海量医学图像数据三维可视化表面重建方法

张 晨

(蚌埠医学院，安徽 蚌埠 233030)

0 引 言

随着医学影像技术的发展，图像处理技术被广泛用于海量医学图像分析中，通过提取海量医学图像中的病理分布特征量，实现对病理特征的优化检测和诊断。医学图像的识别是建立在对海量医学图像数据三维可视化表面重建基础上，通过提取海量医学图像数据的三维特征量，采用三维可视化表面重构的方法进行图像的优化检测和识别，建立海量医学图像数据的统计分析模型，提高海量医学图像数据三维可视化表面重建能力和辨识能力[1]。相关的海量医学图像数据三维可视化表面重建方法研究在医学影像的检测和诊断中具有重要意义。本文提出基于谱分析的海量医学图像数据三维可视化表面重建方法，根据对海量医学图像的三维结构分布式重组进行动态滤波检测，提取海量医学图像的谱特征量，根据谱特征分布进行海量医学图像的多维重建，最后进行仿真实验分析，展示了该方法在提高海量医学图像数据三维可视化表面重建能力方面的优越性能。

1 海量医学图像数据的采集及三维图谱特征提取

1.1 海量医学图像数据的采集模型

为了实现海量医学图像数据三维可视化表面重建，需要首先构建海量医学图像数据的采集模型，假设海量医学图像数据的信息采样分布的长度为L=xmax-xmin，海量医学图的成像分布带宽为W=ymax-ymin，结合谱聚类分析的方法，进行海量医学图像数据的像素序列重构[2]，得到图像的像素分布高度为H=zmax-zmin。在可变区域拟合能量特性，采用离散像素序列重构的方法，进行海量医学图像数据的三维重构，构建4个海量医学图像数据的参考模板特征分布集，得到海量医学图像数据的模糊相关性特征分量x1、x2、x3和x4，表示为

(1)

其中，m为轮廓曲线的分布尺度，海量医学图像数据的统计形状模型为I(x,y)，在整个重构的几何空间中，得到海量医学图像数据特征分布的二阶矩η和灰度不变矩Rx，其估计值为

(2)

(3)

结合模糊聚类与水平集重组的方法进行海量医学图像数据的信息融合和区域调度[4]，建立海量医学图像数据的基函数模型为

g(x,y)=f(x,y)+ε(x,y)

(4)

其中，f(x,y)、g(x,y)、ε(x,y)分别为海量医学图像数据的像素强度。根据上述分析，建立海量医学图像数据采集模型，结合对图像的边缘轮廓特征进行特征重构，进行海量医学图像数据的空间融合处理，采用边缘轮廓检测的方法进行海量医学图像数据三维可视化特征分解，提高图像的三维可视化重构能力[5]。

1.2 海量医学图像数据三维图谱特征量提取

采用边缘轮廓检测的方法进行海量医学图像数据三维可视化特征分解，建立海量医学图像数据的模糊相关性特征分布结构模型，基于模板法对海量医学图像的解剖结构进行谱信息特征检测[5]，得到海量医学图像的边缘轮廓检测分布为

(5)

其中，Ic(y)为海量医学图像的整体分布像素集，Ac为海量医学图像数据的尺度信息。采用组织分割进行海量医学图像数据的信息融合，得到海量医学图像数据的信息融合矩阵描述为

(6)

(7)

其中，ejθF(k1,k2)和ejθG(k1,k2)为目标域的分量，医学图像中脂肪的类中心大小为N1×N2，采用向量量化方法进行海量医学图像数据的信息融合处理，对整体测试数据分类，得到标准的分类集为

(8)

其中，‖sj‖为sj中海量医学图像数据的相似度，由此实现海量医学图像数据的三维图谱特征量提取，根据特征提取结果进行三维可视化表面重组[7]。

2 图像数据三维可视化表面重建优化

2.1 海量医学图像数据的特征融合聚类

(9)

其中r和θ为像素分布的强度和方差。通过比较对应特征，当满足ηm(x,y)∈{-1,0,1}， 对抽样后的测试数据进行预测，得到相似度特征分量为

(10)

