（计算机软件与理论专业论文）医学CT图像的三维分割与可视化研究.pdf

独创声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得 的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包 含其他人已经发表或撰写过的研究成果，也不包含为获得 ( 注：如没有其他需要特别声明的，本栏可空) 或其他教育机构的学位或证书 使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作 了明确的说明并表示谢意。 学位论文作者签名：张渔? 良导师签字： 黔 1 签字日期：2 0 0 5 年多月侈日 签字日期：2 0 0 5 年多月珏日 i ，、学t 1 1 你的一。绅分制1j i 叮视化州究 摘要 医学影像领域的迅速，发展给医学带来了新的革命，计算机断层成像( c o m p u t e d 1 、o m o g m p hy c t ) 、核磁共振成像( m a g n n i cr e s o n a n c el m a g i n 昏m r l ) 、超声( 仃a s o n 0 9 1 _ a p h y 1j s ) 及j 它模式的医学影像己被j 。泛地应用于怖床诊断和治疗。在计算机辅助下从医学 图像， ，分割出医生感兴趣区域( r e g i o n so f i n t e r e s t ，r o i ) ，并结合可视化技术进行三维显示， 使医，e 对人体病变部位的观察更直接、更清嘶，有助于进一步提高疾病的确诊率和治愈率。 图像分割是医学图像处理分析中的一个重要步骤。由于医学图像具有极其繁杂的多样 性和复杂性，并且图像中还存在噪声的干扰，这使医学图像的准确分割往往具有较大的难 度。目前，研究者们提出了许多分割方法，但在临床应用中，这些方法在准确度、执行速 度、鲁棒性及自动化程度上还存在一定问题，因此，设计实用高效的自动分割方法直是 研究者们追求的目标。 医学图像可视化是医学图像处理的重要研究内容，也是科学计算可视化中最成功的应 用领域之一，已成为辅助疾病诊断和治疗的重要手段，并且已深入到医学的各个领域。目 j “已有很多可视化方法，如体绘制、面绘制、局部显示等等，如何充分利用这些可视化技 术方便、快捷地显示图像中有价值信息已成为目前医学图像可视化领域的研究热点。 本论文对医学c t 图像三维分割与可视化中的关键技术进行了一些有益的探讨，其贡 献j ：要有以下几个方面： 1设计了一种医学c t 图像三维分割框架，提出了两种三维分割算法：单目标三维自适 应迭代分割算法( s 0 3 d a i s a ) 和多目标三维分割算法0 “0 3 d s a ) 。 本文设计的医学c t 图像三维分割框架主要有三部分组成：图像预处理、三维分割和 分割结果后处理。 ( 1 ) 在图像预处理部分，首先采用切片堆叠方式构建3 d 图像，然后探讨了基于3 d 图 像的各向异性滤波方法，最后针对3 d 图像中层间分辨率远低于层内分辨率的特点， 采用三线性插值算法对3 d 图像进行切片内插，提高切片i 铡分辨率。 ( 2 ) 在分割部分，针对医学c t 图像，提出了一种基于3 d 区域生长的单目标三维自适 应迭代分割算法( s 0 3 d a i s a ) ，设计了一种综合全局特征和局部特征的生长准则， 以迭代方式获取了令人满意的分割结果；提出了一种过分割检测准则，有效地解决 了3 d 区域生长方法中的过分割问题。针对3 d 图像中多目标分割问题，本文提出 了一种多目标三维图像分割算法( m 0 3 d s a ) ，有效地解决了直方图呈单峰分布图像 的分割问题。 ( 3 ) 由于人体组织结构的复杂性以及图像中噪声的干扰，采用基于区域生长方法进行分 割时，分割结果中往往会存在“空洞”。为获取完整的目标边界，本文提出了基于 数学形态学和基于行程的“空洞”填充方法，有效地填充了“空洞”。 陌学( 丁酗像的一抻分：i 川j l j j 税化训究 2 抛j 种仆总乃_ ：拟j 1 ：1 成方浊。 4 统的i 筮学影像设备往往只能获取某一方向的连续切片，医生若要观察其它方向的切 片，则必须亘新采集，并n 由于设备的限制，不可能获耿任意方向的切片图像。为了解决 这一问迦，本文提出了一剥，任意方向虚拟切片生成方法，可以方便、快捷地q i 成任意方l 甸、 丁意位簧的虚拟切片，并i = l 通过切片内插值，可获墩不同分辨率的切片幽像，改善图像的 视觉效粜。 3 提出r 剃，面向对象的组件四步建模方法。 针对目前软件设计中存在的问题，提出了一种面向对象的组件四步建模方法，并将其 应用于医学图像处理组件的设计，提高了组件可复用性。 4 设计并实现了三维医学影像处理系统。 该系统集成了目前较为常用的医学图像处理方法，如图像格式转换、图像的各种滤波 和插值算法、三维图像面绘制和体绘制方法、图像分割、虚拟切片生成技术、各种格式图 像存储等等，具有较高实用价值。 全文共分为六章。第一章主要讨论了医学图像分割和可视化的研究意义、国内外研究 现状。第二章分析了目前医学图像分割的主要方法，并对各类方法的优缺点进行了比较。 第三章提出了医学c t 三维图像分割框架及两种三维分割算法。