风湿性关节炎分析论文

论文关键词：医学图像处理图像分割图像配准图像融合纹理分析 论文摘要：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。 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:MagneticResonanceImaging)MRI:MagneticResonanceImaging)、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#$/&’(MRI:MagneticResonanceImaging)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(MRI:MagneticResonanceImaging)#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，自动或半自动的图像分割方法是非常重 要的。在实际应用中有聚类法、统计学模型、弹性模型、区域生长、神经网络等适用于医 学图像分割的具体方法。 由于可以对同一部位用不同的成像仪器多次成像，或用同一台仪器多次成像，这样产 生了多模态图像。多模态图像提供的信息经常相互覆盖和具有互补性，为了综合使用多种 成像模式以提供更全面的信息，需要对各个模态的原始图像进行配准和数据融合，其整个 过程称为数据整合。整合的第一步是将多个医学图像的信息转换到一个公共的坐标框架内 的研究，使多幅图像在空间域中达到几何位置的完全对应，称为三维医学图像的配准问题。 建立配准关系后，将多个图像的数据合成表示的过程，称为融合。在医学应用中，不同模 态的图像还提供了不互相覆盖的结构互补信息，比如，当 CT 提供的是骨信息，MRI 提供 的关于软组织的信息，所以可以用逻辑运算的方法来实现它们图像的合成。 当分割归类或数据整合结束后，对体数据进行体绘制。体绘制一般分为直接体绘制和 间接体绘制，由于三维医学图像数据量很大，采用直接体绘制方法，计算量过重，特别在 远程应用和交互操作中，所以一般多采用间接体绘制。在图形工作站上可以进行直接体绘 制，近来随着计算机硬件快速发展，新的算法，如三维纹理映射技术，考虑了计算机图形 硬件的特定功能及体绘制过程中的各种优化方法，从而大大地提高了直接体绘制的速度。 体绘制根据所用的投影算法不同加以分类，分为以对象空间为序的算法（又称为体素投影 法）和以图像空间为序的算法!又称为光线投射法"，一般来说，体素投影法绘制的速度比 光线投射法快。由于三维医学图像的绘制目的在于看见内部组织的细节，真实感并不是最 重要的，所以在医学应用中的绘制要突出特定诊断所需要的信息，而忽略无关信息。另外， 高度的可交互性是三维医学图像绘制的另一个要求，即要求一些常见操作，如旋转，放大， 移动，具有很好的实时性，或至少是在一个可以忍受的响应时间内完成。这意味着在医学 图像绘制中，绘制时间短的可视化方法更为实用。 未来的三维可视化技术将与虚拟现实技术相结合，不仅仅是获得体数据的工具，更主 要的是能创造一个虚拟环境。 3．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。 3.1 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(MRI:MagneticResonanceImaging)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(MRI:MagneticResonanceImaging)MAP))方法估计 Markov 随机场的参数,并通过迭代方法求解。层次 MRF) 采用基于直方图的 DAEM 算法估 计标准有限正交混合(MRI:MagneticResonanceImaging)SF)NM)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。 3.2 基于模糊集理论的方法 医学图像一般较为复杂，有许多不确定性和不精确性，也即模糊性。所以有人将模糊 理论引入到图像处理与分析中，其中包括用模糊理论来解决分割问题。基于模糊理论的图 形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。模糊阈值分割技术利用不同的 S 型隶属函数来定义模糊目标，通过优化过程最后选择一个具有最小不确定性的 S 函数， 用该函数表示目标像素之间的关系。这种方法的难点在于隶属函数的选择。模糊 C 均值聚 类分割方法通过优化表示图像像素点与 C 各类中心之间的相似性的目标函数来获得局部极 大值，从而得到最优聚类。Venkateswarlu 等[改进计算过程，提出了一种快速的聚类算法。 3.2.1 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(MRI:MagneticResonanceImaging)F)CM)聚类技 术的应用最为广泛。