当前位置:文档之家› 三维医学图像可视化中图像分割的研究

三维医学图像可视化中图像分割的研究

三维医学图像可视化中图像分割的研究
三维医学图像可视化中图像分割的研究

上海交通大学

硕士学位论文

三维医学图像可视化中图像分割的研究

姓名:陈剑

申请学位级别:硕士

专业:计算机应用

指导教师:戚飞虎

2001.1.1

0三维医学图像nj税化中图像分削的1iII_究摘要三维医学图像可视化中图像分割的研究

摘要

医学图像可视化是生物医学界普遍关心的课题,医学工作者迫切地需要将人体器官组织等各种信息转化为数字模型,进行数字化的教学、诊断和治疗,实现虚拟手术系统。三维医学图像可视化的前提是要有人体各个部分的逼真三维模型。然而,现有的图像分割算法还难以满足可视化的要求。三维图像分割方法已经成为医学图像可视化发展的一个瓶颈。本文提出了一种基于Snake模型的具有预测能力的白适应三维医学图像分割算法,并应用在“人工膝关节置换虚拟手术”项目中,得到很好的效果。本文的方法对运动物体跟踪等领域也有参考价值。

,、

/论文主要内容包括:

1.深入分析了Snake模型的不足之处。针对这些不足之处,进行r多方面的改进,主要包括:能量函数、搜索窗口等JL个

方而,并且引入了一种随机扰动法。提出了相似形变的概念,

使用了沿Snake控制点所在处法线方向的条形搜索窗口,这

不仪有助于减小算法的计算量,提高迭代的速度,而且避免

了控制点的“堆积”效应。在4Snake能量函数中加入了梯度

方向信息,提高了Snake模型的抗噪性。随机扰动法的提出

进一步消除了一些小的随机噪声的干扰,防止Snake控制点

陷入~些局部“伪边界点”。

2在充分分析三维图像。I】物体轮廓变化规律的基础上,提小了

●三维医学图像bJ挑化rfl图像分削的Ⅳf究

一种针对三维图像分割的Snake模型初始化方法——基于“运

动”的预测方法。该方法通过分析已分割图像中物体轮廓的

变化趋势,计算出Snake控制点在二维图像平面上的运动参

数,从而预测出待分割图像中轮廓的可能位置和形状。通过

精确的预测,保证了Snake模型能够快速、准确地收敛到目

标轮廓。该方法易于理解,计算量小,预测结果准确。

3.提出了基于人工神经网络的图像灰度梯度信息和纹理信息的融合方法。物体的边界表现为灰度梯度、纹理等多种特征的

不连续性。最初的Snake模型中,能量函数只包含了灰度梯

度的信息。我们加入了纹理能量项,并且用前向人工神经网

络进行梯度和纹理信息的融合。人1:神经网络具有自适应、

A组织能力,能够通过学习改变网络中的权值,以适应环境

的变化。这种基于人工神经网络的多种边缘特征融合方法能

够利J{j三维图像qI已分割图像中的轮廓作为训练集,不断提

高模型对当前处理图像类型的适应性,达到自适应的效果。

4.在以上三项技术讨沦的基础上,提出了一种新的三维医学图像分割算法。该算法有效利用了三维图像的特点和人的上层

指导,并且解决了一些Snake模型的缺陷。实验证明了这种

方法具有良好的性能和适应性。

关键词:医学图像可视化,图像分割,Snake,形变预测,

人工神经网络

●●●竺生坐生竺!!!!!塑!!!!!!!!!!!!!!!塑婴!!!!!!!塑坚塑!!!!!!!坐!!!!!!!!!垒坠!!型THERESEAROHOFIMAGESEGMENTATIONlN

3DMEDIOALIMAGEVISUALIZATl0N

ABSTRACT

Medicalimagevisualizationisauniversallyattentiveprojectinbiomedicinefield.Researchersinthisfieldurgentlywanttotransformtheinformationofhumanorgansandtissuesintodigitalmodels,andthentheycanperformdigitaleducation,diagnosisandtreatment.Thevisualizationofmedicalimagesneedsbuildingtheaccurate3DModelsofvarioushulnanOlgansHowever,currentimagesegmentmethodscannotreachtherequestofvisualization.3Dimagessegmentalgorithmhasbecomethebottle-neckofthedevelopmentofthemedicalimagevisualization.Thisthesisproposesanadaptive3Dimagessegmentalgorithmwithforecastingcapability,whichisbasedonSnakemodelTilealgorithmwasusedintheVirtualSurgeryofArtificialKneeJointReplacement,andachievedgoodeffect.Thismethodisalsousefulformotiontracking.

Themainachievementsofthisthesisareasfollowing:

】.BasaltontheanalysisofSnakemodel,animprovedSnakemodelisproposed.Theimprovementincludesenergyfunction,searchwindowandarandomdisturbmethod.Onetilebaseofsimilardeformationconcept,weuseanarrowrectanglesearchwindowalongthenormaldirectionofSnake.Thisishelpforenhancingtheefficiencyofimagesegmentandavoidingthe”pileup”effect.WeaddedgradientdirectioninformationintheSnakeenergyfunction,thusmakeSnakemoreresistivetonoise.TheapplyingofrandomdisturbmethodwillfurthereliminatetheeffectofnoiseandpreventSnakefromtrapin”falseedgepoint”.

2.Onthebaseofcontourtransformationtraitin3Dimage,aforecastalgorithmisproposed.ThisalgorithmcalculatesthemovementparametersofSnakecontrolpointsbyanalysisthedeformtrendofcontourinthesegmentedimages.Usingtheseparameters,wecallforecastthepositionandshapeofcontourinthenextimage.ThisalgorithmcallbeusedtoaccuratelyinitializetheSnakeinthenextimage,thusmaketileSnakeconvergemorequicklyandaccurately.Thisalgorithmiseasytobeunderstoodandhaslowcomputationcomplexity.

3.AANN(ArtificialNeuralNetwork)basedgradientandtextureinformationfusingalgorithmisproposed.Thecharacterofedgeincludesbothgradientandtexturediscontinuity.InthebasalSnakemodel,energyfunctiononlyincludesgradient

●●!heAnalysisandApp|icationof[megeSegmentationinMedicalImageVisualizat[onAbstract

informationWeaddtextul’einformationanduseafeed.forwardneuralnetworktofusethegrad[eraandtextureinformation.ANNhasself-adaptiveability.Bylearning,Itcanchangetheweightsofthenetworktoadapttheenvironmentchange.Ouralgorithmusethecontoursalreadysegmentedin3DimagesetastrainingsettoadjusttheparametersofSnakemodel,andcancontinuouslyimprovethemodel’sadaptationofimagestyles.

4.Onthebaseoftheabovethreetechnologies,anew3Dmedicalimagesegmentalgorithmisproposed.Thealgorithmeffectivelyutilizesthetraitof3Dimagesandhumanpriorknowledge,andeliminatessomedemeritsofSnakemodel.Experimentstestifiedthecapabilityandadaptabilityofthisalgorithm

KEYWORDS:medicalimagevisualization,imagesegment,Snake,deformation

forecast,artificialneuralnetwolk

三维医学图像n,桃化中博悔分削fm丹宄第~帝结论

第一章绪论

据统计,裆:人类从外界接收的信息中有70%-80%来自视觉或者说是图像(image)信息…,这越人类最有效和最重要的信息获取和交流方式。随着计算

机技术的迅速发展,人们越来越多地利用i,14算机来帮助人类获取和处理视觉(图

像)信息。对视觉图像获取与加工处理的技术总称为图像技术。图像技术近年

来受到人们广泛的关注,它包括:图像的采集和获取,图像的编码存储和传输,

图像的分割、特征提取与测量,图像数掘库的建立、索引和抽取,图像的质量

评价以及图像的解释与理解等。

图像分割是图像处理与计算机视觉的基本问题之一,它可以定义为把图像划分成若干互不相交区域的过程,这些区域必需同时满足一致性和连通性的条

件。图像分割的应用非常广泛,几乎出现在有关图像处理的所有领域,并涉及

各种类型的图像f}J。医学图像的分割是当前图像分割方法研究中非常活跃的一

个领域,它的一个重要应用领域是三维医学图像的可视化比】。本论文研究的主

要内容就是三维医学图像可视化过程中的图像分割方法。

1.1研究动机与目的

可视化医学烃,E物医学界普遍关心的课题,医学工作者迫切需要将人体器官组织等各种信息组织成数字模型,进行可视化的教学、诊断和治疗,实现虚拟手术系统。目前欧洲和美国已准备禁止在人体和动物身上开展手术实习,取而代之的足计算机虚拟手术。医学l到像itr视化的研究在国际上iF方兴未艾,在国内也越来越受到关注。

1.1.1可视化在医学应用中的意义

目前,各种各样的医学影像设备在医院中的使用越来越普遍,如超声扫描器、计算机断向扫描(CT)、磁共振图像(MRI)等。这些成象系统为医生提供了丰富的组织、器官的断层图象信息,帮助他们更加直观、迅速、准确地诊断病变。使得医生能够在不损伤病人的情况下对病人的内部器官进行可视化检查,大大提高了诊断的精确度和及时性,因而的到广泛的应用。

这些医学影像设备可以探测人体内部信息,产生一组断层图像。为区别于一般的二维图像,我们把它称为三维医学图像(体数据),第三维是成像面步近的方向。目dH医院中的诊断方式基本上还是二维的。放射科医生通过观察病人

●●三维医学图像iJ桃化中【划像分制的_『il『究第~章绪论

的一组断层图像,来发现病变或损伤。但是要根据一组二维图像准确地确定病变体的空间位置、大小、几何形状以及与周围生物组织之间的空间关系,仅凭医生的想象在头脑中重建是十分困难的。对二维医学图像的解释需要特殊的训练,即使放射科医生具有这样的技能,他们还经常要把他们的解释表述给那些需要医学信息而又不能在头脑中勾画出三维解剖构造的医生们口I。

