医学在图像中的应用

医学在图像中的应用

李金妍

摘要：文章介绍了医学图像处理的基本技术，对图像分割、图像拼接、伪彩色处理和纹理分析技术进行了综述。医学治疗在医学图象处理技术的帮助下，对人体内部病变部位的观察更直接、更清晰，确诊率也更高

关键字：医学图像处理；图像分割；图像拼接；伪彩色处理；纹理分析

中国分类号：TP317.4

In the application of medical image

Abstract:the article introduces the basic technology of medical image processing, image segmentation, image mosaicing, false color processing and texture analysis technique was reviewed in this paper. Medical treatment in medical image processing with the help of technology, the lesion site inside human body of more directly, more clear observation, diagnose rate is also higher．

Key word: Medical Image Processing ; image segmentation ; image mosaicing ;

for color processing ; texture analysis

医学在图像中的应用

１引言

随着科技的进步，多学科交叉和融合已成为现代科学发展的突出特色和重要途径。自从显微镜问世以来，对医学图像的分析已成为医学研究中的重要方法，特别是电脑技术的发展以及X- CT、MRI、PET、SPECT 等新型成像技术和设备的出现，使得医学图像处理技术对医学科研及临床实践的作用和影响日益增大，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。医学图像处理的基本技术主要是对图像分割、图像配准、图像融合、伪彩色处理和图像的纹理分析。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。因此，医学图像处理技术一直受到国内外有关专家的高度重视。

２图像分割技术

医学图像分割就是研究如何针对各种图像快速帮助医生将感兴趣的物体（病变组织等）提取出来，帮助医生能够对病变组织进行定性及定量的分析，从而提高医生诊断的准确性和科学性，从而在此基础上进行诸如病理学、病变组织的三维重建等一系列的后续研究工作成为可能[1]。因此，医学图像分割是一个非常基础的工作，但又是极其重要的研究领域。基于特定理论的图像分割方法具有严密的理论基础，能够更好地对图像进行分割处理，无论在运算速度还是分割精度方面与传统的图像分割方法相比都具有明显的优势。

2.1窄带法

窄带法由Adalsteinsson，Sethian [2－3]等提出，该方法的基本思想是：通过仅演化水平集附

近的很窄的带状区域水平集的函数值，也就是说只在这个带状区域中求解偏微分方程，从而达到减少计算量的目的。但是也存在如下问题：零水平集的位置在经过几次的迭代之后可能超出窄带的范围，需要把水平集函数重新初始化为符号距离函数。董建园[4]等提出一种基于策略演化水平集的图像分割方法，该方法不需要计算符号距离函数和偏微分方程，水平集演化过程中避免了重新初始化水平集函数。这种方法特点主要有：

（1）通过直接计算能量函数来确定水平集的更新，而不是使用传统的求解偏微分方程的方法。（2）通过内外轮廓曲线上点的转换，使得曲线或者曲面进行扩展和收缩从而不需要扫描整个图像，也不同于一般的窄带法。

（3）该方法在一定程度上绕开了水平集方法图像分割的瓶颈，把问题的解决建立在新旧能量函数之差的计算上。但是该方法只能适用于分割单个目标，对多个目标分割则优势不明显。

2.2快速推进发

基于传统水平集运算量大的缺陷，Sethian 等提出了快速推进法（fast marching）能够极大提高运算速度[5]。该方法是通过求解Eikonal方程得到稳定解[6]。速度函数的设定能够使得

零水平集演化在目标边界处停止，因此速度函数的选择成为影响图像分割质量的关键因素。快速推进法的不足之处在于：该方法的速度项和停止准则的选取没有充分考虑图像的全域信息，在图像灰度比较接近、图像边缘模糊的地方，分割效果不太理想。李鑫宇[7]等将水平集方法和快速推进法相结合，充分利用了水平集与快速推进法各自的优势，在提高分割准确性的同时运算量也得到降低。

2.3快速扫描法

Zhao[6]等人提出利用快速扫描方法（fast sweeping method）来对Eikonal方程进行求以及符号距离函数（SDF）的计算。该方法的显著特点就是将计算的复杂程度由O（NlogN）降到O（N），其中N 为像素点个数。但快速扫描法对计算域有比较高的要求，在窄带水平集方法

的应用中效果不是很理想。柳周[8]等将快速扫描法与窄带水平集法相结合，通过定义一种特殊的窄带和数据结构，对传统的扫描方法进行了改进，实验证明，该方法可以节省约一半的计算量。

2.4模糊连接法

其基本思想是：通过将图像中具有相似性的像素集合起来构成一个区域，区域中每两个相邻像素连成一条边，该边隶属于感兴趣对象的程度可以用0~1之间的数值来表示[9]。表示这条边隶属于感兴趣区域大小的数值即是模糊连接度。通过将像素划分到与其模糊连接度最高的目标区域中，从而完成图像分割。杨玲等[9]采用模糊连接法对牙齿进行分割，克服了牙齿边界的模糊性，分割结果表明该方法能够有效地分割出单科牙齿，克服了畸形牙齿难以分割的问题。

2.5 模糊阈值分割方法

模糊阈值法由S.K.Pal[10]等于1983 年提出，使用模糊数学来对灰度图像进行描述，定性地讨论了隶属函数窗宽对阈值选取的影响，图像分割的模糊阈值是通过对模糊率以及模糊熵的计算来选择的。Murthy[11－12]等又指出，阈值的选择不但与隶属函数窗宽有关，而且与隶属函数的分布特性有关。该方法中的阈值的确定依赖于隶属函数的选择，在隶属函数选定之后，阈值的选取则取决于隶属函数窗宽[13]。针对模糊阈值的选择问题，学者们做了大量的研究工作：汤春明等[14]采用基于最大信息熵的模糊阈值分割方法来寻找模糊分割中的最佳阈值，在对神经元干细胞序列图像中分裂细胞精细分割处理中，该方法能够较好地保留细胞形状特征，能够对微小目标精细分割。模糊集分割技术与其他分割技术相结合来进行医学图像处理，这是模糊集理论在医学图像处理中的一个应用趋势。毕峰[15]等提出一种基于遗传模糊聚类的分割算法，利用遗传算法寻找初始聚类的中心值，这样就克服了模糊C-均值聚类算法的缺陷，通过对超声图像的分割处理，取得比较好的分割效果。

随着各种图像分割技术的发展以及新的理论在图像分割处理中的不断运用，医学图像分