第四章首先回顾了目前的 一维可视化方法介绍了可视化组件库v t k ( v i s u 甜i z a t i o nt o o l k i t ) ，然后提出了一种基于 3 d 图像的仔意方向虚拟切片生成方法。第五章提出了一种面向对象的组件四步建模方法， 设计并实现了三维医学图像处理系统( 3 d m l p s ) 。最后一章为工作总结和展望。 关键词：图像分割，医学图像可视化， 数学形态学处理，虚拟切片， 分类号：t p 3 9 1 图像平滑，3 d 区域增长，自适应迭代分割 v t k ，组件建模 仄学c t 陶像的| 维分割lu n 冕化研究 a b s r f r a c t r a p j da d v 踟1 c e si nn l e 如e l do fm e d i c a li m a g i n ga r er e v o l u t i o n i z i n gm e d i c j n e c o m p u t e d t o m ( ) g r a p h y ( c 1 、) ，m a g n e t i cr e s o n 王l i l c ei m a 西n g ( m r i ) u l 廿a s o n o g r a p h y ( u s ) a n do t l l e ri n l a g i n g m o d a l i t i e sh a v eb e e nw i d e i yu s e di nc l i n j c a id i a g n o s i sa 1 1 dt h e r 印y w i mt b ea i d so fc o m p u t e r s ， e x t r a c t i n gr e 西o n so fi n t e r e s t ( r o i ) f r o mc t m r j ，u sa n dd i s p l a y i n gt h e m ( i l r o u g h3 d v i s u a l i z a t i o nt e c h n i q u e sc a nh e l pt h ep h y s i c i a no b s e r v et h ep a t h o l o g i c a lr e g i o n sm o r ed i r e c t l y a n dm o r ec l e a r l 弘w h i c hw i i ic o n n i b u t et oi m p r o v 洫g 幽ea c u r a c yo fd i a g l l o s i s i m a g es e g m e n 诅t i o ni so n eo f 也em o s ti n l p o n a n ts 把p si nm e d i c a ii m a g ep r o c e s s i n g 锄d a n a l y s i s d u et ot 1 1 ed i v e r s i t ) ra 1 1 dc o m p l e x i 母o fm e d i c a li m a g e st o g e 出e rw i t hn o i s ei m e r f e r e n c e ， i ti ss o m e w h a td i f f i c u l tt oa c h i e v ea ne x a c ts e g m e n tr e s u l t a l m o u 曲m a n ym e ( h o d sh a v eb e e n p r o p o s e d 沁s 0 1 v em ep r o b l e md l l r i n g 血ep a s t4 0y e a r s ，s o m eo f t h e mg t i l lh a v ed e 五c i e n c i e si n p e r f o m l a n c e ，r o b u s m e s sa n da u t o m a t i o n ，w l i c ha r en o ts u j t a b l e f o rc l i n i c a l 印p l i c a t i o n s 1 1 1 e r e f o r e ，d e s i g n i l l ge f r e c t i v e ，r o b u s ta n da u t o m a t i cm e t h o d sf o rm e d i c a li m a g es e g m e m a t i o n 1 1 a sb e c o m et h ea i mt h a tm a n yr e s e a r c l e r sa r ep u r s u i n g m e d i c a li m a g ev i s u a l i z a t i o nt e c h n i q u e sp l a ya j li m p o r t a n tr o i ei nm e d i c a l i m a g ep r o c e s s m g a n da n a l v s i s ，a i l di ti so n