三維醫學可視化技術分析范文

本站小編為你精心準備了三維醫學可視化技術分析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1醫學圖象分割標注

圖象分割的目的是將圖象分解成若干有意義的子區域(或稱對象),而標注則指識別出各區域的解剖或生理意義,因而在醫學圖象可視化領域,常常簡單地將分割標注的過程稱為分割.由于手工分割對操作者的依賴性強,既耗時費力,又可能丟失大量有用信息,因此,在醫學領域,自動或半自動的圖象分割方法是非常重要的.如今醫學臨床和手術環境中的許多應用,均需要從三維醫學圖象得到解剖結構或病理組織的精確三維模型,如進行病理或正常組織的量化研究,以及與其它可視化技術結合,制定術前和術中交互的手術計劃等,均要求分割算法能夠從CT、MRI、PET、SPET或超聲等各種圖象模態中分離出解剖結構和定位出損害的位置和形狀.

一般可簡單地將醫學圖象分割方法分為基于邊界和基于區域的分割兩類.其中,基于邊界的分割是尋找感興趣區域的封閉邊界;而基于區域的分割則是將體圖象分為若干不重疊的區域,且使各區域內部的體素相似性大于區域之間的體素相似性.但在三維領域,由于各向異性,往往需將上述兩種方法混合使用,以達到最佳的精度和效率.模糊理論問世以后,人們已認識到,從某種意義上看,以概率形式提供的信息更接近于事物的真實情況,而醫學圖象中的區域往往沒有清晰的邊界,因此分割任務常常要處理某些帶不確定性的問題,如包含幾種解剖結構的混合體素的識別.

若以模糊的觀點來描述區域或確定判斷準則,即在每一處理階段用概率來表示和處理這種不確定性,則反而可以得到較為理想的最終結果.其與傳統的“硬”方法(二值分割方法,即給予每個體素一個肯定的判決——要么屬于,要么不屬于某個物體)相比,由于引入了模糊概念的模糊閾值、模糊聚類、模糊邊緣等技術,因而在圖象分割領域取得了廣泛的關注[3].

本文將按聚類、統計學模型、彈性模型、區域生長、神經網絡等來討論若干種適用于醫學圖象分割的具體算法.

(1)聚類法該法是最為直接和最實用的圖象分割方法,這種方法是當體素灰度映射到根據某種規則分成的幾個區域特征空間后,若體素灰度屬于哪一個類的區域,則具備該灰度的圖象體素就屬于哪個類.而且當圖象映射到一維特征空間時,就可得到圖象的灰度直方圖,然后根據直方圖即可進行分割,這即是閾值法,而閾值法實際上是聚類法的一個特例.

可是許多應用中,聚類法往往和其他方法混合使用,如Chen等就是用一種基于K平均聚類和基于知識的形態學運算技術來對心臟CT體圖象序列做自動分割[4].他們提出的自適應K平均聚類算法能分割圖象中灰度分布平滑變化的區域,且空間約束由Gibbs隨機場引入;Gregson的算法則可以從軀干部MR圖象中自動分割出心臟[5],這種方法的過程是,首先選擇一個典型的心臟矢狀面切片,然后基于閾值法逐步分割出軀干、肺區域、心臟區域及心臟,該切片分割結果即作為鄰近切片的分割初值.一般解剖結構的位置和相對大小等先驗知識可用以指導分割;Hu針對血管內超聲圖象的特點而提出的方法還能克服偽跡(如斑點)和不同物體灰度重疊的問題[6].他們是通過定義兩種灰度級別的相關系數后,并據此對圖象的灰度級聚類,再用閾值法對圖象象素分類,然后按象素及其鄰域的空間關系來校正因灰度級重疊而造成的誤分割,最后去掉孤立象素來完成聚類.

