摘 要：隨著X光醫(yī)學(xué)成像技術(shù)的進(jìn)步和發(fā)展，醫(yī)學(xué)圖像處理在醫(yī)學(xué)研究與臨床醫(yī)學(xué)中的應(yīng)用越來(lái)越廣泛。與一般意義上的圖像處理比較，醫(yī)學(xué)圖像處理有其特殊性和不同的側(cè)重點(diǎn)，X光成像的目的是要讓醫(yī)生能夠觀察到被檢者體內(nèi)的某個(gè)病變組織或器官及其狀況，所以醫(yī)學(xué)圖像處理更側(cè)重于提取某一個(gè)組織或器官的特征。但由于X光圖像不像光學(xué)圖像那樣聚焦，圖像會(huì)略顯模糊，再加上人體各種組織和器官縱橫交錯(cuò)，很難分辨出某單個(gè)組織或器官的細(xì)節(jié)。目前急需提供一種從人體X光圖像中提取某個(gè)組織或器官清晰特征的方法，為醫(yī)生診斷該組織或器官疾病提供方便。因此可以通過(guò)提取醫(yī)學(xué)圖像的局部細(xì)節(jié)，凸顯病變組織或器官特征。

關(guān)鍵詞：醫(yī)學(xué)圖像處理；單個(gè)器官；特征

中圖分類號(hào)：TP391.9

X光成像的目的是要讓醫(yī)生能夠觀察到被檢者體內(nèi)的某個(gè)病變組織或器官及其狀況，因此醫(yī)學(xué)影像質(zhì)量的好壞將直接影響醫(yī)生的診斷。人體所包含的許多組織和器官，在多數(shù)成像方法中它們都同時(shí)成像，而臨床上經(jīng)?？紤]的是某一個(gè)組織或器官，醫(yī)學(xué)成像系統(tǒng)的任務(wù)是將具體的組織或器官特征轉(zhuǎn)換為影像的灰度梯度。X光圖像的質(zhì)量取決于成像方法、設(shè)備的特點(diǎn)、操作者選用的客觀與主觀成像參數(shù)以及被檢者的配合等等。由于太多因素的影響，X光圖像往往模糊不清。傳統(tǒng)的處理方法通常是拉伸圖像灰度，圖像直接銳化等，這些方法雖然能突出圖像的一些細(xì)節(jié)，但各種組織和器官縱橫交錯(cuò)，讓醫(yī)生很難分辨出他所關(guān)心的組織或器官的細(xì)節(jié)。面對(duì)這些問(wèn)題，本文提出了一種圖像處理方案，在MATLAB中提取出了X光人體圖像中骨組織和肺器官的清晰圖像，可以為其他醫(yī)學(xué)圖像的處理提供借鑒。

1 圖像處理過(guò)程和方法

從信息量的角度看，一幅圖像所包含的信息遠(yuǎn)比一條曲線或幾個(gè)數(shù)據(jù)要多。它以直觀的形式向醫(yī)生展示人體內(nèi)部的結(jié)構(gòu)或有關(guān)生理參數(shù)的空間分布，為醫(yī)生的診斷提供重要依據(jù)，成為臨床診斷與醫(yī)學(xué)研究中不可缺少的工具。

醫(yī)學(xué)圖像處理更側(cè)重于提取某一個(gè)組織或器官的細(xì)節(jié)特征，但由于病人病情的多樣性，在人體醫(yī)學(xué)圖像中提取某一個(gè)組織和器官的細(xì)節(jié)特征都具有現(xiàn)實(shí)意義。下面提供一種醫(yī)學(xué)圖像處理方法，分別提取同一幅醫(yī)學(xué)圖像中的骨組織和肺器官。

1.1 提取骨組織

高通濾波器削弱傅里葉變換的低頻而保持高頻相對(duì)不變點(diǎn)，這樣會(huì)突出圖像的邊緣和細(xì)節(jié)，使得圖像邊緣更加清晰。但由于高通濾波器偏離了直流項(xiàng)，從而把圖像的平均值降低到了零。一種補(bǔ)償方法是給高通濾波器加上一個(gè)偏移量。若偏移量與濾波器乘以一個(gè)大于1的常數(shù)結(jié)合起來(lái)，則這種方法就稱為高頻強(qiáng)調(diào)濾波，該常量乘數(shù)突出了高頻部分，同時(shí)增加了低頻部分的幅度，但只要偏移量與乘數(shù)項(xiàng)比較小，低頻增強(qiáng)的影響就弱于高頻增強(qiáng)的影響。高頻強(qiáng)調(diào)濾波器的傳遞函數(shù)為：

