CN107146222A - 基于人体解剖结构相似性的医学图像压缩算法 - Google Patents

Abstract

本发明涉及一种基于人体解剖结构相似性的医学图像压缩算法，本发明将传统的基于强度的分割算法与解剖学的知识结合起来，对腹部CT数据集中的特定的器官进行分割。首先基于当前数据集的先验解剖学知识获得每个器官的候选区域，然后在该候选区域中使用基于密度的方法来精确提取器官的数据。本发明利用器官在身体中的相对位置，可应用于不同患者尺寸的图像。其次，以渐进方式执行这个分割技术，先大致定义候选区的，然后使用基于密度的分割方法精炼目标区域，这种方法使得分割精度更加理想。本发明可以用于在医学图像中分割单个器官，并且可以适应于不同患者之间的解剖变异性，有助于减少分段误差，最终有助于改进后续的压缩操作。

Description

基于人体解剖结构相似性的医学图像压缩算法

技术领域

本发明涉及计算机应用技术领域，尤其是数字图像处理领域。

背景技术

医学成像技术在现代临床医学中起到不可或缺的作用，是医生诊断病情的重要依据。但是，随着医学成像设备分辨率的提高，所获取的图像产生庞大的数据量给图像存储与实时传输带来了巨大的压力。因此寻求一种有效的压缩算法是非常有必要的，该技术的难度在于将图像进行压缩的同时，要保持较好的画质。

大多数医学图像是三维图像序列，不仅存在片内相关性，同时片间存在较强的相关性，片数越多，相关性越强。医学图像的这种特性决定了医学图像的压缩与普通图像压缩的不同，医学图像压缩主要采用有损压缩和无损压缩来降低或者去除图像的相关性。

使用有损压缩技术来提高传输速度并节省空间，在给定目标码率条件下，重建图像与原始图像之间在均方误差意义上应该非常接近，但是有损压缩为了可以产生较高的压缩比，将不可避免地给医学图像带来一定程度的降质，可能导致关键诊断信息的丢失。

无损压缩主要采用预测编码或者变换编码的方法。预测编码是医学图像领域中使用的最早的压缩技术之一，该压缩技术的关键挑战之一是生成准确的预测模型，目前主要的预测模型有基于JPEG的预测模型，基于上下文自适应预测模型和基于最小二乘法的自适应预测模型。

JPEG-LS在静止图像无损压缩中获得较好的效果，其性能甚至超过了JPEG2000无损压缩，但它只是针对单幅图像压缩，无法利用图像的帧间相关性。基于JPEG的预测技术计算成本较低，但是由于JPEG预测结果不能很好地适应特定图像上下文，因此它用于压缩复杂图像时性能较差。

基于上下文自适应的无损压缩算法，可以在当前像素附近点的强度梯度有显著变化的时候，切换不同的子预测器，在像素上下左右前后6个方向使用最佳子预测器执行去相关操作。该技术比基于JPEG的预测技术需要更长的编码和解码时间，此外，预测模型的参数(切换阈值和预测器系数)是实验预定义的，不能基于被压缩图像的局部数据特性进行适应性的改变，降低了去相关性能。

基于最小二乘法的自适应方法已经证明了对基于上下文的自适应预测方案有了显著地改进，该技术通过局部优化预测系数来更新模型，以产生准确的预测值，这些优化系数通常通过最小均方原理计算。尽管基于最小二乘法的自适应方法在编码和解码阶段期间能够自适应地更新预测模型，但是仍然存在于最小二乘法的自适应方法的另一种方式，它基于头信息，通过解码直接生成预测模型，在解码阶段中消除繁重的计算，提供给一个快速解码的方法。

变换编码是医学领域中压缩技术的另一个重要类别，大多数研究集中在变换阶段的小波变换中，它相对于其他类型的变换，在时域和频域二者中的去相关和定位方面的性能比较优越。但是小波变换压缩方法要得到进一步的拓展，应在与人眼视觉特性的结合上下工夫，提高图像质量，提高压缩比，并与其他压缩方法的优势相结合。