另外,還有模糊c均值平均算法(FCM),該算法[7]是對“硬”c均值平均算法(HCM)的發展,該法是通過模糊目標函數的最優化來實現聚類,因而一般要迭代求解,這類算法的特點是賦予每個數據點一個用來表明該數據點對各個類隸屬程度的概率值,而不是像“硬”聚類那樣,認為每點只能屬于某一特定類,如今FCM算法在圖象分割處理中已得到廣泛的應用.

(2)基于貝葉斯理論的統計學模型法該法是首先用參數化的3D解剖模型來預測圖象特征;然后再提取預測子區域的局部圖象特征;最后通過概率計算來完成圖象處理以及圖象特征匹配,進而支持或否定關于圖象解剖學的預測,如Fassnacht等用隱式Markov網格模型從磁共振圖象中分割出腫瘤[8],Fassnacht認為非腫瘤區域的圖象灰度服從某種“等概率”分布,而腫瘤區域服從高斯分布,且為Markov模型引入類加權系數,這樣使臨床操作者可以影響分割結果;而Baker等的貝葉斯分割方法則是由基于先驗概率的Gibbs隨機場(GRF)分布來達到后驗概率(MAP)的最大化[9],且通過在相對無噪聲的殘肢超聲圖象上疊加小點或噪聲所進行的測試表明,該算法是足夠魯棒的.另外,這種Baker方法還包含濾波-降級過程和一個自適應聚類算法,甚至還可以多分辨率的形式來表達分割結果.

(3)彈性模型法其思路來自物理的變形模型,即認為物體的邊緣具有彈性,可以在內力和外力作用下不斷變形,其內力由輪廓的彈性性質決定,而外力來自圖象.當內外力平衡時,就得到感興趣區域邊界的一個解.這種方法最早運用于二維圖象的輪廓提取,如“蛇線”模型[10];然后發展成利用層間傳播的準三維(2.5維)變形輪廓線方法,如Ranganath將蛇線成功地用于從心臟MRI圖象中提取等值線[11],其方法是將計算得到的圖象等值線作為相鄰圖象的起始等值線,然后采用一個中間處理步驟來提供更好的等值線初值,以避免蛇形等值線陷于一個不恰當的局部最小;

后來彈性模型又擴展到三維,如基于三維曲面的“氣球”模型,1995年,McInerney又提出了動態“氣球”模型[12],即一個帶張力的薄板樣條曲面球,其以局部多項式基函數加權和的形式來表達連續表面,這種方法不僅可以用彈性變化來擬合圖象數據,而且擬合過程受來自樣條的彈性特性內力以及由圖象數據產生的外力的聯合調制,McInerney即用該模型擬合技術從心臟三維CT圖象中分割出左心室表面,并對動態心臟CT圖象(四維)進行了左心室運動跟蹤,以估測其在心動周期內的非剛體運動;

Xu也對“蛇線”算法加以改進,即通過引入梯度矢量流的概念(Gradientvectorflow)[13],從而很好地克服了傳統“蛇線”模型對初始輪廓敏感和難以收斂于“凹”形輪廓兩大缺點,該算法很容易推廣到三維.如Aboutanos就先用腦圖譜來建立腦的初始模型[14],再將模型變形,直到與圖象中大腦的精確輪廓線匹配.彈性模型算法與其它算法比較,因計算量小,并以其在CT、MRI[15]、超聲[16]等多模態圖象中進行輪廓線確定、等值面提取、非剛性體運動跟蹤等方面的出色表現,預示出它在臨床醫學圖象分割領域具有良好的應用前景.

