醫(yī)學(xué)圖象處理與分析

醫(yī)學(xué)圖象處理與分析演講人202x-11-11目錄01目錄

第1章醫(yī)學(xué)圖象的發(fā)展02第1章醫(yī)學(xué)圖象的發(fā)展1.1倫琴開(kāi)創(chuàng)了人體圖象的先河1.2ct技術(shù)與三維醫(yī)學(xué)圖象1.3pet技術(shù)與功能醫(yī)學(xué)圖象1.4多種成象模式1.5醫(yī)學(xué)圖象后處理概念1.2CT技術(shù)與三維醫(yī)學(xué)圖象1.3PET技術(shù)與功能醫(yī)學(xué)圖象1.4多種成象模式1.5醫(yī)學(xué)圖象后處理概念第2章醫(yī)學(xué)圖象基礎(chǔ)03第2章醫(yī)學(xué)圖象基礎(chǔ)01032.1圖象數(shù)據(jù)格式2.2灰度直方圖2.3偽彩色與假彩色020405062.4圖象體數(shù)據(jù)集2.5圖象插值技術(shù)2.6圖象形狀和紋理量化第2章醫(yī)學(xué)圖象基礎(chǔ)2.2灰度直方圖2.2.5直方圖的線性拉伸與壓縮2.2.4彩色圖象的直方圖2.2.3歸一化直方圖2.2.2灰度直方圖的性質(zhì)2.2.1灰度直方圖概念第2章醫(yī)學(xué)圖象基礎(chǔ)2.3偽彩色與假彩色2.3.1偽彩色2.3.2假彩色第2章醫(yī)學(xué)圖象基礎(chǔ)2.4圖象體數(shù)據(jù)集2.4.1體數(shù)據(jù)集12.4.2體數(shù)據(jù)文件格式2第2章醫(yī)學(xué)圖象基礎(chǔ)2.5圖象插值技術(shù)012.5.1插值的概念022.5.2圖象灰度插值032.5.3二維圖象灰度插值方法042.5.4三維圖象灰度插值方法第2章醫(yī)學(xué)圖象基礎(chǔ)2.6圖象形狀和紋理量化2.6.1形狀量化12.6.2紋理量化2第3章醫(yī)學(xué)圖象增強(qiáng)043.1基本增強(qiáng)技術(shù)3.2適配圖象濾波3.3適配模板濾波3.4二進(jìn)小波圖象增強(qiáng)技術(shù)第3章醫(yī)學(xué)圖象增強(qiáng)第3章醫(yī)學(xué)圖象增強(qiáng)3.1基本增強(qiáng)技術(shù)d3.1.4多幅圖象運(yùn)算e3.1.5頻域增強(qiáng)技術(shù)a3.1.1卷積算子b3.1.2象素運(yùn)算c3.1.3局部算子第3章醫(yī)學(xué)圖象增強(qiáng)3.2適配圖象濾波013.2.1空間頻率濾波023.2.2鈍化蒙片法033.2.3適配維納濾波043.2.4各向異性適配濾波第3章醫(yī)學(xué)圖象增強(qiáng)3.3適配模板濾波13.3.1適配模板濾波算法23.3.2仿真圖象濾波實(shí)驗(yàn)33.3.3mri圖象適配模板濾波43.3.4三維體數(shù)據(jù)適配模板濾波第3章醫(yī)學(xué)圖象增強(qiáng)3.4二進(jìn)小波圖象增強(qiáng)技術(shù)3.4.2多維離散二進(jìn)小波變換3.4.3數(shù)字乳腺圖象的對(duì)比增強(qiáng)3.4.1一維離散二進(jìn)小波變換第4章醫(yī)學(xué)圖象分割05第4章醫(yī)學(xué)圖象分割4.2閾值分割技術(shù)024.1醫(yī)學(xué)圖象分割概念014.3微分算子邊緣檢測(cè)034.4區(qū)域增長(zhǎng)技術(shù)044.5聚類分割技術(shù)054.6形態(tài)運(yùn)算064.7邊界跟蹤4.8邊界分段擬合第4章醫(yī)學(xué)圖象分割第4章醫(yī)學(xué)圖象分割