醫(yī)學(xué)圖像處理技術(shù)概述

1、ifirt I ± 云丘.dfLDSiy »ir x rrwH醫(yī)學(xué)圖像處理技術(shù)概述樊尚春周游北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院，北京（100083）E-mail: zhouyou摘要：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(wèn)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；紋理分析中圖分類號(hào)：TP391; R318.51 .引言近20多年來(lái)，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

2、內(nèi)部病變部位的觀察更直接、更清晰，確診率也更高。20 世紀(jì)70年代初，X-CT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、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1。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)研究提供了有力的科學(xué)依據(jù)。因此，醫(yī)學(xué)圖像處理技術(shù)在國(guó)內(nèi)外都得到了快速的發(fā)展23。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

3、綜述。2醫(yī)學(xué)圖像分割醫(yī)學(xué)圖像分割就是一個(gè)根據(jù)區(qū)域間的相似或不同把圖像分割成若干區(qū)域的過(guò)程。目前，主要以各種細(xì)胞、組織與器官的圖像作為處理的對(duì)象， 圖像分割技術(shù)主要基于以下幾種理論 方法。2.1基于統(tǒng)計(jì)學(xué)的方法統(tǒng)計(jì)方法是近年來(lái)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(lái)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(guò)勢(shì)能形式表 示圖像像素之間的相互關(guān)系，因此

4、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(guò)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(guò)迭代方法求解。層次MRF5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）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(lái)簡(jiǎn)化這些參數(shù)的估計(jì)。林亞忠等6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(wú)監(jiān)督及估計(jì)難等問(wèn)題，使分割結(jié)果更為可靠。2.2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)上發(fā)展起來(lái)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

5、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(lái)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(guò)程，非常適合存在不確定性和模 糊性特點(diǎn)的MR圖像。然而，F(xiàn)CM算法本質(zhì)上是一種局部搜索尋優(yōu)技術(shù)，它的迭代過(guò)程采用爬 山技術(shù)來(lái)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(lái)相繼出現(xiàn)了許多改進(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(guò)減少FCM的迭代次數(shù)來(lái)提

6、高模糊聚類的速度。它實(shí)際上是兩次 尋優(yōu)的迭代過(guò)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。2.3基于神經(jīng)網(wǎng)絡(luò)的方法按拓?fù)錂C(jī)構(gòu)來(lái)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8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Farag9則 是用自組織Kohenen網(wǎng)絡(luò)對(duì)CT/MRI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(wú)指導(dǎo)的體素聚類，以得到感興趣區(qū)

7、域。模糊神經(jīng)網(wǎng)絡(luò)（FNN）分割技術(shù)越來(lái)越多地得到學(xué)者們的青睞，黃永鋒等10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)處理前和處理后的數(shù)據(jù)進(jìn)行模糊化和去模糊化， 其分割結(jié)果表明FNN分割技術(shù)的抗噪和抗模糊能力更強(qiáng)。2.4基于知識(shí)的方法基于知識(shí)的分割方法主要包括兩方面的內(nèi)容:（1）知識(shí)的獲取，即歸納提取相關(guān)知識(shí)，建 立知識(shí)庫(kù)；（2）知識(shí)的應(yīng)用，即有效地利用知識(shí)實(shí)現(xiàn)圖像的自動(dòng)分割。其知識(shí)來(lái)源主要有:（1）臨床知識(shí)，即某種疾病的癥狀及它們所處的位置；（2）解剖學(xué)知識(shí)，即某器官的解剖學(xué)和形態(tài)學(xué)信息，及其幾何學(xué)與拓?fù)鋵W(xué)的關(guān)系，這種知識(shí)通常用圖譜表示；（3）成像知識(shí),這類知識(shí)與成像方法和

