医学图像论文范文

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。

篇1

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

篇2

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。

篇3

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。

篇4

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_O
w+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

篇5

法学基础理论教育是法学教育的基石，由于其所涉及的理论问题众多，与其他人文社会学科的交叉较多；长期以来，深受哲学、政治学、社会学和历史学的影响；最近一二十年又受到了经济学的重大影响，因此，传统法学教育以讲授、探讨为主，后来受到社会科学的影响，加入了社会调查和经济分析演算的模式。但是，法学教育与自然科学存在一定交叉，也能进行一些实验课程，典型就是犯罪学、侦查学方面的实验研究。在法律心理学方面，不仅能够进行法律心理学的社会研究，还能够进行生理、心理学方面的实验研究，典型的就是从事“法律与认知科学”交叉问题的实验研究。本文以“法律认知科学”（法律认知心理）实验为例，对法律实验问题进行探讨。

法律属于社会科学，作为法律基本理论的法哲学问题则既属于社会科学问题，又属于哲学问题。所以，法哲学属于人文社会科学。法律认知科学是指运用认知科学的一些理论和方法对法哲学的基本问题进行研究；法律认知科学是运用自然科学的方法研究人文社科的法哲学问题，其属于人文社会科学与自然科学的衔接。

与传统的法哲学讲授、讨论的方法不同，法律认知科学也可以采用实验的教学研究方法。但是，法律认知科学实验与自然科学（医学和生物学）实验有本质区别。一般的医学和生物学实验是研究生命体的生理状况和病变的医治问题，而法律认知科学的实验则是运用医学或生物学的手段，研究法律决策中生理心理过程，研究人文社科问题的生理基础。

法律认知科学实验的教学步骤如下。

一、实验之前的课程讲授

1.相关法哲学理论的讲授。法哲学理论的讲授，主要是介绍现有的一些法哲学流派和主要的法哲学观点争议，这为日后提出问题奠定了基础。法律认知科学的实验设计主要是运用生理实验解决法哲学问题或者部门法的主要问题，所以人文社科问题是实验的目的之所在。很多法律认知科学的生理实验流程大同小异，运用的设备相差无几，但是其所解决的法哲学问题却大相径庭，所以，相关的法哲学理论的基础必须夯实，否则实验就是无的放矢。

为了进行“法律认知科学”的实验，就必须让学生选修“法哲学”、“西方法律思想史”和各个部分法的法哲学课程（如“民法哲学”、“刑法哲学”、“诉讼法基础理论”等课程）。为此，我们开设了“西方法理学”和“法哲学”等课程。通过相关法哲学课程的讲授，并组织学生对部分重点问题、争议问题进行详细分析，提炼出核心争议之所在，由此设想日后可以进行实验的粗略方案。这一点也是体现“认知研究”与“治疗研究”之间的区别，体现我们研究的人文社科的目的指向（而非一般的自然科学或医学意义）。此外，我们还为法学硕士生开设了“神经元法学”和“法律认知科学”等课程，对此类问题的探讨更为专业、细致。

2.联系医院的医生前来讲课。由于课程具有跨学科性质，这种课程需要其他学科的知识。而本学科的教师虽然具有一定的跨学科知识背景，但毕竟其主导学科还是法学或法理学，在其他学科方面的学识显然不如这个领域的专家。所以，邀请其他学科的教师或研究人员前来授课就显得很有必要。而对于法律心理实验课程而言，这方面主要是请医院的医生前来上课。这里包含了以下三类，一类是神经科专业的医生，其为我们讲解脑神经系统的相关知识。部分高学历的医生由于拥有系统的硕士、博士乃至博士后的教育和科研知识，甚至还可能从事过“认知”领域的生理研究，就能够从“生理心理学”的“认知”角度为我们讲解实验设计的方案、流程等对实验特别有意义的问题。

3.带领学生前往实验室参观。由于法学专业学生对工科和医科的实验室一般都比较陌生，如果他们对医疗设备或者医学实验室没有相关的认识，就不可能设计出好的实验方案，因此，非常有必要让他们参观实验室或者医疗设备。在参观的过程中，由医务和实验人员进行相关知识的讲解，其中包括仪器、操作流程和仪器软件的介绍。老师和学生甚至可以进一步接触机器，如进入密封的磁共振室，躺入磁共振仪器内模拟作为实验的受试者。这样，他们能够亲身体会到躺在仪器内接受检查或实验者的境况，设计出更加切实可行的实验方案。

从事“法律认知科学”实验的仪器设备与“医学治疗和检查”的实验设备虽然相同，但是依旧存在一些差别。如磁共振机器，一般医学治疗目的进行的检查往往只需要运用“1.5T”级别的机器；虽然这种级别的机器也能运用于“法律认知科学”实验，但是相关实验对仪器的要求往往更高，通常要求是“3.0T”级，此级别仪器在普通医学检查中的运用就比较少；认知科学实验的磁共振仪器甚至使用到高达“12T”级别。

二、带领学生进行实验工作

1.通读实验报告。法律认知科学相关的实验论文很多，必须进行大范围的选题筛选。粗略筛选之后的论文，由任课教师组织学生进行研读。研读的目的有两个，一是看看研究现状，知道他人的研究进程、重点、热点和难点。通过这些研读，我们就能够根据现有的研究进度，选择尚未研究（发表的）而又可能比较重要的一些问题，这些问题就是日后实验选题的大致范围。

二是参考他们的研究手段、流程，对他们的研究方法进行借鉴。现在发表的论文，一般都会大致介绍实验的流程。然而，学术论文毕竟不是实验报告，其更多侧重于问题的提出、解决和分析，流程的介绍往往比较粗糙。当然，部分学术论文也有比较详细的实验流程，对此类论文的仔细研习，就能对实验设计产生比较大的影响。①

2.对主题进行社会科学的探讨。在进行文献研读的基础上，我们能够得出大致的可能的研究“主题”，这时返回法律社会科学领域，以法哲学的视角重新进行审阅，才能更好地获得“生理心理学”和“人文社会科学”之间的自然衔接。在生理自然科学领域可能可以从事实验研究的“主题”，还必须获得“法哲学”、“法社会科学”上的意义。因为，有的问题虽然在自然科学上具有很大的研究价值，然而从人文社会科学的角度看，其意义可能就会大打折扣（或者意义就不那么直接）。此类论文的价值更多是在“治疗性”而非“认知性”。很多人文社会科学（法哲学）的问题虽然意义重大，但从自然科学（生理心理学）的角度看，在现阶段却还缺乏研究该问题的“方法”和“设备”。所以，必须获得二者的协调和平衡。

主题的选定是法律认知科学实验的第一个难点。这个难点意指“我们要解决什么主题”，其既涉及“什么主题十分重要”，又指“对该主题的研究到什么程度”，还指“现在已经具备研究该主题的手段或方法”。

3.组织实验设计。从法律认知科学实验的角度看，组织实验设计的第一步是设计实验方案，这是最重要的一步。设计何种方案、设计何种场景、设计何种问题，以及何种音像、问卷材料，都关系到实验结果的真实与否。这也是法律认知科学实验的第二个难点。我们要设计出一些“场景”或者“问题”，让受试者在这种环境下能更真实地思考或者表达情绪，从而得出比较真实的实验结果。

