碩士論文——規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化研究

1、<p><b>　　學 位 論 文</b></p><p>　　規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)</p><p><b>　　可視化研究</b></p><p>　　學位授予單位：河北工業(yè)大學</p><p><b>　　答辯委員會主席：</b></p>&

2、lt;p><b>　　評閱人：</b></p><p>　指導(dǎo)教師姓名： 教授 河北工業(yè)大學</p><p>　申請學位級別：碩 士學科、專業(yè)名稱： 精密儀器及機械</p><p>　論文提交日期： 論文答辯日期: </p><p>　　河北工業(yè)大學碩士學位論文</p><p>

3、;　　規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化研究</p><p><b>　　摘要</b></p><p>　　本論文針對醫(yī)學體數(shù)據(jù)，從科學可視化的角度出發(fā)，通過分析大量文獻，重點研究了水平集的分割算法和基于分割的三維重建方法。論文所做的主要工作及創(chuàng)新成果包括：</p><p>　　討論了規(guī)則數(shù)據(jù)場、醫(yī)學體數(shù)據(jù)可視化分割和三維重建技術(shù)的相關(guān)概念，分析

4、了當前國內(nèi)外的發(fā)展情況。</p><p>　　對水平集分割進行研究，提出了水平集的快速行進法和窄帶法相結(jié)合的圖像分割算法，從規(guī)則的醫(yī)學圖像中準確地提取出目標組織器官，為接下來的三維重建做基礎(chǔ)；與此同時，根據(jù)感興趣區(qū)的特性和其所處的環(huán)境合理選取種子點，解決分割中對種子選取的瓶頸問題。</p><p>　　根據(jù)規(guī)則的醫(yī)學體數(shù)據(jù)，利用本文提出的分割方法，研究了基于分割的改進的</p>

5、<p>　　Marching Cubes 方法和基于顏色填充的光線投影體繪制方法，用實驗表明，比傳統(tǒng)的重建方法具有較高的可視化效果。</p><p>　　仔細研究了國內(nèi)外正在普遍使用的 VTK(Visualization Toolkit) 和 ITK(insight segmentation and registration Toolkit)開發(fā)工具包，并用 VC++2005 實現(xiàn)了我們提出的分割算

6、法和三維重建方法，給出關(guān)鍵代碼。</p><p>　　用規(guī)則醫(yī)學體數(shù)據(jù)，在 Windows 平臺上，結(jié)合 ITK、VTK 研究出一套簡單的醫(yī)學可視化系統(tǒng)，該系統(tǒng)實現(xiàn)了三維顯示、二維分割、虛擬切片顯示、人機交互等功能，具有一定的后續(xù)研發(fā)參考價值。</p><p>　　關(guān)鍵詞：醫(yī)學可視化，圖像分割，三維重建，VTK，ITK，虛擬切片</p><p><b>　

7、　i</b></p><p>　　規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化研究</p><p>　　RESEARCH ON VISUALIZATION OF THE</p><p>　　REGULAR THREE-DIMENSIONAL</p><p>　　MEDICAL VOLUME DATA</p><p>&

8、lt;b>　　ABSTRACT</b></p><p>　　This paper mainly studies the segmentation algorithm of Level Set and 3D reconstruction method for medical volume data through the analysis of lots of documents, which f

9、rom the perspective of scientific visualization. The main work and the innovative achievements include:</p><p>　　Discussing the related concepts of the regular data sets, the visualization of medical data se

10、gmentation and 3D reconstruction technology, analysis of the current developments at home and abroad.</p><p>　　Considering the Level Set segmentation, a image segmentation algorithm combined the Fast-marchin

11、g with the Narrow-band is developed, extract the organs accurately from the regular medical images. As a foundation of the next 3D reconstruction; Meanwhile, according to the district interested in the character and the

12、environment in which its reasonable selection of seeds, which can solve the bottlenecks of seed selection.</p><p>　　According to the regular medical data, use the segmentation method proposed in this paper,

13、a improved Marching Cubes methods based on segmentation and Ray Casting Volume Rending methods based on the color-filled are proposed. The experiments show that it can be better than the traditional method of reconstruct

14、ion.</p><p>　　Research the VTK (Visualization Toolkit) and ITK (insight segmentation and registration Toolkit) which widely used at home and abroad, then achieve our segmentation algorithm and the 3D reconst

15、ruction methods with VC + +2005, given the key code.</p><p>　　Using the regular medical volume data and the Windows platform, a simple medical visualization system is developed. The system achieved the funct

16、ions of 3D visualization, 2D segmentation, virtual slices human-computer interaction and etc. It has some value of Follow-up research.</p><p>　　KEY WORDS: medical visualization, image segmentation, 3D recons

17、truction, VTK, ITK, virtual slice</p><p><b>　　ii</b></p><p>　　河北工業(yè)大學碩士學位論文</p><p><b>　　目錄</b></p><p><b>　　第一章 緒論1</b></p>&l

18、t;p><b>　　§1-1 引言1</b></p><p>　　§1-2 介紹醫(yī)學對象1</p><p>　　1-1-1 根據(jù)醫(yī)學對象的表現(xiàn)形式分類1</p><p>　　1-1-2 主要研究的醫(yī)學對象2</p><p>　　§1-3 醫(yī)學圖像分割與體數(shù)據(jù)可視化研究意義2&

19、lt;/p><p>　　§1-4 國內(nèi)外研究現(xiàn)狀與分析3</p><p>　　1-4-1 國外針對可視化3</p><p>　　1-4-2 國內(nèi)針對可視化3</p><p>　　§1-5 本論文主要工作及創(chuàng)新4</p><p>　　第二章 醫(yī)學圖像分割方法概述6</p><

20、p>　　§2-1 圖像分割的意義6</p><p>　　§2-2 目前常用的醫(yī)學圖像分割方法概述6</p><p>　　2-2-1 基于區(qū)域的圖像分割6</p><p>　　2-2-2 基于邊緣的圖像分割7</p><p>　　2-2-3 基于模型的圖像分割8</p><p>　　2

21、-2-4 基于數(shù)學形態(tài)的圖像分割8</p><p>　　2-2-5 基于模糊技術(shù)的圖像分割8</p><p>　　2-2-6 基于神經(jīng)網(wǎng)絡(luò)的圖像分割8</p><p>　　2-2-7 基于知識的圖像分割8</p><p>　　§2-3 目前醫(yī)學圖像分割算法中存在的問題9</p><p>　　第三章

22、規(guī)則數(shù)據(jù)場的醫(yī)學圖像分割算法研究10</p><p>　　§3-1 引言10</p><p>　　§3-2 水平集方法10</p><p>　　3-2-1 水平集理論10</p><p>　　3-2-2 窄帶法（Narrow Band Method）12</p><p>　　3-2-3 快

23、速行進法(Fast Marching Method)13</p><p>　　§3-3 分割與配準開發(fā)工具包（ITK）14</p><p>　　§3-4 基于 ITK 的一種改進的分割方法14</p><p>　　3-4-1 水平集的快速行進法和窄帶法相結(jié)合的方法15</p><p>　　3-4-2 算法實現(xiàn)與實驗

