基于ITK医学图像分割系统研究与实现.docVIP

基于ITK医学图像分割系统研究与实现 　　摘 要：在ITK平台的基础上对水平集图像分割算法进行研究，目的是设计一个以水平集图像分割算法为核心的医学图像分割系统。针对ITK平台存在的系统无法可视化的问题，通过充分分析ITK开发包的编程特点，建立了以VS2010的MFC为基础的用户界面，并利用C++编程开发基于ITK的可视化图像分割系统。系统充分利用了ITK中管道结构的数据管理思想，分三大模块来实现图像的分割显示。实验表明，该系统能有效的实现MRI图像的分割，得到清晰的脑部解剖结构图像。 　　关键词：ITK平台；水平集；图像分割；可视化 　　前言 　　图像分割是医学图像处理和分析中的关键技术，利用图像分割，可以把图像中感兴趣的目标从背景中分离出来[1]。而从医学研究和临床应用的角度来看，图像分割是病变区域提取、特定组织测量以及实现三维重建的基础。然而由于人体解剖结构的复杂性、组织器官形状的不规则以及不同个体间的差异性，再加上医学图像在形成时受到诸如噪声、场偏移效应、局部体效应和组织运动等的影响，造成了医学图像的复杂性和多样性，从而大大增加了图像分割的难度。 　　ITK是一个专门针对医学影像领域开发，提供医学图像处理、图像分割与配准的算法平台，它起源于美国的可视化人体项目[2]（Visible Human Project）。ITK采用数据管道体系结构，提供大量的滤波器用来处理图像。作为一个开源的项目，全世界的学者都可以在该平台上研究新的分割和配准算法，并创造新的应用，从而促进医学事业的发展。美中不足的是，ITK平台并非一个可视化系统，它只提供单一的分割或配准算法以供研究。 　　综上所述，文章将在ITK平台的基础上，根据医学图像的特点，实现以水平集分割算法为核心的可视化医学图像分割系统。 　　1 水平集方法概述 　　1.1 水平集方法的基本思想 　　水平集方法（Level set method，LSM）是一种用于跟踪轮廓和表面演化的数值方法[3][4]。它的主要思想是，将轮廓作为零水平集嵌入高一维的水平集函数中，主要由闭超曲面的演化方程可得到水平集函数的演化方程，而嵌入的闭超曲面总是其零水平集，最终只要确定零水平集即可确定轮廓演化的结果[5][6]。该方法的主要特征是轮廓曲线或曲面可以自然地改变拓扑，因为水平集不需要被简单连通，即使在水平集改变拓扑时，更高维曲面依然保持为一个简单函数。 　　以二维情况为例，水平集方法是把二维平面的闭合曲线？祝（t）视为三维空间连续函数曲面 （水平集函数）的一个（？渍=0）的零水平层，即 　　可用下面的微偏分方程来表示演化函数： 　　为了求解该方程，可设曲面在法向上的运动速度为F，则方程可化为式（3），这是一个偏微分方程（Partial Differential Equaton.PDE）的初值问题。 　　（3） 　　其中：d（x，y）为有符号距离函数（Signed Distance Function，SDF），表示从像素（x，y）到界面？祝（t）的最短距离，符号根据像素点的位置确定，若在初始界面外部为正，内部则为负。在任意时刻，曲线上的点就是距离函数值为0的点集（即距离函数的零水平集）。F一般与图像数据和零水平集曲线的几何性质如曲率有关。由此可见，图像分割轮廓就是通过水平集函数表面的零水平集得到的，而水平集函数通常由符号距离函数来表示。 　　1.2 水平集图像分割的一般性算法 　　基于水平集的图像分割算法的主要步骤[5]如下： 　　（1）设定水平集函数的初态； 　　（2）确定动力F的形式； 　　（3）按基本方程推演水平集函数的各状态； 　　（4）对每一水平集状态求解零水平集。 　　2 基于ITK的图像分割系统的实现 　　2.1 ITK平台的特点 　　ITK的主要设计思想是采用管道结构来管理数据流程[7][8]，即：以数据处理为中心，将数据对象和处理对象连结起来就构成了管道模型。其数据对象（itk：DataObject类）有两种类型：图像Image（itk：：Image类）和网格Mesh（itk：：Mesh类）。图像表示的是N维、规则采样的数据。采样的方向平行于X-Y-Z坐标轴，采样起点、各方向的采样间距和采样大小都可以指定。像素类型和图像的空间维数可确定一个图像对象。网格则是由点和单元组成。ITK中的处理对象分为三种类型，包括Source、Filter和Mapper。Source类型对象的输出为数据对象，包括各种图像的读取类（itk：：ImageFileReader类）；Filter类型对象则以一个或多个数据对象作为输入、然后输出一个或多个数据对象，包括实现各种数字图像处理算法的类；Mapper类型对象是管道处理的最后一步，它将最终的处理结果存到硬盘上。其