数字图像处理中的医学图像处理应用(2)
近年来,随着各方面技术的发展与成熟,许多的医学图像分割技术如雨后春笋纷纷出现,在各自的应用领域大展拳脚。有基于图像熵的主动图像分割方法、基于脉冲耦合神经网络的分割方法、基于融合颜色和空间信息的分割方法、基于遗传密度峰值聚类的医学图像分割等方法。目前正在人工智能方面深得科研人员青睐的深度学习技术,其在图像分割应用上发挥的作用甚至一度超过了传统的分割算法,但这仍需要传统算法为其做好铺垫。深度学习常见分割方法有基于cnn的方法、基于rnn的方法、基于fast-rnn的方法等。
医学图像中的噪声往往强度不一,分布不均,常见的去噪算法虽然可以去除图像中的噪声,可是其对细节处的保护是很差的,这种情况下的图像分割效果会降低。针对这一问题,Dongdong Ma等[4]使用基于自适应局部拟合的主动轮廓模型很好的解决了这一问题。在对图像进行分割的过程中,按照算法的原理,在算法对图像的操作彼此不冲突的时候,可有序的使用多个分割算法。如在处理视网膜血管图像时,使用改进的形态学与Otsu相结合的方法拥有很高的抗干扰能力。冯衍秋等[5]在分割图像时综合利用图像的灰度与空间信息,结合Gibbs随机场与模糊C均值聚类方法,即使图像含有一定的噪声仍能很好的完成分割任务。同时各种传统算法的改进也不断被用于医学图像分割。冯衍秋等使用的方法便是对模糊聚类分割算法在噪声图像中的改进。
随着图像处理技术应用的普及,更多的算法将会被改进,其实验结果也会在实际应用中不断地被检验,优胜劣汰,最终投入各科学领域以及生活中来。
三 医学图像配准
在对医学图像的观察分析中,有时候单独的医学图像难以为医生提供全面有效的病灶信息,但是在医学图像生成过程中,同一病理位置会被多次的重复的以不同角度位置进行成像,将多幅图像信息综合利用可弥补单幅图像信息不全或信息错误的缺陷,使得临床的诊断治疗更加准确,同时也病变组织定位以及外科手术的设计更加容易。在这之前,医学图像配准是首先要解决的问题。
医学图像配准是为了确定多幅医学图像的每个像素点在三维空间中的对应关系。使用空间变换公式来确定图像间的关系,可将两幅图像的目标物在空间和结构上一一对应。图像配准主要采用两种方式,一是相对配准,二是绝对配准。相对配准的步骤如下,首先通过选择一副图像作为参考目标,然后计算其它多幅图像和参考目标间的配准关系,最后在三维空间中确定各图像的对应位置。而绝对配准则是定义一个控制网格,为了完成各分量图像的几何校正,将使用网格作为基准,最后将得到坐标系的统一。
图像配准的两类方法分别利用了图像的灰度以及特征点。利用图像灰度值在一维的投影,投影点及其邻近投影点按其排序形成了一段特征字符串,通过两幅图像字符串的比对可快速找到对应的两点。关于特征点图像匹配算法,SIFT特征点匹配技术以其独特的特点赢得科研学者的青睐。以其为基础改进的SURF算法也成为了很多学者研究图像配准的基础算法之一。杨艳伟[6]利用SITF算法与Harris特征点,结合两者的优点互相弥补彼此的不足,提出的ISFIT算法保持鲁棒性的同时提升了近一倍的算法效率。利用图像的空间信息和强度统计特性,Yang Tiejun等[7]提出一种新型医学图像非刚性配准方法,结合归一化的互信息和空间信息,较经典的配准算法有更高的准确度。
近年来有了很多的图像配准技术,如联合弯曲能量和标志点对应约束的非刚性医学图像配准方法、数字化医学影像技术下多模态图像配准仿真等。基于局部熵改进的Active Demons多模医学图像配准算法,将原图像转换为局部熵图像,然后使用改进的Active Demons算法进行配准,其配准精度高,图像质量提升明显。
目前常用的医学图像配准方法,均是在基本的数字图像处理算法基础上引申而来,将这些概念及算法引入数字图像处理课程,可以有效地拓宽学生的思维,提高他们对专业知识以及应用背景的认识。
四 医学图像融合
医学图像在多幅图像间存在冗余数据和互补信息,图像融合就是通过处理冗余数据提高图像的可读性,通过处理互补信息提高图像的清晰度。CT、PET、MRI等生成的医学图像包含信息侧重点各有不同。例如,PET图像可展示血液流动信息以及各个器官的代谢情况,CT可展示致密组织信息,MRI则是展示软组织脏器解剖形态信息。在同一位置生成的各医学图像所包含的不同信息是图像融合最初的信息来源,若能顺利将各医学图像融合,其提供的信息对于临床而言有着十分重要的意义,同时也为医学研究的发展创造了良好的机会。
文章来源:《生物医学工程学杂志》 网址: http://www.swyxgcxzzzz.cn/qikandaodu/2020/1210/397.html