“我一直想去找找看，可能已经没有机会了。你替我去看看万花谷，看看我们大唐的那个桃花源，没有和那个东方宇轩结交成朋友，是我此生最大的遗憾。”父亲在李离的耳边低语，他身披甲胄的样子跟平时不一样，微胖的身体与脸庞挤在铁甲里，显得有一点滑稽。在十几个子女中，他是父亲最怜爱的孩子，父亲希望他是那场莫须有的大火里，埋得最深的一颗青松的种子吧！

(11)

(12)

其中，c为图像像素分布的列数，r为其行数。对医学图像数据的整体结构进行归一化处理，提高图像的三维可视化重建能力[8]。

2.2 图像的三维可视化表面重建

提取海量医学图像的谱特征量，根据谱特征分布进行海量医学图像的多维重建，海量医学图像数据的空间视觉特征分布为：

u(x,y;t)=G(x,y;t)

(13)

(14)

其中，Δu为海量医学图像数据的全局阈值分割的关联像素点，σ为海量医学图像数据的颜色差异度特征量。在Ag区域内，得到海量医学图像数据的局部关联帧，重构海量医学图像数据的边缘轮廓特征分布集[9]，得到海量医学图像数据的边缘轮廓，重构图像边缘梯度信息，得到海量医学图像数据的边缘与区域信息的变分水平集为

s(k)=φ·s(k-1)+w(k)

(15)

其中

(16)

改进变分水平集方法，得到海量医学图像数据的R、G、B分量，利用变分法，得到边缘与区域信息分布点为AR、AG、AB和WR、WG、WB。对图像的活动轮廓进行优化分割，将图像分割成M×N个2×2的子块Gm,n，得到海量医学图像数据的匹配集为

E[f(θ,k)]=0,∀θ∈[-π,π],∀k∈Z

(17)

(18)

(19)

Gnew=(1+μT)(1+λT)Gold

(20)

(21)

其中，Gnew和Gold分别是海量医学图像的分布向量集。综上分析，实现海量医学图像数据三维可视化表面重建[10]。

3 仿真实验与结果分析

为了验证本文方法在实现海量医学图像数据三维可视化表面重建中的应用性能，采用MATLAB进行仿真实验分析。海量医学图像数据采样来自于医学图像数据库Corel库，在标准的医学图像数据库中选择2 000组图像作为测试集，给出海量医学图像数据的测试样本集规模为1 200，训练样本集为120，图像灰度平均值Δ=2.5，边缘像素平均分布集为1.25，区域信息的变分水平集为12.8，边缘演化系数为0.89，根据上述仿真环境和参数设定，进行海量医学图像数据三维可视化表面重建仿真。以血管图和脑部图为研究对象，得到原始图像(图1)。

图1 原始的医学图像

以图1的图像为研究对象，建立海量医学图像数据的三维结构重组模型，根据谱特征分布进行海量医学图像的多维重建，结合三维可视化特征分析的方法，实现对海量医学图像数据的可视化表面重建和优化识别，得到图像三维可视化表面重建输出，如图2所示。

图2 图像三维可视化表面重建输出

分析图2得知，采用本文方法能有效实现对海量医学图像数据三维可视化表面重建，测试不同方法的海量医学图像数据三维可视化表面重建的性能，得到输出信噪比对比结果见表1。分析表1结果得知，采用本文方法能提高海量医学图像数据三维可视化表面重建的输出信噪比，说明图像的输出质量较好。

表1 输出峰值信噪比对比 dB

4 结 论

本文提出基于谱分析的海量医学图像数据三维可视化表面重建方法。根据对海量医学图像的三维结构分布式重组进行动态滤波检测，提取海量医学图像的谱特征量，根据谱特征分布进行海量医学图像的多维重建，结合三维可视化特征分析的方法，实现对海量医学图像数据的可视化表面重建和优化识别。分析得知，本文方法进行海量医学图像数据三维可视化表面重建的特征分辨能力较好，对图像数据的细节结构特征识别能力较强，提高了对海量医学图像的检测识别能力，峰值信噪比较高。