作者：何金国
出版社：清华大学出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
股骨头医学图形图像处理技术研究试读：
前言
本书的主要内容是作者博士和博士后阶段在医学图像图形处理方面的研究工作，医学图像处理虽然是图像处理领域的一个分支，但是医学图像处理有不同于一般图像处理的两个显著特点，其一是医学图像往往不够清晰；其二是医学图像处理不以美观为目标。因为以上两个特点，医学图像处理工作和一般图像处理就会有一些差别。本书的内容主要针对提高医学图像细节检测能力和提高量化诊断依据展开。
笔者认为，学习计算机医学图像处理最主要的是学会图像处理的基本思路和方法，尤其是能够通过编程体会医学图像处理的原理和效果。在此基础上，具备相应的数学基础的学生很容易从广度、深度上拓展。因此，本书选择医学图像处理领域经常使用的一些方法进行详细剖析，并结合编程实践和实际图形图像展示，以取得更好、更直观的效果。
本书从二维股骨头图像处理入手，结合计算机医学图像处理的一般方法和规律，以若干临床应用比较有效的图像处理方法或算法为例，展开股骨头图像处理算法的研讨和分析。在此基础上，进一步结合BPLI（Barequet's Piecewise-Linear Interpolation）轮廓线重建算法。讨论三维医学图像重建与应用，详细讨论了轮廓线方法和若干改进。编者2014年12月第1章 绪论1.1 引言
股骨头无菌性坏死是当前医学界的一个热点研究课题，该病呈逐年上升趋势，然而，该病的病理、病因、诊断、治疗一直是一个研究
［1］课题。晚期的股骨头坏死病人往往导致终生残疾，而且疼痛难忍。股骨头坏死不但在治疗上是一个难题，在诊断上同样是一个研究课题。
股骨头坏死一般从骨髓病变开始，因而早期诊断比较困难。20世纪80年代中期Ficat提出以钻孔提取骨髓样本为特征的FEB方法，但患者较难接受，医学界一些专家从20世纪80年代开始寻求使用计算机图像处理技术进行图像增强、综合取证，以达到早期诊断和指导治疗的目的。
随着核磁共振成像（MRI）的发展，人们发现MRI对早期的骨髓缺血病变比较敏感，是早期诊断股骨头坏死的一种较好选择。然而，MRI成像设备昂贵、普及率低是这一方法的一个缺陷；MRI的第二个缺陷是MRI图像看不到股骨头图像的全貌，特别是股骨头图像的纹理，这对于诊断病情、判断疗效及愈合不太方便。
在股骨头坏死的X线片检查中，股骨头骨密度值、骨小梁的形态结构、股骨头轮廓线的形状、股骨头有无塌陷、股骨头有无囊变等是判断股骨头是否坏死的重要依据。但是，X线片的早期病灶表现往往是不清晰的，不同X线片的成像质量也不稳定，因而利用计算机图像处理作为一种辅助手段，分析髋关节图像，帮助诊断和分析股骨头坏死病情就成为一种必然。
目前，文献中对股骨头坏死的诊治研究主要结合X线平片和MRI图像进行，其他如CT、核素用于股骨头坏死的诊治，已经不是主［2］流，文献中也比较少见。
对股骨头X线平片图像用计算机处理，可以帮助诊断、分析坏死的类型和转归，文献［3］报告了X线平片彩色化技术能比X线平片提前诊断股骨头坏死，文献［4］用同样的方法分析骨坏死的类型和转归，是国内文献中股骨头医学图像处理的早期报道。
对于骨坏死的MRI图像，由于MRI的非特异性，图像中没有纹理，国外许多学者就用定量分析的方法针对骨坏死的MRI图像进行预后分［2，5］析，取得了较好的结果，所用的方法在数学上也比较简单，主要是结合临床跟踪的统计结果。1.2 医学图像分析
一般认为，医学图像的基本图像处理操作可以简便地分成4类：滤波、形状模型化、分割和分类。
滤波包括增强、去模糊和边缘检测。增强技术可由线性或非线性、［6］局部或全局滤波组成；去模糊技术可由反滤波或维纳滤波等组成［7］；大部分阶跃边缘检测算子可以归结为一个合适的平滑方法及滤［8］波后的梯度或二阶导数零交运算。滤波（Filtering）是一种常见的、有效的图像增强方法。数字滤波基于对图像中的对象和背景进行空间频率分析，增强对象所在频率段的信息，滤掉或抑制其他频率段的信息，以提高图像的清晰度。
分割包括聚类、物体检测和边界检测。简单的直方图或阈值技术被用来分割感兴趣的物体，当有足够的先验信息时，就可有效地应用匹配滤波器。启发式方法对跟踪有高度的结构性背景噪声的轮廓线（如胸部X线放射图）是有用的。区域生长（Region Growing）也是一种图像分割技术，其基本思想是首先在图像中发现一些核心点或核心区，通过适当的准则将其周围的像素或临近的子区归并起来，以使区域逐渐生长扩大，这种技术的关键，一是起始点或起始区的选择，［9］二是生长准则的建立和实现。
