醫(yī)學(xué)圖像拼接分析中英文對(duì)照外文翻譯文獻(xiàn)

中英文對(duì)照外文翻譯文獻(xiàn)(文檔含英文原文和中文翻譯)譯文：一種圖像拼接和融合摘要在許多臨床研究，包括癌癥，這是非常可取的，以獲取圖像的整個(gè)腫瘤節(jié)同時(shí)保留一個(gè)微小的決議。通常的辦法是建立一個(gè)綜合的形象，適當(dāng)重疊個(gè)人獲得的圖象在高倍顯微鏡下。一塊鑲嵌圖，這些圖片可以準(zhǔn)確地運(yùn)用所形成的圖像配準(zhǔn)，重復(fù)搬運(yùn)和混合技術(shù)。我們描述的最優(yōu)化，自動(dòng)，快速和可靠的方法，既形象加入和融合。這些算法可以適用于大多數(shù)類型的光學(xué)顯微鏡的成像。從組織學(xué)，從體內(nèi)血管成像和熒光等方面的應(yīng)用表明，無論是在二維和三維。算法的不同形象重疊的階段有所不同，但例子綜合獲得的圖象既手動(dòng)驅(qū)動(dòng)，電腦控制的階段介紹。重疊遷移算法是基于互相關(guān)的方法，這是用來確定和選擇最佳的相關(guān)點(diǎn)之間的任何新的形象和以前的綜合形象。補(bǔ)充圖片混合算法的基礎(chǔ)上，梯度法，是用來消除強(qiáng)度變化急劇的形象加入，從而逐漸融合到一個(gè)圖像鄰近'復(fù)合'的細(xì)節(jié)，該算法克服強(qiáng)度差異和幾何失調(diào)圖像之間的縫合將介紹和說明了幾個(gè)例子。關(guān)鍵詞：圖像拼接，共混，鑲嵌圖像

