时间:2022-02-01 18:50:44
引言:寻求写作上的突破?我们特意为您精选了12篇医学图像论文范文,希望这些范文能够成为您写作时的参考,帮助您的文章更加丰富和深入。
1.引言
近20多年来,医学影像已成为医学技术中发展最快的领域之一,其结果使临床医生对人体内部病变部位的观察更直接、更清晰,确诊率也更高。20世纪70年代初,X-CT的发明曾引发了医学影像领域的一场革命,与此同时,核磁共振成像象(MRI:MagneticResonanceImaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础,带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用,使医学诊断和治疗技术取得了很大的进展,同时将各种成像技术得到的信息进行互补,也为临床诊断及生物医学研究提供了有力的科学依据。
在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。
本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。
2.医学图像三维可视化技术
2.1三维可视化概述
医学图像的三维可视化的方法很多,但基本步骤大体相同,如图.。从#$/&’(或超声等成像系统获得二维断层图像,然后需要将图像格式(如0(#1&)转化成计算机方便处理的格式。通过二维滤波,减少图像的噪声影响,提高信噪比和消除图像的尾迹。采取图像插值方法,对医学关键部位进行各向同性处理,获得体数据。经过三维滤波后,不同组织器官需要进行分割和归类,对同一部位的不同图像进行配准和融合,以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力,选择不同的方法进行三维体绘制,实现三维重构。
2.2关键技术:
图像分割是三维重构的基础,分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域,由于医学图像的各区域没有清楚的边界,为了解决在医学图像分割中遇到不确定性的问题,引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状,自动或半自动的图像分割方法是非常重要的。在实际应用中有聚类法、统计学模型、弹性模型、区域生长、神经网络等适用于医学图像分割的具体方法。
由于可以对同一部位用不同的成像仪器多次成像,或用同一台仪器多次成像,这样产生了多模态图像。多模态图像提供的信息经常相互覆盖和具有互补性,为了综合使用多种成像模式以提供更全面的信息,需要对各个模态的原始图像进行配准和数据融合,其整个过程称为数据整合。整合的第一步是将多个医学图像的信息转换到一个公共的坐标框架内的研究,使多幅图像在空间域中达到几何位置的完全对应,称为三维医学图像的配准问题。建立配准关系后,将多个图像的数据合成表示的过程,称为融合。在医学应用中,不同模态的图像还提供了不互相覆盖的结构互补信息,比如,当CT提供的是骨信息,MRI提供的关于软组织的信息,所以可以用逻辑运算的方法来实现它们图像的合成。
当分割归类或数据整合结束后,对体数据进行体绘制。体绘制一般分为直接体绘制和间接体绘制,由于三维医学图像数据量很大,采用直接体绘制方法,计算量过重,特别在远程应用和交互操作中,所以一般多采用间接体绘制。在图形工作站上可以进行直接体绘制,近来随着计算机硬件快速发展,新的算法,如三维纹理映射技术,考虑了计算机图形硬件的特定功能及体绘制过程中的各种优化方法,从而大大地提高了直接体绘制的速度。体绘制根据所用的投影算法不同加以分类,分为以对象空间为序的算法(又称为体素投影法)和以图像空间为序的算法!又称为光线投射法",一般来说,体素投影法绘制的速度比光线投射法快。由于三维医学图像的绘制目的在于看见内部组织的细节,真实感并不是最重要的,所以在医学应用中的绘制要突出特定诊断所需要的信息,而忽略无关信息。另外,高度的可交互性是三维医学图像绘制的另一个要求,即要求一些常见操作,如旋转,放大,移动,具有很好的实时性,或至少是在一个可以忍受的响应时间内完成。这意味着在医学图像绘制中,绘制时间短的可视化方法更为实用。
未来的三维可视化技术将与虚拟现实技术相结合,不仅仅是获得体数据的工具,更主要的是能创造一个虚拟环境。
3.医学图像分割
医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。
3.1基于统计学的方法
统计方法是近年来比较流行的医学图像分割方法。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义Markov随机场的能量形式,然后通过最大后验概率(MAP)方法估计Markov随机场的参数,并通过迭代方法求解。层次MRF采用基于直方图的DAEM算法估计标准有限正交混合(SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。
3.2基于模糊集理论的方法
医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。这种方法的难点在于隶属函数的选择。模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。Venkateswarlu等[改进计算过程,提出了一种快速的聚类算法。
3.2.1基于模糊理论的方法
模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边缘检测等。在各种模糊分割技术中,近年来模糊聚类技术,特别是模糊C-均值(FCM)聚类技术的应用最为广泛。FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。然而,FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割(FFCM)是最近模糊分割的研究热点。FFCM算法对传统FCM算法的初始化进行了改进,用K-均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。它实际上是两次寻优的迭代过程,首先由K-均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。
3.2.2基于神经网络的方法
按拓扑机构来分,神经网络技术可分为前向神经网络、反馈神经网络和自组织映射神经网络。目前已有各种类型的神经网络应用于医学图像分割,如江宝钏等利用MRI多回波性,采用有指导的BP神经网络作为分类器,对脑部MR图像进行自动分割。而Ahmed和Farag则是用自组织Kohenen网络对CT/MRI脑切片图像进行分割和标注,并将具有几何不变性的图像特征以模式的形式输入到Kohenen网络,进行无指导的体素聚类,以得到感兴趣区域。模糊神经网络(FNN)分割技术越来越多地得到学者们的青睐,黄永锋等提出了一种基于FNN的颅脑MRI半自动分割技术,仅对神经网络处理前和处理后的数据进行模糊化和去模糊化,其分割结果表明FNN分割技术的抗噪和抗模糊能力更强。