形状模糊化包括三维表示和图形操作，如脊椎、冠状动脉或阴影［10］图像的三维轮廓。
分类包括特征选择、纹理特征化和模式识别。识别可以由医生或研究者来完成，也可以由计算机自动完成。利用计算机对医学对象进行自动识别是一个非常复杂的过程，这时图像增强、边界提取、区域分割等预处理成为识别过程的基础和准备。
有的文献认为预处理还包括图像数字化，图像的放大和缩小，灰度变换等，因为这些方法在临床中一直发挥着很大的作用。
股骨头坏死医学图像处理的操作分类，大体上也是上面这些范畴。由于研究中紧密结合临床，笔者对医学图像处理有以下一些看法：（1）医学图像中感兴趣区域常常是不清晰的，有的学者甚至称：“与其说大夫是在看，还不如是在想象医学图像。”这句话的意思是说，大夫总是根据病人的症状、病史、身体情况、外部条件等，基本有一个病情判断，然后从医学图像中去“想象”与病情是否吻合。这么一个状况在股骨头医学图像中尤其如此。在股骨头医学图像处理中，重点的工作可以放在尽量为这种不清晰的图像提供更多的判断依据上，以利于诊断和治疗。（2）股骨头X线片的灰度分布反映了骨密度分布情况，股骨头MRI图像反映了骨组织中氢质子在磁场撤销后弛豫时间的差异，股骨头MRI图像在组织学上的意义比X线片更不直观，因此MRI的读片比X线片要复杂一些。现在先进的MRI设备逐渐应用于国内一些大医院，但是MRI图像的读片人员，则比较缺乏，因为一种新的成像方法一旦问世，读片的人员就又需要适应这一新的信息表示方法，这就是说，要懂这一处理方法的数理知识。国外核磁室的工作人员不仅需要医学出身的，还需要物理学、图像处理等其他背景的工作人员，就是这个原因。数字技术用于医学图像处理，对图像诊室的临床观察者也相应需要更高的数理知识，况且用于临床的图像目前一般有较直接的解剖学或病理学意义，但是图像处理之后就不一定能进行直观的理解，理解处理结果往往需要相应的数理知识，所以，股骨头医学图像处理还应该考虑处理结果应该尽量直观、意义简洁明了。（3）医学图像处理应该紧密结合临床，医学中的方法例如病例跟踪、病理分析等可以结合医学图像处理一起进行。1.3 医学图像处理的发展趋势1.3.1 从单纯诊断到诊断治疗一体
过去的影像技术如X射线、CT、MR、超声等都被看成是诊断设备，现在医学图像技术已将利用图像诊断和利用图像定位的治疗融为一体，从而出现了介入治疗、放射计划治疗、激光治疗等新的治疗技术。作为一种疑难病症，股骨头坏死的图像处理研究还没走到这一步。1.3.2 图像描述从定性到定量
早期利用医学图像设备虽然可以看到人体内部的结构，但对于图像上的病灶还是采用定性的描述，如米粒大、蚕豆大等。随着计算机成为医学图像设备的组成部分，对病灶和对象的描述日趋采用定量化形式。
定量化的描述在股骨头医学图像处理中是很受医学工作者重视的部分，不可乐观的是骨密度值（X线片的灰度）、核磁值都是很难归一化的，不同的成像条件往往会得到对比度、亮度极不相同的结果，目前，许多医学工作者从病变面积角度去定量描述病变的程度和进行预后分析。1.3.3 从二维到三维
虽然基于CT、MRI序列的三维成像技术已广泛应用，对于股骨头医学图像，由于图像本身的不清晰，三维成像技术对提高细节检测力帮助不大。1.3.4 可视化技术和图像信息网络化
可视化技术可以让医生在可视化条件下进行思考、酝酿和制定手术方案。医学图像信息网，可以将病人的各种图像随时方便地送到医生的办公室或值班室，实现多专家的异地在线会诊，实现远程医疗，使远在异地的病人可享受到高水平专家的诊断。
目前，股骨头医学图像处理主要集中于图像增强以提高图像检测力这一方面，这是由这一疑难病症本身的图像特点、临床现状所决定的，越来越多的医学工作者也倾向于利用计算机图像处理来帮助分析病情、研究病理、判断预后，以期攻克这一疑难病症。1.4 医学图像的三维可视化技术
医学图像三维建模研究是医学图像三维可视化研究领域的一项重要内容。近几十年来，由于计算机软硬件技术的高速发展以及在虚拟内窥镜技术、模拟手术、远程医疗、心血管造影、外科移植手术计划、骨科诊断、血管疾病诊断等各个领域三维可视化技术都能够发挥很好［12］的作用。因而，三维可视化的研究始终得到了研究界的重视并且不断深入。
