版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、.:.;| You have to believe, there is a way. The ancients said: the kingdom of heaven is trying to enter. Only when the reluctant step by step to go to it s time, must be managed to get one step down, only have struggled to achieve it. - Guo Ge Tech醫(yī)學(xué)圖像處置技術(shù) 摘 要: 隨著醫(yī)學(xué)成像和計(jì)算機(jī)輔助技術(shù)的開展,從二維醫(yī)學(xué)圖像到三維可視化技術(shù)成為研討的熱
2、點(diǎn),本文引見了醫(yī)學(xué)圖像處置技術(shù)的開展動(dòng)態(tài),對(duì)圖像分割、紋理分析、圖像配準(zhǔn)和圖像交融技術(shù)的現(xiàn)狀及其開展進(jìn)展了綜述。在比較各種技術(shù)在相關(guān)領(lǐng)域中運(yùn)用的根底上,提出了醫(yī)學(xué)圖像處置技術(shù)開展所面臨的相關(guān)問題及其開展方向。關(guān)鍵詞:醫(yī)學(xué)圖像處置;圖像分割;圖像配準(zhǔn);圖像交融;紋理分析 引言近 多年來,醫(yī)學(xué)影像已成為醫(yī)學(xué)技術(shù)中開展最快的領(lǐng)域之一,其結(jié)果使臨床醫(yī)生對(duì)人體內(nèi)部病變部位的察看更直接、更明晰,確診率也更高。 世紀(jì) 年代初,X-CT 的發(fā)明曾引發(fā)了醫(yī)學(xué)影像領(lǐng)域的一場革命,與此同時(shí),核磁共振成像象(MRI :Magnetic Resonance Imaging)、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
3、核素成像等也逐漸開展。計(jì)算機(jī)和醫(yī)學(xué)圖像處置技術(shù)作為這些成像技術(shù)的開展根底,帶動(dòng)著現(xiàn)代醫(yī)學(xué)診斷正產(chǎn)生著深化的變革。各種新的醫(yī)學(xué)成像方法的臨床運(yùn)用,使醫(yī)學(xué)診斷和治療技術(shù)獲得了很大的進(jìn)展,同時(shí)將各種成像技術(shù)得到的信息進(jìn)展互補(bǔ),也為臨床診斷及生物醫(yī)學(xué)研討提供了有力的科學(xué)根據(jù)。在目前的影像醫(yī)療診斷中,主要是經(jīng)過察看一組二維切片圖象去發(fā)現(xiàn)病變體,往往需求借助醫(yī)生的閱歷來斷定。至于準(zhǔn)確確實(shí)定病變體的空間位置、大小、幾何外形及與周圍生物組織的空間關(guān)系,僅經(jīng)過察看二維切片圖象是很難實(shí)現(xiàn)的。因此,利用計(jì)算機(jī)圖象處置技術(shù)對(duì)二維切片圖象進(jìn)展分析和處置,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
4、輔助醫(yī)生對(duì)病變體及其它感興趣的區(qū)域進(jìn)展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,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)研討中也能起重要的輔助作用。本文對(duì)醫(yī)學(xué)圖像處置技術(shù)中的圖像分割、紋理分析、圖像配準(zhǔn)和圖像交融技術(shù)的現(xiàn)狀及其開展進(jìn)展了綜述。醫(yī)學(xué)圖像三維可視化技術(shù). 三維可視化概述醫(yī)學(xué)圖像的三維可視化的方法很多,但根本步驟大體一樣,如圖.。從#$ /&(或超聲等成像系統(tǒng)獲得二維斷層圖像,然后需求將圖像格式如(#&轉(zhuǎn)化成計(jì)算機(jī)方便處置的格式。經(jīng)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。采取圖像插值方法,對(duì)醫(yī)學(xué)關(guān)鍵部位進(jìn)展各向同性處置,獲得體數(shù)據(jù)。經(jīng)過三維
