世界首个三维可视化的数字猪

张建勋，徐 凯，邱宗国

(重庆理工大学 计算机科学与工程学院，重庆400050)

1989年，美国国立医学图书馆建立了采集人体横断面CT、MRI和组织学数据的项目，名为“可视人体计划”(visible human project，VHP)［1］。“可视人体计划”的立项、实施和开发具有重大意义。这样的数据集在医学史上是首创，它改变了医学可视化的模式，为计算机图像处理和虚拟现实进入医学敞开了大门。

在一些国家，家猪被作为研究人类疾病的生物医学模型，但各国都还没有自己的数字猪解剖图像。为了解决这个问题，便于未来的研究和教育，“数字猪”项目应运而生。中国重庆市畜牧科学研究院、第三军医大学和重庆理工大学正在着手研究世界上第一个“数字猪”。目前，数字猪项目已经实现了良好的三维可视化效果，并建立了数字猪数据集。这套数据具有非常大的生物医学研究价值，不仅可以用于解剖教学，还可以作为生长模拟、动物仿真等研究的基础。

1 三维可视化方法实现流程

图1说明了如何经过4步流程将数字猪断层图像(输入数据结构)转化为最终的三维可视化图像(输出数据结构)。

图1 三维可视化方法的流程

2 图像采集

选取2头5个月大的荣昌猪(一头公猪和一头母猪)，处死并固定，在重庆第三军医大学附属西南医院进行CT断层扫描以采集CT图像，然后将尸体灌注后放入模中冷冻定型，以保持猪的姿势。在低温实验室中，采用高精度程控铣床对冷冻后的尸体进行削切。数据采集时将高分辨率数码相机与铣头固定，对每次削切后的剖面进行摄像，采用TIF无损格式保存，共获取高分辨率彩色图像2 315幅。如图2所示，CT样本图像相邻断面间距2.5 mm。如图3所示，数码相机样本图像相邻断面间距0.5 mm。

图2 猪CT图像样本

图3 猪彩色图像样本

3 图像配准

3.1 常用图像配准方法

1)基于特征的图像配准方法［2］。首先提取图像信息的特征，然后以这些特征为模型进行配准。此方法的主要优点是计算量更小，速度更快，而且对图像灰度的变化具有鲁棒性，但对特征提取和特征匹配的错误比较敏感。

2)基于灰度的图像配准方法。通常直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似性度量值最大或最小的变换模型的参数值。此方法能提高估计的精度和鲁棒性，但计算量很大，速度较慢。

3)最大互信息图像配准方法。这种方法的突出优点为鲁棒性好、配准精度高、人工干预少。但其配准过程复杂费时，当平移距离为像素的整数倍时会使目标函数产生局部极值。

表1为3种常用配准方法的比较。

表1 3种常用配准方法的比较

3.2 项目采用的配准方法

图像配准是公认难度较大的图像处理技术，也是本项目中对图像分割起着决定性作用的关键技术。

由于本项目中用来削切猪的高精度程控铣床最大加工尺寸只有50 cm，所以需要分段3次才能完成整个猪的削切工作。也就是说，每次削切完成后需将猪身体前移50 cm以便下一段削切，移动前后采集的猪彩色图像可能会发生位移。对于发生位移的图像，需要采用图像配准技术进行校正位置。

这里采用基于图像特征的配准方法，首先需要提取图像中的特征点，然后根据提取的特征点用三角函数计算出图像的旋转角度，借助MatLab中的图像处理函数，编程实现图像的旋转，然后进行图像的平移操作，以达到配准的目的。图4为其中某原始图像与配准后图像。

图4 2幅猪彩色图像

4 图像分割

图像分割就是根据区域内的相似性以及区域间的差异性把图像分割成若干区域的过程。

从医学研究和应用的角度来看，图像分割的目的是将原始的图像分成不同性质的(如灰度、纹理等)区域，提取并进行三维重建，使其尽可能的接近解剖结构，为解剖学和病理学研究提供可靠依据。

由于本项目彩色猪切片图像组织器官边界错综复杂，传统算法很难得到器官平滑、连续的初始轮廓线，这里利用GDI+技术在器官周围人工添加标记点，并在目标周围生成样条插值曲线，以此曲线作为零水平集，建立窄带，再利用M－S模型［3］完成目标的分割(图5)。

图5 猪切片图像(箭头指向肌肉轮廓线)

5 三维重建及可视化

5.1 三维重建流程

三维重建流程见图6。

图6 三维重建流程

数字猪切片器官轮廓数据:原始数字猪横断面切片图像经重庆市畜牧科学院勾勒器官轮廓后形成的切片器官轮廓集，每个切片形成一个文件，包含该切片上各种器官轮廓，器官轮廓以轮廓曲线上插值点描述。

