《7第7章医学图像处理技术ppt课件.ppt》由会员分享，可在线阅读，更多相关《7第7章医学图像处理技术ppt课件.ppt（125页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、7第7章医学图像处理技术医学成像及处理技术医学成像及处理技术高等学校计算机基础教育课程高等学校计算机基础教育课程“十二五十二五”规划教材规划教材2011.37.1 医学图像处理基础7.2 医学图像增强7.3 医学图像分割7.4 医学图像配准本章小结思考与练习通过本章的学习，掌握医学图像文件格式，灰度直方图、医学图像增强等概念；掌握医学图像分割的基本思想，图像配准的概念原理和基本方法；了解插值方法、医学图像增强常用技术；了解图像分割的新技术新方法，了解图像配准的评估技术。DICOM 医学图像文件格式医学图像增强技术医学图像分割的概念及算法思想医学图像配准的概念及算法思想础医学图像的数据格式1.
2、一般图像格式图像文件的一般格式结构主要由文件头、文件体和文件尾等三部分组成。文件头包含：软件ID、软件版本号、图像分辨率、图像尺寸、图像深度、彩色类型、编码方式、压缩算法等。文件体：图像数据、彩色变换表等。文件尾包含：用户名、注释、开发日期、工作时间等。一般常见的图像文件格式有 ：（1）BMP格式 （2）PCX格式 （3）TIFF格式 （4）GIF格式（5）JPEG格式格式 （6）CGM计算机图形图元文件计算机图形图元文件 （7）SWF格式格式（8）PNG格式 等2. DICOM 医学图像文件格式DICOM格式图像文件是指按照DICOM标准而存储的文件。DICOM文件一般由DICOM文件头和D
3、ICOM数据集合组成。DICOM数据集合由DICOM数据元素（Data Element）按一定顺序排列组成，而DICOM数据元素则是DICOM文件最基本的构成单元。（1）DICOM文件头（DICOM File Meta Information）中包含了标识数据集合的相关信息。它由128个00H字节组成，后面就是DICOM 前缀，它是一个长度为4个字节的字符串“DICM”， （2）DICOM 数据集合是DICOM 文件主要组成部分。它不仅包括医学图像，还包括许多和医学图像有关的信息，如病人姓名、图像大小等。（3）DICOM数据元素（Data Element）是DICOM格式图像文件最基本的构成单
4、元。它由四个部分组成：标签（Tag）、数据描述（Value Representation，VR）、数据长度 Value Length，VL）以及数据域（Data Domain）， 标签：是一个4字节的无符号整数,由两个部分组成：组号（高位2字节）和元素号（低位2字节）。数据描述（VR）：指明数据元素中数据的类型，为2字节的字符串。例如，若VR为“DA”则表示该数据元素存储日期型数据。VR是可选的，取决于事先商定的数据传输句法（Transfer Syn-tax UID），它包含在标签为（0002,0010）的数据元素中。VR分为显式（Explicit VR）和隐式（Implicit VR）两种。
5、数据在显式传输时VR必须存在，而隐式传输时VR必须为空。数据长度（VL）：指明数据元素的数据域中数据的长度(字节数)。数据域中包含了数据元素的数值。下面以标签为(0010,0010)表示病人姓名的数据元素为例来说明。在显式(Explicit VR)传输时:4字节 2字节 2字节 C字节(16进制)/12字节0010,0010 PN Harison Ford Explicit Tag VR VL Value Field PN:Person Name.表示数据类型在隐式(Implicit VR)传输时:4字节 4字节 C字节(16进制)/12字节 0010,0010 Harison Ford Im
