ebnnuqc醫(yī)學_圖像處理技術

1、^|Youhavetobelievethereisaway.Theancientssaid:“thekingdomofheavenistryingtoenter“.Onlywhenthereluctantstepbysteptogotoitstimemustbemanagedtogetonestepdownonlyhavestruggledtoachieveit.GuoGeTech醫(yī)學圖像處理技術摘要：隨著醫(yī)學成像和計算機輔助技術的發(fā)展

2、，從二維醫(yī)學圖像到三維可視化技術成為研究的熱點，本文介紹了醫(yī)學圖像處理技術的發(fā)展動態(tài)，對圖像分割、紋理分析、圖像配準和圖像融合技術的現(xiàn)狀及其發(fā)展進行了綜述。在比較各種技術在相關領域中應用的基礎上，提出了醫(yī)學圖像處理技術發(fā)展所面臨的相關問題及其發(fā)展方向。關鍵詞：醫(yī)學圖像處理；圖像分割；圖像配準；圖像融合；紋理分析1引言近20多年來，醫(yī)學影像已成為醫(yī)學技術中發(fā)展最快的領域之一，其結果使臨床醫(yī)生對人體內部病變部位的觀察更直接、更清晰，確診率也

3、更高。20世紀70年代初，XCT的發(fā)明曾引發(fā)了醫(yī)學影像領域的一場革命，與此同時，核磁共振成像象(MRI:MagicResonanceImaging)、超聲成像、數(shù)字射線照相術、發(fā)射型計算機成像和核素成像等也逐步發(fā)展。計算機和醫(yī)學圖像處理技術作為這些成像技術的發(fā)展基礎，帶動著現(xiàn)代醫(yī)學診斷正產生著深刻的變革。各種新的醫(yī)學成像方法的臨床應用，使醫(yī)學診斷和治療技術取得了很大的進展，同時將各種成像技術得到的信息進行互補，也為臨床診斷及生物醫(yī)學研究

4、提供了有力的科學依據(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)生的經驗來判定。至于準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系僅通過觀察二維切片圖象是很難實現(xiàn)的。因此利用計算機圖象處理技術對二維切片圖象進行分析和處理實現(xiàn)對人體器官、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)生對病變體及其它感興趣的區(qū)域進行定性甚至定量的分析可以大大提高醫(yī)療診斷的準確性和可靠性。此外

5、它在醫(yī)療教學、手術規(guī)劃、手術仿真及各種醫(yī)學研究中也能起重要的輔助作用。本文對醫(yī)學圖像處理技術中的圖像分割、紋理分析、圖像配準和圖像融合技術的現(xiàn)狀及其發(fā)展進行了綜述。2醫(yī)學圖像三維可視化技術2.1三維可視化概述醫(yī)學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&）轉化成計算機方便處理的格式。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，對醫(yī)學關鍵部位進行各向同性處理，獲得體數(shù)據(jù)。經過三維濾波后，不同組織器官需要進行分割和歸類，對同一部位的不同圖像進行配準和融合，以利于進一步對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)平臺的能力，選擇不同的方法進行三維體繪制，實現(xiàn)三維重構。3.1基于統(tǒng)計學的方法統(tǒng)計方法是近年來比較流行的醫(yī)學圖像分割方法。從統(tǒng)計學出發(fā)的圖像分割方法把圖像中各個像素點的灰度值看作是具有一定概率分布的隨機變量觀察到的圖像是對實際物體做

7、了某種變換并加入噪聲的結果因而要正確分割圖像從統(tǒng)計學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隨機場(MRF)模型能夠簡單地通過勢能形式表示圖像像素之間的相互關系因此周剛慧等結合人腦MR圖像的空間關系定義Markov隨機場的能量形式然后通過最大后驗概率(MAP)方法估計Markov隨機場的參數(shù)并通過迭代方法求解。層次MRF采用基于直方圖的DAEM算法估計標準有限正交混合(SFNM)

8、參數(shù)的全局最優(yōu)值并基于MRF先驗參數(shù)的實際意義采用一種近似的方法來簡化這些參數(shù)的估計。林亞忠等采用的混合金字塔Gibbs隨機場模型有效地解決了傳統(tǒng)最大后驗估計計算量龐大和Gibbs隨機場模型參數(shù)無監(jiān)督及估計難等問題使分割結果更為可靠。3.2基于模糊集理論的方法醫(yī)學圖像一般較為復雜，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。模糊閾值分割技術利用不同的S型隸屬函數(shù)來定義模糊目標，通過優(yōu)化過程最后選擇一個具有最小不確定性的S函數(shù)，用該函數(shù)表示目標像素之間的關系。這種方法的難點在于隸屬函數(shù)的選擇。模糊C均值聚類分割方法通過優(yōu)化表示圖像像素點與C各類中心之間的相似性的目標函數(shù)來獲得局部極大值，從而得到最優(yōu)聚類。Venkateswarlu等[改進計算過程，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是在模糊集合理論基礎上

10、發(fā)展起來的它可以很好地處理MR圖像內在的模糊性和不確定性而且對噪聲不敏感。模糊分割技術主要有模糊閾值、模糊聚類、模糊邊緣檢測等。在各種模糊分割技術中近年來模糊聚類技術特別是模糊C均值(FCM)聚類技術的應用最為廣泛。FCM是一種非監(jiān)督模糊聚類后的標定過程非常適合存在不確定性和模糊性特點的MR圖像。然而FCM算法本質上是一種局部搜索尋優(yōu)技術它的迭代過程采用爬山技術來尋找最優(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。FFCM算法對傳統(tǒng)FCM算法的初始化進行了改進用K均值聚類的結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基于神經網絡的方法按拓撲機構來分神經網絡技術可分為前向神經網絡、反饋神經網絡和自組織映射神經網絡。目前已有各種

12、類型的神經網絡應用于醫(yī)學圖像分割如江寶釧等利用MRI多回波性采用有指導的BP神經網絡作為分類器對腦部MR圖像進行自動分割。而Ahmed和Farag則是用自組織Kohenen網絡對CTMRI腦切片圖像進行分割和標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網絡進行無指導的體素聚類以得到感興趣區(qū)域。模糊神經網絡(FNN)分割技術越來越多地得到學者們的青睞黃永鋒等提出了一種基于FNN的顱腦MRI半自動分割技術僅對神經網絡處理