24、結(jié)果17</p><p>　　§3-5 合理選取種子分割肺部腫瘤18</p><p>　　3-5-1 根據(jù)腫瘤特征18</p><p>　　3-5-2 根據(jù)腫瘤所處的環(huán)境19</p><p>　　3-5-3 結(jié)論20</p><p>　　第四章 規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化21</p&g

25、t;<p><b>　　iii</b></p><p>　　規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化研究</p><p><b>　　iv</b></p><p>　　河北工業(yè)大學碩士學位論文</p><p><b>　　第一章 緒論</b></p><

26、;p><b>　　§1-1 引言</b></p><p>　　從 1895 年 x 射線問世以來，傳統(tǒng)的醫(yī)學診斷方式發(fā)生了根本的變化。計算機斷層成像(Computed Tomography, CT)、核磁共振成像(Magnetic Resonance Imaging, MRI)、超聲(Ultrasonography ,US)、正電子發(fā)射斷層成像（Positron Emissi

27、on Tomography，PET）、單光子發(fā)射斷層成像（Single Photon Emission</p><p>　　Computer Tomography，SPECT）及其它模式的醫(yī)學影像，給醫(yī)學界帶來了新的革命。而 21 世紀的我們正是要把這些技術(shù)應(yīng)用于臨床實踐。但是，這些醫(yī)療設(shè)備只能提供人體內(nèi)部的二維斷層圖像序列或三維數(shù)據(jù)，在大多數(shù)情況下，醫(yī)生只能憑經(jīng)驗由多幅二維圖像去估計病灶的大小和形狀，“構(gòu)思”病

28、灶與其周圍組織的空間幾何關(guān)系，這是治療診斷中存在的重大困難之一。現(xiàn)階段，在計算機輔助下，從醫(yī)學圖像中分割出醫(yī)生感興趣區(qū)域（regions of interest, ROI），并結(jié)合可視化技術(shù)進行三維顯示，使醫(yī)生對人體病變部位的觀察更直接、更清晰，有助于進一步提高疾病的確診率和治愈率。為此國內(nèi)外很多學者和研究機構(gòu)都在對規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)的可視化做著自己的貢獻。</p><p>　　圖像分割是醫(yī)學圖像處理分析

29、中的一個重要步驟。由于醫(yī)學圖像具有極其繁雜的多樣性和復(fù)雜性，并且圖像中還存在噪聲的干擾，這使醫(yī)學圖像的準確分割往往具有較大的難度。目前，研究者們提出了許多分割方法，但在臨床應(yīng)用中，這些方法在準確度、執(zhí)行速度、魯棒性及自動化程度上還存在一定問題，因此，設(shè)計實用高效的自動分割方法一直是研究者們追求的目標。</p><p>　　醫(yī)學圖像可視化是醫(yī)學圖像處理的重要研究內(nèi)容，也是科學計算可視化中最成功的應(yīng)用領(lǐng)域之一，已成為

30、輔助疾病診斷和治療的重要手段，并且已深入到醫(yī)學的各個領(lǐng)域。目前已有很多可視化方法，如體繪制、面繪制、局部顯示等等，如何充分利用這些可視化技術(shù)方便、快捷地顯示圖像中有價值信息已成為目前醫(yī)學圖像可視化領(lǐng)域的研究熱點。</p><p>　　§1-2 介紹醫(yī)學對象</p><p>　　1-1-1 根據(jù)醫(yī)學對象的表現(xiàn)形式分類</p><p>　　臨床上根據(jù)需要，通常

31、采用不同的方式對醫(yī)學對象數(shù)據(jù)進行組織，根據(jù)其表現(xiàn)形式可以對醫(yī)學對象進行如下分類：</p><p>　　二維醫(yī)學對象：醫(yī)學對象的原始數(shù)據(jù)組織形式通常都是以二維圖像序列的形式給出，因此這些原始的醫(yī)學對象可以歸類于二維醫(yī)學對象。</p><p>　　體數(shù)據(jù)醫(yī)學對象：通過將上面的二維醫(yī)學對象序列組合在一起，描述人體的三維信息，這樣醫(yī)學對象的數(shù)據(jù)以體數(shù)據(jù)的形式給出，以這種形式描述的醫(yī)學對象就歸屬于體

32、數(shù)據(jù)醫(yī)學對象。</p><p>　　面數(shù)據(jù)醫(yī)學對象：由于體數(shù)據(jù)醫(yī)學對象具有較大的數(shù)據(jù)量，進行可視化處理比較復(fù)雜且計算量大，因此在早期以及一些特定的情況下，通常采用從體數(shù)據(jù)醫(yī)學對象中抽取出特征輪廓面后再進行可視化處理。這種醫(yī)學對象是以面數(shù)據(jù)的形式組織其對象數(shù)據(jù)，描述了人體的三維信息，因此可以將其歸類為面數(shù)據(jù)醫(yī)學對象。</p><p>　　混合數(shù)據(jù)醫(yī)學對象：由于一些特殊的目的需要利用體數(shù)據(jù)和面

33、數(shù)據(jù)的優(yōu)點，這就需要將體數(shù)據(jù)和面數(shù)據(jù)綜合在一起。這種醫(yī)學對象的數(shù)據(jù)是以包含了體數(shù)據(jù)和面數(shù)據(jù)在內(nèi)的混合數(shù)據(jù)的形式進行組織的，因此可以將其歸類于混合數(shù)據(jù)醫(yī)學對象。</p><p><b>　　1</b></p><p>　　規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化研究</p><p>　　1-1-2 主要研究的醫(yī)學對象</p><p&g

34、t;　　隨著醫(yī)學檢查、診斷、治療技術(shù)尤其是醫(yī)學成像技術(shù)的迅猛發(fā)展，醫(yī)學對象變得極為豐富，本文對紛繁復(fù)雜的醫(yī)學對象進行了分類研究，從而選擇了規(guī)則數(shù)據(jù)場的醫(yī)學面數(shù)據(jù)，即經(jīng)過預(yù)處理的斷層二維醫(yī)學圖像進行感興趣區(qū)分割提??；選擇規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)進行重建及可視化。</p><p>　　醫(yī)學體數(shù)據(jù)主要來源于計算機斷層圖像(CT)、核磁共振成像(MRI)、核磁共振血管造影(MRA)等成像設(shè)備得到的人體及其內(nèi)部器官的斷層

35、二維圖像序列，通過將上面的二維序列組合在一起，描述人體的三維信息，這樣醫(yī)學對象的數(shù)據(jù)就以體數(shù)據(jù)的形式給出。以這種形式描述的醫(yī)學對象就屬于三維醫(yī)學體數(shù)據(jù)[1]。</p><p>　　體數(shù)據(jù)（Volume Data）是在有限空間中對一種或者多種物理屬性的一組離散采樣，可以表示為：</p><p>　　f( x), x Rn , {x}是 n 維空間采樣點(Sample Point)的集合，因此

36、也將體數(shù)據(jù)稱為數(shù)據(jù)集(Dataset)。體素（Voxel）是組成體數(shù)據(jù)的最基本單位。通常有兩種體素定義，一種是把體素定義為中心點在采樣點上的小長方體，這個小長方體內(nèi)的值是不變的，都等于該采樣點的采樣值。另一種是以八個相鄰的網(wǎng)絡(luò)</p><p>　　((i, j, k),(i 1, j, k),(i, j 1, k),(i, j, k 1),(i 1, j 1, k),(i 1, j, k 1),(i, j 1,

