ebnnuqc醫(yī)學(xué)_圖像處理技術(shù)

1、^|Youhavetobelievethereisaway.Theancientssaid:“thekingdomofheavenistryingtoenter“.Onlywhenthereluctantstepbysteptogotoitstimemustbemanagedtogetonestepdownonlyhavestruggledtoachieveit.GuoGeTech醫(yī)學(xué)圖像處理技術(shù)摘要：隨著醫(yī)學(xué)成像和計(jì)算機(jī)輔助技術(shù)的發(fā)展

2、，從二維醫(yī)學(xué)圖像到三維可視化技術(shù)成為研究的熱點(diǎn)，本文介紹了醫(yī)學(xué)圖像處理技術(shù)的發(fā)展動(dòng)態(tài)，對(duì)圖像分割、紋理分析、圖像配準(zhǔn)和圖像融合技術(shù)的現(xiàn)狀及其發(fā)展進(jìn)行了綜述。在比較各種技術(shù)在相關(guān)領(lǐng)域中應(yīng)用的基礎(chǔ)上，提出了醫(yī)學(xué)圖像處理技術(shù)發(fā)展所面臨的相關(guān)問題及其發(fā)展方向。關(guān)鍵詞：醫(yī)學(xué)圖像處理；圖像分割；圖像配準(zhǔn)；圖像融合；紋理分析1引言近20多年來，醫(yī)學(xué)影像已成為醫(yī)學(xué)技術(shù)中發(fā)展最快的領(lǐng)域之一，其結(jié)果使臨床醫(yī)生對(duì)人體內(nèi)部病變部位的觀察更直接、更清晰，確診率也

3、更高。20世紀(jì)70年代初，XCT的發(fā)明曾引發(fā)了醫(yī)學(xué)影像領(lǐng)域的一場(chǎng)革命，與此同時(shí)，核磁共振成像象(MRI:MagicResonanceImaging)、超聲成像、數(shù)字射線照相術(shù)、發(fā)射型計(jì)算機(jī)成像和核素成像等也逐步發(fā)展。計(jì)算機(jī)和醫(yī)學(xué)圖像處理技術(shù)作為這些成像技術(shù)的發(fā)展基礎(chǔ)，帶動(dòng)著現(xiàn)代醫(yī)學(xué)診斷正產(chǎn)生著深刻的變革。各種新的醫(yī)學(xué)成像方法的臨床應(yīng)用，使醫(yī)學(xué)診斷和治療技術(shù)取得了很大的進(jìn)展，同時(shí)將各種成像技術(shù)得到的信息進(jìn)行互補(bǔ)，也為臨床診斷及生物醫(yī)學(xué)研究

4、提供了有力的科學(xué)依據(jù)。在目前的影像醫(yī)療診斷中主要是通過觀察一組二維切片圖象去發(fā)現(xiàn)病變體往往需要借助醫(yī)生的經(jīng)驗(yàn)來判定。至于準(zhǔn)確的確定病變體的空間位置、大小、幾何形狀及與周圍生物組織的空間關(guān)系僅通過觀察二維切片圖象是很難實(shí)現(xiàn)的。因此利用計(jì)算機(jī)圖象處理技術(shù)對(duì)二維切片圖象進(jìn)行分析和處理實(shí)現(xiàn)對(duì)人體器官、軟組織和病變體的分割提取、三維重建和三維顯示可以輔助醫(yī)生對(duì)病變體及其它感興趣的區(qū)域進(jìn)行定性甚至定量的分析可以大大提高醫(yī)療診斷的準(zhǔn)確性和可靠性。此外

5、它在醫(yī)療教學(xué)、手術(shù)規(guī)劃、手術(shù)仿真及各種醫(yī)學(xué)研究中也能起重要的輔助作用。本文對(duì)醫(yī)學(xué)圖像處理技術(shù)中的圖像分割、紋理分析、圖像配準(zhǔn)和圖像融合技術(shù)的現(xiàn)狀及其發(fā)展進(jìn)行了綜述。2醫(yī)學(xué)圖像三維可視化技術(shù)2.1三維可視化概述醫(yī)學(xué)圖像的三維可視化的方法很多，但基本步驟大體相同，如圖.。從#$&’(或超聲等成像系統(tǒng)獲得二維斷層圖像，然后需要將圖像格式（如0(#1&）轉(zhuǎn)化成計(jì)算機(jī)方便處理的格式。通過二維濾波，減少圖像的噪聲影響，提高信噪比和消除圖像的尾跡。采

6、取圖像插值方法，對(duì)醫(yī)學(xué)關(guān)鍵部位進(jìn)行各向同性處理，獲得體數(shù)據(jù)。經(jīng)過三維濾波后，不同組織器官需要進(jìn)行分割和歸類，對(duì)同一部位的不同圖像進(jìn)行配準(zhǔn)和融合，以利于進(jìn)一步對(duì)某感興趣部位的操作。根據(jù)不同的三維可視化要求和系統(tǒng)平臺(tái)的能力，選擇不同的方法進(jìn)行三維體繪制，實(shí)現(xiàn)三維重構(gòu)。3.1基于統(tǒng)計(jì)學(xué)的方法統(tǒng)計(jì)方法是近年來比較流行的醫(yī)學(xué)圖像分割方法。從統(tǒng)計(jì)學(xué)出發(fā)的圖像分割方法把圖像中各個(gè)像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量觀察到的圖像是對(duì)實(shí)際物體做

