本發(fā)明涉及計算機(jī)應(yīng)用
技術(shù)領(lǐng)域：
：，尤其是數(shù)字圖像處理領(lǐng)域。
背景技術(shù)：
：：醫(yī)學(xué)成像技術(shù)在現(xiàn)代臨床醫(yī)學(xué)中起到不可或缺的作用，是醫(yī)生診斷病情的重要依據(jù)。但是，隨著醫(yī)學(xué)成像設(shè)備分辨率的提高，所獲取的圖像產(chǎn)生龐大的數(shù)據(jù)量給圖像存儲與實(shí)時傳輸帶來了巨大的壓力。因此尋求一種有效的壓縮算法是非常有必要的，該技術(shù)的難度在于將圖像進(jìn)行壓縮的同時，要保持較好的畫質(zhì)。大多數(shù)醫(yī)學(xué)圖像是三維圖像序列，不僅存在片內(nèi)相關(guān)性，同時片間存在較強(qiáng)的相關(guān)性，片數(shù)越多，相關(guān)性越強(qiáng)。醫(yī)學(xué)圖像的這種特性決定了醫(yī)學(xué)圖像的壓縮與普通圖像壓縮的不同，醫(yī)學(xué)圖像壓縮主要采用有損壓縮和無損壓縮來降低或者去除圖像的相關(guān)性。使用有損壓縮技術(shù)來提高傳輸速度并節(jié)省空間，在給定目標(biāo)碼率條件下，重建圖像與原始圖像之間在均方誤差意義上應(yīng)該非常接近，但是有損壓縮為了可以產(chǎn)生較高的壓縮比，將不可避免地給醫(yī)學(xué)圖像帶來一定程度的降質(zhì)，可能導(dǎo)致關(guān)鍵診斷信息的丟失。無損壓縮主要采用預(yù)測編碼或者變換編碼的方法。預(yù)測編碼是醫(yī)學(xué)圖像領(lǐng)域中使用的最早的壓縮技術(shù)之一，該壓縮技術(shù)的關(guān)鍵挑戰(zhàn)之一是生成準(zhǔn)確的預(yù)測模型，目前主要的預(yù)測模型有基于jpeg的預(yù)測模型，基于上下文自適應(yīng)預(yù)測模型和基于最小二乘法的自適應(yīng)預(yù)測模型。jpeg-ls在靜止圖像無損壓縮中獲得較好的效果，其性能甚至超過了jpeg2000無損壓縮，但它只是針對單幅圖像壓縮，無法利用圖像的幀間相關(guān)性?；趈peg的預(yù)測技術(shù)計算成本較低，但是由于jpeg預(yù)測結(jié)果不能很好地適應(yīng)特定圖像上下文，因此它用于壓縮復(fù)雜圖像時性能較差?；谏舷挛淖赃m應(yīng)的無損壓縮算法，可以在當(dāng)前像素附近點(diǎn)的強(qiáng)度梯度有顯著變化的時候，切換不同的子預(yù)測器，在像素上下左右前后6個方向使用最佳子預(yù)測器執(zhí)行去相關(guān)操作。該技術(shù)比基于jpeg的預(yù)測技術(shù)需要更長的編碼和解碼時間，此外，預(yù)測模型的參數(shù)(切換閾值和預(yù)測器系數(shù))是實(shí)驗預(yù)定義的，不能基于被壓縮圖像的局部數(shù)據(jù)特性進(jìn)行適應(yīng)性的改變，降低了去相關(guān)性能?；谧钚《朔ǖ淖赃m應(yīng)方法已經(jīng)證明了對基于上下文的自適應(yīng)預(yù)測方案有了顯著地改進(jìn)，該技術(shù)通過局部優(yōu)化預(yù)測系數(shù)來更新模型，以產(chǎn)生準(zhǔn)確的預(yù)測值，這些優(yōu)化系數(shù)通常通過最小均方原理計算。盡管基于最小二乘法的自適應(yīng)方法在編碼和解碼階段期間能夠自適應(yīng)地更新預(yù)測模型，但是仍然存在于最小二乘法的自適應(yīng)方法的另一種方式，它基于頭信息，通過解碼直接生成預(yù)測模型，在解碼階段中消除繁重的計算，提供給一個快速解碼的方法。