37、k 1),(i 1, j 1, k 1))</p><p>　　為頂點的小長方體當作一個體素，這個小長方體內(nèi)的值是變化的，體素內(nèi)任一點的值可以用八個頂點上采樣值的三線性差值計算出來。因此，三維體數(shù)據(jù)可以看成是由許許多多個體素組成的。當固定某一維 ，就得到一幅二維圖像，稱之為斷層圖像(Sectional Image)或切片(Slice)[2]。斷層圖像經(jīng)配準后就可得到規(guī)則的數(shù)據(jù)場。頂點 ( Xi, Yi, Zi)

38、分布在規(guī)則的、網(wǎng)絡(luò)的網(wǎng)格點上，函數(shù)值為 F ( Xi, Yi, Zi) ，這樣的數(shù)據(jù)集稱為規(guī)則三維體數(shù)據(jù)。</p><p>　　規(guī)則數(shù)據(jù)場的醫(yī)學體數(shù)據(jù)可視化就是運用計算機圖形學和圖像處理技術(shù)，對經(jīng)過預(yù)處理的斷層二維醫(yī)學圖像進行感興趣區(qū)分割提??；并選擇規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)進行重建，然后通過人機交互進行顏色和多種屬性的顯示?？梢暬筢t(yī)生可以在屏幕上形象逼真地顯示人體組織內(nèi)部的復(fù)雜結(jié)構(gòu)，從而幫助醫(yī)生做出準確的診斷

39、和制定正確的手術(shù)方案。</p><p>　　§1-3 醫(yī)學圖像分割與體數(shù)據(jù)可視化研究意義</p><p>　　近四十多年來，隨著計算機斷層成像(CT)、核磁共振成像(MRI)、超聲(US)等新醫(yī)學成像技術(shù)在輔助醫(yī)療診斷、術(shù)前計劃、手術(shù)導(dǎo)航、術(shù)后監(jiān)測、遠程醫(yī)療等環(huán)節(jié)的廣泛應(yīng)用，醫(yī)學影像處理與分析已成為目前醫(yī)學技術(shù)中發(fā)展最快、成果最顯著的領(lǐng)域之一。利用計算機和數(shù)字圖像處理技術(shù)對醫(yī)學圖

40、像進行處理，獲取圖像中有價值信息，輔助疾病診斷，進一步提高診斷的準確率，已受到世界許多國家的高度重視。</p><p>　　在醫(yī)療診斷中，觀察病人的一組二維斷層圖像是醫(yī)生診斷病情的常規(guī)方式。但是，要準確地確定腫瘤的空間位置、大小、幾何形狀以及與周圍生物組織之間的空間關(guān)系，僅憑醫(yī)生“在頭腦中進行判定”是十分困難的，因此迫切需要一種行之有效的工具來完成對人體器官、軟組織和腫瘤的三維重建和三維顯示?？梢暬夹g(shù)就是輔助醫(yī)

41、生對病變體和周圍組織進行分析和顯示的有效的工具，它極大地提高了醫(yī)療診斷的準確性和科學性。醫(yī)學圖像的三維可視化為現(xiàn)代醫(yī)學發(fā)展提供了基礎(chǔ)，除了用于輔助醫(yī)療診斷外，也是外科手術(shù)、醫(yī)學教學、遠程手術(shù)等醫(yī)學課題的基本環(huán)節(jié)?；谝?guī)則數(shù)據(jù)場的醫(yī)學體數(shù)據(jù)三維可視化是其重要分支之一。</p><p>　　醫(yī)學圖像分割技術(shù)是醫(yī)學圖像處理與分析中的關(guān)鍵技術(shù)，是從醫(yī)學圖像中提取特殊組織信息的一個必不可少步驟。醫(yī)學圖像分割按其處理方式不同

42、可分為二維分割和三維分割兩種方式，由于三維分割方法可充分考慮切片數(shù)據(jù)在灰度和空間位置上的相關(guān)性，往往具有較高的分割準確率，是近幾年來的研究熱點。由于人體組織結(jié)構(gòu)的復(fù)雜性以及噪音，成像設(shè)備獲取的圖像不可避免具有模糊、不均勻等特性。此外，人與人之間的解剖組織結(jié)構(gòu)還存在相當大的差別，這些都給醫(yī)學圖像的分割帶來了困難，使醫(yī)學圖像分割成為目前圖像處理與分析領(lǐng)域的一個極具挑戰(zhàn)性的課題。</p><p>　　可視化技術(shù)是目前的

43、一個研究熱點，運用三維可視化技術(shù)對分割結(jié)果進行三維重建，以三維形式展示分割結(jié)果，使醫(yī)生可以從多角度、多層次觀察和分析病灶區(qū)域，在很大程度上彌補了影像設(shè)備在成像</p><p><b>　　2</b></p><p>　　河北工業(yè)大學碩士學位論文</p><p>　　上的不足，從而為臨床診斷、病理分析以及病理學研究提供了可靠的依據(jù)。</p&

44、gt;<p>　　三維醫(yī)學圖像分割與可視化已成為目前醫(yī)學圖像處理領(lǐng)域的研究熱點，并具有廣泛的應(yīng)用前景和現(xiàn)實意義，主要表現(xiàn)在以下幾個方面：</p><p>　　用于測量人體器官、組織或病灶的體積。通過對這些體積在治療前后的定量測量和分析，可以幫助醫(yī)生進行診斷，制定或修改病人治療方案。</p><p>　　通過三維重建和可視化，有助于選擇最佳手術(shù)路徑、減少手術(shù)損傷和對臨近組織的損

45、害，提高病變體定位精度，完成復(fù)雜外科手術(shù)和提高手術(shù)成功率。</p><p>　　圖像的分割結(jié)果常用于醫(yī)學圖像的分析，如不同圖像融合、解剖的測量、獲取先驗知識用于圖像重建及運動的跟蹤等。</p><p>　　有助于用來在病人治療期間觀察藥物、放射或其它療法所引起的身體病變部位的局部變化，有助于對療效的估計。</p><p>　　分割后圖像與噪聲的關(guān)系減弱，因此具有降噪

46、功能，便于圖像理解。</p><p>　　為醫(yī)學培訓、醫(yī)學研究和教學提供數(shù)字實現(xiàn)手段。</p><p>　　圖像分割結(jié)果可用于在不丟失有用信息的前提下進行數(shù)據(jù)的壓縮和傳輸。這對于提高在</p><p>　　PACS( Picture Archiving and Communications System)、遠程醫(yī)療和 Internet 中圖像傳輸速度是至關(guān)重要的。&

47、lt;/p><p>　　§1-4 國內(nèi)外研究現(xiàn)狀與分析</p><p>　　1-4-1 國外針對可視化</p><p>　　科學計算可視化(Visualization in Scientific Computing)是發(fā)達國家 20 世紀 80 年代后期提出并發(fā)展起來的一個新的研究領(lǐng)域?？茖W計算可視化這一學科的誕生通常以 1987 年 2 月美國國家科學基金會

