中有着明显的优势[3,4,5], 但是它也存在着明显的不足。例如前期工作量巨大;图像分割的工作需要人工干预, 效率较低等。受制于上述原因, 三维重建技术在影像解剖学教学中主要发挥辅助作用, 还不能完全代替人体标本与实物图谱。因此, 在教学工作中应有机地结合传统教学手段与三维重建技术应用, 充分发挥各自的优势, 共同提高影像解剖学课程的教学质量。
参考文献
[1]黎海涛, 王健, 陈思浩.如何提高医学影像学课堂教学质量的体会[J].局解手术学杂志, 2007, 16 (3) :20.[1]LI HT, WANG J, CHEN SH.How to improve the teachingquality of medical imaging[J].Journal of Regional Anatomy andOperative Surgery, 2007, 16 (3) :20.Chinese
[2]陈胜华, 谭建国, 彭田红.三维重建技术在解剖学教学中的应用[J].基础医学教育, 2011, 13 (3) :291-292.[2]CHEN SH, TANG JG, PENG TH.Applying of three dimensionalreconstruction techniques in anatomy teaching[J].Basic MedicalEducation, 2011, 13 (3) :291-292.Chinese
[3]鞠梅.解剖CAI教学存在的问题与对策思考[J].四川解剖学杂志, 2004, 12 (2) :156-157.[3]JU M.The existence question and countermeasure ponder in CAIanatomy teaching[J].Sichuan Journal of Anatomy, 2004, 12 (2) :156-157.Chinese
[4]李鉴轶, 赵为东, 张美超.医学影像资料三维重建及在解剖学教学中的应用[J].解剖学研究, 2007, 29 (2) :154-155.[4]LI JY, ZHAO WD, ZHANG MC.The three-dimensional recon-struction and application of medical imaging in anatomy teaching[J].Anatomy Research, 2007, 29 (2) :154-155.Chinese
[5]胡罢生, 张雪林, 周锋.多层螺旋CT扫描三维重建后逐层显示解剖结构及临床意义[J].中国临床解剖学杂志, 2006, 24 (1) :47-49.[5]HU BS, ZHANG XL, ZHOU F.Clinical significance of MSCTscanning and three-dimensional reconstructing revealing anatomi-cal structures from skin to bone[J].Chinese Journal of Clini-cal Anatomy, 2006, 24 (1) :47-49.Chinese
CT图像数据库 篇2
1.1 故障一
1.1.1 故障现象
机器可以预热, 扫描定位像正常。使用S&S、S&V、Helical (3种模式) 扫描时, 第1幅或者前几幅图像正常, 从第2幅或者以后图像不正常, 图像逐渐出现环形伪影且伴图像消失。此时报错, 机器无法继续扫描。关机数分钟后重启, 故障依旧。报错信息具体如下:
(1) 控制台报错:
“The data transfer system in the gantry is abnormal” (机架数据传输系统不正常)
(2) GCIFA (机架/控制台接口) 板报错:
查看GCIFA板, 发现在扫描结束时只有历史错误指示, 指示灯分别为LED70、LED76、LED101、LED103。
1.1.2 故障分析与处理
(1) 查看维修手册分析, 根据控制台报错信息“GTS DETAIL STATUS (detail error) ”初步判断MUDAT (多路数据传输) ROTSOT (旋转到静止的数据传输) 的错误[1]。进一步根据GCIFA板的历史报错指示灯判断, LED70、LED76分别提示Channel (数据传输通道) 3和9的SOTROT (静止到旋转的数据传输) 错误, 通道3和9分别对应SPD2、SPD8 (静止部分的数据接收二极管) , 怀疑是不是SPD2、SPD8故障。分析可知, 如果某个SPD有问题, 那么在扫描定位图像时一定会报错, 但是在做定位像扫描时没有报错, 可以确定SPD没有问题。查手册可知, SPD接收的数据来自于ROT (旋转部分光数据传输单元) , 怀疑是不是某一个ROT故障引起的数据传输中断。