變換編碼是醫(yī)學(xué)領(lǐng)域中壓縮技術(shù)的另一個重要類別，大多數(shù)研究集中在變換階段的小波變換中，它相對于其他類型的變換，在時域和頻域二者中的去相關(guān)和定位方面的性能比較優(yōu)越。但是小波變換壓縮方法要得到進(jìn)一步的拓展，應(yīng)在與人眼視覺特性的結(jié)合上下工夫，提高圖像質(zhì)量，提高壓縮比，并與其他壓縮方法的優(yōu)勢相結(jié)合。醫(yī)學(xué)圖像具有不同于一般圖像的特征，例如由于部分體積效應(yīng)(pve)現(xiàn)象導(dǎo)致的弱邊緣，邊界上的像素由于具有周圍所有像素的平均值，導(dǎo)致邊界區(qū)域“模糊”，因此一般的預(yù)測方法不適合直接應(yīng)用與醫(yī)學(xué)圖像的壓縮，此外，考慮到醫(yī)學(xué)圖像數(shù)據(jù)具有的特性，即雙側(cè)解剖對稱性和跨不同患者的結(jié)構(gòu)解剖結(jié)構(gòu)相似性，因此提出一個為醫(yī)學(xué)圖像定制的壓縮算法是非常有必要的。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提出一種基于人體解剖結(jié)構(gòu)相似性的醫(yī)學(xué)圖像壓縮算法，這是一種具有解剖導(dǎo)向和局部優(yōu)化的自適應(yīng)預(yù)測技術(shù)。該壓縮方案利用患者的解剖特征來預(yù)先定位醫(yī)學(xué)數(shù)據(jù)集內(nèi)不同的解剖區(qū)域，然后針對每一個特定解剖區(qū)域的自適應(yīng)預(yù)測模型，優(yōu)化預(yù)測因子，產(chǎn)生預(yù)測值，接著用實(shí)際值減去預(yù)測值獲得最終預(yù)測誤差，最后用于熵編碼。無損壓縮的特征在于可逆過程，其中解壓縮數(shù)據(jù)在數(shù)值上與原始數(shù)據(jù)相同。這種類型的技術(shù)在醫(yī)學(xué)圖像壓縮的情況下是優(yōu)選的，因為圖像中的任何診斷信息的丟失可能導(dǎo)致嚴(yán)重的后果，例如誤診。因此本發(fā)明的壓縮技術(shù)首先考慮的是采用無損壓縮的方案，提出基于人體解剖結(jié)構(gòu)相似性的醫(yī)學(xué)圖像壓縮算法，使用分割過程產(chǎn)生“分而治之”的方法來處理醫(yī)學(xué)圖像數(shù)據(jù)集，將圖像分成多個區(qū)域，然后使用局部優(yōu)化的方法單獨(dú)壓縮不同的分割區(qū)域以實(shí)現(xiàn)高壓縮比，它包括以下步驟：一種基于人體解剖結(jié)構(gòu)相似性的醫(yī)學(xué)圖像壓縮算法，包括：步驟1，獲取ctc數(shù)據(jù)集。數(shù)據(jù)可以從免費(fèi)醫(yī)學(xué)圖像資料庫中下載，網(wǎng)址為：https://public.cancerimagingarchive.net/ncia/databasketdisplay.jsf；在網(wǎng)頁的“collection(s)”這一板塊中選擇ctcolonography,“imagemodality(ies)”這一板塊中選擇ct后，就可以下載ctc數(shù)據(jù)集了。步驟2，利用密度和解剖特征識別ctc數(shù)據(jù)集上特定的解剖區(qū)域，進(jìn)行分割，完成數(shù)據(jù)集的預(yù)處理階段，具體包括：步驟2.1，識別掃描區(qū)域外的四個區(qū)域，即圖像四個角落中具有-1024h的恒定密度的區(qū)域。從四個角點(diǎn)開始使用種子區(qū)域生長算法，然后通過簡單地記錄存儲這些區(qū)域參數(shù)來表示區(qū)域之間的邊界和實(shí)際掃描數(shù)據(jù)。