本發(fā)明涉及圖像處理領(lǐng)域，特別涉及一種醫(yī)療影像照片的處理方法及系統(tǒng)。

背景技術(shù)：

近年來(lái)，計(jì)算機(jī)技術(shù)、通信技術(shù)、網(wǎng)絡(luò)技術(shù)的飛速發(fā)展給計(jì)算機(jī)輔助診斷(ComputerAidedDiagnosis，CAD)帶來(lái)了新的生機(jī)，CAD利用了計(jì)算機(jī)對(duì)醫(yī)學(xué)圖像分析處理的高效性，節(jié)省了大量的人力、物力，并且能夠不受人主觀意識(shí)的影響做出客觀實(shí)際的診斷結(jié)果，從而配合醫(yī)生對(duì)病情做出精確的判斷。在醫(yī)學(xué)圖像處理中，醫(yī)學(xué)圖像分割是解決醫(yī)學(xué)圖像在臨床上應(yīng)用的前提條件，它是一個(gè)復(fù)雜并具有挑戰(zhàn)性的任務(wù)，特別是人類(lèi)對(duì)腦圖像的分割，腦分割對(duì)于早期診斷腦腫瘤，阿爾茨海默癥等疾病具有極為重要的意義。

磁共振成像(MagneticResonanceImaging，MRI)是一個(gè)非常重要的醫(yī)學(xué)圖像成像技術(shù)，由于它能夠提供活體組織的細(xì)節(jié)圖像，成像參數(shù)多，對(duì)人體無(wú)放射性損傷，現(xiàn)將MRI應(yīng)用于人腦疾病的輔助診斷研究已受到了廣泛的重視。因MRI圖像內(nèi)部組織間邊界的模糊性和內(nèi)在的不確定性，使得模糊聚類(lèi)技術(shù)比起其它技術(shù)被更加廣泛地應(yīng)用于MRI圖像分割。目前應(yīng)用最廣泛的是模糊C-均值聚類(lèi)(FuzzyC-Means，F(xiàn)CM)算法，它是通過(guò)迭代優(yōu)化含模糊參數(shù)的目標(biāo)函數(shù)來(lái)獲取像素點(diǎn)屬于各類(lèi)的隸屬度進(jìn)行圖像分割的，但是該算法對(duì)初值和噪聲干擾非常敏感，在很大程度上依賴(lài)初始聚類(lèi)中心的選擇，當(dāng)初始聚類(lèi)中心嚴(yán)重偏離全局最優(yōu)聚類(lèi)中心時(shí)，極易陷入局部最優(yōu)解，使分割速度和性能都受到影響。

近年來(lái)，一些學(xué)者提出采用粒子群算法(ParticleSwarmOptimization，PSO)進(jìn)行初始聚類(lèi)中心的優(yōu)化求解，受混沌理論的啟發(fā)而提出的混沌粒子群算法(ChaosParticleSwarmOptimization，CPSO)已應(yīng)用于圖像分割，但這些文獻(xiàn)未能提出對(duì)粒子群早熟現(xiàn)象的判定，并且利用的混沌模型大都是Logistic映射，然而Logistic映射所產(chǎn)生的序列極不均勻，穩(wěn)定性較差。也有學(xué)者采用邏輯自映射函數(shù)混沌初始化均勻分布的粒子群，并集成早熟判斷機(jī)制，以提高圖像分割速度和精度。

多尺度分析是正確認(rèn)識(shí)事物和現(xiàn)象的重要方法之一，目前廣泛地用于醫(yī)學(xué)圖像分析中。但是目前已有的方法普遍存在計(jì)算方法太簡(jiǎn)單化，在一定條件下容易受到圖像對(duì)比度與亮度變化的影響，如果使用人員要求得最佳閾值，往往需要進(jìn)行較大規(guī)模的遍歷計(jì)算并計(jì)算出方差，當(dāng)計(jì)算量大時(shí)效率會(huì)很低。同時(shí)，在實(shí)際圖像中，由于圖像本身灰度分布以及噪聲干擾等因素的影響，目前以后的方法并不能使圖像分割得到滿(mǎn)意的結(jié)果，雖在一定程度上可以消除噪聲的影響，但該方法計(jì)算量相當(dāng)大，難以應(yīng)用到實(shí)時(shí)系統(tǒng)。