(2) 由于该机型共有15个ROT, 寻找比较困难。因此, 使用机器特有的DCA (数据采集分析) 诊断程序进行查找。打开DCA程序 (图1) , 点击Acq.Detail打开数据采集参数设置界面 (图2) , 把Tube Rot设置为OFF, 然后在Tube Pos输入相应度数, 然后曝光测试。发现球管70°时不能进行曝光, 且报错信息与扫描时报错一样。检查GCIFA, 发现错误指向SPD8, 通过球管位置以及ROT和SPD的关系, 发现ROT-5可能有故障。打开机架后侧, 拆开MUDAT部分, 调换ROT-5与ROT-3, 再进行测试, 发现报错位置发生变化。
(3) 为进一步确认ROT-5故障, 分析出错图像的原始数据。根据维修手册可知, 该CT使用不同的扫描条件时, 每转一周所获得的view值均不同:0.5 s (900 views) 、1 s (1200 views) 、1.5 s (1800 views) 等。开始采集数据时, 第1个view值位于球管顺时针120°的位置。进入DCA程序, 点击Raw File, 载入有问题的图像, 选择完成后点击Calc (Scan Data) , 再点击Dump, 见图3。
注: (1) 数据采集参数; (2) 原始数据载入; (3) 扫描数据计算; (4) 数据导出。
注: (1) 采集通道范围; (2) 投影范围。
选择通道, 在通道对应的Start位置输入E0, 点击OK。这时就可以看到通道E0~800之间的数值变化情况。查看维修手册可知E3和E16指向MUDA错误, 因此主要查看E3和E16中的数值变化。在E3数值中发现, Projection (投影) 对应3351views的位置, E3的数值从原来的“00000fff”突然变化到“ffff8ffb”, 可以确定这个位置是传输出错的开始。这时可找出开始出错位置SPD所对应的ROT。通过“ffff8ffb”, 查维修手册可知在通道3位置出错, 而通道3对应固定部分是SPD2。根据出错图像的原始数据信息 (螺旋扫描0.5 s, 即对应旋转一周获得900views) 、3351views位置开始出错以及第1个view值球管的角度120°, 计算得出球管在20°时出错。打开DCA程序数据采集参数设置界面 (图2) , 将球管移动到20°的位置。查看SPD2对应的ROT部分, 发现ROT-3和ROT-4都有一部分包含在里面。由于开始怀疑为ROT-5故障, 把ROT-5与ROT-3进行调换测试, 故障指向ROT-3。确定为ROT-3 (原ROT-5) 故障。更换新ROT后, 故障解决。
1.2 故障二
1.2.1 故障现象
扫描胸腹部时, 定位像有一条明显的竖线, 图像中有一个明显的单环伪影 (图4) , 基本每张图像都有。但是扫描头部时没有出现。
1.2.2 故障分析与处理
造成环形伪影的因素有多种[2], 如校正数据的偏移、数据的采集、数据的处理等。
(1) 水模校正。发现不同FOV (重建场) 扫描水模时, 故障相同。扫描图像有单环伪影, 无法校正。但是用S-FOV和SS-FOV场扫描时没出现伪影。说明并非校正数据偏移引起。
(2) 检查数据重建单元。手动重建正常的原始数据, 图像正常, 排除重建单元的故障。
(3) 检查探测器温度、wedge (滤线器) 、slit (准直器) 均正常, 探测器上也没有异物。
(4) 用DCA程序对伪影图像分析, 发现数据通道241上有一条虚线, 和扫描的情况相符。且其数值明显区别于周围通道。S-FOV和SS-FOV都没有出现伪影, 因为S-FOV最大对应240通道。查看手册发现241通道对应11号采集通道板, 把11号和12号对调, 发现伪影的位置发生了改变, 说明是11号通道板故障。
(5) 由于数据采集单元共有32块相同的采集通道板, 而且扫描病人很少用到LL-FOV场。临时将11号故障通道板与最外侧的32号对调, 做水模校正, 故障消失。更换新通道板, 故障排除。
2 小结
预防性维护、科学维修是医疗设备减少故障、延长使用寿命最有效的方法[3,4,5]。东芝CT MUDAT包含固定和旋转两大部分且数据传输系统较复杂。随着机器档次的提高, 复杂程度也随之增加。工程师要熟悉MUDAT原理及部件组成。在维修不同型号东芝CT的时候, 还要充分了解MUDAT结构及其部件的变化, 熟练使用DCA诊断程序和维修手册查找故障[6]。对于图像伪影故障, 本文采取化重为轻的方法临时解决故障。这样不但可以减少停机给医院带来的损失及诊疗压力, 而且为采购新配件赢得了时间。
参考文献
[1]王国庆.Asteion CT数据通讯和滤线器移动报错故障分析与处理[J].中国医疗设备, 2012, 27 (12) :163-164.
[2]毕勇.多层螺旋CT图像伪影分析及处理方法探讨[J].中外医疗, 2009, 133 (27) :165.
[3]姚新琴.医疗设备预防性维护和维修质量的科学管理[J].医疗装备, 2007, 20 (12) :55.
[4]王学兵.东芝Aquilion16 CT扫描床水平运行系统工作原理及应用[J].中国医学装备, 2012, (10) :89-90.
[5]陈平康.CT维修经验总结[J].中国医药指南, 2012, 10 (17) :678-679.
