医学图像处理算法

① 医学影像图像处理的介绍

医学图像处理是当今各领域应用和需求广泛的一门技术学科，它在医学中应用十分广泛。作为物医学工程专业和计算机科学与技术的专业主要课程，要求掌握医学图像的相关概念与图像处理中的图像变换，增强，恢复，压缩，图像的分割及特征提取等基本理论；掌握医学图像处理的基本理论、技术、方法、应用和进展；了解医学信息三维可视化的技术和基本实现方法；并在此基础上掌握医学图像处理的整体结构框架，逐渐形成观察、思考、分析和解决有关理论和实践问题的能力，并通过图像处理算法的编程来提高实践操作能力。

② 医学图像处理

图像分割是前期的工作重点，主要使用了现成的软件来完成图像分割任务：3DMed（中国科学院自动化医学图像处理研究所）。

该软件集成了6种分割算法插件，按照官方文档的说法，区域生长算法特别适合于分割小的结构如肿瘤和伤疤，下面是使用3DMed加载的原始29189000016.dcm图像：

下面是使用区域生长算法对肿瘤的分割结果：

其中Different Value和Change Value为控制区域增长的两个参数，通过实验发现选取2和10效果较好。

下面是分割后的保存结果：

3DMed中会自动将结果文件名保存为29189000016_segmented.dcm。

但是该算法需要人工交互获得种子节点，自动化程度不高。同时区域增长算法对噪声敏感，导致抽取出的区域有空洞或者无法正确抽取出感兴趣区域。

特征提取就是从分割的区域中提取出描述该区域特征的一些数据，这一步的工作使用了两种方法进行探索。

使用MATLAB进行常用的基本统计特征的提取，该方法可以提取出 一阶统计特征 （描述感兴趣区域内各提速参数的分布，通常是基于直方图进行分析），在MATLAB中简单的区域描绘如下：

l 周长：区域边界的长度， 即位于区域边界上的像素数目．

l 面积：， 区域中的像素总数．

l 致密性：（周长） 2/面积．

l 区域的质心．

l 灰度均值： 区域中所有像素的平均值．

l 灰度中值： 区域中所有像素的排序中值．

l 包含区域的最小矩形．

l 最小或最大灰度级．

l 大于或小于均值的像素数．

l 欧拉数： 区域中的对象数减去这些对象的孔洞数。

MATLAB中的regionprops(L, properties)函数可以用来计算区域描绘特征：首先使用bwlabel(I, n)对图像I进行n（4或者8）连通标号，然后使用regionprops()进行统计计算。

Mazda是一个图像纹理分析的工具，可以自动对图像进行特征提取。下面是使用Mazda加载分割好的结果：

下面是对分割结果进行特征提取的结果：

对于Feature name的表示现在还没有完全搞明白，正在研究。

Mazda还可以进行 高阶统计量 的提取（就是进一步加入了过滤器），小波分析就是高阶统计量的一种，下面是小波分析的结果：

同时可以手动对Features进行feature selection，然后保存选择的结果。

③ 何谓融合成像它包括哪几种医学影像的融合

医学图像的配准和融合是医学图像处理的一个新的领域,其目的是为医生提供更多的诊断信息。本文介绍了五种融合显示的方法,有插入像素式融合显示算法、独立通道融合显示算法、图层融合显示算法、边缘融合显示算法以及基于小波变换的融合显示算法。

④ 为什么在医学图像处理中要进行图像灰度强度值的归一化

您好：不同的医学成像因素造成相同性质的组织在图像灰度信息上的不一致。灰度归一化就是在保留具有诊断价值的灰度差异的同时，减小甚至消除图像中灰度不一致而进行的图像转换方法，以便计算机自动分析处理。当前常见的算法根据灰度转换的依据分为基于直方图的灰度归一化以及基于图像内容特征的灰度归一化两大类。针对这两类处理算法进行了综述。