8、具體設(shè)備有關(guān)；（4）統(tǒng)計(jì)知識(shí)，如M I的質(zhì)子密度（PD）、T1和T2統(tǒng)計(jì)數(shù)據(jù)。Costin等11提出了一種基于知識(shí)的模糊分割技術(shù)，首先對(duì)圖像進(jìn)行模糊化處理，然后利用相應(yīng)的知識(shí) 對(duì)各組織進(jìn)行模糊邊緣檢測(cè)。而謝逢等12則提出了一種基于知識(shí)的人腦三維醫(yī)學(xué)圖像分割顯示的方法。首先，以框架為主要表示方法，建立完整的人腦三維知識(shí)模型，包含腦組織幾何 形態(tài)、生理功能、圖像灰度三方面的信息；然后，采用“智能光線跟蹤”方法，在模型知識(shí)指 導(dǎo)下直接從體積數(shù)據(jù)中提取并顯示各組織器官的表面。2.5基于模型的方法該方法根據(jù)圖像的先驗(yàn)知識(shí)建立模型，有動(dòng)態(tài)輪廓模型（Active Con tour Model ,又稱Snak

9、e）、組合優(yōu)化模型等，其中Snake最為常用。Snake算法的能量函數(shù)采用積分運(yùn)算，具有較好的抗噪性,對(duì)目標(biāo)的局部模糊也不敏感，但其結(jié)果常依賴于參數(shù)初始化，不具有足夠的拓?fù)?適應(yīng)性,因此很多學(xué)者將Snake與其它方法結(jié)合起來(lái)使用，如王蓓等13利用圖像的先驗(yàn)知識(shí) 與Snake結(jié)合的方法,避開(kāi)圖像的一些局部極小點(diǎn)，克服了 Snake方法的一些不足。Raquel等14 將徑向基網(wǎng)絡(luò)（RBFNN cc）與Snake相結(jié)合建立了一種混合模型，該模型具有以下特點(diǎn):（1）該混合模型是靜態(tài)網(wǎng)絡(luò)和動(dòng)態(tài)模型的有機(jī)結(jié)合；（2） Snake的初始化輪廓由RBFNN cc提供；（3） Snake的初始化輪廓給出了最佳的

10、控制點(diǎn)；（4）Snake的能量方程中包含了圖像的多譜信息。Luo等15提出了一種將live wire算法與Snake相結(jié)合的醫(yī)學(xué)圖像序列的交互式分割算法， 該算法的特點(diǎn)是在少數(shù)用戶交互的基礎(chǔ)上，可以快速可靠地得到一個(gè)醫(yī)學(xué)圖像序列的分割結(jié) 果。由于醫(yī)學(xué)圖像分割問(wèn)題本身的困難性，目前的方法都是針對(duì)某個(gè)具體任務(wù)而言的，還沒(méi)有一個(gè)通用的解決方法。綜觀近幾年圖像分割領(lǐng)域的文獻(xiàn)，可見(jiàn)醫(yī)學(xué)圖像分割方法研究的幾個(gè)顯著特點(diǎn)：（1）學(xué)者們逐漸認(rèn)識(shí)到現(xiàn)有任何一種單獨(dú)的圖像分割算法都難以對(duì)一般圖像 取得比較滿意的結(jié)果，因而更加注重多種分割算法的有效結(jié)合；（2）在目前無(wú)法完全由計(jì)算機(jī)來(lái)完成圖像分割任務(wù)的情況下，半自動(dòng)的

11、分割方法引起了人們的廣泛注意，如何才能充分利用計(jì)算機(jī)的運(yùn)算能力，使人僅在必要的時(shí)候進(jìn)行必不可少的干預(yù)，從而得到滿意的分割結(jié)果是交互式分割方法的核心問(wèn)題；（3）新的分割方法的研究主要以自動(dòng)、精確、快速、 自適應(yīng)和魯棒性等幾個(gè)方向作為研究目標(biāo)，經(jīng)典分割技術(shù)與現(xiàn)代分割技術(shù)的綜合利用（集成技術(shù)）是今后醫(yī)學(xué)圖像分割技術(shù)的發(fā)展方向。3. 醫(yī)學(xué)圖像配準(zhǔn)和融合醫(yī)學(xué)圖像可以分為解剖圖像和功能圖像2個(gè)部分。解剖圖像主要描述人體形態(tài)信息，功能圖像主要描述人體代謝信息。為了綜合使用多種成像模式以提供更全面的信息，常常需要將有效信息進(jìn)行整合。整合的第一步就是使多幅圖像在空間域中達(dá)到幾何位置的完全對(duì)應(yīng)， 這一步驟稱為“配

