ebnnuqc医学-图像处理技术

1、.：.；| You have to believe, there is a way. The ancients said: the kingdom of heaven is trying to enter. Only when the reluctant step by step to go to it s time, must be managed to get one step down, only have struggled to achieve it. - Guo Ge Tech医学图像处置技术 摘 要： 随着医学成像和计算机辅助技术的开展，从二维医学图像到三维可视化技术成为研讨的热

2、点，本文引见了医学图像处置技术的开展动态，对图像分割、纹理分析、图像配准和图像交融技术的现状及其开展进展了综述。在比较各种技术在相关领域中运用的根底上，提出了医学图像处置技术开展所面临的相关问题及其开展方向。关键词：医学图像处置；图像分割；图像配准；图像交融；纹理分析 引言近 多年来，医学影像已成为医学技术中开展最快的领域之一，其结果使临床医生对人体内部病变部位的察看更直接、更明晰，确诊率也更高。 世纪 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 :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和

3、核素成像等也逐渐开展。计算机和医学图像处置技术作为这些成像技术的开展根底，带动着现代医学诊断正产生着深化的变革。各种新的医学成像方法的临床运用，使医学诊断和治疗技术获得了很大的进展，同时将各种成像技术得到的信息进展互补，也为临床诊断及生物医学研讨提供了有力的科学根据。在目前的影像医疗诊断中,主要是经过察看一组二维切片图象去发现病变体,往往需求借助医生的阅历来断定。至于准确确实定病变体的空间位置、大小、几何外形及与周围生物组织的空间关系,仅经过察看二维切片图象是很难实现的。因此,利用计算机图象处置技术对二维切片图象进展分析和处置,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

4、辅助医生对病变体及其它感兴趣的区域进展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讨中也能起重要的辅助作用。本文对医学图像处置技术中的图像分割、纹理分析、图像配准和图像交融技术的现状及其开展进展了综述。医学图像三维可视化技术. 三维可视化概述医学图像的三维可视化的方法很多，但根本步骤大体一样，如图.。从#$ /&(或超声等成像系统获得二维断层图像，然后需求将图像格式如(#&转化成计算机方便处置的格式。经过二维滤波，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，对医学关键部位进展各向同性处置，获得体数据。经过三维

5、滤波后，不同组织器官需求进展分割和归类，对同一部位的不同图像进展配准和交融，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才干，选择不同的方法进展三维体绘制，实现三维重构。 . 关键技术：图像分割是三维重构的根底，分割效果直接影像三维重构的准确度。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境，为理处理在医学图像分割中遇到不确定性的问题，引入模糊实际的模糊阀值、模糊边境和模糊聚类等概念。快速准确的分别出解剖构造和定位区域位置和外形，自动或半自动的图像分割方法是非常重要的。在实践运用中有聚类法、统计学模型、弹性模型、区域生长、神经网络等适用于医学

6、图像分割的详细方法。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，为了综合运用多种成像方式以提供更全面的信息，需求对各个模态的原始图像进展配准和数据交融，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讨，使多幅图像在空间域中到达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，称为交融。在医学运用中，不同模态的图像还提供了不相互覆盖的构造互补信息，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

7、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终了后，对体数据进展体绘制。体绘制普通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，特别在远程运用和交互操作中，所以普通多采用间接体绘制。在图形任务站上可以进展直接体绘制，近来随着计算机硬件快速开展，新的算法，如三维纹理映射技术，思索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，普通来说，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

8、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，所以在医学运用中的绘制要突出特定诊断所需求的信息，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，挪动，具有很好的实时性，或至少是在一个可以忍受的呼应时间内完成。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适用。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，更主要的是能发明一个虚拟环境。医学图像分割医学图像分割就是一个根据区域间的类似或不同把图像分割成假设干区域的过程。目前,主要以各种细胞、组织与器官的图像作为处置的对象，图像分割技术主要基于以下几种实际

9、方法。. 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,察看到的图像是对实践物体做了某种变换并参与噪声的结果,因此要正确分割图像,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(MRF)模型,可以简单地经过势能方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随机场的能量方式,然后经过最大后验概率(MAP)方法估计Markov随机场的参数,并经过迭代方法求解。层次MRF采用基于直方图的DAEM算法