1.2 提取肺部

處理圖像的基本思想是將非線性問(wèn)題轉(zhuǎn)化成線性問(wèn)題進(jìn)行處理，即先對(duì)非線性混雜信號(hào)做某種數(shù)學(xué)運(yùn)算D，變換成加性的，然后用線性濾波方法處理，最后做D-1運(yùn)算，恢復(fù)處理后圖像。該方法是把頻率過(guò)濾和灰度變換結(jié)合起來(lái)的一種圖像處理方法，它依靠圖像的照度/反射率模型作為頻域處理的基礎(chǔ)，利用壓縮亮度范圍和增強(qiáng)對(duì)比度來(lái)改善圖像的質(zhì)量。使用這種方法可以使圖像處理符合人眼對(duì)于亮度響應(yīng)的非線性特性，避免了直接對(duì)圖像進(jìn)行傅立葉變換處理的失真。

一般處理方法如圖2所示。

圖2 突出肺部的圖像處理流程

2 圖像處理效果及其對(duì)效果的評(píng)價(jià)

對(duì)骨組織的提取結(jié)果如圖4所示。

圖4 提取骨組織效果

高頻強(qiáng)調(diào)濾波的優(yōu)點(diǎn)顯示在圖4（b）中，圖像中由低頻成分引起的灰度級(jí)色調(diào)得以保持。在窄范圍灰度級(jí)中以灰度為特征的圖像是直方圖均衡化的理想選擇。這種方法對(duì)于背景和前景都太亮或者太暗的圖像非常有用，尤其是可以帶來(lái)X光圖像中更好的骨骼結(jié)構(gòu)顯示以及曝光過(guò)度或者曝光不足照片中更好的細(xì)節(jié)，如圖4（c）所示，骨結(jié)構(gòu)的細(xì)節(jié)已經(jīng)顯示了出來(lái)。直方圖均衡化的一個(gè)主要優(yōu)勢(shì)是它是一個(gè)相當(dāng)直觀的技術(shù)并且是可逆操作，如果已知均衡化函數(shù)，那么就可以恢復(fù)原始的直方圖，并且計(jì)算量也不大。

直方圖均衡化后的圖像基本顯示出了骨結(jié)構(gòu)的細(xì)節(jié)，但它對(duì)處理的數(shù)據(jù)不加選擇，邊緣信息會(huì)弱化一些，還需對(duì)直方圖均衡化后的圖像進(jìn)行Butterworth高通濾波，得到圖像的邊緣信息，然后把此邊緣信息加到直方圖均衡化后的圖像上，使圖像銳化如圖4（d）所示，使骨骼結(jié)構(gòu)清楚地顯現(xiàn)了出來(lái)。為醫(yī)生觀察病人骨骼結(jié)構(gòu)提供了方便。

對(duì)肺部的提取結(jié)果如圖5所示。

圖5 提取肺部效果

在圖像采集過(guò)程中，由于實(shí)際環(huán)境中成像條件的限制，造成圖像的背景光照不均勻，當(dāng)照度不均勻時(shí)，圖像上對(duì)應(yīng)照度暗的部分，其細(xì)節(jié)就較難分辨。

圖5的中間結(jié)果有效地清除了圖像的背景干擾，并且突出了肺部的紋理、邊緣等細(xì)節(jié)，只需再增加對(duì)比度就能得出最后結(jié)果，清晰地顯示出肺部圖像，而其他的組織幾乎變得透明，并且肺部的細(xì)節(jié)被完美地保存下來(lái)，這就為醫(yī)生診斷肺部疾病提供了依據(jù)，避免了其他組織的干擾。

當(dāng)前大部分應(yīng)用于醫(yī)學(xué)影像處理的方法都是來(lái)自于非醫(yī)學(xué)圖像的處理方法，這些方法有的就不太適合醫(yī)學(xué)影像的處理。比如當(dāng)CT圖像遇到相互組織成像重疊時(shí)，普通圖像處理會(huì)將這些重疊的數(shù)據(jù)理解為噪聲或者其它干擾信號(hào)。同樣，僅僅就圖像放大技術(shù)和方法而言，醫(yī)療專家和研究者需要保持圖像上面邊界或者目標(biāo)輪廓的邊界具有的幾何保持紡射不變。圖像的修復(fù)和去噪永遠(yuǎn)是一對(duì)矛盾，主要是因?yàn)檫@種操作在實(shí)際的應(yīng)用中圖像的細(xì)節(jié)和噪聲一并被去掉。而常見(jiàn)的圖像放大算法在很多情況下用的是線性因子，或者分段的線性因子，這樣做的直接后果就是圖像出現(xiàn)方塊效應(yīng)，由于該過(guò)程模糊了諸多的信息，普通的算法圖像增強(qiáng)的結(jié)果與放大的影像，對(duì)醫(yī)生的診斷卻帶來(lái)了難以預(yù)料的困難。而本文為醫(yī)學(xué)圖像的處理提供了一個(gè)很好的方法，克服了醫(yī)學(xué)圖像處理中的一些困難，為醫(yī)生的診斷帶來(lái)了方便。

