医学图像处理技术

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（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上创建融合图像；④逆变换重建融合图像。（2）融合图像的显示：融合图像的显示方法可分成2 种：空间维显示和时间维显示。

目前，医学图像融合技术中还存在较多困难与不足。首先，基本的理论框架和有效的广义融合模型尚未形成。以致现有的技术方法还只是针对具体病症、具体问题发挥作用，通用性相对较弱。研究的图像以CT、MRI、核医学图像为主，超声等成本较低的图像研究较少且研究主要集中于大脑、肿瘤成像等；其次，由于成像系统的成像原理的差异，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异大，因此研究稳定且精度较高的全自动医学图像配准与融合方法是图像融合技术的难点之一；最后，缺乏能够客观评价不同融合方法融合效果优劣的标准，通常用目测的方法比较融合效果，有时还需要利用到医生的经验。

在图像融合技术研究中，不断有新的方法出现，其中小波变换在图像融合中的应用，基于有限元分析的非线性配准以及人工智能技术在图像融合中的应用将是今后图像融合研究的热点与方向。随着三维重建显示技术的发展，三维图像融合技术的研究也越来越受到重视，三维图像的融合和信息表达，也将是图像融合研究的一个重点。

5．医学图像纹理分析

一般认为图像的纹理特征描述物体表面灰度或颜色的变化,这种变化与物体自身属性有关,是某种纹理基元的重复。Sklansky早在1978年给出了一个较为适合于医学图像的纹理定义:“如果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,那么则认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会受到旋转、平移、以及其它几何处理的影响。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。

5.1 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。基本原理是选择不同的统计量对纹理图像的统计特征进行提取。这类方法一般原理简单,较易实现,但适用范围受到限制。该方法主要适合医学图像中那些没有明显规则性的结构图像,特别适合于具有随机的、非均匀性的结构。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等使用GLCM对肋间周边区提取的兴趣区(region of interest, ROI)进行计算,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。

5.2 结构法

结构分析方法是分析纹理图像的结构,从中获取结构特征。结构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则组成的,然后分两个步骤处理（1）提取纹理基元；（2）推论纹理基元位置规律。目前主要用数学形态学方法处理纹理图像,该方法适合于规则和周期性纹理,但由于医学图像纹理通常不是很规则,因此该方法的应用也受到限制,实际中较少采用。

5.3 模型法

模型分析方法认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结构进行分析以选择到最适合的模型,其次为如何估计这些模型系数。如何通过求模型参数来提取纹理特征,进行纹理分析,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点。

5.4 频谱法

频谱分析方法主要基于滤波器理论，包括傅立叶变换法、Gabor变换法和小波变换法。 1973年Bajcsy使用傅立叶滤波器方法分析纹理。Indhal等利用2-D快速傅立叶变换对纹理图像进行频谱分析,从而获得纹理特征。该方法只能完成图像的频率分解,因而获得的信息不是很充分。1980年Laws对图像进行傅氏变换,得出图像的功率谱,从而提取纹理特征进行分析。

Gabor函数可以捕捉到相当多的纹理信息,且具有极佳的空间/频域联合分辨率,因此在实际中获得了较广泛的应用。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应用是Mallat在1989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行分解,所以利用金字塔小波变换进行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则纹理的图像,即其高频子带仍含有有关纹理的重要特征)得不到利用。使用在每个分解级对所有的频率通道均进行分解的完全树结构小波变换提取特征,能够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合各类医学图像进行纹理分析的方法，因而对于各类不同特点的医学图像就必须采取有针对性地最适合的纹理分析技术。另外，在应用某一种纹理分析方法对图像进行分析时，寻求最优的纹理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。

6．总结

随着远程医疗技术的蓬勃发展，对医学图像处理提出的要求也越来越高。医学图像处理技术发展至今，各个学科的交叉渗透已是发展的必然趋势，其中还有很多亟待解决的问题。有效地提高医学图像处理技术的水平，与多学科理论的交叉融合、医务人员和理论技术人员之间的交流就显得越来越重要。多维、多参数以及多模式图像在临床诊断（包括病灶检测、定性，脏

器功能评估，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）中将发挥更大的作用。 参考文献

[1] P. Suetens. Fundamentals of Medical Imaging[M]. Cambridge University Press，2002．

[2] 刘俊敏，黄忠全，王世耕，张颖. 医学图像处理技术的现状及发展方向[J]. 医疗卫生设备，2005，Vol26 （12）：25-26.

