上海交通大學醫(yī)學院計算機教研室(上海 200025)

朱浩棟 陳 瑛 龔著琳

章 魯

灰度歸一化在鼻竇CT圖像中的應用

上海交通大學醫(yī)學院計算機教研室(上海 200025)

朱浩棟 陳 瑛 龔著琳

章 魯

目的設計一種快速有效的鼻竇CT圖像灰度歸一化處理方法，消除或減小采用不同窗參數設置的鼻竇CT顯示圖像之間同質組織不同灰度上的差異。方法數字化圖像預處理后，像素灰度做相對光密度轉換得到歸一化圖像；實驗同時評估了轉換前后圖像和病變組織的灰度準確性和一致性。結果鼻竇CT圖像灰度歸一化處理后同一性質的病變組織灰度均值和方差比處理前更趨于一致。結論該方法運算速度快，受外界條件的影響較小，有利于后續(xù)圖像識別和檢索等操作。

鼻竇CT圖像; 灰度歸一化; 數字掃描; 相對光密度

計算機網絡技術的飛速發(fā)展，使得數以千兆萬兆計的醫(yī)學圖像信息日增月長[1]。在現有的集群、網格和云計算環(huán)境中存儲著海量的醫(yī)學圖像。因圖像獲取條件的不同存在著質量差異，其中經膠片掃描后數字化保存的醫(yī)學圖像大量存在。無論人工還是計算機診斷，都是通過不同級別的灰度顯示確定某種組織的解剖或者病理信息。對組織密度及其分布研究，進而分析判斷病情現狀以及預期未來進展，主要依靠灰度分析。

但在醫(yī)學成像及存儲過程中，即便是同質的人體組織也可能會表現為不一致的灰度信息。這種灰度不一致性不只是出現在不同病例的影像數據之間，也可能出現在同一病例的不同掃描序列之間，甚至出現在相同病例的同一掃描序列內部[2]。

因此，在消除由成像參數設置等造成的灰度差異的同時，又保留圖像中具有一定診斷作用的灰度差異，對后續(xù)的圖像分割、配準操作有重要作用[3]。灰度歸一化處理可以消除成像因素對圖像灰度的影響，尤其對像素灰度信息受到窗設置參數的影響很大的CT顯示圖像，減小不同圖像之間同種性質組織灰度上的差異，為后續(xù)的圖像處理提供有效的支持。

1 灰度歸一化方法

采用外加標記物的方法可以準確地標定成像組織的圖像灰度[4]，但受到操作條件的限制而不能廣泛應用。James.D.Christensen[5]在進行大腦磁共振的研究中，采用了計算直方圖偶階導數來歸一化腦灰質、白質的圖像灰度。Juergen Dukart等人[6]對阿爾茨海默癥的FDG_ PET圖像采用了小腦和周圍組織的灰度歸一化處理方法，以便后續(xù)算法更易于發(fā)現癡呆和劃分疾病程度。

在磁共振圖像歸一化過程中，Dominik等人[7]采用了分等級模型，采納組織類別分割的結果作為灰度歸一化的先驗知識，用作組織類別標簽輸入歸一化處理中。

為提高同類別象素間灰度差異對不同類別間的灰度差異不敏感性，文獻[8]采用了圖像灰度級和對比度歸一化方法用于對象識別。文獻[9]對乳腺X線成像采用了遺傳算法和非線性算法兩種方法進行灰度級的歸一化。歐洲醫(yī)學網格研究中推出了Standard Mammogram Form(SMF)算法[10]，利用成像信息計算像素點所對應的非脂肪組織厚度，推算出歸一化的hint值來表示圖像中非脂肪組織的灰度，克服了密度組織表示上灰度的不確定性。