48、召開的關(guān)于圖像處理和工作站的圖形學研討會上發(fā)表的總報告為標志[3]，隨后美國、西歐、日本紛紛進行科學計算可視化理論和方法的研究。自 1990 年以來，美國電氣和電子工程師學會（IEEE）每年舉行一次有關(guān)科學計算可視化的學術(shù)會議，出版論文集。 1995 年開始，美國 IEEE 匯刊中又增加了一種刊物 “Transactions on Visualization and Computer Graphics”，同時大批可視化軟件系統(tǒng)形成商品推

49、向市場。如美國 Stardent 計算機公司推出的 AVS 系統(tǒng)，美國俄亥俄超級計算機中心開發(fā)的 apE 系統(tǒng)，德國達姆斯達特 FHG-AGD 研究中心開發(fā)的 VIS-A-VIS 系統(tǒng)等[4]。目前在醫(yī)學影像研究領(lǐng)域使用最廣泛的兩個算法平臺是 VTK(Visualization Toolkit)和 ITK(Insight</p><p>　　VTK 開發(fā)了一個醫(yī)學影像可視化系統(tǒng) VolView 這個商業(yè)軟件。此外

50、已經(jīng)有了可以顯示三維醫(yī)學圖像的商品化系統(tǒng)。例如，加拿大的 Allegro 系統(tǒng)，它可與不同廠家的 CT 和 MRI 儀相聯(lián)接、以色列愛爾新特公司(ElscintLtd)、美國通用電器公司(GE)出產(chǎn)的螺旋 CT 掃描設(shè)備均附有基于圖像工作站的醫(yī)學圖像可視化系統(tǒng)。</p><p>　　1-4-2 國內(nèi)針對可視化</p><p>　　1995 年，國家醫(yī)療衛(wèi)生信息產(chǎn)業(yè)工程納入國家“金”字系列工

51、程，隨著“金衛(wèi)”工程的進展，國內(nèi)也越來越重視計算機及圖像處理技術(shù)在醫(yī)學領(lǐng)域的應(yīng)用，一些研究機構(gòu)、醫(yī)療單位和商業(yè)公司都在進行該領(lǐng)域的研發(fā)工作。在醫(yī)學圖像三維重建及可視化研究方面，浙江大學、清華大學、東南大學、中科</p><p>　　院自動化所等均做了大量研究，開發(fā)了一些實驗系統(tǒng)。其中，中科院自動化所在研發(fā) MITK 軟件包基礎(chǔ)之上,用六年時間開發(fā)了三維醫(yī)學圖像處理與分析系統(tǒng) 3DMed，它是一套功能完備的影像醫(yī)學

52、系統(tǒng)，可使研究人員自由獲取 CT，MR 等設(shè)備產(chǎn)生的數(shù)據(jù)，利用本系統(tǒng)進行數(shù)據(jù)的多角度、多方面的三維重建和可視化，充分利用影像設(shè)備獲取的臨床數(shù)據(jù)為臨床醫(yī)學積累更多的素材。它的推廣應(yīng)用將極大推動影像醫(yī)學在我國的發(fā)展，促進我國數(shù)字醫(yī)療水平的提高與發(fā)展。浙江工業(yè)大學也通過綜合 VTK 和實時體</p><p>　　繪制硬件系統(tǒng) VolumePro，采用軟硬結(jié)合的方式解決醫(yī)學對象可視化在微機中繪制和交互實時性問題的方案，實

53、現(xiàn)了醫(yī)學對象實時可視化系統(tǒng)及技術(shù)平臺 4DView ，具有很好的可擴展性和開放型[5]。</p><p><b>　　3</b></p><p>　　規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化研究</p><p>　　圖像分割技術(shù)一直是圖像處理領(lǐng)域的研究熱點。目前圖像分割方法很多，但由于人體解剖結(jié)構(gòu)的復(fù)雜性、組織器官形狀的不規(guī)則性、個體之間的差異性以及不

54、同醫(yī)學成像模式成像特征的不同，一般的圖像分割方法對醫(yī)學圖像的處理效果并不理想。醫(yī)學圖像分割通常具有針對性，沒有哪一種分割方法對所有的圖像模式都適用[6]。醫(yī)學圖像分割經(jīng)歷了一個從人工分割到半自動分割最后到自動分割的發(fā)展過程。早期的人工分割是讓專家從醫(yī)學圖像中手工描繪出不同結(jié)構(gòu)的邊界，然后提取出所要解剖結(jié)構(gòu)的區(qū)域信息，這是一個工作量非常大，甚至令人厭煩的過程。隨著計算機技術(shù)和圖像處理技術(shù)的發(fā)展，半自動化分割方法[7，8，9]漸漸取代了人工

55、操作，通過一定的人機交互，由計算機完成分割，大大減少了人為因素的干擾，并且具有較快的分割速度和較高的分割精度，但操作者的經(jīng)驗和知識仍然是圖像分割過程中的一個重要的制約因素。近年來，由于大量新興技術(shù)如模糊技術(shù)、神經(jīng)網(wǎng)絡(luò)和人工智能技術(shù)在圖像分割中的應(yīng)用，醫(yī)學圖像分割領(lǐng)域也涌現(xiàn)出一些自動分割技術(shù)[10，11]，但大部分方法復(fù)雜度較高，運算量較大，目前仍處在試驗階段，真正在臨床中得到應(yīng)用的不多。</p><p>　　目前

56、，醫(yī)學圖像分割方法的研究主要有以下 4 個趨勢：</p><p>　　提高算法的自動化程度[12，13，14]，排除或盡可能減少人工干預(yù)。</p><p>　　降低算法的復(fù)雜性，提高其執(zhí)行速度[15，16，17]。數(shù)字醫(yī)學圖像的數(shù)據(jù)量一般很大，算法越復(fù)雜，提取的特征越多，計算量越大，對計算機的存儲量、計算精度、計算速度等性能的要求越高，必然導(dǎo)致其在實際應(yīng)用中受到一定的限制。</p&g

57、t;<p>　　提高算法的分割精度[18,19]。這是醫(yī)學圖像分割領(lǐng)域一直關(guān)注的一大難題，分割結(jié)果的好壞會影響醫(yī)生對疾病的診斷，不正確的分割結(jié)果甚至會導(dǎo)致醫(yī)生對疾病做出錯誤的判斷。因此，在現(xiàn)有的基礎(chǔ)上進一步提高算法的分割精度是目前許多研究者一直致力解決的問題。</p><p>　　提高算法的魯棒性[20，21]。魯棒性是醫(yī)學圖像分割中還沒有得到很好解決的問題。由于深受個體不定因素，如圖像模式、特征參

58、數(shù)、計算方法、閾值設(shè)置、分析步驟、初始化處理、人為因素等影響，要在圖像分割中獲得非常好的魯棒性是非常困難的。因此，如何提高圖像分割算法的魯棒性就成為醫(yī)學圖像分割中急需解決的一個難題。</p><p>　　醫(yī)學圖像可視化方法可分為兩大類：二維切片可視化和三維體數(shù)據(jù)可視化。二維切片可視化是對切片圖像進行處理，顯示醫(yī)生想獲取的重要信息，如灰度加窗操作、強度分層 [22]等等，其技術(shù)已比較成熟。醫(yī)學圖像的三維可視化是利用