由于磁共振成像(Magnetic Resonance Imaging，簡(jiǎn)稱(chēng)MRI)設(shè)備獲取的人腦核磁圖像受噪聲、射頻場(chǎng)不均勻性、腦不同組織之間的差異性以及部分容積效應(yīng)等因素影響，造成人腦核磁圖像的均勻性變差，因此僅依靠圖像的灰度密度信息給精確的腦圖像分類(lèi)帶來(lái)了很大困難，如果要得到正確的腦組織分類(lèi)，首先必須對(duì)灰度進(jìn)行校正。

近年來(lái)，一些基于模糊聚類(lèi)的多尺度空間的圖像數(shù)據(jù)處理技術(shù)被陸續(xù)提出，該類(lèi)方法的過(guò)程通常是在尺度空間圖像序列的每一個(gè)尺度層次上直接進(jìn)行模糊聚類(lèi)方法，上一尺度層次的分割結(jié)果經(jīng)常作為下一尺度層次的初始狀態(tài)，由于沒(méi)有引進(jìn)有效的不同的尺度層次之間的約束來(lái)優(yōu)化當(dāng)前尺度層次內(nèi)的分割，所以分割結(jié)果只在最后分割的尺度層次得到優(yōu)化，因此，這些方法對(duì)于退化圖像的魯棒性不是很好。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的。

本發(fā)明提出了一種醫(yī)療影像照片的處理系統(tǒng)，所述醫(yī)療影像照片的處理系統(tǒng)包括如下模塊，圖像分割模塊、圖像去噪模塊、圖像學(xué)習(xí)模塊、三維重建模塊，其中，

圖像分割模塊，用于對(duì)MRI圖像進(jìn)行分割，根據(jù)圖像的灰度、顏色或者幾何性質(zhì)將圖像中不同的區(qū)域分割出來(lái)，這些區(qū)域是互不相交的，每一個(gè)區(qū)域都滿(mǎn)足其各自的特征，并提取其中感興趣的目標(biāo)區(qū)域；

圖像去噪模塊，采用全變差TV正則化的方式，通過(guò)稀疏變換，并對(duì)MRI圖像數(shù)據(jù)擬合，實(shí)現(xiàn)去噪處理；

圖像學(xué)習(xí)模塊：采用貝葉斯學(xué)習(xí)模型，對(duì)去噪處理后的MRI圖像進(jìn)行建模；

三維重建模塊，采用表面重現(xiàn)方法或整體重現(xiàn)法對(duì)MRI圖像進(jìn)行建模；

所述的表面重現(xiàn)方法是通過(guò)幾何單元的拼接來(lái)擬合物體表面以達(dá)到重建效果；

所述整體重現(xiàn)法是通過(guò)讀取體數(shù)據(jù)將體素投影到顯示平面來(lái)進(jìn)行顯示。

本發(fā)明還提出了一種醫(yī)療影像照片的處理方法，包括如下步驟：

步驟一、對(duì)MRI圖像進(jìn)行分割，根據(jù)圖像的灰度、顏色或者幾何性質(zhì)將圖像中不同的區(qū)域分割出來(lái)，這些區(qū)域是互不相交的，每一個(gè)區(qū)域都滿(mǎn)足其各自的特征，并提取其中感興趣的目標(biāo)區(qū)域；

步驟二、采用全變差TV正則化的方式，通過(guò)稀疏變換，并對(duì)MRI圖像數(shù)據(jù)擬合，實(shí)現(xiàn)去噪處理；

步驟三、采用貝葉斯學(xué)習(xí)模型，對(duì)去噪處理后的MRI圖像進(jìn)行建模；

步驟四：采用表面重現(xiàn)方法或整體重現(xiàn)法對(duì)MRI圖像進(jìn)行建模。

本申請(qǐng)的醫(yī)療影像照片的處理系統(tǒng)和方法，通過(guò)圖像分割、去噪、深度學(xué)習(xí)和三維重建，大大提高了醫(yī)療圖像的辨識(shí)精度，可以為后續(xù)做出準(zhǔn)確的診斷提供可靠的支持。

附圖說(shuō)明

通過(guò)閱讀下文優(yōu)選實(shí)施方式的詳細(xì)描述，各種其他的優(yōu)點(diǎn)和益處對(duì)于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實(shí)施方式的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制。而且在整個(gè)附圖中，用相同的參考符號(hào)表示相同的部件。在附圖中：

