任曉麗

(山西醫(yī)科大學(xué)汾陽學(xué)院，汾陽 032200)

圖像是目標(biāo)的復(fù)雜映射。數(shù)字化條件下，圖像是由離散圖像元素組成的多維數(shù)據(jù)。數(shù)據(jù)是介于目標(biāo)和圖像間的信息載體，醫(yī)學(xué)數(shù)據(jù)加上意義就是醫(yī)學(xué)信息的描述?；谖锢硪蜃优c人體組織作用機制，依據(jù)具體用途經(jīng)適合的數(shù)據(jù)處理系統(tǒng)而生成的醫(yī)學(xué)圖像，突破了原先聽診、觸摸等臨床診斷方式的局限，以其形象化、無損化方式被廣泛使用，不斷發(fā)展為醫(yī)學(xué)界的一枝獨秀。其主要過程包括初始數(shù)據(jù)的采集獲取，針對對象特征信息的處理及最后目標(biāo)圖像的再現(xiàn)。

1 醫(yī)學(xué)圖像數(shù)據(jù)的產(chǎn)生

1.1 成像概述

通過視覺方式獲取機體信息是臨床診斷的重要途徑。自19世紀末倫琴發(fā)明X射線攝影方法，100多年來分別產(chǎn)生了超聲(US)、計算機斷層掃描(CT)、核素顯像(RI)及共振(MRI)等電離輻射和非輻射型成像方式。共同之處都是由源到像的映射，將體內(nèi)不可見的信息進行“可視化”的表達過程。醫(yī)學(xué)數(shù)據(jù)的可視化和分析是醫(yī)學(xué)研究的一個實際方向,初始數(shù)據(jù)的獲得及處理是良好診斷結(jié)果的基本前提[1]。人體內(nèi)不同組織臟器的位置形狀等性質(zhì)迥異，同一病灶在不同病理期的參數(shù)亦有變化，經(jīng)一定的能量波(電磁波、機械波)作用后，客體的特征逐漸被主體化，被賦予了處理描述的含義。

1.2 作用機理

醫(yī)學(xué)圖像生成的前提是體內(nèi)的目標(biāo)物與輸入圖像的圖像結(jié)構(gòu)(區(qū)域、線等)之間的“正確”映射。不同模式的圖像因其成像機制不同各有特點和優(yōu)勢。X線圖像占臨床總影像的70%～80%，主要基于X光子和體內(nèi)物質(zhì)粒子的光電、康普頓作用。圖像是體內(nèi)某一特性對X線輻射強度的吸收衰減描述，是射線透過被檢組織、器官的投影。普通的X線成像將立體的目標(biāo)物沿X線方向壓成了二維圖像，產(chǎn)生骨骼組織重疊，深度信息被掩埋。用來獲取觀測目標(biāo)的斷層圖像技術(shù)，即CT解決了目標(biāo)源到圖像的重疊映射的問題。CT技術(shù)起源于醫(yī)學(xué)成像，也逐漸應(yīng)用到其他圖像領(lǐng)域。X-CT基于計算機，采用精密的掃描、探測系統(tǒng)，獲得人體的高密度分辨力和無重疊體層圖像。同時CT的出現(xiàn)也促進了不同醫(yī)學(xué)成像方式的有機融合。廣義的醫(yī)學(xué)CT是通過某種輻射源(X射線、放射性核素、超聲波、磁場等)作用于信息源(目標(biāo))，檢測投影數(shù)據(jù)，并進行圖像重建、數(shù)據(jù)處理[2]。如發(fā)射型計算機斷層成像(ECT)，基于放射性藥物經(jīng)人體代謝，在正常組織與病變部位間形成濃度差異，探測該差異進行處理成像，是利用診斷物體內(nèi)部發(fā)射的能量波成像，著重提供臟器的功能信息。磁共振斷層成像(MRI)，基于組織的氫質(zhì)子磁化矢量差異，由射頻波作用于三維人體生成的截面投影數(shù)據(jù)重建而形成二維圖像，具有多方位、多參數(shù)、無輻射、無骨偽影等優(yōu)勢?？傊刹煌某上裨O(shè)備進行功能的融合可獲取特定的斷層數(shù)字圖像序列。

