基于小波域马尔可夫随机场的医学影像图像提取实现研究

摘 要：对医学影像图像提取处理的小波域马尔可夫随机场数学模型进行了分析，较详细地研究了适当最优准则算法、最大后验边缘估计及多尺度概率值算法的数学原理。然后运用仿真软件对该模型的实现进行了设计、对比分析。最后对该系统进行了仿真实验与分析，验证了所设计系统的合理性。仿真表明结果与理论分析一致。

关键词：小波域马尔可夫随机场;数学模型;医学影像图像;设计;提取

中图分类号：TP391.41

文献标识码： A

医学影像成像技术的快速发展和影像数据的高速增长推动着医学影像图像提取的加速发展。医学影像图像提取是获取影像图像机体的重要信息，是进行图像分割、特征抽取和分类识别的关键。它是利用医学知识与数学算法对医学影像图像进行定量分析的过程，对临床诊断技术具有重要的理论指导意义与临床应用价值[1-3]。医学影像技术不仅使临床医生对人体内部病变部位的观察更直接、清晰，而且对机体内病变部位的精准定位、现场救护等也发挥着重要的作用[4-7]，为疾病的诊断提供证据和可靠的治疗方案。Xu X等[8]利用深度卷积神经网络与三维全连接条件随机场及循环神经网络进行局部自动分割膀胱CT图像研究;刘侠 等[9]采用改进的基于隐马尔可夫随机场框架的算法提高了脊柱分割的精确性研究;标本等[10]结合空间信息的模糊C均值与高斯马尔可夫随机场理论，将人脑MRI进行分割，降低噪声的影响，提高了鲁棒性;兰丙申等[11]改进加强模糊C均值聚类算法对高噪声的MRI医学图像较好的分割研究;邓金城等[12]研究了带孔全卷积神经网络模型有效地提高胸部放疗计划图像的自动分割精度，可同时进行多目标的自动分割，具有最佳的自动分割效果;改进空间模糊聚类的图像分割算法来准确、快速地分割人脑DTI图像，且对图像噪声不敏感研究也得到了报道[13];高建瓴等[14]采用自适应的活动轮廓模型克服了能量泛函单一的CV和LBF模型不能准确快速分割灰度不均匀医学图像缺陷，并且它对初始轮廓的鲁棒性很強。本研究介绍了医学影像图像提取处理的小波域马尔可夫随机场数学模型，较详细地分析了适当最优准则算法、最大后验边缘估计及多尺度概率值算法的数学原理。运用仿真软件对该模型的实现进行了设计，仿真实验分析。

1 医学影像图像提取中小波域马尔可夫随机场数学模型分析

2.2 仿真实验研究

实验使用的是被噪声污染的医学影像图像，分别采用基于原型的目标函数聚类方法和小波域马尔可夫随机场模型的方法来进行图像提取。实验采用MATLAB程序语言来进行编程，实现算法仿真。对其用不同的方法将被污染的图像进行提取算法恢复，设计实现如图1所示。

仿真实验结果如图2（b）、（c）所示，其中图2（a）为被噪声污染的原图，图2（b）为基于原型的目标函数聚类方法进行提取后的图像，图2（c）为用小波域马尔可夫随机场模型方法进行提取后的图像。

基于原型的目标函数聚类法提取医学影像图形结果如图2（b）所示，会发现提取后的区域边界与整个背景没有分开，目标上部与背景混在一起。这种结果的原因是该方法是按照与聚类中心距离的远近来决定像素的，然而噪声会改变图像的灰度值，使同一区域的像素变为不同的区域，从而造成这种结果。

基于小波域马尔可夫随机场模型提取的医学影像图形结果如图2（c）所示，与图2（b）相比，可观察出基于小波域马尔可夫随机场模型法提取的医学影像图2（c）的区域边界效果更好。可见基于小波域马尔可夫随机场模型的方法能够从粗尺度到细尺度有层次地来进行提取处理，粗尺度对噪声敏感较弱，达到较好的提取效果。

3 结语

文章对医学影像图像提取处理的小波域马尔可夫随机场数学模型进行了分析，较详细地分析了适当最优准则算法、最大后验边缘估计及多尺度概率值算法的数学原理。采用MATLAB平台对该模型的实现进行了设计，对比分析其优势。比校了图像提取的方法和算法，为实际应用和理论研究提供了参考。但随着科技的日新月异，在实际应用中会随机出现各种各样的难题，所以图像处理的小波域马尔可夫随机场数学模型的理论和技术有待后续进一步深入研究。

参考文献：

[1]LI Yuee， LIU Qingfang. The application of wavelet transform to the image segmentation[J]. Journal of Shanxi University， 2009， 32（4）： 566-571.

