数字图像处理中的医学图像处理应用(3)
图像融合技术现在主要有两大类,一是以图像像素为基础的融合方法,二是图像特征为基础的融合方法。在处理医学序列图像的时候,传统的多模态医学图像融合算法存在一些局限性,席新星等提出的基于3-D剪切波(3DST)和广义高斯模型的多模态医学序列图像融合方法[8]通过对图像高频与低频的分别处理,获得了很好的融合效果。Sharma Dileepkumar Ramlal等[9]采用非下采样轮廓波变换(NSCT)和平稳小波变换(SWT)相结合图像融合方法,改善了原有的多模医学图像融合方法。
不同融合算法的结果大同小异,残次不齐,为对图像融合算法进行客观准确的综合评价,张斌等[10]基于TV-L1(总变差正则化)结构纹理分解提出了一个图像融合质量评价算法。
医学图像的融合是一个较难较新的应用方向,可放在课程的最后对学生进行介绍,开拓学生的专业思路及眼界。
五 总结
数字图像处理是生物医学工程专业的重要专业课程,如何在这门课程中针对专业背景进行课程内容的安排及应用实践的引导,是一个值得探讨的问题。随着医学成像设备的完善及进步,医学图像处理技术已经成为医疗诊断技术中必不可少的重要部分,因此,生物医学工程专业的学生对医学图像处理技术的认识及掌握就成为一个重要的专业素养。提升医学图像处理知识,扩展专业知识领域,磨练医学图像处理技术,在医务人员与医学图像之间搭建无沟通障碍的桥梁,是从事生物医学工程专业的人员所肩负的责任。在基本的数字图像处理中融入医学图像处理的应用场景,可以有效提升学生的专业眼光及应用能力。
[1] 叶鸿瑾,张雪英,何小刚.基于小波变换和中值滤波的医学图像去噪[J].太原理工大学学报,2005(05):511-514.
[2] 王绍波,梁振.基于幂次变换的自适应超声医学图像去噪算法[J].中国医疗设备,2019,34(02):76-79+84.
[3] 艾玲梅,任阳红.基于双域滤波与引导滤波的快速医学MR图像去噪[J].光电子·激光,2018,29(07):787-796.
[4] Dongdong Ma,Qingmin Liao,Ziqin Chen,Ran Liao,Hui Ma. Adaptive local-fitting-based active contour model for medical image segmentation[J]. Signal Processing: Image Communication,2019,76.
[5] 冯衍秋,陈武凡,梁斌,等.基于Gibbs随机场与模糊C均值聚类的图像分割新算法[J].电子学报,2004(04):645-647.
[6] 杨艳伟. 基于SIFT特征点的图像拼接技术研究[D].西安电子科技大学,2009.
[7] Yang Tiejun,Tang Qi,Li Lei,Song Jikun,Zhu Chunhua,Tang Lu. Nonrigid registration of medical image based on adaptive local structure tensor and normalized mutual information.[J]. Journal of applied clinical medical physics,2019.
[8] 席新星,罗晓清,张战成.基于3-D剪切波和广义高斯模型的多模态医学序列图像融合[J].计算机科学,2019,46(05):254-259.
[9] Sharma Dileepkumar Ramlal,Jainy Sachdeva,Chirag Kamal Ahuja,Niranjan Khandelwal. An improved multimodal medical image fusion scheme based on hybrid combination of nonsubsampled contourlet transform and stationary wavelet transform[J]. International Journal of Imaging Systems and Technology,2019,29(2).
[10] 张斌,罗晓清,张战成.基于TV-L1结构纹理分解的图像融合质量评价算法[J/OL].计算机应用:1-9.