医学图像例如计算机断层扫描（Computered Tomography，CT）及核磁共振图像（MRI），已经被广泛地用于临床诊断。随着医学成像技术的不断发展，先进的设备能在各个方向上提供分辨率更高的医［13］学图像，一次常规诊断往往包含成百上千张图像切片。如此一来，传统的逐张浏览切片的诊断方式就会越来越耗时；同时，从二维切片进行诊断要求大夫凭经验由多幅二维图像估计病灶的大小及形状，“构思”病灶与周围组织的三维几何关系，给诊治带来困难。三维可视化技术通过从一系列的二维图像重构出三维物体，并在计算机上显示出来，而使诊断图像更为直观、清晰。在一幅三维显示图像中包含几十层甚至上百层二维切片中的有用的诊断信息，通过浏览三维图片来进行诊治显然具有更高的效率。
医学图像的三维可视化技术包括体绘制和表面绘制两大类。它们各有其特点和适用领域，其中表面绘制的研究工作主要是表面网格化重建，这正是本节的工作重点。1.4.1 表面绘制技术
表面绘制技术先从原始的三维体数据中抽取出表面，然后将表面显示在计算机上。抽取的表面由一系列的面片组合而成，最常见的面片是平面多边形，以平面多边形组成的一个三维表面称为一个三维网格化表面。常见的三角网格指的是由三角形拼接成的三维表面网格。一个网格化三维表面又可称为一个三维模型，从体数据中抽取三维表面的工作称为三维建模。由于将一个已有的三维模型显示到计算机上的技术已经比较成熟，例如，在Visual C++中包含的OpenGL技术可以很方便地将三维网格化表面显示到计算机上，并加上各种光照、纹理效果，同时可以很方便地从各个角度浏览。所以，表面绘制技术的主要研究任务是三维表面抽取，即三维建模的研究。
三维表面抽取的一种方法是直接从体数据中抽取三维表面，最有［14］代表性的是Marching Cubes（MC）方法。这种方法的实现方法简单，目前已经得到较为广泛的应用，但同时还存在连接方式的二义性问题。文献［15］［16］对二义性问题进行了探讨。文献［18］讨论了MC方法得到表面后的轮廓线成组连接问题。直接抽取表面的算法还包括Marching Tetrahedra（MT）方法、Dividing Cubes方法等。MT方法是在MC方法的基础上发展起来的，该方法首先将立方体的体［19］元剖分为四面体，然后在其中构造等值面，设想通过在四面体［20～23］内构造等值面来避免MC方法中存在的二义性问题，指出MT方法仍然存在二义性问题并进一步研究了消除方法。Dividing Cubes［24］方法是针对分辨率比较高的医学图像数据提出的。
同二维边缘线的提取工作一样，三维表面抽取的关键难题在于现有的物质分类技术不能很好地定位边缘（表面），同时，边缘（表面）的连接也是一个很难的研究课题。例如二维图像的边缘跟踪问题，它类似于三维表面提取工作中的三维表面拼接问题。直接进行三维表面抽取的另一个难题是必须面对这样一个事实：三维医学数据在z方向上的采样往往比在xy平面上的分辨率小得多，表面提取算子必须克服z方向数据的不足。
目前，结合大夫知识的交互式的三维表面抽取方法是一个比较可行的方案。一种交互式的方法是先从二维切片上提取感兴趣区域的轮［25］廓线，再从这些轮廓线连接而成三维表面。因此，基于轮廓线重建三维表面的研究成为这一领域的研究热点；同时，从地形等高线重建三维地形图也要用到这一技术。
从轮廓线重建表面的研究早在20世纪70年代就开始了，近几十年来，不断有新的研究成果发表，从简单到复杂，不断深入。为了简化研究，一般假设参与重建的轮廓线都是位于相互平行的平面序列上的，这符合实际应用背景。另外，大量文献把问题简化为二层平行轮廓线之间的重构问题，将多层重构问题看作多个相邻层重建结果的组［26～28］合。当相邻层轮廓线的连接关系比较简单，例如每层上有一条轮廓线时，现有文献提出许多有效的重建算法，这些算法能够在轮廓线间存在的大量的连接方式中，选择合理的、可接受的连接形式作为重建网格模型，这种选择过程可以使用最优化方法来实现，优化目［29］［30］标可以是生成表面的面积最小、包围的体积最大等。搜索全局最优解效率不高，一些启发式的算法被提出来以求得局部最优［31］［30］解，如最短对角线法、最大体积法、相邻轮廓线同步前进［32］法等，这些算法虽然求得的不是全局最优解，但是效率高，重建结果与最优解差别不大，也是可接受的。当相邻层有多条轮廓线参与重建，连接关系比较复杂的时候，轮廓线重建技术会存在分支问题［26］和对应问题，围绕这两个问题有许许多多的文献发表［33～35］，但至今没有十分理想的解决方案。本文从第2章开始将对分支［36］［37］问题和对应问题做详细的介绍和更深入的探讨。文献对轮廓线重建技术领域的研究工作做了较好的综述性陈述。1.4.2 体绘制技术