附圖1示出了根據(jù)本發(fā)明實(shí)施方式的醫(yī)療影像照片的處理系統(tǒng)示意圖。

具體實(shí)施方式

下面將參照附圖更詳細(xì)地描述本公開(kāi)的示例性實(shí)施方式。雖然附圖中顯示了本公開(kāi)的示例性實(shí)施方式，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開(kāi)而不應(yīng)被這里闡述的實(shí)施方式所限制。相反，提供這些實(shí)施方式是為了能夠更透徹地理解本公開(kāi)，并且能夠?qū)⒈竟_(kāi)的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

根據(jù)本發(fā)明的實(shí)施方式，本發(fā)明提出了一種醫(yī)療影像照片的處理系統(tǒng)，所述醫(yī)療影像照片的處理系統(tǒng)包括如下模塊，圖像分割模塊、圖像去噪模塊、圖像學(xué)習(xí)模塊、三維重建模塊，如圖1所示。

圖像分割模塊，用于MRI圖像進(jìn)行分割，根據(jù)圖像的灰度、顏色或者幾何性質(zhì)將圖像中不同的區(qū)域分割出來(lái)，這些區(qū)域是互不相交的，每一個(gè)區(qū)域都滿(mǎn)足其各自的特征，并提取其中感興趣的目標(biāo)區(qū)域；

圖像去噪模塊，采用全變差TV正則化的方式，通過(guò)稀疏變換，并對(duì)MRI圖像數(shù)據(jù)擬合，實(shí)現(xiàn)去噪處理；

圖像學(xué)習(xí)模塊：采用貝葉斯學(xué)習(xí)模型，對(duì)去噪處理后的MRI圖像進(jìn)行建模；

三維重建模塊，采用表面重現(xiàn)方法或整體重現(xiàn)法對(duì)MRI圖像進(jìn)行建模。

根據(jù)本發(fā)明的實(shí)施方式，還提出了一種醫(yī)療影像照片的處理方法，包括如下步驟：

步驟一、對(duì)MRI圖像進(jìn)行分割，根據(jù)圖像的灰度、顏色或者幾何性質(zhì)將圖像中不同的區(qū)域分割出來(lái)，這些區(qū)域是互不相交的，每一個(gè)區(qū)域都滿(mǎn)足其各自的特征，并提取其中感興趣的目標(biāo)區(qū)域；

步驟二、采用全變差TV正則化的方式，通過(guò)稀疏變換，并對(duì)MRI圖像數(shù)據(jù)擬合，實(shí)現(xiàn)去噪處理；

步驟三、采用貝葉斯學(xué)習(xí)模型，對(duì)去噪處理后的MRI圖像進(jìn)行建模；

步驟四：采用表面重現(xiàn)方法或整體重現(xiàn)法對(duì)MRI圖像進(jìn)行建模。

下面對(duì)上述醫(yī)療影像照片的處理過(guò)程進(jìn)行詳細(xì)說(shuō)明：

為了更好的對(duì)MRI圖像進(jìn)行處理，首先要對(duì)MRI圖像進(jìn)行分割，并在分割的位置打標(biāo)簽，以便進(jìn)行詳細(xì)的比對(duì)。圖像分割是指按照一定的規(guī)則把圖像分成各具特色的部分，并能提取其中感興趣的目標(biāo)區(qū)域的方法和過(guò)程。它是根據(jù)圖像的灰度、顏色或者幾何性質(zhì)將圖像中不同的區(qū)域分割出來(lái)，這些區(qū)域是互不相交的，每一個(gè)區(qū)域都滿(mǎn)足其各自的特征，分割出來(lái)的區(qū)域應(yīng)該同時(shí)滿(mǎn)足三個(gè)條件：1、分割出來(lái)的區(qū)域具有均勻性和連通性；2、相鄰分割區(qū)域之間有著某種明顯的差異；3、分割區(qū)域的邊界應(yīng)該規(guī)整并同時(shí)保證邊界的定位精度。