上述的灰度歸一化方法，采用圖像直方圖或者圖像組織特征對灰度作歸一化，均取得了很好的實驗效果。

2 相對光密度轉換

醫(yī)學膠片圖像掃描數字化過程中是通過膠片上的光密度改變來表示光線通過膠片前后的變化。光密度(Optical Density)的理論基礎則來源于Lambert-Beer吸收定律(見公式2-1)，說明物質對單色光吸收的強弱與吸光物質的濃度(c)和液層厚度(b)間的關系的定律，是光吸收的基本定律。

圖1 -5分別為不同處理階段的顯示圖像。圖1為掃描獲取的原始灰度圖像；圖2為從圖1降噪后灰度調整為256級；對圖2進行灰度歸一化后得到圖3；圖4、圖5分別為從圖2、圖3像分割得到的鼻竇內病變組織。

A=Log(Iin/Iout)=KCb (2-1)

A：光密度；Iin：入射光強度；Iout：透射光強度；K：比例常數；C：物質濃度；b：物質厚度

根據上式，可由光強度計算出光密度：

OD=-Ln(I/I0)=lnI0-lnI(2-2)

其中：OD為光密度；I0是入射光強度；I為透射光強度。

光密度易于計算，但無法消除加性誤差和系統(tǒng)誤差，因此本實驗中引入了相對光密度(ROD)這一衍生參數。相對光密度可以是對目標區(qū)域內的單個像素而言，也可以是根據統(tǒng)計公式計算目標區(qū)域內各像素的統(tǒng)計特性。其計算公式如下：

Rod=∑N/∑M (2-3)

其中∑M表示目標區(qū)域內像素的總數；∑N表示該區(qū)域內灰度值小于G值的像素總數。

由式(2-3)像素的絕對光密度和灰度之間的單調關系可知，絕對光密度大于OD的像素數等于灰度值小于相應像素點灰度值的像素數。因此在后續(xù)計算中，可通過灰度值小于G(x,y)的像素數來計算Rod。

3 實驗數據分析

CT能夠準確顯示鼻道竇口復合體區(qū)的解剖變異[11]，是鼻竇內窺鏡術前必不可少的檢查方法。圖像常用兩種窗對比觀察：軟組織窗(窗位65HU，窗寬350HU)和骨窗(窗位200HU，窗寬2000HU)。膠片掃描后的圖像難以通過窗參數進行灰度調整，只能依靠圖像本身的灰度信息進行優(yōu)化。

首先，對圖像做基本的降噪聲預處理，去除無關的文字信息；其次，掃描后的圖像灰度級范圍不等，因此調整灰度級統(tǒng)一轉換成256級；然后對像素灰度進行相對光密度轉換(按公式3-3)，得到歸一化后的圖像。

為評估采用該方法處理后圖像中的同種性質組織是否具有相同或相似的灰度值，從而能夠進行圖像的組織對比和診斷,實驗分割提取了鼻竇竇腔內的病變軟組織，計算區(qū)域灰度分析其歸一化的效果。

本文的實驗數據采集自上海交通大學附屬仁濟醫(yī)院五官科鼻內窺鏡手術病例的CT圖像，共15例，采用Visual C++編程處理圖像計算。采用手工勾畫邊界分割方法，將竇腔內的病變軟組織進行分割，計算歸一化前后全圖以及病變組織的平均灰度信息，采用SPSS 14.0進行統(tǒng)計分析。

表1為病變組織灰度統(tǒng)計的均值與方差。

對歸一化前后病變組織灰度均值的變異系數，結果見表2。

表1 歸一化前后病變組織平均灰度統(tǒng)計分析

表2 變異系數比較結果

實驗數據圖像由不同病例掃描轉換而來，由表3.1的統(tǒng)計結果顯示，由于成像窗參數不同，使得在轉換后的顯示圖像中，竇腔內病變組織的灰度有很大的差異。病變組織的平均灰度標準差為7.8，灰度均值數據的變異系數為5.8%，對于與閾值相關的圖像處理以及灰度特征檢驗增加了計算的難度。經過灰度歸一化處理之后，病變組織的平均灰度大小差異減小，標準差為1.38，變異系數只有0.78%。由于樣本數較少，對兩組平均灰度進行t檢驗，計算結果t＞t0.05，P＜0.05，說明歸一化處理后的顯示圖像平均灰度的變異減小。結合變異系數的計算結果，顯示圖像灰度歸一化以后，病變組織顯示灰度一致性有很大的提高。