12、準(zhǔn)”。整合的第二步就是將配準(zhǔn)后圖像進(jìn)行信息的整合顯示，這一步驟稱 為“融合”。3.1醫(yī)學(xué)圖像配準(zhǔn)醫(yī)學(xué)圖像配準(zhǔn)包括圖像的定位和轉(zhuǎn)換16，即通過(guò)尋找一種空間變換使兩幅圖像對(duì)應(yīng)點(diǎn)達(dá)到空間位置上的配準(zhǔn)，配準(zhǔn)的結(jié)果應(yīng)使兩幅圖像上所有關(guān)鍵的解剖點(diǎn)或感興趣的關(guān)鍵點(diǎn)達(dá) 到匹配。20世紀(jì)90年代以來(lái)，醫(yī)學(xué)圖像配準(zhǔn)的研究受到了國(guó)內(nèi)外醫(yī)學(xué)界和工程界的高度重視， 1993年P(guān)etra等17綜述了二維圖像的配準(zhǔn)方法，并根據(jù)配準(zhǔn)基準(zhǔn)的特性，將圖像配準(zhǔn)的方法 分為兩大類：基于外部特征（有框架）的圖像配準(zhǔn)和基于內(nèi)部特征（無(wú)框架）的圖像配準(zhǔn)。 基于外部特征的方法包括立體定位框架法、面膜法及皮膚標(biāo)記法等。 基于外部特征的圖像配準(zhǔn)

13、，簡(jiǎn)單易行，易實(shí)現(xiàn)自動(dòng)化，能夠獲得較高的精度， 可以作為評(píng)估無(wú)框架配準(zhǔn)算法的標(biāo)準(zhǔn)。 但對(duì)標(biāo)記物的放置要求高， 只能用于同一患者不同影像模式之間的配準(zhǔn)，不適用于患者之間和患者圖像與圖譜之間的配準(zhǔn)，不能對(duì)歷史圖像做回溯性研究?；趦?nèi)部特征的方法是根據(jù)一些用戶能識(shí)別出的解剖點(diǎn)、 醫(yī)學(xué)圖像中相對(duì)運(yùn)動(dòng)較小的結(jié)構(gòu)及圖像內(nèi)部體素的灰度信息進(jìn) 行配準(zhǔn)?；趦?nèi)部特征的方法包括手工交互法、對(duì)應(yīng)點(diǎn)配準(zhǔn)法、結(jié)構(gòu)配準(zhǔn)法、矩配準(zhǔn)法及相 關(guān)配準(zhǔn)法。基于內(nèi)部特征的圖像配準(zhǔn)是一種交互性方法，可以進(jìn)行回顧性研究， 不會(huì)造成患者不適，故基于內(nèi)部特征的圖像配準(zhǔn)成為研究的重點(diǎn)。近年來(lái)，醫(yī)學(xué)圖像配準(zhǔn)技術(shù)有了新的進(jìn)展，在配準(zhǔn)方法上應(yīng)用了信

14、息學(xué)的理論和方法，例如應(yīng)用最大化的互信息量作為配準(zhǔn)準(zhǔn)則進(jìn)行圖像的配準(zhǔn)，在配準(zhǔn)對(duì)象方面從二維圖像發(fā)展到三維多模醫(yī)學(xué)圖像的配準(zhǔn)。例如Luo等18利用最大互信息法對(duì) CT-MR和MR-PET三維全腦數(shù)據(jù)進(jìn)行了配準(zhǔn)，結(jié)果全部達(dá)到亞像素級(jí)配準(zhǔn)精度。在醫(yī)學(xué)圖像配準(zhǔn)技術(shù)方面引入信號(hào)處理技術(shù)，例如傅氏變換和小波變換。小波技術(shù)在空間和頻域上具有良好的局部特性，在空間和頻域都具有較高的分辨率，應(yīng)用小波技術(shù)多分辨地描述圖像細(xì)貌，使圖像由粗到細(xì)的分級(jí)快速匹配，是近年來(lái)醫(yī)學(xué)圖像配準(zhǔn)的發(fā)展之一。國(guó)內(nèi)外學(xué)者在這方面作了大量的工作，如 Sharman等19提出了一種基于小波變換的自動(dòng)配準(zhǔn)剛體圖像方法，使用小波變換獲得多模圖