5、濾波后,不同組織器官需求進(jìn)展分割和歸類,對(duì)同一部位的不同圖像進(jìn)展配準(zhǔn)和交融,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)的才干,選擇不同的方法進(jìn)展三維體繪制,實(shí)現(xiàn)三維重構(gòu)。 . 關(guān)鍵技術(shù):圖像分割是三維重構(gòu)的根底,分割效果直接影像三維重構(gòu)的準(zhǔn)確度。圖像分割是將圖像分割成有意義的子區(qū)域,由于醫(yī)學(xué)圖像的各區(qū)域沒有清楚的邊境,為理處理在醫(yī)學(xué)圖像分割中遇到不確定性的問題,引入模糊實(shí)際的模糊閥值、模糊邊境和模糊聚類等概念??焖贉?zhǔn)確的分別出解剖構(gòu)造和定位區(qū)域位置和外形,自動(dòng)或半自動(dòng)的圖像分割方法是非常重要的。在實(shí)踐運(yùn)用中有聚類法、統(tǒng)計(jì)學(xué)模型、彈性模型、區(qū)域生長、神經(jīng)網(wǎng)絡(luò)等適用于醫(yī)學(xué)
6、圖像分割的詳細(xì)方法。由于可以對(duì)同一部位用不同的成像儀器多次成像,或用同一臺(tái)儀器多次成像,這樣產(chǎn)生了多模態(tài)圖像。多模態(tài)圖像提供的信息經(jīng)常相互覆蓋和具有互補(bǔ)性,為了綜合運(yùn)用多種成像方式以提供更全面的信息,需求對(duì)各個(gè)模態(tài)的原始圖像進(jìn)展配準(zhǔn)和數(shù)據(jù)交融,其整個(gè)過程稱為數(shù)據(jù)整合。整合的第一步是將多個(gè)醫(yī)學(xué)圖像的信息轉(zhuǎn)換到一個(gè)公共的坐標(biāo)框架內(nèi)的研討,使多幅圖像在空間域中到達(dá)幾何位置的完全對(duì)應(yīng),稱為三維醫(yī)學(xué)圖像的配準(zhǔn)問題。建立配準(zhǔn)關(guān)系后,將多個(gè)圖像的數(shù)據(jù)合成表示的過程,稱為交融。在醫(yī)學(xué)運(yùn)用中,不同模態(tài)的圖像還提供了不相互覆蓋的構(gòu)造互補(bǔ)信息,比如,當(dāng)CT提供的是骨信息,MRI提供的關(guān)于軟組織的信息,所以可以用邏輯
7、運(yùn)算的方法來實(shí)現(xiàn)它們圖像的合成。當(dāng)分割歸類或數(shù)據(jù)整合終了后,對(duì)體數(shù)據(jù)進(jìn)展體繪制。體繪制普通分為直接體繪制和間接體繪制,由于三維醫(yī)學(xué)圖像數(shù)據(jù)量很大,采用直接體繪制方法,計(jì)算量過重,特別在遠(yuǎn)程運(yùn)用和交互操作中,所以普通多采用間接體繪制。在圖形任務(wù)站上可以進(jìn)展直接體繪制,近來隨著計(jì)算機(jī)硬件快速開展,新的算法,如三維紋理映射技術(shù),思索了計(jì)算機(jī)圖形硬件的特定功能及體繪制過程中的各種優(yōu)化方法,從而大大地提高了直接體繪制的速度。體繪制根據(jù)所用的投影算法不同加以分類,分為以對(duì)象空間為序的算法又稱為體素投影法和以圖像空間為序的算法!又稱為光線投射法,普通來說,體素投影法繪制的速度比光線投射法快。由于三維醫(yī)學(xué)圖像
8、的繪制目的在于看見內(nèi)部組織的細(xì)節(jié),真實(shí)感并不是最重要的,所以在醫(yī)學(xué)運(yùn)用中的繪制要突出特定診斷所需求的信息,而忽略無關(guān)信息。另外,高度的可交互性是三維醫(yī)學(xué)圖像繪制的另一個(gè)要求,即要求一些常見操作,如旋轉(zhuǎn),放大,挪動(dòng),具有很好的實(shí)時(shí)性,或至少是在一個(gè)可以忍受的呼應(yīng)時(shí)間內(nèi)完成。這意味著在醫(yī)學(xué)圖像繪制中,繪制時(shí)間短的可視化方法更為適用。未來的三維可視化技術(shù)將與虛擬現(xiàn)實(shí)技術(shù)相結(jié)合,不僅僅是獲得體數(shù)據(jù)的工具,更主要的是能發(fā)明一個(gè)虛擬環(huán)境。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)域間的類似或不同把圖像分割成假設(shè)干區(qū)域的過程。目前,主要以各種細(xì)胞、組織與器官的圖像作為處置的對(duì)象,圖像分割技術(shù)主要基于以下幾種實(shí)際
9、方法。. 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,察看到的圖像是對(duì)實(shí)踐物體做了某種變換并參與噪聲的結(jié)果,因此要正確分割圖像,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(MRF)模型,可以簡單地經(jīng)過勢(shì)能方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)場的能量方式,然后經(jīng)過最大后驗(yàn)概率(MAP)方法估計(jì)Markov隨機(jī)場的參數(shù),并經(jīng)過迭代方法求解。層次MRF采用基于直方圖的DAEM算法