根據(jù)數(shù)學(xué)集合的概念，對(duì)圖像分割給出如下的數(shù)學(xué)定義：用R表示整個(gè)圖像區(qū)域，那么圖像分割就可以看做是把R分成n個(gè)子區(qū)域，即為R1、R2，R3，…,Rn,滿(mǎn)足如下條件：1、R1到Rn合起來(lái)是R；2、Ri是一個(gè)連續(xù)區(qū)域，i＝1,2,3，…,n；3、Ri與Rj的交集是空集，i不等于j。滿(mǎn)足以上條件的區(qū)域分割才能真正做到把感興趣的目標(biāo)區(qū)域分割出來(lái)。

圖像分割的精確程度直接影響甚至決定了后續(xù)處理的精確程度。本申請(qǐng)的圖像分割具體包括：邊緣切割和范圍切割，所述邊緣切割利用圖像灰度級(jí)的不連續(xù)性，通過(guò)檢測(cè)不同區(qū)域之間的邊緣來(lái)分割圖像；所述范圍切割根據(jù)目標(biāo)區(qū)域和背景區(qū)域的性質(zhì)不同，直接提取出目標(biāo)區(qū)域，而不是優(yōu)先檢測(cè)邊緣點(diǎn)。

在完成了對(duì)MRI圖像進(jìn)行分割，并在分割的位置打標(biāo)簽后，需要對(duì)MRI圖像進(jìn)行去噪處理。

MRI成像與其它醫(yī)學(xué)成像方法相比，具有對(duì)人體無(wú)害，可以采用多參數(shù)成像和能夠反映器官或組織的生化特征特點(diǎn)，成為醫(yī)學(xué)臨場(chǎng)診斷的重要手段之一。在MRI圖像中，噪聲主要來(lái)自硬件電路和被成像對(duì)象兩個(gè)方面，主要是熱噪聲，另外還有生理噪聲?？焖俟舱癯上駮?huì)導(dǎo)致低的信噪比和對(duì)比度，因此，在提高圖像的時(shí)間分辨率的時(shí)候，圖像噪聲會(huì)大大降低磁共振圖像的質(zhì)量，使得一些組織的邊界變得模糊，細(xì)微結(jié)構(gòu)難以辨別，增加了對(duì)圖像細(xì)節(jié)識(shí)別與分析的難度，影響醫(yī)學(xué)診斷。盡可能地降低圖像噪聲成了準(zhǔn)確診斷的途徑之一，因此，對(duì)圖像的后處理去噪以提高圖像質(zhì)量。

壓縮感知理論指出：當(dāng)信號(hào)在某個(gè)變換域是稀疏的或可壓縮的，可以利用與變換矩陣非相干的測(cè)量矩陣將變換系數(shù)線性投影為低維觀測(cè)向量，同時(shí)這種投影保持了重建信號(hào)所需的信息，通過(guò)進(jìn)一步求解稀疏最優(yōu)化問(wèn)題就能夠從低維觀測(cè)向量精確地或高概率精確地重建原始高維信號(hào)。因此，我們可以采用壓縮感知的方式實(shí)現(xiàn)MRI圖像的去噪處理。

在壓縮感知(CompressedSensing,CS)中，一個(gè)很重要的研究問(wèn)題正是如何將信號(hào)進(jìn)行稀疏的表示。在CS的主題下稀疏圖像可以使用非常少的掃描量得到重建。這些方法利用MRI圖像中的內(nèi)在稀疏性；一些稀疏變換可以將圖像變換到某些域下使得其數(shù)值非零的系數(shù)非常少。非常有名的例子是全變差TV正則化，它隱含的假定大部分圖像是具有非常稀疏的梯度。如果存在一個(gè)這樣的稀疏變換，定義為ψ，我們可以理想的選擇一個(gè)在ψ下最稀疏的估計(jì)使得其掃描數(shù)據(jù)擬合相一致。因此，采用全變差TV正則化的方式，通過(guò)稀疏變換，并對(duì)MRI圖像數(shù)據(jù)擬合，從而實(shí)現(xiàn)去噪處理。

