医学图像处理技术综述

医学影像已成为医学技术中发展最快的领域之一,临床医生在医学图象处理技术的帮助下,对人体内部病变部住的观察更直接、更清晰．确诊率也更高。本文对图像分割、图像配准和图像融合等医学图像处理技术的现状和发展进行了综述。     

医学图像融合方法综述

多模态医学图像能够为医疗诊断、治疗规划和手术导航等临床应用提供更为全面和准确的医学图像描述。由于疾病的类型多样且复杂,无法通过单一模态的医学图像进行疾病类型诊断和病灶定位,而多模态医学图像融合方法可以解决这一问题。融合方法获得的融合图像具有更丰富全面的信息,可以辅助医学影像更好地服务于临床应用。为了对医学图像融合方法的现状进行全面研究,本文对近年国内外发表的相关文献进行综述。对医学图像融合技术进行分类,将融合方法分为传统方法和深度学习方法两类并总结其优缺点。结合多模态医学图像成像原理和各类疾病的图像表征,分析不同部位、不同疾病的融合方法的相关技术并进行定性比较。总结现有多模态医学图像数据库,并按分类对25项常见的医学图像融合质量评价指标进行概述。总结22种基于传统方法和深度学习领域的多模态医学图像融合算法。此外,本文进行实验,比较基于深度学习与传统的医学图像融合方法的性能,通过对3组多模态医学图像融合结果的定性和定量分析,总结各技术领域医学图像融合算法的优缺点。最后,对医学图像融合技术的现状、重难点和未来展望进行讨论。     

PACS安全框架的设计和实现

PACS是实现医学图象信息管理的重要条件,它对医学影像的采集、显示、储存、交换和输出进行数字化处理,最终实现图象的数字化存档管理和传输.PACS的目标是实现医学影像在医院内外的迅速传输和共享,使医生或病人本人能随时随地获得需要的医学图象.本文从身份认证、数据库和行为监控这3个层次设计和实现了分布式PACS系统的安全框架的核心部分.     

医学影像仿真扫描工作站的设计与实现

文中简单介绍了基于计算机仿真技术的医学影像仿真扫描工作站系统的设计。该系统采用Visual C++进行界面设计以及核心算法编程的实现;通过C++语言来调用VTK ( Visualization ToolKit)的类库函数,用以实现医学图像的三维重建;使用Microsoft Access数据库管理与保存患者信息数据与图像数据。实现了一款无需医学影像设备的医学影像仿真扫描工作站软件系统,该系统模拟仿真真实扫描工作站的工作流程以及系统功能。     

改进布鸟搜索算法最大熵值的医学图像分割

研究医学图像分割问题.医学图像是医学影像的分析基础,医学图像由于组织边缘模糊和灰度不均匀含噪声等特点,导致最大熵值分割医学图像算法难以进行准确分割,分割精度低,为了提高医学图像分割的准确性,提出一种改进布鸟搜索算法优化最大熵值的医学图像分割方法.首先由最大熵法找到医学图像分割目标函数,然后采用改进布谷鸟搜索算法对目标函数进行优化,找到医学图像的最佳分割点,实现医学图像分割,最后采用多幅医学图像进行仿真,以测试算法性能.结果表明,改进方法不仅解决了传统最大熵值医学图像分割算法存在的缺陷,同时提高医学图像分割的精度,并且具有较好的鲁棒性,具有较好的实际应用价值.     

数据挖掘在医学图像分类中的应用

医学图像的自动分类对于医院的信息自动化有重要的意义.本文通过提取医学影像特征的方法,利用数据挖掘中的决策树、神经网络,对图像特征进行分析,找到能够对图像进行分类的图像特征临界值.本文将数据挖掘的方法应用于正侧位胸片中,给出如何自动区分正侧位胸片的方法,并结合本院的PACS系统应用,证明了这种方法的有效性.     

基于LabVIEW的DICOM医学影像处理技术

DICOM是用于医学图像和通信的国际标准,它规定了医疗设备所必须遵循的统一的医学影像文件格式,但DICOM格式的医学图像在Windows平台下无法直接显示。本文首先简要分析了DICOM文件格式,然后给出了在Windows平台下利用LabVIEW显示、存取DICOM图像的实现过程,并利用IMAQ软件包对医学图像进行相应的处理,提高了图像的质量。     

基于LabVIEW的DICOM医学图像显示与处理系统

DICOM标准从最初的1.0发展到现在的3.0,已成为医学影像信息学领域的国际通用标准。DICOM医学图像是遵循DICOM标准而生成的文件。因为DICOM图像格式的特殊性,一般的图像处理工具无法直接对其进行处理。本系统通过使用LabVIEW及Vision模块和DICOM控件,实现了对DICOM医学图像的显示、分析、保存与基本处理等功能,为在Windows环境下研究DICOM医学图像提供了新的解决方案。     

基于改进的数学形态学医学影像分割算法

研究图像优化分割特征提取问题,医学影像图像分割速度慢,特别是图像分割后分辨率低,清晰度不高.为解决上述问题,结合数学分析方法,提出了改进的形态学医学图像分割算法.在医学图像分割之前,采用sobel边缘检测算子对图像边缘进行预处理,利用数学形态学开运算型边缘检测算子对图像边缘锐化,利用邻域平均与中值滤波方法平滑图像.最后得出最终分割后的图像.仿真结果表明,提出的算法,能够更好的保留医学图像分割的边缘信息,提高的医学图像的分辨率,具有一定的实用性为分割图像提供了参考.     

深度学习与生物医学图像分析2020年综述

医学大数据主要包括电子健康档案数据（electronic health record,EHR）、医学影像数据和基因信息数据等,其中医学影像数据占现阶段医学数据的绝大部分。如何将医学大数据应用于临床实践?这是计算机科学研究人员非常关注的问题,医学人工智能提供了一个很好的答案。通过结合医学图像大数据分析方向截至2020年的最新研究进展,以及医学图像大数据分析领域最近的工作,梳理了当前在医学图像领域以核磁共振影像、超声影像、病理和电信号为代表的4个子领域以及部分其他方向使用深度学习进行图像分析的方法理论和主要流程,对不同算法进行结果评价。本文分析了现有算法的优缺点以及医学影像领域的重难点,介绍了智能成像和深度学习在大数据分析以及疾病早期诊断领域的应用,同时展望了本领域未来的发展热点。深度学习在医学影像领域发展迅速,发展前景广阔,对疾病的早期诊断有重要作用,能有效提高医生工作效率并减轻负担,具有重要的理论研究和实际应用价值。