体绘制技术不需要对三维体数据做太多的处理，它利用光学原理，对每一个体元赋予不同的颜色信息和透明度信息，然后沿着观察者的视线方向积分所有经过体元的颜色、透明度属性，在观察平面上形成半透明的投影现象。体绘制技术对物质分类技术的要求仍是不可避免的，只有对不同的物质进行分类，例如区分肌肉和血管，才能赋予代表肌肉和血管的体元不同的颜色信息，从而在投影的二维观察图像上把它们区别开来。［38］
体绘制技术的一般算法如图1.1所示。图1.1 光线投影（体绘制）算法流程［39］
体绘制技术的研究内容包括物质分类［40］，图像合成［41］［42～44］，频域绘制技术等。1.4.3 两种绘制方法的对比
表面绘制技术依赖于三维建模的执行效果。一个效果较好的三维建模结果应该是一个边缘（表面）定位准确、表面拓扑结构正确的三维网格模型。这样，绘制到平面上之后是一个清晰的图像，如图1.2（a）所示。相对而言，由于体绘制的结果是沿观察视线上所有体元的积分效果，所以更为模糊，如图1.2（b）所示。图1.2 体绘制与表面绘制效果对比
体绘制和表面绘制的上述不同特点有其不同的应用场合，表面绘制更适用于模拟手术、外科移植手术计划等领域，这些应用需要重构出人体内部结构的三维网格数据。例如，人脑内部结构十分复杂，而且在不开颅的情况下，医生无法观察到手术进行的实际情况，因而做脑部手术十分困难。利用基于表面绘制的可视化技术，可以对手术的进行情况、手术位置等进行计算机模拟，并选择出最佳方案；并且，还可以在手术过程中对手术进行情况通过可视化技术在屏幕上进行监视，从而提高手术成功率。
相对来说，体绘制技术不适用于手术计划这一类应用领域。因为体绘制没有重建人体器官的三维网格数据，所以具体定位比较困难；然而，体绘制技术由于积分了观察视线上的所有体元信息，尽管模糊，却是“透明”的，如图1.2（d）所示，可以透过外部器官观察内部器官，同时，它最大程度地保留了原始二维切片中的细节信息，因而对于诊断十分有用，目前体绘制技术比表面绘制技术更广泛地应用于临床。图1.2（c）的表面绘制结果尽管清晰，但由于重建过程很容易丢失病理细节，所以其并不直接用于肉眼诊断。表1.1是体绘制与表面绘制的对比。表1.1 体绘制与表面绘制的对比
表面绘制与体绘制技术的区别并不是绝对的，不管在研究领域还是应用领域，它们的联系都是紧密的。例如，在应用领域，尽管相对而言表面绘制更不适用于诊断，但是，即使在诊断应用方面，表面绘制也有优于体绘制技术的场合，例如表面绘制更适于计算病变部位的面积与体积。又如，在研究领域，表面绘制和体绘制技术都对物质分类技术提出了很高的要求，物质分类技术的发展必将同时大幅度推进两种绘制技术的发展。因此，表面绘制与体绘制的研究工作是一种相互并存、互相促进的关系。1.4.4 结论
三维可视化技术在医学领域是一个具有广泛应用前景的研究课题，可视化技术中的表面绘制技术和体绘制技术在医学领域分别具有不同的应用，同时又互相联系、互相补充。物质分类技术是医学图像三维可视化技术的一项基础研究课题，它的发展必将对医学图像三维可视化研究起到很好的促进作用。参考文献
［1］何金国．数字图像处理实训教程．北京：清华大学出版社，2008．
［2］K H Koo，R Kim．Quantifying the extent of osteonecrosis of the femoral head．The Journal of Bone and Joint Surgery，1995，77（6）：875-880．
［3］刘树清，胥少汀等．X线平片技术在缺血性股骨头坏死诊断中的价值．中华外科杂志，1988，26（5）：260-263．
［4］胥少汀，刘树清等．股骨头坏死图像分析的类型和转归．天津：中华骨科杂志，1995，15（3）：165-167．
［5］P Lafforgue，Early stage avascular necrosis of the femoral head：MRI imaging for prognosis in 31cases with at least 2 years of 1Follow-up，Radiology，1993，187：199-204．