10、估計(jì)規(guī)范有限正交混合(SFNM)參數(shù)的全局最優(yōu)值,并基于MRF先驗(yàn)參數(shù)的實(shí)踐意義,采用一種近似的方法來簡化這些參數(shù)的估計(jì)。林亞忠等采用的混合金字塔Gibbs隨機(jī)場模型,有效地處理了傳統(tǒng)最大后驗(yàn)估計(jì)計(jì)算量龐大和Gibbs 隨機(jī)場模型參數(shù)無監(jiān)視及估計(jì)難等問題,使分割結(jié)果更為可靠。.基于模糊集實(shí)際的方法醫(yī)學(xué)圖像普通較為復(fù)雜,有許多不確定性和不準(zhǔn)確性,也即模糊性。所以有人將模糊實(shí)際引入到圖像處置與分析中,其中包括用模糊實(shí)際來處理分割問題?;谀:龑?shí)際的圖形分割方法包括模糊閾值分割方法、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)來定義模糊目的,經(jīng)過優(yōu)化過程最后選擇一個(gè)具有最小不確定性的S
11、函數(shù),用該函數(shù)表示目的像素之間的關(guān)系。這種方法的難點(diǎn)在于隸屬函數(shù)的選擇。模糊C均值聚類分割方法經(jīng)過優(yōu)化表示圖像像素點(diǎn)與C各類中心之間的類似性的目的函數(shù)來獲得部分極大值,從而得到最優(yōu)聚類。Venkateswarlu等改良計(jì)算過程,提出了一種快速的聚類算法。.基于模糊實(shí)際的方法模糊分割技術(shù)是在模糊集合實(shí)際根底上開展起來的,它可以很好地處置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)的運(yùn)用最為廣泛。FCM是一種非監(jiān)視模糊聚類后的標(biāo)定過程,非常適宜存在不確定性和模
12、糊性特點(diǎn)的MR圖像。然而,FCM算法本質(zhì)上是一種部分搜索尋優(yōu)技術(shù),它的迭代過程采用爬山技術(shù)來尋覓最優(yōu)解,因此容易墮入部分極小值,而得不到全局最優(yōu)解。近年來相繼出現(xiàn)了許多改良的FCM分割算法,其中快速模糊分割(FFCM)是最近模糊分割的研討熱點(diǎn)。FFCM算法對(duì)傳統(tǒng)FCM算法的初始化進(jìn)展了改良,用K-均值聚類的結(jié)果作為模糊聚類中心的初值,經(jīng)過減少FCM的迭代次數(shù)來提高模糊聚類的速度。它實(shí)踐上是兩次尋優(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)展模糊聚類,最終得到圖像的最優(yōu)模糊分割。. . 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)、反響神經(jīng)網(wǎng)絡(luò)和自組織
13、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)運(yùn)用于醫(yī)學(xué)圖像分割,如江寶釧等利用MRI多回波性,采用有指點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)作為分類器,對(duì)腦部MR圖像進(jìn)展自動(dòng)分割。而Ahmed和Farag那么是用自組織Kohenen網(wǎng)絡(luò)對(duì)CT/MRI腦切片圖像進(jìn)展分割和標(biāo)注,并將具有幾何不變性的圖像特征以方式的方式輸入到Kohenen網(wǎng)絡(luò),進(jìn)展無指點(diǎn)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)處置前和處置后的數(shù)據(jù)進(jìn)展模糊化和去模糊化,其分割結(jié)果闡明FNN分割技術(shù)的抗噪和抗模糊才干更強(qiáng)。. . 基于小波分析的分
14、割方法小波變換是近年來得到廣泛運(yùn)用的一種數(shù)學(xué)工具,由于它具有良好的時(shí)一頻部分化特征、尺度變化特征和方向特征,因此在圖像處置上得到了廣泛的運(yùn)用。小波變換和分析作為一種多尺度多通道分析工具,比較適宜對(duì)圖像進(jìn)展多尺度的邊緣檢測(cè),典型的有如Mallat小波模極大值邊緣檢測(cè)算法. 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:()知識(shí)的獲取,即歸納提取相關(guān)知識(shí),建立知識(shí)庫;()知識(shí)的運(yùn)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)來源主要有:()臨床知識(shí),即某種疾病的病癥及它們所處的位置;()解剖學(xué)知識(shí),即某器官的解剖學(xué)和形狀學(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;()成像知識(shí)