6、plicit Tag VL Value Field显式时VR中存放数据类型，隐式时VR不存在。VL表示数值长度，如上例中的“Harison Ford”占12个字节长。组号为0002的数据元素都是显式的。（4）DICOM图像的显示要显示一个DICOM格式图像，必须事先得到下列标签所代表的DICOM数据元素中的数值：(0028,0002)Samples Per Pixel要显示一个像素必须得到该像素点的三个颜色分量Red、Green、Blue值。如该点为24位，则Samples Per Pixel为3；如该点为8位，则Samples Per Pixel为1。(0028,0002)Number of
7、 Frames(0028,0010)Rows(0028,0011)Columns(0028,0100)Bits Allocated(0028,0101)Bits Stored(7FE0,0010)Pixel Data上述这几个标签是每个DICOM格式图像文件所必不可少的，是强制性标签，即任何DICOM文件中至少含有这几个数据元素。1.灰度直方图概念把图像中在同一灰度上的像素统计到一起，用横坐标表示灰度级，纵坐标表示该灰度级出现的频率，形成的图称为灰度直方图（histogram）。 2.灰度直方图直方图反映了图像灰度级的统计特性，与像素的位置无关。从直方图中可以获得图像整体的灰度信息，如整幅图像
8、平均亮度和对比度。 无论像素的灰度级集中在哪个区域，灰度级没有拉开，都会造成图像不清晰。如图所示，为MR脑血管造影图像及其直方图。 灰度直方图有如下性质：表征了图像的一维信息。只反映图像中像素不同灰度值出现的次数（或频数）而不能反映像素所在位置。与图像之间的关系是多对一的映射关系。一幅图像对应的直方图是唯一的，但不同图像可能有相同的直方图。一幅整图分为多幅子图，则子图直方图之和为整图的直方图。 3直方图的应用（1）数字化参数直方图可以用来判断一幅图像是否合理利用了全部被允许的灰度级范围。一般一幅数字图像应该利用全部或几乎全部可能的灰度级，否则等于增加了量化间隔。 （2）选择边界域轮廓线是确定图
9、像中物体边界的有效方法，使用轮廓线作为边界的技术称为阈值化。物体中的浅色像素产生了直方图上的右峰，而背景中大量的灰度级产生了直方图上的左峰。选择谷作为灰度阈值将得到合理的边界。（3）综合光密度综合光密度（IOD）反映了图像面积和密度的组合。 对于数字图像，综合光密度定义为 （7-1）其中，K1和K2是所划定图像区域的最小和最大灰度值。H(k)代表灰度级为k时所对应的像素的个数。该式为灰度级加权的直方图之和。)(kkHIOD1.插值概念图像插值就是利用已知邻近像素点的灰度值来产生未知像素点的灰度值，以便由原始图像再生出具有更高分辨率的图像。 2. 传统图像插值方法图像插值的方法有多种，最近邻插值
10、法、双线性插值法、三阶线性插值法，以及自适应图像插值法。其中前三种插值方法都是通过在离散输入采样点之间建立一个连续函数，用这个函数求出任意位置的函数值作为图像的值。 （1）最近邻插值法最近邻点插值法(NearestNeighbor) 。算法为：对于通过反向变换得到的一个浮点坐标，对其进行取整，得到一个整数型坐标，这个整数型坐标对应的像素值就是目的像素的像素值。 最临近插值法的思想很简单、直观，容易实现，但得到的图像质量不高。 （2）高阶插值算法 当图像像素的灰度值变化较为复杂时，可以通过在同一直线方向上取更多采样点的灰度对数据点做非线性插值，最常用的就是多项式插值。 高阶插值算法，如双三次和三
11、次样条插值等比低阶插值效果好。这些插值算法可以使插值生成的像素灰度值延续原图像灰度变化的连续性，从而使放大图像浓淡变化自然平滑。 3. 基于边缘的图像插值方法 在有些像素与相邻像素间灰度值存在突变的图像中，这些灰度值突变的像素就是图像中描述对象的轮廓或纹理图像的边缘像素。近年来多用边缘保护的插值方法和基于区域一致性的插值方法。使得图像的视觉效果更好。 边缘保护的插值方法可以分为两类：基于原始低分辨图像边缘的方法和基于插值后高分辨率图像边缘的方法。（1）基于原始低分辨率图像边缘的方法这类插值方法一般采用的原理如图7所示，先检分辨率图像的边缘，再根据检测的边缘将像素分类处于平坦区域的像素，采用传统
