醫(yī)學(xué)圖像分割與虛擬手術(shù)幾個關(guān)鍵問題的研究.pdf

1、醫(yī)學(xué)影像在現(xiàn)代醫(yī)療診斷過程中具有極其重要的作用,許多外科手術(shù)的實施、病癥的診斷都需要醫(yī)學(xué)影像技術(shù)的參與.現(xiàn)代的醫(yī)療中對影像技術(shù)的應(yīng)用已經(jīng)不再僅限于單純的閱讀影像圖片等一般性的操作了.人們開始以所獲得的圖像為基礎(chǔ),融合各種先進技術(shù),從更廣泛的角度分析和處理圖像,力求挖掘更深層次的信息,為診斷和治療提供詳實可靠依據(jù).在處理和分析醫(yī)學(xué)圖像的各種技術(shù)中,既包含圖像分割、特征提取、三維重建等基礎(chǔ)性內(nèi)容,也包含了計算機輔助診斷,虛擬外科手術(shù),手術(shù)導(dǎo)

2、航等實際的應(yīng)用內(nèi)容.本論文選取了分割技術(shù)中的腦皮層分割、腦腫瘤分割、三維重建中的目標(biāo)體虛擬移動以及術(shù)前設(shè)計系統(tǒng)的構(gòu)建作為研究重點,以構(gòu)建實用的外科手術(shù)術(shù)前設(shè)計系統(tǒng)作為最終目的. 腦皮層具有非常復(fù)雜的結(jié)構(gòu),它的每一個部分都與人體的一部分的功能相對應(yīng).腦皮層分割與表示是進行腦皮層分析、揭示這些功能映射的重要環(huán)節(jié).同時腦皮質(zhì)層分割與表示也是是醫(yī)學(xué)影像領(lǐng)域中的一個難點.本文提出了一種基于水平集的自適應(yīng)分割模型來實現(xiàn)腦皮質(zhì)層的分割與表示.

3、該模型是一種自適應(yīng)混合水平集帶狀模型.它結(jié)合了基于區(qū)域分割和基于邊界分割算法的優(yōu)點,以基于區(qū)域的水平集模型來描述區(qū)域信息,并以此作為水平集模型演化動力；以統(tǒng)計雙邊緣檢測算法來描述邊緣信息,并以此促使水平集的演化能停止在合理的位置上.這樣整個模型既保持了區(qū)域模型的穩(wěn)健性又保持了邊界模型的準(zhǔn)確性.由于實際的皮質(zhì)層具有近似相同厚度,本文中將腦皮層的這一特點作為先驗知識融合到分割模型中,使得該模型在表征腦皮層分割上更加合理.此外,模型中還充分考

4、慮了MR圖像中可能存在的偏移場因素,在模型中增加了對偏移場的描述,有效的克服了偏移場問題.本文分別選用仿真腦圖像數(shù)據(jù)和真實腦圖像數(shù)據(jù)進行實驗,并與其它方法進行比較.實驗結(jié)果證明,自適應(yīng)帶狀模型具有穩(wěn)健、精確的分割效果.與其它方法相比,具有很大的優(yōu)勢.由于腦腫瘤與其它正常組織在成像上有很大程度上的灰度重疊.這種灰度重疊直接給腫瘤分割造成了很大的困難.為了解決腫瘤分割這個難點,本文依照當(dāng)前流行的圖像配準(zhǔn)與圖像分割相結(jié)合的研究方法,提出了基于

5、粘性流體模型匹配的腦腫瘤分割架構(gòu).該架構(gòu)主要由粘性流體模型匹配和基于K最近鄰分類的腦腫瘤識別兩部分組成.整個分割過程以迭代形式實現(xiàn).在該分割架構(gòu)中,本論文主要對用于圖像配準(zhǔn)的粘性流體模型進行了深入的研究.提出了兩種改進的粘性流體模型配準(zhǔn)方法一一變參數(shù)粘性流體模型和基于Markov位移訓(xùn)練的多尺度粘性流體模型. 變參數(shù)粘性流體模型解決了不同像素相同彈性參數(shù)下粘性流體模型的誤匹配問題；而Markov位移訓(xùn)練多尺度粘性流體模型解決了像