(4)區域生長方法該法的本質是尋找強度相似體素的空間集群.其最簡單的區域生長是以單一體素作為起始點,而較為優化的算法則是從圖象的一些均勻小區域出發,然后對每個區域及其鄰近區域進行均勻性測試,若滿足某種均勻性標準,就作區域合并操作;其也可反向進行,即將整個圖象作為初始分割,若區域不滿足均勻性標準,則被等分成8份(三維圖象),再對彼此相鄰的每對區域做均勻性測試.如果測試通過,則兩個子區域合并為一個區域.該過程迭代進行,直至分裂、合并操作結束.Annunziato等把三維圖象視為一系列二維圖象的堆疊[17],他們首先以不同的均勻性條件來分析圖象及執行“分裂-合并”操作,隨后進行區域合并和三維連接;Iseki等又針對3D樹狀物體的特征提出一種遞歸搜索方法[18],他們先用手工在胸部X光CT截面圖象上找到一個氣管起始點后,再用該遞歸搜索方法找到整個支氣管樹,然后根據支氣管樹和血管的解剖關系,來提取肺部血管的三維結構.

(5)神經網絡法由于神經網絡由大量基本處理單元構成,因此可以在某種程度上模擬生物體神經網絡的活動.它不僅具有非線性和自學習功能等突出的特點,而且,基于神經網絡的醫學圖象分割系統具有較好的魯棒性,目前已有各種類型的神經網絡應用于醫學圖象分割,如Cheng將醫學圖象分割問題的求解轉換為競爭性的Hopfield神經網絡(CHNN)[19]的計算,這種CHNN網絡由n×c個神經元構成,其中n為圖象灰度級數,c為感興趣物體個數,且神經元個數與圖象大小無關.

另外以神經網絡的能量函數為代價函數,迭代更新相鄰神經元間突觸的權重,采用“贏者獨占”(Winertakesall)的學習機制,使網絡能夠較快地達到穩定.而Ahmed和Farag的方法則是用自組織Kohenen網絡對CT/MRI腦切片圖象進行分割和標注[20],并將具有幾何不變性的圖象特征以模式的形式輸入到Kohenen網絡,進行無指導的體素聚類,以得到區域.這種神經網絡由兩級組成,其中,第1級是將特征向量投影到其主導軸上;第2級則完成自組織特征映射(SOFM),這樣,即可將輸入向量自動地聚類到不同的區域.該人工神經網絡能夠有效地聚集相似組織和分離不同組織.對于醫學圖象的識別而言,解剖知識、病理知識以及關于成象方式的知識均是必不可少的,有的時候,專家指導也是必要的.

另外,知識模型能夠系統地為計算機提供各種知識,有效地指導醫學圖象的分割過程.由于在醫學圖象分割標注時引入了解剖知識,因此基于知識模型的分割,還有希望在得到分割結果的同時,對其進行標注.如今用知識模型指導的醫學圖象分割已有多個實例,如Snell提出的基于分層活動曲面模板的復雜三維物體分割[21].該方法中的模板是由一個或多個活動表面模型組成,而活動表面模型則根據結構形狀和位置的先驗知識設計,Snell用其分割腦部三維MRI圖象;而Tan等的方法[22,23]則是首先匹配數字化TT圖譜和人腦數據,然后據此建立形狀知識的模糊表達來指導多模態腦部醫學圖象分割.

雖然醫學三維數據場的復雜性和多樣性經常使一些算法如一些分水嶺算法[24],分割出過多的區域,但只要對分割結果作適當的合并,這些算法仍有很大的實用價值.鑒于用適當的分割或標注方法來提取目標物體是整個可視化的前題,因此如何快速準確地分割、標注是急待解決的問題,雖然近來三維醫學圖象分析領域的許多研究都集中在圖象分割的完全自動化上,但能夠適用于任何數據的魯棒的實用算法還沒出現.而且分割是一個不確定問題,大量的心理物理實驗表明,由于圖象分割的結果強烈地依賴于人們對客觀景物的先驗知識,因此基于知識的醫學圖象分割方法有希望實現對復雜圖象結構的穩健和自動分割.

2匹配和融合

由于可以對同一個病人用不同的成象儀器多次成象,或用同一臺儀器多次成象,這樣即產生了多模態圖象.為了更好地利用多模態圖象,需要對各個模態的原始圖象進行匹配和數據融合,其整個過程稱為數據整合,其結果可用于感興趣互補信息的組合繪制以及自動和精確的分割標注等,從而為診斷、手術計劃和手術指導提供更精確和更豐富的信息.

