張 晨

(蚌埠醫(yī)學(xué)院，安徽 蚌埠 233030)

0 引 言

隨著醫(yī)學(xué)影像技術(shù)的發(fā)展，圖像處理技術(shù)被廣泛用于海量醫(yī)學(xué)圖像分析中，通過提取海量醫(yī)學(xué)圖像中的病理分布特征量，實現(xiàn)對病理特征的優(yōu)化檢測和診斷。醫(yī)學(xué)圖像的識別是建立在對海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建基礎(chǔ)上，通過提取海量醫(yī)學(xué)圖像數(shù)據(jù)的三維特征量，采用三維可視化表面重構(gòu)的方法進(jìn)行圖像的優(yōu)化檢測和識別，建立海量醫(yī)學(xué)圖像數(shù)據(jù)的統(tǒng)計分析模型，提高海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建能力和辨識能力[1]。相關(guān)的海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建方法研究在醫(yī)學(xué)影像的檢測和診斷中具有重要意義。本文提出基于譜分析的海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建方法，根據(jù)對海量醫(yī)學(xué)圖像的三維結(jié)構(gòu)分布式重組進(jìn)行動態(tài)濾波檢測，提取海量醫(yī)學(xué)圖像的譜特征量，根據(jù)譜特征分布進(jìn)行海量醫(yī)學(xué)圖像的多維重建，最后進(jìn)行仿真實驗分析，展示了該方法在提高海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建能力方面的優(yōu)越性能。

1 海量醫(yī)學(xué)圖像數(shù)據(jù)的采集及三維圖譜特征提取

1.1 海量醫(yī)學(xué)圖像數(shù)據(jù)的采集模型

為了實現(xiàn)海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建，需要首先構(gòu)建海量醫(yī)學(xué)圖像數(shù)據(jù)的采集模型，假設(shè)海量醫(yī)學(xué)圖像數(shù)據(jù)的信息采樣分布的長度為L=xmax-xmin，海量醫(yī)學(xué)圖的成像分布帶寬為W=ymax-ymin，結(jié)合譜聚類分析的方法，進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)的像素序列重構(gòu)[2]，得到圖像的像素分布高度為H=zmax-zmin。在可變區(qū)域擬合能量特性，采用離散像素序列重構(gòu)的方法，進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)的三維重構(gòu)，構(gòu)建4個海量醫(yī)學(xué)圖像數(shù)據(jù)的參考模板特征分布集，得到海量醫(yī)學(xué)圖像數(shù)據(jù)的模糊相關(guān)性特征分量x1、x2、x3和x4，表示為

(1)

其中，m為輪廓曲線的分布尺度，海量醫(yī)學(xué)圖像數(shù)據(jù)的統(tǒng)計形狀模型為I(x,y)，在整個重構(gòu)的幾何空間中，得到海量醫(yī)學(xué)圖像數(shù)據(jù)特征分布的二階矩η和灰度不變矩Rx，其估計值為

(2)

(3)

結(jié)合模糊聚類與水平集重組的方法進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)的信息融合和區(qū)域調(diào)度[4]，建立海量醫(yī)學(xué)圖像數(shù)據(jù)的基函數(shù)模型為

g(x,y)=f(x,y)+ε(x,y)

(4)

其中，f(x,y)、g(x,y)、ε(x,y)分別為海量醫(yī)學(xué)圖像數(shù)據(jù)的像素強(qiáng)度。根據(jù)上述分析，建立海量醫(yī)學(xué)圖像數(shù)據(jù)采集模型，結(jié)合對圖像的邊緣輪廓特征進(jìn)行特征重構(gòu)，進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)的空間融合處理，采用邊緣輪廓檢測的方法進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化特征分解，提高圖像的三維可視化重構(gòu)能力[5]。

1.2 海量醫(yī)學(xué)圖像數(shù)據(jù)三維圖譜特征量提取

采用邊緣輪廓檢測的方法進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化特征分解，建立海量醫(yī)學(xué)圖像數(shù)據(jù)的模糊相關(guān)性特征分布結(jié)構(gòu)模型，基于模板法對海量醫(yī)學(xué)圖像的解剖結(jié)構(gòu)進(jìn)行譜信息特征檢測[5]，得到海量醫(yī)學(xué)圖像的邊緣輪廓檢測分布為

(5)

其中，Ic(y)為海量醫(yī)學(xué)圖像的整體分布像素集，Ac為海量醫(yī)學(xué)圖像數(shù)據(jù)的尺度信息。采用組織分割進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)的信息融合，得到海量醫(yī)學(xué)圖像數(shù)據(jù)的信息融合矩陣描述為

(6)

(7)

其中，ejθF(k1,k2)和ejθG(k1,k2)為目標(biāo)域的分量，醫(yī)學(xué)圖像中脂肪的類中心大小為N1×N2，采用向量量化方法進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)的信息融合處理，對整體測試數(shù)據(jù)分類，得到標(biāo)準(zhǔn)的分類集為

(8)

其中，‖sj‖為sj中海量醫(yī)學(xué)圖像數(shù)據(jù)的相似度，由此實現(xiàn)海量醫(yī)學(xué)圖像數(shù)據(jù)的三維圖譜特征量提取，根據(jù)特征提取結(jié)果進(jìn)行三維可視化表面重組[7]。

2 圖像數(shù)據(jù)三維可視化表面重建優(yōu)化

2.1 海量醫(yī)學(xué)圖像數(shù)據(jù)的特征融合聚類

(9)