1。導(dǎo)言和背景

有許多應(yīng)用需要高分辨率圖像。在明亮的場(chǎng)或落射熒光顯微鏡[1]，例如，用于生物和醫(yī)學(xué)應(yīng)用中，通常需要分析一個(gè)完整的組織部分已層面幾十毫米，在高分辨率。然而，高分辨率單圖片不能意識(shí)到了低功耗的目標(biāo)，必要的，以查看大樣本，即使使用數(shù)碼相機(jī)時(shí)的幾萬(wàn)數(shù)以百萬(wàn)計(jì)的積極像素。最常見的方法是獲得一些圖片的部分組織在高放大率和組裝成一個(gè)復(fù)合單一形象保持高分辨率。這一過程的組裝復(fù)合圖像從一些圖片，也被稱為'塊'或'拼圖'需要一個(gè)算法為圖像拼接（登記）和混合。自動(dòng)建立大型高分辨率圖像的馬賽克是一種越來越多的研究領(lǐng)域涉及計(jì)算機(jī)視覺和圖像處理。拼接與融合可以被界定為生產(chǎn)單一edgeless形象整理一套重疊圖像[2]。自動(dòng)化這一進(jìn)程是一個(gè)重要的問題，因?yàn)樗抢щy和消耗時(shí)間，以實(shí)現(xiàn)手動(dòng)。這樣的一個(gè)算法的圖像拼接和融合是本文介紹了。圖像拼接結(jié)合了一些拍攝高分辨率納入一個(gè)綜合的形象。綜合圖像必須包括圖像放在正確的位置和目標(biāo)是使圖像邊緣之間的無形的。那個(gè)質(zhì)量表示縫合因此通過測(cè)量?jī)蓚€(gè)相鄰的信件圖像縫合形成了綜合形象和知名度煤層之間的縫合圖像[3]。圖像拼接（注冊(cè)）方法已詳細(xì)解釋[4]。[5]中，互相關(guān)證明是最好的方法，自動(dòng)注冊(cè)大量的圖像。各種登記方法進(jìn)行了比較研究[5]這是顯示的互相關(guān)法提供了最小的錯(cuò)誤。當(dāng)這些方法進(jìn)行了比較而言，速度，交叉相關(guān)證明是第二快的，但更準(zhǔn)確比速度最快的方法（主軸法）。有一些文件，處理問題的縫合[3，6-8]。圖像拼接可以用圖像像素直接-相關(guān)法，在頻域-快速傅里葉變換法;利用水平低功能，如棱角;使用高層次的功能，如部分對(duì)象[2]。布朗[4]分類圖片登記根據(jù)以下標(biāo)準(zhǔn)：類型的功能空間，類型的搜索策略和類型的相似性措施。圖像拼接方法的優(yōu)化，尋求最佳的相關(guān)點(diǎn)使用以Levenberg-Marquardt方法給出了[2，9，10]。以Levenberg-Marquardt方法使良好的效果，但它是昂貴和計(jì)算能停留在局部極小。還有一種方法是運(yùn)用一個(gè)算法搜索最佳的相關(guān)點(diǎn)擁有由'粗到細(xì)的決議的辦法，以減少計(jì)算[10，11]。該方法提供了本文所選擇的最佳關(guān)聯(lián)點(diǎn)，以下列方式?；诹私忸A(yù)期重疊當(dāng)使用機(jī)動(dòng)階段，這將是直截了當(dāng)?shù)?，以找到最佳的相關(guān)點(diǎn)在理想的情況。然而，重疊面積并非盡善盡美，而且肯定不是一個(gè)準(zhǔn)確的一像素，由于偏離階段的理想位置，而且由于舞臺(tái)/相機(jī)失調(diào)。我們的算法提供了一個(gè)如何克服這一問題，尋找周圍地區(qū)的小預(yù)期中央重疊像素，以便找到最佳關(guān)聯(lián)點(diǎn)。定位獲得圖像手冊(cè)階段小得多準(zhǔn)確，因此有必要尋找更廣闊的領(lǐng)域，以找到最佳的關(guān)聯(lián)點(diǎn)。大多數(shù)現(xiàn)有方法的圖像拼接或者制作一個(gè)粗略'縫，不能處理的共同特征如血管，彗星細(xì)胞和組織，或者他們需要一些用戶輸入[12]。新算法的提出本文介紹了嵌入式代碼來處理這種功能。為了消除邊緣，使一個(gè)緊湊的形象，有必要適用于更多的圖像融合。那個(gè)圖像融合過程中限制區(qū)的重疊這是確定在縫合過程。這個(gè)也就是說，如果重疊區(qū)域圖像間大，圖像不完全匹配的這些部分，鬼影或'模糊'是可見的。但是，如果這些地區(qū)的小國(guó)，接縫將會(huì)看到[13]。為了避免這些影響，使模糊效果微乎其微，在互相關(guān)函數(shù)之間的綜合形象和的形象是被縫合需要適當(dāng)運(yùn)用。新的方法本文介紹表明，最好的質(zhì)量，才能實(shí)現(xiàn)圖像融合的應(yīng)用，如果每張圖片后，已縫合。這種辦法提高縫合更多圖像，因?yàn)榛ハ嚓P(guān)應(yīng)用到混合復(fù)合形象，給出了更有力的結(jié)果。當(dāng)獲取圖像的高度非均勻樣品，因?yàn)檫@是在我們的情況在體內(nèi)研究中，照明條件變化，從而影響互相關(guān)期間適用縫合。這些照明變化防止取消文物。為了避免這種影響有可能正?；彰鞯膱D像，但它可能會(huì)導(dǎo)致有些損失的信息作為一個(gè)無法確定的真正原因是什么的變化圖像照明。它可以來自改變照明，而且還從不同的組織的顏色。因此，一些光照補(bǔ)償是必要的。我們的成就是一個(gè)高質(zhì)量，自動(dòng)拼接和融合算法，響應(yīng)的功能，如血船只，彗星細(xì)胞和組織樣本。光照補(bǔ)償不納入提交算法。

本文主辦如下。第2節(jié)解釋了圖像采集過程。第3節(jié)解釋采用的方法開發(fā)過程中的圖像處理算法，該算法適用于縫合和混合。第4節(jié)給出的結(jié)果，應(yīng)用算法選取的圖像拼接后只有后兩個(gè)縫紉和混合，并說明了算法的有效性。結(jié)論中提出的

第5款，并指示今后工作的定義。2。圖像采集

二維圖像

所有圖片被收購(gòu)，利用標(biāo)準(zhǔn)的顯微鏡。所有2D圖像獲得的樣本翻譯和收集的手動(dòng)或自動(dòng)使用機(jī)動(dòng)階段。三種類型的二維圖像進(jìn)行收購(gòu)。這些包括圖像，組織學(xué)，熒光細(xì)胞的一個(gè)組成部分彗星陣列（彗星細(xì)胞），并在體內(nèi)的血管。那個(gè)安裝規(guī)范，這些圖像是摘要列于表1。CCD相機(jī)用于獲取圖像要么一個(gè)IEEE1394接口，或使用一個(gè)PCI圖像采集（類型：由美國(guó)國(guó)家儀器公司，英國(guó)）。成像面積的命令1x1平方毫米時(shí)，用客觀x10。CCD相機(jī)推出兩款噪音影響。一個(gè)是暗電流和