eo ft l l em o s ts u c c e s s m ia p p l i c a t i o n so fv i s u a l i 盟旺i o n i ns c i e n t i n c c o m p u t i i l g n o wi th a sb e c o m eau s e m lt o o lt oa s s i s td i a g n o s i sa n dt h e r a p yn l e r ea r em a i l y v i s u a 】i z a t i o nt e c l l i l i q u e s ，s u c ha sv o i u r n er e n d e r i n g ，s u 出c er e n d e r i n ga n d1 0 c a ld i s p l a y i n 昏h 0 w t om a k ef u 】1u s eo ft h e s ev i s u a l i z a t i o nt e c h n i q u e st oh e l pt h ep h y s j c i a ng e tu l em o s tv a l u a b l e i n f b m a t i o nh a sb e c o m eah o ti s s u ei 1 1v i s u a l i z a t i o nr e s e a r c h j nt h i st | l e s i s s o m ew o r kh a sb e e nd o n eo n3 ds e g m e n 切t i o na n dv i s u a l i z a t i o no f c tt h em a i n c o n t r i b u t i o n sa r ed e s c r i b e da sf b l l o w s ： 1 af r a m e w 0 1 kf o r3 dc t s e g m e n t a t i o ni sd e s i g n e da n d t w os e g m e n t a t i o nm e t h o d so f3 d c ta r ep r o p o s e d n l e 丘锄e w o r kd e s i 鳃e di n t h i st l l e s i sm a i n i yc o n s i s t so fi n l a g ep r e - p r o c e s s i n g ，3 d s e g m e n t a t i o na n dp o s t p r o c e s s i n g ( 1 ) l nt h ep r e p r o c e s s i n gs t a g e ，3 dv 0 1 啪ei sf o 咖e db ys t a c k i n gt l l e s l i c e sf i r s t l yt h e n a n i s o t r o p i c d i f e u s i o n 行i t e r i n g o n1 e3 dv o l m ei sd i s c u s s e d f i n a l l y ， at r i l i n e a r i n t e r p o l a t i o n8 l g o r i t l l mi sp e r f b 珥1 e dt oe n h a n c et h ei n 把r s l i c es p a i i a 王r e s o l u 6 0 n ( 2 ) i nt l es e g m e n t a t j o ns t a g e ，as i n g l eo b j e c t3 da d a p t i v ei n t e r a c t i v es e g m e n t a t i o na l g o r i t h m ( s 0 3 d a l s a ) b a s e do n3 dr e g i o n 伊o w i n gi sp r o p o s e df o rc ts e g m e n t a t i o n ag r o w i n g c r i t e r i o nt 1 1 a tc o m b i n e sg l o b a la 1 1 dl o c a lf e a t u r e si sd e f i v e da n ds e g n l e l l t a l i o ni sp e r f 0 h n e d i t e r a t i v e l y t o a c q u i r e as a t i s f a c t o r y s e g m e n t r e s u l t ac r i t e r i o n 血缸 d e t e c t i n g o v e r - s e g m e n t a t i o ni sp r o p o s e dt 0s o l v em eo v e r _ s e g m e n t a n o np r o b l e mm3 dr e 百o n 静o w i n