步驟2.2，對不同解剖區(qū)域進(jìn)行分類，根據(jù)不同的密度值，將ctc數(shù)據(jù)集劃分為9個主要類別，骨骼區(qū)域，軟組織區(qū)域、空氣區(qū)域、pve區(qū)域、脂肪組織區(qū)域桌子區(qū)域、未定義區(qū)域和患者身外的空氣區(qū)域。步驟2.3，提取了整個身體和掃描區(qū)域以外的部分之后，基于它們的位置和本質(zhì)特征將圖像中的剩余像素分配給預(yù)定義類別中的一個。對圖像進(jìn)行直方圖閾值處理，通過閾值將圖像粗略分割為不同的區(qū)域。然后在這些區(qū)域應(yīng)用基于密度的分割以避免錯誤分割。步驟2.4，ctc數(shù)據(jù)集中的各個器官被區(qū)分開來了以后，使用基于它們的密度特征和先前的分割結(jié)果來識別骨，骨pve，結(jié)腸，結(jié)腸pve，身體pve，衣服，桌子和外部空氣區(qū)域，這些分割區(qū)域用于提供有用的信息來指導(dǎo)隨后的分割過程，提取特定器官。使用基于密度和解剖特征的組合的分割來實(shí)現(xiàn)。在器官分割完成之后，身體區(qū)域內(nèi)的剩余體素基于它們的密度特征被分配給脂肪組織或瘦組織；步驟3，基于步驟2中的分割結(jié)果，隨后生成針對每一個特定解剖區(qū)域優(yōu)化的一系列預(yù)測器，然后將這些優(yōu)化的預(yù)測器組成的自適應(yīng)預(yù)測模型應(yīng)用于整個數(shù)據(jù)集。步驟3.1，選擇線性預(yù)測模型，p＝β0+β1x1+β2x2+…+βnxn，其中p為預(yù)測值，β0、β1…βn是預(yù)測模型的系數(shù)，對于軟組織，空氣和脂肪組織區(qū)域，n為58，而對于骨區(qū)域n為96。每個像素的優(yōu)化系數(shù)可以通過最小均方原理計算，該過程在每個分割區(qū)域上重復(fù)。步驟3.2，在xz平面，為法線定義8個離散取向：0°、45°、90°、135°、180°、225°、270°、315°。如果實(shí)際角度不等于這8個角度中的一個，則將其量化為最接近的角度，為了避免在45°，135°，225°，和315°的像素縮放，為這些方向上的法線開發(fā)附加模板。步驟3.3，確定了法線后，則基于立方體模板生成每個方向的預(yù)測值。在基于邊緣的預(yù)測器中使用5個像素的模板大小，以便達(dá)到進(jìn)度最大化，復(fù)雜度最小化。邊緣區(qū)域的自適應(yīng)模型是：m＝{a,p{pt1，pt2，pt3，pt4}}，其中a是特定角度，p是相應(yīng)的預(yù)測因子。t1，t2,t3,t4是初始模板位置，使用旋轉(zhuǎn)和平移生成其他模板。步驟4，使用自適應(yīng)預(yù)測模型進(jìn)行去相關(guān)后，將輪廓碼，預(yù)測器參數(shù)和殘差數(shù)據(jù)發(fā)送到熵編碼器。最終壓縮文件包含頭部和主體兩部分。該文件的頭部包含輪廓碼，預(yù)測器參數(shù)，體素大小，切片數(shù)目和邊界的參數(shù)，文件的主體包含殘差數(shù)據(jù)。在上述的一種基于人體解剖結(jié)構(gòu)相似性的醫(yī)學(xué)圖像壓縮算法，所述步驟2.3具體包括：步驟2.3.1，對ctc數(shù)據(jù)集進(jìn)行直方圖閾值處理，分析圖像的直方圖，找到連續(xù)主峰之間的谷點(diǎn)，然后使用對應(yīng)于谷點(diǎn)的強(qiáng)度值作為閾值將圖像分割成不同的區(qū)域，具體包括：步驟2.3.3.1，提取皮膚和皮下組織，使用侵蝕身體輪廓來確定皮下組織區(qū)域的位置，侵蝕步驟點(diǎn)的綜述計算為：步長＝(皮膚厚度+皮下組織厚度)/像素尺寸步驟2.3.3.2，提取肺部區(qū)域，利用肺部在身體的位置特點(diǎn)，位于身體的上部，使用簡單的閾值技術(shù)來提取頂部切片中的肺，基于這種初始分割結(jié)果，使用簡單的自頂向下分割方法來實(shí)現(xiàn)肺的分割。