4 結束語

本文提出的灰度處理方法，有效地降低了CT膠片圖像數字化后帶來的灰度不一致性，處理快速簡便，提高了圖像內容顯示的準確性，作為醫(yī)學圖像數據庫中必要的圖像預處理環(huán)節(jié)，有利于圖像的識別和診斷。

1. Raquel Trindade, Nuno C. Ferreira, et al. Development of Medical Image Database for Data Mining and Group Analysis Applications[A], Procedia Technology[C], CENTERIS 2012, vol 5, 912-921.

2. Benoit M.Dawant, Alex P. Zijdenbos, Richard A. Margolin. Correction of Variations in MR images for computer-aided tissue classification[J], IEEE Trans. Med Imaging, 1993, 12(4): 770-781.

3. Ulas Bacgi, Jayaram K.udupa,et al. The role of intensity standardization in medical image registration[J], Pattern Recognition Letters, 2010, 31, 315-323.

4. C.C.Leung, P.C.K.kwok, K.Y. Zee, et al. Estimation of the grey level variations in soft and hard peri-implant tissue from X-ray images[A], Proc. 19th International Conference-IEEE/EMBS[C], 1997, 2:802-805.

5. James D. Christensen, Normalization of brain magnetic resonance imaging using histogram even-order derivative analysis[J], Magnetic Resonance Imaging, 2003, 21: 817-820.

6. Juergen Dukart, Karsten Mueller, Differential effects of global and cerebellar normalization on detection and differentiation on dementia in FDG_PET studies[J]. Neuroimage, 2010, Vol. 49, 1490-1495.

7. Dominik S. Meier, Charles R.G Guttmann, Time-series analysis of MRI intensity patterns in multiple sclerosis[J], Neuroimage, 2003, 20: 1193-1209.

8. Zhengwu Yang, Tao Fang. On the accuracy of image normalization by Zernike moments[J], Image and Vision Computing, 2010, 28: 403-413.

9. Wei Qian, Ravi Sankar, et al. Standardization for image characteristics in telemammography using genetic and nonlinear algorithms[J], Computer in Biology and medicine, 2005, 35: 183-196.

10. Fran Berman, Geoffrey Fox, Anthony J.G. Hey. Grid computing-Making the Global Infrastructure a Reality[C], 2002, 65-100.

11. Zhang Tie, GuoJi-Wen, et al. The significance of Multi-Slice CT in observation of Ostiomeatal Complex Anatomic variation and paranasal sinusitis [J], Chinese Journal of CT and MRI, 2013,Vol. 11, 26-27.

(本文編輯: 劉龍平)

The Application of Grey Scale Normalization on Sinus CT Image

ZHU Hao-dong, CHEN Ying, GONG Zhu-lin, ZHANG Lu． Computer Science Department of Medical School, Shanghai Jiaotong University, shanghai 200025

ObjectiveTo design a rapid and effective grey scale normalization method on sinus CT images, which is used to eliminate or reduce the inconsistency of sinus CT image grey scale result from different settings of imaging factors．MethodsAfter preliminary digitalized image processing, relative optic density transformation for grey scale are applied． We get grey scale normalized images and analyze the grey scale of before and after transformation images and pathological changed tissue regions for assessment of accuracy and consistency．ResultsAfter relative optic transformation, the mean and variance value of same pathological changed tissue grey scale are tend to more consistency．ConclusionThe method has high operational speed and little outside influence, is helpful to followup image operation such as image recognition and image retrieval．

Sinus CT Image; Grey Scale Normalization; Digital Scan; Relative Optic Density(ROD)

R765.4; R445.3

A

10.3969/j.issn.1672-

2015-03-26

朱浩棟

5131.2015.05.006