2 圖像數(shù)據(jù)及信息層面特征

2.1 信息數(shù)據(jù)化

醫(yī)學(xué)成像的根本目的是將人體內(nèi)各種生理、病理、生化活動等信息轉(zhuǎn)化為圖像對象的特征：如顏色、紋理、形狀、邊界等傳統(tǒng)的一般特征。除此之外，還有三維物體的深度、表面法線方向、動態(tài)景物的運動參數(shù)等信息。醫(yī)學(xué)圖像由計算機中的二維點陣構(gòu)成，即空間坐標(biāo)離散。其視野面積取決于點陣的大小和數(shù)目。各點的特征值用整數(shù)值表示，即性質(zhì)離散。眾多點陣組成的數(shù)據(jù)集合并不能明確表示對象的特征，遠低于圖像所表示的邏輯語義層次上的意義。依據(jù)人們對圖像認知處理的階梯性可將信息劃分為如下層次：1)基于初始圖像信息的像素層；2)基于特定領(lǐng)域的識別對象及一致性區(qū)域的對象層；3)高層次的語義概念層：運用應(yīng)用領(lǐng)域知識經(jīng)驗可生成基于對象級別所識別出的對象或區(qū)域信息。

2.2 數(shù)據(jù)的高維性

由于受成像源或模態(tài)、參數(shù)、成像時間等因素的影響，醫(yī)學(xué)圖像數(shù)據(jù)復(fù)雜、多樣及上下文具有豐富的關(guān)聯(lián)[3]。圖像數(shù)據(jù)具有多個變量，反映同一對象的不同方面的細節(jié)特征，即高維性。對客體信息的詳盡描述離不開對象的各個方面的特征及特征間的關(guān)系，需要有不同角度的數(shù)據(jù)描述支撐。因而，產(chǎn)生了多個變量抽象描述復(fù)雜對象，組成了矢量數(shù)據(jù)，形成了抽象的高維數(shù)據(jù)空間，這種高維性是對圖像對象的多重屬性及相互聯(lián)系描述的基礎(chǔ)，所有的屬性維度可能上升到指數(shù)級的組合情況。

高維數(shù)據(jù)空間對應(yīng)多維特征空間，作用是表達空間實體的多個屬性或特征，一個空間實體看作特征空間的一個點，成千上萬的數(shù)據(jù)記錄是特征空間成千上萬的點。高維的矢量數(shù)據(jù)隱顯不同層次深度的信息，如基于像素級的微觀粒度，對應(yīng)分析層次的最小粒度；基于像素集團級的中觀粒度；基于對象級的宏觀粒度，對應(yīng)分析層次的大粒度，表現(xiàn)為空間對象間的空間關(guān)系。不同層次的數(shù)據(jù)具有不同的特征，如淺層特征表示邊緣等信息，深層特征具有更高層的語義等。

2.3 數(shù)據(jù)的挖掘性

由圖像與數(shù)據(jù)源的關(guān)系可將信息分為內(nèi)容信息(內(nèi)部)和源信息(外部)。后者指客觀直接的無需推理分析的所屬性信息(如患者年齡、性別等)及所用成像儀器種類情況等。內(nèi)部信息對應(yīng)圖像的實質(zhì)性內(nèi)容。具有可抽取、可挖掘性。即從一幅(或多幅)圖像數(shù)據(jù)中提取出有用、規(guī)律性的信息、圖像數(shù)據(jù)關(guān)系、空間模式等。