10、估计规范有限正交混合(SFNM)参数的全局最优值,并基于MRF先验参数的实践意义,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,有效地处理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视及估计难等问题,使分割结果更为可靠。.基于模糊集实际的方法医学图像普通较为复杂，有许多不确定性和不准确性，也即模糊性。所以有人将模糊实际引入到图像处置与分析中，其中包括用模糊实际来处理分割问题。基于模糊实际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的，经过优化过程最后选择一个具有最小不确定性的S

11、函数，用该函数表示目的像素之间的关系。这种方法的难点在于隶属函数的选择。模糊C均值聚类分割方法经过优化表示图像像素点与C各类中心之间的类似性的目的函数来获得部分极大值，从而得到最优聚类。Venkateswarlu等改良计算过程，提出了一种快速的聚类算法。.基于模糊实际的方法模糊分割技术是在模糊集合实际根底上开展起来的,它可以很好地处置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(FCM)聚类技术的运用最为广泛。FCM是一种非监视模糊聚类后的标定过程,非常适宜存在不确定性和模

12、糊性特点的MR图像。然而,FCM算法本质上是一种部分搜索寻优技术,它的迭代过程采用爬山技术来寻觅最优解,因此容易堕入部分极小值,而得不到全局最优解。近年来相继出现了许多改良的FCM分割算法,其中快速模糊分割(FFCM)是最近模糊分割的研讨热点。FFCM算法对传统FCM算法的初始化进展了改良,用K-均值聚类的结果作为模糊聚类中心的初值,经过减少FCM的迭代次数来提高模糊聚类的速度。它实践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FCM进展模糊聚类,最终得到图像的最优模糊分割。. . 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、反响神经网络和自组织

13、映射神经网络。目前已有各种类型的神经网络运用于医学图像分割,如江宝钏等利用MRI多回波性,采用有指点的BP神经网络作为分类器,对脑部MR图像进展自动分割。而Ahmed和Farag那么是用自组织Kohenen网络对CT/MRI脑切片图像进展分割和标注,并将具有几何不变性的图像特征以方式的方式输入到Kohenen网络,进展无指点的体素聚类,以得到感兴趣区域。模糊神经网络(FNN)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FNN的颅脑MRI半自动分割技术,仅对神经网络处置前和处置后的数据进展模糊化和去模糊化,其分割结果阐明FNN分割技术的抗噪和抗模糊才干更强。. . 基于小波分析的分

14、割方法小波变换是近年来得到广泛运用的一种数学工具，由于它具有良好的时一频部分化特征、尺度变化特征和方向特征，因此在图像处置上得到了广泛的运用。小波变换和分析作为一种多尺度多通道分析工具，比较适宜对图像进展多尺度的边缘检测，典型的有如Mallat小波模极大值边缘检测算法. 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:()知识的获取,即归纳提取相关知识,建立知识库；()知识的运用,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:()临床知识,即某种疾病的病症及它们所处的位置；()解剖学知识,即某器官的解剖学和形状学信息,及其几何学与拓扑学的关系,这种知识通常用图谱表示；()成像知识

15、,这类知识与成像方法和详细设备有关；()统计知识,如M I的质子密度(PD)、T和T统计数据。Costin等提出了一种基于知识的模糊分割技术,首先对图像进展模糊化处置,然后利用相应的知识对各组织进展模糊边缘检测。而谢逢等那么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,建立完好的人脑三维知识模型,包含脑组织几何形状、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,在模型知识指点下直接从体积数据中提取并显示各组织器官的外表。. 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(Active Contour Model,又称Snake)

16、、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,对目的的部分模糊也不敏感,但其结果常依赖于参数初始化,不具有足够的拓扑顺应性,因此很多学者将Snake与其它方法结合起来运用,如王蓓等利用图像的先验知识与Snake结合的方法,避开图像的一些部分极小点,抑制了Snake方法的一些缺乏。Raquel等将径向基网络(RBFNN cc)与Snake相结合建立了一种混合模型,该模型具有以下特点:()该混合模型是静态网络和动态模型的有机结合；( )Snake的初始化轮廓由RBFNN cc提供；()Snake的初始化轮廓给出了最正确的控制点；()Snake的能

17、量方程中包含了图像的多谱信息。Luo等提出了一种将live wire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根底上,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详细义务而言的，还没有一个通用的处理方法。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讨的几个显著特点：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普通图像获得比较称心的结果，因此更加注重多种分割算法的有效结合；在目前无法完全由计算机来完成图像分割义务的情况下，半自动的分割方法引起了人们的广泛留意，如何才干充分利用计算