3.2.3基于小波分析的分割方法
小波变换是近年来得到广泛应用的一种数学工具,由于它具有良好的时一频局部化特征、尺度变化特征和方向特征,因此在图像处理上得到了广泛的应用。
小波变换和分析作为一种多尺度多通道分析工具,比较适合对图像进行多尺度的边缘检测,典型的有如Mallat小波模极大值边缘检测算法[6
3.3基于知识的方法
基于知识的分割方法主要包括两方面的内容:(1)知识的获取,即归纳提取相关知识,建立知识库;(2)知识的应用,即有效地利用知识实现图像的自动分割。其知识来源主要有:(1)临床知识,即某种疾病的症状及它们所处的位置;(2)解剖学知识,即某器官的解剖学和形态学信息,及其几何学与拓扑学的关系,这种知识通常用图谱表示;(3)成像知识,这类知识与成像方法和具体设备有关;(4)统计知识,如MI的质子密度(PD)、T1和T2统计数据。Costin等提出了一种基于知识的模糊分割技术,首先对图像进行模糊化处理,然后利用相应的知识对各组织进行模糊边缘检测。而谢逢等则提出了一种基于知识的人脑三维医学图像分割显示的方法。首先,以框架为主要表示方法,建立完整的人脑三维知识模型,包含脑组织几何形态、生理功能、图像灰度三方面的信息;然后,采用“智能光线跟踪”方法,在模型知识指导下直接从体积数据中提取并显示各组织器官的表面。
3.4基于模型的方法
该方法根据图像的先验知识建立模型,有动态轮廓模型(ActiveContourModel,又称Snake)、组合优化模型等,其中Snake最为常用。Snake算法的能量函数采用积分运算,具有较好的抗噪性,对目标的局部模糊也不敏感,但其结果常依赖于参数初始化,不具有足够的拓扑适应性,因此很多学者将Snake与其它方法结合起来使用,如王蓓等利用图像的先验知识与Snake结合的方法,避开图像的一些局部极小点,克服了Snake方法的一些不足。Raquel等将径向基网络(RBFNNcc)与Snake相结合建立了一种混合模型,该模型具有以下特点:(1)该混合模型是静态网络和动态模型的有机结合;(2)Snake的初始化轮廓由RBFNNcc提供;(3)Snake的初始化轮廓给出了最佳的控制点;(4)Snake的能量方程中包含了图像的多谱信息。Luo等提出了一种将livewire算法与Snake相结合的医学图像序列的交互式分割算法,该算法的特点是在少数用户交互的基础上,可以快速可靠地得到一个医学图像序列的分割结果。
由于医学图像分割问题本身的困难性,目前的方法都是针对某个具体任务而言的,还没有一个通用的解决方法。综观近几年图像分割领域的文献,可见医学图像分割方法研究的几个显著特点:(1)学者们逐渐认识到现有任何一种单独的图像分割算法都难以对一般图像取得比较满意的结果,因而更加注重多种分割算法的有效结合;(2)在目前无法完全由计算机来完成图像分割任务的情况下,半自动的分割方法引起了人们的广泛注意,如何才能充分利用计算机的运算能力,使人仅在必要的时候进行必不可少的干预,从而得到满意的分割结果是交互式分割方法的核心问题;(3)新的分割方法的研究主要以自动、精确、快速、自适应和鲁棒性等几个方向作为研究目标,经典分割技术与现代分割技术的综合利用(集成技术)是今后医学图像分割技术的发展方向。
4.医学图像配准和融合
医学图像可以分为解剖图像和功能图像2个部分。解剖图像主要描述人体形态信息,功能图像主要描述人体代谢信息。为了综合使用多种成像模式以提供更全面的信息,常常需要将有效信息进行整合。整合的第一步就是使多幅图像在空间域中达到几何位置的完全对应,这一步骤称为“配准”。整合的第二步就是将配准后图像进行信息的整合显示,这一步骤称为“融合”。
在临床诊断上,医生常常需要各种医学图像的支持,如CT、MRI、PET、SPECT以及超声图像等,但无论哪一类的医学图像往往都难以提供全面的信息,这就需要将患者的各种图像信息综合研究19],而要做到这一点,首先必须解决图像的配准(或叫匹配)和融合问题。医学图像配准是确定两幅或多幅医学图像像素的空间对应关系;而融合是指将不同形式的医学图像中的信息综合到一起,形成新的图像的过程。图像配准是图像融合必需的预处理技术,反过来,图像融合是图像配准的一个目的。
4.1医学图像配准
医学图像配准包括图像的定位和转换,即通过寻找一种空间变换使两幅图像对应点达到空间位置上的配准,配准的结果应使两幅图像上所有关键的解剖点或感兴趣的关键点达到匹配。20世纪90年代以来,医学图像配准的研究受到了国内外医学界和工程界的高度重视,1993年Petra等]综述了二维图像的配准方法,并根据配准基准的特性,将图像配准的方法分为两大类:基于外部特征(有框架)的图像配准和基于内部特征(无框架)的图像配准。基于外部特征的方法包括立体定位框架法、面膜法及皮肤标记法等。基于外部特征的图像配准,简单易行,易实现自动化,能够获得较高的精度,可以作为评估无框架配准算法的标准。但对标记物的放置要求高,只能用于同一患者不同影像模式之间的配准,不适用于患者之间和患者图像与图谱之间的配准,不能对历史图像做回溯性研究。基于内部特征的方法是根据一些用户能识别出的解剖点、医学图像中相对运动较小的结构及图像内部体素的灰度信息进行配准。基于内部特征的方法包括手工交互法、对应点配准法、结构配准法、矩配准法及相关配准法。基于内部特征的图像配准是一种交互性方法,可以进行回顾性研究,不会造成患者不适,故基于内部特征的图像配准成为研究的重点。
近年来,医学图像配准技术有了新的进展,在配准方法上应用了信息学的理论和方法,例如应用最大化的互信息量作为配准准则进行图像的配准,在配准对象方面从二维图像发展到三维多模医学图像的配准。例如Luo等利用最大互信息法对CT-MR和MR-PET三维全脑数据进行了配准,结果全部达到亚像素级配准精度。在医学图像配准技术方面引入信号处理技术,例如傅氏变换和小波变换。小波技术在空间和频域上具有良好的局部特性,在空间和频域都具有较高的分辨率,应用小波技术多分辨地描述图像细貌,使图像由粗到细的分级快速匹配,是近年来医学图像配准的发展之一。国内外学者在这方面作了大量的工作,如Sharman等提出了一种基于小波变换的自动配准刚体图像方法,使用小波变换获得多模图像特征点然后进行图像配准,提高了配准的准确性。另外,非线性配准也是近年来研究的热点,它对于非刚性对象的图像配准更加适用,配准结果更加准确。
目前许多医学图像配准技术主要是针对刚性体的配准,非刚性图像的配准虽然已经提出一些解决的方法,但同刚性图像相比还不成熟。另外,医学图像配准缺少实时性和准确性及有效的全自动的配准策略。向快速和准确方面改进算法,使用最优化策略改进图像配准以及对非刚性图像配准的研究是今后医学图像配准技术的发展方向。
4.2医学图像融合