［6］［德］Friedrich M．Wahl著．数字图像信号处理．王宗海等译．上海：上海远东出版社，1993．
［7］［英］威尔斯．医学成像的科学基础．北京：科学出版社，1986．
［8］周凌翔．最佳边缘检测的准则与算子，模式识别与人工智能，1998，11（1），55-61．
［9］李树祥．医学图像技术的发展与应用．北京：中国图像图形学报．1996，1（4），281-286．
［10］Kenneth R．Castleman．Digital Image Processing（影印版）．北京：清华大学出版社，1997．
［11］Andreas H König，Eduard Gröller．3D Medical Visualization：Breaking the Limits of Diagnostics and Treatment．ERCIM News No．44，January 2001．http://www.ercim.org/publication/Ercim_News/enw44/index.html．
［12］Elliot F.．Three dimensional imaging：Current application in clinical practice，SIGGRAPH’94 Course Notes 24，1994．
［13］Lorensen W E，Cline H E，Matching cubes：A high resolution 3D surface construction algorithm，Computer Graphics，1987，21（4）：163-169．
［14］Durst M J，Letters：Additional reference to“Marching Cubes”，Computer Graphics，1988，22（2）．
［15］Nielson G M，Foley T A，Hamann B．Visualizing and modeling scattered multivariate data．IEEE Computer Graphics & Applications，1991：47-55．
［16］Nielson G M，Hamann B．The asymptotic decider：Resolving the ambiguity in marching cubes．IEEE Proceedings of Visualization’91，1991：83-91．
［17］Chen M，Tang Z，Tang L．Generating grouping isosurfaces from multi．resolution 3D date sets．Proceedings of CAD & Graphics’97，1997：262-267．
［18］Doi A，Koide A．An efficient method of triangulating Equi．Valued surfaces by using tetrahedral cells．IEICE Transactions，1991，E74（1）：214-224．
［19］Bloomenthal J．Poligonization of implicit surfaces．Computer Aided Geometric Design，1988，5（4）：341-355．
［20］Giertsen C．Volume visualization of sparse irregular meshes．IEEE Computer Graphics & Application，1992，12（2）：40-48．
［21］Payne B A，Toga A W．Surface mapping brain function on 3D models．IEEE Computer Graphics & Applications，1990，10（5）：33-41．