18、机的运算才干，使人仅在必要的时候进展必不可少的干涉，从而得到称心的分割结果是交互式分割方法的中心问题；新的分割方法的研讨主要以自动、准确、快速、自顺应和鲁棒性等几个方向作为研讨目的，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开展方向。医学图像配准和交融医学图像可以分为解剖图像和功能图像 个部分。解剖图像主要描画人体形状信息，功能图像主要描画人体代谢信息。为了综合运用多种成像方式以提供更全面的信息，经常需求将有效信息进展整合。整合的第一步就是使多幅图像在空间域中到达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展信息的整合显示，这一步骤称为“交融

19、。在临床诊断上，医生经常需求各种医学图像的支持，如CT、MRI、PET、SPECT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，这就需求将患者的各种图像信息综合研讨，而要做到这一点，首先必需处理图像的配准(或叫匹配)和交融问题。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；而交融是指将不同方式的医学图像中的信息综合到一同，构成新的图像的过程。图像配准是图像交融必需的预处置技术，反过来，图像交融是图像配准的一个目的。. 医学图像配准医学图像配准包括图像的定位和转换，即经过寻觅一种空间变换使两幅图像对应点到达空间位置上的配准，配准的结果应使两幅图像上一切关键的解剖点或感

20、兴趣的关键点到达匹配。世纪年代以来，医学图像配准的研讨遭到了国内外医学界和工程界的高度注重，年Petra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、面膜法及皮肤标志法等。基于外部特征的图像配准，简单易行，易实现自动化，可以获得较高的精度，可以作为评价无框架配准算法的规范。但对标志物的放置要求高，只能用于同一患者不同影像方式之间的配准，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讨。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

21、相对运动较小的构造及图像内部体素的灰度信息进展配准。基于内部特征的方法包括手工交互法、对应点配准法、构造配准法、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，可以进展回想性研讨，不会呵斥患者不适，故基于内部特征的图像配准成为研讨的重点。近年来，医学图像配准技术有了新的进展，在配准方法上运用了信息学的实际和方法，例如运用最大化的互信息量作为配准准那么进展图像的配准，在配准对象方面从二维图像开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-PET三维全脑数据进展了配准，结果全部到达亚像素级配准精度。在医学图像配准技术方面引入信号处置技术，例如傅氏变换和小

22、波变换。小波技术在空间和频域上具有良好的部分特性，在空间和频域都具有较高的分辨率，运用小波技术多分辨地描画图像细貌，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开展之一。国内外学者在这方面作了大量的任务，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，运用小波变换获得多模图像特征点然后进展图像配准，提高了配准的准确性。另外，非线性配准也是近年来研讨的热点，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曾经提出一些处理的方法，但同刚性图像相比还不成熟。另外，医学图像配准短少实时性和准确性及有效的全

23、自动的配准战略。向快速和准确方面改良算法，运用最优化战略改良图像配准以及对非刚性图像配准的研讨是今后医学图像配准技术的开展方向。. 医学图像交融图像交融的主要目的是经过对多幅图像间的冗余数据的处置来提高图像的可读性,对多幅图像间的互补信息的处置来提高图像的明晰度。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SPECT、PET 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状信息，其中CT 有利于更致密的组织的探测，而MRI可以提供软组织的更多信息。多模态医学图像的交融把有价值的生理功能信息与准确

24、的解剖构造结合在一同，可以为临床提供更加全面和准确的资料。医学图像的交融可分为图像交融的根底和交融图像的显示。图像交融的根底：目前的图像交融技术可以分为 大类，一类是以图像像素为根底的交融法；另一类是以图像特征为根底的交融方法。以图像像素为根底的交融法模型可以表示为： 其中， 为交融图像，为源图像， 为相应的权重。以图像特征为根底的交融方法在原理上不够直观且算法复杂，但是其实现效果较好。图像交融的步骤普通为：将源图像分别变换至一定变换域上；在变换域上设计一定特征选择规那么；根据选取的规那么在变换域上创建交融图像；逆变换重建交融图像。交融图像的显示：交融图像的显示方法可分成 种：空间维显示和时间