医学图像处理是计算机数字图像处理的一个十分重要的应用,也是生物医学工程专业的一个主要研究方向和领域。1895年X射线这一重大发现以及它之后在医学中的应用,使得医学领域的研究步入了一个新的殿堂,在其之后的发展中,医学图像处理技术也悄然诞生。现在医学图像处理的对象主要是CT(Computed Tomography)图像(包括X射线CT、γ射线CT、超声CT),MRI(Magnetic Resonance Imaging) 图 像,PET(POsitron Emission Tomography)图 像 和SPECT(Single-Photon Emission Computed)图像等。传统医学图像处理方法需要凭借医生或其他专业工作人员的个人经验,人工地一步步对图像进行观察、标记、处理。然而,这种工作方式效率不仅低下,而且经常会因为操作人员主观意识上的偏差或者操作上的失误,造成图像所要表达的信息出现错误,影响医生治疗进程,于病人极其不利。现有的计算机数字图像处理技术将成像技术生成的图片经过一系列图像处理方法,可将医学图像中病人病灶信息的有效成分清晰直白向医生展示。常见图像处理方式包括图像去噪、图像分割、图像配准、图像融合等,针对不同的处理对象,每个对象处理方法以及每一个步骤都需要调整合适的参数、尺度大小。通过计算机数字图像处理技术对医学图像进行处理及识别,可以极大地减轻医生的负担,提高医生的工作效率。这也是生物医学工程专业的重要应用领域。数字图像处理是很多电子信息类专业的重要专业课程,但是面向生物医学工程专业这一交叉学科,目前尚未有较强针对性的课程内容安排及应用场合解析。面对生物医学工程这一学科,数字图像处理课程应更多地将基本图像处理算法融入医学图像处理这一具体应用背景中去,使学生能够更好地了解自己的专业应用方向,在学习中做到有的放矢。因此,本文将常规数字图像处理的基本原理和算法设计融入了医学图像处理这一特殊的应用背景,这些内容可以很好地对数字图像处理课程内容进行补充及应用场景的拓展,提高学生的专业知识面以及专业应用水平。一 医学图像去噪图像在生成和传输过程中,往往会受到各种噪声的干扰和影响(如影像设备、外部环境、天气干扰等),而降低了图像质量。若直接对含噪图像进行图像处理和分析,难度较大,且处理效果不理想。正常情况下获得的医学图像都是含有噪声的。由于噪声的存在,医学图像的质量会大打折扣,图像内组织边缘模糊难以区分,病灶信息由于图像细节处被噪声覆盖所以难以辨认。总之对于医学图像的诊断分析,噪声影响很大,所以需要在图像预处理阶段对图像进行噪声去除或降低处理,提高医学图像的信噪比。在数字图像处理的基本算法中,图像去噪方法分为空域法和频域法两大类。医学图像中常见噪声有高斯噪声、椒盐噪声、脉冲噪声等。针对不同类型的噪声应当采取对应的去噪算法。例如对于高斯噪声,其数学模型如公式1.1所示。使用邻域平均法如公式1.2所示,可有效抑制该噪声。其中z表示噪声灰度值,μ、δ分别为z的期望与标准差。S为噪声图像f(m,n)每个像素点的一领域。小波变换常被用于图像频域中的噪声去除。例如在对超声图像进行去噪处理时,利用数学对数变换改变噪声性质,之后利用小波变换分解图像。最终可在不损坏图像重要信息的同时成功分离图像斑纹噪声。空域法和频域法分别在两个不同的图像领域对图像进行各种操作,互不干涉。利用这一特点,结合来自两域方法的噪声去除算法可以对图像中的混合噪声进行剔除。叶鸿瑾等[1]通过频率域的小波变换方法和空间域的中值滤波方法在保证CT图像质量的同时,成功剔除掺杂其中的混合噪声。最近,在对超声医学图像去噪算法的研究中,为了能够使得图像中的高频细节内容不被掩盖,需要将图像中的噪声抑制到比较小的时候,再采用基于幂次变换的方法[2],最终实验证明该方法对超声图像噪声有很好的去除效果。艾玲梅等利用双域滤波与引导滤波相结合的方法[3],有效地减弱了存在于MRI图像中的Rician噪声。这些空域及频域的去噪算法不仅可以作为课程内容的扩展,并且由于它们较强的医学图像去噪的针对性,还可以以其为媒介,将数字图像去噪的基本原理算法引入医学图像处理背景及应用场合,帮助学生对专业应用的思考。二 医学图像分割图像分割是指根据选定的特征将图像划分为若干个有意义的部分,这些选定的特征包括图像的边缘、区域。图像分割是数字图像处理课程中的一个重要内容,在医学图像处理应用中也具有非常重要的地位。将图像分割算法运用于医学图像,分割出医学图像中的关键信息内容或是有特殊意义的部分,向专业人员提供图像中有用的信息,帮助他们在更短时间内做出诊断,医学图像分割技术在整个医学图像处理中是极其关键的一个步骤。由于医学图像的极其复杂,它的处理涉及多个学科知识,其分割过程并非单一的找出某一信息,所以传统的分割方式难以到达我们预期的目标。