图像融合的主要目的是通过对多幅图像间的冗余数据的处理来提高图像的可读性,对多幅图像间的互补信息的处理来提高图像的清晰度。不同的医学影像设备获取的影像反映了不同的信息:功能图像(SPECT、PET等)分辨率较差,但它提供的脏器功能代谢和血液流动信息是解剖图像所不能替代的;解剖图像(CT、MRI、B超等)以较高的分辨率提供了脏器的解剖形态信息,其中CT有利于更致密的组织的探测,而MRI能够提供软组织的更多信息。多模态医学图像的融合把有价值的生理功能信息与精确的解剖结构结合在一起,可以为临床提供更加全面和准确的资料。
医学图像的融合可分为图像融合的基础和融合图像的显示。(1)图像融合的基础:目前的图像融合技术可以分为2大类,一类是以图像像素为基础的融合法;另一类是以图像特征为基础的融合方法。以图像像素为基础的融合法模型可以表示为:
其中,为融合图像,为源图像,为相应的权重。以图像特征为基础的融合方法在原理上不够直观且算法复杂,但是其实现效果较好。图像融合的步骤一般为:①将源图像分别变换至一定变换域上;②在变换域上设计一定特征选择规则;③根据选取的规则在变换域上创建融合图像;④逆变换重建融合图像。(2)融合图像的显示:融合图像的显示方法可分成2种:空间维显示和时间维显示。
目前,医学图像融合技术中还存在较多困难与不足。首先,基本的理论框架和有效的广义融合模型尚未形成。以致现有的技术方法还只是针对具体病症、具体问题发挥作用,通用性相对较弱。研究的图像以CT、MRI、核医学图像为主,超声等成本较低的图像研究较少且研究主要集中于大脑、肿瘤成像等;其次,由于成像系统的成像原理的差异,其图像采集方式、格式以及图像的大小、质量、空间与时间特性等差异大,因此研究稳定且精度较高的全自动医学图像配准与融合方法是图像融合技术的难点之一;最后,缺乏能够客观评价不同融合方法融合效果优劣的标准,通常用目测的方法比较融合效果,有时还需要利用到医生的经验。
在图像融合技术研究中,不断有新的方法出现,其中小波变换在图像融合中的应用,基于有限元分析的非线性配准以及人工智能技术在图像融合中的应用将是今后图像融合研究的热点与方向。随着三维重建显示技术的发展,三维图像融合技术的研究也越来越受到重视,三维图像的融合和信息表达,也将是图像融合研究的一个重点。
5.医学图像纹理分析
一般认为图像的纹理特征描述物体表面灰度或颜色的变化,这种变化与物体自身属性有关,是某种纹理基元的重复。Sklansky早在1978年给出了一个较为适合于医学图像的纹理定义:“如果图像的一系列固有的统计特性或其它的特性是稳定的、缓慢变化的或者是近似周期的,那么则认为图像的区域具有不变的纹理”。纹理的不变性即指纹理图像的分析结果不会受到旋转、平移、以及其它几何处理的影响。目前从图像像素之间的关系角度,纹理分析方法主要包括以下几种。
5.1统计法
统计分析方法主要是基于图像像素的灰度值的分布与相互关系,找出反映这些关系的特征。基本原理是选择不同的统计量对纹理图像的统计特征进行提取。这类方法一般原理简单,较易实现,但适用范围受到限制。该方法主要适合医学图像中那些没有明显规则性的结构图像,特别适合于具有随机的、非均匀性的结构。统计分析方法中,最常用的是共生矩阵法,其中有灰度共生矩阵(graylevelco-occurrencematrix,GLCM)和灰度—梯度共生矩阵。杜克大学的R.Voracek等使用GLCM对肋间周边区提取的兴趣区(regionofinterest,ROI)进行计算,测出了有意义的纹理参数。另外,还有长游程法(runlengthmatrix,RLM),其纹理特征包括短游程优势、长游程优势、灰度非均匀化、游程非均匀化、游程百分比等,长游程法是对图像灰度关系的高阶统计,对于给定的灰度游程,粗的纹理具有较大的游程长度,而细的纹理具有较小的游程长度。
5.2结构法
结构分析方法是分析纹理图像的结构,从中获取结构特征。结构分析法首先将纹理看成是有许多纹理基元按照一定的位置规则组成的,然后分两个步骤处理(1)提取纹理基元;(2)推论纹理基元位置规律。目前主要用数学形态学方法处理纹理图像,该方法适合于规则和周期性纹理,但由于医学图像纹理通常不是很规则,因此该方法的应用也受到限制,实际中较少采用。
5.3模型法
模型分析方法认为一个像素与其邻域像素存在某种相互关系,这种关系可以是线性的,也可以是符合某种概率关系的。模型法通常有自回归模型、马尔科夫随机场模型、Gibbs随机场模型、分形模型,这些方法都是用模型系数来表征纹理图像,其关键在于首先要对纹理图像的结构进行分析以选择到最适合的模型,其次为如何估计这些模型系数。如何通过求模型参数来提取纹理特征,进行纹理分析,这类方法存在着计算量大,自然纹理很难用单一模型表达的缺点。
5.4频谱法
频谱分析方法主要基于滤波器理论,包括傅立叶变换法、Gabor变换法和小波变换法。
1973年Bajcsy使用傅立叶滤波器方法分析纹理。Indhal等利用2-D快速傅立叶变换对纹理图像进行频谱分析,从而获得纹理特征。该方法只能完成图像的频率分解,因而获得的信息不是很充分。1980年Laws对图像进行傅氏变换,得出图像的功率谱,从而提取纹理特征进行分析。
Gabor函数可以捕捉到相当多的纹理信息,且具有极佳的空间/频域联合分辨率,因此在实际中获得了较广泛的应用。小波变换法大体分金子塔形小波变换法和树形小波变换法(小波包法)。
小波变换在纹理分析中的应用是Mallat在1989年首先提出的,主要用二值小波变换(DiscreteWaveletTransform,DWT),之后各种小波变换被用于抽取纹理特征。传统的金字塔小波变换在各分解级仅对低频部分进行分解,所以利用金字塔小波变换进行纹理特征提取是仅利用了纹理图像低频子带的信息,但对某些纹理,其中高频子带仍含有有关纹理的重要特征信息(如对具有明显的不规则纹理的图像,即其高频子带仍含有有关纹理的重要特征)得不到利用。使用在每个分解级对所有的频率通道均进行分解的完全树结构小波变换提取特征,能够较全面地提取有关纹理特征。
由于医学图像及其纹理的复杂性,目前还不存在通用的适合各类医学图像进行纹理分析的方法,因而对于各类不同特点的医学图像就必须采取有针对性地最适合的纹理分析技术。另外,在应用某一种纹理分析方法对图像进行分析时,寻求最优的纹理特征与纹理参数也是目前医学图像纹理分析中的重点和难点。
6.总结
随着远程医疗技术的蓬勃发展,对医学图像处理提出的要求也越来越高。医学图像处理技术发展至今,各个学科的交叉渗透已是发展的必然趋势,其中还有很多亟待解决的问题。有效地提高医学图像处理技术的水平,与多学科理论的交叉融合、医务人员和理论技术人员之间的交流就显得越来越重要。多维、多参数以及多模式图像在临床诊断(包括病灶检测、定性,脏器功能评估,血流估计等)与治疗(包括三维定位、体积计算、外科手术规划等)中将发挥更大的作用。
参考文献
[1]P.Suetens.FundamentalsofMedicalImaging[M].CambridgeUniversityPress,2002.
