3三维医学图象可视化技术综述.docx

三维医学图象可视化技术综述摘　要：概要地分析和评述了近年来三维医学图象可视化技术的发展,并主要从三维医学图象的分割标注、多模态医学图象的数据整合、体数据的绘制等3个角度对三维医学图象的可视化技术进行了分综述,同时介绍了各种算法的原理和最新进展.三维医学图象的可视化与一般的科学计算可视化问题相比,有其特殊性,虽然其绘制方法和其它规则体数据的可视化相似,但其分割标注、匹配和融合等技术则各有其特点。聚类法：该法是最为直接和最实用的图象分割方法,这种方法是当体素灰度映射到根据某种规则分成的几个区域特征空间后,若体素灰度属于哪一个类的区域,则具备该灰度的图象体素就属于哪个类.基于贝叶斯理论的统计学模型法　该法是首先用参数化的3D解剖模型来预测图象特征;然后再提取预测子区域的局部图象特征;最后通过概率计算来完成图象处理以及图象特征匹配,进而支持或否定关于图象解剖学的预测。弹性模型法：其思路来自物理的变形模型,即认为物体的边缘具有弹性,可以在内力和外力作用下不断变形,其内力由轮廓的弹性性质决定,而外力来自图象.区域生长方法：该法的本质是寻找强度相似体素的空间集群.其最简单的区域生长是以单一体素作为起始点,而较为优化的算法则是从图象的一些均匀小区域出发,然后对每个区域及其邻近区域进行均匀性测试,若满足某种均匀性标准,就作区域合并操作。神经网络法：由于神经网络由大量基本处理单元构成,因此可以在某种程度上模拟生物体神经网络的活动.它不仅具有非线性和自学习功能等突出的特点,而且,基于神经网络的医学图象分割系统具有较好的鲁棒性,目前已有各种类型的神经网络应用于医学图象分割。脑部CT图像的三维重建及纹理特征研究纹理特征是一种重要的视觉特征，是所有图像都具有的一种复杂特性，纹理特征提取是进行图像纹理描述、分类的关键环节，通过对图像的纹理分析进而获得相关的纹理特征，对图进行定性或定量描述，从而有助于研究图像的诊断和分析。利用纹理分析技术研究图像中像素的灰度变化规律和分布模式，使其能敏感的反映出生物病理的细微变化。随着三维模型的出现，三维纹理分析技术也得到了一定的发展。目前已经用到许多疾病的诊断与治疗当中。CT图像的三维重建1.1 图像预处理1.1.1 去噪1.1.2自适应增强自适应性增强可以在一块小区域内对图像进行均衡增强，本文采用对比度自适应直方图均衡的方法，能有效增强病理组织和正常组织之间的对比度。图１表示对正常脑部CT图像进行预处理的结果，（a）为原始图，（b）为去噪后图像，（c）为自适应增强后的图像。图2表对脑室内脑瘤患者的CT图像进行预处理的结果，（a）为原始图，（b）为去噪后图像，（c）为自适应增强后的图像。从图中可以看出，图像预处理后，图像的质量明显改善，有效增强病理组织和正常组织之间的对比度，为后续的图像特征提取工作打下良好基础，进而提高图像特征提取的有效率。CT图像的三维重建可以分为直接三维重建和二维断层序列图像的三维重建两类方法，后者一般有两种方法：一种是基于体素的三维重建，即获得物体某一特性的空间分布特征后，形成体数据重建；另一种是表面重建，即提取个平面的边缘信息，形成三维物体的表面。前者涉及整个空间的体数据，数据处理量很大；后者丢失了图像大量内部信息，并且曲面的精度较难控制。本文采用基于体素的三维重建方法，并用matlab编程工具实现，该方法不仅形成了以体素为载体的体数据，也提取了边缘轮廓信息，而且快速、简单。三维纹理特征提取本文使用灰度共生矩阵的方法对重建后的CT数据进行计算，考虑到了 26 个方向，如表所示，Haralick的纹理特征算法使对三维数据提取纹理特征成为了可能。通过研究三维空间中相隔某距离的两像素之间的相关特性可以得出一个共生矩阵。这是一个N×N的矩阵,其中N代表在三维图像数据中的灰度级，就像传统的二维矩阵，这个矩阵也可以表示出像素对[i,j]在三维空间中出现的概率P[i，j]，并且这个矩阵伴随着一个位移量d =(dx,dy,dz),dx和dy就像二维矩阵中的空间位移dx和dy一样，dz则表示在z轴方向上的灰度位移量，如图实验结果与分析3.1 脑部 CT 图像的三维重建使用三维重建的方法对一组CT断层图片进行重建，如图。在本文中，首先对20组脑部CT图像进行了预处理，随后进行了三维重建，最后进行了三维纹理特征的提取，可以清楚的看出脑瘤患者的能量（ASM）、熵（ENT）、惯性矩(CON)、相关性（COR）四个纹理特征值与正常人的特征值存在明显差异。其中患者的ASM值明显高于正常人，这表明患者的脑部重建图像的灰度分布均匀程度要高于正常人，这是因为患者脑部肿瘤细胞大小不一并且排列不规则，患者的ENT值要低于正常人，这表明患者脑部图像的纹理要更粗，患者的惯性矩CON值要低于正常人，这说明患者的脑部图像清晰度和纹理沟纹的深浅程