15、像特征點(diǎn)然后進(jìn)行圖像配準(zhǔn)，提高了配準(zhǔn)的準(zhǔn)確性。 另外，非線性配準(zhǔn)也是近年來(lái)研究的熱點(diǎn)，它對(duì)于非剛性對(duì)象的圖像配準(zhǔn)更加適用，配準(zhǔn)結(jié)果更加準(zhǔn)確20。目前許多醫(yī)學(xué)圖像配準(zhǔn)技術(shù)主要是針對(duì)剛性體的配準(zhǔn)，非剛性圖像的配準(zhǔn)雖然已經(jīng)提出一些解決的方法， 但同剛性圖像相比還不成熟。 另外，醫(yī)學(xué)圖像配準(zhǔn)缺少實(shí)時(shí)性和準(zhǔn)確性及 有效的全自動(dòng)的配準(zhǔn)策略。向快速和準(zhǔn)確方面改進(jìn)算法，使用最優(yōu)化策略改進(jìn)圖像配準(zhǔn)以及 對(duì)非剛性圖像配準(zhǔn)的研究是今后醫(yī)學(xué)圖像配準(zhǔn)技術(shù)的發(fā)展方向。3.2醫(yī)學(xué)圖像融合醫(yī)學(xué)圖像的融合可分為圖像融合的基礎(chǔ)和融合圖像的顯示21。（ 1）圖像融合的基礎(chǔ)：目前的圖像融合技術(shù)可以分為2大類，一類是以圖像像素為基礎(chǔ)的

16、融合法；另一類是以圖像特征為基礎(chǔ)的融合方法。以圖像像素為基礎(chǔ)的融合法模型可以表示為：F（i,j）=Ws1（i,j）S1（i,j）+Ws2（i,j）S2（i,j）Wd，j）=Ws2（i,j）=1其中，F(xiàn)（i,j）為融合圖像，$（門(mén)）、S2（i,j）為源圖像， Ws1（i,j）、Ws2（i,j）為相應(yīng)的權(quán)重。以圖像特征為基礎(chǔ)的融合方法在原理上不夠直觀且算法復(fù)雜，但是其實(shí)現(xiàn)效果較好。圖像融合的步驟一般為： 將源圖像分別變換至一定變換域上；在變換域上設(shè)計(jì)一定特征選擇規(guī)則；根據(jù)選取的規(guī)則在變換域上創(chuàng)建融合圖像；逆變換重建融合圖像。（2）融合圖像的顯示：融合圖像的顯示方法可分成2種：空間維顯示和時(shí)間維顯示

17、。目前，醫(yī)學(xué)圖像融合技術(shù)中還存在較多困難與不足。首先，基本的理論框架和有效的廣義融合模型尚未形成。以致現(xiàn)有的技術(shù)方法還只是針對(duì)具體病癥、具體問(wèn)題發(fā)揮作用，通用性相對(duì)較弱。研究的圖像以CT、MRI、核醫(yī)學(xué)圖像為主，超聲等成本較低的圖像研究較少且研究主要集中于大腦、腫瘤成像等；其次，由于成像系統(tǒng)的成像原理的差異，其圖像采集 方式、格式以及圖像的大小、質(zhì)量、空間與時(shí)間特性等差異大，因此研究穩(wěn)定且精度較高的 全自動(dòng)醫(yī)學(xué)圖像配準(zhǔn)與融合方法是圖像融合技術(shù)的難點(diǎn)之一；最后，缺乏能夠客觀評(píng)價(jià)不同融合方法融合效果優(yōu)劣的標(biāo)準(zhǔn)，通常用目測(cè)的方法比較融合效果，有時(shí)還需要利用到醫(yī)生的經(jīng)驗(yàn)。在圖像融合技術(shù)研究中， 不斷有