圖像數(shù)據(jù)是對全局圖像特征(灰度、顏色等)和圖像對象基于內(nèi)容及彼此間關(guān)系的描述(如邏輯和語義等)，即數(shù)據(jù)的邏輯性，隱顯著各種預(yù)期的目標(biāo)醫(yī)學(xué)信息。除了反映客體最基本、最直觀的信息外(如器官層次：心臟、腦、肝臟等；系統(tǒng)層次：心血管、神經(jīng)系統(tǒng)等；及細胞層次[4])，還可提取出不同程度的圖像特征數(shù)據(jù)(像元層次、特征層次、對象層次)。如從海量的數(shù)據(jù)中可挖掘出不同種類疾病間的關(guān)系以及疾病與職業(yè)、血型等因素的關(guān)系。挖掘過程旨在抽取出不同層次的概念，可理解為從圖像數(shù)據(jù)中形成概念，將數(shù)據(jù)賦予語義化信息聯(lián)系，可提取語義及關(guān)聯(lián)等特征，挖掘需要綜合利用領(lǐng)域相關(guān)的屬性數(shù)據(jù)，而不是僅僅針對圖像數(shù)據(jù)本身，對圖像背后隱藏的需求進行挖掘，并通過與周邊環(huán)境信息進行關(guān)聯(lián)計算[5]。如基于紋理特征，從海量的圖像數(shù)據(jù)集中發(fā)現(xiàn)重要的關(guān)聯(lián)規(guī)則，進而發(fā)現(xiàn)乳房X光圖像中的隱藏信息[6]。甚至深入挖掘特征空間的底層結(jié)構(gòu)，探究特征之間的關(guān)系，進行特征選擇，這同時是一種重要的降維技術(shù)[7]。

2.4 數(shù)據(jù)的融合性

每個模態(tài)成像具有其特定的特征或功能，以獲得形態(tài)學(xué)信息結(jié)構(gòu)和生物功能，兩者在器官、組織或分子水平上關(guān)于圖像的內(nèi)容和解釋是不同的[3]。單一化的特征信息在圖像上的顯現(xiàn)、描述，不足以成為準確判定某一病癥的依據(jù)。往往需要將不同來源、不同模式、不同表示的醫(yī)學(xué)圖像數(shù)據(jù)有機結(jié)合，即圖像融合，綜合不同成像機理的圖像特征，保留并加強各自的靶區(qū)特征信息，最終顯示在一張圖像上[8]，以得到目標(biāo)對象的更精確描述，即醫(yī)學(xué)數(shù)據(jù)融合。這是類似于腦組織收集并綜合處理各類信息的過程[9]。低層次的融合主要針對初始的多源數(shù)據(jù)加權(quán)相加。較高層次的特征融合事先對各源數(shù)據(jù)提取特征信息，形成特征向量再融合分析，如基于主元分析的特征級數(shù)據(jù)融合可以解決特征向量維數(shù)高的問題。融合在臨床上應(yīng)用的關(guān)鍵是多模態(tài)圖像的有效相似度度量[10]。數(shù)據(jù)融合有利于目標(biāo)對象特征的全面分析和抽取。如在MRI和PET圖像的融合結(jié)果中可以反映出MRI腦軟組織結(jié)構(gòu)信息與PET的腦內(nèi)部代謝情況[8]；在腫瘤定位中PET/CT既能反映組織細胞的代謝信息，又能準確定位病灶[11]；PET和SPET可以提供大量功能性、生化類和生理學(xué)信息。

3 圖像數(shù)據(jù)的分析處理

醫(yī)學(xué)圖像的生成是針對體內(nèi)特征進行二維投影及“信息處理”的過程 。

圖像處理通常概括為從不完整的數(shù)據(jù)中恢復(fù)真實的目標(biāo)信息的問題，處理目的是通過輸入圖像提取出適應(yīng)的圖像結(jié)構(gòu)與線索等視覺元素，以確定圖像特征的真實表現(xiàn)，是為了獲得更好的解釋。