12、方法插值；对于边缘区域像素，设计特殊插值方法，以达到保持边缘细节的目的。（2）基于插值后高分辨率图像边缘的方法这类插值方法一般采用的原理如图所示，先采用传统算法插值低分辨率图像，再检测高分辨率图像的边缘，最后对边缘及附近像素进行特殊处理，以去除模糊，增强图像的边缘。4.区域指导的图像插值方法一般图像具有区域特征，对图像进行区域一致性分析更符合实际。这类插值方法一般采用的原理如图所示，先将原始低分辨率图像分割成不同区域，再将插值点映射到低分辨率图像，判断其所属区域，最后根据插值点的邻域像素设计不同的插值公式，计算插值点的值。5插值算法比较a:传统插值法实现简单，但会导致图像的边缘模糊；b:基于低
13、分辨图像边缘指导进行插值的方法：可提高图像的边缘清晰度，但存在边缘偏离的现象，放大倍数越大，偏离越严重；C:基于插值后高分辨率图像边缘进行增强处理的方法：可提高传统算法的边缘对比度，得到较好的主观视觉效果，但由于对图像进行了滤波处理，会导致图像客观质量有一定下降；D:基于区域一致性的插值方法：无论从主观上还是客观上，对图像进行区域一致性分析更符合实际，因此，基于区域的图像插值方法更合理，取得图像质量均较好。 医学图像增强概述图像增强是指按特定的需要突出一幅图像中的某些信息,同时削弱或去除某些不需要信息的处理方法,其主要目的是使处理后的图像对某种特定应用来说比原图像更适用, 使处理后的图像更适合
14、于人的视觉特性或机器的识别系统.医学图像增强技术医学图像增强所涉及的内容主要有：医学图像的对比度调整，图像噪声的去除，图像边缘的锐化和滤波，以及医学图像的伪彩色处理等。1.医学图像对比度增强对比度增强算法分为直接和间接两种方法：直接方法：主要是通过修正直方图而达到增强的目的；间接算法：首先定义对比度，然后在此基础上增强对比度。直方图修正算法是以概率论为基础，也是通过变换像素的灰度级来实现对比度增强。不同的是，这类算法以改变图像的直方图为手段来构造灰度变换函数 ，从而调整图像中像素的灰度级。如经典的直方图均衡化算法，直方图规定化算法等 rTs rTs rT（1）直方图均衡化直方图均衡化的目的是将
15、处理后图像的直方图变为均匀的（近似直线），这样通常可以使图像中目标和背景的对比度增加，使图像变得清晰。对于直方图均衡化算法，在推导变换函数时，一般将图像处理前后的灰度级r和s进行归一化处理，同时要求函数满足单调递增，依据归一化条件可以导出T (r) 函数的一般表达式，再推广到离散图像，最后，根据处理前图像直方图的统计值就可计算出均衡化后各像素的灰度值。如图所示，为均衡化处理应用实例。 (a) 原图像 (b) 直方图均衡化处理后图像 (c) 均衡化处理后图像直方图图图像均衡化处理应用实例 由图c 可以看出，实际处理后图像的直方图并非一条直线，只是近似均匀而已，但是处理后图像比原图像要清晰。 （2
16、）直方图规定化 直方图规定化则是按照一定的直方图形状（如适合人眼识别特性曲线，或突出感兴趣的灰度范围）来修正图像的灰度级。 直方图规定化处理是借助于直方图均衡化处理来完成的。首先将原图像的直方图均衡化，然后将预期（规定）的直方图也均衡化， 由于都是均衡化处理，且处理的是同一幅图像，因此二者的变换函数可以进行变量替换，从而确定原图像到直方图规定化图像的映射函数。 （3）区域的增强方法 区域一般来说有两种,一是应用分割算法得到的不重叠的区域,另一种是采用区域增长算法得到的重叠区域。 区域的增强算法原理如图所示， 首先寻找出合适的局部自适应区域，对不同类型的自适应区域同质区域和结构区域选择相应合适的