(1)匹配:將多個醫學體圖象的信息轉換到一個公共的坐標框架內的所有研究,都可歸為三維醫學圖象的匹配,其中,包括斷層圖象之間的嚴格對齊問題,其匹配對象可以是同一成象方式的兩次結果(如對腫瘤放射治療結果的跟蹤比較),稱為單模態圖象匹配;而更多情況下是對不同模態的醫學體數據進行匹配,即多模態圖象匹配.另外,將標準的圖譜與臨床醫學圖象匹配,也是多模態圖象匹配的一種形式.這種匹配可在任意維數上進行,現以二維、三維的多幅圖象匹配為例進行介紹,匹配一般需要首先在不同圖象數據組之間定義相對應的特征(提取圖象內在或外加的特征),然后才能尋找匹配變換(剛性變換、仿射變換、投影變換或非線性變換).

匹配方法可以大體分為基于點、基于空間曲面和基于體素的匹配三大類.其中,點方法包括確定不同圖象或物理空間的對應點坐標和利用這些對應點來確定匹配變換等兩個過程.這些點可以是內在的,也可是外加的,還可是兩者的結合.其中外加的點一般是加在病人皮膚上的標記點或是立體定位裝置中的標記點;而內在點一般都采用圖象中的解剖標記點,比如由醫生定位的血管分叉點.由于解剖標記點的定位受人為因素影響較大,因此內點匹配精度很難達到外加點匹配的精度,但內點匹配不需要附加額外的成象協議,且具有可回溯性.雖然用外加點進行匹配的方法有許多優點,然而是以犧牲病人的舒適性為代價的,另外,皮膚的變形移動也會影響到匹配的精度.這里可以將由對應點集確定的線性匹配問題看作是最小二乘問題,并有直接和迭代兩類求解策略,其中,直接求解方法有奇異值分解法(SVD)[25]、矩陣的特征值-特征向量分解法[26]以及雙四元數法[27].

另外,力矩和主軸方法也可以看成是一種內點方法,它是將圖象模型化為橢圓形區域的點分布,這種點分布由點的位置的一階和二階矩描述,并且由協方差矩陣的特征向量決定,和由主軸,協方差矩陣的特征值確定比例變換,一旦目標的質心重合、主軸對齊,就認為匹配完成.若從待匹配的圖象中能夠得到相對應的曲線或曲面,則匹配變換可根據相應的曲線或曲面確定.該類方法中,最典型的3種分別為頭-帽算法(head-hat)[28],分層腔算法(HCM)[29]和遞歸最近點算法(ICP)[30].體素相似性方法的前提是在待匹配的圖象中,體素值的某種代數組合可以提供一種相似性的測度,并且當圖象完全匹配時,該相似性測度具有最大值(或最小值).

由于這是基于圖象中所有體素的匹配方法,因此這類方法不需要特殊的預處理,一般比較穩定,并能獲得相當準確的結果,該方法的優勢是其具有自動性,但是,這類算法需要大量的復雜計算,且進入實際應用的時間并不長.Collignon和Studholme等都提出用匹配圖象的聯合熵(Jointentropy)作為匹配的勢函數[31,32],Wells則采用互信息(Mutualinformation)作為匹配的測度[33].總的說來,互信息的方法對于截斷的圖象來說,比聯合熵方法更有效.(2)融合:融合是指建立匹配關系后,將多個圖象數據合成表示的過程.融合可以按體素單獨進行(體素合成),也可用從體素屬性中導出的符號來表示合成(符號合成).一般通過圖象匹配,即可得到聯系這些不同成象坐標系統之間的變換矩陣,該變換矩陣既可以把所有的圖象都變換到同一個公共坐標系統中,也可以把在某個坐標系統中導出的結構特性(如點、線、體等)轉換到另外的坐標系統.

