医学图像分析 _生活百科

医学图像分析【医学图像分析】医学图像分析（Medical Image Analysis）是医学术语，指综合医学影像、数学建模、数字图像处理与分析、人工智慧和数值算法等学科的交叉领域。
基本介绍中文名：医学图像分析
外文名：Medical Image Analysis
医学图像分析简介20世纪70年代，X线图像在临床广泛套用，医生藉助学习得到的知识和实践积累的经验，解读病人的X线照片所反映的解剖结构和病生理信息。但是，这种人工解读方式，往往依赖于医生个人的经验、知识和情绪，且效率较低。随着计算机的发展和数位化仪器的出现，人们开始把X线胶片的模拟图像转变为数字图像存储和传输；另外，计算机技术的逐步成熟也提供了相当的计算能力。研究者开始尝试把医学模拟图像转化为数字图像，开展了计算机辅助诊断(computer aided diagnosis，CAD)的初步研究，试图在一定程度上辅助医生判读医学图像，排除人为主观因素，提高诊断準确性和效率。医学临床需求也推动着医学图像分析的发展。多排螺旋CT能够在极短的时间内採集到真正的各向同性体素数据并重组成三维数据，MR心脏图像是时间加三维的四维数据，一次完整的心脏检查结果包括在心动周期上、各个时刻、多个层面上的数百张二维图像。数据採集的高维化，导致依靠传统的二维表达已经很难理解如此海量的信息，更谈不上有效率地判读和分析。医学图像分析的研究的对象也日益广泛，不再局限于过去具有明显诊断特徵的病种，开始扩展到多种不同器官、解剖形态、功能过程的图像，试图利用自动精确定量的计算机辅助图像分析，帮助临床医生和研究者高效準确地处理海量图像信息。在成像硬体的推动下，从20世纪90年代中期到现在，医学图像分析在理论方法和套用上都取得了长足的进步。理论分割医学图像的感兴趣区分割研究，是医学图像分析中最重要的基础，準确、鲁棒和快速的图像分割，是定量分析、三维可视化等后续环节之前的最重要步骤，也为图像引导手术、放疗计画和治疗评估等重要临床套用奠定了最根本的基础。早期医学图像分割研究，主要是直接套用图像处理的经典方法，如边界提取和基于灰度的区域增长算法等。后来开始针对不同的解剖位置和成像模态，设计基于成像设备、成像参数和解剖结构等先验知识的专用图像分析算法，如利用多参数的MR图像、决策树和统计聚类技术来分割脑组织的白质和灰质。随着图像分析和计算机视觉理论方法的不断丰富，医学图像感兴趣区分割也出现了很多新突破。参数动态轮廓线模型，(active contour model)开创性地提出了高层模型指导、底层图像特徵驱动的图像分割思想，通过最小化模型的内外部能量得到分割结果，在随后20多年中得到研究者的广泛关注和不断发展。动态表现模型(active appearance model)，动态形状模型(active shape model) 都是这一类的代表方法。Osher和Sethian提出的水平集(1evel set)方法，利用数值方法模拟各种曲面演化，后来作为一种数值模拟和分析的方法，被广泛运用于曲线或曲面的运动跟蹤，在医学图像分割中也得到广泛套用。但目前大多数分割算法对医学图像成像参数和曲线、曲面的初始位置较敏感，没有人工参与，难以做到鲁棒分割不同设备乃至同种设备、不同参数的医学图像。

文章插图
图1. 医学图像分割图像配準和信息融合早期医学图像的配準目的，是为了把显示人体不同信息(结构信息和功能信息)的医学图像放到统一坐标系中显示。随着脑部结构形态学分析研究的进步，出现了同病人不同时期及同种疾病的病人群体图像数据配準，以及标準图谱到特定图像数据集配準研究。为了消除成像过程中对象运动的影响，图像配準也是时序图像分析的第一步。寻找物体在不同影像中对应像素点的关係是医学图像配準的基本任务。通过寻找适当的空间变换，使图像数据达到空间位置上的定位和配準，进而进行图像融合。图像配準方法可以分为基于外部特徵和基于内部特徵两类。使用外部特徵的通过人工设定的标记点实现配準，如立体框架定位、皮肤标记法等；而基于内部特徵方法通过寻找图像内部解剖结构上的特徵点或外部轮廓和表面的对应关係实现配準。互信息量是随机变数统计相关性的测度，在医学图像配準中得到广泛套用。由于最大互信息方法不需要假设不同成像模式下的图像灰度的相关性，也无需对图像进行分割和预处理，非常适合三维多模医学图像配準，具有精度高、鲁棒性强的特点。目前，医学图像配準技术和分割技术一样，出现了很多成熟的方法和软体，是医学图像分析中的基本技术之一。