医学图像处理技术分析管理论文

导语：医学图像处理技术分析管理论文一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

论文关键词：医学图像处理图像分割图像配准图像融合纹理分析

论文摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、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。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。

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

FeatureExtractionandClassificationApproach[J].ProcofSPIE，1998，3338：1502-1509.

[24]UIndhal.EvaluationofalternativespectralfeatureextractionMethodsoftexturalimagesformultivariate

modeling[J].JournalofChemometrics，1998，Vol12（4）：261-278.