15、,這類知識(shí)與成像方法和詳細(xì)設(shè)備有關(guān);()統(tǒng)計(jì)知識(shí),如M I的質(zhì)子密度(PD)、T和T統(tǒng)計(jì)數(shù)據(jù)。Costin等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)展模糊化處置,然后利用相應(yīng)的知識(shí)對(duì)各組織進(jìn)展模糊邊緣檢測(cè)。而謝逢等那么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,建立完好的人腦三維知識(shí)模型,包含腦組織幾何形狀、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)指點(diǎn)下直接從體積數(shù)據(jù)中提取并顯示各組織器官的外表。. 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 Contour Model,又稱Snake)
16、、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)目的的部分模糊也不敏感,但其結(jié)果常依賴于參數(shù)初始化,不具有足夠的拓?fù)漤槕?yīng)性,因此很多學(xué)者將Snake與其它方法結(jié)合起來運(yùn)用,如王蓓等利用圖像的先驗(yàn)知識(shí)與Snake結(jié)合的方法,避開圖像的一些部分極小點(diǎn),抑制了Snake方法的一些缺乏。Raquel等將徑向基網(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):()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;( )Snake的初始化輪廓由RBFNN cc提供;()Snake的初始化輪廓給出了最正確的控制點(diǎn);()Snake的能
17、量方程中包含了圖像的多譜信息。Luo等提出了一種將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)用戶交互的根底上,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)圖像分割問題本身的困難性,目前的方法都是針對(duì)某個(gè)詳細(xì)義務(wù)而言的,還沒有一個(gè)通用的處理方法。綜觀近幾年圖像分割領(lǐng)域的文獻(xiàn),可見醫(yī)學(xué)圖像分割方法研討的幾個(gè)顯著特點(diǎn):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)普通圖像獲得比較稱心的結(jié)果,因此更加注重多種分割算法的有效結(jié)合;在目前無法完全由計(jì)算機(jī)來完成圖像分割義務(wù)的情況下,半自動(dòng)的分割方法引起了人們的廣泛留意,如何才干充分利用計(jì)算
18、機(jī)的運(yùn)算才干,使人僅在必要的時(shí)候進(jìn)展必不可少的干涉,從而得到稱心的分割結(jié)果是交互式分割方法的中心問題;新的分割方法的研討主要以自動(dòng)、準(zhǔn)確、快速、自順應(yīng)和魯棒性等幾個(gè)方向作為研討目的,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)的開展方向。醫(yī)學(xué)圖像配準(zhǔn)和交融醫(yī)學(xué)圖像可以分為解剖圖像和功能圖像 個(gè)部分。解剖圖像主要描畫人體形狀信息,功能圖像主要描畫人體代謝信息。為了綜合運(yùn)用多種成像方式以提供更全面的信息,經(jīng)常需求將有效信息進(jìn)展整合。整合的第一步就是使多幅圖像在空間域中到達(dá)幾何位置的完全對(duì)應(yīng),這一步驟稱為“配準(zhǔn)。整合的第二步就是將配準(zhǔn)后圖像進(jìn)展信息的整合顯示,這一步驟稱為“交融
19、。在臨床診斷上,醫(yī)生經(jīng)常需求各種醫(yī)學(xué)圖像的支持,如CT、MRI、PET、SPECT以及超聲圖像等,但無論哪一類的醫(yī)學(xué)圖像往往都難以提供全面的信息,這就需求將患者的各種圖像信息綜合研討,而要做到這一點(diǎn),首先必需處理圖像的配準(zhǔn)(或叫匹配)和交融問題。醫(yī)學(xué)圖像配準(zhǔn)是確定兩幅或多幅醫(yī)學(xué)圖像像素的空間對(duì)應(yīng)關(guān)系;而交融是指將不同方式的醫(yī)學(xué)圖像中的信息綜合到一同,構(gòu)成新的圖像的過程。圖像配準(zhǔn)是圖像交融必需的預(yù)處置技術(shù),反過來,圖像交融是圖像配準(zhǔn)的一個(gè)目的。. 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,即經(jīng)過尋覓一種空間變換使兩幅圖像對(duì)應(yīng)點(diǎn)到達(dá)空間位置上的配準(zhǔn),配準(zhǔn)的結(jié)果應(yīng)使兩幅圖像上一切關(guān)鍵的解剖點(diǎn)或感