其中r和θ為像素分布的強(qiáng)度和方差。通過比較對應(yīng)特征，當(dāng)滿足ηm(x,y)∈{-1,0,1}， 對抽樣后的測試數(shù)據(jù)進(jìn)行預(yù)測，得到相似度特征分量為

(10)

“我一直想去找找看，可能已經(jīng)沒有機(jī)會了。你替我去看看萬花谷，看看我們大唐的那個桃花源，沒有和那個東方宇軒結(jié)交成朋友，是我此生最大的遺憾?！备赣H在李離的耳邊低語，他身披甲胄的樣子跟平時不一樣，微胖的身體與臉龐擠在鐵甲里，顯得有一點滑稽。在十幾個子女中，他是父親最憐愛的孩子，父親希望他是那場莫須有的大火里，埋得最深的一顆青松的種子吧！

(11)

(12)

其中，c為圖像像素分布的列數(shù)，r為其行數(shù)。對醫(yī)學(xué)圖像數(shù)據(jù)的整體結(jié)構(gòu)進(jìn)行歸一化處理，提高圖像的三維可視化重建能力[8]。

2.2 圖像的三維可視化表面重建

提取海量醫(yī)學(xué)圖像的譜特征量，根據(jù)譜特征分布進(jìn)行海量醫(yī)學(xué)圖像的多維重建，海量醫(yī)學(xué)圖像數(shù)據(jù)的空間視覺特征分布為：

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

(13)

(14)

其中，Δu為海量醫(yī)學(xué)圖像數(shù)據(jù)的全局閾值分割的關(guān)聯(lián)像素點，σ為海量醫(yī)學(xué)圖像數(shù)據(jù)的顏色差異度特征量。在Ag區(qū)域內(nèi)，得到海量醫(yī)學(xué)圖像數(shù)據(jù)的局部關(guān)聯(lián)幀，重構(gòu)海量醫(yī)學(xué)圖像數(shù)據(jù)的邊緣輪廓特征分布集[9]，得到海量醫(yī)學(xué)圖像數(shù)據(jù)的邊緣輪廓，重構(gòu)圖像邊緣梯度信息，得到海量醫(yī)學(xué)圖像數(shù)據(jù)的邊緣與區(qū)域信息的變分水平集為

s(k)=φ·s(k-1)+w(k)

(15)

其中

(16)

改進(jìn)變分水平集方法，得到海量醫(yī)學(xué)圖像數(shù)據(jù)的R、G、B分量，利用變分法，得到邊緣與區(qū)域信息分布點為AR、AG、AB和WR、WG、WB。對圖像的活動輪廓進(jìn)行優(yōu)化分割，將圖像分割成M×N個2×2的子塊Gm,n，得到海量醫(yī)學(xué)圖像數(shù)據(jù)的匹配集為

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分別是海量醫(yī)學(xué)圖像的分布向量集。綜上分析，實現(xiàn)海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建[10]。

3 仿真實驗與結(jié)果分析

為了驗證本文方法在實現(xiàn)海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建中的應(yīng)用性能，采用MATLAB進(jìn)行仿真實驗分析。海量醫(yī)學(xué)圖像數(shù)據(jù)采樣來自于醫(yī)學(xué)圖像數(shù)據(jù)庫Corel庫，在標(biāo)準(zhǔn)的醫(yī)學(xué)圖像數(shù)據(jù)庫中選擇2 000組圖像作為測試集，給出海量醫(yī)學(xué)圖像數(shù)據(jù)的測試樣本集規(guī)模為1 200，訓(xùn)練樣本集為120，圖像灰度平均值Δ=2.5，邊緣像素平均分布集為1.25，區(qū)域信息的變分水平集為12.8，邊緣演化系數(shù)為0.89，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建仿真。以血管圖和腦部圖為研究對象，得到原始圖像(圖1)。

圖1 原始的醫(yī)學(xué)圖像

以圖1的圖像為研究對象，建立海量醫(yī)學(xué)圖像數(shù)據(jù)的三維結(jié)構(gòu)重組模型，根據(jù)譜特征分布進(jìn)行海量醫(yī)學(xué)圖像的多維重建，結(jié)合三維可視化特征分析的方法，實現(xiàn)對海量醫(yī)學(xué)圖像數(shù)據(jù)的可視化表面重建和優(yōu)化識別，得到圖像三維可視化表面重建輸出，如圖2所示。

圖2 圖像三維可視化表面重建輸出

分析圖2得知，采用本文方法能有效實現(xiàn)對海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建，測試不同方法的海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建的性能，得到輸出信噪比對比結(jié)果見表1。分析表1結(jié)果得知，采用本文方法能提高海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建的輸出信噪比，說明圖像的輸出質(zhì)量較好。

表1 輸出峰值信噪比對比 dB

4 結(jié) 論

本文提出基于譜分析的海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建方法。根據(jù)對海量醫(yī)學(xué)圖像的三維結(jié)構(gòu)分布式重組進(jìn)行動態(tài)濾波檢測，提取海量醫(yī)學(xué)圖像的譜特征量，根據(jù)譜特征分布進(jìn)行海量醫(yī)學(xué)圖像的多維重建，結(jié)合三維可視化特征分析的方法，實現(xiàn)對海量醫(yī)學(xué)圖像數(shù)據(jù)的可視化表面重建和優(yōu)化識別。分析得知，本文方法進(jìn)行海量醫(yī)學(xué)圖像數(shù)據(jù)三維可視化表面重建的特征分辨能力較好，對圖像數(shù)據(jù)的細(xì)節(jié)結(jié)構(gòu)特征識別能力較強(qiáng)，提高了對海量醫(yī)學(xué)圖像的檢測識別能力，峰值信噪比較高。