基于CT圖像的結(jié)腸分割綜述-2.0(曹劍釗)

1、基于CT圖像的結(jié)腸分割綜述1 引言1.1背景及來(lái)源結(jié)腸癌是最常見(jiàn)的消化道惡性腫瘤之一，占胃腸道腫瘤的第3位，好發(fā)部位為直腸及直腸與乙狀結(jié)腸交界處。超過(guò)90%的結(jié)腸癌是由結(jié)腸息肉長(zhǎng)期惡化而造成的。所以，盡量早的檢查出結(jié)腸息肉并治療是有效避免結(jié)腸癌的有效方法。傳統(tǒng)的光學(xué)結(jié)腸鏡檢查可以使息肉變得肉眼可見(jiàn)，便于醫(yī)生診斷，然而它的缺點(diǎn)也很明顯：給病人身體帶來(lái)很大的不適。隨著體繪制和可視化技術(shù)的成熟，虛擬結(jié)腸鏡(Virtual Colonoscopy ,VC)技術(shù)應(yīng)運(yùn)而生。它利用CT或者M(jìn)RI圖像，重建整個(gè)結(jié)腸內(nèi)腔的三維結(jié)構(gòu)，通過(guò)在整個(gè)結(jié)腸內(nèi)部進(jìn)行漫游來(lái)尋找檢測(cè)結(jié)腸內(nèi)壁上的突起及息肉等異常病變的結(jié)構(gòu)，模擬

2、傳統(tǒng)的光學(xué)結(jié)腸鏡檢查。虛擬結(jié)腸鏡具有非侵入性的特點(diǎn)，能夠很大程度地減少病人在檢查時(shí)的不適，適于早期體檢和腫瘤的早期發(fā)現(xiàn)。本課題來(lái)源于東軟醫(yī)療IT事業(yè)部的虛擬結(jié)腸鏡項(xiàng)目組，目的是實(shí)現(xiàn)對(duì)結(jié)腸CT圖像的準(zhǔn)確分割，進(jìn)而為提取中心線和后續(xù)虛擬內(nèi)窺做準(zhǔn)備，達(dá)到獨(dú)立開(kāi)發(fā)東軟虛擬結(jié)腸鏡軟件，配合東軟CT一同使用的目標(biāo)。1.2虛擬結(jié)腸鏡檢查過(guò)程虛擬結(jié)腸鏡檢查可以在擁有CT掃描儀的醫(yī)院門(mén)診部或治療中心進(jìn)行，檢查一般分為四個(gè)步驟。首先病人要進(jìn)行清腸準(zhǔn)備，一般是掃描的前3-4天只吃流食來(lái)避免結(jié)腸內(nèi)殘留食物，在掃描前一般還會(huì)進(jìn)食鋇餐來(lái)標(biāo)記結(jié)腸中沒(méi)被排凈得殘留物，同時(shí)醫(yī)生還會(huì)給病人置入一個(gè)直腸管，向結(jié)腸中灌入二氧化碳或空

3、氣以便能夠使結(jié)腸膨脹得到清楚的數(shù)據(jù)。第二步是給病人進(jìn)行CT掃描，一般都會(huì)掃描兩次，一次俯臥，一次仰臥，大約需要10-20分鐘，由放射科醫(yī)生在熟練技師的輔助下完成。掃描過(guò)程中，醫(yī)生會(huì)讓病人保持不動(dòng)，并且屏住呼吸幾秒鐘。第三步，對(duì)掃描出來(lái)的CT圖像進(jìn)行三維重建和一些預(yù)處理。這一步中，對(duì)結(jié)腸的準(zhǔn)確分割是最重要的一步，它直接決定后續(xù)檢查診斷的準(zhǔn)確性。最后一步就是利用面繪制或體繪制在結(jié)腸內(nèi)腔進(jìn)行虛擬漫游檢查息肉。2 研究現(xiàn)狀及問(wèn)題2.1研究現(xiàn)狀自1993 年Vining等人首次提出虛擬支氣管內(nèi)窺鏡以來(lái), 虛擬內(nèi)窺鏡技術(shù)已被應(yīng)用到許多臨床實(shí)驗(yàn)和各種醫(yī)學(xué)診斷中, 主要集中在那些具有空腔組織結(jié)構(gòu)的器官上, 如