步驟2.3.3.3，提取肝臟區(qū)域，首先利用肝臟在身體的相對位置，去除肝臟周圍的肌肉，使用閾值技術(shù)去除肝臟區(qū)域中的骨骼和肺部像素，應(yīng)用解剖學(xué)和基于密度的規(guī)則去除非肝臟元素，實(shí)現(xiàn)肝臟區(qū)域的分割。步驟2.3.3.4，提取腎部區(qū)域，腎臟是位于脊柱兩側(cè)的兩個小器官，位于胸腔下面，根據(jù)腎的位置特征，在自上而下的序列切片中，通過跟蹤肋骨來識別腎的頂部，接著定位隨后切片中的腎，兩個腎區(qū)表示為：左腎:(xcos60°-zsin60°)(xcos60°-zsin60°)/(0.13h*0.13h)+(zcos60°+sin60°)(zcos60°+xsin60°)/(0.2v*0.2v)<＝1右腎:(xcos(-60)°-zsin(-60)°)(xcos(-60)°-zsin(-60)°)/(0.13h*0.13h)+(zcos(-60)°+xsin(-60)°)(zcos(-60)°+xsin(-60)°)/(0.2v*0.2v)<＝1其中(x,z)表示圖像中像素點(diǎn)的坐標(biāo)，h和v指身體區(qū)域的水平軸的長度和垂直軸的長度。cos和sin分別表示腎區(qū)域內(nèi)的點(diǎn)與脊柱形成夾角的余弦值與正弦值。步驟2.3.2，有些器官的密度范圍比較接近，意味著直方圖閾值法也不能正確地分割這些對象，此時基于解剖學(xué)的先驗理論，利用各個器官在身體中的相對位置和形狀，自動檢測ctc數(shù)據(jù)集中的特定器官。本發(fā)明中提出的分割方法是將傳統(tǒng)的基于強(qiáng)度的分割算法與解剖學(xué)的知識結(jié)合起來，對腹部ct數(shù)據(jù)集中的特定的器官進(jìn)行分割。首先基于當(dāng)前數(shù)據(jù)集的先驗解剖學(xué)知識獲得每個器官的候選區(qū)域，然后在該候選區(qū)域中使用基于密度的方法來精確提取器官的數(shù)據(jù)。這種方法的有幾個優(yōu)點(diǎn)，首先，利用器官在身體中的相對位置，可應(yīng)用于不同患者尺寸的圖像。其次，以漸進(jìn)方式執(zhí)行這個分割技術(shù)，先大致定義候選區(qū)的，然后使用基于密度的分割方法精煉目標(biāo)區(qū)域，這種方法使得分割精度更加理想?？傊?，所提出的技術(shù)利用解剖和密度特征來指導(dǎo)分割過程，可以用于在醫(yī)學(xué)圖像中分割單個器官，并且可以適應(yīng)于不同患者之間的解剖變異性，有助于減少分段誤差，最終有助于改進(jìn)后續(xù)的壓縮操作。本發(fā)明中提出了一種用于醫(yī)學(xué)圖像壓縮的預(yù)測模型，這個模型基于兩種建模方法開發(fā)的，分別用來處理內(nèi)部和邊緣區(qū)域。針對內(nèi)部區(qū)域設(shè)計的第一種方法是基于對最佳模板識別從而生成有效的預(yù)測器。該預(yù)測器可以用相對較低的計算成本實(shí)現(xiàn)高預(yù)測精度。處理邊緣區(qū)域用第二種方法考慮不同的邊緣方向，它可以旋轉(zhuǎn)預(yù)測模型以確保預(yù)測模型中的一致輸入模式，這種模式可以優(yōu)化邊緣預(yù)測器。