g i no r d e rt o s e g m e n tm 试t i o b j e c t s 矗d m3 di m a g e ，am u l t i o b j e c t s 3 d s e g m e m a t i o na l g o r i 血m ( m 0 3 d s a ) i sp r o p o s e d i tc a ne 骶c t i v e l ys e g m e mt l l ei m a g e s w h o s ei 加e n s i t yh i s t o g r 啪h a so n 】yo n e 印e x ( 3 ) d u et ot h ec o m p l e x i t yo fm e d i c a li i i l a g e sa n dn o i s ei n t e r f e r e n c e ，t h e r ew i 】lb ec a v i t i e si j l 5 陌学( ”i 愕像的_ 神分制叫视化l | j 究 t h ci 讪a 1s c g m e n tr c s u j lw h c nu s j n gam e t l l o db a s c do nr e g i o ng i o w i l l g i n0 1 d e l t og e ta c a v i t y - f r e em a s k ，t w oc a v i t y n 1 1 i n gm e i h o d sb a s e do nm a i h e m a l i c a lm o r p h o l o g y 孤d r u n l c n g u lr e s p ec t j v e l ya r ep m p o s e dt on l li nt h c c a v i t i e s 2 a na l g o r i t h mt h a tc a ng e n e r a t cv i n u a ls l i c ci na n yd i r e c t i o ni sp r o p o s e d f o rm o s tm e d i c a li m a 套n gd e v i c 醯，s e r i a ls l i c e sc a no n l yb ep m d u c e di no n cd i r c c t i o n i ft h e p h y s i c i a nn e e d ss o m es l i c e si no t 量l e rd i r e c “o n s ，t h es l i c e sm u s tb ep r o d u c c da g a i n d u et ot h e 1 i m i 诅t i o no fd e v i c e s ，i ti si m p o s s i b i et oo b t a i ns l i c e si na n yd i r e c t i o n 1 no r d e rt os o l v et h i s p r o b l e m ，a na l g o 而t 1 1 mt h a tc a ng e n e r a t es l i c ei na n y 曲宅c t i o ni sp r o p o s e dr e s u l t ss h o w t l l a tt h i s n e wa 1 9 0 r i t l l mc a np r o d u c es l i c e s 矗d m3 dv o l u m em p i d l ya n dc o n v e n i e n t i y b yp e r f 0 玎r l i i l g i n t e r p o l a t i o n ，t h ep h y s i c i a nc a ng e tas l i c e 血ah i g hr e s o l u t i o n ，w h i c hw i l li m p r o v et h ev i 5 u a l e f f 如 3 b a s e do no b j e c t - o r i e n t e dt e c h n i q u e sa n du m l ，af o u 卜s t e pc o m p o n e n tm o d d i n g m e t h o di sp r o p o s e d c o n s j d e “n g 伯ep r o b l e m se x i s t i n gj ns o 每a r ed e s j g n ，af o u r - s t e pc o m p o n e n tm o d e l i n gm e m o d i sp r o p o s e d t h em e t h o di su s e dt od e s i g nt 1 1 ec o m p o n e n t so fm e d i c a lp r o c e s s i n gi no u rs y s t e m ， w h i c hi m p r o v e st h er e u s a b