基于马尔可夫模型的超声医学图像处理研究

陈　军,汪春菊,赵红蕾,胡春玲,韩新民,贺莉萍

(1.甘肃中医药大学定西校区， 甘肃 定西，743000;2.兰大二院定西医院)

基于马尔可夫模型的超声医学图像处理研究

陈军1,汪春菊2,赵红蕾2,胡春玲1,韩新民1,贺莉萍1

(1.甘肃中医药大学定西校区， 甘肃 定西，743000;2.兰大二院定西医院)

摘要：文章从基于马尔可夫模型的超声医学图像处理研究的意义、国内外研究现状、趋势、拟采取的研究方法、技术路线、可行性及创新性等方面分析了其研究的内容目的。

关键词：马尔可夫模型；超声医学；图像处理；研究

数字时代，医学影像成为医生诊断和治疗及动物保护的重要辅助手段。其中,超声医学影像技术以其安全、快速、实时和价格低廉等优点在医疗的诊断、术前计划、治疗、术后监测等各个环节中发挥着巨大的作用。医学图像处理技术作为这些成像技术的基础，推动着现代医学及动物医学产生着深刻的变革。

医学影像不仅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，而且在动物，特别是宠物体内病变部位的观察、现场救护、病期护理、手术及康复护理等生命科学的各个领域中发挥着越来越重要的作用。二十世纪七十年代初,X-CT(X射线电子计算机断层扫描)的发明曾引发了世界医学影像领域的一场革命,与此同时,核共振成像、超声成像、数字射线照相、计算机成像和核素成像等也逐步发展。不同的医学图像提供了相关脏器的不同信息,图像融合的潜力在于综合处理应用这些成像设备所得信息以获得新的有助于临床诊断的可靠信息。利用可视化软件,对多种模态的图像进行图像融合,可以准确地确定病变体的空间位置、大小、几何形状及它与周围生物组织之间的空间关系,从而及时高效、准确地诊断疾病,也可以用在手术计划的制定、病理变化的跟踪、治疗效果的评价等方面。在放疗中,利用MR(磁共振)图像勾勒画出肿瘤的轮廓线,也就是描述肿瘤的大小；利用CT图像计算出放射剂量的大小以及剂量的分布,以便修正治疗方案。在制定手术方案时,对病变与周围组织关系的了解是手术成功与否的关键,所以CT与MR图像的融合为外科手术提供有利的佐证,甚至为进一步研究肿瘤的生长发育过程及早期诊断提供新的契机。在CT成像中,由于骨组织对X线有较大的吸收系数,因而对骨组织很敏感；而在MR成像中,骨组织含有较低的质子密度,所以MR对骨组织和钙化点信号较弱,融合后的图像对病变的定性、定位有很大的帮助。由于不同医学成像设备的成像机制不同,其图像质量、空间与时间特性有很大差别。因此,实现医学图像的配准、检索、信息融合等是图像处理中的关键技术。

1研究内容

本研究旨在探索基于马尔可夫模型下的超声医学图像处理的方式方法。通过对马尔可夫随机场(MRF)模型合理的设计，运用置信度传播算法(BP)对采集的图像素材进行推理，然后对素材块的重叠区域进行处理，采用最佳的“平均”拼接方法状态估计，并研究不同的图像块大小，候选图像块搜索范围和候选图像块数量对合成效果的影响，最终合成一幅完整的图像，它将有效减少光照变化对素材合成效果的影响，增强图像轮廓的边缘信息，丰富阴影纹理，具有立体质感，使所用的模型、算法能达到很好的三维医学图像的可视化效果。

2解决的关键问题

2.1如何减少光照变化对图像合成效果的影响

本研究采用马尔可夫随机场(Markov Random Field，MRF)模型解决对光照变化比较敏感，导致素描效果受光照影响大的模型问题，把与训练素描块对应的训练照片块将加入到局部证据函数的定义中，同时用灰度(Gray)特征和高斯差分(Difference of Gaussian)特征相结合匹配，一方面能够检测和增强照片的边缘，另一方面，通过减去低频成分降低光照变化的影响。

2.2确定最佳置信度传播算法估计

当采用不合理的置信度传播算法估计时，会出现较多斑痕的图像，不够清晰的轮廓，比较粗糙的整体感觉等不良效果。因此，采用和积置信度传播(Sum-Product BP)算法，通过不断地迭代直到信息收敛，使轮廓过渡自然，阴影纹理比较丰富，具有立体质感。