CT机图像重建故障检修分析 篇3
1 故障现象
机器正常连续扫描病人, 操作人员发现两、三个病人的图像没有重建出来, 重建窗口显示为—HOLD, 屏幕没有出现其他的提示信息。Reset system或关机重新开机, 故障无法消除。须做initialize disk后, 机器暂时可以使用, 使用一小段时间后, 相同的故障又会出现。
2 故障分析
根据故障现象, 此故障发生在图像重建系统的软、硬件两部分, 另外也有可能image disk的磁盘空间不够或者是image disk的磁盘损坏, 此故障不是仅发生在一种扫描模式中, 也有可能一些接触不良所致。
3 故障排除
(1) 检查磁盘空间, image disk的空余磁盘空间理想情况下应高于50%, 删除一部分病人的数据, 留出足够的磁盘空间, 但是故障依旧存在, 由于做initialize disk 后, 机器可以使用, 故暂时排除磁盘损坏的情况。
(2) 检查各相关单元之间连接状态及电源状态, 将电路板上的各连接件均重新连接, 排除连接接触不良的情况, 但是故障还未排除。
(3) 检查涉及图像重建的MARS、DTB以及RTM-ASSY电路板, 由于MARS板有10块, 由于其所处的位置不同, 在参与重建方面功能不同, 若此功能出现问题, 也可能引起此故障。因此打开主机, 发现主机里面温度明显偏高。检查10块MARS板, 将MARS板进行自身调换, DTB及RTM-ASSY电路板逐个更换处理。做完以上处理, 临床检查没有出现类似的故障。
4 结论分析
SPECT/CT的图像质量控制 篇4
1 SPECT图像质量控制
以福建省质量技术监督局2010年发布的《单光子发射计算机断层成像装置(SPECT)校准规范》JJF(闽)1030—2010[2]为依据,进行常规的校正。
1.1 均匀度测试和校正[3]
目的:SPECT均匀度测试是保证核医学图像质量的关键,如果有57Co面源,需要每天测试1次图像的均匀性,如果使用99mTc点源,至少1周测试1次。
材料:99mTc放射点源,剂量0.5~0.8 m Ci,采集计数率在20~40 Kc/s。
方法:
(1)将准直器卸掉,装上塑料板(专用),将探头换至L模式。
(2)点击左屏左上角工具图标,再勾选QC(Quality Control,QC)选项,接着点击Daily QC。
(3)在弹出的对话框中点击Background Test(本底测试),并在探头2选项前打勾,测量本底。当本底测量结束时,如果结果中没有出现红色标志即达标,可进行进一步测试。如果出现红色,说明环境有污染,找出污染源,等环境达标后再进行下一步测量。
(4)本底达标后,将配好的点源放在墙壁的固定位置,将探头1旋转至对准放置源的位置点击image quality test(图像质量测试),在出现的对话框中点击Apply(应用),再点击Start开始探头1的均匀性测试。测试完后,点击Next即可看到测试结果。如果结果中没有红色标注Status:Failed,表示图像质量达标。如果出现红色,需要对光电倍增管进行增益调整,执行如下操作。
(5)点击左屏左上角工具图标,再勾选QC,再点击Periodic Re-tuning(定期再调整),在弹出的对话框左侧点击Iter.Cal(用刚才的放射源),点击Start,待程序完成后,再点击屏幕左侧的Z Energy Gain Calibration(Z能量增益校正),点击Apply,待调整自动完成后,重新做Image Quality Test,测试达标后即可。对于探头2,重复步骤(1)~(4)达标即可;不达标,执行第5步。
1.2 旋转中心校正(COR)[4,5]
材料:99mTc放射点源,剂量1m Ci;准直器:LEHR、HEGP(准直器型号)。
方法:将放射源放在白色三脚架的前端A,架子放在检查床头B,见图1。探头上带有LEHR。点击C.O.R.QC(旋转中心校正)下的C.O.R.Test(旋转中心测试);点击Source Positioning ACQ。
在采集工作站上,点击Apply,到扫描间按
此时千万不要动三脚架,并用笔记下此时的床高,床板伸出距离,将探头换至L模式,用同样的床位置,点击L模式下旋转中心采集及处理,方法同上。
2 CT图像质量控制[6]
包括球管预热(Tube Warm-up)和快速校准(Fast Calibration)。
2.1 Tube Warm-up
目的:保证CT发挥最佳性能,和获得稳定一致的图像,并且延长球管寿命。
使用:每天早晨开机后立刻作1次,且闲置超过3 h再作(有提示)。
条件:扫描架内无任何物体。
2.2 Fast Calibration