20、興趣的關(guān)鍵點(diǎn)到達(dá)匹配。世紀(jì)年代以來,醫(yī)學(xué)圖像配準(zhǔn)的研討遭到了國內(nèi)外醫(yī)學(xué)界和工程界的高度注重,年P(guān)etra等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)部特征無框架的圖像配準(zhǔn)?;谕獠刻卣鞯姆椒òⅢw定位框架法、面膜法及皮膚標(biāo)志法等。基于外部特征的圖像配準(zhǔn),簡單易行,易實(shí)現(xiàn)自動(dòng)化,可以獲得較高的精度,可以作為評(píng)價(jià)無框架配準(zhǔn)算法的規(guī)范。但對(duì)標(biāo)志物的放置要求高,只能用于同一患者不同影像方式之間的配準(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討?;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
21、相對(duì)運(yùn)動(dòng)較小的構(gòu)造及圖像內(nèi)部體素的灰度信息進(jìn)展配準(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、構(gòu)造配準(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)展回想性研討,不會(huì)呵斥患者不適,故基于內(nèi)部特征的圖像配準(zhǔn)成為研討的重點(diǎn)。近年來,醫(yī)學(xué)圖像配準(zhǔn)技術(shù)有了新的進(jìn)展,在配準(zhǔn)方法上運(yùn)用了信息學(xué)的實(shí)際和方法,例如運(yùn)用最大化的互信息量作為配準(zhǔn)準(zhǔn)那么進(jìn)展圖像的配準(zhǔn),在配準(zhǔn)對(duì)象方面從二維圖像開展到三維多模醫(yī)學(xué)圖像的配準(zhǔn)。例如Luo等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)展了配準(zhǔn),結(jié)果全部到達(dá)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)處置技術(shù),例如傅氏變換和小
22、波變換。小波技術(shù)在空間和頻域上具有良好的部分特性,在空間和頻域都具有較高的分辨率,運(yùn)用小波技術(shù)多分辨地描畫圖像細(xì)貌,使圖像由粗到細(xì)的分級(jí)快速匹配,是近年來醫(yī)學(xué)圖像配準(zhǔn)的開展之一。國內(nèi)外學(xué)者在這方面作了大量的任務(wù),如Sharman等提出了一種基于小波變換的自動(dòng)配準(zhǔn)剛體圖像方法,運(yùn)用小波變換獲得多模圖像特征點(diǎn)然后進(jìn)展圖像配準(zhǔn),提高了配準(zhǔn)的準(zhǔn)確性。另外,非線性配準(zhǔn)也是近年來研討的熱點(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。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)雖然曾經(jīng)提出一些處理的方法,但同剛性圖像相比還不成熟。另外,醫(yī)學(xué)圖像配準(zhǔn)短少實(shí)時(shí)性和準(zhǔn)確性及有效的全
23、自動(dòng)的配準(zhǔn)戰(zhàn)略。向快速和準(zhǔn)確方面改良算法,運(yùn)用最優(yōu)化戰(zhàn)略改良圖像配準(zhǔn)以及對(duì)非剛性圖像配準(zhǔn)的研討是今后醫(yī)學(xué)圖像配準(zhǔn)技術(shù)的開展方向。. 醫(yī)學(xué)圖像交融圖像交融的主要目的是經(jīng)過對(duì)多幅圖像間的冗余數(shù)據(jù)的處置來提高圖像的可讀性,對(duì)多幅圖像間的互補(bǔ)信息的處置來提高圖像的明晰度。不同的醫(yī)學(xué)影像設(shè)備獲取的影像反映了不同的信息:功能圖像SPECT、PET 等分辨率較差,但它提供的臟器功能代謝和血液流動(dòng)信息是解剖圖像所不能替代的;解剖圖像CT、MRI、B 超等以較高的分辨率提供了臟器的解剖形狀信息,其中CT 有利于更致密的組織的探測(cè),而MRI可以提供軟組織的更多信息。多模態(tài)醫(yī)學(xué)圖像的交融把有價(jià)值的生理功能信息與準(zhǔn)確