4、結(jié)腸、氣管、血管、內(nèi)耳等。比較典型的應(yīng)用有美國(guó)GE Research & Development Center 開(kāi)發(fā)的虛擬內(nèi)窺鏡醫(yī)學(xué)應(yīng)用系統(tǒng)(VEMA) , 可以檢查人體的多個(gè)部位：虛擬結(jié)腸、虛擬支氣管和虛擬脈管。West Forest 大學(xué)虛擬內(nèi)窺鏡研究中心研發(fā)了一套Free Flight虛擬內(nèi)窺鏡軟件系統(tǒng)。美國(guó)Boston SurgicPlanning Laboratory 建立的一種虛擬耳窺鏡系統(tǒng), 以三維形式顯示耳的解剖結(jié)構(gòu)來(lái)模擬傳統(tǒng)內(nèi)窺鏡對(duì)內(nèi)耳的檢查過(guò)程。法國(guó)Laennec Hospital開(kāi)發(fā)的虛擬內(nèi)窺鏡系統(tǒng)主要用來(lái)對(duì)食管、喉進(jìn)行虛擬內(nèi)窺。國(guó)內(nèi)對(duì)虛擬內(nèi)窺鏡技術(shù)也十分重視,

5、目前許多重點(diǎn)大學(xué)和機(jī)構(gòu)都在研究。其中西北大學(xué)的交互式虛擬內(nèi)窺鏡系統(tǒng)、中國(guó)科學(xué)院自動(dòng)化所的3DMED 系統(tǒng)已初現(xiàn)成效；浙江大學(xué)、中國(guó)科技大學(xué)等高校也有相關(guān)的研究。檢查精度是計(jì)算機(jī)輔助診斷（CAD）必須面對(duì)的問(wèn)題。結(jié)腸體的分割是虛擬結(jié)腸鏡的檢查精度的直接影響因素，所以為了保證虛擬結(jié)腸鏡的檢查精度，必須保證結(jié)腸分割的準(zhǔn)確性和完整性。任何的結(jié)腸鏡技術(shù)，包括虛擬結(jié)腸鏡，都需要一個(gè)清腸的過(guò)程。如果結(jié)腸內(nèi)留有殘留物質(zhì)勢(shì)必會(huì)給檢查帶來(lái)不良影響，造成錯(cuò)誤的診斷，所以在結(jié)腸分割前都要有一個(gè)電子清腸的步驟。圖像分割是計(jì)算機(jī)圖像處理和計(jì)算機(jī)視覺(jué)中的一個(gè)經(jīng)典問(wèn)題，其本質(zhì)問(wèn)題尚未得到圓滿解決，至今仍沒(méi)有一個(gè)通用而且有效的

6、分割方法能夠滿足不同目的的需要。圖像分割的對(duì)象是各種數(shù)字圖像,它主要是根據(jù)圖像中一個(gè)或多個(gè)特征將圖像分為目標(biāo)區(qū)和背景區(qū),分割結(jié)果不但和處理儀器有關(guān)也和人本身的視覺(jué)特性有很大關(guān)系,其中圖像處理儀器受很多因素的干擾，使得圖像除了目標(biāo)外還存在隨機(jī)噪聲,同時(shí)人的視覺(jué)對(duì)灰度級(jí)別不是嚴(yán)格確定的，因此圖像分割是一種典型的結(jié)構(gòu)不良問(wèn)題。簡(jiǎn)單的閾值分割不能解決虛擬結(jié)腸鏡所要求的結(jié)腸分割，其原因有兩個(gè)：第一，CT成像技術(shù)自身所帶來(lái)的部分容積效應(yīng)（Partial Volume Effect），形成了很多PVE點(diǎn)，如圖1所示；第二，在虛擬結(jié)腸鏡檢查前做的清腸準(zhǔn)備不完全所導(dǎo)致的結(jié)腸內(nèi)有殘留食物或者糞便，而這些殘留物又增