完成去噪處理后，就可以對(duì)MRI圖像進(jìn)行深度學(xué)習(xí)。

MRI數(shù)據(jù)通常是用三維體數(shù)據(jù)樣本的形式進(jìn)行存儲(chǔ)，每一個(gè)樣本體數(shù)據(jù)都對(duì)應(yīng)著一個(gè)種類(lèi)，如病人或是正常人，于是有監(jiān)督的機(jī)器學(xué)習(xí)方法便能夠引入到MRI數(shù)據(jù)分析中。但MRI數(shù)據(jù)分析常常遇到的一個(gè)問(wèn)題是可用樣本數(shù)量遠(yuǎn)遠(yuǎn)小于提取的特征數(shù)量，從而產(chǎn)生過(guò)擬合問(wèn)題，大大降低了機(jī)器學(xué)習(xí)模型的預(yù)測(cè)精度。于是，我們通常需要在建立學(xué)習(xí)機(jī)前對(duì)特征進(jìn)行降維，以減輕過(guò)擬合問(wèn)題。傳統(tǒng)的方法通過(guò)將特征映射到一個(gè)低維空間，來(lái)降低原始特征的維度，但該方法的缺點(diǎn)在于映射后的特征喪失了原始特征的物理特性。

我們建立了一個(gè)貝葉斯學(xué)習(xí)模型，用于對(duì)所獲得的數(shù)據(jù)進(jìn)行建模。與傳統(tǒng)貝葉斯模型相比，本發(fā)明提出的貝葉斯模型引入了一個(gè)類(lèi)高斯先驗(yàn)(ARD)，使得模型的解具有稀疏性。本發(fā)明所述模型的求解問(wèn)題實(shí)際上是一個(gè)四分類(lèi)問(wèn)題，每一個(gè)類(lèi)對(duì)應(yīng)一個(gè)四分之一棋盤(pán)格實(shí)驗(yàn)刺激。傳統(tǒng)的多分類(lèi)方法，如多分類(lèi)SVM，其本質(zhì)是對(duì)所有類(lèi)兩兩之間建立一個(gè)模型并結(jié)合某種策略，如投票策略，實(shí)現(xiàn)多分類(lèi)。本發(fā)明中，我們對(duì)每一個(gè)類(lèi)都建立一個(gè)線性模型，在估計(jì)出所有的模型參數(shù)后，對(duì)于任意一個(gè)未知所屬類(lèi)別的測(cè)試樣本，可以直接通過(guò)類(lèi)的后驗(yàn)概率進(jìn)行預(yù)測(cè)。具體來(lái)說(shuō)，我們計(jì)算測(cè)試樣本對(duì)于每一個(gè)類(lèi)的后驗(yàn)概率p(C1|x)，p(C2|x)，p(C3|x)及p(C4|x)，則需要注意的是，由于所建立的分類(lèi)器對(duì)每一個(gè)類(lèi)都單獨(dú)地進(jìn)行了建模，因此在參數(shù)估計(jì)后每一個(gè)類(lèi)都對(duì)應(yīng)著一組稀疏的模型參數(shù)，于是我們可以根據(jù)這些被挑選出來(lái)的參數(shù)確定每一個(gè)類(lèi)最相關(guān)的特征。

在得到類(lèi)的后驗(yàn)概率后，我們可以計(jì)算在此后驗(yàn)概率下的似然函數(shù)。對(duì)于一個(gè)二分類(lèi)問(wèn)題，我們考慮這樣一個(gè)問(wèn)題，如果任意給定的一個(gè)樣本屬于第一個(gè)類(lèi)的概率為p，則它屬于第二個(gè)類(lèi)的概率為1-p。此時(shí)類(lèi)標(biāo)簽的概率分布服從伯努利分布。

利用基于ARD先驗(yàn)的稀疏貝葉斯學(xué)習(xí)模型，由4折的平均得到分類(lèi)精度為91.6％，總共挑選出了9個(gè)相關(guān)特征，我們將其所對(duì)應(yīng)的體素映射回原始腦空間，我們發(fā)現(xiàn)，挑選出的相關(guān)特征在原始腦空間中的位置符合視網(wǎng)膜映射特性，即挑選出來(lái)的相關(guān)體素與其對(duì)應(yīng)的四分之一棋盤(pán)格視覺(jué)刺激在空間上成倒立對(duì)置關(guān)系。這說(shuō)明，我們所建立的模型能夠有效地挑選與任務(wù)最相關(guān)的特征。在對(duì)比實(shí)驗(yàn)中，使用所有體素作為特征的支持向量機(jī)4折的平均分類(lèi)精度為85.4％，低于貝葉斯模型的分類(lèi)精度。貝葉斯模型剔除了與分類(lèi)任務(wù)無(wú)關(guān)的特征，只保留下最相關(guān)特征，因而相對(duì)支持向量機(jī)精度有所提高。