西方国家在以往的研究中，存在比较巧妙的实验设计，例如对于道德中不公正问题的容忍情况，研究者在最后通牒实验中，部分受试者拒绝接受不公平的分配方案，这是其情绪化的表现。该实验设计如下②：19名（方案接受者，“responder”）接受磁共振扫描，共进行了30轮游戏，对手（方案的提出者，“offer”）部分是人，部分是计算机。每次都涉及10美元的瓜分。对手所提出的方案中，一半是公平的（对半开），剩下的为2次“9比1”，2次“8比2”，1次“7比3”；在这些方案中，方案提出者的分配比例较大，而接受者的比例较小。结果是，对于公平的方案，方案接受者都接受了；越不公平的方案，则参与者的接受率越低，“7比3方案”至“对半开方案”的所有方案（即“5∶ 5”，“6∶ 4”，“7∶ 3”）都被接受了。在“9比1”和“8比2”两种方案中，如果“方案提出者是人”，则其方案的接受率低于“方案的提出者是计算机”。这就意味着方案接受者对于不公平方案存有情感性反应。这种不公平引发的脑区为：两侧前脑岛（bilateral anterior insula）、背外侧前额叶皮层（dorsolateral prefrontal cortex，DLPFC）、前扣带回（anterior cingulate cortex）。这证明了两侧前脑岛（bilateral anterior insula）厌恶不公平，作为负面情感的脑区，其反映出了对于不公平方案的厌恶。诸如此类实验设计非常巧妙，就能够为我们进行相关实验提供设计上的参考或模仿。

4.进行预实验。在实验设计之后，有必要进行预实验，检验实验的可实施程度。这种预实验，可以提升实验者的信心，也可以作为申请相关课题的依据。更为重要的是，预实验还可以检测实验的可行性，对可能出现的问题或缺陷进行适当的修正。

在预实验之后，还必须进行志愿者的招募和筛选。

三、实验操作

实验操作是实验的核心状态。法律认知科学的实验流程具有自己的特殊性，其与医学实验相比通常更简单。其运用的仪器设备有核磁共振（FMRI）、眼动仪和脑电图等，其中核磁共振最为典型。该仪器不仅运用于医学治疗和研究，现在还广泛运用于认知科学的各类研究。核磁共振运用于法律认知科学的研究，主要优点在于其定位非常准确（虽然时间上稍有迟滞）。

由于实验的磁共振仪器操作是高度专业化工作（而且机器极为昂贵），只能由专业的实验技术人员进行操作，因此法学教师和学生不能从事，在此不做详细介绍。

四、实验之后的分析总结

实验之后的分析总结属于实验的后期工作，主要是数据、图像分析，以及人文社会科学分析总结。

1.数据、图像分析。数据分析具有客观性，需要专业的实验工作人员进行数据和图像的分析。法律认知科学实验主要运用核磁共振仪器，对于脑区图像的要求比较高，还需要比较好的核磁共振配套分析软件，对此进行精细的分析。此类软件一般只有磁共振专业技术人员才会使用，由他们进行相关数据图像分析比较科学。如果涉及大量的数据分析和必须建立数据模型，则还需要数学专业人士进行相关的工作。

此外，除了实验工作人员和数学人才外，还需要神经科专业医师或者认知神经学专家对此类数据和图像进行“认知神经心理”方面的分析。这种分析就是我们后期进行人文社会分析和理论化的基础。

2.进行相关的人文社会科学分析总结。与前一步工作的科学性和客观性相比，对实验结果进行人文社会科学的分析总结则具有一定的主观性质。我们需要从已有的数据和图像，根据我们需要解决的人文社科（法哲学）主题进行解读。这种解读是人文社科的解读，是运用实验数据和图像得出人文社科的结论。所以，一定的主观性是原有的实验设计思路和人文社科理论基础的延续。现有实验的理论分析，如道德的情感性实验，就需要根据道德哲学理论进行分析；“先天犯罪人”问题的实验，这就需要根据刑法哲学理论进行相关探讨。

五、注意事项

1.“主题的选定”、“实验设计”和“理论性总结”这三点是整个流程的重中之重。这三点工作如果没有做好，整个实验就是失败的实验。这三点如果做好了，实验获得成功的概率就非常大。

2.法律认知科学的实验需要人文社会科学（法律基础理论）和医学两个大领域（两大领域内还有各个小专业）的工作者进行跨学科的合作，尤其需要强烈的团队合作精神。因为随着知识分工越来越精细，知识总量的迅速膨胀，此类合作需要跨越多个传统学科。一方面，我们跨越的知识领域非常大，另一方面，在各种细微领域却依旧要求保持原有的严谨性（否则就违背科学的客观性）。所以，很难有一个人在多个领域内同时保有各个领域的专业技术水平。因此，为了在多个学科领域内的合作能够维系原有各个学科的严密性，我们只能求助于多学科专业人士之间的合作。这是完成此类工作的最佳模式，所以我们必须组建紧密团结的团队。

注释：

①在认知科学领域，例如以下论文：M.R.DELGADO,H.M.LOCKE,V.A.STENGER,J.A.FIEZ.Dorsal striatum responses to reward and punishment:Effects of valence and magnitude manipulations.Cognitive,Affective& Behavioral Neuroscience，2003，3（1）：27-38.

篇6

中图分类号:TP391.9文献标识码:A文章编号:1009-3044(2009)32-9032-03

Gray-scale Histograms Feature Extraction Using Matlab

LIU Yi-xin1, GUO Yi-zheng2

(1.Department of Computer, Jinshan Vocational Technical College, Yangzhong 212200, China;2.Department of information science and technology, Nanjing Normal University Taizhou College, Taizhou 225300, China)

Abstract: The feature extraction of image is a foundational work for image recognition, image data mining, content-based image retrieval (CBIR), etc. And it is a hot topic in the research of image now. This paper analysised and implemented CT liver image gray-scale histograms feature extraction using Matlab. The experiments proved that these features are different prominently between normal liver and abnormal liver.

Key words: gray-scale histograms; feature extraction; matlab; medical image

图像特征是用于区分图像内容的最基本属性,它们可以是原图中人类视觉可鉴别的自然特征,也可以是通过对图像测量和处理人为定义的某些参数。所谓特征提取是对研究对象固有的、本质的及重要的特征或属性进行量测并将结果数值化,或将对象分解并符号化,形成特征矢量或符号串、关系图的过程[1]。

医学图像内容丰富且结构复杂,提取有效特征来描述这些图像内容是医学图像分析和理解的重要内容。对于医学图像特征提取算法,大体可以分为三大类:颜色(灰度)特征提取[2]、纹理特征提取[3]和形状特征提取[4]。其中颜色特征是医学图像的重要特征之一,且广泛应用于图像处理系统中。在医学图像中,大部分是灰度图像,而不是彩色图像,因此与颜色特征相对应的是灰度特征。医学图像灰度特征,是利用灰度具有一定的稳定性,对大小、方向都不敏感,能表现出相当强的鲁棒性。

基于灰度直方图的特征提取是医学图像颜色特征提取中的一个典型算法。任何一幅图像的灰度直方图都包含了丰富的信息。图像的灰度直方图是表示一幅图像灰度分布情况的统计特性。图像的灰度直方图简称直方图,是图像处理中一种十分重要的分析工具。图像灰度直方图特征是医学图像的基本而重要的特征数据。本文对基于灰度直方图的特征提取进行了Matlab分析与实现。实验结果表明,正常异常肝脏图像的灰度直方图特征有明显差异,为图像分析与理解、图像检索、图像识别和图像挖掘等后继研究奠定了一定的理论基础。

1 灰度直方图的定义

一幅数字图像的灰度直方图就是一个灰度级的离散函数,可以用式(1)来表示图像灰度直方图的定义[5]。

(1)

其中i表示灰度级,L表示灰度级种类数,ni表示图像中具有灰度级i的像素的个数,N表示图像总的像素数。公式描述的是图像中具有该灰度级的像素的个数占图像总像素的百分比,即图像中具有灰度级i的像素出现的频率。其横坐标是灰度级,纵坐标是该灰度出现的频率。

图像的灰度直方图提供了该图像外观的一个全局描述,所提取的特征具有RST不变性,即旋转、比例和位移不变性,缺点是不能有效地表示图像的空间信息,如图1表示的是一幅医学图像的直方图示例。

2 基于直方图的统计特征

一般不是直接将医学图像的直方图作为特征,需要通过用一些统计量来反映图像的直方图,这些统计量通常称为直方图的统计特征。常用下列几种统计量来反映图像的直方图特征:

1) 均值(mean):均值反映的是一幅图像的平均灰度值。

(2)

2) 方差(variance):方差反映的是一幅图像的灰度在数值上的离散分布情况。

(3)

3) 歪斜度(skewness):歪斜度反映的是图像直方图分布的不对称程度,歪斜度越大表示直方图分布越不对称,反之越对称。

(4)

4) 峰态(kurtosis):峰态反映的是图像的灰度分布在接近均值时的大致状态,用以判断图像的灰度分布是否非常集中于平均灰度附近。峰态越小,表示越集中;反之,表示越分散。

(5)

5) 能量(energy):能量反映的是灰度分布的均匀程度,灰度分布较均匀时能量较大,反之,较小。

(6)

6) 熵(entropy):熵也反映了直方图灰度分布的均匀性。

(7)

3 灰度直方图特征提取的Matlab实现

以图2所示的肝脏CT图像为例。众所周知,灰度图像在计算机中的表示是一个M*N的二维矩阵,这里M=N=512。一个像素就对应着矩阵中相应位置的一个灰度值,由于灰度级是256,因此灰度值范围在0~255之间,最小灰度值0代表黑,最大灰度值255代表白。

对于肝脏CT图像,纯黑对应背景区域,纯白对应骨骼组织,这两部分对于图像的特征提取没有意义,因此公式中i的取值为1~254。以提取基于直方图的均值特征为例,程序如下。

tic

filename='1.bmp';

pi=imread(filename);

pix=double(pi);

s=double(zeros(254,1));

for i=1:512

for j=1:512

for k=1:254

switch pix(i,j)

case k

s(k)=s(k)+double(1);

otherwise

end

end

end

end

sum=double(0);

for k=1:254

sum=sum+s(k);

end

h=double(zeros(254,1));

for u=1:254

h(u)=s(u)/sum;

end

junzhi=double(0);

for i=1:254

junzhi=junzhi+i*h(i);

end

filename

junzhi

toc

上述代码运行结果如下,可见,图2所示的肝脏CT图像,其基于直方图的均值特征 ,程序运行时间0.938000秒。

filename = 1.bmp

junzhi =129.0577

Elapsed time is 0.938000 seconds.

现在随机抽取10幅正常肝脏CT图像(如图3所示)和10幅异常肝脏CT图像 (如图4所示)。比较其均值特征,如图5所示,由曲线图清晰可见,正常肝脏CT图像与异常肝脏CT图像在均值特征上差别明显,正常肝脏CT图像均值在129.2879左右,异常图像的均值在115.2091左右。值得注意的是,结果并非表明用这一个特征就可以完全区分正常肝脏与异常肝脏,细看曲线图可知,异常肝脏CT图像中第一幅图就无法使用均值判断其正常异常与否,仅仅使用均值就会误判。现实生活中,肝脏CT图像因拍摄位置、拍摄仪器等多方面原因,要想理想判断其正常还是异常,使用一个或一类特征是远远不够的。

图3 随机抽取的10幅正常肝脏CT图

图4 随机抽取的10幅异常肝脏CT图

4 总结

本文对基于灰度直方图的医学肝脏CT图像特征提取进行了Matlab分析与实现。特征的提取很重要,特征提取的好坏直接影响到图像识别、基于内容的图像检索、图像挖掘、图像分析与理解等后继工作的成败。由于医学图像与普通图像存在很大的不同,医学图像具有灰度分辨率高、所含信息量大、数据的巨量性、异构性、噪声显著性等特点,单一的特征提取方法都还不能很好的表达医学图像的内容,寻找适合医学图像的特征提取方法仍是一个需要深入探索的领域。

参考文献:

[1] 郭依正. 基于多特征融合的医学图像识别研究[D].镇江:江苏大学,2007.

[2] Yong Rui . Image Retrieval: Current Techniques, Promising Directions and Open Issues [J]. Journal of Visual Communication and Image Representation, 1999,10(3):39-62.

篇7

医学影像学由于其含有极其丰富的人体信息、各器官信息等,能以很直观的形式向人们展示人体内部组织结构、形态或脏器等,使得其在临床诊断、病理研究分析治疗中有着十分重要的作用,是医学研究领域中的一个重要研究方向,几年来,随着医学成像技术的不断发展,医学图像已经从早期的X光片发展为二维数字断层图像序列。医学影像学包含人体信息的获取以及图像的形成、存储、处理、分析、传输、识别与应用等,主要内容可以归纳为三大部分:医学影像物理学、医学影像处理技术和医学影像临床应用技术⑴。首先医学影像物理学指的是图像形成过程的物理原理,主要目的是根据临床需求或医学研究的需求,对成像的原理、成像系统进行的分析和研究,将人体内感兴趣的信息提取出来,以图像的形式显示,并对各种医学图像的质量因素进行分析。提取的信息可以是形态的、功能的或成分等一切与当前临床应用有关的感兴趣信息,信息载体可以是电磁波或机械波,所显示的形式可以是一维的、二维的甚至是三维、四维等不同层次的图像。

医学影像处理技术是指对已获得的图像作进一步的处理,如对其进行分析、识别、分割、分类等,从而得到我们临床研究所需的感兴趣信息,确定哪些部分应增强或某些特征需要特殊提取进行处理,其目的是使得原来不够清晰的图像变的清晰,易于分析,或者是为了提取图像中某些特征信息,对于特定的器官的分析,涉及到医学诊断的内容[2],重点是要对器官的切片图提取关键信息进行分析,如对于胃部切片图,我们在诊断胃癌的时候是要判断是否有淋巴结发生转移,这就需要首先对胃部切片图进行有效的分割,尤其是我们需要的胃壁周围的感兴趣区域,在正确分割的基础上,对于切片图中的目标进行分析,通过特定的方法识别切片图中的目标,从而可以实现辅助诊断的目的[3]。

1.2医学影像中多目标跟踪研究的现状

在计算机视觉领域的传统目标跟踪中,研究人员多采用基于分割的跟踪,即运动目标的跟踪被分为两大步:第一步,目标分割;第二步,目标跟踪。在医学图像多标跟踪问题中,要对图像上的目标进行精确的跟踪,首先是需要正确的图像分割结果,然后运用相应的跟踪方法得到我们所需要的跟踪结果。

1.2.1医学图像分割概述

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来,研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割,提出了不少新的分

第二章医学影像中的多目标跟踪

目前,大多数对于医学影像中多目标跟踪的研究主要是基于医学图像分割的结果之上的,所以医学影像中的目标跟踪主要分为图像分割、图像跟踪两部分。图像分割主要是为了提取感兴趣区域,通过相关的图像分割方法得到我们所需要的待跟踪的图像,得到分割图像后采用跟踪的相关方法对研究的目标进行跟踪、识别,得到医学影像中目标的一些关键信息,如其面积变化、位置变化、轨迹信息等。

2.1医学影像中的图像分割

图像分割就是运用特定的方法把图像分成若干个特定的区域并提取感兴趣区域的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来,研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割,提出了不少新的分割方法。

