目錄
第1章 緒論 1
1.1 數(shù)字圖像處理在醫(yī)學中的應(yīng)用 2
1.1.1 超聲 2
1.1.2 X射線及X射線負片 3
1.1.3 X-CT 4
1.1.4 磁共振成像(MRI) 5
1.1.5 顯微圖像分析測量系統(tǒng) 8
1.1.6 電子內(nèi)窺鏡系統(tǒng) 8
1.1.7 PACS 9
1.1.8 數(shù)字人體 10
1.2 數(shù)字圖像處理系統(tǒng) 11
1.3 圖像處理要解決的問題 13
1.4 醫(yī)學數(shù)字圖像處理發(fā)展方向 13
1.5 小結(jié) 13
參考文獻 14
第2章 醫(yī)學數(shù)字圖像成像機理和臨床應(yīng)用 15
2.1 基本名詞解釋 16
2.2 X射線影像 16
2.3 超聲影像 20
2.4 CT影像 23
2.5 MRI影像 25
2.6 核醫(yī)學影像 27
2.6.1 PET醫(yī)學影像 27
2.6.2 SPECT醫(yī)學影像 29
2.6.3 fMRI醫(yī)學影像 31
2.7 分子影像學 32
2.8 小結(jié) 34
參考文獻 34
第3章 醫(yī)學數(shù)字圖像處理基礎(chǔ) 35
3.1 圖像的表示 35
3.1.1 圖像和圖像處理 35
3.1.2 數(shù)字圖像的矩陣表示 37
3.2 圖像的數(shù)字化 40
3.2.1 采樣 40
3.2.2 量化 41
3.2.3 空間和灰度分辨率 42
3.3 像素間的鄰域和鄰接 43
3.3.1 鄰域 43
3.3.2 鄰接性 44
3.3.3 連通性和距離 48
3.4 圖像灰度直方圖及其運算 50
3.4.1 灰度直方圖 50
3.4.2 灰度直方圖的應(yīng)用 52
3.4.3 灰度直方圖的均衡化 54
3.5 基于像素的圖像運算 59
3.5.1 基于像素的灰度變換—點運算 59
3.5.2 基于像素的圖像代數(shù)運算 68
3.5.3 基于像素的圖像邏輯運算 71
3.5.4 基于像素的圖像幾何運算 73
3.6 小結(jié) 84
參考文獻 84
第4章 醫(yī)學數(shù)字圖像增強 85
4.1 概述 85
4.2 醫(yī)學數(shù)字圖像的空域增強 86
4.2.1 空域增強 86
4.2.2 空間平滑濾波器 90
4.2.3 空間銳化濾波器 97
4.2.4 基于多幅圖像的平均方法 104
4.3 醫(yī)學數(shù)字圖像的頻域增強 105
4.3.1 傅里葉變換及圖像的頻域特征 105
4.3.2 頻域增強 108
4.3.3 頻域平滑濾波器 110
4.3.4 頻域銳化濾波器 116
4.4 小結(jié) 120
參考文獻 120
第5章 醫(yī)學數(shù)字圖像分割 121
5.1 醫(yī)學數(shù)字圖像分割概念 121
5.2 基于閾值的分割方法 123
5.2.1 基于閾值的分割方法定義和特點 123
5.2.2 簡單直方圖分割法 124
5.2.3 最佳閾值分割法 125
5.2.4 Otsu算法 126
5.3 基于邊緣檢測的分割方法 130
5.3.1 圖像邊緣定義 130
5.3.2 圖像邊緣與導數(shù)(微分)的關(guān)系 133
5.3.3 一階微分銳化 134
5.3.4 二階微分銳化 138
5.3.5 微分銳化實現(xiàn)程序 143
5.4 基于邊界跟蹤的分割方法 145
5.4.1 邊界跟蹤原理 145
5.4.2 邊界跟蹤基本方法 146
5.4.3 基于光柵跟蹤的邊界分割方法 147
5.5 基于區(qū)域的分割方法 148
5.5.1 區(qū)域生長 149
5.5.2 區(qū)域分裂-合并 152
5.6 基于輪廓模型的分割方法 154
5.6.1 Snake模型 154
5.6.2 傳統(tǒng)Snake模型的離散形式 155
5.6.3 Snake模型初始輪廓的確定 156
5.6.4 傳統(tǒng)Snake模型舉例計算 158
5.6.5 傳統(tǒng)Snake模型存在的缺點 161
5.6.6 GVF Snake模型 162
5.7 基于數(shù)學形態(tài)學的分割方法 165
5.7.1 數(shù)學形態(tài)學基本知識 165
5.7.2 基本概念 166
5.7.3 二值形態(tài)學 168
5.7.4 灰度形態(tài)學 173
5.7.5 灰度形態(tài)學梯度 175
5.8 基于水平集模型的分割方法 176
5.8.1 水平集理論 177
5.8.2 水平集模型實例 178
5.9 基于U-Net模型的分割方法 183