17、增强方式，实现医学图像的增强。2.医学图像噪声消除 图像噪声是指图像中与内容无关的一些斑点，如旧照片中的亮斑，分散在图像中的亮点或黑点等。去除图像中噪声，也称为图像平滑(Image Smoothing)。 从噪声是否与图像像素灰度相关角度来看，噪声可分为加性噪声和乘性噪声两种。从噪声的形态来看，常见的噪声有椒盐噪声、高斯噪声等。如图所示，为一幅腰椎MR图像分别加入椒盐噪声和高斯噪声的结果 传统的图像平滑方法有：邻域平均、中值滤波、频域低通滤波等。医学图像平滑算法有小波变换的算法 邻域平均法(neighbor averaging)，是用像素邻域的平均灰度来代替像素的灰度。常见的噪声灰度级一般与周
18、围像素的灰度级不相关，而且亮度常常高出其它像素许多。因此，该算法可以有效地抑制噪声。由图可以看出，超限邻域平均法处理结果模糊程度相对要低，保持具有微小灰度差的细节较好。但门限T的设置要考虑图像总体特性和噪声特性，需要依据图像统计特性的分析或经验。 除超限邻域平均法外，还有许多改进的邻域平均法，大部分可以归类为加权邻域平均法。权值的确定可以从以下几个方面考虑：与被处理像素的空间位置有关。离该像素较近的像素灰度赋予较大的权值，较远的则赋予较小权值，被处理像素本身具有最大的权值。与被处理像素灰度的接近程度有关。灰度相近的邻域像素赋予较大权值，相反，则赋予较小权值，甚至不参与平均。如取K个灰度相近的邻
19、域点进行平均，或取梯度（灰度变化率）的倒数为权值等。与图像特征有关。如图像中目标具有明显的方向性，不同的方向赋予不同的权值。无论使用何种方法确定权值，都应将权值进行归一化处理（除以权值之和），这样能避免处理后图像出现亮度偏差。(2) 中值滤波中值滤波算法是经典的去除噪声方法，是从一维信号发展到二维图像领域的。中值滤波算法的特点是：对窗口内像素灰度值进行排序，用灰度值的中间值取代窗口中心位置像素的灰度。 如图所示，显示了采用十字形窗口对图像进行中值滤波的过程。由图可以看出，窗口中心像素较高的灰度值9处理后变成了中间值4，因此可以有效地平滑图像。 由图b可以看出，中值滤波算法在抑制椒盐噪声方面很有
20、效，但对高斯噪声的处理则不够理想。值滤波的实例 (3)频域低通滤波 信号随时间变化很快的分量称为信号的高频分量；相反，随时间变化很慢的分量称为低频分量；不随时间变化的分量，则称为直流分量。 在图像中，通常以图像的灰度（或亮度）的变化率来区分高频与低频。 灰度变化大或灰度突变在图像频域中代表了高频分量，噪声一般有灰度突变的特性，所以噪声常处在高频区。 低通滤波的作用就是滤掉高频分量，从而达到减少图像噪声的目的。 一般图像边缘处灰度变化比较大，所以也处于高频区；而图像的主体部分灰度变化缓慢，处于低频区。 因此，低通滤波在去除噪声的同时，也会使图像边缘变得模糊。相反，高通滤波可以提取边缘，同时也会放
21、大噪声。频域低通滤波原理： 先用傅立叶变换或其它变换将图像变换到频域，然后选择相应的滤波函数 （或称传递函数，转移函数）衰减图像的高频分量，保留低频分量，经这种低通滤波处理后，再返回空域，便可消减噪声。 傅立叶变换算法是常用的频域处理方法。 ( , )H u v(4)小波变换的方法 在小波变换域中,图像信号能量绝大部分集中在绝对值较大的尺度系数中,图像细节部分即高频成分则集中在小波系数中。医学图像的噪声部分大多集中在图像的高频成分上。 针对这一特点,为了更好地去除噪声增强图像,可以分别对小波变换得到的尺度系数和小波系数进行不同的处理。 对尺度系数主要进行增强处理,对小波系数主要进行去噪处理。小
22、波变换算法的组成: 第一部分是利用两步提升增强法对小波变换后的图像低频信息进行增强; 第二部分是利用软域值算法对小波变换后的图像高频信息先进行去噪,然后再增强。 最后把这两部分综合起来,进行小波反变换,得到的图像就是增强后的图像。3.医学图像边缘锐化边缘锐化（Sharpening）是消除图像模糊边缘的增强方法，使边缘处黑白更分明。图像锐化的目的：是加强图像中目标的边缘和轮廓及图像细节。增强图像中的边缘可以使医学图像中的目标更容易识别。（1）差分算子对于数字图像的差分运算，一般用相邻像素的灰度差作为差分运算结果 在进行图像锐化处理时，有多种算子可以选择。 算子名称性 能 比 较罗伯特（Rober