24、的解剖構(gòu)造結(jié)合在一同,可以為臨床提供更加全面和準(zhǔn)確的資料。醫(yī)學(xué)圖像的交融可分為圖像交融的根底和交融圖像的顯示。圖像交融的根底:目前的圖像交融技術(shù)可以分為 大類,一類是以圖像像素為根底的交融法;另一類是以圖像特征為根底的交融方法。以圖像像素為根底的交融法模型可以表示為: 其中, 為交融圖像,為源圖像, 為相應(yīng)的權(quán)重。以圖像特征為根底的交融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。圖像交融的步驟普通為: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)那么;根據(jù)選取的規(guī)那么在變換域上創(chuàng)建交融圖像;逆變換重建交融圖像。交融圖像的顯示:交融圖像的顯示方法可分成 種:空間維顯示和時(shí)間
25、維顯示。目前,醫(yī)學(xué)圖像交融技術(shù)中還存在較多困難與缺乏。首先,根本的實(shí)際框架和有效的廣義交融模型尚未構(gòu)成。以致現(xiàn)有的技術(shù)方法還只是針對(duì)詳細(xì)病癥、詳細(xì)問題發(fā)揚(yáng)作用,通用性相對(duì)較弱。研討的圖像以CT、MRI、核醫(yī)學(xué)圖像為主,超聲等本錢較低的圖像研討較少且研討主要集中于大腦、腫瘤成像等;其次,由于成像系統(tǒng)的成像原理的差別,其圖像采集方式、格式以及圖像的大小、質(zhì)量、空間與時(shí)間特性等差別大,因此研討穩(wěn)定且精度較高的全自動(dòng)醫(yī)學(xué)圖像配準(zhǔn)與交融方法是圖像交融技術(shù)的難點(diǎn)之一;最后,缺乏可以客觀評(píng)價(jià)不同交融方法交融效果優(yōu)劣的規(guī)范,通常用目測(cè)的方法比較交融效果,有時(shí)還需求利用到醫(yī)生的閱歷。在圖像交融技術(shù)研討中,不斷有
26、新的方法出現(xiàn),其中小波變換在圖像交融中的運(yùn)用,基于有限元分析的非線性配準(zhǔn)以及人工智能技術(shù)在圖像交融中的運(yùn)用將是今后圖像交融研討的熱點(diǎn)與方向。隨著三維重建顯示技術(shù)的開展,三維圖像交融技術(shù)的研討也越來越遭到注重,三維圖像的交融和信息表達(dá),也將是圖像交融研討的一個(gè)重點(diǎn)。醫(yī)學(xué)圖像紋理分析普通以為圖像的紋理特征描畫物體外表灰度或顏色的變化,這種變化與物體本身屬性有關(guān),是某種紋理基元的反復(fù)。Sklansky早在年給出了一個(gè)較為適宜于醫(yī)學(xué)圖像的紋理定義:“假設(shè)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,那么那么以為圖像的區(qū)域具有不變的紋理。紋理的不變性即指紋理圖像的分析結(jié)果不
27、會(huì)遭到旋轉(zhuǎn)、平移、以及其它幾何處置的影響。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。. 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。根本原理是選擇不同的統(tǒng)計(jì)量對(duì)紋理圖像的統(tǒng)計(jì)特征進(jìn)展提取。這類方法普通原理簡單,較易實(shí)現(xiàn),但適用范圍遭到限制。該方法主要適宜醫(yī)學(xué)圖像中那些沒有明顯規(guī)那么性的構(gòu)造圖像,特別適宜于具有隨機(jī)的、非均勻性的構(gòu)造。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-occurrence matrix , GLCM)和灰度梯度共生矩陣。杜克大學(xué)的R. Voracek等運(yùn)用GLCM對(duì)肋間
28、周邊區(qū)提取的興趣區(qū)(region of interest, ROI)進(jìn)展計(jì)算,測(cè)出了有意義的紋理參數(shù)。另外,還有長游程法(run length matrix ,RLM),其紋理特征包括短游程優(yōu)勢(shì)、長游程優(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度,而細(xì)的紋理具有較小的游程長度。. 構(gòu)造法構(gòu)造分析方法是分析紋理圖像的構(gòu)造,從中獲取構(gòu)造特征。構(gòu)造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)那么組成的,然后分兩個(gè)步驟處置提取紋理基元;推論紋理基元位置規(guī)律。目前主要用數(shù)學(xué)形狀學(xué)方法處置紋理圖像,該方法適宜于規(guī)