医学图像具有不同于一般图像的特征，例如由于部分体积效应(PVE)现象导致的弱边缘，边界上的像素由于具有周围所有像素的平均值，导致边界区域“模糊”，因此一般的预测方法不适合直接应用与医学图像的压缩，此外，考虑到医学图像数据具有的特性，即双侧解剖对称性和跨不同患者的结构解剖结构相似性，因此提出一个为医学图像定制的压缩算法是非常有必要的。

发明内容

本发明的目的是提出一种基于人体解剖结构相似性的医学图像压缩算法，这是一种具有解剖导向和局部优化的自适应预测技术。该压缩方案利用患者的解剖特征来预先定位医学数据集内不同的解剖区域，然后针对每一个特定解剖区域的自适应预测模型，优化预测因子，产生预测值，接着用实际值减去预测值获得最终预测误差，最后用于熵编码。

无损压缩的特征在于可逆过程，其中解压缩数据在数值上与原始数据相同。这种类型的技术在医学图像压缩的情况下是优选的，因为图像中的任何诊断信息的丢失可能导致严重的后果，例如误诊。因此本发明的压缩技术首先考虑的是采用无损压缩的方案，提出基于人体解剖结构相似性的医学图像压缩算法，使用分割过程产生“分而治之”的方法来处理医学图像数据集，将图像分成多个区域，然后使用局部优化的方法单独压缩不同的分割区域以实现高压缩比，它包括以下步骤：

一种基于人体解剖结构相似性的医学图像压缩算法，包括：

步骤1，获取CTC数据集。数据可以从免费医学图像资料库中下载，网址为：https://public.cancerimagingarchive.net/ncia/dataBasketDisplay.jsf；在网页的“Collection(s)”这一板块中选择CT COLONOGRAPHY,“Image Modality(ies)”这一板块中选择CT后，就可以下载CTC数据集了。

步骤2，利用密度和解剖特征识别CTC数据集上特定的解剖区域，进行分割，完成数据集的预处理阶段，具体包括：

步骤2.1，识别扫描区域外的四个区域，即图像四个角落中具有-1024H的恒定密度的区域。从四个角点开始使用种子区域生长算法，然后通过简单地记录存储这些区域参数来表示区域之间的边界和实际扫描数据。

步骤2.2，对不同解剖区域进行分类，根据不同的密度值，将CTC数据集划分为9个主要类别，骨骼区域，软组织区域、空气区域、PVE区域、脂肪组织区域桌子区域、未定义区域和患者身外的空气区域。

步骤2.3，提取了整个身体和扫描区域以外的部分之后，基于它们的位置和本质特征将图像中的剩余像素分配给预定义类别中的一个。对图像进行直方图阈值处理，通过阈值将图像粗略分割为不同的区域。然后在这些区域应用基于密度的分割以避免错误分割。

步骤2.4，CTC数据集中的各个器官被区分开来了以后，使用基于它们的密度特征和先前的分割结果来识别骨，骨PVE，结肠，结肠PVE，身体PVE，衣服，桌子和外部空气区域，这些分割区域用于提供有用的信息来指导随后的分割过程，提取特定器官。使用基于密度和解剖特征的组合的分割来实现。在器官分割完成之后，身体区域内的剩余体素基于它们的密度特征被分配给脂肪组织或瘦组织；

步骤3，基于步骤2中的分割结果，随后生成针对每一个特定解剖区域优化的一系列预测器，然后将这些优化的预测器组成的自适应预测模型应用于整个数据集。

步骤3.1，选择线性预测模型，P＝β₀+β₁x₁+β₂x₂+…+β_Nx_N，其中P为预测值，β₀、β₁…β_N是预测模型的系数，对于软组织，空气和脂肪组织区域，N为58，而对于骨区域N为96。每个像素的优化系数可以通过最小均方原理计算，该过程在每个分割区域上重复。

步骤3.2，在XZ平面，为法线定义8个离散取向：0°、45°、90°、135°、180°、225°、270°、315°。如果实际角度不等于这8个角度中的一个，则将其量化为最接近的角度，为了避免在45°，135°，225°，和315°的像素缩放，为这些方向上的法线开发附加模板。

步骤3.3，确定了法线后，则基于立方体模板生成每个方向的预测值。在基于边缘的预测器中使用5个像素的模板大小，以便达到进度最大化，复杂度最小化。边缘区域的自适应模型是：M＝{A,P{P_T1，P_T2，P_T3，P_T4}}，其中A是特定角度，P是相应的预测因子。T1，T2,T3,T4是初始模板位置，使用旋转和平移生成其他模板。

