《医学影像信息学》课件-第四章 医学影像处理技术的认知

第四章医学影像处理技术的认知图像增强处理第一节

临床应用规范图像增强处理临床应用主要分三个方面：1.直接处理。2.脱机处理。3.科学研究。

一、图像增强处理规范第一节图像增强处理医学图像增强是采用一系列技术将原来不清晰的图像变得清晰或强调某些感兴趣的信息，抑制不感兴趣的信息，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。1.图像增强按处理方法不同可分为空域增强和频域增强。2.图像增强按处理目的不同可分为图像的灰度变换、平滑降噪和图像锐化。二、图像增强处理方法第一节图像增强处理

1.灰度变换由于X线曝光不足或过度的影响，图像灰度可能局限在一个很小的范围内，使图像模糊不清、缺乏灰度层次。在灰度直方图统计分析的基础上，对图像的像素进行线性拉伸，可以增强图像对比度，从而改善图像质量。主要方法包括直方图均衡化和直方图规定化。三、图像增强处理技术第一节图像增强处理

1.灰度变换（1）灰度直方图灰度直方图是灰度级的函数，它表示图像中具有每种灰度级的像素的个数，反映图像中每种灰度出现的频率。灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频率，是图像最基本的统计特征。三、图像增强处理技术第一节图像增强处理

1.灰度变换（1）灰度直方图依据直方图的状态可以评断图像的部分性质，如明亮图像的直方图倾向于灰度级高的一侧；低对比度图像的直方图窄而集中于灰度级的中部，高对比度图像的直方图成分覆盖的灰度级很宽而且像素的分布相对均匀，只有少量的垂线比其他高许多。因此，若一幅图像其像素占有全部可能的灰度级并且分布均匀，则这样的图像有高对比度和多变的灰度色调。三、图像增强处理技术第一节图像增强处理

1.灰度变换（2）直方图均衡化直方图均衡化是将原始图像的直方图变换为均匀分布的形式，从而增加像素灰度值的动态范围，达到增强图像整体对比度的效果。通过处理，使图像中概率密度大的部分相邻像素值的间隔加大，使概率密度小的部分像素值差别缩小，往往将两个或几个相邻的亮度值归并为同样的值。三、图像增强处理技术第一节图像增强处理

1.灰度变换（3）直方图规定化直方图规定化是将一幅图像通过灰度变换后，使其具有特定的直方图形式，如使图像与某一标准图像具有相同的直方图，或使图像具有某一特定函数形式的直方图。三、图像增强处理技术第一节图像增强处理

1.灰度变换（3）直方图规定化直方图均衡化是图像处理的一种自动增强方法，可以得到整幅影像增强的结果，但效果不易控制；直方图规定化是图像处理的一种有选择性增强方法，可以得到特定增强的结果，但须给定需要的直方图。三、图像增强处理技术第一节图像增强处理

2.平滑降噪图像噪声指阻碍观察者对信息接收的因素，即图像中临床诊断需求以外的信息。平滑降噪的目的是消除图像中噪声，改善图像质量，同时平滑图像中细微的纹理结构，突出图像骨架结构。由于噪声源众多且种类复杂，所以平滑方法有多种多样。平滑可以在空间域进行，也可以在频域进行。下面以空间域常用方法为例介绍平滑降噪处理技术。三、图像增强处理技术第一节图像增强处理

2.平滑降噪（1）邻域平均法邻域平均法是一种直接在空间域上进行平滑处理的技术，通过邻域内各像素的灰度平均值代替该像素原来的灰度值，来实现图像的平滑。（2）中值滤波法中值滤波对脉冲干扰及椒盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊，而且运算速度快，便于实时处理。但该方法对点、线等细节较多的图像却不太合适，效果不如平滑滤波。三、图像增强处理技术第一节图像增强处理