29、那么和周期性紋理,但由于醫(yī)學(xué)圖像紋理通常不是很規(guī)那么,因此該方法的運(yùn)用也遭到限制,實(shí)踐中較少采用。. 模型法模型分析方法以為一個(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)場模型、Gibbs隨機(jī)場模型、分形模型,這些方法都是用模型系數(shù)來表征紋理圖像,其關(guān)鍵在于首先要對(duì)紋理圖像的構(gòu)造進(jìn)展分析以選擇到最適宜的模型,其次為如何估計(jì)這些模型系數(shù)。如何經(jīng)過求模型參數(shù)來提取紋理特征,進(jìn)展紋理分析,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)的缺陷。. 頻譜法頻譜分析方法主要基于濾波器實(shí)際,包括傅立葉變換法、Gabor變換法和
30、小波變換法。年Bajcsy運(yùn)用傅立葉濾波器方法分析紋理。Indhal等利用-D快速傅立葉變換對(duì)紋理圖像進(jìn)展頻譜分析,從而獲得紋理特征。該方法只能完成圖像的頻率分解,因此獲得的信息不是很充分。年Laws對(duì)圖像進(jìn)展傅氏變換,得出圖像的功率譜,從而提取紋理特征進(jìn)展分析。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/頻域結(jié)合分辨率,因此在實(shí)踐中獲得了較廣泛的運(yùn)用。小波變換法大體分金子塔形小波變換法和樹形小波變換法(小波包法)。 小波變換在紋理分析中的運(yùn)用是Mallat在年首先提出的,主要用二值小波變換(Discrete Wavelet Transform, DWT),之后各種小波變換被用
31、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)展分解,所以利用金字塔小波變換進(jìn)展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)那么紋理的圖像,即其高頻子帶仍含有有關(guān)紋理的重要特征)得不到利用。運(yùn)用在每個(gè)分解級(jí)對(duì)一切的頻率通道均進(jìn)展分解的完全樹構(gòu)造小波變換提取特征,可以較全面地提取有關(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宜各類醫(yī)學(xué)圖像進(jìn)展紋理分析的方法,因此對(duì)于各類不同特點(diǎn)的醫(yī)學(xué)圖像就必需采取有針對(duì)性地最適宜的紋理分析技術(shù)。另外,在運(yùn)用某一種紋理分析方法對(duì)圖像進(jìn)展分析時(shí),尋求最優(yōu)的紋理
32、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)??偨Y(jié)隨著遠(yuǎn)程醫(yī)療技術(shù)的蓬勃開展,對(duì)醫(yī)學(xué)圖像處置提出的要求也越來越高。醫(yī)學(xué)圖像處置技術(shù)開展至今,各個(gè)學(xué)科的交叉浸透已是開展的必然趨勢(shì),其中還有很多亟待處理的問題。有效地提高醫(yī)學(xué)圖像處置技術(shù)的程度,與多學(xué)科實(shí)際的交叉交融、醫(yī)務(wù)人員和實(shí)際技術(shù)人員之間的交流就顯得越來越重要。多維、多參數(shù)以及多方式圖像在臨床診斷包括病灶檢測(cè)、定性,臟器功能評(píng)價(jià),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)揚(yáng)更大的作用。參考文獻(xiàn) P. Suetens. Fundamentals of Medical ImagingM. Cambridge Univer
33、sity Press, 劉俊敏,黃忠全,王世耕,張穎. 醫(yī)學(xué)圖像處置技術(shù)的現(xiàn)狀及開展方向J. 醫(yī)療衛(wèi)生設(shè)備,Vol:-. 田婭,饒妮妮,蒲立新. 國內(nèi)醫(yī)學(xué)圖像處置技術(shù)的最新動(dòng)態(tài)J. 電子科技大學(xué)學(xué)報(bào),Vol:-. 周剛慧,施鵬飛磁共振圖像的隨機(jī)場分割方法J上海交通大學(xué)學(xué)報(bào),Vol: Zhang HM,Yuan ZJ,Cai ZM. Segmentation of MRI using hierarchical markov random fieldJ. Journal ofSoftware,Vol:. 林亞忠,陳武凡,楊豐. 基于混合金字塔吉布斯隨機(jī)場模型的圖像分割J. 中國生物醫(yī)學(xué)工程學(xué)報(bào),V
34、ol:. 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討J中國生物醫(yī)學(xué)工程學(xué)報(bào),Vol: 江寶釧,張鈞良基于BP 神經(jīng)網(wǎng)絡(luò)的MRI 分割J. 微機(jī)開展,Vol:. Ahmed MN,F(xiàn)arag A. Two-stage neural network for volume segmentation of medical imagesJ. Proceedingsof IEEE International Conference on Neural Networks,Vol:. 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運(yùn)用研討J. 中國生物醫(yī)學(xué)工程學(xué)報(bào),Vol:. C