［22］Zhou Y，Chen W，Tang Z．An elaborate ambiguity detection method for constructing isosurfaces within tetrahedral meshes．Computers & Graphics，1995，19（3）：355-364．
［23］Cline H E，Lorensen W E．Two Algorithms for three．dimensional reconstruction of tomograms．Medical Physics，1998，15（3）：320-327．
［24］He J，Zha H，Shi Q．Reconstruction of surfaces from medical slices using a multi．scale strategy．Proceedings of the IEEE Systems，Man and Cybernetics Conference，2001：1993-1998．
［25］Bajaj C L，Coyle E J，Lin K N．Surface and 3D thtriangular meshes from planar cross sections．5 International Meshing Roundfable，Sandia National Laboratories，1996：169-178．http://www.cs.prudue.edu/people/bajaj．
［26］Barequet G，Shapiro D，Tal A．Multilevel sensitive reconstruction of polyhedral surfaces from parallel slices．The Visual Computer，2000．16：116-133．
［27］Jinguo He，Bo Wang．A Fast Method of Calibrating Slant Text Image Based on Projection Algorithm．Third International Conference on Knowledge Discovery and Data Mining，2010：291-295．
［28］Fuchs H，Kedem Z M，Uselton S P．Optimal surface reconstruction from planar contours．Communication of the ACM，1977，20（10）：693-702．
［29］Keppel E．Approximating complex surfaces by triangulation of contour lines．IBM Journal Res．Develop，1975，19：2-11．
［30］Christiansen H N，Sederberg T W，Conversion of complex contour line definitions into polygonal element mosaics．Computer Graphics，1978，12（2）：187-192．
［31］Ganapathy S，Dennehy T G．A new general triangulation method for planar contours．Computer Graphics，1982，16（3）：69-75．
［32］Geiger B．Three dimensional modeling of human organs and its application to diagnosis and surgical planning．Technical Report，2105，INRIA，France，1993．
［33］Shantz M．Surface definition for branching contour．defined objects．Computer Graphics，1981，15（2）：242-270．
［34］Shinagawa Y，Kunii T L．The homotopy model：A generalized model for smooth surface generation from cross sectional data．The Visual Computer，1991，7：72-86．