前者可以使得各種模態的圖象在公共坐標系統中,有相同的空間尺寸和相同的體素大小,后者可以把在一種模態中感興趣的結構(如分類信息、損傷、血管等)的符號表示轉換到另一種模態圖象的坐標系統中去.若要把整個的三維圖象A變換到圖象B的坐標系統中,則首先需得到圖象A中各體素的物理坐標,然后經過矩陣M轉換,把圖象A的體素值寫入圖象B的坐標系統下最接近的對應坐標處,但這么做并不能保證在圖象B的坐標系統下,映射圖象A′的每一個體素都被賦予一個新值.一種解決的辦法就是用M-1把圖象B中的每一個體素的物理坐標都變換到圖象A的坐標系統中,然后給圖象B′中的體素分別賦予對應變換到圖象A中的坐標位置的最鄰近體素的取值.因為圖象B中的每個體素的中心并不一定對應于圖象A中的一個體素的中心,這時可用三線性插值的方法(即利用8個相鄰體素的加權平均)或更復雜的插值運算來計算圖象B中各體素的取值.除上述的把所有圖象轉換到一個公共坐標系統的方法外,另一種方法就是把在一種模態圖象中得出的一列具有相關屬性(符號表示)的x、y、z坐標集轉換到另一種模態圖象坐標系統中,如Chen等即在MR圖象中描繪出要進行放射治療的部位,并把它變換到匹配的CT圖象中去[34];Zhang等又用同樣的方法來比較MR和CT圖象中的病灶輪廓,以用于制定立體定位手術計劃[35].

在將所有的模態圖象轉換到同一個坐標系統中以后,多種圖象信息在每個位置可用矢量形式表示,但在實際應用中,還必須從要解決的問題出發,對這些信息進行綜合和數據舍棄.由于圖象信息中,所包含的多種屬性一般并不具有對應性,因此像平均值這樣的一些統計參數也就沒有很重要的意義.偶而也可以有一種從不同模態圖象提供的屬性中計算出一個定量結果的情況,例如,一種定量的核醫學屬性可以表示該體素中示蹤劑的吸收特性,而一種密度定標技術也可以提供一個用以表示該體素中特定組織(如骨組織)密度的屬性值.在這種情況下,由核醫學屬性除以密度屬性所得到的合成屬性,就可以提供一個有用的顯示圖象體素,相反,MR圖象密度和CT圖象密度的比值,對于圖象顯示則沒有很直觀的意義.

在一些醫學應用中,不同模態的圖象還提供了不互相覆蓋的結構互補信息,比如,當CT提供的是骨信息,而MR提供的主要是關于軟組織的信息時,它們就屬于這種情況,因為這些結構一般在病人身體上是不互相覆蓋的,所以可以用邏輯運算的方法來實現圖象合成.例如,在顱外科手術中,CT提供了最好的骨結構信息,自旋回波MR圖象則提供了軟組織結構所需要的信息,而MR減影圖象又提供了有關脈管的信息.這些結構在病人身上一般是不重疊的,所以可以用上述的邏輯運算合成方法,在骨的地方選擇CT屬性,在血管的地方選擇MRA屬性,在其它軟組織的地方則選擇MR屬性.

3繪制

當分割標注或數據整合結束后,就可以對體數據進行繪制,但醫學應用中的繪制要突出特定診斷所需要的信息,而忽略無關信息.目前三維醫學體圖象的可視化基本上可以歸入斷層繪制,面繪制和體繪制3種不同的繪制技術.對于三維體數據,最簡單的繪制方式是將各斷層圖象,包括自然層(如水平面、冠狀面、矢狀面),斜截面或曲線截面等,以快速逐層顯示、二維序列顯示、或漫游等方式來提供灰度或偽彩色位圖顯示.由于這類方法具有繪制速度快,人機交互性好等優點,故如今其仍是不可取代的器官內部特性觀察方法.