步骤4，使用自适应预测模型进行去相关后，将轮廓码，预测器参数和残差数据发送到熵编码器。最终压缩文件包含头部和主体两部分。该文件的头部包含轮廓码，预测器参数，体素大小，切片数目和边界的参数，文件的主体包含残差数据。

在上述的一种基于人体解剖结构相似性的医学图像压缩算法，所述步骤2.3具体包括：

步骤2.3.1，对CTC数据集进行直方图阈值处理，分析图像的直方图，找到连续主峰之间的谷点，然后使用对应于谷点的强度值作为阈值将图像分割成不同的区域，具体包括：

步骤2.3.3.1，提取皮肤和皮下组织，使用侵蚀身体轮廓来确定皮下组织区域的位置，侵蚀步骤点的综述计算为：

步长＝(皮肤厚度+皮下组织厚度)/像素尺寸

步骤2.3.3.2，提取肺部区域，利用肺部在身体的位置特点，位于身体的上部，使用简单的阈值技术来提取顶部切片中的肺，基于这种初始分割结果，使用简单的自顶向下分割方法来实现肺的分割。

步骤2.3.3.3，提取肝脏区域，首先利用肝脏在身体的相对位置，去除肝脏周围的肌肉，使用阈值技术去除肝脏区域中的骨骼和肺部像素，应用解剖学和基于密度的规则去除非肝脏元素，实现肝脏区域的分割。

步骤2.3.3.4，提取肾部区域，肾脏是位于脊柱两侧的两个小器官，位于胸腔下面，根据肾的位置特征，在自上而下的序列切片中，通过跟踪肋骨来识别肾的顶部，接着定位随后切片中的肾，两个肾区表示为：

左肾:(xcos60°-zsin60°)(xcos60°-zsin60°)/(0.13h*0.13h)+(zcos60°+

sin60°)(zcos60°+xsin60°)/(0.2v*0.2v)<＝1

右肾:(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)表示图像中像素点的坐标，h和v指身体区域的水平轴的长度和垂直轴的长度。cos和sin分别表示肾区域内的点与脊柱形成夹角的余弦值与正弦值。

步骤2.3.2，有些器官的密度范围比较接近，意味着直方图阈值法也不能正确地分割这些对象，此时基于解剖学的先验理论，利用各个器官在身体中的相对位置和形状，自动检测CTC数据集中的特定器官。

本发明中提出的分割方法是将传统的基于强度的分割算法与解剖学的知识结合起来，对腹部CT数据集中的特定的器官进行分割。首先基于当前数据集的先验解剖学知识获得每个器官的候选区域，然后在该候选区域中使用基于密度的方法来精确提取器官的数据。这种方法的有几个优点，首先，利用器官在身体中的相对位置，可应用于不同患者尺寸的图像。其次，以渐进方式执行这个分割技术，先大致定义候选区的，然后使用基于密度的分割方法精炼目标区域，这种方法使得分割精度更加理想。总之，所提出的技术利用解剖和密度特征来指导分割过程，可以用于在医学图像中分割单个器官，并且可以适应于不同患者之间的解剖变异性，有助于减少分段误差，最终有助于改进后续的压缩操作。

本发明中提出了一种用于医学图像压缩的预测模型，这个模型基于两种建模方法开发的，分别用来处理内部和边缘区域。针对内部区域设计的第一种方法是基于对最佳模板识别从而生成有效的预测器。该预测器可以用相对较低的计算成本实现高预测精度。处理边缘区域用第二种方法考虑不同的边缘方向，它可以旋转预测模型以确保预测模型中的一致输入模式，这种模式可以优化边缘预测器。本发明所提出的预测模型包含这两种类型的预测器并且根据被压缩的区域特性自适应地切换到最佳预测器，解决了基于上下文自适应预测模型不能基于被压缩图像的局部数据特性进行适应性的改变的问题，另外，本预测模型充分利用了帧间关系，弥补了基于JPEG预测模型无法利用帧间相关性的缺陷。