F)CM 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,F)CM 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 F)CM 分割算法,其中快速模糊分割(MRI:MagneticResonanceImaging)F)F)CM)是最近模糊分割的研究热点。 F)F)CM 算法对传统 F)CM 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 F)CM 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 F)CM 进行模糊聚类,最终得到图像的 最优模糊分割。 3.2.2 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 F)arag 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(MRI:MagneticResonanceImaging)F)NN)分割技术越来越多地得到学者们的青睐,黄永锋等提出了一种基于 F)NN 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 F)NN 分割技术的抗噪和抗模糊能力更强。 3.2.3 基于小波分析的分割方法 小波变换是近年来得到广泛应用的一种数学工具，由于它具有良好的时一频局部化特 征、尺度变化特征和方向特征，因此在图像处理上得到了广泛的应用。 小波变换和分析作为一种多尺度多通道分析工具，比较适合对图像进行多尺度的边缘 检测，典型的有如 Mallat 小波模极大值边缘检测算法[6 3.3 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:(MRI:MagneticResonanceImaging)1)知识的获取,即归纳提取相关知识,建立 知识库；(MRI:MagneticResonanceImaging)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:(MRI:MagneticResonanceImaging)1)临 床知识,即某种疾病的症状及它们所处的位置；(MRI:MagneticResonanceImaging)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；(MRI:MagneticResonanceImaging)3)成像知识,这类知识与成像 方法和具体设备有关；(MRI:MagneticResonanceImaging)4)统计知识,如 MI 的质子密度(MRI:MagneticResonanceImaging)P)D)、T1 和 T2 统计数据。Costin 等 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”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。 3.4 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(MRI:MagneticResonanceImaging)ActiveContourModel,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 等将径向基网络(MRI:MagneticResonanceImaging)RBF)NNcc)与 Snake 相结合建立了一种混合模型,该模型具有以下 特点:(MRI:MagneticResonanceImaging)1)该混合模型是静态网络和动态模型的有机结合；(MRI:MagneticResonanceImaging)2)Snake 的初始化轮廓由 RBF)NNcc 提供；(MRI:MagneticResonanceImaging)3)Snake 的初始化轮廓给出了最佳的控制点；(MRI:MagneticResonanceImaging)4)Snake 的能量方程中包 含了图像的多谱信息。Luo 等提出了一种将 livewire 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域的文献，可见医学图像分割方法研究 的几个显著特点：（1）学者们逐渐认识到现有任何一种单独的图像分割算法都难以对一 般图像取得比较满意的结果，因而更加注重多种分割算法的有效结合；（2）在目前无法 完全由计算机来完成图像分割任务的情况下，半自动的分割方法引起了人们的广泛注意， 如何才能充分利用计算机的运算能力，使人仅在必要的时候进行必不可少的干预，从而得 到满意的分割结果是交互式分割方法的核心问题；（3）新的分割方法的研究主要以自动、 精确、快速、自适应和鲁棒性等几个方向作为研究目标，经典分割技术与现代分割技术的 综合利用（集成技术）是今后医学图像分割技术的发展方向。 