医学图像处理技术概述

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。

医学图像处理技术概述

樊尚春 周游

北京航空航天大学仪器科学与光电工程学院，北京 （100083）

E-mail：

摘 要：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

中图分类号：TP391；R318.5

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、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[1]。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。因此，医学图像处理技术在国内外都得到了快速的发展[2][3]。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．医学图像分割

医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前, 主要以各种细胞、组织与器官的图像作为处理的对象，图像分割技术主要基于以下几种理论方法。

2.1基于统计学的方法

统计方法是近年来比较流行的医学图像分割方法。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。

用吉布斯（Gibbs）分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等[4]结合人脑MR图像的空间关系定义Markov随机场的能量形式,然后通过最大后验概率(MAP)方法估计Markov随机场的参数,并通过迭代方法求解。层次MRF[5]采用基于直方图的DAEM算法估计标准有限正交混合(SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。

林亚忠等[6]采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs 随机场模型参数无监督及估计难等问题,使分割结果更为可靠。

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。

2.2基于模糊理论的方法

模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边缘检测等。在各种模糊分割技术中,近年来模糊聚类技术,特别是模糊C-均值(FCM)聚类技术的应用最为广泛。FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。然而,FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。

近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割(FFCM)[7]是最近模糊分割的研究热点。FFCM算法对传统FCM算法的初始化进行了改进,用K-均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。它实际上是两次寻优的迭代过程,首先由K-均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。

2.3基于神经网络的方法

按拓扑机构来分,神经网络技术可分为前向神经网络、反馈神经网络和自组织映射神经网络。目前已有各种类型的神经网络应用于医学图像分割,如江宝钏等[8]利用MRI多回波性,采用有指导的BP神经网络作为分类器,对脑部MR图像进行自动分割。而Ahmed和Farag[9]则是用自组织Kohenen网络对CT/MRI脑切片图像进行分割和标注,并将具有几何不变性的图像特征以模式的形式输入到Kohenen网络,进行无指导的体素聚类,以得到感兴趣区域。模糊神经网络(FNN)分割技术越来越多地得到学者们的青睐,黄永锋等[10]提出了一种基于FNN的颅脑MRI半自动分割技术,仅对神经网络处理前和处理后的数据进行模糊化和去模糊化,其分割结果表明FNN分割技术的抗噪和抗模糊能力更强。

2.4基于知识的方法

基于知识的分割方法主要包括两方面的内容:(1)知识的获取,即归纳提取相关知识,建立知识库；(2)知识的应用,即有效地利用知识实现图像的自动分割。其知识来源主要有:(1)临床知识,即某种疾病的症状及它们所处的位置；(2)解剖学知识,即某器官的解剖学和形态学信息,及其几何学与拓扑学的关系,这种知识通常用图谱表示；(3)成像知识,这类知识与成像方法和具体设备有关；(4)统计知识,如M I的质子密度(PD)、T1和T2统计数据。Costin等

[11]提出了一种基于知识的模糊分割技术,首先对图像进行模糊化处理,然后利用相应的知识对各组织进行模糊边缘检测。而谢逢等[12]则提出了一种基于知识的人脑三维医学图像分割显示的方法。首先,以框架为主要表示方法,建立完整的人脑三维知识模型,包含脑组织几何形态、生理功能、图像灰度三方面的信息；然后,采用“智能光线跟踪”方法,在模型知识指导下直接从体积数据中提取并显示各组织器官的表面。

2.5基于模型的方法

该方法根据图像的先验知识建立模型,有动态轮廓模型(Active Contour Model,又称

Snake)、组合优化模型等,其中Snake最为常用。Snake算法的能量函数采用积分运算,具有较好的抗噪性,对目标的局部模糊也不敏感,但其结果常依赖于参数初始化,不具有足够的拓扑适应性,因此很多学者将Snake与其它方法结合起来使用,如王蓓等[13]利用图像的先验知识与Snake结合的方法,避开图像的一些局部极小点,克服了Snake方法的一些不足。Raquel等[14]将径向基网络(RBFNN cc)与Snake相结合建立了一种混合模型,该模型具有以下特点:(1)该

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。

混合模型是静态网络和动态模型的有机结合；( 2)Snake的初始化轮廓由RBFNN cc提供；

(3)Snake的初始化轮廓给出了最佳的控制点；(4)Snake的能量方程中包含了图像的多谱信息。Luo等[15]提出了一种将live wire算法与Snake相结合的医学图像序列的交互式分割算法,该算法的特点是在少数用户交互的基础上,可以快速可靠地得到一个医学图像序列的分割结果。

由于医学图像分割问题本身的困难性，目前的方法都是针对某个具体任务而言的，还没有一个通用的解决方法。综观近几年图像分割领 …… 此处隐藏：10972字，全部文档内容请下载后查看。喜欢就下载吧 ……