59、一系列的二維切片圖像重建三維圖像模型，主要有兩種技術(shù)：面繪制和體繪制，由于三維可視化可提供具有真實感的三維醫(yī)學圖像，使醫(yī)生可以從多角度、多層次分析病變區(qū)域，受到了廣泛的重視。目前，醫(yī)學圖像可視化技術(shù)的研究主要有以下 3 個趨勢：</p><p>　　提高圖像可視化質(zhì)量，如提高等值面的光滑程度、改進插值算法等等。</p><p>　　加快可視化速度。醫(yī)學圖像數(shù)據(jù)量大，直接體繪制的計算量大，耗

60、費時間長，因此快速體可視化是目前的一個重要研究方向[23]。</p><p>　　三維圖像內(nèi)部信息的可視化研究，如開窗操作，切片提取等等[24]。</p><p>　　§1-5 本論文主要工作及創(chuàng)新</p><p>　　本論文針對醫(yī)學體數(shù)據(jù)，從科學可視化的角度出發(fā)，重點研究了水平集的分割算法和基于分割的三維重建方法。論文所做的主要工作及創(chuàng)新成果包括：<

61、;/p><p>　　討論了規(guī)則數(shù)據(jù)場、醫(yī)學體數(shù)據(jù)可視化分割和三維重建技術(shù)的相關(guān)概念，分析了當前國內(nèi)外的發(fā)展情況。</p><p>　　對水平集分割進行研究，提出了水平集的快速行進法和窄帶法相結(jié)合的圖像分割算法，從規(guī)則的醫(yī)學圖像中準確地提取出目標組織器官，為接下來的三維重建做基礎(chǔ)；與此同時，根據(jù)感興趣區(qū)的特性和其所處的環(huán)境合理選取種子點，解決分割中對種子選取的瓶頸問題。</p>&

62、lt;p>　　根據(jù)規(guī)則的醫(yī)學體數(shù)據(jù)，利用本文提出的分割方法，研究了基于分割的改進的 Marching Cubes 方法和基于顏色填充的光線投影體繪制方法，用實驗表明，比傳統(tǒng)的重建方法具有較高的可視化效果。</p><p>　　研究了國內(nèi)外正在普遍使用的 VTK(Visualization Toolkit) 和 ITK(insight segmentation and</p><p>

63、<b>　　4</b></p><p>　　河北工業(yè)大學碩士學位論文</p><p>　　registration Toolkit)開發(fā)工具包，并用 VC++2005 實現(xiàn)了我們提出的分割算法和三維重建方法，給出關(guān)鍵代碼。</p><p>　　用規(guī)則醫(yī)學體數(shù)據(jù)，在 Windows 平臺上，結(jié)合 ITK、VTK 研究出一套簡單的醫(yī)學可視化系統(tǒng)，該

64、系統(tǒng)采用面繪制和體繪制的方法，并基于 ITK 的感興趣區(qū)提取技術(shù)，實現(xiàn)了三維顯示、二維分割、虛擬切片顯示、人機交互等功能，具有一定的后續(xù)研發(fā)參考價值。</p><p>　　全文共分為六章。第一章主要介紹了醫(yī)學體數(shù)據(jù)格式及圖像分割和可視化的研究意義、國內(nèi)外研究現(xiàn)狀。第二章分析了目前醫(yī)學圖像分割的主要方法，并對各類方法的優(yōu)缺點進行了比較。第三章根據(jù)現(xiàn)</p><p>　　有分割方法的優(yōu)缺點，提

65、出了一種更有效的分割方法并利用 ITK(insight segmentation and registration Toolkit)開發(fā)工具包實現(xiàn)，同時還根據(jù)圖像特征討論了種子點的選取方法。第四章首先回顧了目前的三維可視化方法，介紹了可視化組件庫 VTK(Visualization Toolkit)，然后用本文提出的分割方法，研究了基于分割的改進的 Marching Cubes 方法和基于顏色填充的光線投影體繪制方法，用實驗表明，比傳統(tǒng)

66、的重建方法具有較高的可視化效果。第五章結(jié)合 ITK、VTK，設(shè)計了一套三維醫(yī)學體數(shù)據(jù)可視化系統(tǒng)。最后一章為工作總結(jié)和展望。</p><p><b>　　5</b></p><p>　　規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化研究</p><p>　　第二章 醫(yī)學圖像分割方法概述</p><p>　　§2-1 圖像分割的

67、意義</p><p>　　在對圖像處理的研究和應(yīng)用中，人們往往僅對圖像中的某些部分感興趣，這些感興趣的部分稱為目標或?qū)ο?，它們一般對?yīng)圖像中特定的、具有獨特性質(zhì)的區(qū)域。圖像處理的重要任務(wù)就是對圖像中的對象進行分析和理解。為了辨識和分析目標，需要將這些區(qū)域分割提取出來，在此基礎(chǔ)上才有可能對目標進一步利用，如進行特征提取和測量。圖像分割的目的是把物體從圖像中分離出來，同時得到相應(yīng)的提取圖像。圖像分割是由圖像處理到圖像

68、分析的關(guān)鍵步驟，一方面，它是表達目標的基礎(chǔ)，對特征測量有重要的影響；另一方面，圖像分割及基于分割的目標表達、特征提取和參數(shù)測量等，都將原圖像轉(zhuǎn)化為更抽象、更緊湊的形式，從而使更高層的圖像分析和理解成為可能。</p><p>　　我們可以借助集合的概念來定義圖像分割[25]：</p><p>　　令集合 R代表整個圖像區(qū)域，對 R的分割可看作將 R分成 N 個滿足以下五個條件的非空子集（子區(qū)

69、域） R1, R2 , , RN ：</p><p><b>　　N</b></p><p><b>　　Ri R</b></p><p><b>　　i 1</b></p><p>　　對所有的 i和 j， i j，有 Ri Rj</p><

70、p>　　對 i 1,2, , N,有 P( Ri) TRUE</p><p>　　對 i j，有 P( Ri Rj ) FALSE</p><p>　　對 i 1,2, , N, Ri 是連通的區(qū)域</p><p>　　其中 P( Ri) 是對所有在集合 Ri 中元素的邏輯謂詞， 代表空集。條件 1 指出一幅圖像的分割結(jié)果中全部區(qū)域的總合（并集

71、）應(yīng)能包括圖像中所有像素（即原圖像）；條件 2 指出分割結(jié)果中各個區(qū)域是相互不重疊的，或者說在分割結(jié)果中一個像素不能同時屬于兩個區(qū)域；條件 3 指出屬于同一個區(qū)域中的像素應(yīng)該具有某些相同特性；條件 4 指出分割結(jié)果中屬于不同區(qū)域的像素應(yīng)該具有一些不同的特性；條件 5 要求分割結(jié)果中同一個區(qū)域內(nèi)的任意兩個像素在該區(qū)域內(nèi)互相連通，或者說分割得到的區(qū)域是一個連通成分。</p><p>　　圖像分割的應(yīng)用非常廣泛，例如：