7、加了PVE點(diǎn)，如圖2所示。這兩個(gè)問(wèn)題正是結(jié)腸分割面臨的最大問(wèn)題。 圖1 邊界的部分容積效應(yīng) 圖2 結(jié)腸內(nèi)部有殘留物2.2部分容積效應(yīng)介紹在同一掃描層面內(nèi)含有兩種或兩種以上不同密度而又互相重疊的物質(zhì)時(shí),則所得的CT值不能如實(shí)反映其中任何一種物質(zhì)的CT值，這種現(xiàn)象即為部分容積效應(yīng)（Partial Volume Effect）。從圖1可看出在結(jié)腸中黑色氣體部分和身體組織之間，氣體和白色標(biāo)記物之間，白色標(biāo)記物和身體組織之間都有一層PVE點(diǎn)，這些點(diǎn)都會(huì)直接影響分割結(jié)腸邊界的準(zhǔn)確性。3 圖像分割方法3.1基于聚類的方法聚類就是按一定的相似性度量準(zhǔn)則將數(shù)據(jù)劃分成多組具有同類性質(zhì)的子類，使得子類內(nèi)部的相似性大

8、于類間的相似性8。不同的出發(fā)點(diǎn)和準(zhǔn)則通常會(huì)導(dǎo)致不同的聚類算法分類法，一種粗略但被廣泛接受的分類法是根據(jù)生成聚類的特性將聚類分為層次方法(hierarchical clustering)和劃分方法(partitional clustering )13。層次方法通過(guò)創(chuàng)建一個(gè)層次將數(shù)據(jù)分解成給定的數(shù)據(jù)集，而劃分方法直接將數(shù)據(jù)劃分成預(yù)先指定類別數(shù)的子類，不需要?jiǎng)?chuàng)建層次結(jié)構(gòu)。臨近 (距離或相似性)度量是大部分聚類算法的基礎(chǔ)。主要的相似性度量方法有：Mlnkowski距離、Euclidean 距離、City-block距離、Sup距離、Mahalanobis距離、Pearson相關(guān)、點(diǎn)對(duì)稱距離和余弦相似性

9、。度量方法的選擇依賴于具體的聚類問(wèn)題。主要的聚類方法有：(1) 基于平方誤差的聚類，如K-means 算法14；(2) 基于混合密度的聚類，如期望最大(EM)算法15和高斯混合密度分解(GMDD)算法16；(3)基于圖論的聚類，如基于連通性核的聚類(CLICK)；(4) 基于組合搜索技術(shù)的聚類，如遺傳引導(dǎo)算法(CGA)；(5)模糊聚類，如模糊C均值聚類(FCM)17；(6)基于神經(jīng)網(wǎng)絡(luò)的方法，如自組織映射方法(SOM)；(7) 基于核的方法，如支持向量聚類(SVC)18。3.2基于活動(dòng)輪廓的方法活動(dòng)輪廓模型是目前圖像分割方法中的研究熱點(diǎn)，參數(shù)活動(dòng)輪廓模型(Snake模型)和幾何活動(dòng)輪廓模型(水

10、平集模型)是兩類常用的活動(dòng)輪廓模型。(1) 參數(shù)活動(dòng)輪廓模型Snake模型，即參數(shù)活動(dòng)輪廓模型(parametric active contour model， Snake)19，在感興趣區(qū)域(ROI)的圖像特征如邊緣或直線附近給出一條帶有能量的樣條曲線，通過(guò)使其能量最小化得到ROI的邊界，如公式(3.1): （3.1）它是一個(gè)求極小值曲線的泛函問(wèn)題，因此可以用Euler方程或通過(guò)優(yōu)化方法來(lái)求解。文章19用有限差分的方法離散Euler方程，得到了局部最優(yōu)解。該模型分割圖像時(shí)存在三個(gè)難點(diǎn):(1) 需要將初始輪廓線放置在ROI的邊界附近，且分割結(jié)果一般與初始輪廓線的位置和形狀有關(guān);(2) 難以分割