3.图像锐化图像平滑处理技术往往使图像中的边界、轮廓变得模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像的边缘变得清晰。经过平滑的图像变得模糊的根本原因是因为图像受到了平均或积分运算，因此可以对其进行逆运算（如微分运算）就可以使图像变得清晰。从频率域来考虑，图像模糊的实质是因为其高频成分被衰减，因此可以用高通滤波器来使图像清晰。三、图像增强处理技术第一节图像增强处理

四、图像增强处理工作质量标准第一节图像增强处理图像增强处理技术应用标准增强技术临床应用存在不足应用举例灰度变换调整图像对比度、亮度，提高器官组织的可见度和清晰度非感兴趣区对比度下降，掩盖影像细节曝光不足影像处理平滑降噪抑制图像高频信号，消除图像噪声图像模糊图像去噪锐化处理提升图像高频信号，突出器官组织边界信息噪声干扰明显显示结构轮廓图像滤波处理第二节

滤波是一种应用广泛的图像处理技术，可以通过滤波来强调或删除图像每种特征。滤波处理一种领域，即处理后的图像每个像素值是原来像素周围的颜色值经过某些算法得到的。用不同滤波函数对同一图像进行滤波处理，图像效果各有不同。第二节图像滤波处理

为了改善图像质量，从图像中提取有效信息，必须对图像进行去噪预处理。根据噪声的频谱分布的规律和统计特征以及图像的特点，出现了多种多样的去噪方法。经典去噪方法有：空间域合成法、频域合成法和最优线性合成法等。与之相适应地出现了许多应用方法：均值滤波器、中值滤波器、低通滤波器、维纳滤波器、最小失真法等。滤波方法第二节图像滤波处理

（一）均值滤波均值滤波是将某像素邻域内各点的灰度平均值来代替该像素原来的灰度级。均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素点和其本身像素点。再用模板中全体像素的平均值来代替原来的像素值。均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。滤波方法第二节图像滤波处理

（一）均值滤波1.均值滤波的噪声（1）高斯噪声高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。滤波方法第二节图像滤波处理

（一）均值滤波1.均值滤波的噪声（2）椒盐噪声椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。滤波方法第二节图像滤波处理

（一）均值滤波2.均值滤波的特点（1）均值滤波对高斯噪声和均匀分布噪声的抑制作用是比较好的，但对椒盐噪声的影响不大，在削弱噪声的同时整幅图像总体也变得模糊，其噪声仍然存在。（2）经均值滤波处理后的图像边缘和细节处变得模糊，均值滤波在去除噪声的同时也破坏了图像的细节部分。（3）逆谐波均值滤波器能够减少和消除图像中的椒盐噪声。滤波方法第二节图像滤波处理

（二）中值滤波中值滤波是用该像素的相邻像素的灰度中值来代替像素值，中值滤波是一种常用的非线性平滑滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值来替换，其主要功能是让周围像素灰度值差别比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。滤波方法第二节图像滤波处理

（二）中值滤波中值滤波的特点：（1）中值滤波对去除椒盐噪声可以起到很好的效果，将图像中未被噪声污染的点代替噪声点的值的概率比较大，因此噪声的抑制效果很好。（2）中值滤波与均值滤波相比，在去除图像椒盐噪声的同时，还能够保持图像比较清晰的轮廓。（3）自适应中值滤波器与常规中值滤波相比，能够更好地处理图像的细节和边缘，使图像更加细腻、清晰，给人以良好的视觉冲击。滤波方法第二节图像滤波处理

（三）维纳滤波维纳滤波（wienerfiltering）一种基于最小均方误差准则、对平稳过程的最优估计器。这种滤波器的输出与期望输出之间的均方误差为最小，求得了最佳线性滤波器的参数，因此，它是一个最佳滤波系统，可用于提取被平稳噪声污染的信号。维纳滤波器的优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是向量的，都可应用。滤波方法第二节图像滤波处理

（三）维纳滤波实现维纳滤波的要求：（1）输入过程是广义平稳的。（2）输入过程的统计特性是已知的。根据其他最佳准则的滤波器亦有同样要求。然而，由于输入过程取决于外界的信号、干扰环境，这种环境的统计特性常常是未知的、变化的，因而难以满足上述两个要求。这就促使人们研究自适应滤波器。滤波方法第二节图像滤波处理