如何将这些切片图象进行三维重建并在显示器上显示,已越来越受到人们的重视,这是凶为三维医学圈敦能提供比二维切片图象更加丰富的信息,可以得到人体组织、器官逼真的立体显示,从丽摆脱了以前那种凭借医生临床经验,在大脑中重建器官三维结构的局国f。而且通过对人体器官、软组织和病变体的三维重建和三维显示还iU‘以极人的捉r苛医疗诊断的准确性和科学性。可视化不仅可以提高医疗诊断水平,同时还可以在手术规划与模拟、解剖学教育和医学研究中发挥重要的作用p。l,帮助医生理解复杂的解剖学构造。

1.1.2可视化的应用领域

三维医学图像可视化的应用领域非常广泛,包括医疗诊断(Diagnostics)、手术规划与模拟(PreoperativePlanning)、手术效果确认(PostoperativeValidation)、医学教育(EducationandTraining)以及远程医疗手术(Telemedicineand"relesurgery)等许多领域15.”。但是这些应用都存在很大的局限性,目前还没有一种系统能够完全地用于具体的ll;ij床应用。三维医学图像可视化距离完全实用化还有很大差距。下面列举一些主要的医学图像可视化的应用领域。

1.虚拟人体解剖图(VirtualAnatomicAtlas)

人体解剖图i;!}一直足学习和识别人体特征结构的主要工具。以往的人体解剖图大多是一些实际解剖结构的图片,丽虚拟人体解剖图是数字化3D解剖图谱,它能让使用者在没有任何外界干扰的情况下自由地观察、移动和生成解剖结构,更快捷地学习和了解解剖信息。

1986午,荚固因立医学图书馆首先提出可视人体项目(VisibleHumanProject.VItP)ill,目的足建成一个山数’#化图像组成的数据库,并在此基础上建立完整的人体三维数字模型,为医学工作者提供图像资料收集、检索和,行11)(等服务,并最终成为一所数字化的生物医学图像图书馆。VHD包括可视化男人和可视化女人两个图像数据库,数据采集于躯体断面的数字化解剖图像、计算机断层图像和磁拭振图像。该讨‘划现已完成,其互联网址为:

http://www.nlm.nih.gov/researclgvisible/visiblehuman.html。在此基础上,美国和世界上的一大批科研机构都丌展了相应虚拟人体课题的研究。

2,虚拟人体功能(VirtualHumanFunction)

虚拟人体功能是人体虚拟化的更深一层次的发展。人体某一器官或系统的

●●三维医学|笙|像uJ桃化中蹦缘分削的圳究第~带绪论

功能一般不像形态学方面的结构或组织是可见的,它所涉及到的往往是生命现象的机理a列其知识的获取也不像用断层扫描那么简单。把多年来对人体仿真研究的成果同真实人体的形态和生理数据结合,就可以建立起更具真实感的真正的虚拟人体,这对于医学教育、医学研究、诊断和治疗有不可估量的作用。

欧洲的CHARM(ComprehensiveHumananimationResourceModel)计划,项旨在建立一个结构化的人体动力学模型Ⅲ。结构化是指骨骼、肌肉和皮肤等都是单独分割进jJ:投加重建,并且增肌I了它们之州的内部关系和力学特性,也就是构成了一个拓扑模型。而这个模型的特性表现在重建的器官可以移动和变形,同时保持彼此之问的力学联系,从jIij真实地反映人体的动态行为。

3.虚拟手术模拟(VirtualSurgerySinmlation)

日益复杂的外科技术(尤其是微型介入外科技术)要求采用新的方法培训外科医生|6l,以提高他们的手术技能。康拟手术为医务人员提供了一种独特的方法来强化技术、试验和评估新的医疗方案,它的出现将极大地提高手术的安全性,减少医疗事故的发生。目曲研究的主要领域有:放射治疗、心脏外科、眼科手术、颅面外科、腹腔手术等。

日本jikei大学医学院高维医学成像研究所使用可视化技术开发了一种手术规划系统16l。它能在虚拟空间中模拟用手术刀切割皮肤和器官,并且采用力反馈殴备反馈操作者手部压力,提供…种力感受功能。

4.虚拟医学教育和培训(VirtualMedicalEducationandTraining)

医学教育也是三维医学图像可视化的一个主要应用领。可视化技术可以Hj作医学教学、新生培训【、技能测试、技术学习等诸多方面。当今层出不穷的新兴医疗技术要求医生不断地更新和提高自己的技能,但是这有一个学习的过程,这个过程非常费时、费力。与传统的教学模型和手术观摩相比,虚拟系统大火提高了教学实验的参与性和互动性,它不仅可以为医学院的学生提供近乎实际的病例和实验机会,而且可以巩固和提高在职医生的手术技能。

5.远程医,,(Telemedicine)

远程医疗是利用多媒体计算机通信网络、电视会议系统、现代医学等技术,把大的医疗中一Ii,、综合医院、专科医院同中小医院等联系起来。使病人的资料通过通信线路,传送给远方的医生、专家,远方的医生根据这些资料,返回珍断意见和治疗建议。远程医疗系统缩小了地域环境、医疗水平、医疗设备差别造成的困难,同时也能充当一种远程医疗教育系统,为中小医院的医护人员提供了一利,方便而费用极低的培训手段。

1.1.3可视化的主要方法

医学三维图像可视化的方法通常可根据绘制过程中数据描述方法的不同而

●●三维医学蹦像njW化中幽像分削柏堋宄第一带绪论

分为两大类‘8】:一类是表面绘制方法(surfaceRendering),它通过几何单元拼接拟合物体表面来描述物体三维结构,又称间接绘制方法;另一类是体绘制方法(VolumeRendering),这是~种直接将体素投影到显示平面的方法,又称直接绘制方法。

1.表而绘制方法(SurfaceRendering)

表面绘制是一种普遍应用的三维显示技术,它首先是从体数据中抽取一系列相关表面,并用多边形拟合近似后,再通过传统的图形学算法显示出来。

表面绘制方法的处理过程主要包括下面三部分:(1)体数据中待显示物体表可的分割;(2)通过儿何单元内插形成物体表砥;(3)通过照明、浓淡处理、纹理映射等图形学算法来显示有真实感的图象,并突出特定信息。

表面绘制有多种算法,但各种算法的不同点仅在于所采用的近似表面的几何单元不同或几何单元尺度的选择彳i同。目Iji『用得最多的是以三角形作为拟合单元的算法。表面绘制方法中,连接轮廓线法嘲是最早被用来进行表面绘制的方法。它首先将每层图像的轮廓提取出来,然后用以轮廓线点为顶点的三角形将每层的轮廓线连接起来。从而拼接出物体表面。但该算法中两个相邻轮廓线对应点的确定和连接常常是难以解决的问题。

移动立方体法I…l(MarchingCubesAlgorithm)虽然也是用三角形拼接来形成表面,但与连接轮廓线法不同的是:这些三角形位于单个立方体元内。该算法的基本思想是将体模型中的体素看作数据点,相邻两个切片上每8个体紊组成一个立方体。根据人为指定或计算得山的标量值将立方体的顶点分为对象内和对象外两类,并山立方体各顶点的类别判断物体表面与立方体相交的方式,利用插值计算得到表而与立方体的交点,组成小三角面,最后将所有立方体中的小三角_面连接起来形成三维表面网格。

2.体绘制方法(VolumeRendering)

直接体绘制法是近年来发展起来的用于显示体数据的新算法,它避丌了复杂而困难的体数据分割和表面重建,可以在不构造物体表面几何描述的情况下直接对体数据进行显示。它首先要剥‘原始数据进行分类,即确定每一体素中不同生物组织的百分比,一般采用概率分类方法,然后给每个体素赋予相应的颜色与阻光嫂(Opacity),岛2后采川光线跟踪法(RayCasting)或投影法(Projection)生成显示图象I“I。

光线跟踪法(RayCasting)先从视平面的每~个像素发射一条光线穿越体数据,并在穿越过1.。1:1.3等间距地采样,采样点的颜色和阻光度值由每个采样点的8个柏邻体索用三次线性插值方法得到。然后再沿着光线的反方向合成采样点的颜色和阻光系数,最后得到视平面上每一个像素的颜色。光线跟踪法生成的图像比较精确,但因为它需逐点扫描图像像素,所以计算量很大,不适于处

●●三维医学图像吖说化中|圭『像分割的州究第一章绪论

理大量三维数据。投影法(Projcction)首先根据视点位置确定每一体素的可见性优先级,然后按优先级由低到商或山高到低的次序将所有体素投影到二维象平面上。在投影过程中,利用光学中的透明公式计算当前颜色与阻光度。依投影顺序(即体素司‘见性优先绂)的不同,投影法分为从前至后(Front—to—Back)算法与从后至前(Back-to—Front)算法。与光线跟踪法相比,它的渲染速度有明显提高。

颜色利阻光度的映射有两种方法:一种方法是利用分割的结果,每个体素被赋予一个标号标识它所属物体的种类,不同的物体有不同的颜色和阻光度;另一种方法从体素的扶度和梯度值直接计算,实现这种转换的映射函数叫做转换函数。

3.两种办法的比较

表面绘制方法有许多优点:可以利用成熟的计算机图形学方法对物体进行裁剪、消隐、光照等多利一操作;数抓量小,运算速度快;还具有很多的软硬件支持。因此可以达到实时交互操作的要求,可以快速灵活地进行旋转和变换光照等效果。另外,建立的三维模型还可以用来进行体积、面积等定量分析。但是这种方法对表面分割精确度要求很高.图像分割方法的研究已经成为表面绘制方法应用的瓶颈,日益成为研究的热点。