3 結(jié)束語(yǔ)

圖像處理的主要內(nèi)容是突出圖像中感興趣的部分，減弱或去除不需要的信息，其主要目的是使處理后的圖像對(duì)某種特定的應(yīng)用來(lái)說(shuō)，比原始圖像更適用。醫(yī)學(xué)圖像的處理目標(biāo)主要是與能否達(dá)到醫(yī)生的視覺(jué)效果和分辨出病灶有關(guān)系。從醫(yī)學(xué)影像處理的總體目標(biāo)而言，所有影響圖像處理結(jié)果的應(yīng)用幾乎都與醫(yī)學(xué)影像的分割相關(guān)。由于醫(yī)學(xué)圖像對(duì)于病灶的分割直接關(guān)系到醫(yī)生的診斷結(jié)果，因此，提出一個(gè)能提取病灶組織或器官的算法是必要的。

文章闡述了X光醫(yī)學(xué)圖像的一種處理方法，先通過(guò)處理圖像，顯示出醫(yī)生所關(guān)心部位的細(xì)節(jié)，然后再進(jìn)一步處理，盡量消除其他組織的干擾，使醫(yī)生所關(guān)心部位清晰地顯現(xiàn)出來(lái)，為醫(yī)生診斷該部位疾病提供方便。

參考文獻(xiàn)：

[1]龔勛，王國(guó)胤.基于混合能量活動(dòng)輪廓模型的人臉?lè)指罘椒╗J].軟件學(xué)報(bào)，2013（03）：623-638.

[2]劉凌霞，牛紅惠.基于兩級(jí)閾值的圖像分割技術(shù)在文檔圖像中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2012（09）：246-248，292.

[3]葛琦，韋志輝.局部特征的自適應(yīng)快速圖像分割模型[J].計(jì)算機(jī)研究與發(fā)展，2013（04）：815-822.

[4]張婷婷，劉東權(quán).基于方向?yàn)V波的超聲圖像邊緣增強(qiáng)[J].計(jì)算機(jī)應(yīng)用與軟件，2013（03）：258-262，303.

[5]阮秋琦.數(shù)字圖像處理學(xué)[M].北京：電子工業(yè)出版社，2007.

[6]劉利雄，馬忠梅.一種基于主動(dòng)輪廓模型的核磁共振圖像分割方法[J].計(jì)算機(jī)學(xué)報(bào)，2012（01）：146-153.

[7]藍(lán)章禮，李益才，李艾星.數(shù)字圖像處理與圖像通信[M].北京：清華大學(xué)出版社，2009.

[8]馬彥.利用局部相位量化實(shí)現(xiàn)圖像質(zhì)量評(píng)價(jià)的方法[J].計(jì)算機(jī)應(yīng)用與軟件，2013（01）：283-286.

[9]劉艷麗，孟朝暉.層次聚類在細(xì)胞圖像分析中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2013（05）：287-290，326.

[10]徐勝軍，韓九強(qiáng).基于局部空間自適應(yīng)MRF模型的圖像分割[J].控制與決策，2013（06）：889-894.

[11]Mir A.H.Fuzzy entropy based interactive enhancement of radiographic images[J].Journal of Medical Engineering and Technology，2007（03）：220-231.

[12]劉純平，龔聲蓉.基于相變和似然性的多相圖像分割方法[J].計(jì)算機(jī)學(xué)報(bào)，2012（02）：375-385.

[13]羅希平，田捷.自動(dòng)指紋識(shí)別中的圖像增強(qiáng)和細(xì)節(jié)匹配算法[J].軟件學(xué)報(bào)，2012（05）：946-956.

[14]謝文達(dá)，邱竣鴻.實(shí)際且快速的圖像對(duì)比度增強(qiáng)方法[J].計(jì)算機(jī)研究與發(fā)展，2013（04）：787-799.

[15]唐述，龔衛(wèi)國(guó).稀疏平滑特性的多正則化約束圖像盲復(fù)原方法[J].軟件學(xué)報(bào)，2013（05）：1143-1154.

作者簡(jiǎn)介：翟軍輝（1986-），男，河南項(xiàng)城人，碩士研究生，主要研究領(lǐng)域：計(jì)算機(jī)控制；薛天宇（1963-），男，北京人，副教授，碩士研究生導(dǎo)師，主要研究領(lǐng)域：電子技術(shù)與計(jì)算機(jī)應(yīng)用。

作者單位：北京服裝學(xué)院 信息工程學(xué)院，北京 100029