i i i t yo f t l l o s ec o m p o n e m s 4 a3 dm e d i c a li m a g ep r o c e s s i gs y s t e m ( 3 d m i p s ) i s d e s i g n e da n dr e a i i z e d m a n ) ，m ed j c a | i m a g ep r o c e s s i n gm e t h o d sa r ei n t e g m t e di m o 廿1 i ss y s t e m ，s u c ha sl m a g ef o m l 乱 t r a n s f o r n l a t i o n ，f i l t e r i n ga n di 1 1 t e i p o i a t i o nm e m o d s ，v o l u m er e l l d e r i n g a n ds u r f a c e r e n d e r i n g t e c h n i q u e s ，i m a g es e g m e n t a t i o n ，v i 删s l i c eg e n e r a t i o n ，i m a g es t o r a g ee t c i ti sm o r ea p p l i c a b l e t oc i i n i c a l 印p l i c a n o i l s ， t h i sm e s i sm a i n j yc 0 1 1 s i s 招o f 6s e c t i o n s s e c t i o n1g i v c sab r i e f d i s c u s s i o no f 3 ds e g m e n 雠i o n a n dv i s u a l i 2 龇i o no fm e d i c a li m a g e s i ns e c t i o n2 ，a 喇e fa n a l y s i sa i l dc o m p 撕s o no fa l lk i l l d so f m e t h o d sf o rm e d i c a ii m a g e ss e g m e n t a t i o ni sp r e s e m e d 1 ns e c t i o n3 a 行锄e w o r kf o rs e g m e m i n g 3 dc tv o l u m ea 】1 dt w os e g m e n ta l g o r i m m sf o r3 dv o l u m ea r e p r o p o s e ds e c t i o n4d e s c r i b e st h e v i n u a js l i c eg e n e r a t i o l lm e t h o d s e c t i o n5p r e s e n t st h ec o m p o n e n tm o d e l j n gm e t l l o da 1 1 dm e d e s j g no f3 dm e d i c a li m a g ep r o c e s s i n gs y s t e m ( 3 d m i p s ) a n d 啦er e m a i n d e ls e c t i o ni st h e c o n c i u s i o na n dp i _ o s p e c t k e y w o r d s ：i m a g es e g 【工l e n t a t j o n ，v i s u a l i z a t i o n 。fm e d i c a li m a g e s ，3 dr e g i o ng r o w i n a d a p t i v e a 1 1 di t e r a t i v es e g m e n t a t i o n ，i m a g es m o o t l l i n g ，m 拙e m a t i c a lm o r p h o l o g i c a lp m c e s s i n g ，v i r t u a 】 s l i c e ，v t k ，c o m p o n e n tm o d e l i n g c l a s s i f i c a t i o n ：t p 3 91 6 仄学c r 削像的三绗分削j 口视化研究 第1 章绍论 本章首先讨论了医学图像分割与可视化的研究意义，然后分析了目前国内外这一领域 的研究现状和研究趋势，最衍阐述了本文所做工作的创新之处。 1 1 医学图像分割与可视化研究意义 近叫t 多年来，随着计算机断层成像( c t ) 、核磁共振成像( m r i ) 、超声( u s ) 等新医学成 像技术在辅助医，硷断、术前计划、手术导航、术后监测、远程医疗等环节的广泛应用， 医学影像处理与分析已成为目前医学技术中发展最快、成果最显著的领域之一。利用计算 机和数字图像处理技术对医学图像进行处理，获取图像中有价值信息，辅助疾病诊断，进 一步提高诊断的准确率，已受到世界许多国家的高度重视。 