与表mf绘制1iI司,休绘制力‘法通常刁i要求划被显示物做精确的分割。更币要的是,在休绘制力法一11,透I州J叟的。1入人人增强了数据螋体显示效果。通过对不同的组织分配相应的透『删度,可以同时将各组织器官的质地属性、形状特征及相互之间的层次关系表现出来,从而丰高了图象的信息。但是由于整个数据集都参于绘制,又缺乏特殊的硬件支持,目前还很难达到实时交互操作的要求。并且体绘制方法不能灵活地改变外部光照及视角,每一次变化都意I睐着整个绘制过程需重新丌始。由于舍去了物体的几何描述,它产生的显示不能很好地表现空间层次.也不能完成诸如体积、丽积等定量分析的任务。

’.1.4研究目的

从上面的分析可以看表面绘制方法依赖于分割的结果。体绘制方法试图回避图像分割问题,但是这样产生的显示图像不能很好地表现不同物体的轮廓及它们之间的空M芙系,这将妨碍人们对体数掘的理解;而且由于缺乏物体的几何描述,它的应用领域也将大大受到限制。在实时性方面,表面绘制方法也占绝对优势。

随着iij视化方法的4:断发展以及i】视化应用领域的不断拓宽,人们愈来愈需要一种精确、商效的陶像分割方法,这已经成为无法回避和忽视的问题。三维医学图像分割算法已经成为医学图像可视化中的关键技术,是目前非常活跃

●兰壁堕兰堕堡里鲨!!!丝!!坌垫塑型塑堡二皇堡垒的一个研究领域。

基于以上分析,本论文的研究目标是:研究实现一利,适用于多种图像来源(切片图像、cT图像、MR图像、超声波图像等)的三维医学图像分割算法。该方法充分利用三维医学图像的特点,并且综合应用图像的灰度、纹理等各种信息,以达到较高的分割精度和分割速度。同时,该方法还提供灵活的交互手段和很强的学习能力,使得模型能够相:分割的过程中学习专家的经验,为建立生物组织三维模型打下良好的基础。

1.2论文组织结构

本章为绪论,主要介绍了论文jiJJ=究的应』『J背景一一三维医学图像的可{!!i!化。简要介绍了医学图像可视化的意义帚l应J1j领域;通过对医学图像可视化的两利-主要方法:表i斫绘制方法和休绘制方法的介绍和比较,既明了图像分荆方法在医学图像西)+111il化中的重要性,提出了沦文的研究目的。同时本章还介绍了论文的创新点,并对整篇论文的组织结构做了提纲挈领的描述。

论文第二章介绍了医学图像处理中常用的分割方法,包括基于边缘检测的分割方法、基于区域的分割方法、随机场模型、人工神经网络方法、主动轮廓模型、基于模糊集理论的方法以及多分辨率图像分割等方法。并对各种方法的优缺点进行了分析。

论文第三章介绍了本论文的项目背景——人工膝关节置换虚拟手术。并且在分析三维医学图像特点的基础上提出了一种基于Snake的具有预测能力的自适应分割算法,并给出了模型的框架。

论文第四章介绍了本论文提出的具有预测能力的自适应分割方法的模型基础——snake,同时讨论了对Snake模型的一些改进,包括能量函数、搜索窗[1等方面,并且引入了一种随机扰动法,以克服I噪声的干扰。

论文第五章提出了一种针对三维图像分割的预测方法。模型的初始化是Snake模型的一个难题,它对模型的收敛速度和分割的精度都会有很大的影响。在这一章,我们讨论了近年来在三维图像分割中所使用的一些初始化方法,包括通用霍夫变换法、光流法等。提出了一种基于Snake控制点“运动”估计的模型初始化方法。

论文第六章详细讨论了基于人工神经网络的自适应分割方法。它在Snake模型的能量函数中增加了一项表征纹理特性的能量项,并且提出了基于人工衬f经网络的图像狄度梯度信息和纹理信息的融合方法。

论文第七章介绍了第三到第六章提出的方法在相关项目中的应用结果以及在其它领域的应用。

●’三型塑型!塑竖!!型!!:!!型堡坌型塑业丝:.:.查::童垡堡‘~

_

r?^,‘,:

:.论文第八章为小沦文的结束语,刈小论文做了一个总结,’并列采米的研究提出了一些设想。’’

1.3论文创新点

论文在以下几个方面有所创新:

1.在Snake模型的基础上进行了多方面的改进,包括:能量函数和搜索窗1:3等几个方面,并且引入了-q,随机扰动法。在Snake模型已经被初始化在目标轮廓附近的假设下(这由第五章的预测方法保证),提出了相似形变的概念,使用了沿Snake控制点所在处法线方向的条形搜索窗口,这不仅提高了迭代的速度而且消除了Snake内部能量第一项的必要性,在实现中可以省略这一项。这样就减小了算法的计算量,而且可以避免幽该能量项引起的控制点“堆积”效应。我们在图像能量中使用了灰度梯度的方向信息,提高了Snake模型的抗噪性。随机扰动法的提出可以进~步消除一些小的随机噪声的干扰,防止Snake控制点陷入一些局部“伪边界点”。

2.提出了一种Snake模型初始化方法——基于“运动”的预测方法。这是一种基于Snake控制点“运动”估计的方法,该方法通过分析已分割图像中物体轮廓的变化趋势,计算出Snake控制点在二维图像平面上的运动参数,从而预测出待分割图像中轮廓的可能位置和形状。通过精确的预测,保证了Snake模型能够快速、准确地收敛到目标轮廓。该方法易于理解,计算量小,预测结果准确。实验表明,该方法刘提高分割的精度和速度都有显著的效果。

3.提出了基于人工神经网络的图像灰度梯度信息和纹理信息的融合方法。物体的边界表现为狄度梯度、纹理等多种特征的不连续性。最初的Snake模型中,能量函数只包含了灰度梯度的信息。我们加入纹理能量项,并且提出了基于人工神经网络的梯度信息和纹理信息的融合方法。人工神经网络具有自适应、自组织能力,能够通过学习或训练改变网络中的权值,以适应环境的变化。这种基于人工神经网络的多种边缘特征融合万法能够利用已分割图像中的轮廓作为训练集,不断提高模型对当前处理图像类型的适应性,达到自适应的效果。

以上各创新点是本论文的核心内容。通过这些研究和试验,论文探索了三维图像的分割力.法,并成功地对医学切片图像进行了分割,为建立生物组织的三维模型提供了-q,有效和高质量的图像分割方法,实现了论文的目的。我们将在以后的各章中对论文的研究工作加以详细论述。

注:本论文得到卫生部B类研究课题(98—2-315)——上海第二医科大学附属瑞金医院“人工膝关节置换虚拟手术”等课题资助

●●三堡堕堂堕堡型堡些尘型堡坌型竺坐塑笙三!堕堂堕丝丝些!箜坌型塑鲨第二章医学图像处理中的分割方法

我们可以把图像分割问题定义为把一幅图像划分成彼此不重叠的若干个区域的过程,其中每个区域内的象素均有相似或一致的性质,而任何两个邻接的区域都不具有类似的性质m’。如果I表示一幅图像中所有象素的集合,那么图像分割问题就是要确定一组象索集瓯c,,这些象素集的并集等于l,而且s。是连通的,即

,2=瓯

并且S^nS,=矽,Ji}≠/

图像分割是低级计算机视觉中最基本最重要的研究内容,是成功进行图像分析、理解与描述的关键技术,因为图像分割结果的质量直接影响后面进行的分析、识别和理解的质量。图像处理和计算机视觉界的研究者们在这方面已经付出了长期的努力,提出的图像分割方法超过百余种。迄今为止,大部分研究成果都是针列某一类型图像、某一具体应用的分割,通用方法和策略仍面lI台;着巨大的困难。图像分割困难的深层次原因是它既不属于完全的图像特征抽取的问题,又不属于完全的物体以别的问题

医学图像处理中使阍的分割方法与一般的分割方法并没有本质区别。奉章将扼要介绍在医学图像分割中常用的一些方法。

2.1基于边缘检测的分割

边缘是图像最基本的特征。根据边缘的构型(Profile),可以把它分为阶跃型和屋脊型。基于边缘的分割方法就是要找出扶度不连续的点作为边缘。阶跃型边缘点是狄度一阶导数的最大值点,或者二阶导数的过零点:而屋脊型边缘点是灰度一阶导数的过零点,或者二阶导数的极小值点。

为了在图像中寻找边缘点,人们设计了各种各样的边缘检测算子(EdgeDetector),边缘检测算子检查每个像素的邻域并对灰度变化率进行量化。基于边缘检测的图像分割首先用边缘检测算子对图像进行处理,检测出边缘点,然后跟踪检测出的边缘点以构成边缘。边缘检测算子的种类很多,其中大多数是基于方向导数掩模求卷积的方法。常用的有以下几种【121”]:

?RoberLs算子

?Sobel算子

●●三维医学翻像可}址化中图像分制的{|J『究笫_二币医学幽像处理中的分割方浊

。PrewitL算子

?Kirsch算子

’LaplacianGaussian(LOG)算子

?Canny算予

基于边缘检测的分割方法的难点在于边缘检测时抗噪性和检测精度的矛盾。如果提高检测精度,则噪声产生的伪边缘会导致不合理的轮廓:如果提高抗噪性,则会产生轮廓漏检和位置偏差。此外,基于低层信息的轮廓跟踪也是一个难题,容易J“生刘边缘点的错以跟踪,1i能保UE构成封曲j的边缘。

2.2基于区域的分割

这种方法的挂本思想是根据图像的区域特征将图像划分为不同的区域。常用的特征包括:直接来自原始图像的狄度或彩色特征以及由原始灰度或彩色值变换得到的特征。主要方法有闽值法、区域生长法、区域分裂与合并法、聚类法等‘…1。