6、素鄰域?qū)D像配準(zhǔn)的影響.長期以來,三維重建技術(shù)一直是醫(yī)學(xué)影像領(lǐng)域中的一個重點的研究內(nèi)容,許多醫(yī)學(xué)圖像應(yīng)用技術(shù)都是基于三維重建技術(shù)的.它隨著持續(xù)更新的計算機技術(shù)而不斷發(fā)展.近幾年來,GPUs作為一種可編程流處理器為重建技術(shù)的發(fā)展提供了新的動力.本論文討論并提出了在GPUs上編程實現(xiàn)目標(biāo)體虛擬移動的兩種三維重建方法.與一般的獨立模型空間變換不同,本文所提出的目標(biāo)體移動方法實質(zhì)上是分割體數(shù)據(jù)上的體重建方法.第一種方法的實現(xiàn)完全是在GPI.Js

7、中的片斷處理器中進行的.算法以基于GPUs的Ray Casting重建方法為基礎(chǔ),充分利用了GPUs的三維紋理的采樣能力.首先假設(shè)采樣點位置為某一目標(biāo)體體素,在該采樣點位置按照該目標(biāo)體給定的變換矩陣的逆矩陣對采樣點位置進行變換,以所得到的新的坐標(biāo)位置對三維紋理數(shù)據(jù)進行采樣,獲得采樣值之后首先確定該采樣值是否與目標(biāo)體相一致,然后按照用戶設(shè)定的優(yōu)先級確定最初采樣點位置的采樣值.這樣在能夠確定采樣點的前提下,借助光線合成過程,屏幕上的顏色也就

8、最終的確定下來.值得強調(diào)的隨著所有投射光線上的采樣點的確定,目標(biāo)體移動位置也隨之確定下來.該算法具有實現(xiàn)簡單、實時高效的特點. 在本文提出的另一種目標(biāo)體虛擬移動的方法是對前一種方法的改進,在該方法中應(yīng)用了FLAT三維紋理,以二維的形式存儲體數(shù)據(jù)以及移動后的三維數(shù)據(jù)體.該方法在目標(biāo)體移動方式上與前一種方法相同,該方法借助于GPUs的直接繪制到紋理的能力在一個繪制過程中實現(xiàn)多個目標(biāo)體的移動.渲染成像過程利用了Radon變換,利用平

9、行于投影平面的切片對目標(biāo)體空間進行紋理坐標(biāo)的取樣,以切片疊加的形式重建變換后的三維目標(biāo)體.該方法的繪制過程是由CPU和GPUs共同來完成,CPU負責(zé)紋理切片的生成,而GPUs負責(zé)紋理的查詢、像素值的累加、參數(shù)的修正等操作.該方法保持了前一種方法的實時、高效的特點,同時由于FLAT三維紋理的引入使得該算法具有了較強的靈活性.本論文的最后的一個重點內(nèi)容是外科手術(shù)術(shù)前設(shè)計系統(tǒng)的研制.該系統(tǒng)分為數(shù)據(jù)輸入輸出系統(tǒng),圖像分割,目標(biāo)體切割,三維目標(biāo)體

10、移動重建等四部分內(nèi)容.該系統(tǒng)可以按照醫(yī)生的設(shè)計目標(biāo)以虛擬的形式進行截骨操作,醫(yī)生可以自由的選擇骨骼、腫瘤等目標(biāo)體進行模擬摘除、重新置位等仿真操作.本系統(tǒng)作為一個應(yīng)用系統(tǒng)盡可能將數(shù)據(jù)處理過程都放在GPUs上來進行,所帶來的最大的利好是實時性的提高. 綜上所述,本論文著眼于醫(yī)學(xué)圖像領(lǐng)域的實際應(yīng)用,以腦皮質(zhì)層分割和三維重建中目標(biāo)體虛擬移動為研究重點,成功實現(xiàn)了虛擬外科手術(shù)術(shù)前設(shè)計系統(tǒng)中的腦皮層分割、虛擬目標(biāo)體移動、目標(biāo)體切割等一些重要