4.2閾值分割技術(shù)4.2.1全局閾值法14.2.2大津閾值分割2第4章醫(yī)學(xué)圖象分割4.3微分算子邊緣檢測(cè)01034.3.1灰度梯度4.3.2roberts交叉算子4.3.3sobel模板020405064.3.4kirsch算子4.3.5laplace算子4.3.6marr算子第4章醫(yī)學(xué)圖象分割4.3微分算子邊緣檢測(cè)4.3.7canny算子14.3.8hough變換2第4章醫(yī)學(xué)圖象分割4.4區(qū)域增長(zhǎng)技術(shù)4.4.3登山算法034.4.1單一型鏈結(jié)的區(qū)域增長(zhǎng)014.4.4分水嶺算法044.4.2混合型鏈結(jié)的區(qū)域增長(zhǎng)02第4章醫(yī)學(xué)圖象分割4.5聚類分割技術(shù)4.5.1c均值聚類14.5.2isodata算法2第4章醫(yī)學(xué)圖象分割4.6形態(tài)運(yùn)算4.6.1膨脹與腐蝕4.6.2開(kāi)運(yùn)算與閉運(yùn)算4.6.3形態(tài)運(yùn)算舉例第4章醫(yī)學(xué)圖象分割4.7邊界跟蹤4.7.18鄰域搜索法14.7.2跟蹤蟲搜索法2第4章醫(yī)學(xué)圖象分割4.8邊界分段擬合4.8.2最小均方誤差曲線擬合4.8.1迭代端點(diǎn)擬合第5章醫(yī)學(xué)圖象分類06第5章醫(yī)學(xué)圖象分類ABCDEF5.1單譜mr圖象分割5.2多譜圖象分析5.3神經(jīng)網(wǎng)絡(luò)分類5.4馬爾可夫隨機(jī)場(chǎng)與期望值最大化方法5.5基于有偏場(chǎng)校正的圖象分割方法5.6基于信息最小化的mr強(qiáng)度不均勻性回顧修正5.7模糊聚類分割5.8梯度向量流變形模型5.9水平集與快速步進(jìn)分割方法5.10用體素直方圖的部分體積分割5.11異常腦組織的識(shí)別5.12醫(yī)學(xué)圖象分割技術(shù)的評(píng)估第5章醫(yī)學(xué)圖象分類單擊此處添加文本具體內(nèi)容，簡(jiǎn)明扼要的闡述您的觀點(diǎn)。根據(jù)需要可酌情增減文字，以便觀者準(zhǔn)確的理解您傳達(dá)的思想。單擊此處添加標(biāo)題第5章醫(yī)學(xué)圖象分類5.3神經(jīng)網(wǎng)絡(luò)分類5.3.2帶有側(cè)反饋的kohonen網(wǎng)絡(luò)5.3.3kohonen自組織特征圖5.3.1kohonen模型第5章醫(yī)學(xué)圖象分類5.4馬爾可夫隨機(jī)場(chǎng)與期望值最大化方法015.4.1有限混合模型025.4.2馬爾可夫模型與一階馬爾可夫鏈035.4.3馬爾可夫隨機(jī)場(chǎng)045.4.4gibbs分布與mrf055.4.5mrf-map分類065.4.6用期望值最大化方法擬合模型第5章醫(yī)學(xué)圖象分類5.5基于有偏場(chǎng)校正的圖象分割方法5.5.1算法介紹5.5.2適配分割算法的實(shí)現(xiàn)5.5.3實(shí)驗(yàn)結(jié)果第5章醫(yī)學(xué)圖象分類5.6基于信息最小化的mr強(qiáng)度不均勻性回顧修正5.6.1線性校正模型15.6.2實(shí)驗(yàn)方法及結(jié)果2第5章醫(yī)學(xué)圖象分類5.7模糊聚類分割5.7.1模糊集合與隸屬度5.7.3方向敏感的模糊c均值算法5.7.4適配模糊c均值算法5.7.5基于有偏場(chǎng)校正的適配模糊聚類分割算法（bafcm）5.7.2模糊c均值算法0102030405第5章醫(yī)學(xué)圖