72、在遙感應(yīng)用中，合成孔徑雷達圖像中目標的分割；醫(yī)學應(yīng)用中，腦部圖像分割成灰質(zhì)、白質(zhì)、腦脊髓等腦組織區(qū)域和對腫瘤的靶向定位；在交通圖像分析中，把車輛目標從背景中分割出來等。在這些應(yīng)用中，分割通常是為了進一步對圖像進行分析、識別、壓縮編碼等，分割的準確性直接影響后續(xù)任務(wù)的有效性，因此，圖像分割的研究具有非常重要的意義。</p><p>　　§2-2 目前常用的醫(yī)學圖像分割方法概述</p><

73、;p>　　目前常用的圖像分割方法有多種，這些方法大致可分為七類：基于區(qū)域的圖像分割，基于邊緣的圖像分割，基于模型的圖像分割，基于數(shù)學形態(tài)學的圖像分割，基于模糊理論的圖像分割，基于人工神經(jīng)網(wǎng)絡(luò)的圖像分割，基于知識的圖像分割。</p><p>　　2-2-1 基于區(qū)域的圖像分割</p><p>　　基于區(qū)域的方法是圖像分割中最常用的方法，它以區(qū)域為處理對象，按照圖像特征屬性劃分為不同圖像

74、區(qū)域，主要方法有閾值法、區(qū)域生長法、區(qū)域分裂和合并法、聚類法等。</p><p><b>　　1. 閾值法</b></p><p><b>　　6</b></p><p>　　河北工業(yè)大學碩士學位論文</p><p>　　閾值法是最常見的并行檢測區(qū)域分割方法[25]。對灰度圖像的閾值分割就是先確定一

75、個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個像素的灰度值都與這個閾值相比較，并根據(jù)比較結(jié)果將對應(yīng)的像素分為兩類。這兩個像素一般分屬圖像的兩類區(qū)域，從而達到分割的目的。確定一個最優(yōu)閾值是閾值分割的關(guān)鍵，現(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割方法一般可以分為全局閾值法和局部閾值法。全局閾值法指利用全局信息（例如整幅圖像的灰度直方圖）對整幅圖像求出最優(yōu)分割閾值，可以是單閾值，也可以是多閾值；局部閾值法是把原始的整幅圖像

76、分為若干個小的子圖像，在對每個子圖像應(yīng)用全局閾值法分別求出最優(yōu)分割閾值。閾值分割的優(yōu)點是實現(xiàn)簡單，當圖像中不同對象的灰度值或其它特征值差別很大時，它能夠有效地進行分割（如用于硬件實現(xiàn)）。但閾值分割也有很大缺點，如果圖像中不存在明顯的灰度差異或各對象的灰度值范圍有較大重疊，則很難取得令人滿意的分割結(jié)果。此外，閾值分割僅僅考慮圖像的灰度信息而沒有考慮圖像的空間信息，對噪聲和灰度不均勻十分敏感。</p><p><

77、;b>　　區(qū)域生長法</b></p><p>　　區(qū)域生長法的基本思想是將具有相似性質(zhì)的像素集中起來構(gòu)成區(qū)域。區(qū)域生長是把圖像分割成若干</p><p>　　小區(qū)域，比較相鄰小區(qū)域特征的相似性，若它們足夠相似則作為同一區(qū)域合并，以此方式將特征相似的小區(qū)域不斷合并，直到不能合并為止，最后形成特征不同的各個區(qū)域。</p><p>　　該方法首先要選取合

78、適的種子點，然后依次將種子周圍的相似像素合并到種子像素所在區(qū)域。制約區(qū)域生長算法性能的因素主要有兩個方面：一是特征度量和區(qū)域生長規(guī)則的設(shè)計，二是算法復(fù)雜度。區(qū)域增長算法的優(yōu)點是計算簡單，效率高，對于較均勻的連通目標有較好的分隔效果。缺點是它需要人機交互設(shè)置種子和閾值，同時區(qū)域生長算法也對噪聲敏感，常會產(chǎn)生“空洞”或生長過度，而且由于它是一種串行算法，當目標較大時，分隔速度較慢。</p><p><b>

79、　　區(qū)域分裂與合并法</b></p><p>　　當事先完全不了解區(qū)域形狀和區(qū)域數(shù)目時，可采用分裂合并法。區(qū)域分裂與合并法是基于四叉樹的思想，首先對整幅圖像進行分裂，然后依據(jù)某種規(guī)則合并性質(zhì)相似的小區(qū)域，或?qū)⒁粋€性質(zhì)不一致區(qū)域分裂為更小的區(qū)域，如此遞歸進行，直到最后完成分割任務(wù)。分裂合并法可以采用與區(qū)域生長法相類似的一致性準則，優(yōu)點是對復(fù)雜圖像的分割效果較好，不需要指定初始點或區(qū)域，并且一次可以分割出

80、所有輪廓。但缺點是算法較復(fù)雜，計算量大，分裂可能破壞區(qū)域的邊界。</p><p><b>　　聚類法</b></p><p>　　聚類法是一種無監(jiān)督的圖像分割方法，它把圖像映射到特征空間，然后根據(jù)像素在特征空間中的特</p><p>　　性對像素進行分類。常見的聚類法主要有 C-均值法(C-Means)和模糊 C-均值法(Fuzzy C-Mea

81、ns)[26-30]。C-均值法是一種迭代算法，在每一次迭代中，先計算各類特征向量的平均值，然后按照最小均方差原則對每個像素進行重新分類。模糊 C-均值法是在 C-均值算法的基礎(chǔ)上引入模糊集理論概念，將硬分類轉(zhuǎn)化為軟分類。聚類分割的優(yōu)點是無監(jiān)督的分割，無需樣本學習，缺點是缺乏對像素空間拓撲關(guān)系的描述 ，并且對噪聲敏感。</p><p>　　2-2-2 基于邊緣的圖像分割</p><p>　

82、　基于邊緣的分割方法是最早提出的圖像分割方法。它是一種基于圖像灰度幅值不連續(xù)性的分割方法，它通過檢測非同質(zhì)區(qū)域之間的邊界來實現(xiàn)對圖像的分割。按照邊緣連接或跟蹤時采用策略的不同，可以將邊緣檢測方法分成兩大類：并行邊緣檢測技術(shù)和串行邊緣檢測技術(shù)。</p><p>　　常見的并行邊緣檢測技術(shù)有：基于邊緣檢測算子的方法、邊界法和哈夫變換等。邊緣的檢測可以借助邊緣檢測算子與圖像模板求卷積來完成，常見的邊緣檢測算子有 Rob

83、ert、Sobel 和 Laplace 算子等， Marr 算法[31]是這類方法的經(jīng)典代表。邊界閉合法[25]是由圖像梯度圖中一個邊緣點出發(fā)，以此搜索并連接相鄰邊緣點從而逐步檢測出邊界的方法。哈夫變換法[25]是利用圖像全局特征將邊緣像素連接起來組成閉合邊界的一種方法。它主要優(yōu)點是受噪聲和曲率間斷的影響較小。</p><p>　　串行邊緣檢測技術(shù)首先要檢測出一個邊緣起始點，然后根據(jù)某種相似性準則尋找和前一點同類