［35］Müller H，Klingert A．Surface interpolation from cross sections．Focus on Scientific Visualization，Springer Verlag，1993：139-189．
［36］Schumaker，L L．Reconstructing 3D objects from cross．sections．Computation of Curves and Surfaces，Kluwer Academic Publishers，1989：275-309．
［37］Levoy M．Volume rendering：Display of surfaces from volume data．IEEE Computer Graphics & Application，1998：29-37．
［38］Drebin R A，Carpenter L，Hanrahan P．Volume rendering，Computer Graphics．1988，22（4）：65-74．
［39］Ma F，Wang W，Zhang W．Probabilistic segmentation of volume date for visualization using SOM-PNN classifier．Proceedings of Visualization Symposium，1998：71-78．
［40］Levoy M．Efficient ray tracing of volume data．ACM Transactions on Graphics，1990，9（3）：245-261．
［41］Levoy M．Volume rendering using the Fourier projection．slice theorem．Proceedings of Graphics Interfeace’92，Canadian Information Processing Society，1992：61-69．
［42］Malzbender T．Fourier volume rendering．ACM Transactions on Graphics，1993，12（3）：233-250．
［43］Totsuka T，Levory M．Frequency domain volume rendering．Computer Graphics，Proceedings，1993：271-278．第2章 股骨头坏死图像处理的一般方法2.1 引言
股骨头坏死医学图像，包括X线平片、核磁、CT和核医学显像［1］，由于骨坏死是一种疑难病症，各种医学图像对诊断、治疗、预后分析的作用是医学界研究的热点，令人鼓舞的是，这一领域的新成［2～7］果总是层出不穷，许多学者从解剖学、病理学、临床学的角度，探讨该病的诊断、分期及治疗。虽然，到今天为止，该病仍然是一个没有被人类攻克的疑难病症，但人们所掌握的病理上的、组织学上的信息更丰富了、治疗手段也更丰富了。例如髓心减压、药物治疗、非［1，5，6］手术疗法等，而所有这些成果都离不开医学图像的帮助。随着研究的不断深入，大多数学者认为应该使用MRI和X线平片综合分析骨坏死图像。医学图像中感兴趣的部位往往不如观察者所期望的那［8］样清晰，在股骨头医学图像中尤其是如此，股骨头医学图像处理的重点是提高图像的检测能力。
应该强调处理医学图像的目的是为了加强对感兴趣的特征的检测能力。图像的一般外观并不是图像任一具体特征检测能力的可靠指标，虽然人们常常认为是这样。所以，任何处理方法是否成功应以改善检测能力的定量的心理物理学的评价来衡量。一旦能够进行清楚的检测［9］之后，能否进一步地处理来改善特征的识别则是必须研究的课题。2.2 股骨头坏死医学图像的特点
股骨头坏死X线片图像的特点是能观察到股骨头的全貌、骨小梁的结构、骨密度分布变化、轮廓变化等。MRI图像的特点是对早期诊断股骨头坏死比较敏感，对早期骨组织的缺血性改变，MRI的T1或T2图像上能呈现信号强度的改变。
股骨头缺血坏死的X线平片影像学表现是囊性变破坏、骨（小梁）结构稀疏或消失、髋关节间隙增宽或出现脱位或半脱位、死骨骨骸的［10］囊变与硬化并存等。这些病变特征往往不能如观察者所期望的那样清晰，其中骨密度是提高还是降低，骨（小梁）的细微结构更是很难观察。受不同成像条件下X线平片对比度、亮度变化的影响，有时X线平片会造成观察者对骨密度分布的错误认识，进而影响诊断和治疗。