23、ts）差分算子检测水平和垂直边缘的效果好于斜向边缘，对噪声敏感拉普拉斯（Laplacian）梯度算子提取边缘效果较好，对灰度突变敏感，定位精度高，对噪声敏感罗伯特Sobel算子对噪声具有平滑作用，提供边缘方向信息，边缘定位精度不高。普雷威特（Prewitt）差分算子对噪声具有平滑作用，定位精度不够高。（2）频域高通滤波 图像中灰度变化比较快的部分在频域占据高频区，通过抑制或衰减低频分量，让高频分量通过，就可以实现图像的锐化处理，也就是所谓的高通滤波。 滤波函数有:理想高通滤波（Ideal highpass filter），巴特沃思高通滤波（Butterworth highpass filter
24、），指数高通滤波（Exponential highpass filter），以及梯形高通滤波（Trapezoidal highpass filter）。 4.医学图像伪彩色处理 将图像中的黑白灰度级变成不同的彩色称为伪彩色处理。 灰度图像变为伪彩色图像可以达到增强图像的目的。 通常彩色图像比灰度图像具有更明显的视觉差异，在医学图像中常常把灰度图像变为彩色图像。从而为疾病的早期诊断提供重要的信息。下图是一幅灰度图像经伪彩色处理后的图像。伪彩色处理方法主要有：灰度分层变换，三基色函数变换，以及图像分面变换。灰度分层变换。 灰度分层变换是将图像的灰度级分成若干段，每一段灰度级赋予一种颜色。也可以使用
25、开窗技术，这时不是对整个动态范围进行灰度分层，而是对感兴趣的某一区间灰度范围进行分层处理。对于每一层的颜色可以根据需要选择，使其更加突出目标或病变组织。三基色函数变换。 把三基色分别应用三个变换函数，以获得期望的颜色变化趋势。可以随灰度的变化设计成不同的颜色变化趋势。 例如，随着灰度级的增加，呈现黑、红、黄、白的变化等。图像分面变换。 将整幅图像作为一种基色矩阵处理。 在医学图像处理领域，有时为了将处理后图像与标准图像比较，或与原图像比较，会把其中一幅图像变为一种基色，另一幅图像变为另一种基色，然后把两幅图像合为一幅彩色图像，从而更好地观察二者的差别 医学图像分割概述医学图像分割技术z阈值分割
26、技术z聚类分割技术z区域增长技术z边缘检测法z边界跟踪法z医学图像分割新方法分割算法评价图像分割就是根据某种均匀性（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和合并都会破坏这种一致性。分类故事一枝独秀医学研究和临床应用的角度来看，图像分割是病变区域提取、特定组织测量以及结构分析、运动分析、三维可视化等后续操作的基础， 图像引导手术、肿瘤放射治疗、治疗评估等应用研究都假设已对图像做了准确分割。图像分割的结果常用于生物医学图像的分析；用于测量人体器官、组织或病灶的体积；用于医学图像的3D重建方面，便于可视化、以及放疗计划中的3D定位等；图像
27、分割结果可用于在不丢失有用信息的前提下进行数据的压缩和传输；因为分割后的图像与噪声的关系减弱，所以具有降噪功能。阈值分割法是一种基于区域的图像分割技术，其实际上就是按照某准则函数最优阈值的过程，所以结果很大程度上依赖于阈的选择。一个系统的界限称为阈，其数值称为阈值：图像中的“阈值”命令是将灰度或彩色图像转换为高对比度的黑白图像。1.阈值分割技术|阈值分割的最大特点是计算简单，对于有两个相反部分的图像能够达到很好的结果， 其基本原理是通过设定不同的特征阈值，把图像像素点分为若干类。常用的特征包括直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。|阈值分割实现简单，对于不同类的物