11、圖像中凹陷區(qū)域的邊界; (3)曲線在變形的過(guò)程中容易收斂于局部的梯度極大值或孤立的邊緣處。 (2) 幾何活動(dòng)輪廓模型參數(shù)活動(dòng)輪廓模型分割圖像時(shí)，要求初始輪廓線設(shè)置在ROI的邊界附近，且難以分割深度凹陷的區(qū)域，變形曲線在演變過(guò)程中，不能改變拓?fù)浣Y(jié)構(gòu)以分割多個(gè)目標(biāo)。文章24在Snake模型的基礎(chǔ)上，提出了測(cè)地線活動(dòng)輪廓模型，它與幾何活動(dòng)輪廓模型是等價(jià)的，如公式(3.2)： (3.2)稱為停止項(xiàng)，一般與Gaussian平滑后圖像梯度的強(qiáng)度有關(guān)，常取下式(3.3)： (3.3)類似于Snake模型中的氣球力；K為演化曲線的曲率，>0 為常數(shù)，曲率項(xiàng)就等價(jià)于Snake模型的剛性力，在曲線的演化過(guò)程

12、中，能平滑掉變形曲線曲率較大的部分；式中稱為邊界吸引項(xiàng)，表示作用于形變曲線的圖像數(shù)據(jù)力在法方向的投影，它將邊緣附近的零水平曲線吸引向圖像的邊緣。該模型能夠同時(shí)檢測(cè)多個(gè)目標(biāo)的邊界，對(duì)凹陷區(qū)域也能有效地分割。水平集(Level Set)是Hamilton-Jacobi方程的一種數(shù)值解法，它將圖像空間中的二維曲線嵌于三維空間曲面中，作為曲面的零水平集。當(dāng)曲面變形時(shí)，零水平曲線也隨之演變，這就解決了通過(guò)曲線拓?fù)浣Y(jié)構(gòu)的變化分割多個(gè)目標(biāo)的問(wèn)題，此外它還能夠表示任意復(fù)雜形狀的目標(biāo)邊界。水平集方法可應(yīng)用于圖像去噪與增強(qiáng)、圖像分割、圖像修復(fù)、運(yùn)動(dòng)目標(biāo)的跟蹤等方面。3.3紋理分割在圖像分析與機(jī)器視覺(jué)中，圖像分割是

13、一個(gè)基本但又困難的工作，而紋理分割又是圖像分割中的難題。目前，紋理還沒(méi)有一個(gè)準(zhǔn)確的定義，傳統(tǒng)的定義為相似結(jié)構(gòu)的重復(fù)，但是如何定義相似結(jié)構(gòu)也是個(gè)難題。準(zhǔn)確的模型需要考慮表面材料的視覺(jué)特性、光源的幾何特性和成像系統(tǒng)等。紋理分割方法大致可以分為兩類：一類是傳統(tǒng)的統(tǒng)計(jì)模型方法，即通過(guò)分析局部空間關(guān)系，如共生矩陣20、二階矩統(tǒng)計(jì)21、馬爾可夫隨機(jī)場(chǎng)22和局部線性變換；另一類是濾波理論方法，如Gabor濾波和小波變換。紋理分割過(guò)程一般分為如下兩步：特征抽取和特征建模。特征抽取在紋理分割過(guò)程中起相當(dāng)重要的作用?？梢哉f(shuō)，如果抽取的紋理特征能夠有效地區(qū)分不同紋理，那么紋理分割就變得很容易。目前還沒(méi)有一種簡(jiǎn)單有效

14、的方法，可以描述所有的紋理圖像，一方面是由于紋理圖像的情況太復(fù)雜，另一方面是由于對(duì)紋理的理解還不夠。人們一直不斷地嘗試著采用各種方法來(lái)描述紋理，力求對(duì)紋理的描述更準(zhǔn)確和符合人類的視覺(jué)特性。傳統(tǒng)的方法是用k階統(tǒng)計(jì)矩來(lái)描述紋理，Gabor濾波方法和隨機(jī)場(chǎng)方法也被廣泛用于描述紋理，最近總變差方法也被用于描述紋理。為了去除噪聲、封閉目標(biāo)結(jié)構(gòu)，還需要平滑特征圖像。簡(jiǎn)單的平滑方法有高斯平滑，更精確的邊緣保持平滑方法有非線性擴(kuò)散方法和邊界馬爾可夫隨機(jī)場(chǎng)方法。特征建模就是怎樣有效地利用得到的特征圖像分割紋理，以取得滿意的分割效果。主要的特征建模方法有：區(qū)域生長(zhǎng)，聚類和閾值，估計(jì)理論方法，變差方法等。3.4基于

