医学图像数据具有可获得、质量高、体量大、标准统一等特点,使人工智能在其中的应用较为成熟。利用图像处理技术对图像进行分析和处理,实现对人体器官、软组织和病变体的位置检测、分割提取、三维重建和三维显示,可以对感兴趣区域(Region of Interest, ROI)进行定性甚至定量的分析,从而大大提高临床诊断的效率、准确性和可靠性,在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。
二、医学图像处理的主要任务
2.1 图像检测
图像检测是计算机辅助检测的基础,并且非常适合引入深度学习。医学图像检测的传统方法是通过监督方法或传统数字图像处理技术检测候选病变位置。基于深度学习的方式是基于影像学数据或理论指导,训练网络,发现病变,提高诊断准确率。
2.2 图像分割
目前医学图像分割处理的对象主要是各种细胞、组织、器官的图像,医学图像分割的过程是:根据区域间的相似或不同,把图像分割成若干区域。
传统的图像分割技术有基于区域的分割方法和基于边界的分割方法,前者依赖于图像的空间局部特征,如灰度、纹理及其它像素统计特性的均匀性等,后者主要是利用梯度信息确定目标的边界。
结合特定的理论工具,图像分割技术有了更进一步的发展。比如基于三维可视化系统结合FastMarching算法和Watershed 变换的医学图像分割方法,能得到快速、准确的分割结果[1]。
随着其它新兴学科的发展,产生了一些全新的图像分割技术。如基于统计学的方法、基于模糊理论的方法、基于神经网络的方法、基于小波分析的方法、组合优化模型等方法。
虽然不断有新的分割方法被提出,但结果都不是很完美。目前医学图像分割方法的研究具有如下显著特点:现有任何一种单独