本發(fā)明所提出的預(yù)測模型包含這兩種類型的預(yù)測器并且根據(jù)被壓縮的區(qū)域特性自適應(yīng)地切換到最佳預(yù)測器，解決了基于上下文自適應(yīng)預(yù)測模型不能基于被壓縮圖像的局部數(shù)據(jù)特性進(jìn)行適應(yīng)性的改變的問題，另外，本預(yù)測模型充分利用了幀間關(guān)系，彌補(bǔ)了基于jpeg預(yù)測模型無法利用幀間相關(guān)性的缺陷。本發(fā)明的最后階段是使用熵編碼器對殘差數(shù)據(jù)進(jìn)行編碼，predictionwithpartialmatching(ppm)技術(shù)基于先前上下文分配當(dāng)前符號的概率，能夠使整個壓縮性能最大化，因此ppm技術(shù)用作壓縮方案中的熵編碼器。為了說明包括數(shù)據(jù)去相關(guān)和熵編碼階段的整個壓縮方案的有效性，將本發(fā)明提供的壓縮結(jié)果與多種替代技術(shù)獲得的壓縮結(jié)果進(jìn)行比較，結(jié)果表明本發(fā)明提出的壓縮方法在jpeg2000和3d-jpeg2000上平均提高12％，并且比標(biāo)準(zhǔn)3d-jpeg4+ppmd方法高6％，即使3d-jpeg2000和3djpeg4+ppm方法利用切片之間的相關(guān)性，它們也不能有效地壓縮邊緣區(qū)域。由于醫(yī)學(xué)圖像存在大量邊緣的事實(shí)，這些技術(shù)在醫(yī)學(xué)圖像的情況下表現(xiàn)不佳。本發(fā)明提出的壓縮算法結(jié)合了一種新穎的基于邊緣的預(yù)測方法來特別處理醫(yī)學(xué)圖像數(shù)據(jù)集中的pve區(qū)域，該預(yù)測器在減少與邊緣相關(guān)聯(lián)的殘差信息量方面非常有效，剩余的區(qū)域通過一系列優(yōu)化的預(yù)測器去相關(guān)，結(jié)果顯示實(shí)現(xiàn)了更好的壓縮性能。附圖說明圖1為本發(fā)明提出的壓縮方案的框圖。圖2為分割過程的流程圖。圖3為用于區(qū)域識別的模板。圖4為四個模板類別的說明。圖5為為完整壓縮方案技術(shù)中的編碼和解碼過程具體實(shí)施方式下面通過實(shí)施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進(jìn)一步具體的說明。實(shí)施例：本發(fā)明中使用ctc數(shù)據(jù)集證明證明提出的壓縮方案的有效性，圖1是用于ctc數(shù)據(jù)的完整壓縮方案的示意性描述。步驟1，獲取ctc數(shù)據(jù)集。步驟2，利用密度和解剖特征識別ctc數(shù)據(jù)集上特定的解剖區(qū)域，進(jìn)行分割，完成數(shù)據(jù)集的預(yù)處理階段。步驟2.1，從ctc數(shù)據(jù)集提取全身，并使用一系列鏈碼(數(shù)據(jù)集中的每個切片的一個鏈碼)記錄其輪廓，使用roberts邊緣檢測器獲得主體輪廓并使用4連接鏈碼表示。當(dāng)編碼體輪廓時，選擇邊界上的點(diǎn)并存儲它的坐標(biāo)，編碼器以順序方式跟隨邊界并且保持跟蹤從一個邊界像素到另一個邊界像素的方向，表示運(yùn)動方向的符號使用鏈碼存儲，為了進(jìn)一步減小輪廓文件的尺寸，使用無損編碼技術(shù)來壓縮鏈碼。步驟2.2，識別掃描區(qū)域外的四個區(qū)域，即圖像四個角落中具有-1024hu(hounsfieldunits，醫(yī)學(xué)圖像單位)的恒定密度的區(qū)域?？梢允褂脧乃膫€角點(diǎn)開始的種子區(qū)域生長算法來實(shí)現(xiàn)，然后通過簡單地記錄以非常有效的方式存儲這些區(qū)域參數(shù)來表示區(qū)域之間的邊界和實(shí)際掃描數(shù)據(jù)。