18、新的方法出現(xiàn)，其中小波變換在圖像融合中的應(yīng)用，基于有限元分析的非線性配準(zhǔn)以及人工智能技術(shù)在圖像融合中的應(yīng)用將是今后圖像融合研究 的熱點(diǎn)與方向。隨著三維重建顯示技術(shù)的發(fā)展，三維圖像融合技術(shù)的研究也越來(lái)越受到重視，三維圖像的融合和信息表達(dá)，也將是圖像融合研究的一個(gè)重點(diǎn)。4. 醫(yī)學(xué)圖像紋理分析一般認(rèn)為圖像的紋理特征描述物體表面灰度或顏色的變化，這種變化與物體自身屬性有關(guān),是某種紋理基元的重復(fù)。Sklansky早在1978年給出了一個(gè)較為適合于醫(yī)學(xué)圖像的紋理定義：“如果圖像的一系列固有的統(tǒng)計(jì)特性或其它的特性是穩(wěn)定的、緩慢變化的或者是近似周 期的,那么則認(rèn)為圖像的區(qū)域具有不變的紋理”。紋理的不變性即指紋

19、理圖像的分析結(jié)果不 會(huì)受到旋轉(zhuǎn)、平移、以及其它幾何處理的影響。目前從圖像像素之間的關(guān)系角度，紋理分析方法主要包括以下幾種22。4.1統(tǒng)計(jì)法統(tǒng)計(jì)分析方法主要是基于圖像像素的灰度值的分布與相互關(guān)系，找出反映這些關(guān)系的特征?；驹硎沁x擇不同的統(tǒng)計(jì)量對(duì)紋理圖像的統(tǒng)計(jì)特征進(jìn)行提取。這類方法一般原理簡(jiǎn)單，較易實(shí)現(xiàn),但適用范圍受到限制。該方法主要適合醫(yī)學(xué)圖像中那些沒(méi)有明顯規(guī)則性的結(jié)構(gòu)圖 像，特別適合于具有隨機(jī)的、非均勻性的結(jié)構(gòu)。統(tǒng)計(jì)分析方法中，最常用的是共生矩陣法，其中有灰度共生矩陣(gray level co-occurrenee matrix , GLCM )和灰度一梯度共生矩陣。杜克大 學(xué)的R. V

20、oracek等23使用GLCM對(duì)肋間周邊區(qū)提取的興趣區(qū)(region of interest, ROI )進(jìn)行計(jì) 算，測(cè)出了有意義的紋理參數(shù)。另外，還有長(zhǎng)游程法(run length matrix ,RLM ),其紋理特征包 括短游程優(yōu)勢(shì)、長(zhǎng)游程優(yōu)勢(shì)、灰度非均勻化、游程非均勻化、游程百分比等，長(zhǎng)游程法是對(duì)圖像灰度關(guān)系的高階統(tǒng)計(jì)，對(duì)于給定的灰度游程，粗的紋理具有較大的游程長(zhǎng)度，而細(xì)的紋理 具有較小的游程長(zhǎng)度。4.2結(jié)構(gòu)法結(jié)構(gòu)分析方法是分析紋理圖像的結(jié)構(gòu)，從中獲取結(jié)構(gòu)特征。結(jié)構(gòu)分析法首先將紋理看成是有許多紋理基元按照一定的位置規(guī)則組成的，然后分兩個(gè)步驟處理(1)提取紋理基元；(2)推論紋理基元位置

21、規(guī)律。目前主要用數(shù)學(xué)形態(tài)學(xué)方法處理紋理圖像，該方法適合于規(guī)則和周 期性紋理,但由于醫(yī)學(xué)圖像紋理通常不是很規(guī)則，因此該方法的應(yīng)用也受到限制，實(shí)際中較少 采用。4.3模型法模型分析方法認(rèn)為一個(gè)像素與其鄰域像素存在某種相互關(guān)系，這種關(guān)系可以是線性的， 也可以是符合某種概率關(guān)系的。模型法通常有自回歸模型、馬爾科夫隨機(jī)場(chǎng)模型、Gibbs隨機(jī)場(chǎng)模型、分形模型,這些方法都是用模型系數(shù)來(lái)表征紋理圖像，其關(guān)鍵在于首先要對(duì)紋理圖 像的結(jié)構(gòu)進(jìn)行分析以選擇到最適合的模型，其次為如何估計(jì)這些模型系數(shù)。如何通過(guò)求模型 參數(shù)來(lái)提取紋理特征，進(jìn)行紋理分析，這類方法存在著計(jì)算量大，自然紋理很難用單一模型表 達(dá)的缺點(diǎn)。4.4頻譜