2.3寻找最合理的三维医学图像的可视化

三维医学图像的可视化通常是利用人的视觉特性，通过计算机对二维数字断层图像序列形成的三维体数据进行处理，使其变换为具有直观立体效果的图像呈现其三维形态。

3研究方法思路与可行性分析

3.1研究方法思路

运用基于如统计学、模糊集、神经网络、形态学、小波分析、遗传算法、尺度空间多分辨率等多种方法和非线性扩散方程等特定理论对马尔可夫随机场(MRF)模型进行设计和三维医学图像的可视化及三维超声系统重建；运用置信度传播(BP)算法估计状态等方面进行研究。其研究思路和实验方案如图1所示。

3.2可行性分析

本研究将采用图像匹配等方法先将图形数据库分割成重叠的图像块，建立马尔可夫随机场模型，考虑到形态上的差异，把与训练对象ysi对应的训练图ypi加入到局部证据函数的定义：EL(xpi,yi)=λL1d2Gray(xpi,ypi)+λL2d2Gog(xpi,ypi)+λL3d2GSIFT(xpi,ysi)

(1)

为了让测试块xpi与训练块ypi拟合的效果更好，既采用高斯差分特征作为xpi、ypi的能量函数，同时也采用灰度特征算法，消除高斯差分在某些区域引起的歧义，解决成分损失问题；在测试块xpi与训练块ysi的匹配上，使用尺度不变特征转换特征来描述，并使用欧式距离作为不同形态间的距离，通过邻域兼容性函数:Ec=(ysi+y+sj)=λicd2ic(ysi,ysj)+λGCd2GC(ysi,ysj)

(2)

使得估计的相邻的重叠区域平滑，以避免马赛克现象或减少假象。

(3)

(4)

(5)

(6)

每个节点的信息不是即时更新的，而是在每次迭代完之后所有节点同时进行更新。在实际应用中，经常需要对信息mij(ysj)进行归一化，防止迭代次数过多时出现信息下溢现象；该研究还将创造性地探究不同的图像块大小，选择图像块搜索范围及图像块数量对合成效果的影响，通过灵活调整图像，使得模型适合大规模样本的应用。采用MRF模型设计及和积置信度传播算法进行推理，并研究不同的图像块大小，候选图像块搜索范围和候选图像块数量对合成效果的影响。这样经过整合各算法功能，进行系统优化，测试、评估其效果。

4创新点

4.1模型设计创新

本研究在于马尔可夫随机场(MRF)模型设计上进行了创新。把与训练块ysj对应的训练照片块ypi将加入到局部证据函数的定义中，同时进行测试照片块与训练照片块、训练的匹配。既采用高斯差分特征作为xpi、ypi的能量函数，同时也采用灰度特征算法，消除高斯差分特征在某些区域引起的歧义。在测试照片块xpi与训练素描块ysj的匹配上，使用尺度不变特征转换特征来描述照片块和素描块，并使用欧式距离作为不同形态间的距离，通过邻域兼容性函数的目标使得估计的相邻素描块的重叠区域平滑，以避免马赛克现象或减少假象。

4.2算法应用创新

本研究在MRF模型基础上提出利用置信度传播(BP)算法估计，突破传统多斑点瑕疵，轮廓不够清晰的缺点，通过对比不同版本BP算法后的效果，其中包括和积置信度传播和最大积置信度传播两种算法，确定最佳置信度传播算法，满足轮廓过渡自然，阴影纹理丰富的要求。

5结语

超声医学影像技术以其安全、快速、实时和价格低廉等优点在医疗的诊断、手术前计划、治疗、手术后监测等各个环节中发挥着巨大的作用和将推动着现代医学特别是动物医学发生深刻的变革。它将在动物医学、畜牧生产中得到广泛深入地应用。

参考文献:

[1]Stanley Osher,Nikos Paragios. Geometric Level Set Methods in Imaging,Vision, and Graphics[M]. Springer Verlag New York,Inc.2003:175-194.

[2]周永新,罗述谦.一种人机交互式快速脑图像配准系统[J].北京生物医学工程,2002;21(1):11-14.

[3]杨虎,马斌荣,任海萍,等.基于互信息的人脑图像配准研究[J].中国医学物理学杂志,2001;18(2):70-74.

[4]Kandel S M, Meyer H, Boehnert M,et al.How influential is the duration of contrast material bolus in jection inperfusion CT evaluation in a swine model[J].Radiology,2014,270(1)125-130.

[5]肖雅雯 译.应用动态三维MR肾成像检查评估碘对比剂对肾功能的影响[J].国际医学放射学杂志,2014,37(2):172.