校准内容:(1)Balance check(Gantry平衡检查);(2)Mylar window check(聚脂薄膜窗口清洁检查);(3)Warm-up I(第一次加热);(4)Auto m A calibration(自动毫安校准);(5)Warm-up II(第二次加热);(6)Auto Z-slope(探测器位置检测);(7)Collimator cal(准直器校准);(8)Mini scan(检测焦点位置。确保Z-轴射线束跟踪正确操作);(9)Clever gain(数据采集系统放大增益检测);(10)Air calibration(空气校准)。
操作步骤:
在CT界面点击球管图标,在打开的界面中点击Tube Warm-up,在弹出的红色对话框中点击右下角字体,待键盘绿灯闪烁后点击开始键,机器自动开始校正。
待结束后点击Fast Calibration,按键盘上开始扫描键,待校准结束后点击Quit退出。程序会一次完成上述内容,没有红色提示就说明校正通过。
3 图像融合测试
影像融合技术是利用计算机将多种影像学检查的图像信息进行数字化综合处理,将多源数据进行空间配准后,产生一种全新的信息影像,以获得研究对象的一致性描述,同时融合各种检查的优势,以达到辅助诊断的目的。最佳的影像融合手段应该是同时采集、同机融合。也就是在同一台显像设备上同时获取不同来源的影像,这样的图像配准是最优化的,最大限度地降低了误差[7]。但目前的技术水平还难以实现真正意义上的同时采集。
材料:10 m L注射器,99mTc放射源,配准专用模型。
放射源的准备:准备6份3 m Ci99mTc分别装入6只10m L的针管内,针管用水充满放置0.5 h左右,针管放置方式,见图2。
操作步骤:
(1)将床完全拉出,模型(放置针管)置于距机架70~90 cm处,并在床头放置一个15 kg的重物,见图3。
(2)在采集工作站点击左屏左上角工具图标,再勾选QC,然后点击图中的Registration Test Acquisition,点击Start,回到扫描间按SET,不要更改任何参数,按手控盒上GO开始采集。待SPECT断层采集完成后,点击手控盒上GO等待床移动到CT位置,点击Confirm。按移床键,采集键开始CT采集,等待CT采集结束后,点击CT Acq Completed,如果数据没有传到Xeleris工作站,手动将数据传到工作站。在Xeleris工作站上选取Tomo和CTACTomo两组数据,点击Miscellaneous下的SPECT-CT registration QC图标,自动处理完后,在采集工作站点击Fetch Results。如果结果中没出现红色提示,表明结果达标。
综上所述,要获得一张完美的SPECT/CT图像,定期执行以上操作是最基本的也是最重要的。质控中其他性能指标测试,如能量分辨率、空间分辨率、密度分辨率、CT值精度、噪声、伪影等都必须建立在此操作通过的基础上。
参考文献
[1]王荣福,李险封,王强.SPECT/CT的最新应用进展[J].CT理论与应用研究,2012,(3):577-582.
[2]JJF(闽)1030-2010,单光子发射计算机断层成像装置(SPECT)校准规范,[S].
[3]赵德善.SPECT和γ照相机质量控制及参考规范[M].北京:人民卫生出版社,2010.
[4]贾晓娟,韩军,唐彩华.等.GE HawkEye-SPECT仪日常维护与质量控制[J].实用医技杂志,2012.(4):417.
[5]孙黎明,刘臣斌.SPECT验收测试与质量控制[J].中国医疗器械杂志,2001,(3):168-171.
[6]张峰,程木华,郑子梅,等.探讨符合线路SPECT/CT的日常质量控制与质量保证[J].现代医学仪器与应用,2007,(3):42-45.
影响CT图像质量的若干因素 篇5
1 X射线源的影响
1.1 CT的检查X线的产生和成像质量受到量子起伏的影响。
1.2 X射线发射量子的过程是随机的, 我们可以给出图像中单位面积上量子的平均值, 而不能给出准确的数值, 这就是量子的自然起伏。
1.3 要获得对比度细微的差别, 原则上应使初级的接收获得尽可能多的光子, 而可观察的最小对比度则直接依赖于光子数量的多少。
2 几何因素的影响
2.1 几何因素包括焦点的尺寸、探测器孔径的大小、扫描层厚和采样间距等。
2.2 从球管焦点发出的X射线束到达探测器, 根据探测器的数量多少被分解成相对独立的射线束, 因而空间分辨率的大小不仅与球管焦点有关, 还与探测器的孔径大小有关。
2.3 当被检物体小于探测器孔径大小时, 该物体不能被分辨。
2.4 在扫描中心射线束的宽度 (有效射线束宽度) , 决定了空间分辨率的大小。
2.5 采样频率是指数据传送和读取的间隔, 一般采样频率越高空间分辨率越高图像的重建也越精确。
2.6 图像的清晰度受矩阵中的像素点多少的影响, 因而像素的大小决定了显示分辨率。但是, 增加像素并不增加扫描的原始数据, 重建分辨率也不改善。一个相对像素来说较大的物体, 可由增加像素而有所增强;相反如一个较小的物体, 则可能无法准确的重现。