15、圖論的圖像分割基于圖論的圖像分割技術(shù)是近年來(lái)國(guó)際上圖像分割領(lǐng)域的一個(gè)新的研究熱點(diǎn)。該方法將圖像映射為帶權(quán)無(wú)向圖，把像素視作節(jié)點(diǎn)，利用最小剪切準(zhǔn)則得到圖像的最佳分割。該方法本質(zhì)上將圖像分割問(wèn)題轉(zhuǎn)化為最優(yōu)化問(wèn)題，是一種點(diǎn)對(duì)聚類方法，對(duì)數(shù)據(jù)聚類也具有很好的應(yīng)用前景。令G =(V，E)表示一個(gè)無(wú)向圖，其中節(jié)點(diǎn)表示圖像像素，邊連接節(jié)點(diǎn)和。每條邊有一個(gè)相應(yīng)的非負(fù)權(quán)重，表示相鄰節(jié)點(diǎn)和間的不相似度。在圖像分割中，邊的權(quán)重表示兩個(gè)像素間的不相似性度量，如灰度、顏色、運(yùn)動(dòng)、位置或其他局部分布的差別。早期的基于圖論的方法利用固定闡值和局部度量分割圖像。Zahn于1971年提出了一種基于圖的最小生成樹(shù)的圖像分割方法。

16、Shi和Malik提出了一種規(guī)則化剪切準(zhǔn)則，它考慮了區(qū)域的自相似性。與早期的基于圖論的方法比較，具有捕捉圖像的非局部特性的能力，但是它的計(jì)算復(fù)雜度較高，實(shí)際應(yīng)用受到一定的限制。目前，基于圖論的圖像分割方法的研究主要集中在以下幾個(gè)方面：(1) 最優(yōu)剪切準(zhǔn)則的設(shè)計(jì)；(2)譜方法用于分割；(3) 快速算法的設(shè)計(jì)；(4)其他圖論分割方法。4 問(wèn)題分析4.1結(jié)腸分割流行算法醫(yī)學(xué)圖像的分割方法很多，大致可分為：(1) 基于區(qū)域的方法。這種方法通常基于如下假設(shè)：同一目標(biāo)區(qū)域的像素具有相似的特征，例如具有灰度的一致性。閾值法、K均值聚類方法、模糊C均值聚類方法、EM算法、基于Markov隨機(jī)場(chǎng)的方法、基于分水

17、嶺和區(qū)域合并的方法等都可劃分為這一類；(2) 基于邊緣的方法。該方法一般基于圖像的梯度信息來(lái)確定邊界，如各種基于梯度算子方法、基于小波的邊緣檢測(cè)方法、基于曲面擬和的方法等都屬于這一類；(3) 綜合區(qū)域和邊緣信息的方法，如結(jié)合梯度和區(qū)域信息的分割方法、區(qū)域競(jìng)爭(zhēng)法等。與前兩種方法相比，它能夠獲得更好的分割結(jié)果。這些方法用于準(zhǔn)備工作（清腸）做的較充分的病人的結(jié)腸分割上，由于分割技術(shù)相對(duì)成熟，數(shù)據(jù)噪聲較少，而且對(duì)結(jié)腸的灰度統(tǒng)計(jì)特性和空間占位特性研究比較充分，因而能夠得到令人滿意的分割效果。然而，醫(yī)生們經(jīng)常會(huì)遇到病人清腸工作做的不充分的情況，事先服用的鋇餐就會(huì)把結(jié)腸殘留物標(biāo)記出來(lái)，這種殘留物和空結(jié)腸混合