(1)面繪制面繪制(Surfacerendering)的基本思想是提取感興趣物體的表面信息,再用繪制算法根據光照、明暗模型進行消隱和渲染后得到顯示圖象.大家知道,在計算機圖形學領域,面繪制算法發展到今天已經相當成熟,并可利用專門的圖形加速硬件來加速繪制過程,但面繪制需要指定閾值,以確定場景中感興趣物體的表面,而且除了閾值法,任何自動的、“硬”(hard)的(相對于模糊分割而言)、基于邊緣或基于區域的分割方法都可以使用.由于上述方法采用的參數需要交互指定,因此分割和繪制速度在這里是最重要的考慮因素.

另外,這種分割得到的表面可以用多種方式對其進行描述,如體素、點、體素的面、三角面片及其他形狀的表面片等,這個過程常常又被稱為三維建模.一般繪制本身包括投影、消隱和渲染3個基本步驟,這些步驟對于產生三維立體感是必需的,而其他技術,如立體顯示、旋轉物體造成的運動視差,陰影和紋理映射都可用于增強立體感.投影方法分為光線投射(或光線跟蹤)算法和體素投影算法,其中,在光線投射算法中,當光線遇到滿足閾值準則的第1個體素時,則停止,從而自動完成消隱[36];而在體素投影算法中,體素按從遠到近(相對于視平面而言)的順序投影,且每次都改寫象素值.目前已有多種高效的計算方法被用來實現體素投影[37].渲染方法由光照(illumination)模型和明暗(shading)模型確定,其中典型的光照模型,如Phong模型,Blinn模型,whittd模型等[38];而明暗模型有平坦型明暗,Gouraud明暗和Phong明暗[39]等.

這種渲染方法中最重要的步驟是法向量的計算,它也有兩類方法,在第1種方法中,法向量完全由點v附近表面的形狀決定;另一種方法則將場景中點v處灰度梯度作為法向量N.為了顯示內部組織,還可采用半透明表面技術,這樣即能繪制出多層等值面,進而也就引出了模糊表面繪制技術(Fuzzysurfacerendering)和體繪制技術[40].

(2)體繪制與面繪制不同,由于體繪制(Volumerendering或Directvolumerendering)算法認為體數據場中每個元素——體素都有一定的屬性(透明度和光亮度),而且通過計算所有體素對光線的作用即可得到二維投影圖象,因此,體繪制可以利用模糊分割的結果,甚至可以不進行分割即可直接進行繪制,這樣做的好處在于有利于保留三維醫學圖象中的細節信息,但缺點是加大了計算開銷,即使在硬件圖形加速支持的機器上,體繪制也比面繪制慢得多.鑒于體繪制的中心思想是為場景中的每個體素指定一個不透明度,因此需考慮每個體素對光線的透射、發射、反射作用.

這種光線的透射就取決于體素的不透明度;光線的發射則取決于物體的物質度(objectness),物體的物質度越大,其發射也越強烈;而光線的反射則取決于表面材料和法向量.與面繪制相類似,體繪制也包括投影、消隱、渲染或合成3個基本步驟,其中,投影與面繪制完全相同;而消隱比面繪制要復雜,在光線投射型算法中,通常采用的消隱方法是,一旦累積的不透明度超過某個較高的閾值(如90%)時,就停止計算,這種算法將忽略該光路上其余體素的影響[40];渲染在這里稱為合成可能更合適,因為它需要考慮所有3個分量——透射分量、發射分量和折射分量.這種體繪制的遍歷策略主要有從后到前(back-to-front)和從前到后(front-to-back)兩種,前者是沿光線方向從離視平面最遠的體素開始,從遠到近地計算,后者反之,而且從前到后的計算,實際上比從后到前的計算要快.