1.阈值法

阂值法根据整幅图像的整体信息(如垓幅图像的灰度直方图)或根据图像的局部信息0L.生矩阵等)来选择一个或几个灰度门限,从而把该图像分割成目标与背景或多个日标与背景的区域。阈值法的核心是如何合理的选择门限。为此已做了大量的研究:i二作。最普遍、最简单的方法是利用灰度直方图求双峰(日标与背景类图像)或多峰(多目标图像)的谷底作为门限。但是,并不是所有待分割的图像都具有明显的双峰或多峰直方图。在这种情况下,又提出了许多其它确定门限值的方法,包括局部闽值、模糊闽值、随机阈值等方法,以及先检测边缘再求边缘图像直方图谷底的方法。刈tJ二没有复杂背景、背景与物体列比清晰的图像,阈值法是一种快速而有效的方法。它的缺点是对噪声比较敏感,在含有强噪声干扰时,闽值法不能取得令人满意的分割结果。闽值法很少单独用来进行图像分割,而是用来作为预处理。

2.区域生长法

区域生长法从若干种子点或种子区域出发,根据一定的一致性准则向外生长。由一致性准则判定与初始点属于同一类的点被加入到分割结果中。一致性准则可以基于图像的亮度信息、边缘信息或纹理信息[1”。其中种子点可采用人机交互或自动方法设定。这种方法的关键在于种子点的位置、生长准则和生长顺序。像闽值法一样,区域生长法也只适应于一些比较简单的图像的分割,如肿瘤、损伤处等。区域生长方法中的起始点(区域)的选择对增长结果有很大的影响,区域生氏法同样别‘噪声很敏感,常会产生“空洞”或生长过渡。为解

三维医学图像uj{吣化r1?㈨像分剌的蛾究筇一节医学图像处理中的‘'割方法

决这些问题,有人尝试引入了模糊理沦的概念…7。

3.区域分裂与合并法

区域分裂与合j1:法首先拨得一个衲始分割结果,然后按某刺,规则合jl:tq-质相似的小区域,或分裂一个性质刁i一致的区域为更小的区域,如此递归进行,

以最后完成分割的1r.-务。它?叮以采川。』Ⅸ域,L长法棚类似的一致性准则。与l爱

域生长法相比,这种方法的优点在1:小需要=f|i}定初始点或区域,并且…次可以

分割出所有的轮廓。

4.聚类法

聚类法把图像映剁到特征空间,然后根掘像素在特征空间中的距离对像素进行分类。映射方法可以是任何形式的图像的函数。最简单也是最常见的映射

方法是等ffin,尖r,l,J,即使刑图像扶度木身。最常见的聚类法有K.平均法(K.means

algorithm)和模糊c一平均法(fuzzyc—meansalgorithm)l“。K.平均法是一种迭代

算法。每一次迭代中,先计算各类的平均特征值,然后按照最小距离的原则对

每一个像素进行分类。模糊c一平均法是K一平均法的~般化,引入了模糊集理论

的概念。聚类准则是聚类分割的关键。由于缺乏对像素空间拓扑关系的考虑,

往往还需进行后处理才能究成分割,而且聚类法对噪声也很敏感。

2.3随机场模型

随机场模型方法用概率模型来描述纹理特征,它把纹理的灰度信息看成随机数据,通过统计运算估计纹理模型的参数,一般采用的参数估计方法有最大似然估计(为了计算的方便性经常采川伪似然估计)、最小=乘估计等。此时,分割问题可陈述为:给出一个图象的实现Y,如何来确定引起Y出现的真实景物x的实现x。这科,方法通常划图像采用分块处理,在每个分块中估计模型参数,然后对一系列的模型参数进行聚类,形成和纹理类型数一致的多组模型参数:由估计fr:J模型参数对灰度图像可以进行逐点的最大后验概率估计,确定象素点及其邻域情况下该象素点最可能p1Jjj;的概率。

常用的模型~般分为:Markov、Gibbs模型两种…。对于MRF(MarkovRandomField)模型来说通过局部特征很难得到全局的组合分布,而且此模型的应用经常需要一些假设条件。而GRF(GibbsRandomField)通过集簇势能的概念,可以通过局部的计算获得全局性的结果。

随机场模型的一个困难是参数的『F确选择。另外,随机场模型的计算量非常大。尽管有这些不足之处,由于它能有效地改进分割的效果,所以仍然被广泛使用I”。

●三维医学J呈|像nJ州化r…划缘分削的州宄第二帝仄学幽像处理rp的分制方法2.4人工神经网络的方法

人工神经网络(ANN)出于其并行性、实时性和分布式存贮与处理带来的系统冗余能力等优点,使它在模式以别、图像处理等领域受到了广泛的重视。原则上讲,大部分分割方法都可用ANN实现。人工神经网络用于分割的研究起步较晚,应用较多的有多层前馈神经网络,多层误差反传(BP)神经网络,自组织神经网络,Hopfield神经网络以及满足约束的神经网络(CSNN-ConstraintSatisfacti_onNeuralNetwork)等模型。被实现的分割方法有门限化的分割、基于边缘检测的分割、基于象素分类的分割(随机场模型法、聚类方法等),也包括基于模糊目标谚{别的分类方法等。

Btaaz和Gish用一个三层前馈网络进行图像分割。输入层神经元数等于每个象素输入的特征数,输出层神经元数等于分类数,通过训练网络便可对图像进行分类和分割。Babaguchi等人用一个多层BP网来门限化一幅图像,该网络的输入是图像的直方图,输出是期望的门限。Ghosh等人用一个大规模的网络来从背景中抽取目标,神经刚络主要用来估计景物的GRF模型中真实象素实现的最大后验概率。

把ANN引入到图像分割中,使图像分割的实时性和对噪声的鲁棒性大大提高。

2.5主动轮廓模型

主动轮廓线(ActiveContourModel)或Snake是由Kass,Witkins和Terzopoulos于1987年提出的I”I。简单地来讲,主动轮廓模型就是~条可变形的参数曲线及其相应的能量函数,以最小化能量函数为目标,控制参数曲线变形,具有最小能量的曲线就是目标轮廓。

主动轮廓线可以表示为定义在“∈f01]上的参数曲线c(u)=(x@),y(“)),及其能量函数:

E埘靠。=【E(c(u))du=【【E。,p(“))+E。,卵。o(“))+E删。Ⅲ,o@))]du(2_1)E。是Snake的内部能量函数,它的作用在于使轮廓保持一定的平滑性和连续性。E。。。是Snake的图像能量函数,它反映了轮廓点与图像局部特征相吻合的程度。不同的图像能量函数使轮廓收敛到图像的不同的特征点,可以是边缘、线条等特征。E。。。,足snake的控制能量函数,它可根据具体的应用需求来定义,

●●三维医学酗像aJ挑化cI,蚓像分削的州咒笫二章医学图像处理中的分割方法

用于在模型中加入各种人为约束控制,例如轮廓应该避丌的区域等。控制能量函数也可以用来扩大Snake的收敛范围,例如Kass定义的火山(Volcano)模型¨6I。

Snake是一种上层指导下层的方法,用参数对下层进行指导而得到一个唯一的结果。它提供了~个白上丽下的良好的动态迭代框架。它能够有效地利用局部与整体的信息,实现准确定位,保持线条光滑,具有较好的抗噪性,并具有可以接受的计算复杂度。但这种分割方法容易收敛到局部最优点,因此要求初始轮廓应尽可能靠近真实轮廓。此外,收敛速度比较慢也是它的一个缺点。

Snake适用范围很广,尤其在医学图像的处理中有着非常广泛的应用,在文献[171叫一有详细的介绍。

2.6多分辨率图像分割方法

多分辨率技术能够提高图像分割的速度和准确度,特别是高分辨率图像,因此在图像分析与计算机视觉中得到十分广泛的应用。基于多分辨率图像锥的图像分割是多分辨率技术在分割图像的~种应用。它把被分割的原始图像作为最高分辨的图像,然后按照某种准则,将相邻排列的若干个(一般为4个)象素划为一组连接成一个交接点,于是便形成了一l瞻缩小的新图像或一个新的分层。剥+于这一层图像再使用同样办法进~步归并,直到顶层为一个元素(根结点)为止。这就是所谓的金字塔形的结构。基于这种结构能够充分组合利用图像的全局与局部信息、空M与扶度信息,并且便于采用分层处理方式。

多分辨率技术能够有效提高图像处理的速度,对于Snake模型还能够扩大Snake的搜索范围,因此人们提出了结合多分辨率技术和Snake模型的图像分割方法。例如,在文i}i|c[18]q,提出了…种基于多分辨率的主动轮廓线跟踪算法。该算法先在低分辨率的图像中用Snake模型进行分割;然后把分割结果映别到高分辨率的图像中,作为Snake的初始位置,进行更精确的分割,直到得到原始图像的分割结果。这种方法扩大了跟踪的范围,并且提高了算法的速度。

●●三丝堕兰望堡型。型些主堕堡坌吉4的{肝究第三章一种具有顶测能力的自适成分割方法第三章一种具有预测能力的自适应分割方法

在这~章,我们将介绍所设计的分割方法的基本思想,并确定模型的框架。我们要分割的对象是三维医学图像,所以我们所有的讨论都将围绕三维医学图像的特点和它的应用领域展开。我们首先介绍一下和本论文相关的科研项目,然后确定分割算法的设计目标并选择合适的模型,最后给出整个算法的框图。