3.1 映射誤差

成像過程中不可能做到無誤差數(shù)據(jù)的映射。加之人體是一個高度復(fù)雜的非線性動力學(xué)系統(tǒng)，即發(fā)生在確定性系統(tǒng)中的貌似隨機的不規(guī)則運動[4]，導(dǎo)致圖像會產(chǎn)生一定的退化現(xiàn)象。受微觀粒子特性的隨機影響，局部體效應(yīng)(同一體素含有不同目標(biāo)對象)的存在，及患者的自主性運動或本能性生理活動等，都會使圖像中盤現(xiàn)各類噪聲和偽影，邊緣失銳和信號強度異常衰減。加之投影算子不唯一可逆[1]。很可能存在病態(tài)物理求解情況：成像環(huán)節(jié)中所進行的各種模型化處理與實際物理過程總會產(chǎn)生誤差，一旦數(shù)學(xué)方程組的系數(shù)發(fā)生變化，即便是微小的，也會導(dǎo)致待測量的較大波動，最終會影響到圖像特征的正確顯現(xiàn)。當(dāng)然求解的病態(tài)程度取決于人們對圖像精細程度的要求，是相對的。因為圖像數(shù)據(jù)值本身具有相對性，取決于圖像與周圍背景的關(guān)系。由此需要擴充各種先驗知識(醫(yī)學(xué)領(lǐng)域、成像工程)，建立并改進與目標(biāo)對象吻合的處理模型，從測量的數(shù)據(jù)出發(fā)，試圖恢復(fù)所需要的信息，努力還原圖像的“原創(chuàng)性”。

3.2 計算機視覺與圖像分析、理解

針對初始數(shù)據(jù)的缺憾(不完整、含噪、重復(fù)等)，在主要的圖像處理之前進行一定預(yù)處理，如傳統(tǒng)的圖像增強、濾波，可提高對比度及信噪比等。該過程輸入、輸出均為圖像，基本沒有知識的參與指導(dǎo)，屬于低級處理。

由于圖像診斷的廣泛利用及成像設(shè)備的不斷改進，醫(yī)學(xué)圖像數(shù)據(jù)大規(guī)模增加，為提高醫(yī)生的判讀效率與質(zhì)量，借助計算機視覺(CV)，模擬人的視覺機理對圖像目標(biāo)進行識別、跟蹤、測量，從多維數(shù)據(jù)中獲取信息形成“感知”的能力。

將圖像轉(zhuǎn)化為更適合人眼觀察或便于儀器檢測的形式，屬于生物視覺的一種模擬。其中根本的問題是判定一組圖像數(shù)據(jù)中是否包含某個特定的物體特征或運動狀態(tài)，可通過圖像分割將具有特殊意義的不同區(qū)域分開，即用具有生物學(xué)意義的標(biāo)簽(如解剖結(jié)構(gòu)和組織類型)標(biāo)記圖像像素或體素的過程，這是生物醫(yī)學(xué)圖像分析的基本問題之一[12]，也是計算機視覺識別研究的根本所在。

早期的圖像分割有邊界提取、基于灰度的區(qū)域增長算法等，是經(jīng)典的直接的分割處理。隨著計算機視覺理論方法及圖像分析的不斷完善，對于圖像興趣區(qū)的分割方法得到很大改進。針對不同的臟器及成像模態(tài)，形成了基于不同成像設(shè)備、參數(shù)和解剖結(jié)構(gòu)等先驗知識的專門分析算法。如基于不同組織結(jié)構(gòu)共振成像時有不同的成像參數(shù)，同種組織不同參數(shù)灰度表現(xiàn)不同，對應(yīng)不同的加權(quán)圖像，T1圖像主要顯示解剖結(jié)構(gòu)[I=kB0ρ(1-e-TR/T1)],T2圖像主要對病變組織進行定性分析(I=kB0ρe-TE/T2)，基于上述共振成像原理的先驗知識，針對腦磁共振圖像，使用不同頻譜，而非單一的T1圖像，在分開腦白質(zhì)和灰質(zhì)之后，可有效分割各自的損傷區(qū)域。