MRI对骨髓病变敏感性高，坏死及邻近活骨组织均可表现出异常信号，股骨头、颈以致股骨近段T1WI可表现为低信号，T2WI可表现为高信号，医学上所说的低信号、高信号反映在图像上就是低灰度与高灰度。MRI上述变化为非特异性，须结合X线平片、临床症状等进行确诊。图2.1是典型的坏死股骨头X线平片图像和MRI图像。图2.1 股骨头坏死医学图像2.3 股骨头坏死医学图像的处理方法
股骨头坏死医学图像处理领域的文献较少。我们在绪论中提到，文献［12］提出将X线平片彩色化技术应用于诊断股骨头坏死，能够比黑白X线片提前明确诊断，但这一文献为医学方向的文献，对图像处理的方法未做具体描述。尽管医学图像处理作为一个学科领域，有着丰富的成果，但具体到股骨头医学图像处理，可参考和应用的文献则很少见。由于骨坏死是一种疑难病，股骨头医学图像相对较为不清晰，直接面对临床应用的研究重点可以放在图像增强上，模式识别的工作由观察者（大夫）去完成。鉴于X线片所体现出来的骨密度变化对于骨坏死的诊断非常重要，作者也致力于研究X线片灰度的归一化方法。2.3.1 伪彩色
人的视觉感知理论告诉我们，人眼能够检测识别的色度大约有2万多种，也就是说，人眼能够识别将近2万种彩色，但是人眼只能识别大约200个灰度级，它们之间的比值是100∶1，将黑白X线片着上伪彩色，从理论上大大丰富了信息表示的空间。图2.2是通过彩色查找表合成的彩图。图2.2 彩色合成股骨头X线片图2.3.2 直方图增强
直方图均衡图像增强能使原来图像中占有很窄面积的同一灰度区域的灰度范围变宽，扩展灰度的动态范围，增加图像的对比度，从而使得很窄区域中的微小灰度变化显示出来。直接用直方图均衡法增强股骨头X线片图像，往往能取得一定的效果。灰度变换这类简单方法在图像处理领域是很基本的简单方法，然而临床医学图像处理中灰度变换的作用仍然是较大的。CT和MRI中的不可缺少的窗宽、窗位变换也属于灰度变换范畴。2.3.3 高通滤波增强
高通滤波增强即通过在频率域分析股骨头医学图像，进而增强感兴趣细节所在的频率段的信息，滤掉或抑制其他频率段的信息，以提高图像的清晰度。通过试验，脉冲函数为突变的理想高通滤波器对股骨头X线片图像的增强效果不理想，但是渐变的高通脉冲函数则要好得多，例如Butterworth滤波器。图2.3是Butterworth滤波的效果，因为高通后的图像相对削弱了低频成分，我们对它使用了直方图均衡处理以提高对比度。Butterworth滤波器的脉冲函数为：图2.3 Butterworth高通滤波的结果（D=8，n=1）02.3.4 定量分析
图2.4是MR图像量化参数的测量。图2.4 MR图像量化参数的测量（选自［6］）
一般来说，基于面积的定量分析是比较保险的，尽管由于人眼的错误识别和操作上的偶然误差，会有一定的噪音被提取。然而医学工作者通过这一方法判断预后还是很有成果的。例如，文献［13］介绍了通过提取Alpha（坏死区的角度）、WB（承重部分所含坏死区的角度比例）、FH（坏死表面积的比例）三个参数来分析早期股骨头坏死的预后，由病例跟踪统计得出一些很有用的规律。作为图像处理的内容，分割聚类应该可以应用于这些参数的提取。
对于股骨头X线片信息的定量分析，除了面积外，医学工作者还希望能对骨密度值做定量分析，然而，同一患者不同时刻所拍的X线片，其对比度、亮度是千差万别的。因此，通过X线片定量分析骨密度变化往往很难得到准确结果。
作者认为，由于电流、电压强度的变化、成像时间长度的变化等原因造成的X线片对比度、亮度的变化是无法克服的困难，因为摄影师要拍摄出高质量的照片，必须根据情况调节参数。所以，无视这一事实去期望较准骨密度值是不切实际的。
事实上，X线片骨密度中不变的信息是骨密度值的相对高低，换句话说，如果A点的骨密度值大于B点的骨密度值，那么A点的X线片灰度值一定会高于B点的灰度值。根据X线片的成像原理，我们知道这一假设是有根据的。确实如此，对比度、亮度的变化不能改变灰度值的相对高低。对于骨密度值P与P来说，只有P>P是有意义的信ABAB息，而P－P的值或者P和P本身的值的高低是没有意义的，一个ABAB简单的对比度或亮度变化就可以改变这些值。
试读结束[说明：试读内容隐藏了图片]