[2]刘俊敏,黄忠全,王世耕,张颖.医学图像处理技术的现状及发展方向[J].医疗卫生设备,2005,Vol26
(12):25-26.
[3]田娅,饶妮妮,蒲立新.国内医学图像处理技术的最新动态[J].电子科技大学学报,2002,Vol31(5):
485-489.
[4]周刚慧,施鹏飞.磁共振图像的随机场分割方法[J].上海交通大学学报,2001,Vol35(11):1655.
[5]ZhangHM,YuanZJ,CaiZM.SegmentationofMRIusinghierarchicalmarkovrandomfield[J].Journalof
Software,2002,Vol13(9):1779.
[6]林亚忠,陈武凡,杨丰.基于混合金字塔吉布斯随机场模型的图像分割[J].中国生物医学工程学报,
2004,Vol23(1):79.
[7]聂生东,陈瑛,顾顺德.磁共振颅脑图像快速模糊聚类分割算法研究[J].中国生物医学工程学报,2001,
Vol20(2):104.
[8]江宝钏,张钧良.基于BP神经网络的MRI分割[J].微机发展,2000,Vol1:67.
[9]AhmedMN,FaragA.Two-stageneuralnetworkforvolumesegmentationofmedicalimages[J].Proceedings
ofIEEEInternationalConferenceonNeuralNetworks,1997,Vol28(3):1373.
[10]黄永峰,岑康,司京玉等.模糊神经网络在颅脑磁共振图像分割中的应用研究[J].中国生物医学工程
学报,2003,Vol22(6):508.
[11]CostinH,RotariuCR.Knowledge-basedcontourdetectioninmedicalimagingusingfuzzylogic[J].
InternationalSymposiumonSCS’03,2003,1:273.
[12]谢逢,罗立民,田雪琴.基于知识的人脑三维医学图像分割显示方法[J].生物医学工程学杂志,1997,
Vol14(2):124.
[13]王蓓,张立明.利用图像先验知识与Snake结合对心脏序列图像的分割[J].复旦大学学报(自然科学
版),2003,Vol42(1):81.
[14]RaquelVC,VeronicaMB,OscarYS.Couplingofradial-basisnetworkandactivecontourmodelformulti
spectralbrainMRIsegmentation[J].IEEETransactionsonBiomedicalEngineering,2004,Vol51(3):459.
[15]LuoXP,TianJ,LinY.Analgorithmforsegmentationofmedicalimageseriesbasedonactivecontour
model[J].JournalofSoftware,2002,Vol13(6):1050.
[16]HallpikeL,HawkesDJ.Medicalimageregistration:Anoverview[J].BrInstituteRadiol,2004,Vol14(6):
455-463.
[17]PetraA,ElsenV.MedicalImagemaching:Areviewwithclassification[J].IEEETransMedImage,1993,
Vol12(3):26-39.
[18]LuoShuo-qian,LiXiang.Implementationofmutualinformationbasedmulti-modalitymedicalimage
registration[A].EngMedBillSocProc22ndAnnIntConfIEEE[C].NavyPierConventionCenterChicago,
Illinois,USA:TheInstituteofElectricalandElectricalandElectronicsEngineers,Ind,2000,2:1447-1450.
[19]SharmanR,TylerJM,PianykhOL,etal.Afastandaccuratetomethodtoregistermedicalimagesusing
waveletmodulusmaxima[J].PattRecogLett,2000,21:447-462.
[20]LesterH,ArridgeSR.ASurveyofhierarchiclnon-linearmedicalimageregistration[J].PatternRecognition,
1999,32:129-149.
[21]卢健,胡志忠,杨如乃.医学图像融合技术的研究[J].上海生物医学工程,2006,Vol27(3):163-167.
[22]王新成.高级图像处理技术[M].北京:中国科学技术出版社,2001.