2.7 扫描层厚也影响空间分辨率。
3 重建算法的影响
3.1 重建算法也影响图像的空间分辨率。
3.2 在图像的重建过程中, 涉及到两步重建算法卷积和反投影, 如果未经校正即行反投影, 有可能使成像模糊。
3.3 为使图像的边缘锐利, 需采用高通滤过加权卷积处理, 使反投影后的图像边缘锐利、清晰。
3.4 根据卷积的不同算法, 有三种常用的加权方法, 标准、边缘增强和平滑算法, 卷积算法或称卷积核决定了图像的清晰程度。
3.5 通常由计算机程序设定的卷积算法常与解剖部位相关, 平滑或组织算法常用于显示脊柱、胰腺、肾上腺、肺结节或其它软组织部位;边缘增强或骨算法常用于内耳、致密骨或肺部的高分辨率显示。
4 影响空间分辨率的因素
4.1 CT机的固有分辨率主要取决于探测器孔隙的宽度, 其次有X线管焦点的尺寸、患者与探测器的相对位置等。
4.2 CT尽管采集的是三维信息, 但最终的图像显示仍是二维的, 它包含的第三维实际上便是层厚。若层厚增加, 则第三维的信息也增加, 在图像中其像素显示的不过是体素所含全部组织的平均值而已。对于既含骨骼又含肌肉软组织的体素而言, 其CT值不过是所有组织的平均值, 具体的数值取决于各组织所占的比例。 (1) 射线束的宽度大小受球管焦点大小的影响, 焦点越大射线束宽度越大。其次与焦点-物体和物体-探测器距离有关, 该距离越大射线束宽度越大, 较宽的射线束, 其扫描成像结果的图像相对较模糊, 第三是探测器的孔径大小也与有效射线束宽度相关。 (2) 一般认为扫描层厚越薄空间分辨率越高;反之, 层厚越厚空间分辨率越低, 密度分辨率越高。改变层厚对空间分辨率和密度分辨率的影响是一对矛盾, 因为增加层厚, 在扫描条件不变的情况下, X线的光通量增加, 探测器接收的光子数增加, 结果改善了密度分辨率。 (3) 改变图像的滤波函数 (重建算法) 可影响空间分辨率。如采用高分辨的算法, 其分辨率高于标准和软组织算法, 但同时噪声也增加。一般, 改变算法提高分辨率受机器本身的固有分辨率限制, 并不能超过机器本身的固有分辨率。 (4) 一般, 矩阵越大图像的分辨率越高, 但不是矩阵越大图像的质量越好, 这是因为矩阵增大像素减小, 同时每个像素所得的光子数减少, 使像素噪声增加, 并使密度分辨率降低。
5 影响密度分辨率的因素
密度分辨率取决于X射线束的能量分布。
5.1 光通量即X线通过患者后的光子数量, 其数量的多少受曝光条件的影响, 即kVp, mA和时间。总体来说, 曝光条件越大, X线的光子数量越多, 其中m A和时间增加X线光子的数量, kVp增加物体的对比度。其次, 也受被扫物体的厚度、密度和原子序数的影响。
5.2 增加层厚光子数增加, 密度分辨率提高;反之则降低。
5.3 重建算法也可影响CT的密度分辨率。如将高分辨率重建算法改为软组织平滑的算法, 则可减少噪声, 使图像的密度分辨率提高。
6 影响噪声的因素
6.1 光子数量的多少主要由毫安秒决定。
光子的数量通常还受管电压的影响, 相对高的电压可降低噪声, 反之则噪声增加。一般, 球管电压较高, 可使骨和对比剂的CT值有所降低, 并且软组织显示的对比度也降低。但是, 因电压增加降低了噪声, 也能改善密度分辨率使图像细节显示更清楚。
6.2 比像素噪声更为重要的是通过物体后剂量的衰减。
只要诊断上许可, 应尽可能采用高的扫描条件和较厚的扫描层厚。
6.3 扫描层厚的大小可影响噪声的量及图像的空间分辨率。
这是一对相互制约的因素, 即增加扫描层厚, 降低噪声, 但空间分辨率亦相应下降;减小层厚, 空间分辨率上升但噪声也增加。层厚的大小直接决定了光子的数量。
6.4 采用不同的算法可同时影响噪声和分辨率, 这两方面也是相互制约的。
采用边缘增强的算法, 如高分辨率算法, 可使分辨率增加但也使噪声增加;相反, 采用平滑的算法, 如软组织算法, 使噪声降低但分辨率也降低。在临床应用中, 各个解剖部位都有相应的高、中、低不同的算法, 不能借用。还有一些因素也影响噪声的大小, 它们是矩阵的大小、散射线和电子噪声 (探测器噪声) 。
7 伪影
伪影是由设备或患者所造成的, 不属于被扫描物体的影像。根据造成的原因不同, 可分为患者造成的伪影和设备引起的伪影。它在图像中表现的形状各异并可影响诊断的准确性, 有时由于某些原因造成的图像畸变也被归类于伪影。
参考文献
[1]白国刚.PACS系统保证质量及其方法研究[D].广州:第一大学生物医学工程系, 2003.
[2]曹厚德.数字化X线影像技术.中国医疗器械杂志, 1999, 23:34-37.
[3]罗敏、彭承琳, 王小林, 等.医学图像存储与传输系统的初步应用与效益分析.中华放射学杂志, 2003, 37:150-155.
