《医学在图像中的应用》由会员分享，可在线阅读，更多相关《医学在图像中的应用（11页珍藏版）》请在金锄头文库上搜索。
1、医学在图像中的应用李金妍摘要：文章介绍了医学图像处理的基本技术，对图像分割、图像拼接、伪彩色处理和纹理分析技术进行了综述。医学治疗在医学图象处理技术的帮助下，对人体内部病变部位的观察更直接、更清晰，确诊率也更高关键字： 医学图像处理；图像分割；图像拼接；伪彩色处理；纹理分析中国分类号： TP317.4 In the application of medical imageAbstract: the article introduces the basic technology of medical image processing, image segmentation, image mosa
2、icing, false color processing and texture analysis technique was reviewed in this paper. Medical treatment in medical image processing with the help of technology, the lesion site inside human body of more directly, more clear observation, diagnose rate is also higherKey word: Medical Image Processi
3、ng ; image segmentation ; image mosaicing ; for color processing ; texture analysis 医学在图像中的应用引言随着科技的进步，多学科交叉和融合已成为现代科学发展的突出特色和重要途径。自从显微镜问世以来，对医学图像的分析已成为医学研究中的重要方法，特别是电脑技术的发展以及X- CT、MRI 、PET、SPECT 等新型成像技术和设备的出现，使得医学图像处理技术对医学科研及临床实践的作用和影响日益增大，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。医学图像处理的基本技术主要是对图像分割、图像配准
4、、图像融合、伪彩色处理和图像的纹理分析。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。因此，医学图像处理技术一直受到国内外有关专家的高度重视。图像分割技术医学图像分割就是研究如何针对各种图像快速帮助医生将感兴趣的物体（病变组织等）提取出来，帮助医生能够对病变组织进行定性及定量的分析，从而提高医生诊断的准确性和科学性，从而在此基础上进行诸如病理学、病变组织的三维重建等一系列的后续研究工作成为可能 1
5、。因此，医学图像分割是一个非常基础的工作，但又是极其重要的研究领域。基于特定理论的图像分割方法具有严密的理论基础，能够更好地对图像进行分割处理，无论在运算速度还是分割精度方面与传统的图像分割方法相比都具有明显的优势。2.1 窄带法窄带法由 Adalsteinsson，Sethian 23等提出，该方法的基本思想是：通过仅演化水平集附近的很窄的带状区域水平集的函数值，也就是说只在这个带状区域中求解偏微分方程，从而达到减少计算量的目的。但是也存在如下问题：零水平集的位置在经过几次的迭代之后可能超出窄带的范围，需要把水平集函数重新初始化为符号距离函数。董建园4等提出一种基于策略演化水平集的图像分割方
6、法，该方法不需要计算符号距离函数和偏微分方程，水平集演化过程中避免了重新初始化水平集函数。这种方法特点主要有：（1） 通过直接计算能量函数来确定水平集的更新，而不是使用传统的求解偏微分方程的方法。（2）通过内外轮廓曲线上点的转换，使得曲线或者曲面进行扩展和收缩从而不需要扫描整个图像， 也不同于一般的窄带法。（3）该方法在一定程度上绕开了水平集方法图像分割的瓶颈，把问题的解决建立在新旧能量函数之差的计算上。但是该方法只能适用于分割单个目标，对多个目标分割则优势不明显。2.2 快速推进发基于传统水平集运算量大的缺陷，Sethian 等提出了快速推进法（ fast marching）能够极大提高运算