[23]RVoracek,HPMcAdams,puterAidedDiagnosisofInterstitialLungDisease:aTexture
关键词:初中数学;教学理论;问题意识
长期以来,课程教学相对重视问题的解决,但忽略了问题的提出。新课程改革下,这一现象有了明显改善。初中数学作为数学学习的重要环节,大力培养学生的提问意识和培养能力是提升学生综合素质和探索精神的重要方式。美国教育家肯尼斯・H・胡佛说:“整个教育的最终目标是培养学生正确提出问题和解决问题的能力。任何时候都要鼓励学生提问。”中国现代的中学教育也开始逐渐关注课堂提问的重要意义,开辟出了“探究―发现”的教学模式。本文尝试在相关资料和实践的基础上,从理论方面讨论课堂提问的相关内容,并给出一些培养提问意识的相关途径。
一、提问意识的意义
新时代下,需要培养的是能够独立思考,有自己思想和看法的创新型人才,这也是人们常说的综合素质的一个重要组成部分。而一切的思考和创新无不从一个提问的思维衍生出来,所以,培养学生的提问意识是新时代价值观和社会需求的体现。说具体一点,新课程改革在各地区、各年龄段广泛开展,要求中学生主观能动性的发挥,提倡探究式学习。这其实也是重视培养提问意识的一种体现,在探究性学习中,学生可以最大限度地发散思维,引起好奇,提出疑问,并且在不断探索中寻求答案。
从数学学科特质的方面来说,提问意识有着更加明确的意义。数学课程除了传授数学的知识之外,还要提升数学的技能,培养数学的思想。其中,关于数学的思想,包括严密的逻辑,简洁的表达等数学学科素质,也包括思维的发散、创新和质疑等。在数学课上培养学生的提问意识,有助于学生形成数学学科的专业素
养。而且,数学上的提问意识也不只限于数学上的应用,在学生的日常生活中,这种善于提问、善于思考的意识同样可以帮助他们解决很多问题,可以说,善于思考和提问,本就是独立人格应有的品格。
二、培养提问意识的相关原则
1.差异性原则
学生和学生之间是存在差异的,班级与班级之间,甚至学校与学校之间更是各有其独特的方面。所以,培养学生的提问意识要注意重视学生之间的差异性。这个差异性,一方面指的是学生能力和学习程度的高低差异,比如,有些学生理解问题快一些,有些学生可能相对较慢;或者,对于初三的学生和初一的学生,不能提出同样的要求等。这是由学生本身的能力和知识储备水平所决定的,如果不考虑这一层的差异,可能会造成各层次的学生发展不平衡。另一方面指的是每个学生之间存在的独特的思维个性,比如,有些学生对于几何方面更为敏感,有些学生可能对数字更感兴趣;或者,有些学生可能习惯在交谈中获得启发,有些学生更喜欢在实际训练中磨炼思维水平。如果不考虑这一方面的层次性,激发学生思维的教学工作可能会事倍功半,也就难以激发学生的提问兴趣。
2.渐进性原则
知识的积累是一个过程,能力的培养也是一个过程。学生提问意识的培养也同样是一个渐进的过程,不能一蹴而就。对于数学科目来说,学习的过程更是环环相扣,缺少了前面必要的积累,后面的思路就很难跟上。所以,对于学生的思维训练要由易到难,由简到繁,对于学生一开始提出的,可能还比较幼稚的问题,教师应该抱有一定耐心,不要嫌弃或者嘲笑,最初只以鼓励为主,保持学生敢于提问的信心和兴趣,随后随着学习的深入,针对不同W生的特点,有目的有方向地进行引导。而教师自身提出的激发性质的或者引导性质的问题,也应该考虑学生的接受情况,不要一上来就提出比较难的问题,学生总是回答不了,就会打击他们的学习积极性。当然,渐进性还是要强调“进”的,虽然刚开始的时候,问题设置以基础简单为主,却不能一直都保持在一个水平,否则学生的思维得不到锻炼,还是要逐步地、分阶段地增加难度,以适应学生的思维发展。
3.有效性原则
不是学生提出的所有问题都是有意义的,对于这一点,教师应该学会甄别并且合理利用。有时候在数学课上,学生的思维非常活跃,通过提出的问题可以看出他们的思维“散的太开”,很多时候已经完全偏离了教学的主线,或者问题的角度过于狭隘,有钻牛角尖的嫌疑,这些问题只会分散学生的精力,而不会对点亮思维火花有所帮助。这时候学生所提出的问题就属于无效问题。遇到这种情况,教师要不动声色把学生从偏离的路上拉回来,但不能简单制止或直接批评,以免伤害学生提问题的积极性。比如,可以开始一个新的话题,以转移学生的注意力;也可以放弃学生提问中比较偏狭的一面,而选取比较有意义的角度进行解答或者讨论。
1图像分割及其基本算法
图像分割是一种重要的图像分析技术。在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣,这些部分常称为目标或前景,而其他部分称为背景,前景一般对应图像定的、具有独特性质的区域。为了辨识和分析图像中的目标,需要将它们从图像中分离提取出来,在此基础上才有可能进一步对目标进行测量和对图像进行处理。简而言之,图像分割就是指根据某种均匀性或一致性的原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求,而任意两个相邻部分的合并都会破坏这种一致性。图像的分割在很多情况下可以归结为图像像素点的分类问题[7]。目前应用较多的图像分割方法主要有两种:基于区域的图像分割方法和基于边缘检测的图像分割方法。前者通过检测同一区域内的均匀性是否一致来将图像中的不同区域识别出来,主要包括阈值分割法、区域生长法、聚类分割法以及基于随机场的方法等。基于边缘检测的分割法是通过边缘检测技术把不同区域分割开来,常用的方法包括微分算子法、形态学梯度法、曲面拟合法、边界曲线拟合法,以及串行边界查找等[8]。这些分割方法都有自己的优点和缺点,以及不同的应用范围。经过对这些算法的改进以及重新组合,也有人提出了新的算法,尽管这些新的算法对一些图像的分割能够取得好的效果。但对于背景复杂的弱边界医学图像分割效果不佳。近十年以来,针对传统图像分割方法的局限性,研究重点逐渐放在基于偏微分方程、借助曲线演化模型等数学建模方法的图像分割,其中最具有代表性的就是水平集方法和活动轮廓模型[9]。尽管这类方法的分割效果与参数的选择有关,但具有一定的规律,且只要参数选择合理,对于边界模糊、对比度低的医学图像分割,亦可达到理想的分割效果[10]。