医学图像分割技术是医学图像处理与分析中的关键技术，是从医学图像中提取特殊组 织信息的一个必不可少步骤。医学图像分割按其处理方式不同可分为二维分割和三维分割 两种方式，由于三维分割方法可充分考虑切片数据在灰度和空间位置上的相关性，往往具 有较高的分割准确率，是近几年来的研究热点。 由于人体组织结构的复杂性以及噪音、场偏移效应川、局部体效应【2 】的影响，成像设备 获取的图像不可避免具有模糊、不均匀等特性。此外，人与人之间的解剖组织结构还存在 相当大的差别，这些都给医学图像的分割带来了困难，使医学图像分割成为目前图像处理 与分机领域的一个极具挑战性的课题。 可视化技术是目f j 的一个研究热点，运用三维可视化技术对分割结果进行三维重建， 以三维形式展示分割结果，使医生可以从多角度、多层次观察和分析病灶区域，在很大程 度上弥补了影像设备在成像上的不足，从而为临床诊断、病理分析以及病理学研究提供了 可靠的依据。 三维医学图像分割与可视化已成为目前医学图像处理领域的研究热点，并具有广泛的 应用前景和现实意义，主要表现在以下几个方面： 1 ) 用于测量人体器官、组织或病灶的体积。通过对这些体积在治疗前后的定量测量和分 析，可以帮助医生进行诊断，制定或修改病人治疗方案。 2 ) 通过三维重建和可视化，有助于选择最佳手术路径、减少手术损伤和对临近组织的损 害，提高病变体定位精度，完成复杂外科手术和提高手术成功率口l 。 3 ) 图像的分割结果常用于医学图像的分析，如不同图像融合、解剖的测量、获取先验知 识用于图像重建及运动的跟踪等。 4 ) 有助于用来存病人治疗期问观察药物、放射或其它疗法所引起的身体病变部位的局部 变化，有助于对疗效的估计。 5 ) 分割后图像与噪声的关系减弱，因此具有降噪功能，便于图像理解。 6 ) 为医学培训、医学研究和教学提供数字实现手段。 7 ) 图像分割结果可用于在不丢失有用信息的前提下进行数据的压缩和传输。这对于提高 在p a c s ( p i c t u r ea r c l i v i n ga n dc o m m u n i c a t i o n ss y s t e m ) 、远程医疗和i n t e m e t 中图像传 输速度是至关重要的。 k 学( t 阿像的二摊分割1 j w 视化删究 1 2 国内外硼究现状与分析 图像分割技术一直是图像处理领域的研究热点。目前图像分割方法很多，但由于人体 解削结构的复杂性、组织器官形状的不规则性、个体之间的差异性以及不同医学成像模式 成像特征的不同，一般的图像分割方法对医学图像的处理效果并不理想。医学图像分割通 常具有针对性，没有哪一种分割方法对所有的图像模式都适用。 医学图像分割经历了一个从人工分割到半自动分割最后到自动分割的发展过程。早期 的人工分割是让专家从医学图像中手工描绘出不同结构的边界，然后提取出所要解剖结构 的区域信息，这是一个工作量非常大，甚至令人厌烦的过程。随着计算机技术和图像处理 技术的发展，半自动化分割方法f 4 q 渐渐取代了人工操作，通过一定人机交互，由计算机完 成分割，大大减少了人为因素的干扰，并且具有较快分割速度和较高分割精度，但操作者 的经验和知识仍然是图像分割过程中的一个重要的制约因素。近年来，由于大量新兴技术 如模糊技术、神经网络和人工智能技术在图像分割中的应用，医学图像分割领域也涌现出 一些自动分割技术| 8 。”，但大部分方法复杂度较高，运算量较大，目前仍处在试验阶段， 真正在临床中得到应用的不多。 目前，医学图像分割方法的研究主要有以下4 个趋势： 1 ) 提高算法的自动化程度l 4 - “】，排除或尽可能减少人工干预。 2 ) 降低算法的复杂性，提高其执行速度【1 3 】。数字医学图像的数据量一般很大，算法越 复杂，提取的特征越多，计算量越大，对计算机的存储量、计算精度、计算速度等性 能的要求越高，必然导致其在实际应用中受到一定的限制。 3 ) 提高算法的分割精度捧”j 。这是医学图像分割领域一直关注的一大难题，分割结果的 好坏会影响医生对疾病的诊断，不正确的分割结果甚至会导致医生对疾病做出错误的 判断。因此，在现有的基础上进一步提高算法的分割精度是目前许多研究者直致力 解决的问题。 4 ) 提高算法的鲁棒性【i6 ， 】。鲁棒性是医学图像分割中还没有得到很好解决的问题。由于 深受个体不定因素，如图像模式、特征参数、计算方法、阈值设置、分析步骤、初始 化处理、人为因素等影响，要在图像分割中获得非常好的鲁棒性是非常困难的。因此， 如何提高图像分割算法的鲁棒性就成为医学图像分割中急需解决的一个难题。 医学图像可视化方法可分为两大类：二维切片可视化和三维体可视化。二维切片可视 化是对切片图像进行处理，显示医生想获耿的重要信息，如灰度加窗操作、强度分层i i 驯等 等，其技术已比较成熟。医学图像的三维可视化是利用一系列的二维切片图像重建三维图 像模型，主要有两种技术：面绘制和体绘制，由于三维可视化可提供具有真实感的三维医 学图像，使医生可以从多角度、多层次分析病变区域，受到了广泛的重视。目前，医学图 像可视化技术的研究主要有以下3 个趋势： 1 ) 提高图像可视化质量，如提高等值面的光滑程度、改进插值算法等等【坤却】。 2 ) 加快可视化速度。医学图像数据量大，直接体绘制的计算量大，耗费时间长，因此快 速体可视化是目前的一个重要研究方向【2 0 】。 