3.1人工膝关节置换虚拟手术

3.1.1项目介绍

本论文的研究是与实际应用项目——人工膝关节置换虚拟手术相结合的,这是上海交大汁算机系计算机视觉实验室与上海第二医科大学附属瑞金医院合作进行的一个研究项目。该项目利用虚拟现实技术为医务人员提供了一种全新的方法,以试验和评估新的医疗措施。该系统主要完成以下功能:

1.根据患者的CT或x光照片建立相应的膝关节虚拟模型:

2.提供虚拟医疗器械;

3.评价手术方案的优劣,熟练手术过程;

4.为修整人造关:削是供量化的依据。

现阶段的任务足完成第1项功能。输入的数据是CT断层图像,要在此基础上建立膝关:甫内部的骨骼或其他组织的模型。由于CT图像的获取涉及到与病人的协商问题,我们实际使用的是人体解剖切片图像,这可以方便地从互联网上获得(http://www.nlm.nih.gov/research/visible/visiblehuman.html)。我们采用的体视化技术是表面绘制方法中的移动立方体算法(MarchingCubesAlgorithm),冈此必须对输入的三维图像进行分割。

3.1.2对分割算法的要求

三维医学图像对分割方法提出了特殊的要求。首先,三维医学图像有多种成像原理,包括超声波图像、计算机断面扫描图像(CT图像)、磁共振图像(MR图像)以及解剖图像等。由于成像原理的不同,不同图像有着不同的特点。对于我们所采用的解剖切片图像,它的背景一般比较复杂,不同的器官组织的边缘特征也不尽相同。另外,在CT图像中,骨骼具有很好的成像效果,而内脚:等软组织的成像效果就比较差;与CT图像相反,MRI图像对于内脏器官等软

组织就有比较好的成像效果;而对于超声波图像,它的成像效果一般比较差,

存在大量的噪声信息,器官的边界主要表现为纹理的不同。为了使算法能够完

成多种器官组织的分割任务,并且适用于不同成像原理的医学图像。就必须使

算法具有良好的自适应性。

其次,要求分割算法具有较高的分割精度。三维医学图像的分割目的是为了最终建立人体器官、骨骼的三维模型以实现体视化。这就要求分割得到的轮

廓能够精确反映人体器官、’阿itl’骼的的边界,否则就失去了使用价值。所以一般

都采用提供交互手段的半自动分割算法,使得分割结果能够由专家进行校正。

最后.三维医学图像的数据量比较人。一般一组图像有几十帧图像,有些情况下甚至达到』-百幅f2。j.如表3—1所示。这就要求算法具有较快的分割速度,

特别是刘于半自动分割方法,起码不能使操作人员的等待口寸f白J太长。另外对于

半自动分割力法,要尽!连减少人:}:的参jj程度,以减轻劳动强度。希望算泄;能

够学习专业人员给出的指导(刘分割结果的调整),提高后继帧的分割效果。

袁3_l医学图像的数据量

Tbl3-IMedicatDataTypiealSize

从上面的分析可以看出,三维医学图像的可视化对相应的分割算法在速度和精度方面都提出了比较高的要求,医学图像的复杂性又要求算法具有较好的

自适应性。

3.2一种具有预测能力的自适应分割方法

?根据以上要求,我们提出了如下的设计目标。

3.2.1一种半自动模型

从人工参与程度来看,现在医学图像分割的研究方向有两个:一种追求不需要人参与的全自动分割;另一种研究如何在人的指导下快速、高质量地完成

分割。采川』川?的那一种方案足分削力法设计凶‘儿要决定的。

自动分割方法一般是针对不同的问题研究不同的方法,有很大的局限性。

●医学图像是反映人体生物组织的的复杂图像,由于人体器官、组织的形状差异很大,在切片图像中表现出的特性也各不相同,难以用一种自动分割方法统一处理。另外,自动分割方法的主要依据足目标袖;图像中表现出的特征(如狄度、邻域空间信息、颜色或纹理等),分割的结果往往是图像意义上的区域,而不一定是感兴趣的目标。为了得到精确的分割结果,提高算法的适用性,我们不得不引入人的指导,采用半自动分割方法。

半自动分割方法还可以有效降低计算复杂度。目标的形状是图像中区分目标与背景的非常重要特征之一。L1标的形状模型可以完善由局部图像特征(如灰度、颜色、邻域空ffqf占息或纹理等)提供的信息。特别地,在存在图像噪声及在不良成像条件下,日标形状提供的全局特征信息往往比图像数据所提供的局部特征更加稳健可靠。我们应该充分利用目标的全局形状及结构等信息,指导从复杂图像中分割出感兴趣的目标。人擅长于目标的识别和定位,可以很容易地发现感兴趣目标的空问位置并定性地给出目标的大小和几何形状。因此在图像分割的过程中引入人的指导对于提高算法的分割精度和适应性是有必要的,一味地追求“全自动”而抛弃专家的专业知识是不明智的。而且由于领域的特殊性,医学一Lff,-l处理结果必须最终得到医生、专家的肯定才能应用。

因此,我们的目标是设计一种达到人和计算机专长最佳结合的半自动分割方法图像分割算法。Kass提出的主动轮廓模型(Snake)用一系列受限制的点表示一条连续的参数曲线,用能量水表示曲线的状态,从某以初始位簧丌始,在使能量函数递减的算法的驱使下产生形变,直到达到目标的边缘。Snake模型对目标的形变具有良好的自适应能力;而且它是~种上层指导下层的方法,它提供了~个自一L而下的良好的动态迭代框架。所以我们的算法将以Snake模型作为基础。

3.2.2预测能力

Snake模型的求解是通过迭代方法实现的。Snake曲线在图像力、曲线内力以及外加的控制力的作用下,在图像的二维平面中逐渐形变,最终在目标轮廓达到平衡。这种方法的运算量比较大,收敛时间也比较长。迭代的次数依赖于模型的初始位置。如果模型的初始位置与目标轮廓的距离很近,那么只需要很少的迭代次数:反之,如果初始位置与目标轮廓的距离比较远,就需要迭代很多次爿+能收敛。这之问的差距可以达到一个数量级以上。

另外,Snake模型的分割质量也与模型的仞始位置有很大联系。当模型的始位置与目标轮廓相距较远时,不仅迭代的次数大大增加,而且分割结果的质量也会下降,甚至不能收敛到目标轮廓。由此可见,Snake模型的初始化对于用Snake模型进行图像分割是一个非常重要的步骤。在较早的研究qJ,研究人

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要:图像分割是图像处理和分析的关键。随着影像医学的发展,图像分割在医学应用中具有重要意义。本文从医学应用的角度出发,对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字:医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MRI(磁共振成像技术)、Ultrasound(超[2]声)及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域,从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域,对疾病诊断、图像引导手术以及医学数据可视化等有重要作用,为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可

医学影像工作原理及图像获取方式

医学影像工作原理及图像获取方式 2.2医学超声影像工作原理 超声是指高于人耳听觉范围的声波,通常是指频率高于20 kHz的高频振动机检波,应用于医学诊断的超声频率一般在1MHz至几十MHz之间。自1958年商用超声成像产品问世以来,超声医学设备以其实时性、对人体无损伤、无痛苦、显示方法多样,尤其对人体软组织的探测和心血管脏器的血流动力学观察有其独到之处而成为在医学中应用最为广泛的成像设备之一。 超声在医学中的重要作用在于它不但可以穿透人体,而且可以与身体组织相互作用。超声波穿过人体时要经过折射和反射,这可发生在超声波经过的任何交界面上,其作用就如同光束经过一个非均匀物质一样。超声波的波长很短,从而易于窄脉冲波束的实现,因此超声换能器可以做得小而紧凑。 超声在临床应用中主要分为诊断与治疗两个方面:超声诊断采用的是较高频率(多在2MHz以上)与较低声强的超声波,高频可提高对组织的分辨率,用以获得清晰、细致的声像图,而低声强则可降低对组织损伤的副作用。超声治疗采用的是较低频率(通常<1MHz)与较高声强的超声波,低频超声增大对组织的穿透率,而高声强(特别是聚焦后)超声可对组织产生生物效应,用于选择性破坏局灶性病变。 2.2.1超声设备与种类 超声诊断主要应用超声良好的指向性和与光相似的反射、散射、衰减及多普勒(Doppler)效应等物理特性,采用不同的扫查方法,将超声发射到人体内,并在组织中传播,当正常组织或病理组织的声阻抗有一定差异时,它们组成的界面就会发生反射和散射,再将此回波信号接收,加以检波等处理后,显示为波形、曲线或图像等。由于各种组织的界面形态、组织器官的运动状况和对超声的吸收程度等不同,其回波有一定的共性和某些特性,结合生理、病理解剖知识与临床医学,观察、分析、总结这些不同的规律,可对患病的部位、性质或功能障碍程度做出概括性以至肯定性的判断。 超声诊断仪由主机和探头构成,均包括发射、扫查、接收、信号处理和显示等五个部分。超声诊断仪的种类很多,而且互有交叉,按照显示回波方式和空间的不同,主要包括以下几种: 1.A型(Amplitude Mode)超声 A型超声是最早出现的一维超声诊断技术,它将声束传播位置上的组织按距离分布的回波信息在显示器上以幅度调制的形式显示,并从回波的幅度大小、形状及位置进行诊断,回波强则波幅高,回波弱则波幅低。常用A型法测量界面距离、脏器径值以及鉴别病变的物理性质,它是现代各种超声成像的物理基础。 2.B型(Brightness Mode)超声 B超是把组织的一个断层面上的超声回波信息以二维分布形式显示出来,组织内的散射、反射回波信息以辉度调制方式显示,回波强则光点亮,回波弱则光点暗。光点随探头的移动或晶片的交替轮换而移动扫查,由于扫查连续,可以由点、线而扫描出脏器的解剖切面,它是二维空间显示,又称二维超声。 按其成像速度的不同,可分为慢速成像和快速成像,慢速成像只能显示脏器的静态解剖图像,由于每帧图像线数甚多,图像清晰,扫查的空间范围较大。快速成像能显示脏器的活动状态,也称为实时(ReaITime)显像诊断法,但所显示的面积较小,每幅图像线数与每秒显示的帧数相互约制,互为反比。按照扫描方式的不同,又可分为电子线性扫描、电子凸阵扫描、机械扇形扫描和相控阵扫描等。 3.M(Motion Mode)型超声

