医学图像分割与配准方法分析

《医学图像分割与配准方法分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、山东大学硕士学位论文第l章绪论1．1课题的研究背景及意义随着计算机处理能力的不断增强以及医学诊断技术日新月异的发展，新的医学成像技术和图像处理方法已经广泛地应用在医疗诊断、术前计划、治疗、术后监测等各个环节中，目的是全面而精确的获得病人的各种定量定性数据，为诊断、治疗计划、手术和术后评估提供正确的数字式信息。其中，医学图像分割和配准是两个重要而基础的步骤。在对图像的研究和应用中，人们往往只对图像的某些部分感兴趣，通常称这些部分为前景，余下的部分通常被称为背景。图像分割就是将图像分为各具特色的区域并提取出前景的技术和过程。作为医学图像分析的重要部分，图像分割在大量的医学影像应用中

2、起着重要的作用，比如组织体积的定量【”、诊断嘲、病灶的定位嘲、解剖结构的研究嗍、治疗刚、功能成像数据的部分容积校正嘲以及结合计算机技术的外科手术‘7’81等方面。图像分割质量的好坏直接影响到图像分析的最终结果。图像配准问题也是计算机视觉、图像处理中的基本问题，在做医学图像分析时，经常要将同一患者的几幅图像放在一起分析，从而得到该患者的多方面的综合信息，以提高医学诊断的正确率。对几幅不同的图像作定量分析，首先要严格对齐这几幅图像，这就是我们所说的图像的配准。医学图像配准要对于一幅医学图像寻求一种(或一系列)空间变换，使它与另一幅医学图像上的对应点达到空间上的一致。这种一致是指人体

3、上的同一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配唧。对同一场景使用相同或不同的传感器(成像设备)，在不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像一般都会有差异。这种差异可以表现在：不同的分辨率、不同的灰度属性、不同的位置(平移和旋转)、不同的尺度、不同的非线性变形等。多种成像模式产生的图像(称之为多模态图像)会表现出分辨率、灰度属性等差异。图像配准的主要目的是消除几何上的差异，对于灰度信山东大学硕士学位论文息的差异并不关心。当然，正是因为图像畸变中的灰度差异的存在，给几

4、何校正增大了难度。医学图像配准技术是90年代才发展起来的医学图像处理的一个重要分支，主要讨论的是数据获取后的配准，也称作回顾式配准。当前，国际上关于医学图像配准的研究集中在断层扫描图像的配准，如cT、MRI、SPEcT、PI'T等。图像配准的应用领域非常广泛，如计算机模式识别和计算机视觉，医学图像的分析，多模态配准以及模板配准等方面。医学图像配准有很多临床应用，例如在放射治疗中应用CT和MR图像配准和融合来进行放疗计划和评估，用CT图像精确计算放射剂量，用MR图像描述肿瘤；在计算机辅助手术中，外科医生根据配准后的图像精确定位病灶，设计出缜密的手术计划，在手术过程中利用三维空间定

5、位系统使术前计划的虚拟病人、手术台上的真实病人和手术器械三者精确联系起来进行手术跟踪。1．2图像分割和配准技术研究现状多年来，图像分割一直受到人们的高度重视，分割算法层出不穷⋯，这些算法可以大概可以分为以下几类：1．像素分割方法。需要先确定一个或几个处于灰度范围之中的值作为阈值，然后将图像中象素的灰度值都与该闽值进行比较，根据比较结果将象素分为两类或多类。这几类象素～般分属图像的多类区域，从而达到分割的目的。如果需要我们将象素分为两类，那么，如何确定一个最优阂值就是分割的关键““。现有的大部分算法都集中在如何确定阈值上，如直方图变换法、最大类空间方差法、共生矩阵法、最大熵法”1

6、、特征空间聚类法等。2．边缘检测。边缘检测以图像一阶导数的极值或二阶导数的过零点作为判断边缘点的基本依据。经典的边缘检测方法是构造差分算子用以检测图像灰度阶跃变化，进行分割。如Robertcross算子、sobel算子、Prewitt算子、Laplace算子、c锄y边缘检测“”等。3．区域的分割方法。区域分割的实质就是把具有某种相似性质的像素连通起来，从而得到所需区域的方法。它利用了图像空间的局部信息，可有效的克服其它方法存在的图像分割空间不连续的缺点，但它通常也会造成图像的过度分割。2山东大学硕士学位论文该类方法通常又可分为三小类：1)区域生长；2)区域分裂：3)分裂——合并

7、的方法““。4．基于可变模型的分割方法。这类方法将图像，初始轮廓，目标轮廓和约束相统一。其原理是在图像空间内给定初始的曲线或曲面，同时定义与曲线或曲面形状相关的内能及与图像相关的外能。其中，内能也称弹力，控制曲线或曲面的光滑与连续，外能(如梯度)一般与边缘特征相关，以促使轮廓向边缘移动。在两者的共同作用下，轮廓发生变形，最后得到图像前景的连续边缘。可变模型一般可被分为参数可变模型和几何可变模型两大类。前者可由参数显式表达，如Snake模型⋯’1”。后者需要通过高维函数隐含表达，如LevelS