18、的結(jié)腸就會(huì)給結(jié)腸分割帶來(lái)很大麻煩：(1)增加了PVE點(diǎn)的影響；(2)容易導(dǎo)致結(jié)腸分割的不完整。為了解決這兩個(gè)問(wèn)題，今年來(lái)很多學(xué)者研究了很多不同的方法：例如Perry J 等人使用了混合分割方法，這種方法是運(yùn)用統(tǒng)計(jì)學(xué)算法通過(guò)計(jì)算模糊連通性來(lái)構(gòu)造一種Pocket tree，再使用零水平集進(jìn)行分割；LiHong Li 等人一直致力于使用期望最大化算法，這種全局的統(tǒng)計(jì)學(xué)算法的優(yōu)點(diǎn)就是計(jì)算精確，但是算法復(fù)雜，運(yùn)算時(shí)間較長(zhǎng)；Sarang Lakare 等人提出了一種分割射線的方法來(lái)尋找結(jié)腸邊界的方法，這種方法能夠很快的尋找邊界點(diǎn)并能有效的減小PVE點(diǎn)的影響；Robert L 等人使用模糊類聚和水平集相結(jié)合

19、的方法來(lái)分隔結(jié)腸外壁，但是算法計(jì)算量龐大，效率不高。4.2結(jié)腸分割擬解決方案基于上述問(wèn)題和本課題的需要，擬解決結(jié)腸分割方案如圖3所示：(1) 讀入CT圖像。(2) 分割出身體部分。(3) 消除肺部的影響。(4) 修正PVE邊界。(5) 尋找結(jié)腸內(nèi)部的殘留物。(6) 電子清腸并完成結(jié)腸分割。在擬算法中，第4步和第5步為核心，其中第4步中使用了Sarang Lakare 等人的分割射線方法來(lái)尋找邊界，第5步中使用了統(tǒng)計(jì)學(xué)中期望和方差與改進(jìn)K-Means方法來(lái)計(jì)算邊界點(diǎn)的歸屬問(wèn)題。第4步方法的核心是在CT掃描圖像中尋找不同物質(zhì)間邊界的特點(diǎn)，基于這種特點(diǎn)來(lái)確定是否為PVE點(diǎn)。在結(jié)腸的CT掃描圖像中我們

20、可以分為三種不同的邊界：空氣-組織，空氣-高亮，高亮-組織,如圖4所示。與Sarang Lakare等人使用的方法4不同處在于尋找分割射線的起始點(diǎn)。本文的方法是在橫斷面逐層尋找結(jié)腸氣體部分的輪廓，這樣在三維整個(gè)數(shù)據(jù)體中一個(gè)立體的輪廓就形成了，這個(gè)立體的輪廓的所有體素點(diǎn)即為分割射線的起始點(diǎn)。下一步就是從這些起始點(diǎn)開(kāi)始，逐點(diǎn)的構(gòu)造分割射線。如圖5所示，從起始點(diǎn)開(kāi)始，在此點(diǎn)空間六鄰域方向分別做射線（方便清楚演示圖示為二維四鄰域），逐點(diǎn)判斷是否為PVE點(diǎn)。沿著分割射線的方向，CT值曲線如圖6所示特點(diǎn)。依據(jù)這種特點(diǎn)，我們構(gòu)造了一種迭代，沿著射線逐個(gè)檢查每一個(gè)體素點(diǎn)與下一個(gè)與之相鄰的體素點(diǎn)的梯度，直到不符

21、合這種特點(diǎn)為止。需要注意的是空氣-高亮的邊界我們需要特別的強(qiáng)調(diào)，因?yàn)樵谶@里利用邊界特點(diǎn)還需要找到結(jié)腸中高亮部分的種子點(diǎn)?？諝?高亮邊界特點(diǎn)如圖7所示。 圖4 褶皺和三種不同交界 圖5 分割射線（二維） 圖6 空氣-組織交界處CT值曲線 圖7 空氣-高亮交界處CT值曲線從圖中可以看到空氣-高亮過(guò)渡的CT值變化較大，上升較快，最后到達(dá)高亮部分（LH）CT值趨于直線，這是區(qū)別于另外兩種交界處的不同特點(diǎn)，依據(jù)這種特點(diǎn)我們找出LH的種子點(diǎn)為后面分離結(jié)腸高亮部分做準(zhǔn)備。第5步我們擬采用改進(jìn)K-Means方法來(lái)計(jì)算高亮邊界點(diǎn)的歸屬問(wèn)題。前提是接到粗略分割數(shù)據(jù)體，把所有高亮邊界點(diǎn)看為是一個(gè)總體，而CT數(shù)據(jù)體每