医学图像分割方法汇总

医学图像分割方法汇总 本文主要介绍在医学图像分割方面的几种典型算法,详细介绍每种算法的工作原理,通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点,分析结果产生的原因,从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像,使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值(对于八位灰度图像,最大值一般为255),像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像(图 1.1)的分割结果。(从上到下,从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍)。 图1.1原始脑部图像

图1.2 使用不同阈值分割后的结果 从实验结果来看,使用简单的阈值分割,过程十分简便,原理简单易懂,但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢,就是从0遍历到255),找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理: 对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。 假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:ω0=N0/ M×N (1)

医学图像处理综述

医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ,核磁共振成像(MRI),核医学成像(NMI)和超声波成像(UI) 这四类。 (1)x射线成像:传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。(例如人体中骨组织密度最大,在图像上呈白影,肺是软组织并且含有气体,密度最低,在照片上的图像通常是黑影。)常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代,是传统影像技术中最为成熟的成像模式之一,其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择,空间分辨率和对比度的还需进一步提高。 (2)核磁共振成像(MIR) 发展于20世纪70年代,到80年代才进入市场,这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像,无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域,广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视,其技术尚在迅速发展

过程中。 (3)核医学成像(NMI ) ,目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主,其基本原理是向人体注射放射性核素示踪剂,使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像,而且可提供动态图像。 (4)超声波成像(Ultrasonic Imaging ) ,属于非电离辐射的成像模态,以二维平面成像的功能为主,加上血液流动的彩色杜普勒超声成像功能在内,在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是,它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体.这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官,软组织和病变体的分割提取,三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分

3D医学图像可视化

姓名:顾衍文 学号:S1409W0536 专业:控制工程

医学图像处理 ——区域增长算法分割出肺部的气管 1、肺质分割已有的方法有许多种,这些方法都是基于阈值法、区域生长法、模 式分类法发展起来的,阈值分割法是传统的肺实质分割算法,分割速度快,但它对气管、支气管以及躯干以外的区域分割效果不理想,而且在阈值的选择上也存在实际困难。区域生长法是将具有连通性并且特征相近的非肺质区域提取出来的一种算法,它能够快速的分割肺质区域并保留弥散性边界,但它会忽视强梯度边界包围的区域,同时种子点的选取、生长合并条件的制定对结果的影响也十分显著。模式分类法需要先验知识的引入,采集大量的训练样本并提取图像特征,虽然该方法在分割的效果上较好,但训练和分割的处理时间长、算法复杂度高,这决定了模式分类法不适合应用在胸肺CT 的预处理环节中。 原始肺部图片 2、就区域生长法而言,需要设置的参数有两个,分别是阈值和种子点。在种子点的选取上,通常设置在主气管的顶端也就是胸肺CT 切片数据第一张中的气管区域,生长过程采用8 邻域的三维生长方式,气管树的抽取至上而下。在阈值的选取上,为了自动获取最优的阈值,

算法中引入了泄漏检测规则和阈值递增法则,实验的初始阈值T0 设定为一个保守阈值,本实验从经验值(-960HU)开始,每次生长结束后阈值增加10HU,直至结果中检测到泄漏。当泄漏现象被探测到时,迭代过程终止,并取上一次的阈值Tk 分割结果作为最优阈值生长的结果输出。对泄漏的检测规则是通过比较阈值递增过程中前后两次分割抽取的体素总量的变化,当泄漏发生时,生长区域扩散到肺实质,这会使分割出的体素总量大幅增加。 区域增长后得到的肺部气管3D图 3、采用mevislab的算法和参数配置图:

医学图像的分割

第六章医学图像分割 医学图像分割是医学图像处理和分析的关键步骤,也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件,使得更高层的医学图像理解和诊断成为可能。本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍,接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后,较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。 第一节医学图像分割的意义、概念、分类和研究现状 医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值,具体表现为以下几个方面:(1) 用于感兴趣区域提取,便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合,解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等;(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析,将有助于医生诊断、随访或修订对病人的治疗方案; (3)用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等;(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值;(5)用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库,可对医学图像数据进行语义学意义上的存取和查找。 所谓医学图像分割,就是根据医学图像的某种相似性特征(如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等)将医学图像划分为若干个互不相交的“连通”的区域的过程,相关特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同,也就是说在区域边界上的像素存在某种不连续性。一般说来,有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。

医学图像三维可视化原理

医学图像三维可视化原理 一.原理: 医学图像的三维可视化技术主要包括三维重建绘制的预处理技术及绘制技术。在对体数据进行绘制之前,要对图像数据进行改善像画质、分割标注、匹 配融合等预处理操作。 1.三维重建绘制的预处理技术及绘制技术: (1)改善图像画质改善图像画质主要使用四种技术:① 锐化技术,即突出图像上灰度突变的各类边缘信息,增大对比度,使图像轮廓更加清晰;②平滑技术,即抑制噪声而达到改善像质的措施;③复原技术,即根据引起图像质量下降的原因而采取的一种恢复图像本来面目的处理措施;④校正技术,即采用几何校正措施,去掉图像上的几何失真。通过以上技术可以去除图像上的畸变及噪声信息,使图像更加清晰,以便用目视准确判读和解释。 (2)分割标注分割标注是保证三维重建准确性的关键技术,分割效果直接影响三维重构的精确度[4]。图像分割的目标是将图像分解成若干有意义的子区域(或称对象)。标注则为了能够识别出各区域的解剖或生理意义。在医学图像领域,常常简单地将分割标注的过程称为分割。 (3)可简单的将医学图像分割分为两类:基于边界和基于区域。基于边界的分割寻找感兴趣的封闭区域;基于区域则是将体数据分为若干不重叠的区域,各区域部的体素相似性大于区域之间的体素相似性[5]。在三维领域,由于各向异性, 往往是两种方法混合使用,以达到最佳的精度和效率。医学图像分割的具体方法有聚类法、统计学模型、弹性模型、区域生长、神经网络等。 2.医学体数据三维可视化方法通常根据绘制过程中数据描述方法的不同可分为

两大类:一类是通过几何单元拼接拟合物体表面而忽略材料的部信息来描述物体三维结构的,称为基于表面的三维面绘制方法(surfacefitting),又称为间接绘制方法;另一类是直接将体素投影到显示平面的方法,称为基于体数据的体绘制方法(directvolumerendering),又称为直接绘制方法。 (1)面绘制方法表面绘制是一种普遍应用的三维显示技术,其首先是从体数据中抽取一系列等值面(,是指在一个网格空间中由在某点上的采样值等于一定值的所有点组成的集合。),并用多边形拟合近似后,再通过传统的图形学算法显示出来。由于表面可以简洁地反映复杂物体的三维结构,因此在医学图像中边界面轮廓是用于描述器官的最重要特征。 (2)体绘制方法(其原理实质是将离散的三维空间数据转换为离散二维数据,将离散的三维数据场转换为离散的二维数据点阵)体绘制方法以其在体数据处理及特征信息表现方面的优势,已得到研究者越来越多的重视,被越来越广泛地应用于医学领域。这类方法依据视觉成像原理,首先构造出理想化的物理模型,即将每个体素都看成是能够接受或者发出光线的粒子,然后依据光照模型及体素的介质属性分配一定的光强和不透明度,并沿着视线观察方向积分,最后在像平面上就形成了半透明的投影图像。投影法和光线跟踪法就是两种体绘制方法。

图像分割技术在医学图像处理中的应用研究

2007年3月第期 3TAIYU ANSCI-TECH 图像分割是指将图像分割成各具特征的区域并提取出感兴趣的目标的技术和过程,是图像处理到图像分析的关键步骤。在医学领域中,图像分割常常用于病变区域提取,特定组织测量以及实现三维重建研究,因此研究图像分割技术在医学图像处理过程中具有十分重要的意义。 1基于区域的分割方法 基于区域的分割方法是利用区域内的特征的相 似性把图像划分为一系列有意义的区域。 1.1阈值法 阈值法是一种最常用的并行区域技术,阈值是 用于区分不同目标的灰度值。阈值分割方法的结果依赖于阈值的选取,确定阈值是阈值分割的关键,阈值分割实质上就是按照某个准则求出最佳阈值的过程。 阈值法的优点是计算简单、运算速度快,特别是不同物体或结构之间有较大的强度对比时,能够得到很好的分割效果,此分割方法通常是交互式的,由于阈值法能实现实时操作,所以它更易于建立在用户视觉估计的基础上。 阈值法的缺陷是:最简单形式的阈值法只能产 生二值图像来区分两个不同的类别。此外,阈值法在考虑像素本身灰度值的同时并不考虑图像的空间分布,这样其分割结果就对噪声很敏感。针对它的不足,一些学者提出了许多经典的算法,如局部阈值、模糊阈值,随机阈值等方法。阈值分割对于 CT图像的效果较好,但在选取阈值时需要用户依 经验判断,或者先做多次尝试性分割后再对阈值进行调整,直至用户满意为止。Kim等用多次阈值分割法检测螺旋CT图像中的肺结性病变,共检测了 24例病人的827张图像,检测结果灵敏度为96%, 并且没有出现假阳性结果[1]。 1.2区域生长法 区域生长法是根据预先定义的标准,提取图像 中相连接的区域的一种分割方法。采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。 区域生长法对面积不大的区域进行分割时,效果显著,如果对面积较大的区域进行分割,则计算速度就会减慢。另外,对于图像中不相邻而灰度值相同或相近的区域,不能一次分割出来,只能一次分割一个区域。 2基于边界的分割方法 基于边界的分割方法是利用不同区域间像素灰 度不连续的特点检测出区域间的边缘,从而实现图像分割。根据边缘检测方法的不同,通常把边缘检测方法分成串行边缘检测和并行边缘检测两大类。 2.1串行边缘检测法 串行边缘检测法首先要检测出一个边缘起始 点,然后根据某种相似性准则寻找与前一点同类的 边缘点,这种确定后续相似点的方法称为跟踪。根据跟踪方法的不同,这种串行边缘检测方法又可分为轮廓跟踪、光棚跟踪和全向跟踪3种。 图像分割技术在医学图像处理中的 应用研究 马春梅1,刘贵如2,王陆林3 文章编号:1006-4877(2007)03-0064-02 收稿日期:2007-01-19;修回日期:2007-02-10 作者简介:马春梅(1978-),女,山西朔州人。2005年9月就 读于山西大学,攻读硕士学位,助教。 (1.山西忻州师范学院数学系,山西 忻州 034000;2.云南师范大学计算机科学与信息技术学院,云南 昆明650092; 3.西南交通大学,四川 成都 610031) 摘 要:图像分割是图像处理、图像分析的关键步骤,而医 学图像分割是图像分割的一个重要的应用领域,也是一个经典难题。从应用的特定角度,论述了医学图像处理中图像分割的几种算法,对近年来医学图像分割的新方法或改进算法进行了阐述,并简要介绍了每种算法的特点及应用。关键词:图像分割;医学图像处理;边缘检测中图分类号:TP391.41 文献标识码:A 应用技术