84、的邊緣點，再將它們串行連接成閉合邊界。但這種方法比較復(fù)雜，計算量很大。</p><p>　　總之，基于邊緣檢測的分割方法的難點在于邊緣檢測時抗噪性和檢測精度的矛盾，如果提高檢測精度，則噪聲產(chǎn)生的偽邊緣會導(dǎo)致不合理的輪廓；如果提高抗噪性，則會產(chǎn)生輪廓漏檢和位置偏差。</p><p><b>　　7</b></p><p>　　規(guī)則數(shù)據(jù)場的三維醫(yī)學

85、體數(shù)據(jù)可視化研究</p><p>　　2-2-3 基于模型的圖像分割</p><p>　　形變模型最初是由 Kass[32]等人在 1987 年提出的，即著名的主動輪廓模型，也稱 Snakes。它以一個能量最小化變化的樣條表示圖像中彈性對象的輪廓或表面，其形變受到許多不同能量項的約束?；谛巫兡Ｐ偷姆椒ňC合利用了區(qū)域與邊界信息，是目前研究最多、應(yīng)用最廣的分割方法之一，它提供了一種高效的圖像

86、分析方法，結(jié)合了幾何學、物理學和近似理論。該方法通過使用從圖像數(shù)據(jù)獲得的約束信息（自底向上）和目標的位置、大小和形狀等先驗知識（自頂向下），可有效地對目標進行分割、匹配和跟蹤分析?；趨?shù)形變模型的分割過程就是使模型在外能和內(nèi)能的作用下向物體邊緣靠近，外力推動輪廓曲線（曲面）運動，而內(nèi)力保持輪廓的光滑性。該方法基于某種形式的目標函數(shù)的優(yōu)化，目標函數(shù)最基本的形式就是在某種基于圖像的能量項和另一個與內(nèi)部能量或形狀模型相關(guān)項之和。形變模型的主

87、要優(yōu)點是能夠直接產(chǎn)生閉合的曲線或曲面，并對噪聲和偽邊界有很強的魯棒性；缺點是它對初始邊界位置十分敏感，有時需要人工選擇合適的參數(shù)。目前，已經(jīng)出現(xiàn)了許多成熟的圖像分割方法，其中主動輪廓模型[33]以及 Mumford-Shah 模型[34]都是較為常用的方法。</p><p>　　2-2-4 基于數(shù)學形態(tài)的圖像分割</p><p>　　近年來，數(shù)學形態(tài)學在圖像處理中的應(yīng)用日漸受到重視，在邊緣

88、檢測和圖像分割中得到了廣泛的研究和應(yīng)用。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中對應(yīng)形狀以達到對圖像分析和識別的目的。利用膨脹、腐蝕、開啟和閉合四個基本運算進行推導(dǎo)和組合，可以產(chǎn)生各種形態(tài)學實現(xiàn)算法，如邊界提取、區(qū)域填充、連通分量提取、凸殼、細化、骨架、裁減等等。形態(tài)學理論在圖像分割中應(yīng)用比較有代表性的是分水嶺算法[35]，它是以對圖像進行三維可視化處理為基礎(chǔ)的，其基本思想來源于地理學：它將原圖像的梯度圖像看作一幅地形圖

89、，而梯度值對應(yīng)海拔高度，圖像中不同梯度值的區(qū)域就對應(yīng)于山峰和山谷間的盆地。如果在各個局部最小點的位置上打一個洞，讓水以均勻速率從洞中溢出，從底到高淹沒整個地形。當處在不同的匯聚盆地中的水將要聚合在一起時，修建大壩將其阻止，因此通過該算法可以提取出連續(xù)的邊界線。</p><p>　　2-2-5 基于模糊技術(shù)的圖像分割</p><p>　　基于模糊技術(shù)的圖像分割方法是以模糊數(shù)學位基礎(chǔ)，醫(yī)學圖像

90、本質(zhì)上是模糊的，在醫(yī)學圖像中存在許多不確定的因素，如灰度、紋理和區(qū)域的邊界等，這些不確定性給圖像分割帶來了許多麻煩，但是卻給模糊技術(shù)提供了用武之地。近年來，隨著模糊技術(shù)的不斷成熟，在圖像分割中的應(yīng)用日益活躍，成為醫(yī)學圖像分割技術(shù)的一個研究熱點，許多模糊分割技術(shù)應(yīng)運而生，如應(yīng)用模糊子集理論的模糊分割技術(shù) ，模糊 C-均值聚類分割技術(shù)，應(yīng)用模糊邏輯的基于 IF-THEN 規(guī)則的模糊分割技術(shù)。此外，模糊技術(shù)可以與其他技術(shù)很好地融合，諸如模糊閾

91、值，模糊聚類，模糊邊緣檢測等等。目前應(yīng)用模糊技術(shù)的難點問題是如何選取最優(yōu)隸屬函數(shù)和確定最佳隸屬度。</p><p>　　2-2-6 基于神經(jīng)網(wǎng)絡(luò)的圖像分割</p><p>　　人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks, ANN)是近年來發(fā)展起來的大規(guī)模并行處理系統(tǒng)。ANN 具有模擬人類信號處理的功能，因此非常擅長于解決模式識別領(lǐng)域中的模式分類問題。基于神經(jīng)網(wǎng)絡(luò)的分

92、割方法的基本思想是用訓練樣本集對神經(jīng)網(wǎng)絡(luò)進行訓練以確定節(jié)點間的連接和權(quán)值，再用訓練好的神經(jīng)網(wǎng)絡(luò)分割新的圖像數(shù)據(jù)，但這種方法需要大量的訓練數(shù)據(jù)。比較典型的有 Blanz 和 Gish 利用前向三層網(wǎng)絡(luò)來解決分類問題。Babaguchi 等則使用多層網(wǎng)絡(luò)且使用 BP 算法對網(wǎng)絡(luò)進行訓練，在他們的方法中，輸入為圖像的直方圖，輸出為閾值分割的閾值。神經(jīng)網(wǎng)絡(luò)方法的出發(fā)點是將圖像分割問題轉(zhuǎn)化為諸如能量最小化、分類等問題，其基本思想是用訓練集對 AN

93、N 進行訓練，以確定節(jié)點的連接和權(quán)值，再用訓練好的 ANN 去分割新的圖像數(shù)據(jù)。其缺點是需要大量的訓練集，在實際中往往是比較困難，并且使用目前的串行計算機去模擬 ANN 的并行操作，計算時間往往達不到要求。同時神經(jīng)網(wǎng)絡(luò)存在巨量的連接 ，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題，選擇何種網(wǎng)絡(luò)結(jié)構(gòu)是這種方法要解決的主要問題。</p><p>　　2-2-7 基于知識的圖像分割</p>&l

94、t;p>　　基于知識的分割是醫(yī)學圖像分割中重要的方法之一。近年來，隨著人工智能技術(shù)的發(fā)展，基于知識的分割方法得到了廣泛的應(yīng)用?；谥R的分割方法主要包括兩方面：知識的獲取，即歸納及提取相關(guān)</p><p><b>　　8</b></p><p>　　河北工業(yè)大學碩士學位論文</p><p>　　的知識、建立知識庫；知識的應(yīng)用，即有效地利用