[2]张永刚，陈军.基于模型法的医学影像图像纹理分析研究[J].工业仪表与自动化装置，2018（3）：101-103+106.

[3]孙凯.随机森林在医学影像分析中的应用研究进展[J].北京生物医学工程，2018，37（4）：413-418.

[4]刘泽宇，郭炜婷.计算机图像处理技术在医学影像中的进展与应用研究[J].中国卫生标准管理，2018，9（9）：116-118.

[5]陈浩，李本富.医学图像处理技术新进展[J].第四军医大学学报，2004（5）：478-479.

[6]罗欣. 马尔可夫随机场的小波域图像建模及应用研究[D].西安：长安大学，2015.

[7] D GLowe.Distinccive image features from scale￣invariant key points[J]. International Journal of Computer Vision，2004，60（ 2）：91-110.

[8]Xu X，Zhou F，Liu B. Automatic bladder segmentation from CT images using deep CNN and 3D fully connected CRF￣RNN[J].International Journal of Computer Assisted Radiology and Surgery，2018，13（7）：967-975.

[9]刘侠，匡瑞雪，王波，等.基于隐马尔可夫场的脊柱CT图像分割算法[J].哈尔滨理工大学学报，2018，23（2）：1-5.

[10]标本，梁恺彬，管一弘.高斯马尔可夫随机场的人脑MRI图像分割方法[J].计算机技术与发展，2017，27（7）：180-184.

[11]兰丙申，韩红伟.基于字典降噪改进模糊聚类MRI图像分割算法[J].中国数字医学，2018，13（10）：49-51.

[12]邓金城，彭应林，刘常春，等.深度卷积神经网络在放射治疗计划图像分割中的应用[J].中国医学物理学杂志，2018，35（6）：621-627.

[13]刘絮雨，张相芬，马燕，等.基于改进空间模糊聚类的DTI图像分割算法[J].中国生物医学工程学报，2018，37（4）：394-403.

[14]高建瓴，孟宇婷，邸泽雷坤.基于自适应活动轮廓模型的医学图像分割算法研究[J].贵州大学学报（自然科学版），2018，35（5）：67-73.

[15]闫兵，柏森，刘博文，等.基于交叉混沌映射的小波域图像加密算法[J/OL].計算机应用研究，2018（6）：1-2[2018-05-09].http：//kns.cnki.net/kcms/detail/51.1196.TP.20170614.1352.194.html.

[16]尹芳，付自如，于晓洋.小波域Wiener滤波和Perona￣Malik融合去噪的新算法[J].计算机科学与探索，2018，12（3）：432-441.

[17]Sklein，M staring， K murphy， et al. Elastix： a toolbox for inlensitybased medical image registration[J].IEEE Transactions on Medical Imaging，2010，29（1）： 196-205.

[18]张磊. 基于TS￣MRF模型的图像分割[D]. 西安：西安电子科技大学， 2012.

[19]李旭超. 小波变换和马尔可夫随机场在图像降噪与分割中的应用研究[D]. 杭州：浙江大学， 2006.

[20]张红军，闫士举. 基于双侧乳腺图像“共用”阈值分割的乳腺癌近期发病预测[J]. 中国医学物理学杂志，2017，34（8）：820-824.

[21]李旭超，朱善安，朱胜利.基于小波域层次Markov模型的图像分割[J].中国图象图形学报，2007，12（2）：308-314.

[22] 钟瑾， 施俊， 周世崇，等. 基于分数阶Fourier变换的乳腺肿瘤纹理特征提取[J]. 上海大学学报（自然科学版）， 2012， 18（3）：240-245.

[23]鲍蕊，薛朝辉，张像源，等.综合聚类和上下文特征的高光谱影像分类[J].武汉大学学报（信息科学版），2017，42（7）：890-896.

[24]楼向阳.隐马尔可夫模型在生物学和医学研究中的应用[J].郑州大学学报（医学版），2017，52（3）：237-246.

[25]牟希农.基于统计学方法的医学影像图像分割技术研究[J].畜牧兽医杂志，2017，36（5）：138-140.

[26]陈军， 汪春菊， 赵红蕾，等. 基于马尔可夫模型的超声医学图像处理研究[J].畜牧兽医杂志， 2016， 35（2）：44-46.

（责任编辑：曾 晶）