5.9.1 U-Net分割網(wǎng)絡(luò) 183
5.9.2 卷積操作 185
5.9.3 池化層 186
5.9.4 上采樣層 187
5.9.5 跳躍連接 188
5.9.6 注意力機制 189
5.10 分割結(jié)果的評價指標 192
5.11 小結(jié) 194
參考文獻 194
第6章 醫(yī)學數(shù)字圖像配準 198
6.1 引言 198
6.1.1 基本概念 198
6.1.2 醫(yī)學數(shù)字圖像配準方法的分類 199
6.1.3 醫(yī)學數(shù)字圖像配準步驟 201
6.1.4 醫(yī)學數(shù)字圖像配準的基本框架 202
6.2 圖像的基本變換 203
6.2.1 剛體變換 205
6.2.2 仿射變換 211
6.2.3 投影變換 212
6.2.4 非線性變換 213
6.3 醫(yī)學數(shù)字圖像配準的一些關(guān)鍵問題 214
6.3.1 醫(yī)學數(shù)字圖像配準的特征提取 214
6.3.2 基于物理模型配準方法的改進 215
6.3.3 結(jié)合圖像分層和特征約束策略 215
6.3.4 應(yīng)用智能優(yōu)化方法 215
6.4 基于角點特征檢測的配準方法 215
6.4.1 角點特征檢測概念 215
6.4.2 哈里斯角點特征檢測原理 217
6.4.3 哈里斯角點的性質(zhì) 222
6.5 基于SIFT的配準方法 223
6.5.1 尺度空間極值檢測 223
6.5.2 關(guān)鍵點定位 225
6.5.3 關(guān)鍵點方向確定 226
6.5.4 關(guān)鍵點描述 226
6.5.5 特征點匹配 227
6.5.6 剔除誤配點 227
6.5.7 基于SIFT算法的配準實驗 228
6.6 基于灰度的配準方法—力矩主軸法 232
6.6.1 概述 232
6.6.2 力矩主軸法 233
6.7 醫(yī)學數(shù)字圖像配準的評估 234
6.8 小結(jié) 236
參考文獻 236
第7章 醫(yī)學數(shù)字圖像融合 238
7.1 醫(yī)學數(shù)字圖像融合 238
7.1.1 基本概念 238
7.1.2 醫(yī)學數(shù)字圖像融合分類 240
7.1.3 融合優(yōu)勢 240
7.1.4 圖像融合的方法分類 241
7.2 像素級圖像融合方法 243
7.2.1 像素級圖像融合概述 243
7.2.2 基于空間域的融合算法 244
7.2.3 基于頻域的融合算法 248
7.3 特征級圖像融合方法 257
7.3.1 特征級圖像融合概述 257
7.3.2 主成分分析法 259
7.4 決策級圖像融合方法 260
7.5 基于編-解碼網(wǎng)絡(luò)的圖像融合方法 261
7.5.1 基于殘差編-解碼網(wǎng)絡(luò)的圖像融合方法 262
7.5.2 基于密集編-解碼網(wǎng)絡(luò)的圖像融合方法 263
7.5.3 基于多尺度編-解碼網(wǎng)絡(luò)的圖像融合方法 264
7.5.4 基于注意力編-解碼網(wǎng)絡(luò)的圖像融合方法 265
7.6 基于GAN的圖像融合方法 265
7.6.1 基本模型 265
7.6.2 訓練過程 266
7.6.3 GAN的衍生模型 266
7.6.4 GAN的整體網(wǎng)絡(luò)架構(gòu) 269
7.7 圖像融合效果的評價 272
7.7.1 基于信息量的評價 272
7.7.2 基于統(tǒng)計特性的評價 274
7.7.3 基于相關(guān)性的評價 275
7.7.4 基于信噪比的評價 276
7.7.5 基于梯度值的評價 276
7.8 小結(jié) 277
參考文獻 278
第8章 醫(yī)學數(shù)字圖像特征分析與提取 279
8.1 圖像的幾何形狀特征 279
8.1.1 常見幾何形狀特征 279
8.1.2 基于圓形度的幾何形狀特征 282
8.1.3 基于形狀描述子的幾何形狀特征 284
8.2 基于灰度直方圖的統(tǒng)計特征 285
8.3 基于不變矩的形狀特征 286
8.3.1 Hu七階不變矩解釋 286
8.3.2 連續(xù)狀態(tài)下的不變矩 288
8.3.3 離散狀態(tài)下的不變矩 289
8.3.4 Hu七階不變矩舉例 289
8.4 紋理特征 291
8.4.1 基于灰度共生矩陣的紋理特征 291
8.4.2 Tamura紋理特征 294
8.4.3 基于小波包的紋理特征 295
8.5 特征提取實驗結(jié)果及分析 297
8.6 小結(jié) 298
參考文獻 298