产前超声医学图像处理技术的研究进展.docVIP

产前超声医学图像处理技术的研究进展 　　摘要：超声诊断医学成像技术在临床上应用最广泛，自动医学图像处理技术是提高准确率的主要手段。本文首先介绍超声医学图像处理的原理和特点，讨论图像滤波、图像分割和机器学习技术的算法，分析超声医学图像处理研究进展。以超声医学为背景，对切面自动提取和生物学自动参数自动测量的技术应用进行综述，讨论产前超声医学图像处理技?g智能诊断的发展趋势。 　　关键词：产前超声；医学图像处理；切面自动提取；生物学参数 　　中图分类号：R445 文献标识码：A 文章编号：1006-1959（2017）18-0031-02 　　出生缺陷是新生儿死亡的最主要原因，同时也给新生儿的家庭和社会带了来沉痛的打击和负担，并且死亡率这几年呈上升趋势。人口计生委江帆主任曾经说过，出生缺陷的孩子每年的治疗费用和生活费用两项到高达几百亿元，产生的间接费用高达几千亿元。产前超声诊断是一项安全无损的诊断方式，能够对胎儿的生长状况进行检测，减少婴儿先天畸形率、婴儿和孕妇的死亡率。利用超声产前检查的关键在于对超声图像检查的准确性。 　　目前，成像设备在临床上得到了广泛应用，医学图像处理技术迅速发展，被归结到模式分析和机器智能的范畴，医学工作者们认为医学图像处理技术是将计算机的视觉和机器的学习技术应用到另外的数据库。但是超声图像斑点噪声导致质量较差，对细节上的检查和分析带来一定的困难。产前超声诊断的主要是解剖结构的标准切面定位和生物学参数测量。例如检查胎儿是否畸形，要对胎儿的脑部、颜面部三切面，四腔心切面，对应的眼距、头围、心房和心室等参数进行测量。实际工作中超声检查仍存在不少问题，主要体现在检查时间长、结果依赖医师、工作强度大等。特别是偏远地区，由于医疗资源较少，这些问题更加明显。研究者们根据计算机视觉和机器学习技术研究出了适合的图像处理方法，来进行产前检查。 　　1 处理超声医学图像的方法 　　1.1计算机视觉和医学图像 　　计算机视觉和医学图像相互配合，在医学图像处理领域产生了较大的影响。计算机视觉领域出现了很多的研究方法和技术，本文中主要研究的产前超声医学图像处理技术，下面对图像滤波和图像分割技术进行简单的分析。 　　1.1.1超声医学图像滤波 图像滤波的主要目的是滤出斑点噪声。因人体组织结构的特殊性和后向散射声波共同作用会产生斑点噪声，这影响了B超图像对比度和组织内的细节信息。虽然目前B超技术已经比较成熟，但在既能抑制斑点噪声又能保留图像细节上仍存在一些问题。经过试验研究，可以把斑点噪声分为三类：完全随机模型、长程阶次非随机模型、短程阶次非随机模型。这些模型的背向散射信号分别是Rayleigh分布、K分布和Rician分布。处理斑点噪声时需要对不同的区域采取不同的方法[1]。 　　以往的滤波方式虽然实现简单，效果不是很好。Donoho提出修改小波域的小波系数来消除噪声， Comaniciu、Meer提出消除噪声的同时还能够保证边界清晰的均值移位滤波算法，飞利浦提出的实时自适应灰度图像滤波方法，主要是辅助空间复合成像。这些技术的相互配合能够提高图像的质量。 　　目前的图像滤波算法都能或多或少的滤除超声图像的噪声，但没有任何一种算法是完美的，对于一些特定的图像，采用定性和定量的方式进行对比，从中选择最优的，是一种简单可行的方法[2]。 　　1.1.2超声医学图像分割 超声医学图像分割技术主要是根据特殊手段将图像像素划分为不同的类别。阈值化、区域生长和聚类等传统方法主要是利用图像灰度信息进行划分，但这些方法不能将灰度值相差不大的两类物体区分。边缘检测法主要利用图像梯度划分，但这种方法对噪声的敏感性很强，不能获得正确的边界模糊物体。产科超声医学图像的质量较差，分割目标比较繁琐，所以需要更科学合理的技术来获取更好的分割效果。在特定的分割算法中融入特定图像的底层信息（如纹理、轮廓、统计特征参数及先验信息等）是分割方法算法成功的关键[3]。 　　1.2超声医学图像机器学习 　　超声医学图像机器学习在图像处理上有很重要的作用，它能促进产前超声诊断的智能化。目前机器学习中分类器模型主要包括核学习方式、线性模型、人工神经网络、自组织映射、集成学习、自适应增强以及随机森林等。核学习为计算机辅助检测任务提供理想的分类器模型，建立概率模型、马尔可夫等随机场，为图像重建、分割提供理论框架[4]。各类分类器模型在应用中各具优缺点，学习时可根据具体内容进行选择。随着超声设备在临床广泛应用，这将使超声医学图像机器学习更加可行[5]。 　　2 产前超声医学图像应用 　　目前国际研究热点主要是计算机辅助产前超声诊断智能化。随着超声设备的迅速发展（三维、四维等超声仪已广泛应用于临床检查），产前检查的准确率和可靠性正不断提高[6]，为此我们从