28、体灰度值或其他特征值相差很大时，他能很有效的对图像进行分割，但对于边界模糊的图像和复杂图像，单纯阈值分割几乎无法准确地分割图像。所以阈值分割通常作为图像的预处理，然后应用其他一系列分割方法进行后处理。 |设原始图像为f(x，y)，按照一定的准则在f(x，y)中找到若干个特征值T1，T2，TN，其中N1。将图像分割为几部分，分割后的图像为： 1021111),(,),(,.),(,),(,),(TyxfLTyxfTLTyxfTLTyxfLyxgNNNNN如果如果如果如果聚类是一种无监督的统计方法，聚类算法迭代地进行图像分类，并提取各类的特征值，即以图像的某些特征（通常是灰度）为标准，将每个象素归
29、于不同的类别，然后进行图像分割。使用聚类法进行图像分割的前提条件是：在医学图像中，每个组织的类特征是不同的。所以，聚类算法不需要训练集，但是需要有一个为初始分割提供的初始参数，初始参数对最终分类结果影响较大。iiCxiixNm1 任选C个初始类均值，m1，m2，mC。 在第k次迭代时，将数据点x归为类Cj，j=mini (x-mi) ；即将数据点x赋给均值离它最近的类。 更新类均值 若对所有的i，mk+1i=mki，则算法收敛，结束；否则转入步骤2继续迭代。y1y2C-均值算法的优点是：它能够动态聚类，是一种无监督学习算法。但是图像分割是一个大样本数据分类问题，利用C-均值进行图像分割时，每次
30、迭代优化都要重新计算聚类中心和类间距，进而对数据点归类，运算十分耗时，这直接限制了C-均值聚类算法在图像分割领域的应用。不仅如此，彩色图像包含了RGB三基色数据，直接运用CMA更是难以进行。因此有必要对彩色图像进行阶段性处理，在减少样本数据量的基础上，运用CMA分割彩色图像。区域增长是一种受到广泛应用的图像分割方法，其基本思想是将具有相似性质的像素集中起来构成区域。该方法需要先选择一个种子点，然后将种子点周围的相似像素合并到种子点像素所属的区域中。区域生长法的优点是计算简单，特别适用于描绘肿瘤和伤口等小而简单的结构，区域生长很少单独使用，往往与其他分割方法一起并用。区域生长法的缺点是：它需要人
31、工交互以获得种子点，这样，使用者必须在每个需要抽取的区域中植入一个种子点。|基于边缘检测的分割方法就是通过检测相邻像素特征值的突变性来获得不同区域之间的边缘。边缘点的判定是基于所检测点的本身和它的一些邻近点，经典的、最简单的边缘检测方法是对原始图像按像素的某邻域构造边缘算子，主要包括局部微分算子，如Roberts梯度算子、Sobel梯度算子和Prewitt算法等都是利用了检测梯度最大值的方法；边缘人可以仅满足于边缘提供的信息|基于边缘的分割方法得到的图像边界往往都是不连续的，需要后处理连接成闭合的边界，即边缘检测方法获得的边缘信息往往会因这些信息不够突出而产生间隙，不能形成包围物体的封闭曲线，
32、这就要求根据这些离散的边缘点采用一定的跟踪、连接算法勾勒出有意义的物体边界。另外，边缘检测分割方法对噪声较大的图像还会产生较多的伪边缘，为去除噪声提出了较高的要求。这个问题在医学超声图像分割中显得尤为突出。 |用灰度梯度检测出的物体边界时，由于噪声等原因，往往是复杂分布点集构成的宽带子。如何除去其中虚假的边缘点，获得单象素宽的连续物体边界是边界提取的重要问题。边界跟踪的基本思想是：从当前的一个“当前点”（边缘点）出发，用跟踪准则检查“当前点”的邻点，满足跟踪准则的点被接受为新的“当前点”并做上标记。放射科放疗适形放疗：铅模作准直器先确定病灶边界适形放疗：先确定病灶边界Tumor适形放疗：制铅模