步驟2.3，提取了整個身體和掃描區(qū)域以外的部分之后，可以基于它們的位置和本質(zhì)特征將圖像中的剩余像素分配給預(yù)定義類別中的一個(例如：空氣，軟組織、骨骼和pve體素)。步驟2.3.1，將ctc數(shù)據(jù)集細(xì)分為9個主要類別，這些類別分別是骨，軟組織，內(nèi)部空氣，pve區(qū)域，脂肪組織，桌子，衣服，患者外部的空氣和未定義的區(qū)域。步驟2.3.2，對圖像進(jìn)行直方圖閾值處理，分析圖像的直方圖，找到連續(xù)主峰之間的谷點(diǎn)，使用谷點(diǎn)的強(qiáng)度值作為閾值將圖像分割成不同區(qū)域。步驟2.3.3，對于無法用直方圖閾值法正確地分割的區(qū)域，在這些候選區(qū)域中應(yīng)用基于密度的分割方法，結(jié)合解剖學(xué)的先驗知識，以避免不正確的分割。步驟2.3.3.1，提取皮膚和皮下組織，使用侵蝕身體輪廓來確定皮下組織區(qū)域的位置，侵蝕步驟點(diǎn)的綜述可以計算為：步長＝(皮膚厚度+皮下組織厚度)/像素尺寸步驟2.3.3.2，提取肺部區(qū)域，利用肺部在身體的位置特點(diǎn)，位于身體的上部，使用簡單的閾值技術(shù)來提取頂部切片中的肺，基于這種初始分割結(jié)果，使用簡單的自頂向下分割方法來實(shí)現(xiàn)肺的分割。步驟2.3.3.3，提取肝臟區(qū)域，首先利用肝臟在身體的相對位置，去除肝臟周圍的肌肉，使用閾值技術(shù)去除肝臟區(qū)域中的骨骼和肺部像素，應(yīng)用解剖學(xué)和基于密度的規(guī)則去除非肝臟元素，實(shí)現(xiàn)肝臟區(qū)域的分割。步驟2.3.3.4，提取腎部區(qū)域，腎臟是位于脊柱兩側(cè)的兩個小器官，位于胸腔下面，根據(jù)腎的位置特征，在自上而下的序列切片中，通過跟蹤肋骨來識別腎的頂部，接著定位隨后切片中的腎，兩個腎區(qū)可以表示為：左腎:(xcos60°-zsin60°)(xcos60°-zsin60°)/(0.13h*0.13h)+(zcos60°+sin60°)(zcos60°+xsin60°)/(0.2v*0.2v)<＝1右腎:(xcos(-60)°-zsin(-60)°)(xcos(-60)°-zsin(-60)°)/(0.13h*0.13h)+(zcos(-60)°+xsin(-60)°)(zcos(-60)°+xsin(-60)°)/(0.2v*0.2v)<＝1其中(x,z)表示圖像中像素點(diǎn)的坐標(biāo)，h和v指身體區(qū)域的水平軸的長度和垂直軸的長度，cos和sin分別表示腎區(qū)域內(nèi)的點(diǎn)與脊柱形成夾角的余弦值與正弦值。步驟2.4，分割過程如圖2所示，在提取身體區(qū)域和掃描區(qū)域以外的區(qū)域之后，基于它們的密度特征和先前的分割結(jié)果來識別骨，骨pve，結(jié)腸，結(jié)腸pve，身體pve，衣服，桌子和外部空氣區(qū)域，這些分割區(qū)域可以用于提供有用的信息來指導(dǎo)隨后的分割過程，提取特定器官。使用基于密度和解剖特征的組合的分割來實(shí)現(xiàn)。在器官分割完成之后，身體區(qū)域內(nèi)的剩余體素基于它們的密度特征被分配給脂肪組織或瘦組織。步驟2.4.1，自動識別是通過檢查當(dāng)前像素的兩個已知相鄰的面來完成的，自動識別的細(xì)節(jié)如下：步驟2.4.1.1，判斷pn，pw的值是否在骨頭密度的范圍內(nèi)如果pn∈骨頭區(qū)域&pw∈骨頭區(qū)域如果pn,pw的值屬于骨頭區(qū)域，那么x就屬于骨頭區(qū)域x∈骨頭區(qū)域步驟2.4.1.2，如果上一步驟的判斷為否，繼續(xù)判斷pn,pw的值是否在空氣密度的范圍內(nèi)，若假設(shè)為真，根據(jù)醫(yī)學(xué)先驗知識和體內(nèi)器官的相對位置，可以判斷x的位置是不是在肺部區(qū)域，如果為真，那么x屬于肺部區(qū)域，否則x屬于結(jié)腸區(qū)域。