4．医学图像配准和融合 医学图像可以分为解剖图像和功能图像 2 个部分。解剖图像主要描述人体形态信息， 功能图像主要描述人体代谢信息。为了综合使用多种成像模式以提供更全面的信息，常常 需要将有效信息进行整合。整合的第一步就是使多幅图像在空间域中达到几何位置的完全 对应，这一步骤称为“配准”。整合的第二步就是将配准后图像进行信息的整合显示，这一 步骤称为“融合”。 在临床诊断上，医生常常需要各种医学图像的支持，如 CT、MRI、P)ET、SP)ECT 以 及超声图像等，但无论哪一类的医学图像往往都难以提供全面的信息，这就需要将患者的 各种图像信息综合研究 19]，而要做到这一点，首先必须解决图像的配准(MRI:MagneticResonanceImaging)或叫匹配)和融合 问题。医学图像配准是确定两幅或多幅医学图像像素的空间对应关系；而融合是指将不同 形式的医学图像中的信息综合到一起，形成新的图像的过程。图像配准是图像融合必需的 预处理技术，反过来，图像融合是图像配准的一个目的。 4.1 医学图像配准 医学图像配准包括图像的定位和转换，即通过寻找一种空间变换使两幅图像对应点达 到空间位置上的配准，配准的结果应使两幅图像上所有关键的解剖点或感兴趣的关键点达 到匹配。20 世纪 90 年代以来，医学图像配准的研究受到了国内外医学界和工程界的高度 重视，1993 年 P)etra 等]综述了二维图像的配准方法，并根据配准基准的特性，将图像配准 的方法分为两大类：基于外部特征（有框架）的图像配准和基于内部特征（无框架）的图 像配准。基于外部特征的方法包括立体定位框架法、面膜法及皮肤标记法等。基于外部特 征的图像配准，简单易行，易实现自动化，能够获得较高的精度，可以作为评估无框架配 准算法的标准。但对标记物的放置要求高，只能用于同一患者不同影像模式之间的配准， 不适用于患者之间和患者图像与图谱之间的配准，不能对历史图像做回溯性研究。基于内 部特征的方法是根据一些用户能识别出的解剖点、医学图像中相对运动较小的结构及图像 内部体素的灰度信息进行配准。基于内部特征的方法包括手工交互法、对应点配准法、结 构配准法、矩配准法及相关配准法。基于内部特征的图像配准是一种交互性方法，可以进 行回顾性研究，不会造成患者不适，故基于内部特征的图像配准成为研究的重点。 近年来，医学图像配准技术有了新的进展，在配准方法上应用了信息学的理论和方法， 例如应用最大化的互信息量作为配准准则进行图像的配准，在配准对象方面从二维图像发 展到三维多模医学图像的配准。例如 Luo 等利用最大互信息法对 CT-MR 和 MR-P)ET 三维 全脑数据进行了配准，结果全部达到亚像素级配准精度。在医学图像配准技术方面引入信 号处理技术，例如傅氏变换和小波变换。小波技术在空间和频域上具有良好的局部特性， 在空间和频域都具有较高的分辨率，应用小波技术多分辨地描述图像细貌，使图像由粗到 细的分级快速匹配，是近年来医学图像配准的发展之一。国内外学者在这方面作了大量的 工作，如 Sharman 等提出了一种基于小波变换的自动配准刚体图像方法，使用小波变换获 得多模图像特征点然后进行图像配准，提高了配准的准确性。另外，非线性配准也是近年 来研究的热点，它对于非刚性对象的图像配准更加适用，配准结果更加准确。 目前许多医学图像配准技术主要是针对刚性体的配准，非刚性图像的配准虽然已经提 出一些解决的方法，但同刚性图像相比还不成熟。另外，医学图像配准缺少实时性和准确 性及有效的全自动的配准策略。向快速和准确方面改进算法，使用最优化策略改进图像配 准以及对非刚性图像配准的研究是今后医学图像配准技术的发展方向。 4.2 医学图像融合 图像融合的主要目的是通过对多幅图像间的冗余数据的处理来提高图像的可读性,对多 幅图像间的互补信息的处理来提高图像的清晰度。不同的医学影像设备获取的影像反映了 不同的信息：功能图像（SP)ECT、P)ET 等）分辨率较差，但它提供的脏器功能代谢和血液 流动信息是解剖图像所不能替代的；解剖图像（CT、MRI、B 超等）以较高的分辨率提供 了脏器的解剖形态信息，其中 CT 有利于更致密的组织的探测，而 MRI 能够提供软组织的 更多信息。多模态医学图像的融合把有价值的生理功能信息与精确的解剖结构结合在一起， 可以为临床提供更加全面和准确的资料。 医学图像的融合可分为图像融合的基础和融合图像的显示。（1）图像融合的基础： 目前的图像融合技术可以分为 2 大类，一类是以图像像素为基础的融合法；另一类是以图 像特征为基础的融合方法。以图像像素为基础的融合法模型可以表示为： 其中，为融合图像，为源图像，为相应的权重。以图像特征为基础的融合方法在原理 上不够直观且算法复杂，但是其实现效果较好。图像融合的步骤一般为：①将源图像分别 变换至一定变换域上；②在变换域上设计一定特征选择规则；③根据选取的规则在变换域