33、，作准直器Lead|边界跟踪主要包括三个步骤：z确定作为搜索起始点的边缘点，起始点的选择是很重要的。z采取一种合适的数据结构或搜索机理，在已找出的边界点的基础上确定新的边界点。1.确定搜索终结准则或停止条件，例如边界闭合等。|基于模糊理论的方法 |基于知识的分割 |基于人工神经网路的分割|基于遗传算法的分割 |基于活动轮廓模型的方法 |基于小波变换的方法 |基于数学形态学的分割 |医学图像分割评价通过对图像分割算法性能的研究达到优化分割的目的。通过评价可以掌握各个算法在不同分割任务中的表现，以通过选择算法参数来适应不同类型图像的需要。 |区域间对比度。|区域内均匀度。|算法的收敛鲁棒性。|像素
34、数量误差。|医学图像配准（medical image registration）是指对一幅医学图像寻求一种（或一系列）空间变换，使它与另一幅医学图像的对应点达到空间一致。医学图像配准实质上是寻求两幅医学图像之间一对一映射的过程，亦即将两幅图像中对应于空间同一位置的点联系起来。形似？神似？|按图像的维数分类|按交互性分类|按空间变换模型分类|按变换函数作用域分类|按成像模式分类|按控制点分类|按配准过程分类|按图像来源和成像部位分类|基于特征点的配准方法、|基于表面的配准方法、|基于像素的图像配准方法等。|首先提取图像的特征点，然后将两幅图像中的特征点对应起来，最后根据对应的特征点确定空间变换，
35、通常是两个二维多项式。|在这种方法中，特征点数量、位置的选择及特征点匹配的精确度起着重要的作用，它直接影响着配准的精确性。 |首先提取两幅图像中对应的曲线或曲面，然后根据这些对应的曲线或曲面决定几何变换。变换的形式既可以是刚体变换，也可以是形变变换。|这种方法的最大缺点是，配准精度受限于分割步骤的精度，除了分割阶段，整个算法可以做到全自动化，分割阶段经常也是半自动实现的。|基于像素的图像配准方法是直接利用图像中的灰度信息，由于这类方法不需要提取图像的解剖特征，不需要对图像进行分割或数据缩减，而且极大的利用了图像信息，近些年成为人们最感兴趣和重视的研究方法。|由于待配准的多幅图像基本上都是在不同
36、时间或/和条件下获取的，所以没有绝对的配准问题，只有相对的最优（某种准则下的）配准。在此意义上，最优配准与配准的目的有关。常用的评估方法有以下几种：体模法、准标法（fiducial marks）、图谱法和目测检验法。|1.体模法|2.准标法|3.图谱法|4.目测检验法体模又有硬件体模和软件体模之分，后者是计算机图像合成的结果。体模法用已知的图像验证新配准算法的精度。由于体模都比较简单，与实际临床图像差异较大，因此只能对配准方法做初步的评估。立体定向框系统包括立体定向参考框架、立体定向图像获取、探针或手术机械导向几部分。它的优点是定位准确，不易产生图像畸变。使用立体定向框架系统的体积图像数据可以
37、用来评估其他配准方法的精度。使用人工记号做准标的方法很多。Thompson用随机向量场变换构造一个可形变的概率脑图谱。包括从多个受试者到单一解剖模板的功能、血管、组织等多方面的映射及三维图谱到新受试者的扫描图像的映射。对多模医学图像配准的结果请相关领域专家用目测方法检验，听起来有些主观，但的确是一种相当可信的方法。|1DICOM3.0是一套医学图像的通讯标准。DICOM文件一般由文件头和数据集合组成。|2灰度直方图是灰度级的函数，它反映了图像中每种灰度出现的频率。|3常用技术有传统的插值方法、基于边缘的插值技术和基于区域一致性的图像插值方法。|4医学图像增强包含的内容有：对比度调整，噪声的去除，边缘的锐化和滤波，伪彩色处理等。|5图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提,医学图像的分割主要通过分割算法实现。|6医学图像配准是将两种图像结合起来，利用两个图像信息优势，在一幅图像上同时表达多方面信息。1简述DICOM格式图像文件一般结构构成。2灰度直方图有哪些性质？有哪些方面应用？3医学图像插值方法有哪几类？比较几类插值方法的特点。4医学图像增强技术有哪些？5医学图像与普通图像比较具有哪些特点？6简述图像配准的简单流程。