2.2医学影像中的多目标跟踪

在计算机视觉研究领域中,运动目标跟踪一直是科研人员研究的重点。所谓序列图像中的运动目标跟踪,简单来说即是确定目标在巾贞与顿之间的联系。同样,作为多医学图像显微图像中的医学图像跟踪,即是要在帧与顿之间,多医学图像混合中,找到相同医学图像的一一对应关系。从第一巾贞图像直至最后一帧图像,完成整个图像序列中医学图像的匹配,实现整个医学图像跟踪。从本质上来说,医学图像跟踪方法与传统的目标跟踪方法没有太大的区别。是在医学图像序列这个特定环境下,算法需要做一些相应的变化和改进,去适应医学图像运动的一些特性,这样才能达到理想的跟踪效果。由于目标跟踪技术在计算机视觉领域发展良久,优秀的目标跟踪技术门类众多,目标跟踪算法的分类没有明确的标准。根据视频序列中被跟踪目标的数目,跟踪方法可以分为单目标跟踪和多目标跟踪。根据目标跟踪前,是否使用分割,跟踪方法可以分为基于分割的跟踪和基于视窗的跟踪:基于分割的跟踪是在分割后的结果中提取目标信息再进行跟踪;而基于视窗的跟踪不需要对图像进行分害只要指定目标的区域,不过因为医学图像中目标运动多样性,医学图像大都采用基于分割的跟踪方法,跟踪方法有几类基本的框架:先检测后跟踪,先跟踪后检测,边跟踪变检测,检测利用跟踪来提供处理的对象区域,跟踪利用检测来提供需要的目标状态的观测数据,医学图像当中主要是先跟踪后检测。此外,根据跟踪目标提取的不同特征,目标跟踪方法可以分为基于颜色、基于形状、基于区域和基于点特征等跟踪

第一章绪论……………………1

1.1医学影像中多目标跟踪的背景和意义…………………1

1.2医学影像中多目标跟踪研究的现状……………………3

1.3本文研究的主要内容及论文安排…………………… 5

第二章医学影像中的多目标跟踪……………………7

2.1医学影像中的图像分割……………………7

2.2医学影像中的多目标跟踪……………………11

2.3本文中采用的方法……………………14

篇8

Abstract：In order to enhance the image contrast as well as to represent the image details， we propose a new multi-scale contrast enhancement algorithm which separates the low frequency signals and the high frequency signals of the image in logarithmic domain， processes them separately by using HE method and local contrast enhancement. This method integrates HE and local contrast enhancement and finally produces a visually comfortable result image.

Key words：Medical image;Ttransform domain; Local enhancement;Histogram equalization; Retinex

1 引 言

数字X线摄影(DR)图像在医学诊断中有着广泛应用，能够帮助医生发现病灶、提高诊断正确率。但由于人体结构和组织的复杂性，以及数字X线成像系统中X线散射、电器噪声、光量子噪声等各种不利因素的影响，使得DR图像成像效果不尽如人意，影响医学诊断的正确性。因此，对DR图像进行处理是必不可少的。[1]

未经处理的DR图像有如下特点：信息量大，对比度低，细节丰富但湮没不可分辨。另外，图像常常伴有较为明显的椒盐噪声。因此，对于DR图像的图像增强算法，要求能够在提高图像的动态范围、增强对比度的同时，尽可能抑制噪声的放大。

直方图均衡是图像增强处理最为常用的方法之一，是将给定图像的直方图分布映射成为均匀分布的直方图，从而提高图像的动态范围，增强图像对比度。但直方图均衡存在一些缺陷，例如当图像灰度集中于某个灰度值时，经过直方图均衡的图像会出现“洗白”的效果，见图1。另外，基于直方图的图像增强方法利用的是图像的灰度统计信息，并未考虑到图像灰度在空间上相关性。

局部对比度增强方法，能够显著提高图像局部的对比度，但同时对于噪声有放大作用，且对全局对比度的提高没有显著作用。

综合以上考虑，我们提出一个结合局部增强和全局直方图均衡的算法。主要原理是在不同尺度上提取图像细节予以增强[2-3]，并根据Retinex理论对图像照明分量用直方图均衡方法进行处理，最后对上述高低频分量进行混合，使之在图像动态范围得以改善的同时也能增强局部对比度，最终得到较好的视觉效果。

2 算法与分析

2.1 Retinex模型

按照Retinex图像理论[4-5]，一般自然景物的图像f(i，j)可以用照明函数I(i，j)和反射函数R(i，j)的乘积来表示，照明函数描述景物照明，与景物无关;反射函数R(i，j)包含景物的细节，与照明无关。基于该模型，定义理想的图像f(i，j)为：

f(i，j)=R(i，j)×I(i，j)

利用对数函数，可以将两者分开，同时也符合人眼主观亮度近似为客观亮度的对数这一视觉特性。

ln〔f(i，j)〕=ln〔R(i，j)〕+ln〔I(i，j)〕

一般认为，照明分量的频谱落在空间低频区域，通常具有变化缓慢的特性;而反射分量的频谱落在空间高频区域，随着图像细节不同在空间上迅速变化。若物体受到照明度明暗不均时，图像上对应照度暗的部分，其细节就较难分辨。

2.2 局部增强技术

医学X光图像大多存在对比度不足的缺陷，但仅仅利用全局信息的增强技术往往不能够达到很好的对比度增强效果。

局部增强技术是解决该问题的途径之一。一般认为，窗口中心的像素灰阶与窗口邻域中所有的像素灰度值相关[6]。本研究利用局部窗口中像素灰度均值作为基准，计算窗口中心像素灰度与均值的差，并按照一定的拉伸函数对差值进行拉伸，从而增强局部对比度。

y(m，n)=u(m，n)+A(x(m，n)-u(m，n));

其中，u(m，n)表示局部均值，A表示增益系数。增益系数的选择对于图像处理效果也有较大影响。若选择常数作为增益因子，在灰度陡然变化的边缘部分往往会出现伪影，且无法控制噪声的放大。所以，一般将增益因子看成是关于原始图像的函数，找到合适的增益函数较为困难[7]。

经过多次实验，我们采用了幂函数形式的增益函数y=bxa，见图2。

图2 归一化增益函数图像

Fig 2 Normalized gain function figure

通过对a值的选择，可以按不同的曲线对归一化差值进行拉伸。选择a=0.8的曲线(图中红色曲线所示)，使差值较小的部分拉伸幅度较大，而差值较大部分拉伸幅度较小。利用这样的增益函数，使许多被湮没的细节得以显现。

2.3 算法思路与基本步骤

本研究的主要思路，在对数域上[8]对图像在大、中、小三个尺度下进行高频/低频信息的分离，使原图中各个尺寸的结构和细节显现在不同尺度下，并在不同尺度下实行局部对比度拉伸，从而凸显细节。

在此基础上，结合Retinex理论，将最大尺寸下分离出的低频图像看成是原图像的照明分量，对该部分图像进行直方图均衡，使其有较为均衡的灰度分布。

最后对各个尺度下的分量进行混合，映射到灰阶域。基本步骤如下：

(1)对图像进行一次中值滤波，旨在消除图像中明显的椒盐噪声。

(2)利用对数变换ln(·)将原图像x(i，j)转换到对数域T(i，j)。

T(i，j)=ln〔x(i，j)+1〕;

(3)在对数域上，利用均值滤波器实现低通滤波，得到图像的低频部分。

LPL{T(i，j)｝=1L×L∑i+L2m=i-L2∑j+L2n=j-L2T(m，n)

相应的，得到图像高频分量：

HPL{T(i，j)｝=T(i，j)-LPL{T(i，j)｝

高频分量往往体现了图像的细节。考虑到医学DR图像中信息丰富、结构复杂，通过控制滤波窗口大小，分别在大、中、小三个尺度上提取图像细节，并按一定增益系数进行局部对比度增强，以凸显不同尺度的细节。