3 ) 三维图像内部信息的可视化研究，如开窗操作，切片提取等等叫。 陌学( 丁图像的三维分割。w 视化究 1 3 本论文的创新之处 本论文在理论和应用方面的创新之处主要体现在以下4 个方面： 1 ) 设计了r 一种医学c t 图像三维分割框架提出了种单目标三维自适应迭代分割算法 ( s 0 3 d a i s a ) 。该算法以3 d 区域生长算法为基础，采用迭代方式进行分割，解决了最 优阈值选择难题，获敬了令人满意的分割结果：采用生长过度检测准则有效地解决了 过分割难题：运用数学形态学方法和行程方法对分割结果进行后处理，填补了空洞， 获得了完整的目标区域。 2 ) 针对3 d 图像中多目标分割问题，提出了一种多目标三维分割算法( m 0 3 d s a ) ，该算 法可有效地解决直方图呈单峰分布图像的分割问题，并且具有较快的执行速度。 3 ) 提出了一种任意方向虚拟切片生成算法，通过设置虚拟切片的法向量参数和切片间距 参数，可以生成任意方向虚拟切片，有效地弥补了影像设备在成像上的缺陷，使医生 可以从任意角度观察病灶区域，充分利用了图像中的信息。 4 ) 提出了一种面向对象的组件四步建模方法，并将其应用于医学图像处理组件的开发和 设计，提高了组件的可复用性和软件开发的便捷性，在此基础上设计并实现了3 d 医 学图像处理系统( 3 d m 疆s 、。 陌掌c t 幽像的三维讣荆1 i 可视化硎究 第2 章医学图像分割方法概述 本章首先简要论述了目前各种医学图像分割技术，并对这些方法的优缺点进行了分析 然后讨论了医学图像分割方法中存在的主要问题。 2 1 目前常用的医学图像分割技术 目前常用的图像分割方法有多种，这些方法大致可分为七类：( 】) 基于区域的图像分 刨，( 2 ) 基于边缘的图像分割，( 3 ) 基于模型的图像分割，( 4 ) 基于数学形态学的图像分割， ( 5 ) 基于模糊理论的图像分割，( 6 ) 基于人工神经网络的图像分割，( 7 ) 基于知识的图像分 割。 2 1 1 基于区域的图像分割 基于区域的方法是图像分割中最常用的方法，它以区域为处理对象，按照图像特征属 性划分为不同图像区域，主要方法有阈值法、区域生长法、区域分裂和合并法、聚类法等。 1 ) 阈值法 闽值法是最常见的并行检测区域分割方法【2 2 1 。该方法主要分为两个步骤：( 1 ) 确定分 割闽值，( 2 ) 将每个像素的灰度值与阈值比较进行分类。闽值分割的优点是实现简单，当 图像中不同对象的灰度值或其它特征值差别很大时，它能够有效地进行分割。但闺值分割 也有很大缺点，如果图像中不存在明显的灰度差异或各对象的扶度值范围有较大重叠，则 很难取得令人满意的分割结果。此外，阈值分割仅仅考虑图像的灰度信息而没有考虑图像 的争问信息，对噪声和灰度不均匀十分敏感。 2 ) 区域生长法 区域生长法的基本思想是将具有相似性质的像素集中起来构成区域，该方法首先要选 取合适的种子点，然后依次将种子周围的相似像素合并到种子像素所在区域。制约区域增 长算法性能的因素主要有两个方面【2 2 】：一是特征度量和区域增长规则的设计，二是算法复 杂度。区域增长算法的优点是计算简单，效率高。缺点是它需要人机交互设置种子和阈值， 同时区域生长算法也对噪声敏感，常会产生“空洞”或生长过度。 3 ) 区域分裂与合并法 区域分裂与合并法首先对整幅图像进行分裂，然后依据某种规则合并性质相似的小区 域，或将一个性质不一致区域分裂为更小的区域，如此递归进行，直到最后完成分割任务。 陔方法可以采用与区域生长法相类似的一致性准则，优点是不需要指定初始点或区域，并 且一次可以分割出所有轮廓，但是分裂可能会使区域的边界破坏。 4 ) 聚类法 聚类法是一种无监督的图像分割方法，它把图像映射到特征空间，然后根据像素在特 征空间中的特性对像素进行分类。常见的聚类法主要有c 均值法( c m e a l l s ) 和模糊c 均值 法( f u z z yc m e a n s ) 嵋”。c - 均值法是一种迭代算法，在每一次迭代中，先计算各类特征向 量的平均值，然后按照最小均方差原则对每个像素进行重新分类。模糊c 一均值法是在c 一 均值算法的基础上引入模糊集理论概念，将硬分类转化为软分类。聚类分割的优点是无监 督的分割，无需样本学习，缺点是缺乏对像素空间拓扑关系的描述，并且对噪声敏感。 阱学c t 幽像的三维分割jn ，枞化研究 2 1 2 基于边缘的图像分割 基于边缘的分割方法是最早提出的图像分割方法。边缘是图像最基本特征，基于边缘 的分割方法就是要找出灰度不连续的点作为边缘。为了在图像中寻找边缘点，人们设计了 各种边缘检测算予( e d g cd e t e c t o r ) ，边缘检测算子检查每个像素的邻域并对灰度变化率进行 量化。边缘检测算予的种类很多，其中大多数是基于方向导数掩模求卷积的方法，常用的 有r o b e r t s 算子、s o b e l 算子、p r e 诵t 算予、k i r s c h 算子、l a p l a c i a ng a u s s i a l l ( l o g ) 算子、 c a n n y 算予等。