（四）小波变换小波变换（wavelettransform，WT）是一种新的变换分析方法，它继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。滤波方法第二节图像滤波处理

（四）小波变换它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分、低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题，成为继傅里叶变换以来在科学方法上的重大突破。滤波方法第二节图像滤波处理

（四）小波变换从图像处理的角度看，小波变换存在以下几个优点：（1）小波分解可以覆盖整个频域。（提供了一个数学上完备的描述）（2）小波变换通过选取合适的滤波器，可以极大地减小或去除所提取的不同特征之间的相关性。（3）小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率（宽分析窗口）；在高频段，可用低频率分辨率和高时间分辨率（窄分析窗口）。（4）小波变换实现上有快速算法（mallat小波分解算法）。滤波方法第二节图像滤波处理图像边缘处理第三节在数字图像处理中，图像经转换或传输后，质量可能下降，难免有些模糊。另外，图像平滑在降低噪声的同时也造成目标的轮廓不清晰和线条不鲜明，使目标的图像特征提取、识别、跟踪等难以进行，这一点可以利用图像锐化来增强。对图像进行清晰度的强调叫做锐化。图像的清晰度是指图像轮廓边缘的清晰程度。第三节图像边缘处理

（一）锐化的作用1.分辨出图像线条间的区别即图像层次对景物质点的分辨率或细微层次质感的精细程度。其分辨率越高，景物质点的分辨率或细微层次质感的精细程度越高，景物质点表现得越细致，清晰度则越高。反之，则图像比较模糊。2.衡量线条边缘轮廓是否清晰即图像层次轮廓边界的虚实程度，常用锐度表示，其实质是指层次边界渐变密度的过渡宽度，若过渡宽度小，那么图像的层次边界清晰，若过渡宽度大，那么图像的层次边界模糊。3.图像的细小层次间的清晰程度尤其是细小层次间的明暗对比或细微反差是否清晰。反差大，图像就清晰，反之，则图像模糊。因此图像的清晰度也称为细微层次的清晰程度。第三节图像边缘处理一、图像锐化概述

（二）图像锐化的目的1.增强图像边缘，使模糊的图像变得更加清晰，颜色变得鲜明突出，图像的质量有所改善，产生更适合人眼观察和识别的图像。2.希望经过锐化处理后，目标物体的边缘鲜明，以便于提取目标的边缘、对图像进行分割、目标区域识别、区域形状提取等，为进一步的图像理解与分析奠定基础。第三节图像边缘处理

一般有两种方法，一是微分法，二是高通滤波法。二、图像锐化的方法第三节图像边缘处理

（一）微分法从灰度变换曲线上可以得到，画面逐渐由亮变暗时，其灰度值的变换是斜坡变化；当出现孤立点，一般是噪声点，其灰度值的变化是一个突起的尖峰；若进入平缓变化的区域，则其灰度变化为一个平坦段；如果图像出现一条细线，则其灰度变化是一个比孤立点略显平缓的尖峰；当图像由黑突变到亮，则其灰度变化是一个阶跃。通过分析，我们可知，图像中的细节是指画面的灰度变化情况，因此我们如果要对图像进行锐化，保留其细节信息，就可采用微分算子来描述这种数据变化，从而达到锐化的目的。微分法也是空域锐化的基本方法。二、图像锐化的方法第三节图像边缘处理

（一）微分法1.一阶微分主要指梯度模运算，图像的梯度模值包含了边界及细节信息。梯度模算子用于计算梯度模值，通常认为它是边界提取算子，具有极值性、位移不变性和旋转不变性。2.二阶微分二阶微分一般指拉氏算子。拉氏算子是一个刻画图像变化的二阶微分算子。它是线性算子，具有各向同步性和位移不变性。拉氏算子是点、线、边界提取算子。通常图像和对它实施拉氏算子后的结果组合后产生一个锐化图像。二、图像锐化的方法第三节图像边缘处理

