基于CT图像的金属块二维坐标检测算法

【摘 要】 由于其图像扫描精度高、清晰度高等优点，CT图像已经在成为流行的医学影像工具，但传统医生对CT图像的使用仍然停留在肉眼查看图像，以寻找关键位置的方式，缺乏坐标精度。针对该问题，本文提出了用图像预处理以及区域增长的方式，自动识别CT图像关键位置的二维坐标，并用金属块作为例子，进行了多次实验，在坐标识别的精度上，结果令人满意。

【关键词】 CT图像 图像预处理 区域增长

Two-dimensional coordinate detection algorithm based on the CT image of the piece of metal

Liao Gan-zhou

【Abstract】 Because of its high precision， high definition image scanning advantages，CT image has become popular in medical imaging tool，but the traditional doctor on CT image using still remain in the macroscopic view images，to search for the key position，lack of coordinate precision.Aiming at this problem，this paper put forward by image pretreatment and regional growth method， automatic recognition of CT key image position of two-dimensional coordinates，and using the metal block as an example，conducted a number of experiments，in coordinate accuracy of recognition，with satisfactory results.

【Key words】 CT image image preprocessing region growing

CT（Computed Tomography）图像作为当今流行的医学影像工具，尽管价格昂贵，但由于其优秀的三维重建能力以及图像显示能力，已经得到广泛使用。但对CT图像的使用，仍然停留在医生以肉眼查看CT图像，粗略判断病灶所在，而没有利用CT图像的在数据精度上的优势。本文在解析CT图像数据的基础上，对CT图像中的金属块进行图像预处理以及二维的坐标的检测，得到金属块准确的二维坐标，为下一步的操作提供良好的基础。

1 算法依据

图像的CT值反映的是人体组织或其他物体对X射线的吸收值（衰减系数），其单位为Hounsfield Unit（Hu），以水的衰减系数为标准参照，即水的CT值定义为0，物质的衰减系数大于水者为正值，小于水者为负值；并分别以骨皮质和空气的衰减系数为上限和下限，定为+1000和-1000。直观地说，可以认为是物体密度越高，衰减系数越大。标准的CT灰度图像为12位灰度图像，即为4096级的灰度。一般金属的衰减系数都比骨皮质大，所以显示出的CT值一般比较大。例如铝块的CT值在1200左右，基本上可以和骨皮质的CT值分开，有利于坐标的确定。

2 算法流程

2.1 图像预处理

尽管金属的CT值比人体的其他部位都要高，但由于存在金属伪影的影响，一般图像需要先进行图像锐化，以区别人体组织和金属。

微分算子是图像锐化的一般算法，而拉普拉斯算子是微分算子中最常用的一种，一元图像函数的拉普拉斯算子的定义如式1表示。

2.2 二维图像坐标识别

二维图像坐标识别采用区域增长的的思想，在得到一个种子点的坐标时，就能通过增长的方式得出一个标记点在一幅图像上的所有像素，进而计算出它的中心坐标，具体步骤如下：

（1）按照图像空间先沿着X轴（横轴）逐行扫描，如果没有，则到下一行继续扫描，直到遇到第一个CT值大于设定阈值VS的像素P1，该像素CT值为V1。

（2）把P1压到预设的一个堆栈S中，并把P1的CT值置为0。

（3）在V1周围设定一个区域扫描，在这些区域中重复；（2）的过程，该区域扫描结束后，得出整个标记点的所有像素。

（4）扫描到最后一个点，扫描结束，得出所有的坐标值。

（5）根据所得的区域，计算出每个点的中心位置。

（6）排除明显不是标记点的区域坐标，例如骨皮质等。

在标记点二维坐标测量中，采用直接描点的方法，在CT图片中直接标出识别出来的坐标位置，用系统的平面取点功能手动标识出识别出来的坐标，和图片上看到的标记点进行比较，由于金属伪影的影响，识别的图像坐标有一定偏差，图2为一张图的识别效果图。

图像每个像素的大小在1mm以内，因此图像的识别坐标在2mm以内。

参考文献：

[1]马建林，崔志明，吴健等.一种新的基于区域增长的ROI分割算法[J].计算机应用研究，Vol.25（5）：1582-1585，2008.

[2]陈康，苏晓龙，王香婷.基于区域增长的立体匹配算法研究[J].微计算机信息，Vol.25（6）：309-311，2009.

[3]昌仁民.ct窗宽窗位的分析和应用[J].CT理论与应用研究，Vol.4（3）：27-28，1995.

[4]沈超敏.基于几何变分原理的图像处理方法[D].上海：华东师范大学，2009.

[5]Stewart R D，Fermin I，Opper M.Region Growing With Pulse-Coupled Neural Networks：An Alternative to Seeded Region Growing[J].IEEE Transaction on Neural Networks，Vol.13（6）：1557-1562，2002.

[6]Poonguzhali S，Ravindran G.A Complete Automatic Region Growing Method for Segmentation of Masses on Ultrasound Images[J].International Conference on Biomedical and Pharmaceutical Engineering：88-92，2006.