2图像分割在医学工程中的重要作用
随着医学成像在临床诊断和治疗上的作用越来越显著,医学图像分割就成为医学图像分析领域的一个重要的研究课题。由于手工分割很耗时,且主观性强,因此,寻求在计算机的帮助下,从CT、MRI、PET以及其它模式医学图像中提取有关解剖结构的有用诊断信息成了我们的任务。尽管现代成像设备提供了对内部解剖结构的优越的观察条件,使用计算机技术对内部解剖结构进行精确而有效的量化和分析仍然是有限的。医学图像分割可以提取出准确的、可重复的、量化的病理生理数据,满足不同的生物医学研究和临床应用的需要。医学图像分割的目的是通过提取描述对象的特征,把感兴趣对象从周围环境中分离出来,分析和计算分割对象的解剖、病理、生理、物理等方面的信息。图像分割过程是对医学图像进行对象提取、三维重建、体积显示、图像配准、临床诊断、病理分析、手术计划、治疗方案、疗效评估、影像信息处理、计算机辅助诊断等处理的一个必不可少的步骤。医学临床实践和研究经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量,从而得出该组织病理或功能方面的重要信息。精确的测量对疾病的诊断和治疗有重要的临床意义。在一段时间内多次测量同一种与某种疾病相关的组织的体积,可以得到病情发展的信息或用作治疗效果的监测手段[9]。如肿瘤学的临床研究经常用肿瘤收缩的程度和时间来评估治疗效果,将肿瘤大小的精确量化数值作为疗效的测度;肝脏移植供体与受体的肝脏体积测量与脉管分析是肝脏移植术前最重要的预评估工作;视网膜血管的形状、宽度、扭曲以及分叉等结构特征的变化可以直接反映各种眼科疾病对血管网络形态结构的影响,这些特征的变化对某些眼底疾病的早期诊断有重要的意义[11]等等,这些都与图像分割及其准确程度密切相关。此外,不同模式医学图像间的配准、血液细胞的识别和分类、血管造影图像中冠状动脉边缘的监测、乳腺片中微钙化点的检测、放化治疗、神经外科手术的计划与图像引导的手术等也都要求对组织成分的位置和大小精确定位和计算。对人体各种组织的正确分类不仅可以为临床组织病变提供计算机辅助诊断依据,而且也是图像三维重建和医学图像可视化的基础。由于人体解剖的个体差异较大,临床应用对医学图像分割的准确度和分类算法的速度要求又较高,目前虽然已有多种分割算法,但是远未达到完善。因此,医学图像分割领域的研究仍然是当前医学图像处理和分析的热点。
3图像分割与医学工程学生创新能力培养
图像分割实践是培养医学工程学生创新能力非常有效的途径。首先,由于医学图像实际获取设备与条件的不同,引起测量上的不精确性和不确定性,造成医学图像数据非常复杂,这给医学图像分割带来了极大的挑战。其次,图像分割方法灵活多样,能否熟练地、有针对性地应用这些方法解决医学图像分割领域的具体问题,是检查学生创新能力的非常有效的办法。第三,图像分割要求学生具有扎实的数学基础,熟练的编程能力以及知识的综合应用能力。现在的医学成像设备,如CT、MRT成像设备,它们自带的分割软件一般使用阈值分割的方法,尽管这些设备尤其是国外设备使用阈值分割的精度很高,但因阈值分割只是简单地根据图像的灰度值进行分类,因此,这一方法对于具有复杂背景、形状不规则的医学图像分割来说,具有自身的缺点。如对于肝脏CT图像的分割与三维重建,由于肝脏与周围器官的弱边界问题,单独应用阈值分割是很难解决问题的,因此,我们就要激发学生的创新思维,从模糊聚类、区域增长、数学形态学、水平集方法等角度加以思考。尽管如此,自动地分割某一个人的肝脏CT序列图像,也会遇到困难,这是因为(1)肝脏相邻器官或组织如腔静脉、肌肉等的灰度值与肝脏很相近;(2)由于造影剂影响、CT设备不同模态的设定对不同供体的肝脏和其它组织呈现出不同的灰度值,甚至同一供体不同切片都会如此;(3)CT图像不同切片的解剖结构不同,不同供体的肝脏形状差异显著,甚至会出现两三个分散的肝脏区域出现在同一个切片中;(4)肝脏形状是不规则的,它们延伸至腹部左侧与脾脏相连,由于这两个器官的灰度值范围几乎相同,即便人眼观察,也无法确定二者边界,因此,由于检测不到脾脏和肝脏的边界,一般算法无法完成分割。因此,我们可以启发学生应用神经网络的智能分割方法,根据上一切片的分割结果自动分割同一序列的下一切片图像,这样又会涉及到如何将肝脏的灰度信息、分块信息,以及相邻切片间的空间信息融合到一起,也就是说,如何构造神经网络的特征向量[12]。在肝脏分割的过程中,还会涉及到肋脊椎骨与肾脏的分割,这些器官如果单纯根据图像分割的方法是很难解决问题的,必须借助于医学解剖学知识,如对称性、连续性等[13、14]。再如,对于医生非常感兴趣的肝静脉与肝门静脉的分割与三维重建,由于注射造影剂后它们的灰度与周围的的肝脏区别明显,因此,采用阈值分割的方法就很容易得到所需的结果,但由于这两种血管灰度一致,因此,使用医院CT设备自带的软件三维重建后,它们是交织在一起的,这就不便于医生观察,甚至会发生混淆,这个时候就要启迪学生的医学知识应用能力,结合解剖学知识并应用图像分割方法解决这个问题。另外,通过对肝脏图像的分割,学生还可以进一步将这些知识和理论应用到非医学图像领域的分割。如结合单阈值分割,可以引导学生进行多阈值分割,并提出改进的方法[15];结合CV模型与LBF模型,可以引导学生通过高斯核函数改进CV模型图像拟合函数,得到加权形式的能检测局部区域灰度不均匀的函数;并针对当CV模型在低对比度图像中检测不同灰度目标时出现的误分割情况,提出一项全局约束函数,用于调控曲线在运动中兼顾检测梯度幅值不为零的点,并将改善的方法用于复杂的纹理图像分割[16]。
综上所述,对于学生的创新能力培养,我们如果能结合实际应用就能挖掘学生的潜能,开阔学生的视野,激发学生的学习热情,还可以提高学生理论与实践相结合的能力。在以上肝脏CT图像的分割例子中,可以看出,学生不仅需要一定的医学知识与医学影像基础,还需要一定的图像处理理论与智能模式识别理论,如模糊聚类、水平集方法、区域增长、数学形态学[17]、神经网络等,而且,更重要的是,通过肝脏分割这一简单的课题可以引申出一系列相关的课题,这些课题不仅具有内在的联系,也是相对独立的,而且层层深入,要求学生不仅要知识全面,尤其要能灵活运用,融会贯通。这对于学生的创新能力培养具有极大的价值,我们课题组的学生也通过这条途径,结合国家级、省级与校级的创新课题,学到了很多书本上学不到的知识,包括他们的团队协作能力和科研能力的提高,还发表了相应的学术论文[10,12-17]。