⑤ 数字图像处理的基本算法及要解决的主要问题

图像处理，是对图像进行分析、加工、和处理，使其满足视觉、心理以及其他要求的技术。图像处理是信号处理在图像域上的一个应用。目前大多数的图像是以数字形式存储，因而图像处理很多情况下指数字图像处理。此外，基于光学理论的处理方法依然占有重要的地位。

图像处理是信号处理的子类，另外与计算机科学、人工智能等领域也有密切的关系。

传统的一维信号处理的方法和概念很多仍然可以直接应用在图像处理上，比如降噪、量化等。然而，图像属于二维信号，和一维信号相比，它有自己特殊的一面，处理的方式和角度也有所不同。
目录
[隐藏]

* 1 解决方案
* 2 常用的信号处理技术
o 2.1 从一维信号处理扩展来的技术和概念
o 2.2 专用于二维（或更高维）的技术和概念
* 3 典型问题
* 4 应用
* 5 相关相近领域
* 6 参见

[编辑] 解决方案

几十年前，图像处理大多数由光学设备在模拟模式下进行。由于这些光学方法本身所具有的并行特性，至今他们仍然在很多应用领域占有核心地位，例如 全息摄影。但是由于计算机速度的大幅度提高，这些技术正在迅速的被数字图像处理方法所替代。

从通常意义上讲，数字图像处理技术更加普适、可靠和准确。比起模拟方法，它们也更容易实现。专用的硬件被用于数字图像处理，例如，基于流水线的计算机体系结构在这方面取得了巨大的商业成功。今天，硬件解决方案被广泛的用于视频处理系统，但商业化的图像处理任务基本上仍以软件形式实现，运行在通用个人电脑上。

[编辑] 常用的信号处理技术

大多数用于一维信号处理的概念都有其在二维图像信号领域的延伸，它们中的一部分在二维情形下变得十分复杂。同时图像处理也具有自身一些新的概念，例如，连通性、旋转不变性，等等。这些概念仅对二维或更高维的情况下才有非平凡的意义。

图像处理中常用到快速傅立叶变换，因为它可以减小数据处理量和处理时间。

[编辑] 从一维信号处理扩展来的技术和概念

* 分辨率(Image resolution|Resolution)
* 动态范围(Dynamic range)
* 带宽(Bandwidth)
* 滤波器设计(Filter (signal processing)|Filtering)
* 微分算子(Differential operators)
* 边缘检测(Edge detection)
* Domain molation
* 降噪(Noise rection)

[编辑] 专用于二维（或更高维）的技术和概念

* 连通性(Connectedness|Connectivity)
* 旋转不变性(Rotational invariance)

[编辑] 典型问题

* 几何变换（geometric transformations）：包括放大、缩小、旋转等。
* 颜色处理（color）：颜色空间的转化、亮度以及对比度的调节、颜色修正等。
* 图像合成（image composite）：多个图像的加、减、组合、拼接。
* 降噪（image denoising）：研究各种针对二维图像的去噪滤波器或者信号处理技术。
* 边缘检测（edge detection）：进行边缘或者其他局部特征提取。
* 分割（image segmentation）：依据不同标准，把二维图像分割成不同区域。
* 图像制作（image editing）：和计算机图形学有一定交叉。
* 图像配准（image registration）：比较或集成不同条件下获取的图像。
* 图像增强（image enhancement）：
* 图像数字水印（image watermarking）：研究图像域的数据隐藏、加密、或认证。
* 图像压缩（image compression）：研究图像压缩。

[编辑] 应用

* 摄影及印刷 (Photography and printing)
* 卫星图像处理 (Satellite image processing)
* 医学图像处理 (Medical image processing)
* 面孔识别, 特征识别 (Face detection, feature detection, face identification)
* 显微图像处理 (Microscope image processing)
* 汽车障碍识别 (Car barrier detection)

[编辑] 相关相近领域

* 分类（Classification）
* 特征提取（Feature extraction）
* 模式识别（Pattern recognition）
* 投影（Projection）
* 多尺度信号分析（Multi-scale signal analysis）
* 离散余弦变换（The Discrete Cosine Transform）