CT图像数据库 篇6
传统的分类方法主要是依据专家经验, 加上肺癌图像的复杂性及采集过程中不同程度的存在噪声, 对肺癌CT图像定性诊断的准确率是对临床医师知识结构和技术水平的巨大挑战。针对传统医师阅片及分类中存在的缺陷, 本文提出一种基于图像处理和模式识别的肺癌CT图像的分类方法:首先对采集的原始CT图像进行去噪处理, 通过图像分割技术得到肺实质感兴趣区域;然后利用灰度共生矩阵, 提取感兴趣区域的纹理特征;最后利用支持向量机对数据进行训练测试, 以达到分类目的。
1 资料与方法
1.1 一般资料
在CT扫描和重建过程中, 不可避免的存在噪声和干扰, 如果直接对肺部CT图像进行处理, 将影响分类的准确率和稳定性。由于肺部CT图像中的噪声一般较小且比较孤立, 首先采用中值滤波法进行去噪处理。对去噪后的图像, 采用自动阈值法进行二值化, 然后利用数学形态学开运算去除肺内细小物体, 填充后得到整个胸腔, 再通过图像相减、再次填充及与运算得到肺实质。在分割过程中对于左右肺粘连的, 采用基于像素统计的方法进行分离[1], 对于肺实质缺失的部分, 采用“滚球法”进行边缘修补[2]。最后采用扫描法得到最小肺实质感兴趣区域。图1为增强后的图像及分割后的肺实质感兴趣区域。
1.2 纹理特征提取
纹理作为一种区域特征, 是对图像各像素之间空间分布的一种描述。由于纹理能充分利用图像信息, 与其他图像特征相比, 能更好地兼顾图像宏观性质与细微结构两个方面, 是描述与识别图像的重要依据, 也是目标识别需要提取的重要特征。提取纹理特征的方法很多, 一般可分为统计方法和结构方法两大类, 结构方法适合分析纹理基元排列较规则的图像, 而医学图像纹理基元规律性不强, 因此本文选择统计方法中应用最广泛的基于灰度共生矩阵的特征提取法。
灰度共生矩阵 (Grey Level Co-occurrence Matrix, GLCM) 是1973年Haralick[3]提出的, 是建立在估计图像的二阶组合条件概率密度基础上的一种纹理分析方法, 通过计算图像中一定距离d和一定方向θ的两点 (x1, y1) , (x2, y2) 灰度之间的相关性, 反映图像在方向、间隔、变化幅度及快慢上的综合信息。不同方向、步长和灰度级得到的GLCM是不同的, 目前对GLCM因子的选择没有确定的方法, 一些研究文献[4]表明要根据所研究图像纹理的自身特点来合理选择。
不同方向的GLCM中包含不同的纹理信息。常用的有0°、45°、90°和135°四个方向。如果每个方向都计算, 得到的特征过于繁多, 本文取四个方向的平均值作为最终的特征值。步长决定了GLCM的两个采样像素点的距离。对肺实质图像, 任意选取5幅, 分别绘制5幅图像的14个纹理特征参数的平均值随步长变化的曲线, 发现在d=1~2时变化比较大, d=4以后变化比较平缓, 考虑到步长较大时, 会有大量像素点不参与GLCM的生成, 造成大量信息的丢失, 选取d=4作为构造GLCM的最佳步长。灰度级的多少决定了GLCM尺寸的大小。过多GLCM会很大, 延长计算时间;过少又会丢失很多图像纹理细微的信息。由仿真结果得到, 灰度级64前后变化先快后慢或先慢后快, 故选取64为构造GLCM的最佳灰度级。
1.3 支持向量机分类器
支持向量 (support vector machine, SVM) 是由Vapnik等人于1995年提出的基于统计学习理论的机器学习方法, 它以结构风险最小化为原则, 以训练误差作为优化问题的约束条件, 以置信范围值最小化作为优化目标, 能够较好的解决小样本、非线性及高维数等识别问题。在模式识别、函数逼近、信号处理、医学诊断[5,6]等领域得到了广泛的应用。
SVM的基本思想如图2所示, 实心圆圈和空心圆圈分别代表两类样本, 如果存在分类方程:
使得对于i=1, 2, …, n满足
则称样本集是线性可分的。H为分类线, H1和H2分别为过两类中离分类线最近的样本且与分类线平行的直线, 它们之间的距离叫做分类间隔 (margin) , 等于2/|W|。H1和H2上的点为支持向量。既能正确分类两类样本, 又能使分类间隔最大的分类线称为最优分类线。最大化2/|W|, 即最小化1/2/|W|2, 因此最优分类线问题可以转化成如下的约束优化问题:
当训练集为非线性可分时, SVM通过核函数将输入空间的数据样本映射到一个高维的线性特征空间。常用的核函数有线性核函数, d阶多项式核函数, 径向基函数, 多层感知机等。
2 结果
实验数据来源于徐州医学院附属医院, 对搜集的285幅肺癌CT图像 (SCLC 150幅, NSCLC 135幅) , 首先通过图像分割得到肺实质感兴趣区域, 然后利用灰度共生矩阵提取肺实质图像纹理特征, 作为分类器的输入。