另一個(gè)是一個(gè)非均勻像素反應(yīng)。為了取消了暗電流的影響，獲得的圖象，沒有輕被減去圖像的樣本。取消的非均勻像素反應(yīng)，形象的樣本除以一個(gè)空白圖像收購(gòu)標(biāo)準(zhǔn)照明清潔幻燈片。鏡頭畸變也存在。全部成像系統(tǒng)，由于這種像差，遭受了或多或少?gòu)拿客盎蛘硇问д妫蛩麄兊慕M合。最困難的條件下的圖像拼接是那些各種各樣的環(huán)境照明即強(qiáng)度跨度-空間不同的照明。據(jù)推測(cè)，旋轉(zhuǎn)和縮放保持不變?nèi)珖?guó)各地的實(shí)驗(yàn)和處理圖像。只有翻譯錯(cuò)誤必須糾正在縫合過程。

三維圖像

用于購(gòu)置三維圖像下面的安裝使用。尼康電子200熒光顯微鏡的使用修改階段，以適應(yīng)嚙齒動(dòng)物。我們?cè)隗w內(nèi)的血管圖像獲得一個(gè)窗口商會(huì)安排。它包括雙面鋁框舉行兩個(gè)平行的玻璃窗。它位于中央上述的目標(biāo)[14]。腫瘤血管生成和血管對(duì)治療的反應(yīng)在這兩個(gè)形態(tài)的血血管網(wǎng)絡(luò)的功能和個(gè)人進(jìn)行了調(diào)查船只使用窗口廳。多光子顯微技術(shù)已應(yīng)用到獲取三維圖像的腫瘤血管[15]，因?yàn)檫@些技術(shù)證明是十分有效地獲得三維生物的圖片。多光子顯微鏡系統(tǒng)是基于酶標(biāo)儀湄公河委員會(huì)1024MP工作站，由一個(gè)固體statepumped（10W的年十，Nd：YVO4晶體，光譜物理），自鎖模鈦：藍(lán)寶石（海嘯，光譜物理）激光系統(tǒng)，一個(gè)中心掃描頭，焦探測(cè)器和一個(gè)倒置顯微鏡（尼康TE200）[15]。多光子顯微鏡可以準(zhǔn)確地找到一個(gè)三維熒光量，可成功地應(yīng)用于分析血管形態(tài)。通常是一個(gè)小腫瘤（直徑幾毫米）植入皮膚的窗口中庭。整個(gè)腫瘤血管的影像大多數(shù)實(shí)驗(yàn)。圖片10倍的目標(biāo)而采取的一切，但最小的腫瘤和圖像覆蓋約1.3x1.3毫米的組織。成堆的圖像所采取的一個(gè)典型的堆棧50片。它通常需要13分鐘獲得的圖像為整個(gè)堆棧3。圖像處理-方法

主要有兩個(gè)階段在處理這些圖像：

1）圖像拼接

拼接是由滑動(dòng)的新形象的綜合形象和尋找最佳關(guān)聯(lián)點(diǎn)。

2）圖像融合配煤是由分離顏色的飛機(jī)，在必要情況下，采用混合算法每個(gè)彩色帶重組飛機(jī)一起獲得全彩色圖像的輸出?；旌蠄D像應(yīng)保持質(zhì)量輸入圖像[16]。這些過程中有詳細(xì)的解釋，并參閱下文二維圖像，除非明確指出，他們提到的三維圖像。算法開發(fā)了C編程語(yǔ)言LabWindows/CVI的7.0（美國(guó)國(guó)家儀器有限公司）開發(fā)環(huán)境，使用IMAQ圖像處理圖書館和WindowsXP專業(yè)版操作系統(tǒng)。那個(gè)算法是完全自動(dòng)的，他們已經(jīng)在電腦上測(cè)試的處理器速度1.53GHz和448MB的內(nèi)存。

