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

　　(3)弹性模型法其思路来自物理的变形模型，即认为物体的边缘具有弹性，可以在内力和外力作用下不断变形，其内力由轮廓的弹性性质决定，而外力来自图象.当内外力平衡时，就得到感兴趣区域边界的一个解.这种方法最早运用于二维图象的轮廓提取，如“蛇线”模型;然后发展成利用层间传播的准三维（2.5维）变形轮廓线方法，如Ranganath将蛇线成功地用于从心脏MRI图象中提取等值线，其方法是将计算得到的图象等值线作为相邻图象的起始等值线，然后采用一个中间处理步骤来提供更好的等值线初值，以避免蛇形等值线陷于一个不恰当的局部最小;后来弹性模型又扩展到三维，如基于三维曲面的“气球”模型，1995年，Mclnerney又提出了动态“气球”模型[12]，即一个带张力的薄板样条曲面球，其以局部多项式基函数加权和的形式来表达连续表面，这种方法不仅可以用弹性变化来拟合图象数据，而且拟合过程受来自样条的弹性特性内力以及由图象数据产生的外力的联合调制，Mclnerney即用该模型拟合技术从心脏三维CT图象中分割出左心室表面，并对动态心脏CT图象（四维)进行了左心室运动跟踪，以估测其在心动周期内过引入梯度矢量流的概念（Gradientvectorflow)，从而很好地克服了传统“蛇线，，模型对初始轮廓敏感和难以收敛于“凹”形轮廓两大缺点，该算法很容易推广到二维.如Aboutanos就先用脑图谱来建立脑的初始模型，再将模型变形，直到与图象中大脑的精确轮廓线匹配.弹性模型算法与其它算法比较，因计算量小，并以其在CTMRI超声等多模态图象中进行轮廓线确定、等值面提取、非刚性体运动跟踪等方面的出色表现，预示出它在临床医学图象分割领域具有良好的应用前景。

　　(4)区域生长方法该法的本质是寻找强度相似体素的空间集群.其最简单的区域生长是以单一体素作为起始点，而较为优化的算法则是从图象的一些均匀小区域出发，然后对每个区域及其邻近区域进行均匀性测试，若满足某种均匀性标准，就作区域合并操作;其也可反向进行，即将整个图象作为初始分割，若区域不满足均匀性标准，则被等分成8份(三维图象），再对彼此相邻的每对区域做均匀性测试.如果测试通过，则两个子区域合并为一个区域.该过程迭代进行，直至分裂、合并操作结束.Annunziato等把三维图象视为一系列二维图象的堆叠，他们首先以不同的均匀性条件来分析图象及执行“分裂合并”操作，随后进行区域合并和三维连接；Iseki等又针对3D树状物体的特征提出一种递归搜索方法?，他们先用手工在胸部X光CT截面图象上找到一个气管起始点后，再用该递归搜索方法找到整个支气管树，然后根据支气管树和血管的解剖关系，来提取肺部血管的三维结构。

　　(5)神经网络法由于神经网络由大量基本处理单元构成，因此可以在某种程度上模拟生物体神经网络的活动.它不仅具有非线性和自学习功能等突出的特点，而且，基于神经网络的医学图象分割系统具有较好的鲁棒性，目前已有各种类型的神经网络应用于医学图象分割，如Cheng将医学图象分割问题的求解转换为竞争性的Hipfield神经网络(CHNN)[19]的计算，这种CHNN网络由c个神经元构成，其中n为图象灰度级数，c为感兴趣物体个数，且神经元个数与图象大小无关.另外以神经网络的能量函数为代价函数，迭代更新相邻神经元间突触的权重，米用“赢者独占”（Winertakesall)的学习机制，使网络能够较快地达到稳定.而Ahmed和Farag的方法则是用自组织Kohenen网络对CT/MRI脑切片图象进行分割和标注,并将具有几何不变性的图象特征以模式的形式输入到Kohenen网络，进行无指导的体素聚类，以得到区域.这种神经网络由两级组成，其中，第1级是将特征向量投影到其主导轴上；第2级则完成自组织特征映射(SOFM)，这样，即可将输入向量自动地聚类到不同的区域.该人工神经网络能够有效地聚集相似组织和分离不同组织。

　　对于医学图象的识别而言，解剖知识病理知识以及关于成象方式的知识均是必不可少的，有的时候，专家指导也是必要的.另外，知识模型能够系统地为计算机提供各种知识，有效地指导医学图象的分割过程.由于在医学图象分割标注时引入了解剖知识，因此基于知识模型的分割，还有希望在得到分割结果的同时，对其进行标注.如今用知识模型指导的医学图象分割已有多个实例，如Snell提出的基于分层活动曲面模板的复杂三维物体分割[21].该方法中的模板是由一个或多个活动表面模型组成，而活动表面模型则根据结构形状和位置的先验知识设计，Snell用其分割脑部三维MRI图象;而Tan等的方法则是首先匹配数字化TT图谱和人脑数据，然后据此建立形状知识的模糊表达来指导多模态脑部医学图象分割。

　　虽然医学三维数据场的复杂性和多样性经常使一些算法如一些分水岭算法[24]，分割出过多的区域，但只要对分割结果作适当的合并，这些算法仍有很大的实用价值。

　　鉴于用适当的分割或标注方法来提取目标物体是整个可视化的前题，因此如何快速准确地分割?标注是急待解决的问题，虽然近来三维医学图象分析领域的许多研究都集中在图象分割的完全自动化上，但能够适用于任何数据的鲁棒的实用算法还没出现.而且分割是一个不确定问题，大量的心理物理实验表明，由于图象分割的结果强烈地依赖于人们对客观景物的先验知识，因此基于知识的医学图象分割方法有希望实现对复杂图象结构的稳健和自动分割。

　　2.匹配和融合

　　由于可以对同一个病人用不同的成象仪器多次成象，或用同一台仪器多次成象，这样即产生了多模态图象.为了更好地利用多模态图象，需要对各个模态的原始图象进行匹配和数据融合，其整个过程称绘制以及自动和精确的分割标注等，从而为诊断?手术计划和手术指导提供更精确和更丰富的信息。

　　(1)匹配:将多个医学体图象的信息转换到一个公共的坐标框架内的所有研究，都可归为三维医学图象的匹配，其中，包括断层图象之间的严格对齐问题，其匹配对象可以是同一成象方式的两次结果(如对肿瘤放射治疗结果的跟踪比较），称为单模态图象匹配;而更多情况下是对不同模态的医学体数据进行匹配，即多模态图象匹配.另外，将标准的图谱与临床医学图象匹配，也是多模态图象匹配的一种形式.这种匹配可在任意维数上进行，现以二维?三维的多幅图象匹配为例进行介绍，匹配一般需要首先在不同图象数据组之间定义相对应的特征(提取图象内在或外加的特征），然后才能寻找匹配变换（刚性变换仿射变换投影变换或非线性变换）。

• 　　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