25、维显示。目前，医学图像交融技术中还存在较多困难与缺乏。首先，根本的实际框架和有效的广义交融模型尚未构成。以致现有的技术方法还只是针对详细病症、详细问题发扬作用，通用性相对较弱。研讨的图像以CT、MRI、核医学图像为主，超声等本钱较低的图像研讨较少且研讨主要集中于大脑、肿瘤成像等；其次，由于成像系统的成像原理的差别，其图像采集方式、格式以及图像的大小、质量、空间与时间特性等差别大，因此研讨稳定且精度较高的全自动医学图像配准与交融方法是图像交融技术的难点之一；最后，缺乏可以客观评价不同交融方法交融效果优劣的规范，通常用目测的方法比较交融效果，有时还需求利用到医生的阅历。在图像交融技术研讨中，不断有

26、新的方法出现，其中小波变换在图像交融中的运用，基于有限元分析的非线性配准以及人工智能技术在图像交融中的运用将是今后图像交融研讨的热点与方向。随着三维重建显示技术的开展，三维图像交融技术的研讨也越来越遭到注重，三维图像的交融和信息表达，也将是图像交融研讨的一个重点。医学图像纹理分析普通以为图像的纹理特征描画物体外表灰度或颜色的变化,这种变化与物体本身属性有关,是某种纹理基元的反复。Sklansky早在年给出了一个较为适宜于医学图像的纹理定义:“假设图像的一系列固有的统计特性或其它的特性是稳定的、缓慢变化的或者是近似周期的,那么那么以为图像的区域具有不变的纹理。纹理的不变性即指纹理图像的分析结果不

27、会遭到旋转、平移、以及其它几何处置的影响。目前从图像像素之间的关系角度,纹理分析方法主要包括以下几种。. 统计法统计分析方法主要是基于图像像素的灰度值的分布与相互关系,找出反映这些关系的特征。根本原理是选择不同的统计量对纹理图像的统计特征进展提取。这类方法普通原理简单,较易实现,但适用范围遭到限制。该方法主要适宜医学图像中那些没有明显规那么性的构造图像,特别适宜于具有随机的、非均匀性的构造。统计分析方法中,最常用的是共生矩阵法,其中有灰度共生矩阵(gray level co-occurrence matrix , GLCM)和灰度梯度共生矩阵。杜克大学的R. Voracek等运用GLCM对肋间

28、周边区提取的兴趣区(region of interest, ROI)进展计算,测出了有意义的纹理参数。另外,还有长游程法(run length matrix ,RLM),其纹理特征包括短游程优势、长游程优势、灰度非均匀化、游程非均匀化、游程百分比等,长游程法是对图像灰度关系的高阶统计,对于给定的灰度游程,粗的纹理具有较大的游程长度,而细的纹理具有较小的游程长度。. 构造法构造分析方法是分析纹理图像的构造,从中获取构造特征。构造分析法首先将纹理看成是有许多纹理基元按照一定的位置规那么组成的,然后分两个步骤处置提取纹理基元；推论纹理基元位置规律。目前主要用数学形状学方法处置纹理图像,该方法适宜于规

29、那么和周期性纹理,但由于医学图像纹理通常不是很规那么,因此该方法的运用也遭到限制,实践中较少采用。. 模型法模型分析方法以为一个像素与其邻域像素存在某种相互关系,这种关系可以是线性的,也可以是符合某种概率关系的。模型法通常有自回归模型、马尔科夫随机场模型、Gibbs随机场模型、分形模型,这些方法都是用模型系数来表征纹理图像,其关键在于首先要对纹理图像的构造进展分析以选择到最适宜的模型,其次为如何估计这些模型系数。如何经过求模型参数来提取纹理特征,进展纹理分析,这类方法存在着计算量大,自然纹理很难用单一模型表达的缺陷。. 频谱法频谱分析方法主要基于滤波器实际，包括傅立叶变换法、Gabor变换法和

30、小波变换法。年Bajcsy运用傅立叶滤波器方法分析纹理。Indhal等利用-D快速傅立叶变换对纹理图像进展频谱分析,从而获得纹理特征。该方法只能完成图像的频率分解,因此获得的信息不是很充分。年Laws对图像进展傅氏变换,得出图像的功率谱,从而提取纹理特征进展分析。Gabor函数可以捕捉到相当多的纹理信息,且具有极佳的空间/频域结合分辨率,因此在实践中获得了较广泛的运用。小波变换法大体分金子塔形小波变换法和树形小波变换法(小波包法)。 小波变换在纹理分析中的运用是Mallat在年首先提出的,主要用二值小波变换(Discrete Wavelet Transform, DWT),之后各种小波变换被用