本发明的最后阶段是使用熵编码器对残差数据进行编码，Prediction withPartial Matching(PPM)技术基于先前上下文分配当前符号的概率，能够使整个压缩性能最大化，因此PPM技术用作压缩方案中的熵编码器。

为了说明包括数据去相关和熵编码阶段的整个压缩方案的有效性，将本发明提供的压缩结果与多种替代技术获得的压缩结果进行比较，结果表明本发明提出的压缩方法在JPEG2000和3D-JPEG2000上平均提高12％，并且比标准3D-JPEG4+PPMd方法高6％，即使3D-JPEG2000和3DJPEG4+PPM方法利用切片之间的相关性，它们也不能有效地压缩边缘区域。由于医学图像存在大量边缘的事实，这些技术在医学图像的情况下表现不佳。

本发明提出的压缩算法结合了一种新颖的基于边缘的预测方法来特别处理医学图像数据集中的PVE区域，该预测器在减少与边缘相关联的残差信息量方面非常有效，剩余的区域通过一系列优化的预测器去相关，结果显示实现了更好的压缩性能。

附图说明

图1为本发明提出的压缩方案的框图。

图2为分割过程的流程图。

图3为用于区域识别的模板。

图4为四个模板类别的说明。

图5为为完整压缩方案技术中的编码和解码过程

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本发明中使用CTC数据集证明证明提出的压缩方案的有效性，图1是用于CTC数据的完整压缩方案的示意性描述。

步骤1，获取CTC数据集。

步骤2，利用密度和解剖特征识别CTC数据集上特定的解剖区域，进行分割，完成数据集的预处理阶段。

步骤2.1，从CTC数据集提取全身，并使用一系列链码(数据集中的每个切片的一个链码)记录其轮廓，使用Roberts边缘检测器获得主体轮廓并使用4连接链码表示。当编码体轮廓时，选择边界上的点并存储它的坐标，编码器以顺序方式跟随边界并且保持跟踪从一个边界像素到另一个边界像素的方向，表示运动方向的符号使用链码存储，为了进一步减小轮廓文件的尺寸，使用无损编码技术来压缩链码。

步骤2.2，识别扫描区域外的四个区域，即图像四个角落中具有-1024HU(Hounsfield Units，医学图像单位)的恒定密度的区域。可以使用从四个角点开始的种子区域生长算法来实现，然后通过简单地记录以非常有效的方式存储这些区域参数来表示区域之间的边界和实际扫描数据。

步骤2.3，提取了整个身体和扫描区域以外的部分之后，可以基于它们的位置和本质特征将图像中的剩余像素分配给预定义类别中的一个(例如：空气，软组织、骨骼和PVE体素)。

步骤2.3.1，将CTC数据集细分为9个主要类别，这些类别分别是骨，软组织，内部空气，PVE区域，脂肪组织，桌子，衣服，患者外部的空气和未定义的区域。

步骤2.3.2，对图像进行直方图阈值处理，分析图像的直方图，找到连续主峰之间的谷点，使用谷点的强度值作为阈值将图像分割成不同区域。

步骤2.3.3，对于无法用直方图阈值法正确地分割的区域，在这些候选区域中应用基于密度的分割方法，结合解剖学的先验知识，以避免不正确的分割。

步骤2.3.3.1，提取皮肤和皮下组织，使用侵蚀身体轮廓来确定皮下组织区域的位置，侵蚀步骤点的综述可以计算为：

步长＝(皮肤厚度+皮下组织厚度)/像素尺寸

步骤2.3.3.2，提取肺部区域，利用肺部在身体的位置特点，位于身体的上部，使用简单的阈值技术来提取顶部切片中的肺，基于这种初始分割结果，使用简单的自顶向下分割方法来实现肺的分割。

步骤2.3.3.3，提取肝脏区域，首先利用肝脏在身体的相对位置，去除肝脏周围的肌肉，使用阈值技术去除肝脏区域中的骨骼和肺部像素，应用解剖学和基于密度的规则去除非肝脏元素，实现肝脏区域的分割。

步骤2.3.3.4，提取肾部区域，肾脏是位于脊柱两侧的两个小器官，位于胸腔下面，根据肾的位置特征，在自上而下的序列切片中，通过跟踪肋骨来识别肾的顶部，接着定位随后切片中的肾，两个肾区可以表示为：