3.1拼接方法

在該算法的縫合是由圖像翻譯只。應(yīng)用程序可以被稱為作為拼接，瓦工，montaging或縫合。第一步是生成的相對(duì)位置所獲得的圖像和建立一個(gè)空的圖像陣列在電腦記憶體，這些圖片將放在。下一步是搜索對(duì)于這一點(diǎn)的最佳關(guān)聯(lián)是由相鄰的圖像邊緣滑動(dòng)是雙向的，直到最佳比賽的邊緣特征發(fā)現(xiàn)。這個(gè)搜索過程需要選擇最佳的搜索空間如圖1所示，在其中進(jìn)行搜索的最佳關(guān)聯(lián)。使用太多像素內(nèi)使這個(gè)方塊相關(guān)過程耗時(shí)太少像素，同時(shí)減少比賽的質(zhì)量。選擇若干像素使用密切相關(guān)的各個(gè)方面的功能預(yù)期將顯著的形象而這又取決于重點(diǎn)質(zhì)量，即對(duì)目前的最大空間頻率的形象。

原文：AnalgorithmforimagestitchingandblendingABSTRACTInmanyclinicalstudies,includingthoseofcancer,itishighlydesirabletoacquireimagesofwholetumoursectionswhilstretainingamicroscopicresolution.Ausualapproachtothisistocreateacompositeimagebyappropriatelyoverlappingindividualimagesacquiredathighmagnificationunderamicroscope.Amosaicoftheseimagescanbeaccuratelyformedbyapplyingimageregistration,overlapremovalandblendingtechniques.Wedescribeanoptimised,automated,fastandreliablemethodforbothimagejoiningandblending.Thesealgorithmscanbeappliedtomosttypesoflightmicroscopyimaging.Examplesfromhistology,frominvivovascularimagingandfromfluorescenceapplicationsareshown,bothin2Dand3D.Thealgorithmsarerobusttothevaryingimageoverlapofamanuallymovedstage,thoughexamplesofcompositeimagesacquiredbothwithmanually-drivenandcomputer-controlledstagesarepresented.Theoverlap-removalalgorithmisbasedonthecross-correlationmethod;thisisusedtodetermineandselectthebestcorrelationpointbetweenanynewimageandthepreviouscompositeimage.Acomplementaryimageblendingalgorithm,basedonagradientmethod,isusedtoeliminatesharpintensitychangesattheimagejoins,thusgraduallyblendingoneimageontotheadjacent‘composite’.Thedetailsofthealgorithmtoovercomebothintensitydiscrepanciesandgeometricmisalignmentsbetweenthestitchedimageswillbepresentedandillustratedwithseveralexamples.Keywords:ImageStitching,Blending,Mosaicimages1.INTRODUCTIONANDBACKGROUNDTherearemanyapplicationswhichrequirehighresolutionimages.Inbright-fieldorepifluorescencemicroscopy[1],forexample,whichareusedinbiologicalandmedicalapplications,itisoftennecessarytoanalyseacompletetissuesectionwhichhasdimensionsofseveraltensofmillimetres,athighresolution.However,thehighresolutionsingleimagecannotberealisedwithalowpowerobjective,necessarytoviewalargesample,evenifusingcameraswithtensofmillionsofactivepixels.Themostcommonapproachistoacquireseveralimagesofpartsofthetissueathighmagnificationandassemblethemintoacompositesingleimagewhichpreservesthehighresolution.Thisprocessofassemblingthecompositeimagefromanumberofimages,alsoknownas‘tiling’or‘mosaicing’requiresanalgorithmforimagestitching(registration)andblending.Theautomaticcreationoflargehighresolutionimagemosaicsisagrowingresearchareainvolvingcomputervisionandimageprocessing.Mosaicingwithblendingcanbedefinedasproducingasingleedgelessimagebyputtingtogetherasetofoverlappedimages[2].Automatingthisprocessisanimportantissueasitisdifficultandtimeconsumingtoachieveitmanually.Onesuchalgorithmforimagestitchingandblendingispresentedinthispaper.Imagestitchingcombinesanumberofimagestakenathighresolutionintoacompositeimage.Thecompositeimagemustconsistofimagesplacedattherightpositionandtheaimistomaketheedgesbetweenimagesinvisible.Thequalityofstitchingisthereforeexpressedbymeasuringboththecorrespondencebetweenadjacentstitchedimagesthatformthecompositeimageandthevisibilityoftheseambetweenthestitchedimages[3].Imagestitching(registration)methodshavebeenexplainedindetailin[4].In[5],cross-correlationisshowntobethepreferredmethodforautomaticregistrationoflargenumberofimages.Variousregistrationmethodswerecomparedinthispaper[5]anditwasshowedthatthecross-correlationmethodprovidedthesmallesterror.Whenthesemethodswerecomparedintermsofspeed,thecross-correlationwasshowntobethesecondfastestbutmuchmoreaccuratethanthefastestmethod(principalaxesmethod).Thereareanumberofpapersthatdealwiththestitchingproblem[3,6-8].Imagestitchingcanbeperformedusingimagepixelsdirectly-correlationmethod;infrequencydomain-fastFouriertransformmethod;usinglowlevelThree-DimensionalandMultidimensionalMicroscopy:ImageAcquisitionandProcessingXII,Jose-AngelConchello,CarolJ.Cogswell,TonyWilson,Editors,March2005191featuressuchasedgesandcorners;usinghighlevelfeaturessuchaspartsofobjects[2].Brown[4]classifiesimageregistrationaccordingtofollowingcriteria:typeoffeaturespace,typeofsearchstrategiesandtypeofsimilaritymeasure.ApproachesforimagestitchingthatoptimisethesearchforthebestcorrelationpointbyusingLevenberg-Marquardtmethodaregivenin[2,9,10].Levenberg-Marquardtmethodgivesgoodresults,butitiscomputationallyexpensiveandcangetstuckatlocalminima.Analternativewayistoapplyanalgorithmwhichsearchesforthebestcorrelationpointbyemployinga‘coarsetofine’resolutionapproachinordertoreducethenumberofcalculations[10,11].Theapproachofferedinthispapermakestheselectionofthebestcorrelationpointinthefollowingway.Basedonknowledgeabouttheexpectedoverlapwhenusingthemotorisedstage,itwouldbestraightforwardtofindthebestcorrelationpointintheidealcase.However,theoverlapareaisnotperfect,andcertainlynottoanaccuracyofonepixel,duetodeviationsinstagepositionfromtheidealandduetostage/cameramisalignment.Ouralgorithmoffersawaytoovercomethisproblembysearchingthesmallareaaroundtheexpectedcentraloverlappixelinordertofindthebestcorrelationpoint.Positioningofacquiredimageswithamanualstageismuchlessaccurate,sothereisaneedtosearchawiderareainordertofindthebestcross-correlationpoint.Mostoftheexistingmethodsofimagestitchingeitherproducea‘rough’stitchthatcannotdealwithcommonfeaturessuchasbloodvessels,cometcellsandhistology,ortheyrequiresomeuserinput[12].Thenewalgorithmpresentedinthispaperhasembeddedcodetodealwithsuchfeatures.Inordertoremovetheedgesandmakeonecompactimageitisnecessarytoapplyadditionalimageblending.Theprocessofimageblendingisrestrictedtozonesofoverlapwhicharedeterminedduringthestitchingprocess.Thismeansthatiftheoverlapregionsbetweenimagesarelarge,andimagesarenotperfectlymatchedontheseparts,ghostingor‘blurring’isvisible.However,iftheseregionsaresmall,theseamswillbevisible[13].Inordertoavoidtheseeffectsandmaketheblurringeffectnegligible,thecross-correlationfunctionbetweenthecompositeimageandtheimagewhichistobestitchedneedstobeappliedappropriately.Thenewmethodpresentedinthispapershowsthatthebestqualityimagecanbeachievedifblendingisappliedaftereachimagehasbeenstitched.Thisapproachimprovesthestitchingofadditionalimagesbecausethecross-correlationisappliedtoablendedcompositeimagewhichgivesamorerobustresult.Whenacquiringimagesofhighlynon-uniformsamples,asitisthecaseinourinvivostudies,thelightingconditionschangeandthusinfluencethecross-correlationappliedduringstitching.Theselightingchangespreventtheremovalofartefacts.Inordertoavoidthiseffectitmaybepossibletonormalisetheilluminationoftheimages,butitcouldcausesomelossofinformationasonecannotbesurewhattherealcauseforthevariationintheimageilluminationis.Itcancomefromthechangesinthelightingbutalsofromthedifferenttissuecolour.Hence,someilluminationcompensationisnecessary.Ourachievementisahigh-quality,automaticstitchingandblendingalgorithmthatrespondstofeaturessuchasbloodvessels,cometcellsandhistologysamples.Theilluminationcompensationisnotincorporatedinthepresentedalgorithm.Thispaperisorganisedasfollows.Section