35、ostin H,Rotariu CR. Knowledge-based contour detection in medical imaging using fuzzy logicJ.International Symposium on SCS,:. 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,Vol:. 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,Vol:. Raquel VC,Veronica MB,Oscar YS. Coupling of radial-basis network and
36、 active contour model for multispectral brain MRI segmentationJ. IEEE Transactions on Biomedical Engineering,Vol:. Luo XP,Tian J,Lin Y. An algorithm for segmentation of medical image series based on active contourmodelJ. Journal of Software,Vol:. Hallpike L,Hawkes DJ. Medical image registration: An
37、overviewJ. Br Institute Radiol,Vol:-. Petra A,Elsen V. Medical Image maching: A review with classificationJ. IEEE Trans Med Image,Vol:-. Luo Shuo-qian,Li Xiang. Implementation of mutual information based multi-modality medical imageregistrationA. Eng Med Bill Soc Proc nd Ann Int Conf IEEEC. Navy Pier Convention Center Chicago,Illinois,USA:The Institute of Electrical and Electrical and Electronics Engineers,Ind,:-. Sharman R,Tyler JM,Pianykh OL,et al. A fast and accurate to method to register medical images usingwavelet modulus maximaJ. Patt Recog Lett,:-. Le
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 雙十二購房指南
- 體育用品行業(yè)保安工作總結(jié)
- 軍訓(xùn)心得體會(huì)15篇
- 教育的項(xiàng)目計(jì)劃書精彩3篇
- 建筑工程施工合同范文集合8篇
- 2023年-2024年崗位安全教育培訓(xùn)試題及參考答案【培優(yōu)】
- 文學(xué)作品意識(shí)形態(tài)解讀-洞察分析
- 宇宙常數(shù)與宇宙結(jié)構(gòu)形成-洞察分析
- 遺傳進(jìn)化機(jī)制探究-洞察分析
- 2024年工貿(mào)重點(diǎn)企業(yè)有限空間作業(yè)專家指導(dǎo)服務(wù)專題培訓(xùn)
- 2024年注冊(cè)安全工程師考試題庫及參考答案【完整版】
- 第十二章 全等三角形 作業(yè)設(shè)計(jì)-2023-2024學(xué)年人教版八年級(jí)數(shù)學(xué)上冊(cè)
- 建筑結(jié)構(gòu)荷載規(guī)范DBJ-T 15-101-2022
- 制藥專業(yè)畢業(yè)設(shè)計(jì)開題報(bào)告
- 普通心理學(xué)智慧樹知到期末考試答案2024年
- 青少年涉毒問題監(jiān)測(cè)制度
- 征兵眼科科普知識(shí)講座
- 人工智能在醫(yī)療健康領(lǐng)域的應(yīng)用探索報(bào)告
- 高二上學(xué)期數(shù)學(xué)期末測(cè)試卷01-【好題匯編】備戰(zhàn)2023-2024學(xué)年高二數(shù)學(xué)上學(xué)期期末真題分類匯編(人教A版2019選擇性必修第一、二冊(cè))(原卷版)
- 環(huán)評(píng)驗(yàn)收方案
評(píng)論
0/150
提交評(píng)論