[6]刘学焕 译.建立MRI监测胆道内局部试剂运送技术:应用猪的可行性研究[J].国际医学放射学杂志,2012,35(3):270.

[7]冯晓鹏,马应战,赵占龙,等.动物卫生监督工作中面临的困惑、问题及对策[J].畜牧兽医杂志, 2012,31(2):110-112.

[8]李晶,吴庭鹤,田文儒.实时B型超声扫描在绵羊妊娠监测中的应用[J].动物医学进展,2001, 22(3):31-33.

[9]Salih BG,Carlo T,Bernd G.Medical image compression based on region of interest,with application to colon CT images[J].Eng Med Biol Soc,2001:2453-2456.

[10] 张翊华,窦忠英.B超监测母羊妊娠研究进展[J].西北农林科技大学学报:自然科学版,2004,32(7):117-122.

[11]郑星道,郑红华,孙占伟,等.实时超声扫描对犬怀孕早期的诊断[J].中国兽医杂志,1998,24(7):9-10.

[12]丁金立,李宏军,张岩岩,等.肝脏血供的血流动力学研究现状与进展[J].磁共振成像,2014,5(5):391-395.

[13]王弈,李传富.人工智能方法在医学图像处理中的研究新进展[J].中国医学物理学杂志,2013.30(03):4138-4143.

[14]胡新宸.基于OpenGL的医学图像三维可视化平台的设计与实现[D].厦门:厦门大学,2013:5-10.

[15]王小俊.数字医学图像边缘检测算法研究与实现[D].北京：首都师范大学，2013：10-15.

[16]陈娟.重庆新桥肿瘤医院DICOM医学图像处理软件设计与开发[D].成都:四川师范大学,2013:2-6.

[17]张彦彩,朱小忠,马国林,等.螺旋CT低剂量扫描研究进展[J].中国医学影像技术,2010,26(7):1376-1378.

[18]祝毛玲.计算机辅助诊断超声内镜图像在胰腺癌诊断中的应用[D].上海:第二军医大学,2012:5-8.

[19]朱非甲.分布式环境下的医学图像处理平台研究[D].哈尔滨:哈尔滨理工大学,2011:4-8.

[20]孙玺岩.基于Canny算子结合小波变换和改进Hausdorff距离的医学图像配准算法研究[D].沈阳:东北大学,2011:5-19.

[21]贺志国.基于活动轮廓模型的SAR 图像分割算法研究[D].长沙:国防科学技术大学,2008:10.

[22]胡玉晖.基于局部子区域的活动轮廓图像分割方法[J].通信技术,2010,43(02):68-70.

[23]杨青,何明一.改进CV模型的医学图像分割[J].计算机工程与应用,2010,46(17):194-196,211.

[24]T. Chan L. Vese. Active contours without edges[J].IEEE Transactions on Image Processing,2001,10(2): 266-277.

[25]徐旦华,鲍旭东,舒华忠.基于区域划分和改进C-V 法的医学图像分割方法[J].东南大学学报(自然科学版),2006,36(5): 863-867.

[26]Chen Jia-Lin, Kundu,A.Unsupervised texture segmentation using multichannel decomposition and hidden Markov models[J].IEEE Transactions on Image Processing, 1995,4(5):603-619.

[27]芦莹华.图像处理技术在PACS中的应用研究[J].医疗卫生装备,2014,35(5):132-133,155.

[28]汪家旺,罗立民,舒华忠.CT、MR图像融合技术临床应用研究[J].影像技术学,2001;8:604-608.

Study of Ultrasound Medical Image Processing Based on Markov Model

CHEN Jun1,WANG Chun-ju2, ZHAO Hong-lei2, HU Chun-ling1, HAN Xin-min1, HE Li-ping1

(1.DingxiCampus,GanSuUniversityofTraditionalChineseMedicine,DingxiGansu743000;2.SecondHospitalofLanzhouUniversity/DingxiHospital)

Abstract:According to research significance, domestic and foreign present situation, trend, method, technical route, feasibility and innovative aspects of the ultrasound medical image processing based on markov model, the contents and purposes of the study were analyzed in this article.

Key words:markov model;ultrasound medical; image processing; study

[收稿日期]2015-10-18

[基金项目]国家自然科学基金项目(60971294)，定西师范高等专科学校项目(DS1505)。

[作者简介]陈军(1969-)，男,甘肃通渭人，博士，教授，研究方向医学信号处理。

[中图分类号]TP 391.4

[文献标识码]A

[文章编号]1004-6704(2016)02-0044-03