31、于抽取纹理特征。传统的金字塔小波变换在各分解级仅对低频部分进展分解,所以利用金字塔小波变换进展纹理特征提取是仅利用了纹理图像低频子带的信息,但对某些纹理,其中高频子带仍含有有关纹理的重要特征信息(如对具有明显的不规那么纹理的图像,即其高频子带仍含有有关纹理的重要特征)得不到利用。运用在每个分解级对一切的频率通道均进展分解的完全树构造小波变换提取特征,可以较全面地提取有关纹理特征。由于医学图像及其纹理的复杂性，目前还不存在通用的适宜各类医学图像进展纹理分析的方法，因此对于各类不同特点的医学图像就必需采取有针对性地最适宜的纹理分析技术。另外，在运用某一种纹理分析方法对图像进展分析时，寻求最优的纹理

32、特征与纹理参数也是目前医学图像纹理分析中的重点和难点。总结随着远程医疗技术的蓬勃开展，对医学图像处置提出的要求也越来越高。医学图像处置技术开展至今，各个学科的交叉浸透已是开展的必然趋势，其中还有很多亟待处理的问题。有效地提高医学图像处置技术的程度，与多学科实际的交叉交融、医务人员和实际技术人员之间的交流就显得越来越重要。多维、多参数以及多方式图像在临床诊断包括病灶检测、定性，脏器功能评价，血流估计等与治疗包括三维定位、体积计算、外科手术规划等中将发扬更大的作用。参考文献 P. Suetens. Fundamentals of Medical ImagingM. Cambridge Univer

33、sity Press， 刘俊敏，黄忠全，王世耕，张颖. 医学图像处置技术的现状及开展方向J. 医疗卫生设备，Vol：-. 田娅，饶妮妮，蒲立新. 国内医学图像处置技术的最新动态J. 电子科技大学学报，Vol：-. 周刚慧，施鹏飞磁共振图像的随机场分割方法J上海交通大学学报，Vol： Zhang HM，Yuan ZJ，Cai ZM. Segmentation of MRI using hierarchical markov random fieldJ. Journal ofSoftware，Vol：. 林亚忠，陈武凡，杨丰. 基于混合金字塔吉布斯随机场模型的图像分割J. 中国生物医学工程学报，V

34、ol：. 聂生东，陈瑛，顾顺德磁共振颅脑图像快速模糊聚类分割算法研讨J中国生物医学工程学报，Vol： 江宝钏，张钧良基于BP 神经网络的MRI 分割J. 微机开展，Vol：. Ahmed MN，Farag A. Two-stage neural network for volume segmentation of medical imagesJ. Proceedingsof IEEE International Conference on Neural Networks，Vol：. 黄永峰，岑康，司京玉等. 模糊神经网络在颅脑磁共振图像分割中的运用研讨J. 中国生物医学工程学报，Vol：. C

35、ostin H，Rotariu CR. Knowledge-based contour detection in medical imaging using fuzzy logicJ.International Symposium on SCS，：. 谢逢，罗立民，田雪琴. 基于知识的人脑三维医学图像分割显示方法J. 生物医学工程学杂志，Vol：. 王蓓，张立明. 利用图像先验知识与Snake 结合对心脏序列图像的分割J. 复旦大学学报自然科学版，Vol：. Raquel VC，Veronica MB，Oscar YS. Coupling of radial-basis network and

36、 active contour model for multispectral brain MRI segmentationJ. IEEE Transactions on Biomedical Engineering，Vol：. Luo XP，Tian J，Lin Y. An algorithm for segmentation of medical image series based on active contourmodelJ. Journal of Software，Vol：. Hallpike L，Hawkes DJ. Medical image registration: An

37、overviewJ. Br Institute Radiol，Vol：-. Petra A，Elsen V. Medical Image maching: A review with classificationJ. IEEE Trans Med Image，Vol：-. Luo Shuo-qian，Li Xiang. Implementation of mutual information based multi-modality medical imageregistrationA. Eng Med Bill Soc Proc nd Ann Int Conf IEEEC. Navy Pier Convention Center Chicago，Illinois，USA：The Institute of Electrical and Electrical and Electronics Engineers，Ind，：-. Sharman R，Tyler JM，Pianykh OL，et al. A fast and accurate to method to register medical images usingwavelet modulus maximaJ. Patt Recog Lett，：-. Le