如果pn∈空氣區(qū)域&pw∈空氣區(qū)域如果lx∈肺部區(qū)域x∈肺部區(qū)域否則x∈結(jié)腸區(qū)域步驟2.4.1.3，如果pn和pw不滿足上面的假設(shè)，繼續(xù)判斷pn和pw的值是否在軟組織區(qū)域，如果在軟組織區(qū)域，然后再根據(jù)x所在的位置來判斷它所屬區(qū)域。如果pn∈軟組織區(qū)域&pw∈軟組織區(qū)域如果lx∈肝部區(qū)域x∈肝部區(qū)域如果lx∈左腎區(qū)域x∈左腎區(qū)域如果lx∈右腎區(qū)域x∈右腎區(qū)域如果lx∈脾臟區(qū)域x∈脾臟區(qū)域否則x∈瘦肉組織步驟2.4.1.4，如果pn和pw不滿足上面的假設(shè)，繼續(xù)判斷pn,pw是否屬于具有骨骼容積效應(yīng)的區(qū)域，如果屬于，然后根據(jù)x的位置的位置來判斷x所屬區(qū)域。如果pn∈骨骼容積效應(yīng)區(qū)域&pw∈骨骼容積效應(yīng)區(qū)域如果lx靠近骨骼區(qū)域x∈骨骼容積效應(yīng)區(qū)域如果lx靠近結(jié)腸區(qū)域x∈結(jié)腸容積效應(yīng)區(qū)域如果lx靠近肺部區(qū)域x∈肺部容積效應(yīng)區(qū)域否則x∈脂肪組織區(qū)域步驟2.4.1.5，如果pn和pw不滿足上面的假設(shè)，那么判斷到了邊緣區(qū)域，根據(jù)x的位置判斷x所屬區(qū)域。如果lx∈身體區(qū)域的容積效應(yīng)區(qū)域x∈身體區(qū)域的容積效應(yīng)區(qū)域如果lx∈皮下組織區(qū)域x∈皮下組織區(qū)域步驟2.4.1.6，最后判斷體外的掃描區(qū)域，由于體外物體密度差異比較大，所以不需要再根據(jù)x的位置來判斷它所屬的區(qū)域，只需要根據(jù)pn和pw的值來判斷x所屬的區(qū)域。如果pn∈桌子區(qū)域&pw∈桌子區(qū)域x∈桌子區(qū)域如果pn∈衣服區(qū)域&pw∈衣服區(qū)域x∈衣服區(qū)域否則x∈體外的空氣區(qū)域其中pn表示當(dāng)前像素x上面一個像素的像素值，pw表示當(dāng)前像素x左邊一個像素的像素值，lx表示當(dāng)前像素的位置，x表示當(dāng)前像素。pn,pw和x的相對位置見圖3。步驟3，基于步驟2中的分割結(jié)果，隨后生成針對每個特定解剖區(qū)域優(yōu)化的一系列預(yù)測器。然后將由這些優(yōu)化的預(yù)測器組成的自適應(yīng)預(yù)測模型應(yīng)用于整個數(shù)據(jù)集。步驟3.1，基于內(nèi)部的預(yù)測模型，選擇線性預(yù)測模型，表示為p＝β0+β1x1+β2x2+…+βnxn，其中p為預(yù)測值，β0、β1…βn是預(yù)測模型的系數(shù)，對于軟組織，空氣和脂肪組織區(qū)域，n為58，而對于骨區(qū)域n為96。每個像素的優(yōu)化系數(shù)可以通過最小均方原理計算，該過程在每個分割區(qū)域上重復(fù)。自適應(yīng)模型最終組合所有這些子預(yù)測器，表示為m＝{r,p{pbone；pliver；pspleen；plean_tissue；pair_lung；pair_colon；psubcutaneous_tissue；padipose_tissue；ptable；pclothing；pexternal_air}},其中r是特定區(qū)域，p是相應(yīng)的預(yù)測器。