22、一層的每一個(gè)高亮邊界圈看為總體的一個(gè)樣本，而后對(duì)每一個(gè)邊界點(diǎn)的六臨域的點(diǎn)進(jìn)行判斷。流程圖如圖7所示。圖7 擴(kuò)充邊界樣本庫(kù)流程圖5 參考文獻(xiàn)1 S. Lakare, M. Wan, M. Sato, and A. Kaufman, “3D Digital Cleansing Using Segmentation Rays,” in IEEE Visualization, pp. 3744, 2000.2 Perry J. Pickhardt, and J. Richard Choi,”Hybrid Segmentation of Colon Filled With Air andOpacifie

23、d Fluid for CT Colonography” IEEE Trans. Med. Imag, Vol. 25, No. 3, March 2006. 3 R. Gonzales and R. WoodsM, Digital Image Processing, Addison-Wesley 1992.4 Nappi J , Dachman AH , MacEneaney P , et al . Automated knowledge2guided segmentation of colonic walls for computerized detection of polyps in

24、CT colonography J .Comput Assist Tomogr ,2002 , 26 :493 - 504.5 S. Lakare, D. Chen, L. Li, A. Kaufman, and Z. Liang, “Electronic colon cleansing using segmentation rays for virtual colonoscopy”, SPIE Medical Imaging, 4683: 412-418, 2002.6 L. Hong, A. Kaufman, Y. Wei, A. Viswambharan, M. Wax, and Z.

25、Liang, “3D virtual colonoscopy”, IEEE Symposium on Frontier in Biomedical Visualization, IEEE CS Press, pp. 26-32, 1995.7 Zigang Wang, Xiang Li, Lihong Li, Bin Li1, Daria Eremina, Hongbing Lu, and Zhengrong Liang“An Improved Electronic Colon Cleansing Method for Detection of Polyps by Virtual Colono

26、scopy”，IEEE Engineering in Medicine and Biology 27th Annual Conference, 2005.8 Hiroyuki Yoshida, Janne Näppi,” Three-Dimensional Computer-Aided Diagnosis Scheme for Detection of Colonic Polyps”, IEEE Transactions on medical imaging, VOL. 20, NO. 12, 2001.9 D. Chen, Z. Liang, M. R. Wax, L. Li, B

27、 Li, and A. E. Kaufman, “A novel approach to extract colon lumen from CT images for virtual colonoscopy,” IEEE Trans. Med. Imag., vol. 19, pp. 12201226, Dec. 2000.10 J. Näppi, P. MacEneaney, A. Dachman, and H. Yoshida, “Knowledge guided automated segmentation of colon for computer-aided detecti

28、on of polyps in CT colonography,” J. Comput. Assist. Tomogr., 2002.11 Y. Masutani, H. Yoshida, P. MacEneaney, and A. H. Dachman, “Automated segmentation of colonic walls for computerized detection of polyps in CT colonography,” J. Comput. Assist. Tomogr, vol. 25, pp. 629638, 2001.12 高向軍，田聯(lián)房，王立非，毛宗源.

29、虛擬內(nèi)窺鏡系統(tǒng)的關(guān)鍵技術(shù)分析J.計(jì)算機(jī)應(yīng)用研究.Vol.25 No.7 Jul.200813 R. Xu and D. Wunsch. Survey of clustering algorithmJ，IEEE Transactions on Neural Netwoeks，2005，16(3) :645-678.14 E. Forgy. Cluster analysis of multivariat data : efficiency vs. Interpretability of classificationsJ，Biometrics，1965，21(3) :768-780.15 G. Mclachlan and T. Krishnan. The EM algorithm and extensionsM， New York : Wiley，1997.16 X. Zhuang，et al. Gaussian mixture density modeling，decomposition，and applicationsJ，IEEE Trans. Image Process.，1996，5(9) :1293-1302