T′(i，j)=LPL{T(i，j)｝+AL×HPL{T(i，j)｝+

LPM{T(i，j)｝+AM×HPM{T(i，j)｝+

LPS{T(i，j)｝+AS×HPS{T(i，j)｝

(4)结合Retinex理论，可以将大窗口滤波下的低频分量看成是滤去图像细节的照明部分，对这一部分进行修正——直方图均衡，使图像照明分量有更为均衡的灰度分布，则

T″(i，j)=LP″L+AL×HPL{T(i，j)｝+

LPM{T(i，j)｝+AM×HPM{T(i，j)｝+

LPS{T(i，j)｝+AS×HPS{T(i，j)｝

(5)对这三通道增强结果平均，最后利用指数变换将结果变换到灰阶域，得到最终的增强结果。

流程见图3。

图3 算法整体流程图

Fig 3 Flow chart of the algorithm

3 实验结果与分析

图4所示是人体侧脊DR图像在不同处理方法下的效果图。图4(a)为原始图像;4(b)为基于直方图均衡方法处理后的效果图;4(c)为多尺度的局部增强算法处理后的效果图;4(d)是本研究论述的算法处理后的效果图。可以看出，基于直方图均衡方法处理后的图像有明显的动态范围增大，但细节丢失严重，有“洗白”现象发生，无法清晰看到侧脊形态和细节，不利于医生诊断。而图4(c)中多尺度局部增强算法的使用，明显增强了图像局部对比度，对于细节部分表现良好，但图像整体偏暗，人工处理痕迹明显，失去DR图像真实感，视觉上有所欠缺。

而图4(d)，对比((b)、(c)图像，可以发现，本研究论述的方法结合了直方图均衡方法和局部增强两种方法的优点，提高图像动态范围的同时，局部对比度也显著提高，凸显图像细节。

图4(a)原图;(b)基于直方图均衡处理效果图;(c)多尺度局部对比度增强效果图;(d)本文论述算法处理后的效果图。

Fig 4 (a) Original image; (b) Enhancement result by HE method; (c) Enhancement result by multi-scale local enhancement method; (d) Enhancement result by the proposed method of our article

通过滤波器窗口大小的选择，可以对不同尺度细节加以提取增强。医学图像具有其复杂性，不同部位细节尺度不同，应对图像进行分析后，确定细节大小，再决定滤波器窗口大小。图5中胸片(局部)的大中小滤波窗口分别选择为S=11，M=21，L=121。最大的滤波窗口一般选择较大尺寸，将该尺度下的滤波后图像作为照明分量。可以看出，选择合适的滤波器窗口，可以使不同尺度的细节，如胸骨、肺纹理都得到增强。

需要指出的是，窗口越大，均值滤波耗费的时间越长。该算法需要在三个尺度上进行滤波，即使使用了均值滤波的快速算法，依然需要较长时间，以秒为单位计。另外，增益函数的选择也较为困难，本研究中增益函数是在多次实验的经验积累下确定的，不具有自适应性。这两部分需要进一步实验探究。

图5(a)为原图，图5(b)为用本文方法处理后的图像。从图中可以看出不同尺度的细节都得到较好的增强。

4 结论

本研究论述了一种基于人眼视觉特性的多尺度图像增强方法。在多尺度上进行局部增强，并在Retinex理论基础上，结合直方图均衡处理算法对图像进行处理，处理后的图像结合两种算法的优点，有较好的视觉效果，是一种适合于医学DR图像的增强算法。

参考文献

[1]杨词银.基于人眼视觉特性的数字X线医学图像增强方法的研究[D].中国科学院博士学位论文，2003.

[2]Boccignone， Picariello.Multiscale contrast enhancement of medical images[C].Proceedings of the 1997 IEEE International Conference on Acoustics， Speech and Signal Processing (ICASSP '97).

[3]Eli Peli.Contrast in complex images[J].J Opt Soc Am，1990，(7)：10.

[4]Land E and McCann J.Lightness and the retinex theory[J].J Opt Soc Am，1971，61：1-11.

[5]肖燕峰.基于Retinex理论的图像增强恢复算法研究[D].上海交通大学硕士论文， 2007.

篇9

【关键词】图像空间域滤波增强 医学图像技术 平滑 锐化

“图”是物体透射光或反射光的分布，“像”是人的视觉系统对图的接收在大脑中形成的印象或认识。前者是客观存在的，而后者为人的感觉，图像应是两者的结合。

图像处理就是对图像信息进行加工处理，以满足人的视觉心理和实际应用的要求。但从处理图像的立场上来看，计算机是以数字的形式来处理图像的。在计算机处理出现以前，图像处理都是光学、照相处理和视频信号处理等模拟处理方法。在模拟处理中，从原理上讲只能进行相当有限的处理，而用计算机进行数字处理，则具有用程序自由地进行各种处理的灵活性。为此，数字处理随着计算机的飞速发展，取得了惊人的进步。

图像增强技术的目的是对图像进行加工，以得到对具体应用来说视觉效果更“好”，更“有用”的图像。一幅图像经过图像的生成、复制、扫描、传输或变换以后，由于多种因素的影响，输出图像“质量”或多或少地有所降低或退化。

一 图像技术在医学中的应用

随着计算机技术的发展，计算机医学图像技术已广泛应用于现代医学及生物医学研究和临床领域。这类医学图像技术主要包括：计算机X光断层扫描技术（CT）、核磁共振图像技术（MRI）、计算机单探头光子断层扫描技术（SPECT）以及计算机正电子断层扫描技术（PET）。以这些医学图像技术为基础的医用图像处理将实现医学界“将人体变为透明”的目标。

利用医学图像技术所摄制的不论是X光照片还是CT照片都是为了给医生作诊断的依据。而对摄入的图像或从射线重建的图像，其识别分析的全过程都要求图像的改善。任何一幅未经处理的原始图像，都存在着一定程度的噪声干扰。噪声恶化了图像质量，使图像模糊，甚至淹没特征，给分析带来困难。

这次论文的目的是对图像进行空间域滤波增强处理，即对图像进行平滑和锐化，以消除噪声和突出图像特征。

二 医学图像处理设计说明

为了达到对图像的处理，用C语言进行编程,并在Visual C++环境下运行得到实现。

邻域运算是对图像进行平滑处理常使用的一种算法，模板运算实现了一种邻域运算，即某个像素点的结果不仅和该像素的灰度有关，而且和其邻域点的值有关。平滑模板的思想是通过一点和周围8个点的平均来去除突然变化的点，从而滤掉一定的噪声。在这设计里，运用到了Box模板和Gauss模板。

Box模板为：

它虽然考虑了邻域点的作用，但并没有考虑各点位置的影响，对于所有的9个点都一视同仁，所以平滑的效果并不理想。可想象，离某点越近的点对该点的影响应该越大。为此，引入了加权系数，将Box模板改造为：

这称为Gauss模板。可看出，距离越近的点，加权系数越大。这两模板对图像的处理可由附图（1）所示。

原来的图像 Box模板处理 Gauss模板处理

median(水平方向)处理 median(垂直方向)处理 Laplacian处理

附图（1）

由附图（1）中可看出经Box模板和Gauss模板处理后图像的边缘模糊。如果采用中值滤波，它是一种低通滤波器。中值滤波是把以某点为中心的小窗口内的所有像素的灰度按从大到小排列，将中间值作为处的灰度值。在这里，把中值滤波只考虑一个水平方向或一个垂直方向。结果由附图（1）所示，可看出中值滤波对图像在去除噪声的同时还能保护边缘。

但如果给原来的图像加入1.5%的高斯噪声，再按以上的方法对图像进行处理。

1.5%噪声 Box模板 Gauss模板处理

median(水平方向)处理 median(垂直方向)处理 Laplacian处理

附图（2）

可以由附图（2）看出，加入一定的高斯噪声的图像经过Box模板处理，噪声幅度有所下降；Gauss模板对去除Gauss噪声非常有效；但中值滤波对于高斯噪声则无能为力。

在设计里运用到拉普拉斯（Laplacian）算子，是为了对图像进行锐化处理。锐化处理在增强图像边缘效果的同时增加了图像的噪声，由附图（1）和（2）所示。在这里，仍采用模板运算，即拉普拉斯（Laplacian）模板。它表示为：

其作法是：先将自身与周围的8个像素相减，表示自身与周围像素的差别；再将这个差别加上自身作为新像素的灰度。锐化处理的结果是灰度突变处的亮点变的更亮，增加了图像的噪声。