医学图像分割综述

医学图像分割综述 郭爱心 安徽大学 摘要:图像分割是图像处理和分析的关键。随着影像医学的发展,图像分割在医学应用中具有重要意义。本文从医学应用的角度出发,对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。 关键字:医学图像分割意义方法评估标准发展前景 A Review of Medical Image Segmentation Ai-Xin Guo Anhui University Abstract:Image segmentation is the key of image processing and analysis.With the development of medical image,image segmentation is of great significance in medical applications.From the perspective of medical applications,this paper made a simple review of the medical image segmentation on it’s significance、methods、evaluation standards and development prospects. Key words:medical image,segmentation,significance,methods,evaluation standards,development prospects 1.医学图像分割的意义 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MRI(磁共振成像技术)、Ultrasound(超声)及其它医学影像设备所获得的图像[2]。医学图像分割是将原始的2D或3D图像划分成不同性质(如灰度、纹理等)的区域,从而把感兴趣的区域提取出来[1]。医学图像分割是一个非常有研究价值和研究意义的领域,对疾病诊断、图像引导手术以及医学数据可视化等有重要作用,为临床诊疗和病理学研究提供可靠的依据。 医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可避免的具有模糊、不均匀性等特点。另外,由于人与人之间有很大的差别,且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此,我们有必要针对医学应用这个领域,对图像分割方法进行研究。 2.医学图像分割的方法 2.1.基于区域的分割方法 基于区域的分割方法有阈值法,区域生长和分裂合并,分类器与聚类和基于随机场的方法等。 阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割,它将图像分为目标和背景;如果需用多个阈值则称为多阈值方法,图像将被分割为多个目标区域和背景,为区分目标,还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设:目标或背景内的相邻像素间的灰度值是相似的,但不同目标或背景的像素在灰度上有差异,反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷,从而将各个峰分开[2]。阈值分割的优点是实现相对简单,对于不类的物体灰度值或其他特征值相差很大时,能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理,然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像,对于图像中不存在明显的灰度差异或各物体的灰度值范围

医学图像分割方法综述

医学图像分割方法综述 随着计算机技术的发展,图像分割在很多领域都得到发展并被广泛应用,在医学临床上的应用更是越来越明显和重要。找到合适的医学图像分割方法对临床诊断和治疗都具有重大意义。文章针对近年来提出的图像分割方法进行了总结。 标签:图像分割;区域生长;聚类;水平集;图割 1 概述 图像分割是图像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率[1]。图像分割的目的就是把目标从背景中提取出来,分割过程主要基于图像的固有特征,如灰度、纹理、对比度、亮度、彩色特征等将图像分成具有各自特性的同质区域[2]。医学图像分割是医学图像进行后续操作的必要前提,学者通过大量的研究得到了很多自动快速的分割方法。 2 图像分割方法分类 医学图像有各种成像模态,比如CT、MRI、PET、超声等。由于医学图像本身的复杂性和多样性,如灰度不均匀、低分辨率、弱边界和严重的噪声,准确分割是个相当棘手的问题,分割过程中在目标区域里出现的一些问题都将导致图像分割结果不准确。近年来,众多图像分割方法中没有任何一种算法能适用于所有图像。图像分割方法一般是基于图像的,即利用图像梯度、亮度或者纹理等就能从图像中获得信息进而对图像进行分割,主要有聚类法、区域生长、水平集、图割等算法。 2.1 聚类法 聚类算法简单的包括K-Means算法和Fuzzy C-Means(FCM)。 K-Means算法是基于距离的硬聚类算法,通常采用误差平方和函数作为优化的目标函数,定义误差平方和函数如下: 其中,K代表聚类的个数,Cj(j=1,2,…,K)表示聚类的第j类簇,x 表示类簇Cj中的任意一个数据对象,mi表示簇Ci的均值。从公式中看出,J是数据样本与簇中心差异度平方的总和,K个类聚类中心点决定了J值的大小。显然,J越小表明聚类效果越好。 K-Means算法的核心思想为:给定一组含有n个数据对象的数据集,从其中隨机选取K个数据对象作为初始中心,然后计算剩余的所有数据对象到各个初始中心之间的距离,根据最近邻原则,把所有数据对象都划分到离它最近的那个初始中心的那一类簇,再分别计算这些新生成的各个类簇中数据对象的均值,以此作为新类簇的中心,比较新的中心和初始中心的误差平方和函数J的大小,上

DICOM医学图像三维可视化系统的研究

DICOM医学图像三维可视化系统的研究 Research on 3-D Visualization System for DICOM Medical Image 骆建珍 林财兴 孟令旗 杨安荣 (上海大学机电工程与自动化学院,上海 200072) 摘 要:医学图像三维可视化是当前科学计算可视化应用的重点。通过对DICOM图像的结构、解析方法和三维可视化技术的探讨以及对系统结构和各模块功能的研究,开发了DICOM医学图像三维可视化系统。研究表明,该系统能有效地实现DICOM医学图像三维可视化,为医务人员提供更为直观逼真立体图像,具有广泛的临床应用价值。 关键词:DICOM 可视化 VTK 体绘制 面绘制 Abstract: 3-D visualization of medical image is a main application of scientific visualization.Develop a 3-D visualization system for DICOM medical image via discussing the DICOM file format andmethods of analyzing and researching the structure and function and key technology of 3-D visualization.Research shows, the system can effectively implement 3-D visualization of medical image. The systemprovides more intuitionistic and vivid medical image for diagnosis, and is significant in clinicapplication. Key words: DICOM visualization VTK volume rendering surface rendering 0 引 言 医学图像三维可视化是可视化技术在医学领域的一个重要应用,是当前医学图像处理的研究热点。它利用计算机将二维图像 序列重建三维图像模型,弥补医学成像设备在成像上的不足,为 医生提供直观、逼真、具有真实感的三维医学图像,有效地提高 了诊断效率。DICOM(digital imaging and communications in medicine)是医学数字成像和通信的国际标准,是目前国 际上唯一为广大医疗影像设备厂家所严格遵守的规范。如何用 现有的先进图像处理软件(VTK)和硬件设备将DICOM医学图 像三维可视化成了人们普遍关注的问题。因此,研究DICOM医 学图像的三维可视化无论在临床应用方面还是在理论研究方面, 都具有重大的意义。 1 DICOM的概念 DICOM是由美国放射学院(American College of Radiology, ACR)和国家电气制造商协会(National Electrical Manufactur- ers Association,NEMA)共同制定的,它包括医学的数字成 像和通信两个方面。该标准的制定有效地解决了各种不同的成 作者简介:骆建珍 硕士研究生。主要研究领域为医学图像处理。 林财兴 博士生导师,教授。主要研究领域为CIMS。 孟令旗 硕士研究生。主要研究领域为医学图像处理。 杨安荣 博士研究生。主要研究领域为医学图像处理。像设备之间交换图像的障碍,促进了数字图像设备的网络化和医学影像技术的发展。 DICOM文件一般由1个DICOM文件头和1个DICOM数据集合组成。DICOM文件头(DICOM file meta information)包含了标识数据集合的相关信息。每个DICOM文件都必须包括该文件头。文件头的最开始是文件前言,它由128个00H字节组成;接下来是DICOM前缀,它是一个长度为4字节的字符串“DICM”,可以根据该值来判断一个文件是不是DICOM文件。文件头中还包括其他一些非常有用的信息,如文件的传输格式、生成该文件的应用程序等等。 DICOM文件主要组成部分就是数据集合。这不仅包括医学图像,还包括许多和医学图像相关的信息,如病人姓名、图像大小等。在DICOM文件中最基本的单元就是数据元素(data-element),DICOM数据集合就是由DICOM数据元素按照一定的顺序排列组成的。 DICOM数据元素主要由4个部分组成——标签、VR(valuerepresentation,数据描述)、数据长度和数据域。标签是