7、速度 5。该方法是通过求解 Eikonal 方程得到稳定解 6 。速度函数的设定能够使得零水平集演化在目标边界处停止，因此速度函数的选择成为影响图像分割质量的关键因素。快速推进法的不足之处在于：该方法的速度项和停止准则的选取没有充分考虑图像的全域信息，在图像灰度比较接近、图像边缘模糊的地方，分割效果不太理想。李鑫宇7等将水平集方法和快速推进法相结合，充分利用了水平集与快速推进法各自的优势，在提高分割准确性的同时运算量也得到降低。2.3 快速扫描法Zhao6等人提出利用快速扫描方法（fast sweeping method）来对 Eikonal 方程进行求以及符号距离函数（ SDF）的计算。该方
8、法的显著特点就是将计算的复杂程度由O（NlogN）降到O（N），其中N 为像素点个数。但快速扫描法对计算域有比较高的要求，在窄带水平集方法的应用中效果不是很理想。柳周8等将快速扫描法与窄带水平集法相结合，通过定义一种特殊的窄带和数据结构，对传统的扫描方法进行了改进，实验证明，该方法可以节省约一半的计算量。2.4 模糊连接法其基本思想是：通过将图像中具有相似性的像素集合起来构成一个区域，区域中每两个相邻像素连成一条边，该边隶属于感兴趣对象的程度可以用01 之间的数值来表示 9。表示这条边隶属于感兴趣区域大小的数值即是模糊连接度。通过将像素划分到与其模糊连接度最高的目标区域中，从而完成图像分割。杨
9、玲等 9采用模糊连接法对牙齿进行分割，克服了牙齿边界的模糊性，分割结果表明该方法能够有效地分割出单科牙齿，克服了畸形牙齿难以分割的问题。2.5 模糊阈值分割方法模糊阈值法由 S.K.Pal10等于1983 年提出，使用模糊数学来对灰度图像进行描述，定性地讨论了隶属函数窗宽对阈值选取的影响，图像分割的模糊阈值是通过对模糊率以及模糊熵的计算来选择的。 Murthy1112等又指出，阈值的选择不但与隶属函数窗宽有关，而且与隶属函数的分布特性有关。该方法中的阈值的确定依赖于隶属函数的选择，在隶属函数选定之后，阈值的选取则取决于隶属函数窗宽13。针对模糊阈值的选择问题，学者们做了大量的研究工作：汤春明等
10、 14采用基于最大信息熵的模糊阈值分割方法来寻找模糊分割中的最佳阈值，在对神经元干细胞序列图像中分裂细胞精细分割处理中，该方法能够较好地保留细胞形状特征， 能够对微小目标精细分割。模糊集分割技术与其他分割技术相结合来进行医学图像处理，这是模糊集理论在医学图像处理中的一个应用趋势。毕峰15等提出一种基于遗传模糊聚类的分割算法，利用遗传算法寻找初始聚类的中心值，这样就克服了模糊 C-均值聚类算法的缺陷，通过对超声图像的分割处理，取得比较好的分割效果。随着各种图像分割技术的发展以及新的理论在图像分割处理中的不断运用，医学图像分割在这些新理论、新技术、新工具的结合将会朝着自动、精确、快速、自适应性方向
11、发展，医学图像分割处理技术必然会进一步走向成熟。 图像拼接技术医学拼接在医学影像研究中有着广泛的应用。利用图片对器官整体研究时, 需要将具有重叠区域的多源信道所采集到的关于同一器官的图像进行图像配准、图像融合等图像拼接技术处理生成一副关于器官的立体影像图。3.1 图像拼接技术的原理图像拼接的基本问题是重叠区域的确定和如何使拼接后的两幅图像在拼接后不出现明显的“拼接缝”。然而这并不是像利用photoshop处理图像 , 只是凭借肉眼将两幅图像进行上下或左右的平移 , 达到视觉上的重叠区域融合就可以了。如果对视觉上已经感觉重叠融合到一起的两幅图像的边缘部分进行放大, 就会发现很多细节部分并没有重叠