选择200个样本作为训练集, 85个作为测试集。SCLC记为正类样本 (+1) , NSCLC记为负类样本 (-1) , 任一个样本xi所对应的类别标签为yi, yi∈{+1, -1}。采用准确率、敏感性和特异性三个参数评估分类结果, 其中敏感性=正类样本数/总的正类样本数, 特异性=负类样本数/总的负类样本数。实验环境为MATLAB 2009, 支持向量机采用libsvm 2.9, 选择径向基核函数, 采用交叉验证方法确定模型最优参数C和RBF核函数中的方差, 利用训练好的模型对样本进行分类。为了比较分类效果, 分别采用BP、RBF神经网络与之对比。
对SVM分类器, 85例样本中 (SCLC 39例, NSCLC 46例) 中, 77例预测正确, 8例预测失败, 准确率为91%。其中SCLC 36例预测正确, 3例预测失败;NSCLC 41例预测正确, 5例预测失败。敏感性为0.92, 特异性为0.89。
采用BP神经网络, 68例预测正确, 17例预测失败, 准确率为80%。其中SCLC 32例预测正确, 7例预测失败;NSCLC 36例预测正确, 10例预测失败。敏感性为0.82, 特异性为0.78。采用RBF神经网络, 56例预测正确, 29例预测失败, 正确率为66%。其中SCLC 30例预测正确, 9例预测失败;NSCLC 26例预测正确, 20例预测失败。敏感性为0.77, 特异性为0.57。
对比实验结果, 可以看出支持向量在SCLC和NSCLC的分类中可以得到较好的结果。
3结论
为解决肺癌CT图像人工分类的难题, 提出了一种基于图像处理和支持向量机的肺癌自动分类方法。通过MATLAB仿真实验, 表明该方法对SCLC和NSCLC的识别率达到90%, 为肺癌的临床诊断和治疗提供了重要依据。
摘要：目的 研究肺癌CT图像的分类问题。由于肺癌图像的复杂性及图像采集过程中不同程度的存在噪声干扰, 造成人工分类难度增大。本文提出一种基于图像处理和支持向量的肺癌分类方法。方法 首先对采集的原始CT图像进行去噪处理, 通过图像分割技术得到肺实质感兴趣区域, 然后利用灰度共生矩阵, 提取感兴趣区域的纹理特征, 最后利用支持向量机分类器对数据样本进行训练测试。结果 仿真结果表明, 本方法对肺癌CT图像分类准确率达到90%。结论 为肺癌的临床诊断与治疗提供了依据。
关键词：肺癌CT图像,中值滤波,肺实质分割,灰度共生矩阵,支持向量机
参考文献
[1]卞晓月, 武妍.基于CT图像的肺实质细分割综合方法[J].重庆邮电大学学报, 2010, 22 (5) :665-668.
[2]蒋平.基于胸部CT图像的肺区自动分割[J].计算机工程与应用, 2006, 42 (24) :226-232.
[3]Haralick R M, Shanmugam K, Dinstein I.Textural feature for image classification[J].IEEE Transactions on Systems Man and Cybernetics, 1973, 3 (6) :610-621.
[4]苏静, 黎明.基于灰度共生矩阵的金属断口图像的分类研究[J].计算机工程与应用, 2008, 44 (9) :223-225.
[5]阎威武, 邵惠鹤.支持向量机分类器在医疗诊断中的应用研究[J].计算机仿真, 2003, 20 (2) :69-71.
CT图像数据库 篇7
关键词：肝脏,三维CT,自动分割,图谱法
肝脏疾病最常用的诊断方式就是CT扫描, 对CT肝脏扫描图像进行分割是研究肝脏病理的基础, 也是肝脏疾病程度评价的初步指标。目前, 在临床实践中存在很多困难, 一般来说肝脏体积较大, 病变非常复杂, 在扫描中与其相邻的脏器之间灰度值非常接近, 因此无法很好地判定肝脏的边界, 进而导致CT扫描结果不准确。我院在2012年9月—2014年9月间对不同方式的肝脏自动分割扫描效果进行了调查, 旨在为肝脏疾病诊断提供可依靠的信息。
1 资料与方法
1.1 一般资料
收集我院2012年9月—2014年9月间37例采用肝脏自动分割扫描的患者, 对其临床资料进行收集, 患者平均年龄 (58±11) 岁;男19例, 女18例;所有患者均为肝肿瘤患者;平均病程 (2.6±0.9) 年。
1.2 一般方法
所有患者均采用图谱法进行肝脏图像分割, 共选取37套数据进行两两配准, 包括仿射配准和非线性配准, 每个图谱产生36个变形场, 37套图谱总共37 (36) 个变形场, 然后对每个图谱的36个变形场求平均, 然后将平均得到的变形场施加到该图谱上得到一个新图谱, 将这36个新图谱求均值得到一个最终的均值。通过前述计算方式将基于图谱B样条配准算法自动化, 见图1。
2 结果
对所有患者肝脏分割结果进行调查:图谱法肝脏分割的体积误差评分为68.5分;相对体积误差评分为79.6分;平均表面距离评分为57.3分;平方根表面距离评分为42.6分;最大表面距离平均评分为55.8分。见表1。
我院采用的CT图像分辨率均为512×512, 切片间距平均为 (1.8±1.2) mm, 扫描分割过程中的难点主要在于切片分辨率过低、横断面旋转角度过大、肝肿瘤、肝左叶与心脏过于贴近几个方面。
