医学图像分割与配准
医学图像分割与配准
Medical Image Processing System Platform of R & D
Deng Chao Qiang
(Information Science and Engineering Institute,Jiangsu Polytechnic University)
Abstract: Medical image processing has being more and more widely used in modern hospitals. In this paper, these modules were included, which are image denoising, image segmentation, the image compression and the method of how to calculate the area of the focus of medical images etc. They are the base of a medical image processing system . In addition, on the basis of this design , an efficient GUI was also designed to experiment with these image processing methods. This system not only fulfilled the experimental tasks, but also provided a good base for the development of medical image processing system.
Keywords: medical image edge detection image segmentation Image compression论文摘要:医学图像处理技术在现代化医院中得到了越来越广泛的应用。在本文设计医学图像处理系统中, 基本包含了图像降噪、图像分割以及病灶区域面积的计算、图像编码压缩等内容。此外,设计了一个有效的GUI,以便进行医学图像的实验。该界面的实现不但顺利完成了本设计的实验任务,而且为以后开发医学图像处理系统提供了良好的基础。
关键词：医学图像 边缘检测 图像分割 图像压缩
1、 前言
医学图像处理技术是现代医学中重要的组成部分，并且已经成为医学技术中发展最快的领域之一。以计算机技术为依托，数字图像处理是医学图像处理领域中极为重要的一个方法，它是使医生获得病人病情可靠信息的重要保证，也是医生开展进一步治疗的必要条件。它对医学图像处理包括：图像的预处理、特征的提取、图像分割、图像配准、图像融合、纹理分析和伪色彩处理等。图像的压缩传输技术也是当前研究的一个热点，也是本文研究的一个重点。这种技术依赖于数字图像的压缩编码和现代通信技术，它的出现使得远程医疗成为可能，并加强了医疗的即时性。
2、 医学图像的降噪处理方法
2.1中值滤波技术
中值滤波是基于排序统计理论的一种抑制噪声的非线性信号处理技术[1]。这种滤波器在滤除叠加白噪声和长尾叠加噪声方面显示出了极好的性能。中值滤波结果如图2.1
（a）带高斯噪声图 （b）中值滤波后图 (c)带乘性噪声图像 （d）中值滤波后图
图2.1中值滤波图
图像中值滤波前后的信噪比如表2-1所示。
信噪比（SNR） 滤波前（图2.1（a）） 滤波后（图2.1（b））
19．5855 26．3309
滤波前（图2.1（c）） 滤波后（图2.1（d））
18．6628 23．7053
2.2基于小波变换的图像降噪
由于噪声往往是高频信息，所以在对图像进行小波变换后，与噪声相关的系数处在高频系数区。因此对变换后的小波系数进行低通滤波处理，即可将高频信号除去，重建后的信号即为降噪图像。采用默认阈值对带噪图像降噪处理，分解层次N＝2，选用sym4小波。
（a）带高斯噪声图 (b)小波降噪后图像 （c）带乘性噪声图 (d)小波降噪后图像 图2.2图像的小波降噪
表2-2 经过小波变换降噪处理前后的信噪比
信噪比（SNR） 滤波前（图2.2(a)） 基于小波变换降噪后的图像（图2.2(b)）
19．5855 27．4604 医学图像分割与配准
滤波前（图2.2(c)） 基于小波变换降噪后的图像（图2.2(d)）
18．6628 26．4063
通过比较，从视觉效果看，带噪声的原图像经过滤波后，噪声信息明显减弱，而对采用中值滤波和小波变换进行滤波的结果对比可以看出，基于小波变换降噪后的图像比采用中值平滑滤波降噪图像更加清晰，信噪比高。说明小波变换降噪效果要比空域中值滤波效果好。
3、医学图像分割处理
3.1图像边缘检测
基于边缘检测的基本思想是先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分割区域[2]。边缘检测的基本算法有Sobel算子、梯度算子、Log算子、Robert算子、拉普拉斯算子以及Canny边缘检测器等。边缘检测结果如图3.1所示
(a) 原始图 (b)Roberts算子法
(c)Sobel算子法 (d)Canny算子法
图3.1不同算子边缘检测图
由上面的图可以看出，利用Roberts算子提取边缘的结果边缘较粗，因此边缘定位不是很准确，而Sobel算子对边缘的定位比较准确。Canny算子提取的边缘十分完整，而且边缘的连续性很好，效果优于其他算子。
3.2图像阈值法分割
阈值法又称灰度门限技术，是最为常用的一种图像分割方法，具有简洁实用、计算量少的特点。
3.2.1直方图分割方法
灰度直方图就是灰度级的像素数n与灰度i的二维关系，它反映了一幅图像上灰度分布统计特性，在MATLAB中使用函数“imhist.m”来实现。
3.2.2分水岭法图像分割实现
分水岭算法本质上是利用图像的区域特性来分割图像的，它可以将边缘检测与区域生长法的优点结合起来，得到单像素宽的、连通的、封闭的及位置准确的轮廓。
分割效果图如图3.2所示。
3.2(a)原始图像 3.2(b)分水岭法分割图像
图3.2 分割效果图
用边缘检测法进行分割后的目标图像，由于噪声等因素的影响，存在较大的误判率，而且获得的边缘是不连续的，必须通过边界跟踪将它们转化为有意义的边缘信息。而用阈值法对图像分割后，无明显的误判，分割出来的目标图像轮廓鲜明，可以极为方便地确定目标，其分割效果明显优于边缘检测法。
3.3计算图像病灶区域面积
医学图像中病灶区域是医生最为关注的地方，病灶区域的大小和位置是医学图像中最为重要的信息。这里采用把病灶区图像单独分离出来，再进行像素数目统计。
如图3.3，从分割后的图像中选择结石部分图像，在该部分图像中统计中间黑色区域像素数。
图3.3结石部分图像
在分离出的病灶区图像中，计算出病灶像素数占图像总像素数的百分比，即为病灶区面积占全图像面积的百分比。
病灶区面积＝7.34863
此种像素数目统计方法简单易行，计算容易，结果准确。382