22、法頻譜分析方法主要基于濾波器理論，包括傅立葉變換法、Gabor變換法和小波變換法。1973年Bajcsy使用傅立葉濾波器方法分析紋理。Indhal等利用2-D快速傅立葉變換對(duì)紋理圖像 進(jìn)行頻譜分析24,從而獲得紋理特征。該方法只能完成圖像的頻率分解，因而獲得的信息不是很充分。1980年Laws對(duì)圖像進(jìn)行傅氏變換，得出圖像的功率譜，從而提取紋理特征進(jìn)行分 析。Gabor函數(shù)可以捕捉到相當(dāng)多的紋理信息，且具有極佳的空間/頻域聯(lián)合分辨率，因此在實(shí) 際中獲得了較廣泛的應(yīng)用。小波變換法大體分金子塔形小波變換法和樹(shù)形小波變換法(小波包法)。小波變換在紋理分析中的應(yīng)用是Mallat在1989年首先提出的，主

23、要用二值小波變換(Discrete Wavelet Transform, DWT ),之后各種小波變換被用于抽取紋理特征。傳統(tǒng)的金字塔 小波變換在各分解級(jí)僅對(duì)低頻部分進(jìn)行分解，所以利用金字塔小波變換進(jìn)行紋理特征提取是 僅利用了紋理圖像低頻子帶的信息，但對(duì)某些紋理，其中高頻子帶仍含有有關(guān)紋理的重要特 征信息(如對(duì)具有明顯的不規(guī)則紋理的圖像，即其高頻子帶仍含有有關(guān)紋理的重要特征)得不 到利用。使用在每個(gè)分解級(jí)對(duì)所有的頻率通道均進(jìn)行分解的完全樹(shù)結(jié)構(gòu)小波變換提取特征， 能夠較全面地提取有關(guān)紋理特征。由于醫(yī)學(xué)圖像及其紋理的復(fù)雜性，目前還不存在通用的適合各類醫(yī)學(xué)圖像進(jìn)行紋理分析的方法，因而對(duì)于各類不同特點(diǎn)

24、的醫(yī)學(xué)圖像就必須采取有針對(duì)性地最適合的紋理分析技術(shù)。 另外，在應(yīng)用某一種紋理分析方法對(duì)圖像進(jìn)行分析時(shí)，尋求最優(yōu)的紋理特征與紋理參數(shù)也是目前醫(yī)學(xué)圖像紋理分析中的重點(diǎn)和難點(diǎn)。5. 總結(jié)隨著遠(yuǎn)程醫(yī)療技術(shù)的蓬勃發(fā)展，對(duì)醫(yī)學(xué)圖像處理提出的要求也越來(lái)越高。醫(yī)學(xué)圖像處理技術(shù)發(fā)展至今，各個(gè)學(xué)科的交叉滲透已是發(fā)展的必然趨勢(shì)，其中還有很多亟待解決的問(wèn)題。有效地提高醫(yī)學(xué)圖像處理技術(shù)的水平，與多學(xué)科理論的交叉融合、 醫(yī)務(wù)人員和理論技術(shù)人員之間的交流就顯得越來(lái)越重要。多維、多參數(shù)以及多模式圖像在臨床診斷（包括病灶檢測(cè)、 定性，臟器功能評(píng)估，血流估計(jì)等）與治療（包括三維定位、體積計(jì)算、外科手術(shù)規(guī)劃等） 中將發(fā)揮更大的作用

25、。參考文獻(xiàn)1 P. Suetens. Fundamentals of Medical lmagingM. Cambridge University Press ，2002.2 劉俊敏，黃忠全，王世耕，張穎.醫(yī)學(xué)圖像處理技術(shù)的現(xiàn)狀及發(fā)展方向J.醫(yī)療衛(wèi)生設(shè)備，2005,VOI26(12) : 25-26.3 田婭，饒妮妮，蒲立新.國(guó)內(nèi)醫(yī)學(xué)圖像處理技術(shù)的最新動(dòng)態(tài)J.電子科技大學(xué)學(xué)報(bào)，2002, V0I31 (5):485-489.4 周剛慧，施鵬飛.磁共振圖像的隨機(jī)場(chǎng)分割方法J.上海交通大學(xué)學(xué)報(bào)，2001, VOI35 ( 11): 1655.5 Zhang HM，Yuan ZJ，Cai ZM. S