医学图像分割综述

龙源期刊网 https://www.doczj.com/doc/1f6077018.html, 医学图像分割综述 作者:王益东 来源:《健康必读(上旬刊)》2018年第04期 【摘要】医学图像分割是指在医学图像中,利用计算机视觉技术,根据区域内像素的相 似特性(纹理等)以及区域间的不同特性,将图像中感兴趣的区域(ROI)提取出来,获取有关人体组织器官的有效信息,反馈给医生以及学者作为诊断依据。随着计算机技术的日新月异和医疗设备的快速发展,医疗图像分割技术在影像医学中的作用日益增大。本文首先介绍了医学图像分割的背景及其应用。接着,详细分析了相关图像分割算法。最后,总结了医疗图像分割技术在目前面临的困难与挑战,并提出了展望。 【关键词】医学影像;图像分割 【中图分类号】TP391.41 【文献标识码】A 【文章编号】1672-3783(2018)04-0281-01 1 引言 近几年来,随着计算机视觉技术和磁共振成像技术(MRI)、正电子放射层析成像技术(PET)、计算机断层成像(CT)、单光子辐射断层摄像(SPECT)、超声(Ultrasound)等医学影像设备的飞速发展,医学图像分割技术在影像医学中所发挥的作用越来越大。医学图像分割技术则是把医学图像分割成若干个具有不同特性的区域,区域内保持一定的相似性,区域间有一定的相异性,从而提取出感兴趣的部分。 医学图像分割在临床诊断中发挥着重要作用,如: (1)生物医学图像分析:解剖结构的测量、心脏运动跟踪等。 (2)组织、器官定量分析:通过对人体器官或是病变器官容积的定量检测,为医生的临床诊断提供依据。 (3)医学图像3D重建:用于外科手术的仿真、药物治疗的评估等。 目前,医学图像分割技术的发展仍然面临一些困境,主要原因在于医学图像的多样性、复杂性及其采集的困难性。由于人体器官位置的特殊性,医学图像采集较为困难,图形容易受到组织运动等问题的影响,所采集的医学图像相交于普通图像而言,噪声较大。并且人体间存在个体差异,不同人体的组织和器官差异较大。因此,针对医学图像对图像分割技术进行研究,显得尤为重要。 2 医学图像分割算法

医学图像处理技术

医学图像处理技术 摘要:随着医学成像和计算机辅助技术的发展,从二维医学图像到三维可视化技术成为研究的热点,本文介绍了医学图像处理技术的发展动态,对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上,提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词:医学图像处理;图像分割;图像配准;图像融合;纹理分析 1.引言 近20 多年来,医学影像已成为医学技术中发展最快的领域之一,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。20 世纪70 年代初,X-CT 的发明曾引发了医学影像领域的一场革命,与此同时,核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。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。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2.医学图像三维可视化技术 2.1 三维可视化概述 医学图像的三维可视化的方法很多,但基本步骤大体相同,如图.。从#$ /&’(或超声等成像系统获得二维断层图像,然后需要将图像格式(如0(#1&)转化成计算机方便处理的格式。通过二维滤波,减少图像的噪声影响,提高信噪比和消除图像的尾迹。采取图像插值方法,对医学关键部位进行各向同性处理,获得体数据。经过三维滤波后,不同组织器官需要进行分割和归类,对同一部位的不同图像进行配准和融合,以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力,选择不同的方法进行三维体绘制,实现三维重构。 2.2关键技术: 图像分割是三维重构的基础,分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域,由于医学图像的各区域没有清楚的边界,为了解决在医学图像分割中遇到不确定性的问题,引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状,自动或半自

医学图像三维可视化原理

医学图像三维可视化原理

医学图像三维可视化原理 一.原理: 医学图像的三维可视化技术主要包括三维重建绘制的预处理技术及绘制技术。在对体数据进行绘制之前,要对图像数据进行改善像画质、分割标注、匹配融合 等预处理操作。 1.三维重建绘制的预处理技术及绘制技术: (1)改善图像画质改善图像画质主要使用四种技术:① 锐化技术,即突出图像上灰度突变的各类边缘信息,增大对比度,使图像轮廓更加清晰;②平滑技术,即抑制噪声而达到改善像质的措施;③复原技术,即根据引起图像质量下降的原因而采取的一种恢复图像本来面目的处理措施;④校正技术,即采用几何校正措施,去掉图像上的几何失真。通过以上技术可以去除图像上的畸变及噪声信息,使图像更加清晰,以便用目视准确判读和解释。 (2)分割标注分割标注是保证三维重建准确性的关键技术,分割效果直接影响三维重构的精确度[4]。图像分割的目标是将图像分解成若干有意义的子区域(或称对象)。标注则为了能够识别出各区域的解剖或生理意义。在医学图像领域,常常简单地将分割标注的过程称为分割。 (3)可简单的将医学图像分割分为两类:基于边界和基于区域。基于边界的分割寻找感兴趣的封闭区域;基于区域则是将体数据分为若干不重叠的区域,各区域内部的体素相似性大于区域之间的体素相似性[5]。在三维领域,由于各向异性, 往往是两种方法混合使用,以达到最佳的精度和效率。医学图像分割的具体方法有聚类法、统计学模型、弹性模型、区域生长、神经网络等。 2.医学体数据三维可视化方法通常根据绘制过程中数据描述方法的不同可分为

两大类:一类是通过几何单元拼接拟合物体表面而忽略材料的内部信息来描述物体三维结构的,称为基于表面的三维面绘制方法(surfacefitting),又称为间接绘制方法;另一类是直接将体素投影到显示平面的方法,称为基于体数据的体绘制方法(directvolumerendering),又称为直接绘制方法。 (1)面绘制方法表面绘制是一种普遍应用的三维显示技术,其首先是从体数据中抽取一系列等值面(,是指在一个网格空间中由在某点上的采样值等于一定值的所有点组成的集合。),并用多边形拟合近似后,再通过传统的图形学算法显示出来。由于表面可以简洁地反映复杂物体的三维结构,因此在医学图像中边界面轮廓是用于描述器官的最重要特征。 (2)体绘制方法(其原理实质是将离散的三维空间数据转换为离散二维数据,将离散的三维数据场转换为离散的二维数据点阵)体绘制方法以其在体数据处理及特征信息表现方面的优势,已得到研究者越来越多的重视,被越来越广泛地应用于医学领域。这类方法依据视觉成像原理,首先构造出理想化的物理模型,即将每个体素都看成是能够接受或者发出光线的粒子,然后依据光照模型及体素的介质属性分配一定的光强和不透明度,并沿着视线观察方向积分,最后在像平面上就形成了半透明的投影图像。投影法和光线跟踪法就是两种体绘制方法。

医学图像分割综述

医学图像分割综述 楼琼,11106109 摘要: 图像分割是一个经典难题,随着影像医学的发展,图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发,对医学图像分割方法,特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述,最后总结了医学图像分割方法的研究特点。 1.背景介绍 医学图像包括CT 、正电子放射层析成像技术(PET )、单光子辐射断层摄像(SPECT )、MRI (磁共振成像技术)、Ultrasound (超声)及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用,图像处理的意义越来越重大,其一般流程如下图: 而图像分割技术是图像分析环节的关键技术,其在影像医学中发挥着越来越大的作用 [1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段,同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合,如组织容积的定量分析, 诊断,病变组织的定位,解剖结构的学习,治疗规划,功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开,这些区域是互相不交叉 的,每一个区域都满足特定区域的一致性。 定义 将一幅图像,其中(,)g x y 0_x Max x ≤≤,0y Max y _≤≤,进行分割就是将图像划分为满足如下条件的子区域:

a) ,即所有子区域组成了整幅图像。 1(,)(,)N k k g x y g x y ==∪b) 是连通的区域。 k g c) (,)(,)k j g x y g x y φ=∩,即任意两个子区域不存在公共元素。 d) 区域满足一定的均一性条件。其中均一性(或相似性)一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 k g 如果连通性的约束被取消,那么对像素集的划分就称为分类,每一个像素集称为类。简便起见,在下面的叙述中将经典的分割和像素分类通称为分割。 医学图像分割至今仍然没有获得很好的解决,其中一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可避免的具有模糊、不均匀性等特点。另外,人体组织结构形状复杂,而且人与人之间有很大的差别。这些都给医学图像分割带来了困难。因此,我们有必要针对医学应用这个领域,对图像分割方法进行研究。 为了解决医学图像的分割问题,近几年来,很多研究人员做了大量的工作,提出了很多实用的分割算法[2][3][4],随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论、偏微分方程理论等在图像分割中的应用日渐广泛,遗传算法、尺度空间、多分辨率方法、非线性扩散方程、水平集方法等近期涌现的新方法和新思想也不断被用于解决分割问题,国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中的新方法或对原有方法的新改进。 2.基于区域的分割方法 图像分割通常会用到不同对象间特征的不连续性和同一对象内部特征的相似性。基于区域的算法侧重于利用区域内特征的相似性。 2.1 阈值法 阈值分割是最常见的并行直接检测区域的分割方法[5]。如果只用选取一个阈值称为单阈值分割,它将图像分为目标和背景;如果需用多个阈值则称为多阈值方法,图像将被分割为多个目标区域和背景,为区分目标,还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设:目标或背景内的相邻像素间的灰度值是相似的,但不同目标或背景的像素在灰度上有差异,反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷,从而将各个峰分开。 阈值分割的优点是实现相对简单,对于不类的物体灰度值或其他特征值相差很大时,能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理,然后应用其他一系列分割方法进行后处理。 阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像,对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。另外,由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息,阈值分割对噪声和灰度不均匀很敏感。针对阈值分割方法的缺点,不少学者提出了许多改进方法,如基于过渡区的方法[6],还有利用像素点空间位置信息的变化阈值法[7],结合连通信息[8]的阈值方法。 对于多目标的图像来讲,如何选取合适的阈值实在是基于阈值分割方法的困难所在。至

相关主题
相关文档 最新文档