（一）微分法一阶微分和二阶微分的区别：（1）一阶微分处理通常会产生较宽的边缘，二阶微分处理得到的边缘较细。（2）二阶微分处理对细节有较强的响应，如细线和孤立点。（3）一阶微分处理一般对灰度阶梯有较强的响应，二阶微分处理对灰度阶梯变化产生双响应。（4）二阶微分在图像中灰度值变化相似时，对线的响应要比对阶梯的强，且点比线的强。大多数应用中，对图像增强来说，二阶微分处理比一阶微分好，因为形成细节的能力强，而一阶微分处理主要用于提取边缘。二、图像锐化的方法第三节图像边缘处理

（二）高通滤波图像锐化处理的目的是使模糊图像变得清晰。高通滤波（high-passfilter）是一种过滤方式，属于频率域滤波，它保留高频、抑制低频，是图像锐化的一种方式。规则为高频信号能正常通过，而低于设定临界值的低频信号则被阻隔、减弱。但是阻隔、减弱的幅度会依据不同的频率以及不同的滤波程序（目的）而改变，也被称为低频去除过滤（low-cutfilter）。高通滤波是低通滤波的对立。二、图像锐化的方法第三节图像边缘处理

（二）高通滤波1.无源高通滤波器仅由无源元件（R、L和C）组成的滤波器，它是利用电容和电感元件的电抗随频率的变化而变化的原理构成的。这类滤波器的优点是电路比较简单，不需要直流电源供电，可靠性高；缺点是通带内的信号有能量损耗，负载效应比较明显，使用电感元件时容易引起电磁感应，当电感L较大时滤波器的体积和重量都比较大，在低频域不适用。二、图像锐化的方法第三节图像边缘处理

（二）高通滤波2.有源高通滤波器由无源元件（一般用R和C）和有源器件（如集成运算放大器）组成。这类滤波器的优点是通带内的信号不仅没有能量损耗，而且还可以放大，负载效应不明显，多级相联时相互影响很小，利用级联的简单方法很容易构成高阶滤波器，并且滤波器的体积小、重量轻、不需要磁屏蔽（因为不使用电感元件）；缺点是通带范围受有源器件（如集成运算放大器）的带宽限制，需要直流电源供电，可靠性不如无源滤波器高，在高压、高频、大功率的场合不适用。二、图像锐化的方法第三节图像边缘处理图像重组处理第四节重组技术主要应用于多层螺旋CT以及MRI设备，是图像后处理功能中最常用的方法。二维重组技术主要包括多平面重建（MPR）、曲面重建（curvedmultiplanarreformation，CPR）。第四节图像重组处理

（一）多平面重建（MPR）多平面重建是将扫描范围内所有的轴位图像叠加起来再对某些标线标定的重组线所指定的组织进行冠状位、矢状位、任意角度斜位图像重组。在CT或MRI图像中任意断面上按需要画线，然后沿该画线将断面上的层面重组，即可获得该划线平面的二维重组图像。MPR可较好地显示组织器官内复杂的解剖关系，有利于病变的准确定位。第四节图像重组处理

（一）多平面重建（MPR）1.MPR优点（1）能任意产生新的断层图像，而无需重复扫描。（2）原图像的密度值与结果图像一致。（3）曲面重组能在一幅图像里展开显示弯曲物体的全长。2.MPR缺点（1）难以表达复杂的空间结构。（2）曲面重组易造成假阳性。第四节图像重组处理

（二）曲面重建（CPR）曲面重建是多平面重建的一种特殊形式。在容积数据的基础上，沿着感兴趣区画出一条曲线，计算指定曲面的所有像素的CT值，并以二维的图像形式显示出来。曲面重建将扭曲、重叠的血管、支气管、牙槽等结构伸展拉直显示在同一平面上，较好地显示其全貌，是MPR的延伸和发展。能任意产生新的断层图像，而无需重复扫描。第四节图像重组处理图像分割处理第五节