3 讨论
目前临床中对CT图像肝脏分割的研究越来越深入, 现阶段使用最为广泛的切割方式主要有以下几种:阈值法、区域增长法、聚类法、形变模型法、水平集法、图谱法、神经网络法。
阈值法在临床中操作非常简便, 易于临床应用, 但其在临床中的缺点也非常明显。阈值法在使用中非常容易受到噪声的干扰, 影响分割的精准度。此外, 阈值法在实践中对灰度分割过分依赖, 容易出现分割失败的情况, 因此临床中使用率较低[1]。
区域增长法在使用前要设定种子点, 以种子点为始发位置, 按照规则进行分割。但由于肝脏内部组织较为复杂, 因此在进行分割时常常需要人工对分割过程中存在的过分分割情况进行干预。但由于其操作方式简便, 因此使用率相对广泛。
聚类法主要通过不同的空间定义聚类规则进行分割, 将相似的图像分割为同一区域, 进而达到分割的目的。其在操作过程中会对每个像素点或者像素体进行检查, 并将相似的像素分到共同的区域。近年来, 我国的研究报告发现, 此种分割方式在临床中需要进行人工干预, 且干预量较多, 分析数据准确度也不高, 因此使用率较低[2]。
形变模型法近年来在医学图像分析应用中越来越广泛, 其在实践中不仅应用了成像技术同时还结合了几何、物理、近似论等学科[3], 主要采用主动轮廓模型、统计学形态模型和主动形态模型进行图像分割。有研究试图将主动轮廓模型应用在肝脏图像分割中, 但主动轮廓模型在分割时对初始位置的敏感度非常高, 且在边界模糊的部位容易发生溢出现象, 需要手动干预。有学者在此基础上继续进行三维图像分割后发现计算精准度非常高, 但在计算过程中使用了函数, 且对函数的平衡参数设置要求较高, 平衡参数的设置会直接影响分割结果, 此种方式的计算方式非常复杂, 不易掌握, 因此, 对医师水平要求非常高。
水平集法是一种用于界面追踪和形状建模的数值技术, 近年来在临床中的应用越来越广泛, 尤其是在图像分析中。此种方式通常是将分割的区域参数模型化, 通过改变参数的方式达到需要的模拟效果。水平集法能够将所有问题转化为微分问题, 而后进行计算。但此种方式在临床中容易出现分割溢出现象。
神经网络法也是目前使用较为广泛的分割方式, 其主要是利用肝脏的灰度特征以及腹腔中其他脏器组织特点进行分割。其能够有效地改善灰度区域估计时过于粗糙和武断的情况。在以往的调查中采用了三种不同的分割模式, 但分割结果都比较粗糙, 需要辅助边界探测器进行修整[4]。由于肝脏体积较为庞大, 加之分割结果较为粗糙, 病例分析也存在很大的差异。有研究为了改善此种结果在分割的同时进行了图像、纹理信息录入, 但效果仍然不理想, 切割仍然较为粗糙, 且存在的问题非常多, 因此在临床中不建议使用[5]。
图谱法是腹部脏器图像分割中最常用的方式, 其中包括了图谱配准方式、多图谱配准融合方式、均值图谱方式以及概率图谱方式。图谱融合方式可以将不同的分割信息图像分配到不同的图像上, 采用投票方式来决定其所属区域;概率图谱分割方式则能够通过不同的数据配准将图像融合到一个区域中, 进而融合成为一个图谱。图谱法在应用中能够探查到多种信息, 其中包括解剖学检验信息, 因此其在临床中应用非常广泛。我院在调查中主要采用了图谱法进行肝脏图像分割, 同时我院提出了采用基于图谱B样条配准的肝脏自动分割方法, 通过不同的预先处理、定位等步骤将所有信息与B样条进行配准, 而后得到最终的肝脏分割数据。在操作的过程中无需进行人工干预, 能够完全达到自动化分割。此种分割方式的效果非常理想, 在我院调查的数据中可以发现, 37份样本的分割最终评分达到了61.4分, 相对体积误差率为0.6%, 进一步说明了图谱分割法的准确性非常高。但此种方式会受到B样条的限制, 使分割出现不全面现象, 若在分割前能够提供更多的检验信息, 则能够对B样条的配准进行约束, 进而提升分割精准度。
总之, 不同的图谱分割方式在肝脏CT图像自动分割中占有较大的优势, 应该进行进一步推广。
参考文献
[1]赵晓静, 陈兆学, 王志祯.基于Mean Shift方法的肝脏CT图像的自动分割[J].中国医学影像技术, 2012, 15 (23) :162-163.
[2]宋晓, 黄晓阳.基于CT三视图的肝脏自动分割方法[J].系统仿真学报, 2014, 26 (9) :9-10.
[3]宋红, 张春萌, 黄小川.腹部CT图像序列中的肝脏分割[J].哈尔滨工业大学学报, 2013, 45 (10) :16-17.
[4]杨维萍, 张绍祥, 潘进洪.MRI胸腔图像中肺组织的自动分割[J].第三军医大学学报, 2011, 33 (11) :1170-1171.
【CT图像数据库】推荐阅读：
遥感图像数据01-08
数据库编程与图像处理01-10
图像数据分析06-18
CT图像特征06-03
平扫CT图像09-12
医学CT图像11-15
CT图像分析11-29
CT图像重建12-30
多层螺旋CT薄层图像05-30
CT/MRI图像融合09-28