對(duì)于同一種MRI圖像特征，在很多情況下可以得到多種目標(biāo)響應(yīng)。例如臨床醫(yī)生在對(duì)與行為學(xué)相關(guān)的疾病進(jìn)行診斷時(shí)，除了給出最終的診斷結(jié)果，還會(huì)有一系列的行為學(xué)評(píng)分，典型的如阿茲海默癥，自閉癥等。對(duì)于診斷結(jié)果，通常是有病或者沒(méi)病，可以用類(lèi)標(biāo)簽來(lái)表示；對(duì)于行為學(xué)評(píng)分，則可以看做是連續(xù)變量的抽樣。理論上講，我們可以建立MRI圖像特征與每一種觀測(cè)響應(yīng)的特征學(xué)習(xí)模型，如圖像特征與類(lèi)標(biāo)簽的特征學(xué)習(xí)模型，或者圖像特征與行為學(xué)評(píng)分之間的特征學(xué)習(xí)模型。對(duì)于每一種模型而言，他們既是獨(dú)立地，又是相關(guān)聯(lián)的，因?yàn)樵\斷結(jié)果可以在一定程度上反映在行為學(xué)評(píng)分中。單獨(dú)地分析每一個(gè)學(xué)習(xí)模型，雖然我們都可以進(jìn)行特征選擇，但卻忽略了觀測(cè)響應(yīng)之間的互補(bǔ)信息對(duì)于模型性能可能帶來(lái)的提升。還有一個(gè)例子是，當(dāng)前的MRI解碼模型，通常都是對(duì)每一個(gè)被試單獨(dú)地選擇特征，單獨(dú)地建立解碼模型，得到統(tǒng)計(jì)結(jié)果后再進(jìn)行組分析。但可以想象，被試與被試之間的MRI特征雖然存在著差異，但也存在著共性，即相關(guān)性。

在完成了對(duì)MRI圖像的深度學(xué)習(xí)后，就對(duì)MRI圖像進(jìn)行三維重建。三維重建的任務(wù)就是要由一系列二維圖像中恢復(fù)出包含在三維體數(shù)據(jù)中物體結(jié)構(gòu)信息，構(gòu)造出真實(shí)感較強(qiáng)的三維圖形。

醫(yī)學(xué)圖像的三維重建一般是指是從成像設(shè)備上采集的截片集合，經(jīng)計(jì)算機(jī)合成后形成三維圖形數(shù)據(jù)，再經(jīng)過(guò)計(jì)算機(jī)可視化處理，方便地顯示出人體組織內(nèi)在的物理形態(tài)和空間關(guān)系。醫(yī)學(xué)圖像的三維重建結(jié)果可以準(zhǔn)確的確定人體病變部位的大小、幾何形狀以及周?chē)M織的空間信息。這對(duì)CT、MRI這種斷層圖像數(shù)據(jù)而言尤其關(guān)鍵，因?yàn)橄鄬?duì)于斷層切片圖像，重建后形成的三維圖形可以更直觀、準(zhǔn)確的顯示出人體內(nèi)在組織。

醫(yī)學(xué)圖像的三維重建主要包括對(duì)輸入圖像的預(yù)處理與繪制等主要研究?jī)?nèi)容，其主要任務(wù)就是實(shí)現(xiàn)三維可視化顯示，以及通過(guò)后續(xù)分析為診斷和治療提供可靠的數(shù)據(jù)，從而可以輔助醫(yī)生對(duì)病變體周?chē)M織進(jìn)行分析，極大的提高醫(yī)療診斷的準(zhǔn)確性和科學(xué)性，使得醫(yī)學(xué)診斷和治療的能力得到極大增強(qiáng)。本申請(qǐng)的三維重建采用兩種方式：表面重現(xiàn)方法和整體重現(xiàn)方法。表面重現(xiàn)方法是通過(guò)幾何單元的拼接來(lái)擬合物體表面以達(dá)到重建效果的；而整體重現(xiàn)方法是通過(guò)讀取體數(shù)據(jù)將體素投影到顯示平面來(lái)進(jìn)行顯示。表面重現(xiàn)方法的基本流程是首先提取感興趣物體的表面信息，由體數(shù)據(jù)構(gòu)造出中間幾何單元，再通過(guò)幾何單元插值形成物體表面，最后用傳統(tǒng)的計(jì)算機(jī)圖形學(xué)技術(shù)，例如光照、紋理渲染等進(jìn)行表面重現(xiàn)。