圖像分析著重構(gòu)造圖像描述方法，并利用各種有關(guān)知識進行推理。可將原始的高維數(shù)據(jù)通過線性或非線性變換映射到一個低維空間，獲得一個關(guān)于原數(shù)據(jù)集緊致的低維表示，即降低高維醫(yī)學(xué)數(shù)據(jù)的維數(shù)(維度約簡)。由更具代表的屬性集合處理高維性的問題；基于深度學(xué)習(xí)的多層面數(shù)據(jù)處理，組建多個處理層對原始數(shù)據(jù)進行逐層抽象，從數(shù)據(jù)中獲得不同層面的抽象特征[13]。如基于形態(tài)特征ROI提取可獲得具有診斷意義的像素區(qū)域信息；基于局部、全局、邊緣的紋理粗細度及方向性變化的紋理特征提取等[14]；將研究對象固有的、本質(zhì)的屬性量值化，有效提取特征參數(shù)；分解對象以形成各區(qū)域的特征向量，相關(guān)的特征選擇是從高維數(shù)據(jù)屬性中選取重要屬性的子集，得到該圖像的某個或某些特征的信息或描述，從而形成圖像分析結(jié)果，輸出數(shù)據(jù)。

把分析的結(jié)果作為輸入，進一步對圖像進行理解和識別。圖像理解就是對圖像語義的理解，即以圖像為對象、知識為核心、研究圖像中有什么目標(biāo)及目標(biāo)之間的關(guān)系。故處理的信息分為視覺數(shù)據(jù)信息和人類知識信息，屬于高級計算機視覺范疇，是在人類先驗知識的參與指導(dǎo)下，基于人類對客觀世界的認知機理，借助計算機系統(tǒng)將某種成像模式數(shù)據(jù)，利用一定的知識信息進行加工以期獲得解釋。輸入的是圖像的初級特征，輸出的是高層次信息描述。這是人的先驗性領(lǐng)域知識與計算機圖像處理有機契入的過程，如基于專家知識，對圖像數(shù)據(jù)集進行標(biāo)注，提取形態(tài)學(xué)特征[15]。

綜上，依據(jù)人們對圖像的遞進認知，完整的圖像分析理解層別有：1)獲取圖像數(shù)據(jù)的數(shù)據(jù)層(灰度圖等)，主要針對像素操作；2)提取特征的描述層，將像素表示形式化；3)以有一定強度的知識作為支撐的認知層以及應(yīng)用層，得益于計算機技術(shù)，人們對醫(yī)學(xué)圖像的解釋終將克服人工解釋的有限、主觀、差異和疲勞等缺憾[16]。

4 結(jié)語

科學(xué)證明人們通過視覺獲得的信息占總信息的70%以上，醫(yī)學(xué)圖像以其百聞不如一見的優(yōu)勢在現(xiàn)代醫(yī)學(xué)中起著越來越重要的作用。在影像大數(shù)據(jù)條件下，基于醫(yī)學(xué)圖像數(shù)據(jù)的巨量性、高維性、挖掘及融合特征，人們將拓寬知識信息獲取的途徑、增加信息推理的多樣性，改進數(shù)據(jù)生成的隨機性和物理求解的病態(tài)性。在數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)算法基礎(chǔ)上精確檢測解剖標(biāo)記[17]，正確提取圖像特征。不斷豐富知識領(lǐng)域，將復(fù)雜的感知和概念處理用于圖像分析的基礎(chǔ)上，將圖像像素轉(zhuǎn)換成有意義的內(nèi)容，對醫(yī)生診斷觀察行為進行建模[18]；利用計算機視覺領(lǐng)域的技術(shù)選擇——深度卷積網(wǎng)絡(luò)[19]，進行更多隱含層的信息分層處理，構(gòu)筑穩(wěn)固的計算機視覺能力；充分利用深度學(xué)習(xí)開創(chuàng)圖像重建的革新模式[20]。總之在不斷豐富圖像模態(tài)的同時也提高圖像顯示的精確性，最終將促進醫(yī)學(xué)圖像與目標(biāo)物之間的精準映射。