三 实验结果讨论

运用平滑模板如Box模板和Gauss模板对图像进行了消除噪声处理，但使图像的边缘灰度趋向均匀化，以致使图像边缘模糊。

可以发现，运用Gauss模板实现平滑效果的同时，图像要比用Box模板处理的清晰一些，是因为运用Gauss模板引入加权系数，考虑了不同位置点的影响。离某点越近的点对该点影响越大。

采用中值滤波可以既消除噪声有保持图像边缘，但本次实验却对所加的Gauss无能为力，是因为Gauss噪声是杂乱无章，随机分布的。而中值滤波是容易去除孤立点、线的噪声和脉冲噪声。

对图像进行锐化处理是为了增强图像边缘，提取图像中感兴趣的部分，但对一幅具有噪声的图像，如进行锐化处理，则更增强了噪声，反而达不到增强图像边缘的目的。

四 结论及本文需进一步解决的问题

采用中值滤波，它在保持图像边缘的同时，并不能对所有的图像的干扰噪声都行之有效，像对高斯噪声它就毫无办法。并且中值滤波花费时间长，不利于图像的快速处理。因此，尚需努力找到解决清除噪声的同时又能解决边缘模糊这对矛盾的最佳平滑方案。

本文处理的图像是在实验室条件下的图像，实际情况下的医学图像由于人体结构非常复杂的原因而并不简单，对目标识别和处理具有一定的难度。

参考文献

［1］ 数字图像处理（修订版） 夏良正主编 东南大学出版社 1999年

篇10

1.2 研究背景和意义

近年来,各医院不断引进先进的数字医疗设备,产生了大量复杂并蕴含丰富信息的医学图像。医学图像除了具有图像特征信息难以表达的特点外,还具有高分辨特性,异构性和噪声等显着特性。医学图像不同于其它类的图像,它是患者的组织器官信息在图像上的反映,通过医学图像的挖掘对患者的准确诊断及治疗都具有十分重要的意义。目前,医生在进行临床诊断时,多数依靠个人的临床经验和通过肉眼观察图像中的病变区域进行临床诊断。这样显然带来以下不足:(1)人眼对图像的识别能力有限,这样客观存在而肉眼无法识别的医学图像信息就会丢失,降低了医学图像信息的利用率;(2)对于临床经验不够丰富的医生,凭借临床经验进行诊断,诊断准确率不高;(3)不同医生对同一图像的诊断结果不同,这样就会有误诊或漏诊的可能;(4)对于多个图像,医生对其诊断势必会耗时很多。作为人体的高级神经中枢所在地,脑组织的机能是否正常直接关系到一个人能否正常生活,因此发生在脑组织的疾病历来都深受医学界的高度重视。脑部疾病(尤其是脑瘤)严重影响人的生活甚至危及生命,而利用无损伤的医学图像及早发现病变已经成为全球性防癌抗癌的发展趋势。因此及早的发现病变信息和提高诊断能力就变得愈加迫切和重要

第 2 章 数据挖掘相关知识

数据挖掘能从海量的数据中挖掘出有用的信息或知识即将数据转换为有用的信息或知识,自产生以来一直受到广大研究者的关注。人们在不断的研究中,发展了数据挖掘技术并将这些技术应用到各个领域。下面将给出数据挖掘的相关概述并对数据挖掘中的分类进行详细描述。

2.1 数据挖掘概述

随着信息技术不断发展,各行各业产生了大量的数据并且先进的科技为这些数据的存储提供了支持。虽然这些数据中蕴含着许多有用的信息,但是却没有可用的工具从海量的数据中获取信息,一时间人们陷入了知识获取困难的境地,迫切需要跨过数据与知识之间的鸿沟,数据挖掘就是在这种需求下产生的。简言之,数据挖掘就是利用有效的挖掘工具,从海量数据中提取出对研究有意的知识。数据挖掘的全过程定义描述如图 2.1 所示。

2.2 分类的概述

每天我们都会做出一些决定,例如出行前是否需要带伞,当天的天气是否适合晾晒被子等。为了给出较为准确的决定,我们就要当前的具体情况信息并结合自己的经验知识对收集的信息进行分析和评定,最终给出决策信息。在决策的过程中,我们必须掌握足够的信息才能保证决策的可靠性。这种可靠性可能是造成最少的损失,给出最优解等。如何从大量的信息中给出可靠的决策,这就是数据挖掘领域研究的分类问题。分类是数据分析的形式之一,可以用于对海量数据的模型提取或发展趋势的预测。它首先找出对象之间的共性,然后按照分类模型对它们进行分类。例如,可以通过建立分类模型,对是否会购买电脑的人群进行分类;也可以通过建立分类模型,给出病例的诊断分析等。分类已成为数据挖掘方法中一种重要的分析手段。分类是一种有监督的学习,它通过对带有类别标号的训练集的分析和归纳生成分类模型,并通过分类模型给出测试数据的类标号。数据分类通常分为两步:第一步

第 1 章 绪 论.................1

1.1 引言.....................1

1.2 研究背景和意义..............2

1.3 国内外研究现状.................3

1.4 问题的提出...................4

1.5 研究内容....................5

1.6 论文的组织结构..............5

第 2 章 数据挖掘相关知识.............7

2.1 数据挖掘概述....................7

2.2 分类的概述..................9

2.3 决策树分类......................10

2.4 集成分类.....................14

篇11

现今，伴随着信息技术的迅速发展与用户需求的逐年提高，嵌入式系统的应用逐年扩大，已经逐渐的融入到了国民生产的诸多方面。嵌入式系统具体讲，就是一种拥有特定功能的计算机系统。嵌入式系统与网络技术、通信技术有机结合，有效的提高了通信的智能性与灵活性。应用嵌入式系统对图像进行处理，可以显著的提高图像处理系统的数据处理、通信等能力，进而有效的扩大图像处理技术的使用范围，以及对于不同要求与环境的适应能力。应用嵌入式系统进行图像处理，是进行图像处理的新的途径之一。当前图像处理技术应用范围十分广泛，涉及仪表检测安全、消费电子、工业自动化、医学等领域，因此图像处理技术具有十分广泛的应用前景。

1嵌入式图像处理系统特点

1）图像处理系统，具有系统专用的图形用户界面，同时具备运行速度快、简单易用与功能强大的特点。2）图像基础数据库的建立，可以为智能化模式识别技术，诸如图像匹配等提供支持。3）改变了原有的对待处理图像的处理策略与算法，可以依据具体的待处理图像的不同特点，提供有效的图像处理算法，进而提高图像处理的效率与速度。4）对于外部图像的总线结构与输入输出设备等都是采取专用的设备，进而有效的提高了外部图像输入输出设备、中央计算单元的数据交换速度。5）改变了原有的计算机体系结构，应用了嵌入式的专用平台，同时应用图像高速处理器，使图像处理的速度有效的提高，同时也提高了图像处理任务的实时性。

2图像处理系统总体设计

2.1嵌入式图像处理系统

嵌入式图像处理系统，具体由嵌入式操作系统、图像处理算法的应用软件与硬件平台构成。系统的组成结构图具体如图1所示。硬件平台可以为图像处理提供显示、存储器与计算支持，主要采用的是MagicARM2410嵌入式开发平台，同时包括图像存储模块；显示模块；通信模块；嵌入式处理器S3C2410、SDRAM等。

2.2图像处理过程

嵌入式操作系统，可以为底层硬件提供有效的技术支持与管理，诸如可以进行图像处理任务管理；中断管理；内存管理；任务管理；驱动支持等。首先，在系统启动后，经由引导程序启动操作系统，进而完成硬件的初始化。其次，经由操作系统的任务管理模块，进行内存的分配，同时将图像信息存储在存储器的视频缓冲区中。第三，经由软件算法，将显示缓冲区的图像信息，写入到LCD缓冲区，进而实现图像的实时显示。第四，通过图像处理的算法，进行图像的编码与处理，同时进行存储。应用软件可以实现图像处理算法，其主要是针对目标要求编写的专用程序。