再比如,对于视网膜血管图像的分割,现在的文献中已有很多方法,包括传统的Gabor小波方法,匹配滤波(MatchedFilter,MF)方法以及它的改进算法,基于知识引导的自适应阈值分割方法等等,尽管这些方法都比较新颖,也能取得较好的分割结果,但都对视网膜中微小血管的分割无能为力。如果能够引导学生先对图像进行直方图增强,再经过二维Gabor小波的平滑处理,学生就会发现被“隐藏”的微小血管得到了呈现。由于水平集方法对较粗血管分割的优势,以及区域增长方法对微小血管分割的优势,学生自然就会找到最终的分割方法。尽管方法比较传统,但效果比其他方法都好,这样不仅加深了学生对以上各种图像分割算法的进一步认识,更大大激发了学生的科研热情,提高了学生的创新能力。还有,图像分割往往离不开对分割结果的比较与评价,高水平学术论文中,分割结果的比较与评价往往是一件很重要的事情,也是一件比较困难的事情,并且一般占了大量的篇幅,因此,在图像分割的学习与实践中,有意识地培养学生这方面的能力,也是值得重视的。这不仅要求学生有一定的图像分割知识积累,敏锐的思维,扎实的数学基础,娴熟的编程能力,更要有图像分割结果评估这方面的意识,而且这往往是我们中国学生最容易忽视的,他们往往认为只要分割结果出来就完成任务而不去关注。
概述
PACS是近年来随着数字成像技术、计算机技术和网络技术的进步而迅速发展起来的、旨在全面解决医学图像的获取、显示、存贮、传送和管理的综合系统[1-4]。PACS分为医学图像获取、大容量数据存贮、图像显示和处理、数据库管理及用于传输影像的局域或广域网络等5个单元[2,4]。
PACS是一个传输医学图像的计算机网络,协议是信息传送的先决条件。医学数字影像传输(DICOM)标准是第一个广为接受的全球性医学数字成像和通信标准,它利用标准的TCP/IP(transfercontrolprotocol/internetprotocol)网络环境来实现医学影像设备之间直接联网[3]。因此,PACS是数字化医学影像系统的核心构架,DICOM3.0标准则是保证PACS成为全开放式系统的重要的网络标准和协议。
1998年我院放射科与航卫通用电气医疗系统有限公司(GEHangweiMedicalSystems,简称GEHW)合作建成医学影像诊断设备网络系统,它以DICOM服务器为中心服务器,按照DICOM3.0标准将数字化影像设备联网,进行医学数字化影像采集、传输、处理、中心存储和管理。
材料与方法
一、系统环境
(一)硬件配置
1.DICOM服务器:戴尔(Dell)PowerEdge2300服务器(奔腾Ⅱ400MHzCPU,128MB动态内存,9.0GB热插拔SICI硬盘×2,NEC24×SCSICD-ROM,Yamaha6×4×2CD-RW×2,EtherExpressPRO/100+网卡;500W不间断电源(UPS)。
2.数字化医学图像采集设备:螺旋CT:GEHiSpeedCT/i,DICOM3.0接口;磁共振:GESignaHorizonLXMRI,DICOM3.0接口。
3.医学图像显示处理工作站:SunAdvantageWindows(简称AW)2.0,128MB静态内存,20in(1in=2.54cm)彩显,1280×1024显示分辨率,DICOM3.0接口。
4.激光胶片打印机:3M怡敏信(Imation)969HQDualPrinter。
5.医学图像浏览终端:7台,奔腾Ⅱ350~400MHz/奔腾Ⅲ450MHzCPU,64~128MB内存,8MB显存,6GB~8.4GB硬盘,15in~17in显示器,10Mbps以太网(Ethernet)网卡,Ethernet接口。
6.医学影像诊断报告打印服务器:2台图像浏览终端兼作打印服务器。
7.激光打印机:惠普(HP)LASERJET6LGOLD×2。kr~e6w=,N!''''#X_Ow+bafe~nNw法律论文b&mWw;\+?=u(tAvzA€\J?~^v=
8.集线器(HUB):D-LINKDE809TC,10MBPS。
9.传输介质:细缆(THINNET);5类无屏蔽双绞线(UTP);光纤电缆。
10.网络结构:星形总线拓扑(STARBUSTOPOLOGY)结构。
(二)软件
1.操作系统:螺旋CT、MRI、AW工作站:UNIX;DICOM服务器:WINDOWSNT4.0SERVER(英文版);图像浏览及诊断报告书写终端:WINDOWSNT4.0WORKSTATION(中文版)。
2.网络传输协议:标准TCP/IP。
3.网络浏览器:NETSCAPECOMMUNICATOR4.6。
4.数据库管理系统:INTERBASESERVER/CLIENT5.1.1。
5.医学图像浏览及影像诊断报告系统开发软件:BORLANDC++BUILDER4.2。
论文医学影像存档与通讯系统的开发与初步应用来自免费
6.医学图像浏览终端:GEHWADVANTAGEVIEWERSERVER/CLIENT1.01。
7.医学影像诊断报告系统:GEHW医疗诊断报告1.0。
8.刻录机驱动软件:GEAR4.2。
(三)系统结构
螺旋CT、MRI和AW工作站按照DICOM3.0标准通过细缆连接到主干电缆(细缆)上形成总线拓扑结构的DICOM网络;DICOM服务器与各图像浏览及诊断报告书写终端通过双绞线以集线器(HUB)为中心连接成星形拓扑结构的ETHERNET网络;二者再通过集线器连接成星形总线拓扑结构的PACS。螺旋CT、MRI、AW工作站各自通过光纤电缆与激光胶片打印机相连,进行共享打印。本PACS由如下各子系统构成:
CT/I:GEHISPEEDCT/I;AW2.0:SUNADVANTAGEWINDOWS2.0;MRI:GESIGNAHORIZONLXMRI;DICOM:DIGITALIMAGINGANDCOMMUNICATIONSINMEDICINE;ETHERNET网络:以太网络;T-BNC:同轴电缆接插件T型连接器;TERMINATOR:终结器;TRANSCEIVER:收发器;UTP:无屏蔽双绞线;THINNETCOAXIALCABLE:细同轴电缆
1.数字化图像采集子系统:从螺旋CT、MRI等数字化影像设备直接产生和输出高分辨率数字化原始图像至DICOM服务器,供中心存储、打印、浏览及后处理。
2.数字化图像回传子系统:将中心存储的图像数据回传给螺旋CT、MRI等数字影像设备,供打印、对比参考及后处理(三维重建等)。
3.医学图像处理子系统:在AW工作站及各图像浏览及诊断报告书写终端上进行调节窗宽/窗位、单幅/多幅显示、局域/全图放大、定量测量(CT值、距离、角度、面积)、连续播放和各种图像标注等。
4.医学影像诊断报告书写子系统:书写规范、标准的医学影像诊断报告。
5.图像中心存储子系统:图像短期内(5~7天)保存在DICOM服务器的硬盘中,当图像数据累积到一定数量(650MB)时,将其刻录到CD-R(COMPACTDISK-RECORDABLE,刻录盘)盘片上作为长期存储。
二、医学图像浏览及影像诊断报告系统
医学图像浏览及影像诊断报告系统使用的软件包是由航卫通用电气医疗系统有限公司(简称GEHW)提供的ADVANTAGEVIEWERSERVER/CLIENT1.01。该软件以WINDOWSNTSERVER/WORKSTATION4.0为操作平台,分为服务器端和客户端两部分:服务器端软件负责完成医学图像的传输、中心存储、数据库管理等任务;客户端软件具有医学图像浏览和影像诊断报告书写功能。
服务器端软件包括图像浏览、图像管理、光盘数据库和系统设置4个模块。(1)图像浏览模块具有简单的图像浏览功能;(2)图像管理模块包括存储、删除、图像输出等子模块,在这些子模块中通过以患者姓名、年龄、性别、CT号、检查序号、检查类型、检查日期等为关键词在DICOM服务器硬盘、光盘上查询所需图像并进行相关处理;(3)光盘数据库模块储存有每张光盘图像检索信息以备查询;(4)系统设置模块管理各输入输出设备的IP地址等。
医学图像浏览软件具有强大的图像处理功能,可以通过网络从DICOM服务器硬盘、光盘上调阅所需图像,并进行图像浏览和后处理。它包括窗宽窗位、图像、几何、网络、显示格式、连续播放等功能模块:(1)窗宽窗位模块通过预定义、用户自定义及精确设定窗宽窗位,使图像得到最佳显示,另外还可以通过鼠标左键进行调节;(2)图像功能模块可以对图像进行放缩(1~300倍)、滤波、对比度(-100~100)、旋转(0~360°)、三原色(RGB)色彩处理;(3)几何功能模块可以将图像垂直或水平翻转、加网格、负片处理、定量测量(CT值、距离、面积、角度)及标注等。经过后处理的图像可以直接输出至诊断报告系统或以不同文件格式存盘以供制作幻灯片
医学影像诊断报告系统软件镶嵌于医学图像浏览软件内,可以在浏览图像后直接书写诊断报告。医疗诊断报告主窗体上的输入项如姓名、性别、年龄、CT号、检查序号及检查日期可直接从数据库获取,报告日期由系统自动生成,科别、报告模板等项通过下拉菜单选择。检查所见、印象两项可直接从诊断支持库提取正常或常见病、多发病的检查所见、印象,直接或经局部修改后形成诊断报告主体。程序提供了撤消、剪切、复制、粘贴、清除、全选、字体等编辑功能。该软件可输出4种格式的诊断报告,其中可包含1~2幅典型图例。用户可通过1个或多个关键字段检索和调阅诊断报告。
结果
在上述PACS的硬件设备安装、组网完成后,在基础网络连接(TCP/IP)和DICOM水平传输这2个层次上,对PACS进行整体调试,成功地实现了数字化图像在PACS内的传送、中心存储、易机图像处理、不同操作系统(UNIX和WindowsNT)不同格式图像(Adv和Dic)在DICOM3.0标准水平的相互兼容和影像交流,以及PACS内影像诊断报告的书写、共享、打印等功能。1999年初PACS正式用于我科的CT及MRI室,显著提高了科室的工作效率及管理水平。
讨论
数字技术、计算机技术和网络技术的飞速发展带动了医学影像技术的突飞猛进的发展,同时也推动了医生工作模式的变革:要求医生逐渐习惯于在显示器的荧光屏上观看医学图像;通过计算机检索和调阅医学图像,并且调节窗宽窗位;通过计算机网络随时获取所需的医学图像及诊断报告等相关信息。
一、传统的医学图像处理方式存在的问题
(1)保存胶片需要很大的存放空间。(2)在显影、定影、冲洗、烘干、归档等环节上要耗费大量的人力和财力。(3)胶片库手工管理效率低,查询慢且容易把胶片归错档。(4)数年后由于胶片的老化使其上的图像变得模糊不清,给再次查阅和科研工作带来极大的不便。(5)把CT、MRI等图像硬拷贝到胶片上,固定的窗宽、窗位已经丢失了大部分原始信息,保留的只是操作医师认为有用的信息,图像无法后处理,丢失了对病人复诊和其他医师认为是有用的诊断信息。
二、PACS在影像学科中的应用价值
(1)利用PACS网络技术,在CT、MRI等影像科室之间能快速传送图像及相关资料,做到资源共享,方便医师调用、会诊以及进行影像学对比研究,更有利于患者得到最高的诊断治疗效益。(2)PACS采用了大容量可记录光盘(CD-R)存储技术,实现了部分无胶片化,减少了胶片使用量和管理,减少了激光相机和洗片机的磨损,降低了显定影液的消耗,节省了胶片存放所需的空间,降低了经营成本。(3)避免了照片的借调手续和照片的丢失与错放,完善了医学图像资料的管理,提高了工作效率。(4)可在不同地方同时调阅不同时期和不同成像手段的多幅图像,并可进行图像的再处理,以便于对照和比较,为从事医学影像学工作的医务人员和科研人员提供方便的工作、科研和学习的条件。(5)有利于计算机辅助教学,进一步提高教学质量。运用PACS可无损失地储存图像资料,待日后调阅发现有价值且符合教学内容要求的图像,标上中英文注释,利用PowerPoint软件制作成教学幻灯片,采用大屏幕多媒体投影仪示教。
规范的医学影像诊断报告书写功能,可打印出图文并茂的影像诊断报告。
三、诊断报告规范化、计算机化