[3] 田娅，饶妮妮，蒲立新. 国内医学图像处理技术的最新动态[J]. 电子科技大学学报，2002，Vol31（5）： 485-489.

[4] 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，2001，Vol35（11）：1655． [5] Zhang HM，Yuan ZJ，Cai ZM. Segmentation of MRI using hierarchical markov random field[J]. Journal of Software，2002，Vol13（9）：1779.

[6] 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， 2004，Vol23（1）：79.

[7] 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究[J]．中国生物医学工程学报，2001， Vol20（2）：104．

[8] 江宝钏，张钧良．基于BP 神经网络的MRI 分割[J]. 微机发展，2000，Vol1：67.

[9] Ahmed MN，Farag A. Two-stage neural network for volume segmentation of medical images[J]. Proceedings of IEEE International Conference on Neural Networks，1997，Vol28（3）：1373.

[10] 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应用研究[J]. 中国生物医学工程 学报，2003，Vol22（6）：508.

[11] Costin H，Rotariu CR. Knowledge-based contour detection in medical imaging using fuzzy logic[J]. International Symposium on SCS’03，2003，1：273.

[12] 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，1997， Vol14（2）：124.

[13] 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），2003，Vol42（1）：81.

[14] Raquel VC，Veronica MB，Oscar YS. Coupling of radial-basis network and active contour model for multi spectral brain MRI segmentation[J]. IEEE Transactions on Biomedical Engineering，2004，Vol51（3）：459. [15] Luo XP，Tian J，Lin Y. An algorithm for segmentation of medical image series based on active contour model[J]. Journal of Software，2002，Vol13（6）：1050.

[16] Hallpike L，Hawkes DJ. Medical image registration: An overview[J]. Br Institute Radiol，2004，Vol14（6）： 455-463.

[17] Petra A，Elsen V. Medical Image maching: A review with classification[J]. IEEE Trans Med Image，1993， Vol12（3）：26-39.

[18] Luo Shuo-qian，Li Xiang. Implementation of mutual information based multi-modality medical image registration[A]. Eng Med Bill Soc Proc 22nd Ann Int Conf IEEE[C]. Navy Pier Convention Center Chicago，

Illinois，USA：The Institute of Electrical and Electrical and Electronics Engineers，Ind，2000，2：1447-1450. [19] Sharman R，Tyler JM，Pianykh OL，et al. A fast and accurate to method to register medical images using wavelet modulus maxima[J]. Patt Recog Lett，2000，21：447-462.

[20] Lester H，Arridge SR. A Survey of hierarchicl non-linear medical image registration[J]. Pattern Recognition， 1999，32：129-149.

[21] 卢健，胡志忠，杨如乃. 医学图像融合技术的研究[J]. 上海生物医学工程，2006，Vol27（3）：163-167. [22] 王新成. 高级图像处理技术[M]. 北京：中国科学技术出版社，2001.

[23] R Voracek，H P McAdams，C E Floyd. Computer Aided Diagnosis of Interstitial Lung Disease: a Texture Feature Extraction and Classification Approach[J]. Proc of SPIE，1998，3338：1502-1509.

[24] U Indhal. Evaluation of alternative spectral feature extraction Methods of textural images for multivariate modeling[J]. Journal of Chemometrics，1998，Vol12（4）：261-278.

The Overview of Medical Image Processing Technology

Fan Shangchun Zhou You

School of Instrumentation Science & Opto-electronics Engineering, Beijing University of Aeronautics and Astronautics, Beijing, P. R. China (100083) Abstract

The present situation and development of such medical image processing techniques are summarized as the techniques of image segmentation, image registration, image fusion and texture analysis. On the

basis of analyzing the relative techniques, the problems have been put forward what we are facing with the development of medical miage processing techniques. At the end of this paper, the development tendency of medical image processing is predicted.

Key words: medical image processing; image segmentation; image registration; image fusion; texture analysis