步驟3.2，基于邊緣的預(yù)測模型，首先要估算法線方向，基于邊緣法線旋轉(zhuǎn)模板可以確保模板始終與邊緣區(qū)域?qū)R，為了確定當(dāng)前點(diǎn)的法線方向和幅度，使用導(dǎo)數(shù)來識別邊緣區(qū)域，在一階導(dǎo)數(shù)的情況下，局部最小值和最大值表示邊緣的存在，令y＝f(x)是密度分布的函數(shù)，點(diǎn)x處的導(dǎo)數(shù)可以表示為對應(yīng)的兩邊像素邊緣檢測掩碼是[-1，1]。步驟3.3，使用法線的離散取向，在xz平面，為法線定義8個離散取向：0°、45°、90°、135°、180°、225°、270°、315°。如果實(shí)際角度不等于這8個角度中的一個，則將其量化為最接近的角度，為了避免在45°，135°，225°，和315°的像素縮放，為這些方向上的法線開發(fā)附加模板。步驟3.3.1，根據(jù)法線方向在xz平面中定義兩個模板類別：一個是沿著軸線，另一個是與軸線成45°的角度。其他模板以類似的方式定義，所有的模板類別詳細(xì)信息如圖4所示。步驟3.4，確定了法線后，則基于立方體模板生成每個方向的預(yù)測值。在基于邊緣的預(yù)測器中使用5個像素的模板大小，以便達(dá)到進(jìn)度最大化，復(fù)雜度最小化。邊緣區(qū)域的自適應(yīng)模型是：m＝{a,p{pt1，pt2，pt3，pt4}}，其中a是特定角度，p是相應(yīng)的預(yù)測因子。t1，t2,t3,t4是初始模板位置，使用旋轉(zhuǎn)和平移生成其他模板。步驟4，使用自適應(yīng)預(yù)測模型進(jìn)行去相關(guān)后，將輪廓碼，預(yù)測器參數(shù)和殘差數(shù)據(jù)發(fā)送到熵編碼器。最終壓縮文件包含頭部和主體兩部分。該文件的頭部包含輪廓碼，預(yù)測器參數(shù)，體素大小，切片數(shù)目和邊界的參數(shù)，文件的主體包含殘差數(shù)據(jù)。本發(fā)明提出的新的壓縮方案，使用解剖信息的先驗知識來提高醫(yī)學(xué)圖像的壓縮性能，該方案由基于解剖學(xué)的分割過程，自適應(yīng)預(yù)測模型和熵編碼器組成，在編碼和解碼階段的完整壓縮方案如圖5所示。在編碼階段期間，原始數(shù)據(jù)集最初被分割成不同的解剖區(qū)域，并且隨后為每個區(qū)域生成優(yōu)化的預(yù)測因子，自適應(yīng)預(yù)測(aap)模型使用一個系列的優(yōu)化預(yù)測器進(jìn)行去相關(guān)，然后發(fā)送殘差數(shù)據(jù)用于熵編碼。解碼處理與編碼處理剛好相反，然而由于每個預(yù)測器的系數(shù)已經(jīng)存儲在壓縮數(shù)據(jù)內(nèi)的報頭中，所以可以在沒有顯著計算成本的情況下生成預(yù)測模型。無損壓縮的特征在于可逆過程，其中解壓縮數(shù)據(jù)在數(shù)值上與原始數(shù)據(jù)相同。根據(jù)當(dāng)前像素相關(guān)聯(lián)的區(qū)域的類型，解碼器切換到相應(yīng)的預(yù)測器以生成預(yù)測值，該值被添加到存儲的預(yù)測誤差以重建原始數(shù)據(jù)。本文中所描述的具體實(shí)施例僅僅是對本發(fā)明作舉例說明。本發(fā)明所屬
技術(shù)領(lǐng)域：
：的技術(shù)人員可以對所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，例如使用其他的預(yù)測模型進(jìn)行去相關(guān)操作，但是并不會偏離本發(fā)明精神或者超越所附權(quán)利書所定義的范圍。當(dāng)前第1頁12當(dāng)前第1頁12