2.3系统的功能设计

嵌入式图像处理可以有效的解决在嵌入式环境下实现图像的处理。具体的主要应用模块化设计的方式，将需要系统完成的任务进行功能模块化的设计。在每一个模块中，都包含一类图像处理的操作方法，而且在进行执行时都会调用对应的算法。系统功能模块具体如图2所示，主要分为形态运算；几何变换；图像分析；图像增强。其中图像增强的模块具体又包括：灰度变换调整；直方图修正法；直方图等，具体如图3所示。各大系统模块的下面都会细分图像的处理操作，其余的三个模块的设计形式与图像增强模块的设计具有相似性。

3图像处理系统发展趋势

1）在图像处理系统的内部，主要进行集成软件的开发，对于用户而讲，可以依据自己的需求开发相应的图像处理算法，可以显著的提高系统的效率。2）图像处理系统与网络的结合性逐渐提高，进而实现了图像的远程传输与采集。3）图形处理系统的功能不再完全借助PC与多种辅助设备，而是会集成在一个方便使用的电子设备上。4）伴随硬件设备的进步，图像处理系统的性能逐年提高，因而价格也会逐年下降。

4结语

在嵌入式系统的图像处理技术的基础上，使得图像处理领域中出现了人机用户界面、多种通信模式与网络接口的便捷性。图像处理技术的应用范围越来越广泛，因此，在未来的发展道路上，其必然会朝着网络化、便携性、多任务与多功能的方向发展。伴随着嵌入式操作系统的强大功能，图像处理技术的发展方向必定会更加宽广。

[参考文献]

[1]崔磊,董守平,马红莲.数字图像处理技术的发展现状与展望[M].北京:中国石油大学出版社,2003.

[2]刘禾.数字图像处理及应用[M].北京:中国电力出版社,2005.

[3]杨永敏.嵌入式图像处理系统的研制[D].哈尔滨工业大学硕士学位论文,2006.

[4]杨柯.嵌入式图像处理技术研究及其应用[D].西北工业大学硕士学位论文,2003.

[5]宋延昭.嵌入式操作系统介绍及选型原则[J].工业控制计算机,2005.

篇12

[摘要] 目的 探讨Care KV技术于胸部低剂量CT体检中的价值。方法100例胸部健康体检者分成两组：A组采用常规胸部低剂量CT扫描方案，固定管电压120 kV，B组采用 Care kV技术，参考管电压120 kV，其他扫描条件两组一致：采用管电流自动调节技术，参考管电流50 mAs。扫描后分别用客观和主观图像质量指标综合评价两组图像的质量，并记录CTDIvol、DLP，计算ED，然后进行统计学分析。结果 AB组图像质量比较差异无统计学意义；AB两组受检者吸收有效剂量分别为（1.18±0.29）mSv和（0.82±0.24）mSv ，B组较A组分别降低了30.5%。结论 CareKV技术在胸部CT扫描中可在保正图像质量不变的情况下降低辐射剂量。

关键词 CareKV技术; 胸部；体层摄影术，X线计算机；辐射剂量

[中图分类号] R725[文献标识码] A[文章编号] 1674-0742（2014）08（c）－0005-03

The Application Value of Care KV Technology in the Thorax Low Dose CT in Physical Examination

ZHUO Shuiqing1CHEN Xiaoling2JIANG Dongping1YU Jingping1CUI Baoyi1

1.Department of Imaging， Sun Yat-sen University Cancer Center/ State Key Laboratory of Oncology in South China/Collaborative Innovation Center for Cancer Medicine， Guangzhou， Guangdong Province， 510060， China;2.The First Affiliated Hospital， Sun Yat-sen University， Guangzhou， Guangdong Province， 510089， China

[Abstract] Objective To study the value of Care KV technology in the thorax low dose CT examination. Methods 100 cases underwent chest physical examination were divided into two groups: A group was treated with routine thorax low dose CT scanning scheme， fixed tube voltage 120 kV， B group was treated with Care KV technology， reference voltage 120 kV. The other scanning conditions of the two groups were consistent: adopting tube current automatic control technology， the reference tube current 50mAs. After the scanning， the quality of two groups of images was evaluated by objective and subjective image quality indexes comprehensively， and CTDIvol and DLP were recorded， ED was counted， and then were statistically analyzed. ResultsThere was no statistically significant difference in image quality between A group and B group; the absorbed effective dose of A group and B group was (1.18 ± 0.29) mSv， (0.82 ± 0.24) mSv， respectively， the absorbed effective dose of B group decreased by 30.5% compared with that of A group， respectively. Conclusion Care KV technology in the thorax CT scan can reduce the radiation dose under the condition of ensuring the image quality unchanged.

[Key words] Care KV technology; Chest; Tomography， X-ray computed; Radiation dose

[作者简介] 卓水清（1970-），男，广东连平人，学士，主管技师，主要从事医学影像技术工作。

CT在肺癌筛查中的广泛应用，已成为医源性辐射的主要来源[1]，因此，低剂量CT的应用成为研究热点。降低辐射剂量的方法有直接降低管电压或管电流、增加螺距、缩短扫描时间等，但各种方法都在降低辐射剂量的同时也降低了图像质量。随着CT技术的迅猛发展，迭代重建技术和管电流自动调制技术（CARE Dose4D技术）的应用，实现了在降低辐射剂量的同时保持图像质量不变[2]。该研究旨在探讨CareKV技术—智能最佳kV扫描技术在胸部CT体检中的应用价值。现分2014年4—6月间来该院进行胸部体检100例体检者的临床资料，报道如下。

1资料与方法

1.1一般资料

收集到该院行胸部CT体检者100例。研究对象纳入标准：①均为健康体检者，无任何胸部疾病症；② 受检者体重指数（BMI）在18~25 kg/m2 之间；③将检出有气胸、肺气肿等肺部疾病者则排除在研究范围之外。将研究对象随机分成A、B两组，各50例，其中A组男26例，女24例，年龄29~72岁，中位年龄41.7岁；B组50例，男30例，女20例，年龄34~67岁，中位年龄45.5岁。AB两组BMI分别为(22.97.3±2.06)kg/m2和(22.90±2.60)kg/m2，两者差异无统计学意义。

1.2CT设备与扫描方法

采用西门子SOMATOM Definition AS+扫描仪。采取仰卧屏气扫描。扫描范围从肺尖至肋膈隐窝下缘。A组采用该院常规胸部低剂量CT扫描条件，固定管电压120 kV， B组采用Care kV技术，参考管电压Ref120kV。其余扫描条件一致，均采用Care Dose4D技术，参考管电流50 mAs；层厚5 mm，螺距1.2，准直128 mm×0.6 mm，分别重建纵隔窗和肺窗两组图像，重建卷积函数分别B25f和B80f，容积CT剂量指数（Volume CT Dose Index，CTDIvol）和剂量长度乘积（Dose-length Product，DLP）由机器自动生成。

1.3图像质量和有效辐射剂量评价

1.3.1图像质量客观评价分别测量纵隔窗和肺窗图像CT值（HU）、噪声(Objective Image Noise，OIN)、信噪比(Signal to Noise Ratio，SNR)。纵隔窗选取图像的主动脉弓层面的主动脉的均匀处、肺窗选取隆突层面的肺组织的均匀处测量出CT值及其标准差(Standard Deviation，SD）。ROI面积为90~110 mm2。SD即为图像的噪声OIN， SNR=CT值/SD。

1.3.2图像质量主观评价全部图像纳入评价范围，由两名有经验的影像科医师采取盲法评价图像。采取评分法，肺窗：窗宽1500 HU，窗位-500 HU；纵隔窗：窗宽400 HU，窗位45 HU。综合评价肺窗及纵隔窗图像，评分标准分为3个等级：1分，图像质量较差，胸壁及纵隔内结构噪声较大，气管及纵隔内血管的边缘模糊，不能满足诊断，定为不合格等级；2分，图像质量中等，噪声中等，不影响诊断，定为合格等级；3分，图像质量好，噪声较小，可满足诊断要求，定为优良等级[3]。