7、了某種變換并加入噪聲的結(jié)果因而要正確分割圖像從統(tǒng)計(jì)學(xué)的角度來看就是要找出以最大的概率得到該圖像的物體組合。用吉布斯（Gibbs）分布表示的Markov隨機(jī)場(chǎng)(MRF)模型能夠簡(jiǎn)單地通過勢(shì)能形式表示圖像像素之間的相互關(guān)系因此周剛慧等結(jié)合人腦MR圖像的空間關(guān)系定義Markov隨機(jī)場(chǎng)的能量形式然后通過最大后驗(yàn)概率(MAP)方法估計(jì)Markov隨機(jī)場(chǎng)的參數(shù)并通過迭代方法求解。層次MRF采用基于直方圖的DAEM算法估計(jì)標(biāo)準(zhǔn)有限正交混合(SFNM)

8、參數(shù)的全局最優(yōu)值并基于MRF先驗(yàn)參數(shù)的實(shí)際意義采用一種近似的方法來簡(jiǎn)化這些參數(shù)的估計(jì)。林亞忠等采用的混合金字塔Gibbs隨機(jī)場(chǎng)模型有效地解決了傳統(tǒng)最大后驗(yàn)估計(jì)計(jì)算量龐大和Gibbs隨機(jī)場(chǎng)模型參數(shù)無監(jiān)督及估計(jì)難等問題使分割結(jié)果更為可靠。3.2基于模糊集理論的方法醫(yī)學(xué)圖像一般較為復(fù)雜，有許多不確定性和不精確性，也即模糊性。所以有人將模糊理論引入到圖像處理與分析中，其中包括用模糊理論來解決分割問題?；谀：碚摰膱D形分割方法包括模糊閾值分割方

9、法、模糊聚類分割方法等。模糊閾值分割技術(shù)利用不同的S型隸屬函數(shù)來定義模糊目標(biāo)，通過優(yōu)化過程最后選擇一個(gè)具有最小不確定性的S函數(shù)，用該函數(shù)表示目標(biāo)像素之間的關(guān)系。這種方法的難點(diǎn)在于隸屬函數(shù)的選擇。模糊C均值聚類分割方法通過優(yōu)化表示圖像像素點(diǎn)與C各類中心之間的相似性的目標(biāo)函數(shù)來獲得局部極大值，從而得到最優(yōu)聚類。Venkateswarlu等[改進(jìn)計(jì)算過程，提出了一種快速的聚類算法。3.2.1基于模糊理論的方法模糊分割技術(shù)是在模糊集合理論基礎(chǔ)上

10、發(fā)展起來的它可以很好地處理MR圖像內(nèi)在的模糊性和不確定性而且對(duì)噪聲不敏感。模糊分割技術(shù)主要有模糊閾值、模糊聚類、模糊邊緣檢測(cè)等。在各種模糊分割技術(shù)中近年來模糊聚類技術(shù)特別是模糊C均值(FCM)聚類技術(shù)的應(yīng)用最為廣泛。FCM是一種非監(jiān)督模糊聚類后的標(biāo)定過程非常適合存在不確定性和模糊性特點(diǎn)的MR圖像。然而FCM算法本質(zhì)上是一種局部搜索尋優(yōu)技術(shù)它的迭代過程采用爬山技術(shù)來尋找最優(yōu)解因此容易陷入局部極小值而得不到全局最優(yōu)解。近年來相繼出現(xiàn)了許多改

11、進(jìn)的FCM分割算法其中快速模糊分割(FFCM)是最近模糊分割的研究熱點(diǎn)。FFCM算法對(duì)傳統(tǒng)FCM算法的初始化進(jìn)行了改進(jìn)用K均值聚類的結(jié)果作為模糊聚類中心的初值通過減少FCM的迭代次數(shù)來提高模糊聚類的速度。它實(shí)際上是兩次尋優(yōu)的迭代過程首先由K均值聚類得到聚類中心的次最優(yōu)解再由FCM進(jìn)行模糊聚類最終得到圖像的最優(yōu)模糊分割。3.2.2基于神經(jīng)網(wǎng)絡(luò)的方法按拓?fù)錂C(jī)構(gòu)來分神經(jīng)網(wǎng)絡(luò)技術(shù)可分為前向神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)。目前已有各種

12、類型的神經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)圖像分割如江寶釧等利用MRI多回波性采用有指導(dǎo)的BP神經(jīng)網(wǎng)絡(luò)作為分類器對(duì)腦部MR圖像進(jìn)行自動(dòng)分割。而Ahmed和Farag則是用自組織Kohenen網(wǎng)絡(luò)對(duì)CTMRI腦切片圖像進(jìn)行分割和標(biāo)注并將具有幾何不變性的圖像特征以模式的形式輸入到Kohenen網(wǎng)絡(luò)進(jìn)行無指導(dǎo)的體素聚類以得到感興趣區(qū)域。模糊神經(jīng)網(wǎng)絡(luò)(FNN)分割技術(shù)越來越多地得到學(xué)者們的青睞黃永鋒等提出了一種基于FNN的顱腦MRI半自動(dòng)分割技術(shù)僅對(duì)神經(jīng)網(wǎng)絡(luò)處理