95、知識實現(xiàn)圖像的自動分割。該方法將臨床知識、器官的解剖學和形態(tài)學信息融合到分割算法中，提高了算法魯棒性。基于知識的分割方法存在的問題是缺乏完整的知識模型及快速的邏輯推理體系。</p><p>　　§2-3 目前醫(yī)學圖像分割算法中存在的問題</p><p>　　目前，醫(yī)學圖像分割技術(shù)的研究已經(jīng)取得了大量的成果，許多卓有成效的分割方法已在臨床中得到了成功應(yīng)用，但這一領(lǐng)域仍存在許多值得探

96、討的問題，主要表現(xiàn)在以下幾個方面：</p><p>　　大部分方法仍處在半自動狀態(tài)，還需要一定的人機交互，因此，如何盡量減少或排除人工干預(yù)，提高算法的自動化程度是目前值得研究的一個問題。</p><p>　　大部分算法的復(fù)雜度高，運行時間長，對硬件的要求較高，往往需要在工作站上執(zhí)行，這給應(yīng)用帶來了一定困難。因此研究高性能、低復(fù)雜度的快速分割算法非常重要。</p><p&

97、gt;　　目前的許多分割算法分割的準確度不是很令人滿意，進一步提高分割準確度也是目前許多研究者致力解決的問題。</p><p>　　醫(yī)學圖像成分復(fù)雜，分割相對困難，并且圖像中往往具有大量噪聲、偽影干擾，因此要求算法具有較高的抗干擾性和魯棒性，目前的分割算法在這一方面往往具有一定缺陷，常出現(xiàn)過分割和欠分割問題。</p><p>　　單一分割方法往往具有很多限制，如何綜合利用目前的方法，使其揚

98、長避短、發(fā)揮自身優(yōu)勢是目前醫(yī)學圖像分割方法的研究熱點。</p><p><b>　　9</b></p><p>　　規(guī)則數(shù)據(jù)場的三維醫(yī)學體數(shù)據(jù)可視化研究</p><p>　　第三章 規(guī)則數(shù)據(jù)場的醫(yī)學圖像分割算法研究</p><p><b>　　§3-1 引言</b></p>

99、<p>　　醫(yī)學圖像分割是醫(yī)學圖像可視化領(lǐng)域的研究重點，是體數(shù)據(jù)提取和不同組織器官可視化的技術(shù)基礎(chǔ)，有很重要的實用價值。水平集（Level Set）算法是當前比較流行的分割算法，對該算法進行了深入的研究和探討，提出了一種水平集快速行進法和窄帶法相結(jié)合的分割方法。使規(guī)則數(shù)據(jù)場的感興趣區(qū)域分割更快更精確，并根據(jù)腫瘤的特性和其所處的環(huán)境，詳細說明了種子點的選取方法。該方法把快速法得到的邊緣輪廓作為劃分窄帶的基準，在邊緣已有的基礎(chǔ)上劃

100、定窄帶區(qū)域，這樣可以提高分割速度，而且其邊緣定位也非常清晰，在邊緣和區(qū)域的準確分割結(jié)果中甚至超過了醫(yī)生的手動分割效果。</p><p>　　§3-2 水平集方法</p><p>　　3-2-1 水平集理論</p><p>　　水平集(Level Set)方法以曲線演化理論為基礎(chǔ),是處理封閉運動界面隨時間演化過程中幾何拓撲變化的有效的計算工具。Osher[3

101、6]在1988年首先提出依賴于時間的運動界面的水平集模型。其主要思想是將移動的界面作為零水平集嵌入高一維的水平集函數(shù)中,這樣由閉超曲面的演化方程可以得到水平集函數(shù)的演化方程，而嵌入的閉超曲面總是其零水平集，最終只要確定零水平集即可以確定界面演化的結(jié)果 。該方法可以有效地解決拓撲結(jié)構(gòu)改變問題。目前已在圖像處理和計算機視覺等領(lǐng)域得到廣泛的應(yīng)用。比如，Sethian[37]等人用水平集方法去除圖像噪聲；Malladi[38]將其應(yīng)用于圖像分割

102、，特別是醫(yī)學圖像的分割和重建中；Bertalmio[39]等人將水平集方法應(yīng)用于圖像變形和破損圖像的恢復(fù)中；Masouri[40]將水平集方法用于運動目標跟蹤領(lǐng)域；Paragios和Deriche[41]用水平集方法進行紋理分割以及運動目標分割和跟蹤；Samson[42]等人用水平集方法實現(xiàn)圖像分類等。</p><p>　　首先我們來看一下主動輪廓線方法的原理。通過主動輪廓線(Active Contours)對圖

103、像 I 進行分割，也常被稱為Snakes[43]，屬于參數(shù)化可變性模型，主要是通過能量函數(shù)來控制初始輪廓線 C( p) ，</p><p>　　p [0,1] 的演化。輪廓線的形變受到內(nèi)部力和外部力的影響，在高梯度區(qū)域到達能量最小的狀態(tài)。主動輪廓線的范型能量函數(shù)的表達形式如下：</p><p>　　公式（3.1）中，( , , )均為正參數(shù)，前兩個條件定義可變形模型的內(nèi)部能量，控制輪廓線的

104、嚴格性和彈性，后一個條件通過定義模型的外部能量將模型引導(dǎo)到圖像中的高梯度區(qū)域。</p><p>　　Osher和 Sethian提出了可以將平面閉合曲線隱含地表達為三維連續(xù)曲面 ( x, y) 的具有相同函數(shù)值的同值曲線。水平集方法將閉合曲線隱含地表達為高一維的曲面函數(shù)的水平集，即具有相同函數(shù)值的點集，通過水平集函數(shù)曲面的演化來隱含地求解曲線的運動。 為 Level Set 函數(shù)，設(shè)給定的平面上有一條封閉的演化曲

105、線 C(t) ，以曲線為邊界，把整個平面劃分為兩個區(qū)域：曲線的外部區(qū)域和內(nèi)部區(qū)域。C(0)是沿著矢量場的法線方向進行傳播的初始閉合曲線，速度依賴于曲率 k。在平面上定義一個符號距離函數(shù)(Signed Distance Function ,SDF) ( x, y, t) = d ，其中 d 是點 ( x, y) 到曲線的最短距離，函數(shù)</p><p>　　的符號取決于該點在曲線的內(nèi)部還是外部，一般定義在曲線內(nèi)部點的

106、距離為負值； t表示時間。這樣，在任意時刻，曲線上的點就是距離函數(shù)值為 0 的點（即距離函數(shù)的零水平集）。如圖 3.1 所示， 滿足 ： ( x, y, t) 0 ,在 C(t)內(nèi)； ( x, y, t) 0 ,在 C(t) 外； ( x, y, t) 0 ,在 C(t)上。圖 3.2[36]是平面上一個圓的 Level Set 函數(shù)，為了看得清楚，此處將距離函數(shù)的正負號反轉(zhuǎn)了。</p><p><b>

107、;　　10</b></p><p>　　河北工業(yè)大學碩士學位論文</p><p>　　圖 3.1 曲線演化與水平集函數(shù)</p><p>　　Fig. 3.1 Curve evolution and level set function</p><p>　　圖3.2 圓的Level Set函數(shù)</p><p>