1.3.3有效剂量评价方法根据CTDIvol、DLP计算有效剂量（effective dose，ED）。计算公式：ED（mSv）＝DLP（mGy.cm）×k。参考最新欧盟委员会CT质量标准指南[4]，胸部有效吸收剂量系数k=0.014 mSv/（mGy.cm）。

1.4统计方法

用spss19统计软件，计算各组数据的平均值及标准差，计量资料用均数±标准差（x±s）表示，采用ANOVA分析各组图像的OIN、SNR及有效剂量ED。主观评价的一致性采用Kappa分析， 结果评价:0.40<kappas0.60，观察者间一致性一般，0.6< kappas 0.80，观察者间一致性好，kappa> 0.80观察者间一致性很好[5]。

2结果

2.1A、B两组客观图像质量指标评价

通过客观图像质量指标如CT值、噪声和噪声比对A、B两组纵隔窗和肺窗图像质量进行分析，结果显示AB两组图像质量差异无统计学意义（P>0.05），见表1、2。

2.2 A、B两组主观图像质量指标评价

通过主观图像质量指标3分评分法对AB两组图像进行分析，结果显示A、B两组图像优良率分别为96%(48/50)和98% (49/50)，分别只有2例和1例为合格等级图像，但均符合诊断要求，AB两组主观图像质量比较差异无统计学意义（P>0.05），见表3。

2.3A、B两组受检者有效辐射剂量比较

AB两组受检者平均有效辐射剂量（ED）分别为（1.18±0.29）mSv和（0.82±0.24）mSv ，B组较A组分别降低了30.5%，见表4。

3讨论

随着影像技术的发展，低剂量螺旋CT已成为肺癌筛查的研究热点，低剂量螺旋CT在降低了患者接受的放射剂量，同时对肺结节检出也有较高的敏感性和特异性[6]。据报道，低剂量胸部CT检查可使肺癌的死亡率降低20%[7]。在CT扫描中，传统方法在降低辐射剂量的同时也降低了图像质量。而各种迭代重建技术和Care Dose4D 技术的应用，实现了在降低辐射剂量的同时保证了图像质量。该文采取了Care KV技术结合Care Dose4D技术的扫描方法，在保证图像质量的同时将进一步降低辐射剂量。Care kV技术能够根据 CT 检查目的和受检者的体型自动确定最优化的管电压和管电流，实现最优化降低剂量的同时提高图像质量，从而实现对受检者的个性化扫描，既避免了受检者接受不必要的辐射。

目前对CARE kV技术研究和应用的报道较少。Winklehne等[2，8]对BMI在同一水平的受检者进行胸腹部及头部CTA扫描，发现使用CARE kV技术可在图像背景噪声不增加、满足诊断要求的同时降低辐射剂量，其中胸腹部降低约25%，头部可下降约58%。该研究结果显示，AB两组图像质量比较，无论是CT值、噪声和信噪比等客观指标还是图像质量主观评价，差异无统计学意义，符合诊断要求，同时有效辐射剂量（ED）B组较A组降低了30.5%，这与康绍磊等[9]对114例病例的相关研究结果一致：Care KV技术结合Care Dose4D技术组较固定KV结合Care Dose4D技术组辐射剂量降低了30.36%。但该文研究所用参考管电流是50mAs，而康绍磊等用110 mAs，因此该研究B 组有效辐射剂量（ED）（0.82±0.24）mSv 较他们的（1.72±0.87）mSv降低了49.41%。

综上所述，Care KV技术结合Care Dose4D 技术比采用固定管电压结合Care Dose4D 技术在胸部CT扫描中可在保证图像质量的情况下明显降低受检者辐射剂量。该研究只是在一定BMI范围内一定参考管电流和管电压在胸部扫描的研究，因此结果可能有一定的局限性，今后我们将尝试对各种BMI值的受检者的不同部位用不同的参考管电流和管电压进行深入研究，寻找不同个体不同部位的最佳低剂量CT扫描方案。综上Care KV技术是值的推广的CT扫描技术。

参考文献

[1]Berrington，De Gonzalez A， Darby S. Risk o1 cancer from diagnostic X-rays: Estimates for the UK and 14 other countries[J].Lancet，2004，363(9406):345-351.

[2]徐卓东. CARE kV-智能最佳kV扫描技术-降低剂量的同时提高图像质量[J].中国医疗设备，2012，27(2):120-123.

[3]Leipsic J，Nguyen G， Brown J，et al.A prospective evaluation of dose reduction and image quality in chest CT using adaptive statistical iterative Reconstruction[J].AJR Am J Roentgenol，2010，195(5):1095-1099.

[4]European Study Group of Radiologists，physicists.European guidelines on quality criteria for computed tomography.[2009-09-12]. drs.dk/ guidelines /ct/quality/download/eur16262.w51.

[5]Kuijper B， Beelen A， van der Kallen BF， et al. Interobserver agreement on MRI evaluation of patients with cervical radiculopathy[J].Clin Radiol. 2011，66:25-29.

[6]黄明刚，王青，齐敏，等.低剂量螺旋CT筛查肺癌的诊断效能及价值[J].实用放射学杂志.2008，24（8）:1030-1033.

[7]National Lung Screening Trial Research Team， Aberle DR， Adams AM， et al.Reduced lung-cancer mortality with low-dose computed tomographic screening[J].N Engl J Med，2011，365(5):395-409.

[8]Winklehner A， Goetti R， Baumueller S， et al. Automatedatten-uation-based tube potential selection for thoracoabdominal computed tomography angiography，Improveddoseeffectiveness[J].Invest Radial，2011，46(12)：767-773.

[9]康绍磊，曾宪春，谢晓洁，等.智能最佳管电压扫描联合自动管电流调节技术降低成人胸部CT扫描辐射剂量[J].中国医学影像学技术.2013，29（4）:636-640.

（收稿日期：2014-05-22）

本刊写作要求：文后

参考文献著录规则

1.本刊所发表的论文一般情况下必须有

参考文献，应以作者亲自查阅和借鉴过的公开文献为限。

参考文献除定义、法规、标准外，尽量引用近五年的文献。

2.文献的作者3人以下一并列出；3人以上，写出3人后，加“，等”。正文引用文献的中国人名应使用全名，不得出现“许氏”、“王氏”等非规范写法；中医古籍人名应写出朝代和人名，如可写成“明代李时珍”。出版项中的出版地有多个时，只著录第一出版地。

3.

参考文献按在正文中出现的先后次序排列于正文后；

参考文献的序号左顶格个位对齐，并用加方括号表示如[1]，[2]，……以与正文中的指示序号格式一致。正文指明原始文献作者姓名时，序号标注于作者姓名右上角；正文未指明作者或非原始文献作者时，序号标注于句末；正文直接述及文献序号将之作为语句的组成部分时，不用角码标注。

4.图中引用

参考文献，按其在全文中出现的顺序编号，在图的说明或注释中予以标注，图中不应出现引文标注。表中引用

参考文献，按其在全文中出现的顺序编号，在表注中依次标注；或在表中单一栏说明文献来源，该栏应列出文献第一作者姓名，在姓名右上角标注文献角码。

5.同一文献在正文中有多处引用，文后只列一次，

参考文献列表中可不用标注页码，在正文中引用位置右上角，标注

参考文献序号和引用起止页码，例如“十二指肠[4]47-59。”

本刊常见文献格式规定如下，投稿者请以下列格式为准：

[期刊] 作者.文章题目[J].刊名，年，卷(期)：起页-止页.

[书籍] 作者.书名[M或S].出版地：出版社，出版年：起页-止页.