图像分割是在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。这些感兴趣的部分常称为目标或图像，它们一般对应图像中特定的、具有独特性质的区域。这里的区域是指相互连通的、有一致属性的像素的集合。第五节图像分割处理

图像分割是指把图像分成互不重叠区域并提取感兴趣目标的技术，也就是在影像图像上勾画出感兴趣区域，从而针对这一特定区域计算出影像组学特征。目前，影像分割的方法有三种，即人工手动分割法、半自动分割法跟自动分割法。一、图像分割定义第五节图像分割处理

（一）人工手动分割法被应用于大部分影像研究中，其优势在于准确度高，并且对不规则的肿瘤边界勾勒清晰，但其受主观因素影响较大，可重复性低，且耗时长、效率低。（二）半自动分割法和自动分割法表现出较高的可重复性和实效性，其中半自动分割法为目前影像组学分割的最常用方法。（三）与半自动分割法相比，自动分割法可以实现排除人为因素，更好地表达自动化、可重复且效率高的效果。目前自动分割法还没有统一的标准及方案，但其在某些区域应用已经成效显著，它将作为影响重组图像分割的一个重要研究发现。一、图像分割定义第五节图像分割处理

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。二、医学图像分割第五节图像分割处理

（一）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。二、医学图像分割第五节图像分割处理

（二）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，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。二、医学图像分割第五节图像分割处理

（二）基于模糊集理论的方法1.基于模糊理论的方法2.基于神经网络的方法3.基于小波分析的分割方法第五节图像分割处理二、医学图像分割

（三）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：（1）知识的获取，即归纳提取相关知识，建立知识库。（2）知识的应用，即有效地利用知识实现图像的自动分割。二、医学图像分割第五节图像分割处理

（四）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（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与其他方法结合起来使用，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。二、医学图像分割第五节图像分割处理图像三维重建处理第六节

医学图像三维重建应用1.能使人们从任意角度观察人体结构，并对人体内部各个组织的相对位置关系有一个整体了解，从而正确诊断出病变范围、位置及程度。2.在外科手术的计划和模拟中发挥很大作用，医生可以通过计算机模拟复杂的手术过程，给手术一个定量的描述，还可以比较不同的手术方案和结果，为拟定最佳手术方案提供依据，以提高手术质量，减少医疗事故。第六节图像三维重组处理

医学图像三维重建应用3.制订放射治疗计划也是三维医学图像系统的一个重要应用领域，对每个具体病例可以由系统精确地确定出放射源的位置和方向，以使病灶得到足够的照射剂量而其他组织器官尽量减少照射量。4.三维医学图像系统还能模拟人体解剖，改进传统的医学解剖教学方式，使学生在计算机上完成模拟手术。5.三维医学图像对关节修复、假肢的设计与制作都有很大的意义。第六节图像三维重组处理

医学图像三维重建的方法表面绘制（1）MarchingCubes（MC）算法（2）离散MarchingCubes算法（3）分解立方体法（dividingcubes）算法第六节图像三维重组处理

医学图像三维重建的方法表面绘制（1）MarchingCubes（MC）算法MarchingCubes算法是一种应用很广泛的由体密度数据重构三维等值面的方法，于1987年由W.Lorensen等人提出。该算法处理的对象一般是CT或MRI图像。数据点都位于网格点上，一般适用于灰度图，这样可以明确给出阈值。它的目的是从这样的体密度数据中抽取出三维结构的边界面，但它不是像二维中追踪等值线一样需要邻接关系，而是孤立地看待每一个体元，由体元八个顶点的数据值来得到在该立方体内的边界面，以三角面片的形式来表示。第六节图像三维重组处理

医学图像三维重建的方法表面绘制（2）离散MarchingCubes算法离散MarchingCubes算法是一种新型的MarchingCubes的改进算法，它将三维表面的重构和简化过程融为一体，在等值面的生成过程中就自适应地完成了面片合并。与其他简化算法相比，该方法具有算法效率高、简化比例高、损失精度小等优点。第六节