抽取器官轮廓:该步骤提取单个器官体在各切片上的轮廓，形成该器官体的轮廓边界集。

对器官轮廓进行填充:该步骤进一步对切片上的器官体内外部进行标识，尤其是找出器官体内的空洞部分。

器官三维重建:该步骤是整个流程的关键。

输出器官3DS模型:将重建后的模型按3DS文件格式输出。

器官合成:将各器官合成成完整的数字猪模型。

5.2 基于断层间轮廓线的图像三维重建及可视化方法

三维数据集的重建和绘制问题，传统上有2种方法:表面重建和体绘制［4］。根据数字猪的特点，这里采用表面重建方法。

5.2.1 基于断层轮廓的表面重建

这种方法简单且数据量小，但不是很直观。除了以轮廓线表示物体外，还可以由轮廓重建物体的表面来表示。最早的方法是基于多边形技术，主要采用平面轮廓的三角形算法，用三角片面拟合这组表面轮廓的曲面。

5.2.2 基于体素(Voxel)的等值面重建

1)Cuberille方法。将三维图像中的每一像素看成是空间中的一个六面体单元，即体素。在体素内数据场具有相同的值，用边界体素的6个面拟合等值面，即边界体素中相互重合的面去掉，只把不重合的面连接起来近似表示等值面。这种方法的特点是算法简单易行，便于并行处理;主要问题是会出现走样。

2)Marching Tetrahedral方法。首先将立方体体素剖分成四面体，然后在其中构造等值面，进行四面体剖分后，等值面在四面体中的剖分模式减少，算法实现简单。常见的立方体剖分成四面体的方法有5个、6个和24个四面体剖分法。一般最常用的是5个四面体剖分法。

3)Dividing Cubes方法。逐个扫描每个体素，当体素的8个顶点越过等值面时，将该体素投影到显示图像上。如果投影面积大于一个像素的大小，则该体素被分割成更小的子体素，使子体素在显示图像上的投影为一像素的大小，每一子体素在图像空间被绘制成一表面点。采用绘制表面点而不是绘制体素内等值面片，从而节省了大量的计算时间。

5.3 基于中点插值的MC算法

标准的MC算法基本思想是逐个处理数据场的体元，分类出与等值面相交的体元，假设体元数据沿着体元的棱边数据场呈线性变化，采样线性插值计算出与等值面相交的体元的棱边上的交点，根据体元8个顶点与等值面的相对位置，将这些交点按一定方式连接成等一个或多个三角面，作为等值面在体元内的逼近表示。

MC算法首先对体元的8个顶点进行分类，以判定该顶点是位于等值面内还是等值面外。再根据8个顶点的状态，确定等值面在体元内部的连接方式。

本项目的器官分类采用手动分割，对器官进行分割后得到的三维数据集是二值数据(0表示背景，1表示需要重建的物体)。利用这些数据来构造三维等值面时，等值面索引的构造方式与标准的MC方式相同。但是等值面与立方体交点的计算，这里取立方体棱边的中点作为等值面与立方体的交点，省去了线性插值的计算。这主要是考虑到图像是二值的，没有合适的阈值来进行求交;另一方面，通过中点来求交，最大的误差为0.5个立方体。

5.4 实现效果及分析

用中点MC算法进行数字猪的三维重建后发现模型存在台阶现象。针对台阶出现的原因，这里改用Amira进行器官模型的三维重建及网格简化，用3DSMAX对简化后的网格进行平滑的方法来消除器官三维重建后的台阶现象。

5.5 使用Amira和3DSMAX三维重建数字猪的方法

方法流程分为3个阶段:

1)在自编软件VolViewer中，先抽取器官轮廓，然后进行填充，并依据器官的坐标集计算出包围盒，该包围盒的极值点坐标是全局坐标。

2)在Amira软件中，将填充器官内部后的数据集及器官包围盒送入到Amira进行三维重建，由于切片层间差异较大，Amira建立的原始三维模型同样有台阶现象，不过可以借助Amira网格简化工具对原始模型进行网格简化，能够很好地消除台阶，但同时也会使模型产生很多菱角。这就需要用3DSMAX对简化后的模型进行平滑。由于3DSMAX只对Amira模型数据的DFX文件支持，所以要将简化后的模型导出成DFX格式。

3)在3DSMAX中，利用3DSMAX对DFX格式的简化模型进行光滑，并导出成最后的3DS文件格式供后续的视景操作用。同时用该软件也可以进行数字猪多器官的合成。

图7 数字猪图像

6 结束语

介绍了世界首个三维可视化数字猪的实现流程，给出了各流程的实现方法，最后对可视化效果进行分析并作出了合理的改进，使得三维可视化的效果更好。

目前，本项目已完成数字猪的三维可视化，建立了数字猪数据集和虚拟猪模型，并开发了网络教学平台。我们还将开展一些后续研究，包括生长模拟、动物仿真等。

致谢:本项目所用数字猪数据集由重庆市畜牧科学研究院和第三军医大学提供，特此感谢。

［1］ 李七渝，张绍祥，林支付，等.中国数字化可视人脑基底核团的三维立体解剖与可视化［J］.解剖学杂志，2008(6):845－847.

［2］ 张建勋，刘羽.基于多分辨率图像锥与Hausdorff距离的医学图像配准［J］.重庆理工大学学报:自然科学版，2010(1):60－64.

［3］ 杨长辉，张绍祥，王金勇，等.基于窄带M－S模型的猪序列切片图像的交互式分割［J］.计算机科学，2009(1):234－238.

［4］ 傅由甲，洪雄，张建勋，等.三维重建表面任意切面图像提取及映射有效方法［J］.计算机应用研究，2009(9):3548－3565.