左肾:(xcos60°-zsin60°)(xcos60°-zsin60°)/(0.13h*0.13h)+(zcos60°+

sin60°)(zcos60°+xsin60°)/(0.2v*0.2v)<＝1

右肾:(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)表示图像中像素点的坐标，h和v指身体区域的水平轴的长度和垂直轴的长度，cos和sin分别表示肾区域内的点与脊柱形成夹角的余弦值与正弦值。

步骤2.4，分割过程如图2所示，在提取身体区域和扫描区域以外的区域之后，基于它们的密度特征和先前的分割结果来识别骨，骨PVE，结肠，结肠PVE，身体PVE，衣服，桌子和外部空气区域，这些分割区域可以用于提供有用的信息来指导随后的分割过程，提取特定器官。使用基于密度和解剖特征的组合的分割来实现。在器官分割完成之后，身体区域内的剩余体素基于它们的密度特征被分配给脂肪组织或瘦组织。

步骤2.4.1，自动识别是通过检查当前像素的两个已知相邻的面来完成的，自动识别的细节如下：

步骤2.4.1.1，判断PN，PW的值是否在骨头密度的范围内

如果PN∈骨头区域&PW∈骨头区域

如果PN,PW的值属于骨头区域，那么X就属于骨头区域

X∈骨头区域

步骤2.4.1.2，如果上一步骤的判断为否，继续判断PN,PW的值是否在空气密度的范围内，若假设为真，根据医学先验知识和体内器官的相对位置，可以判断X的位置是不是在肺部区域，如果为真，那么X属于肺部区域，否则X属于结肠区域。

如果PN∈空气区域&PW∈空气区域

如果LX∈肺部区域 X∈肺部区域

否则 X∈结肠区域

步骤2.4.1.3，如果PN和PW不满足上面的假设，继续判断PN和PW的值是否在软组织区域，如果在软组织区域，然后再根据X所在的位置来判断它所属区域。

如果PN∈软组织区域&PW∈软组织区域

如果LX∈肝部区域 X∈肝部区域

如果LX∈左肾区域 X∈左肾区域

如果LX∈右肾区域 X∈右肾区域

如果LX∈脾脏区域 X∈脾脏区域

否则X∈瘦肉组织

步骤2.4.1.4，如果PN和PW不满足上面的假设，继续判断PN,PW是否属于具有骨骼容积效应的区域，如果属于，然后根据X的位置的位置来判断X所属区域。

如果PN∈骨骼容积效应区域 &PW∈骨骼容积效应区域

如果LX靠近骨骼区域 X∈骨骼容积效应区域

如果LX靠近结肠区域 X∈结肠容积效应区域

如果LX靠近肺部区域 X∈肺部容积效应区域

否则X∈脂肪组织区域

步骤2.4.1.5，如果PN和PW不满足上面的假设，那么判断到了边缘区域，根据X的位置判断X所属区域。

如果LX∈身体区域的容积效应区域 X∈身体区域的容积效应区域

如果LX∈皮下组织区域 X∈皮下组织区域

步骤2.4.1.6，最后判断体外的扫描区域，由于体外物体密度差异比较大，所以不需要再根据X的位置来判断它所属的区域，只需要根据PN和PW的值来判断X所属的区域。

如果PN∈桌子区域&PW∈桌子区域

X∈桌子区域

如果PN∈衣服区域&PW∈衣服区域

X∈衣服区域

否则X∈体外的空气区域

其中PN表示当前像素X上面一个像素的像素值，PW表示当前像素X左边一个像素的像素值，LX表示当前像素的位置，X表示当前像素。PN,PW和X的相对位置见图3。

步骤3，基于步骤2中的分割结果，随后生成针对每个特定解剖区域优化的一系列预测器。然后将由这些优化的预测器组成的自适应预测模型应用于整个数据集。

步骤3.1，基于内部的预测模型，选择线性预测模型，表示为P＝β₀+β₁x₁+β₂x₂+…+β_Nx_N，其中P为预测值，β₀、β₁…β_N是预测模型的系数，对于软组织，空气和脂肪组织区域，N为58，而对于骨区域N为96。每个像素的优化系数可以通过最小均方原理计算，该过程在每个分割区域上重复。自适应模型最终组合所有这些子预测器，表示为M＝{R,P{P_bone；P_liver；P_spleen；P_{lean_tissue}；P_{air_lung}；P_{air_colon}；P_{subcutaneous_tissue}；P_{adipose_tissue}；P_table；P_clothing；P_{external_air}}},其中R是特定区域，P是相应的预测器。