基于边缘检测的分割方法的难点在于边缘检测时抗噪性和检测精度的矛 盾，如果提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；如果提高抗噪性，则 会产生轮廓漏检和位置偏差。 2 1 3 基于模型的图像分割 形变模型最初是由l 船s 【2 8 】等人在1 9 8 7 年提出的，即著名的活动轮廓模型，也称s n a l 【e 。 它以一个能量最小化变化的样条表示图像中弹性对象的轮廓或表面，其形变受到许多不同 能量项的约束f l ”。 基于形变模型的方法综合利用了区域与边界信息，是目前研究最多、应用最广的分割 疗法之一，它提供了一种高效的图像分析方法，结合了几何学、物理学和近似理论。该方 法通过使用从图像数据获得的约束信息( 自底向上) 和目标的位置、大小和形状等先验知 识( 自顶向下) ，可有效地对目标进行分割、匹配和跟踪分析。基于参数形变模型的分割过 程就是使模型在外能和内能的作用下向物体边缘靠近，外力推动轮廓曲线( 曲面) 运动， ；可内力保持轮廓的光滑性。该方法基于某种形式的目标函数的优化，目标函数最基本的形 ；。就是在某种基于图像的能量项和另一个与内部能量或形状模型相关项之和。形变模型的 一l 二要优点是能够直接产生闭合的曲线或曲面，并对噪声和伪边界有很强的鲁棒性；缺点是 它对初始边界位置十分敏感，有时需要人工选择合适的参数。 2 1 4 基于数学形态学的图像分割 近年来，数学形态学在图像处理中的应用日渐受到重视，基本的形态学操作是膨胀和 腐蚀，这两种操作与一些基本运算相互结合可以形成许多非常有用的算法，如边界提取、 区域填充、连通分量提取、凸壳、细化、骨架、裁减等等。形态学理论在图像分割中应用 比较有代表性的是分水岭算法l l ”，它是以对图像进行三维可视化处理为基础的，其基本思 想来源于地理学：它将原图像的梯度图像看作一幅地形图，而梯度值对应海拔高度，图像 中不同梯度值的区域就对应于山峰和山谷间的盆地。如果在各个局部最小点的位黄上打一 个洞，让水以均匀速率从洞中溢出，从底到高淹没整个地形。当处在不同的汇聚岔地中的 水将要聚合在一起时，修建大坝将其阻止，因此通过该算法可以提取出连续的边界线。 2 1 5 基于模糊技术的图像分割 医学图像本质上是模糊的，在医学图像中存在许多不确定的因素，如灰度、纹理和区 域的边界等，这些不确定性给图像分割带来了许多麻烦，但是却给模糊技术提供了用武之 地。近年来，随着模糊技术的不断成熟，在图像分割中的应用日益活跃，成为医学图像分 割技术的一个研究热点，许多模糊分割技术应运而生，如应用模糊子集理论的模糊分割技 医学( 1 、蚓像的乏缩分制1j 可视化研究 术”，模糊c 均值聚炎分割技术，应 模糊逻辑的基予1 1 ：一t l l e n ) i ! 则的梭糊分割技术川。 此外，模糊技术可以与其他技术很好地融合，诸如模糊闽值，模糊聚类，模糊边缘检测等 等。口f ；i 应用模糊技术的难点问题是如何选取最优隶属函数和确定最佳隶属度。 2 1 6 基于神经网络的图像分割 人工神经网络( a n i 舭i a ln e 瞄a ln e ”o r k s ，m 寸n ) 是近年来发展起来的大规模并行处理系 统。a n n 具有模拟人类信号处理的功能，因此非常擅长于解决模式识别领域中的模式分类 问题。比较典型的有b l a n z 和g i s h 利用前向三层网络来解决分类问题【3 “。b a b a g u c h i 等则 使用多层网络且使用b p 算法对网络进行训练 3 3 】，在他们的方法中，输入为图像的直方图 输出为阈值分割的阈值。 神经网络方法的出发点是将图像分割问题转化为诸如能量最小化、分类等问题，其基 本思想是用训练集对a n n 进行训练，以确定节点的连接和权值，再用训练好的心悄去分 割新的图像数据。其缺点是需要大量的训练集，在实际中往往是比较困难，并且使用目前 的串行计算机去模拟m 町n 的并行操作，计算时间往往达不到要求。 2 1 7 基于知识的图像分割 基于知识的分割是医学图像分割中重要的方法之一。近年来，随着人工智能技术的发 展，基于知识的分割方法得到了广泛的应用1 3 4 3 6 1 。基于知识的分割方法主要包括两方面： 知识的获取，即归纳及提取相关的知识、建立知识库；知识的应用，即有效地利用知识实 现图像的自动分割。该方法将临床知识、器官的解剖学和形态学信息融合到分割算法中， 提高了算法鲁棒性。基于知识的分割方法存在的问题是缺乏完整的知识模型及快速的逻辑 推理体系。 2 2 目前医学图像分割算法中存在的问题 目前，医学图像分割技术的研究已经取得了大量的成果，许多卓有成效的分割方法已 在临床中得到了成功应用，但这一领域仍存在许多值得探讨的问题，主要表现在以下几个 方面： 1 ) 大部分方法仍处在半自动状态，还需要一定的人机交互，因此，如何尽量减少或排除 人工干预，提高算法的自动化程度是目前值得研究的一个问题。 2 ) 大部分算法的复杂度高，运行时间长，对硬件的要求较高，往往需要在工作站上执行， 这绘应甩带来了一定困难。因此研究高性能、低复杂度的快速分害4 算法非常重要。 3 ) 目前的许多分割算法分割的准确度不是很令人满意，进一步提高分割准确度也是目前 许多研究者致力解决的问题。 4 ) 医学图像成分复杂，分割相对困难，并且图像中往往具有大量噪声、伪影干扰，因此 要求