2explainstheimageacquisitionprocess.Section3explainsthemethodologyfollowedduringthedevelopmentoftheimageprocessingalgorithmthatappliesboththestitchingandblending.Section4givestheresultsoftheappliedalgorithmontheselectedimagesafterthestitchingonlyandafterbothstitchingandblendingandillustratestheeffectivenessoftheproposedalgorithm.ConclusionsarepresentedinSection5anddirectionsforthefutureworkaredefined.2.IMAGEACQUISITION2DimagesAllimageswereacquiredusingastandardmicroscope.All2Dimageswereacquiredbysampletranslationandcollectedeithermanuallyorautomaticallyusingthemotorisedstage.Threetypesof2Dimageswereacquired.Theseincludetheimagesofhistology,fluorescentcellsaspartofacometarray(cometcells)andinvivobloodvessels.ThesetupspecificationfortheseimagesissummarisedinTable1.CCDcameraswereusedtoacquiretheimageswitheitheraIEEE1394interfaceorusingaPCIframegrabber(type:byNationalInstruments,UK).Theimagingareaisoftheorderof1x1mm2whenusingobjectivex10.CCDcamerasintroducetwonoiseeffects.Oneisadarkcurrentandanotherisanon-uniformpixelresponse.Inordertocanceloutthedarkcurrenteffect,imagesacquiredwithnolightweresubtractedfromimagesofthesample.Forcancellationofthenon-uniformpixelresponse,theimageofthesampleisdividedbyablankimageacquiredwithstandardilluminationofacleanslide.Lensaberrationsarealsopresent.Allimagingsystems,duetosuchaberrations,suffertoagreaterorlesserextentfrombarrelorpincushiondistortion,ortheircombination.Themostdifficultconditionsforimagestitchingarethosewithwiderangeofambientlightingi.e.ProceedingsofSPIE--Volume5701Three-DimensionalandMultidimensionalMicroscopy:ImageAcquisitionandProcessingXII,Jose-AngelConchello,CarolJ.Cogswell,TonyWilson,Editors,March2005192withalargeintensityspan-spatiallyvaryingillumination.Itisassumedthatrotationandscalingstaythesamethroughoutboththeexperimentsandprocessingtheimages.Onlytranslationerrorsneedtobecorrectedduringthestitchingprocess.Table1Summaryofthesetupspecificationusedfortheimageacquisition3DimagesFortheacquisitionof3Dimagesthefollowingsetupwasused.ANikonTE200fluorescencemicroscopewasusedwithamodifiedstagetoaccommodaterodents.Ourinvivobloodvesselimageswereacquiredthroughawindowchamberarrangement.Itconsistsofdoublesidedaluminiumframeholdingtwoparallelglasswindows.Itislocatedcentrallyabovetheobjectives[14].Tumourangiogenesisandvascularresponsetotreatmentinboththemorphologyofbloodvesselnetworksandthefunctionofindividualvesselshavebeeninvestigatedusingthewindowchamber.Multi-photonmicroscopytechniqueshavebeenappliedtoobtain3Dimagesoftumourvasculature[15],asthesetechniquesareshowntobehighlyeffectiveinobtainingthree-dimensionalbiologicalimages.Themulti-photonmicroscopesystemisbasedonBio-RadMRC1024MPworkstationandconsistsofasolid-statepumped(10WMillenniaX,Nd:YVO4,Spectra-Physics),self-mode-lockedTi:Sapphire(Tsunami,Spectra-Physics)lasersystem,afocalscan-head,confocaldetectorsandaninvertedmicroscope(NikonTE200)[15].Multi-photonmicroscopycanaccuratelylocatefluorescencewithina3Dvolumeandcanbesuccessfullyappliedtotheanalysisofvascularmorphology.Usuallyasmalltumour(fewmillimetresindiameter)wasimplantedintotheskininthewindowchamber.Thewholetumourvasculaturewasimagedformostexperiments.Imagesweretakenwith10Xobjectiveforallbutthesmallesttumoursandimagecoveredapproximately1.3x1.3mmtissue.Stacksofimagesaretakenwithatypicalstackof50slices.Ittakestypically13minutestoacquireimagesforanentirestack.3.IMAGEPROCESSING-METHODOLOGYTherearetwomainstagesinprocessingtheseimages:1)ImagestitchingStitchingisperformedbyslidingthenewimageoverthecompositeimageandfindingthebestcross-correlat