步骤3.2，基于边缘的预测模型，首先要估算法线方向，基于边缘法线旋转模板可以确保模板始终与边缘区域对齐，为了确定当前点的法线方向和幅度，使用导数来识别边缘区域，在一阶导数的情况下，局部最小值和最大值表示边缘的存在，令y＝f(x)是密度分布的函数，点x处的导数可以表示为

对应的两边像素边缘检测掩码是[-1，1]。

步骤3.3，使用法线的离散取向，在XZ平面，为法线定义8个离散取向：0°、45°、90°、135°、180°、225°、270°、315°。如果实际角度不等于这8个角度中的一个，则将其量化为最接近的角度，为了避免在45°，135°，225°，和315°的像素缩放，为这些方向上的法线开发附加模板。

步骤3.3.1，根据法线方向在XZ平面中定义两个模板类别：一个是沿着轴线，另一个是与轴线成45°的角度。其他模板以类似的方式定义，所有的模板类别详细信息如图4所示。

步骤3.4，确定了法线后，则基于立方体模板生成每个方向的预测值。在基于边缘的预测器中使用5个像素的模板大小，以便达到进度最大化，复杂度最小化。边缘区域的自适应模型是：M＝{A,P{P_T1，P_T2，P_T3，P_T4}}，其中A是特定角度，P是相应的预测因子。T1，T2,T3,T4是初始模板位置，使用旋转和平移生成其他模板。

步骤4，使用自适应预测模型进行去相关后，将轮廓码，预测器参数和残差数据发送到熵编码器。最终压缩文件包含头部和主体两部分。该文件的头部包含轮廓码，预测器参数，体素大小，切片数目和边界的参数，文件的主体包含残差数据。

本发明提出的新的压缩方案，使用解剖信息的先验知识来提高医学图像的压缩性能，该方案由基于解剖学的分割过程，自适应预测模型和熵编码器组成，在编码和解码阶段的完整压缩方案如图5所示。

在编码阶段期间，原始数据集最初被分割成不同的解剖区域，并且随后为每个区域生成优化的预测因子，自适应预测(AAP)模型使用一个系列的优化预测器进行去相关，然后发送残差数据用于熵编码。解码处理与编码处理刚好相反，然而由于每个预测器的系数已经存储在压缩数据内的报头中，所以可以在没有显著计算成本的情况下生成预测模型。无损压缩的特征在于可逆过程，其中解压缩数据在数值上与原始数据相同。

根据当前像素相关联的区域的类型，解码器切换到相应的预测器以生成预测值，该值被添加到存储的预测误差以重建原始数据。

本文中所描述的具体实施例仅仅是对本发明作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，例如使用其他的预测模型进行去相关操作，但是并不会偏离本发明精神或者超越所附权利书所定义的范围。

Claims (2)

1.一种基于人体解剖结构相似性的医学图像压缩算法，包括：

步骤1，获取CTC数据集；

步骤2，利用密度和解剖特征识别CTC数据集上特定的解剖区域，进行分割，完成数据集的预处理阶段，具体包括：

步骤2.1，识别扫描区域外的四个区域，即图像四个角落中具有-1024H的恒定密度的区域；从四个角点开始使用种子区域生长算法，然后通过简单地记录存储这些区域参数来表示区域之间的边界和实际扫描数据；

步骤2.2，对不同解剖区域进行分类，根据不同的密度值，将CTC数据集划分为9个主要类别，骨骼区域，软组织区域、空气区域、PVE区域、脂肪组织区域桌子区域、未定义区域和患者身外的空气区域；

步骤2.3，提取了整个身体和扫描区域以外的部分之后，基于它们的位置和本质特征将图像中的剩余像素分配给预定义类别中的一个；对图像进行直方图阈值处理，通过阈值将图像粗略分割为不同的区域；然后在这些区域应用基于密度的分割以避免错误分割；