针对身体各个不同的器官甚至同一器官不同部位,分割方式均有差异。当前的医学图像分割技术大多仍需借助人工手动分割标记,全自动的分割技术尚未成熟。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。图像融合技术现在主要有两大类,一是以图像像素为基础的融合方法,二是图像特征为基础的融合方法。在处理医学序列图像的时候,传统的多模态医学图像融合算法存在一些局限性,席新星等提出的基于3-D剪切波(3DST)和广义高斯模型的多模态医学序列图像融合方法[8]通过对图像高频与低频的分别处理,获得了很好的融合效果。Sharma Dileepkumar Ramlal等[9]采用非下采样轮廓波变换(NSCT)和平稳小波变换(SWT)相结合图像融合方法,改善了原有的多模医学图像融合方法。不同融合算法的结果大同小异,残次不齐,为对图像融合算法进行客观准确的综合评价,张斌等[10]基于TV-L1(总变差正则化)结构纹理分解提出了一个图像融合质量评价算法。医学图像的融合是一个较难较新的应用方向,可放在课程的最后对学生进行介绍,开拓学生的专业思路及眼界。五 总结数字图像处理是生物医学工程专业的重要专业课程,如何在这门课程中针对专业背景进行课程内容的安排及应用实践的引导,是一个值得探讨的问题。随着医学成像设备的完善及进步,医学图像处理技术已经成为医疗诊断技术中必不可少的重要部分,因此,生物医学工程专业的学生对医学图像处理技术的认识及掌握就成为一个重要的专业素养。提升医学图像处理知识,扩展专业知识领域,磨练医学图像处理技术,在医务人员与医学图像之间搭建无沟通障碍的桥梁,是从事生物医学工程专业的人员所肩负的责任。在基本的数字图像处理中融入医学图像处理的应用场景,可以有效提升学生的专业眼光及应用能力。参考文献[1] 叶鸿瑾,张雪英,何小刚.基于小波变换和中值滤波的医学图像去噪[J].太原理工大学学报,2005(05):511-514.[2] 王绍波,梁振.基于幂次变换的自适应超声医学图像去噪算法[J].中国医疗设备,2019,34(02):76-79+84.[3] 艾玲梅,任阳红.基于双域滤波与引导滤波的快速医学MR图像去噪[J].光电子·激光,2018,29(07):787-796.[4] Dongdong Ma,Qingmin Liao,Ziqin Chen,Ran Liao,Hui Ma. Adaptive local-fitting-based active contour model for medical image segmentation[J]. Signal Processing: Image Communication,2019,76.[5] 冯衍秋,陈武凡,梁斌,等.基于Gibbs随机场与模糊C均值聚类的图像分割新算法[J].电子学报,2004(04):645-647.[6] 杨艳伟. 基于SIFT特征点的图像拼接技术研究[D].西安电子科技大学,2009.[7] Yang Tiejun,Tang Qi,Li Lei,Song Jikun,Zhu Chunhua,Tang Lu. Nonrigid registration of medical image based on adaptive local structure tensor and normalized mutual information.[J]. Journal of applied clinical medical physics,2019.[8] 席新星,罗晓清,张战成.基于3-D剪切波和广义高斯模型的多模态医学序列图像融合[J].计算机科学,2019,46(05):254-259.[9] Sharma Dileepkumar Ramlal,Jainy Sachdeva,Chirag Kamal Ahuja,Niranjan Khandelwal. An improved multimodal medical image fusion scheme based on hybrid combination of nonsubsampled contourlet transform and stationary wavelet transform[J]. International Journal of Imaging Systems and Technology,2019,29(2).[10] 张斌,罗晓清,张战成.基于TV-L1结构纹理分解的图像融合质量评价算法[J/OL].计算机应用:1-9.
文章来源:《生物医学工程学杂志》 网址: http://www.swyxgcxzzzz.cn/qikandaodu/2020/1210/397.html