所述表面重現(xiàn)方法具體包括：提取輪廓，是對(duì)每個(gè)斷層圖像進(jìn)行處理，提取出物體在該斷層面處的輪廓信息，通常使用圖像分割的方法來(lái)獲得。

輪廓對(duì)應(yīng)，當(dāng)一個(gè)斷層上存在著不止一個(gè)輪廓時(shí)，需要對(duì)各層上的輪廓進(jìn)行適當(dāng)?shù)慕M合來(lái)構(gòu)成有意義的物體。實(shí)際上可以將輪廓對(duì)應(yīng)問(wèn)題歸結(jié)為一個(gè)帶有約束條件的優(yōu)化問(wèn)題，但輪廓對(duì)應(yīng)問(wèn)題約束不強(qiáng)，所以其對(duì)應(yīng)結(jié)果有著很大的隨意性。

輪廓拼接，是用多邊形構(gòu)造相鄰層上對(duì)應(yīng)輪廓表面。在確定對(duì)應(yīng)輪廓上點(diǎn)之間的對(duì)應(yīng)關(guān)系之后，只需要用三角形拼接表面。

分叉處理，是為了解決這樣一種問(wèn)題：當(dāng)三維物體自身形狀出現(xiàn)分叉時(shí)用一組平行平面去切這個(gè)形體，在不同的平面上會(huì)得到數(shù)目不等的平面輪廓。具體的方法是構(gòu)造若干中間臨界狀態(tài)上的輪廓，就是在原來(lái)兩個(gè)斷層之間構(gòu)造出多個(gè)斷層，使得兩個(gè)斷層之間只存在一個(gè)一對(duì)二的問(wèn)題，其余均為一對(duì)一的對(duì)應(yīng)關(guān)系。

最后，當(dāng)所有對(duì)應(yīng)關(guān)系確定了之后，可以使用一系列參數(shù)曲面片進(jìn)行擬合，形成最終的物體表面。

與表面重現(xiàn)方法不同，整體重現(xiàn)方法是直接研究和應(yīng)用光線通過(guò)物體時(shí)與體素之間的原理，通過(guò)體數(shù)據(jù)重新采樣來(lái)合成產(chǎn)生三維圖像，即不產(chǎn)生中間幾何單元，直接由體數(shù)據(jù)重建。所以這種方法能保留更多的體素細(xì)節(jié)，在醫(yī)學(xué)圖像應(yīng)用上，則更能反映真實(shí)的人體結(jié)構(gòu)。

所述整體重現(xiàn)方法具體包括：

1.光線投射對(duì)圖像中的每個(gè)像素，都用一束光線投射經(jīng)過(guò)體數(shù)據(jù)。

2.采樣在光線穿過(guò)體數(shù)據(jù)場(chǎng)的部分，需要選擇一些采樣點(diǎn)來(lái)進(jìn)行計(jì)算光線的投射屬性。一般而言，體數(shù)據(jù)都不會(huì)是與光線對(duì)齊的，所以采樣點(diǎn)的位置一般都會(huì)落在體素之間。這就需要我們進(jìn)行插值來(lái)計(jì)算采樣點(diǎn)的值。通常可以使用三次線性插值等方法。

3.顏色渲染接下來(lái)，需要對(duì)對(duì)每個(gè)采樣點(diǎn)計(jì)算梯度。這些梯度值表示了物體內(nèi)部局部表面的方向。然后對(duì)采樣點(diǎn)進(jìn)行顏色渲染，例如增強(qiáng)顏色或降低色彩，試他們的局部表面方向和光源的光線之間的關(guān)系而定。

4.合成在渲染之后，沿著視線對(duì)所有采樣點(diǎn)的顏色值進(jìn)行組合，以此決定發(fā)出該視線的位置的像素值。計(jì)算從后到前，即從物體最遠(yuǎn)離觀察者的采樣點(diǎn)到最近的采樣點(diǎn)。這個(gè)順序保證了被遮擋的物體部分不會(huì)影響到最終的像素值。

基于三維重建的可視化MRI圖像，即可做出準(zhǔn)確的診斷。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。