步骤2.4，CTC数据集中的各个器官被区分开来了以后，使用基于它们的密度特征和先前的分割结果来识别骨，骨PVE，结肠，结肠PVE，身体PVE，衣服，桌子和外部空气区域，这些分割区域用于提供有用的信息来指导随后的分割过程，提取特定器官；使用基于密度和解剖特征的组合的分割来实现；在器官分割完成之后，身体区域内的剩余体素基于它们的密度特征被分配给脂肪组织或瘦肉组织；

步骤3，基于步骤2中的分割结果，随后生成针对每一个特定解剖区域优化的一系列预测器，然后将这些优化的预测器组成的自适应预测模型应用于整个数据集；

步骤3.1，选择线性预测模型，P＝β₀+β₁x₁+β₂x₂+…+β_Nx_N，其中P为预测值，β₀、β₁…β_N是预测模型的系数，对于软组织，空气和脂肪组织区域，N为58，而对于骨区域N为96；每个像素的优化系数可以通过最小均方原理计算，该过程在每个分割区域上重复；

步骤3.2，在XZ平面，为法线定义8个离散取向：0°、45°、90°、135°、180°、225°、270°、315°；如果实际角度不等于这8个角度中的一个，则将其量化为最接近的角度，为了避免在45°，135°，225°，和315°的像素缩放，为这些方向上的法线开发附加模板；

步骤3.3，确定了法线后，则基于立方体模板生成每个方向的预测值；在基于边缘的预测器中使用5个像素的模板大小，以便达到进度最大化，复杂度最小化；边缘区域的自适应模型是：M＝{A,P{P_T1，P_T2，P_T3，P_T4}}，其中A是特定角度，P是相应的预测因子；T1，T2,T3,T4是初始模板位置，使用旋转和平移生成其他模板；

步骤4，使用自适应预测模型进行去相关后，将轮廓码，预测器参数和残差数据发送到熵编码器；最终压缩文件包含头部和主体两部分；该文件的头部包含轮廓码，预测器参数，体素大小，切片数目和边界的参数，文件的主体包含残差数据。

2.根据权利要求1所述的一种基于人体解剖结构相似性的医学图像压缩算法，所述步骤2.3具体包括：

步骤2.3.1，对CTC数据集进行直方图阈值处理，分析图像的直方图，找到连续主峰之间的谷点，然后使用对应于谷点的强度值作为阈值将图像分割成不同的区域，具体包括：

步骤2.3.3.1，提取皮肤和皮下组织，使用侵蚀身体轮廓来确定皮下组织区域的位置，侵蚀步骤点的综述计算为：

步长＝(皮肤厚度+皮下组织厚度)/像素尺寸

步骤2.3.3.2，提取肺部区域，利用肺部在身体的位置特点，位于身体的上部，使用简单的阈值技术来提取顶部切片中的肺，基于这种初始分割结果，使用简单的自顶向下分割方法来实现肺的分割；

步骤2.3.3.3，提取肝脏区域，首先利用肝脏在身体的相对位置，去除肝脏周围的肌肉，使用阈值技术去除肝脏区域中的骨骼和肺部像素，应用解剖学和基于密度的规则去除非肝脏元素，实现肝脏区域的分割；

步骤2.3.3.4，提取肾部区域，肾脏是位于脊柱两侧的两个小器官，位于胸腔下面，根据肾的位置特征，在自上而下的序列切片中，通过跟踪肋骨来识别肾的顶部，接着定位随后切片中的肾，两个肾区表示为：

左肾:(xcos60°-zsin60°)(xcos60°-zsin60°)/(0.13h*0.13h)+(zcos60°+sin60°)(zcos60°+xsin60°)/(0.2v*0.2v)<＝1

右肾:(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)表示图像中像素点的坐标，h和v指身体区域的水平轴的长度和垂直轴的长度，cos和sin分别表示肾区域内的点与脊柱形成夹角的余弦值与正弦值；

步骤2.3.2，有些器官的密度范围比较接近，意味着直方图阈值法也不能正确地分割这些对象，此时基于解剖学的先验理论，利用各个器官在身体中的相对位置和形状，自动检测CTC数据集中的特定器官。