26、egmentation of MRI using hierarchical markov random fieldJ. Journal of Software，2002，Vol13 (9): 1779.6 林亞忠，陳武凡，楊豐.基于混合金字塔吉布斯隨機(jī)場(chǎng)模型的圖像分割J.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2004，Vol23 (1) : 79.7 聶生東，陳瑛，顧順德.磁共振顱腦圖像快速模糊聚類分割算法研究J.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2001,Vol20 ( 2) : 104.8 江寶釧，張鈞良.基于BP神經(jīng)網(wǎng)絡(luò)的MRI分割J.微機(jī)發(fā)展，2000, Vol1 : 67.9 Ahmed MN , Farag

27、A. Two-stage neural network for volume segmentation of medical imagesJ. Proceedings of IEEE International Conference on Neural Networks , 1997, Vol28 (3): 1373.10 黃永峰，岑康，司京玉等.模糊神經(jīng)網(wǎng)絡(luò)在顱腦磁共振圖像分割中的應(yīng)用研究J.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2003, Vol22 (6) : 508.11 Costin H , Rotariu CR. Knowledge-based contour detection in medic

28、al imaging using fuzzy logicJ. International Symposium on SCS ，2003, 1: 273.12 謝逢，羅立民，田雪琴.基于知識(shí)的人腦三維醫(yī)學(xué)圖像分割顯示方法J.生物醫(yī)學(xué)工程學(xué)雜志，1997,Vol14 ( 2) : 124.13 王蓓，張立明.利用圖像先驗(yàn)知識(shí)與Snake結(jié)合對(duì)心臟序列圖像的分割J.復(fù)旦大學(xué)學(xué)報(bào)(自然科學(xué)版)，2003, Vol42 ( 1): 81.14 Raquel VC , Veronica MB , Oscar YS. Coupling of radial-basis network and active c

29、ontour model for multi spectral brain MRI segmentationJ. IEEE Transactions on Biomedical Engineering , 2004, Vol51 (3): 459.15 Luo XP , Tian J , Lin Y . An algorithm for segmentation of medical image series based on active contour modelJ. Journal of Software , 2002, Vol13 (6) : 1050.16 Hallpike L ,

30、Hawkes DJ. Medical image registration: An overviewJ. Br Institute Radiol , 2004, Vol14 (6): 455-463.17 Petra A, Elsen V. Medical Image maching: A review with classificationJ. IEEE Trans Med Image , 1993, Vol12 ( 3) : 26-39.Luo Shuo-qian , Li Xiang. Implementation of mutual information based multi-mo

31、dality medical image registrationA. Eng Med Bill Soc Proc 22 nd Ann Int Conf IEEEC. Navy Pier Convention Center Chicago , Illinois , USA : The Institute of Electrical and Electrical and Electronics Engineers , Ind , 2000, 2: 1447-1450.-7-ifirt I ± 云丘.dfLDSiyx rrwH.wv a m*v*w *w18 Sharman R, Tyl

32、er JM , Pianykh OL , et al. A fast and accurate to method to register medical images using wavelet modulus maximaJ. Patt Recog Lett , 2000, 21： 447-462.19 Lester H, Arridge SR. A Survey of hierarchicl non-linear medical image registration. Pattern Recognition , 1999, 32: 129-149.20 盧健，胡志忠，楊如乃.醫(yī)學(xué)圖像融合技術(shù)的研究J.上海生物醫(yī)學(xué)工程，2006, Vol27 ( 3): 163-167.21 王新成.高級(jí)圖像處理技術(shù)M.北京：中國(guó)科學(xué)技術(shù)出版社，2001.22 R Voracek, H P McAdams , C E Floyd. Computer Aided Diagnosis of Interstitial Lung Disease: a