论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　关键词：三维医学图象 多模态医学图象 可视化图象 分割数据整合图象 匹配数据融合

        引言

　　过去的半个世纪中，各种新的医学成象方法的临床应用，使得医学诊断和治疗技术取得了很大的进展，同时将各种成象技术得到的信息进行互补，已共同为临床诊疗及生物医学研究提供了有力的武器，如X线断层成象（X-CTX-rayComputerizedTomography,包括动态空间重建器DSRDynamicSpaceReconstructer)磁共振成象（MRIMagneticResonanceImaging)?功能磁共振成象（fMRI)、单光子发射断层成象（SPET:SnglePhotonEmissionTomography)、正电子发射断层成象（PETPositronEmissionTomography)、数子血官减影成象(DSA；DigitalSubtractionAngiography)、超声成象（USUltrasonography)、脑磁图（MEGMagetoencephalograhy)显微成象（MicroscopyImaging)等，均各有特长，已能够分别以不同的时空分辨率提供各种解剖信息和(或)功能信息，如今临床诊断、治疗计划的制定以及评价，都经常需要以上多种模态图象的支持.医学成象技术发展到今天，已经能够提供复杂物体及复杂过程的三维信息，这就使得对医学图象可视化新方法的需求变得日益重要和紧迫.

科学可视化（Scientificvisualization)是一个计算机科学领域术语，它包含用户界面、数据表达?处理算法?视觉表达及其它感官的感觉表达(如听觉或触觉），而数据可视化（Datavisualization)的概念比科学可视化范围更广，因为（1)其数据来源不再局限于科学或工程计算；（2)除科学可视化外，数据可视化还涵盖了统计方法等各种标准数据分析技术，三维医学图象的可视化与一般的科学计算可视化问题相比，有其特殊性，虽然其绘制方法和其它规则体数据的可视化相似，但其分割标注、匹配和融合等技术则各有其特点。

　　1.医学图象分割标注

　　图象分割的目的是将图象分解成若干有意义的子区域(或称对象），而标注则指识别出各区域的解剖或生理意义，因而在医学图象可视化领域，常常简单地将分割标注的过程称为分割.由于手工分割对操作者的依赖性强，既耗时费力，又可能丢失大量有用信息，因此，在医学领域，自动或半自动的图象分割方法是非常重要的.如今医学临床和手术环境中的许多应用，均需要从三维医学图象得到解剖结构或病理组织的精确三维模型，如进行病理或正常组织的量化研究，以及与其它可视化技术结合，制定术前和术中交互的手术计划等，均要求分割算法能够从CTMRIPETSPET或超声等各种图象模态中分离出解剖结构和定位出损害的位置和形状。

　　一般可简单地将医学图象分割方法分为基于边界和基于区域的分割两类.其中，基于边界的分割是寻找感兴趣区域的封闭边界;而基于区域的分割则是将体图象分为若干不重叠的区域，且使各区域内部的体素相似性大于区域之间的体素相似性.但在三维领域，由于各向异性，往往需将上述两种方法混合使用，以达到最佳的精度和效率。

　　模糊理论问世以后，人们已认识到，从某种意义上看，以概率形式提供的信息更接近于事物的真实情况，而医学图象中的区域往往没有清晰的边界，因此分割任务常常要处理某些带不确定性的问题，如包含几种解剖结构的混合体素的识别。若以模糊的观点来描述区域或确定判断准则，即在每一处理阶段用概率来表示和处理这种不确定性，则反而可以得到较为理想的最终结果.其与传统的“硬”方法(二值分割方法，即给予每个体素一个肯定的判决一一要么属于，要么不属于某个物体)相比，由于引入了模糊概念的模糊阈值、模糊聚类模糊边缘等技术，因而在图象分割领域取得了广泛的关注。

　　本文将按聚类、统计学模型弹性模型区域生长、神经网络等来讨论若干种适用于医学图象分割的具体算法。

　　(1)聚类法该法是最为直接和最实用的图象分割方法，这种方法是当体素灰度映射到根据某种规则分成的几个区域特征空间后，若体素灰度属于哪一个类的区域，则具备该灰度的图象体素就属于哪个类.而且当图象映射到一维特征空间时，就可得到图象的灰度直方图，然后根据直方图即可进行分割，这即是阈值法，而阈值法实际上是聚类法的一个特例.可是许多应用中，聚类法往往和其他方法混合使用，如Chen等就是用一种基于K平均聚类和基于知识的形态学运算技术来对心脏CT体图象序列做自动分割[4].他们提出的自适应K平均聚类算法能分割图象中灰度分布平滑变化的区域，且空间约束由Gibbs随机场引入；Gregson的算法则可以从躯干部MR图象中自动分割出心脏[5]，这种方法的过程是，首先选择一个典型的心脏矢状面切片，然后基于阈值法逐步分割出躯干、肺区域心脏区域及心脏，该切片分割结果即作为邻近切片的分割初值.一般解剖结构的位置和相对大小等先验知识可用以指导分割；Hu针对血管内超声图象的特点而提出的方法还能克服伪迹(如斑点)和不同物体灰度重叠的问题。他们是通过定义两种灰度级别的相关系数后，并据此对图象的灰度级聚类，再用阈值法对图象象素分类，然后按象素及其邻域的空间关系来校正因灰度级重叠而造成的误分割，最后去掉孤立象素来完成聚类.另外，还有模糊c均值平均算法(FCM)，该算法[7]是对“硬，，c均值平均算法（HCM)的发展，该法是通过模糊目标函数的最优化来实现聚类，因而一般要迭代求解，这类算法的特点是赋予每个数据点一个用来表明该数据点对各个类隶属程度的概率值，而不是像“硬”聚类那样，认为每点只能属于某一特定类，如今FCM算法在图象分割处理中已得到广泛的应用。

　　(2)基于贝叶斯理论的统计学模型法该法是首先用参数化的3D解剖模型来预测图象特征;然后再提取预测子区域的局部图象特征;最后通过概率计算来完成图象处理以及图象特征匹配，进而支持或否定关于图象解剖学的预测，如Fassnacht等用隐式Markov网格模型从磁共振图象中分割出肿瘤，Fassnacht认为非肿瘤区域的图象灰度服从某种“等概率”分布，而肿瘤区域服从高斯分布，且为Markov模型引入类加权系数，这样使临床操作者可以影响分割结果；而Baker等的贝叶斯分割方法则是由基于先验概率的Gibbs随机场（GRF)分布来达到后验概率（MAP)的最大化，且通过在相对无噪声的残肢超声图象上叠加小点或噪声所进行的测试表明，该算法是足够鲁棒的.另外，这种Baker方法还包含滤波降级过程和一个自适应聚类算法，甚至还可以多分辨率的形式来表达分割结果。

• 　　论文部落提供核心期刊、国家级期刊、省级期刊、SCI期刊和EI期刊等咨询服务。
• 　　论文部落拥有一支经验丰富、高端专业的编辑团队，可帮助您指导各领域学术文章，您只需提出详细的论文写作要求和相关资料。
•  
• 　　论文投稿客服QQ: 2863358778、 2316118108
•  
• 　　论文投稿电话:15380085870
•  
• 　　论文投稿邮箱:lunwenbuluo@126.com