12、。这样生成的图像原本一个病灶点可能会被误判为两个或体积更大, 原本清晰的边缘可能造成模糊迹象。这对医学影像的临床应用危害极大。 因此需要利用图像拼接技术对几幅需要拼接的图像进行量化拼接处理,从而摆脱视觉的显示。图像拼接技术可分三个步骤完成: 图像预处理；图像配准；图像融合3.2 图像预处理主要指对图像进行几何畸变校正和噪声点的抑制等, 让参考图像和待拼接图像不存在明显的几何畸变。在图像质量不理想的情况下进行图像拼接, 如果不经过图像预处理, 很容易造成一些误匹配。 图像预处理主要是为下一步图像配准做准备, 让图像质量能够满足图像配准的要求。3.3 图像配准主要指对参考图像和待拼接图像中的匹配信
13、息进行提取, 在提取出的信息中寻找最佳的匹配, 完成图像间的对齐。图像拼接的成功与否主要是图像的配准。待拼接的图像之间, 可能存在平移、旋转、缩放等多种变换或者大面积的同色区域等很难匹配的情况, 一个好的图像配准算法应该能够在各种情况下准确找到图像间的对应信息, 将图像对齐。 要求配准的结构能使两幅图像上所有的解剖点，或至少是所有具有诊断意义以及手术区域的点都达到匹配。目前医学图像配准方法有基于外部特征的图像配准（有框架）和基于图像内部特征的图像配准（无框架）两种方法。后者由于其无创性和可回溯性，已成为配准算法的研究中心。3.4 图像融合图像融合的主要目的是通过对多幅图像间的冗余数据的处理来提
14、高图像的可读性，对多幅图像间的互补信息的处理来提高图像的清晰度。多模态医学图像的融合把有价值的生理功能信息与精确的解剖结构结合在一起，可以为临床提供更加全面和准确的资料。融合图像的创建分为图像数据的融合与融合图像的显示两部分来完成。基于渐变因子的融合 , 即在重叠部分由第一幅图像慢慢过渡到第二幅图像; 基于颜色的融合, 此种方法对彩色图像比较方便, 它是用一种颜色融合算法来调整拼接线附近的颜色, 以使颜色能平滑过渡。不同的医学图像提供了相关脏器的不同信息，图像融合的潜力在于综合处理应用这些成像设备所得信息以获得新的有助于临床诊断的信息。利用可视化软件，对多种模态的图像进行图像融合，可以准确地确
15、定病变体的空间位置、大小、几何形状及它与周围生物组织之间的空间关系，从而及时高效地诊断疾病，也可以用在手术计划的制定、病理变化的跟踪、治疗效果的评价等方面。在放疗中，利用MR 图像勾勒画出肿瘤的轮廓线，也就是描述肿瘤的大小；利用 CT 图像计算出放射剂量的大小以及剂量的分布，以便修正治疗方案。在制定手术方案时， 对病变与周围组织关系的了解是手术成功与否的关键，所以CT 与MR 图像的融合为外科手术。 伪彩色处理技术对一幅黑白图像，人眼一般只能辨别出4到5比特的灰度级别，而人眼能辨别出上千种不同颜色。针对这一特点，人们往往将黑白图像经过处理变为彩色图像，充分发挥人眼对彩色的视觉能力，从而使观察者
16、能从图像中取得更多的信息，这就是伪彩色图像处理技术。纹理是人类视觉的一个重要组成部分，迄今为止还难以适当地为纹理建模。为此有关专家进行了大量的探索研究，但未能获得有关纹理的分析、分类、分割及其综合的有效解释。有研究针对肝脏疾病难以根除、危害面广的问题，采用灰度梯度共生矩阵的方法，分别提取纤维化肝组织和正常肝组织的CT 图像的纹理特征，提出了基于灰度梯度共生矩阵的小梯度优势、灰度均方差、灰度熵等参数作为图像的纹理特征量。通过选取的纹理参数，可以看到正常组和异常组之间存在显著性差异， 为纤维化 CT 图像临床诊断提供了依据。 医学图像大多是黑白图像，如X、CT、MRI 、B 超图像等。经过伪彩色处理技术，即密度分割技术，提高了对图像特征的识别。通过临床研究对 X 线图片、CT 图片、 MRI 图片、 B 超图片、电镜图片均进行了伪彩色技术的尝试，取得了良好的效果，部分图片经过处理后可以显现隐性病灶。例如对X 线图片，在乳腺照影中伪彩色处理能鉴别囊性病、良性和恶性肿瘤，同样，钡餐照影图片和各种X线图片也得到良好的诊断