雖然體繪制方法計算量大,但在硬件的支持下,特別是依靠硬件的加速三維紋理映射技術,實時繪制仍然可以實現,事實上,對于128×128×128象素大小的體數據,繪制圖象的生成速度早在1992年就可達到30幀/s以上[41].另外,剪切-彎曲(shear-warp)算法已使并行體繪制成為一種基本算法,由于該算法可以利用多個CPU并行計算,因而大大提高了繪制速度[42].另外,無論是面繪制還是體繪制,在許多情況下,僅僅依靠閾值等分割算法均無法將不同的組織和結構區分開來,若采用進一步的識別標注算法來定義出不同的物體,將不僅有助于更有效地表達物體,也有利于提高繪制速度和精度。在面繪制中,還可用一些方法來減少投影和消隱的計算;而在體繪制中,識別出的模糊物體也可以由一組模糊體素來表達,其中每一體素都有與其相關的一個物質度值和其他參數,如梯度大小等.

這樣,與初始場景相比,物體描述更為簡潔,而且事先計算后存儲的加速繪制信息也可作為體數據的一部分.除了基本的繪制算法外,特殊的真實感圖形圖象技術,如紋理映射技術、細節層次技術,基于圖象的繪制技術等,在醫學可視化領域均具有廣闊的應用前景,雖然這些技術的應用可以提高繪制算法的效率和增加醫學、生物學圖象的視覺真實感,亦可在模擬手術、遠程手術中用于生成虛擬場景,但是,由于三維醫學圖象的繪制目的在于看見內部組織的細節,所以真實感并不是最重要的方面,相反,多光源技術等還可能造成誤解,因此,在選擇繪制算法時,要注意這個問題.另外,高度的可交互性是三維醫學圖象繪制的另一個要求,即要求一些常見操作,如旋轉、剖切,要實時,或至少是在一個可以忍受的響應時間內完成.這意味著在醫學圖象繪制中,一些預處理時間長(如分割、建模、光照),而繪制時間短的可視化方法更為實用,而且在一些特殊的場合,可能需要將面繪制和體繪制技術混合起來,其結合的形式有兩種,其中一類以面繪制為主,只是試圖引入體繪制的某些概念,主要針對需要同時顯示多邊形和體數據的混合場景的繪制;另一類是試圖把幾何表面描述與體數據融合起來,常用于手術計劃/模擬,以便同時顯示由醫學成象裝置所得到的病人數據和虛擬手術器械.未來的體數據可視化將與虛擬現實技術相結合,使它不僅僅是“觀看”體數據的工具,更主要的是能創造一個虛擬環境,讓操作者在這個虛擬環境中參與對體數據的操作和改造,這樣,操作者將像置身在真實世界中一樣,對這種虛構世界中的物體進行操作,這在醫學實踐中是十分重要的,這樣醫生即可通過三維輸入設備直接對病人的模型實施各種手術方案,整個模擬過程和實際的手術過程非常接近,這將會幫助醫生制定最有效、最安全的手術方案.目前比較成熟的是虛擬內窺鏡技術和放射手術計劃系統[39].

4結束語

本文對現有的醫學圖象分割、融合、繪制技術進行了概要的評述.根據上面所述可見,正是由于多種三維圖象成象方式之間的互補特性,從而導致了“多模態圖象”時代的興起.由于醫學圖象可視化的目的是為了輔助醫生了解人體內部組織的信息,因此,除圖象繪制技術外,可視化還需解決如下兩個重要問題,即組織及組織特性的精確自動分割標注技術,以及將由不同圖象模態提供的互補信息綜合起來的匹配/融合技術問題.這里特別要指出的是,分割和融合是相互依存和逆向相關聯的,即多模態、多維圖象匹配后,其合成的圖象不僅有助于準確分割和識別圖象,而且圖象的準確分割也將有助于提高匹配和融合的精確度和有效性.綜上所述,多模態圖象的可視化是三維醫學圖象可視化領域中最具有挑戰性和最有應用前景的問題.