象分類5.8梯度向量流變形模型15.8.1二維參數(shù)式變形模型25.8.2梯度向量流變形模型第5章醫(yī)學(xué)圖象分類5.9水平集與快速步進(jìn)分割方法5.9.1邊界驅(qū)動(dòng)蛇線法5.9.2區(qū)域競(jìng)爭(zhēng)蛇線法5.9.4快速步進(jìn)法5.9.3圖象的預(yù)處理第5章醫(yī)學(xué)圖象分類5.10用體素直方圖的部分體積分割5.10.1歸一化直方圖5.10.2單純材料與混合材料區(qū)的直方圖基函數(shù)5.10.5分類實(shí)驗(yàn)結(jié)果5.10.3直方圖基函數(shù)的參數(shù)估算5.10.4分類方法第5章醫(yī)學(xué)圖象分類5.12醫(yī)學(xué)圖象分割技術(shù)的評(píng)估5.12.1專家目測(cè)5.12.2體模驗(yàn)證5.12.3計(jì)算機(jī)化解剖圖譜第6章醫(yī)學(xué)圖象配準(zhǔn)07第6章醫(yī)學(xué)圖象配準(zhǔn)ABCDEF6.1圖象配準(zhǔn)的概述6.3基于基準(zhǔn)點(diǎn)的配準(zhǔn)方法6.5基于最大互信息的多模醫(yī)學(xué)圖象配準(zhǔn)6.2基本空間變換模型6.4倒角匹配圖象配準(zhǔn)法6.6結(jié)合互信息與圖象梯度的配準(zhǔn)技術(shù)第6章醫(yī)學(xué)圖象配準(zhǔn)6.7基于形狀特征點(diǎn)最大互信息的醫(yī)學(xué)圖象配準(zhǔn)6.8基于薄板樣條的mri圖象與腦圖譜的配準(zhǔn)方法6.9圖象信息融合技術(shù)6.10醫(yī)學(xué)圖象配準(zhǔn)的評(píng)估6.8基于薄板樣條的MRI圖象與腦圖譜的配準(zhǔn)方法6.9圖象信息融合技術(shù)6.10醫(yī)學(xué)圖象配準(zhǔn)的評(píng)估第6章醫(yī)學(xué)圖象配準(zhǔn)6.1圖象配準(zhǔn)的概述016.1.1圖象配準(zhǔn)的概念026.1.2醫(yī)學(xué)圖象基本變換036.1.3配準(zhǔn)的類型046.1.4主要配準(zhǔn)方法第6章醫(yī)學(xué)圖象配準(zhǔn)6.2基本空間變換模型01036.2.1剛體變換6.2.2全局尺度變換6.2.39參數(shù)仿射變換020405066.2.4一般仿射變換6.2.5透視變換6.2.6非線性空間變換第6章醫(yī)學(xué)圖象配準(zhǔn)6.3基于基準(zhǔn)點(diǎn)的配準(zhǔn)方法016.3.1極值線與極值點(diǎn)026.3.2極值點(diǎn)的自動(dòng)提取方法036.3.3用隨機(jī)法提取極值點(diǎn)046.3.4基于曲線的剛體配準(zhǔn)056.3.5基于極值點(diǎn)的剛體配準(zhǔn)066.3.6僅依賴基準(zhǔn)點(diǎn)位置的剛體配準(zhǔn)第6章醫(yī)學(xué)圖象配準(zhǔn)6.4倒角匹配圖象配準(zhǔn)法6.4.2圖象分割與代價(jià)函數(shù)的優(yōu)化6.4.3倒角匹配算法的醫(yī)學(xué)應(yīng)用6.4.1代價(jià)函數(shù)與距離變換第6章醫(yī)學(xué)圖象配準(zhǔn)6.5基于最大互信息的多模醫(yī)學(xué)圖象配準(zhǔn)6.5.2以互信息為相似性測(cè)度026.5.4配準(zhǔn)結(jié)果的評(píng)估046.5.1配準(zhǔn)原理016.5.3多參數(shù)最優(yōu)化算法036.5.5實(shí)驗(yàn)結(jié)果05第6章醫(yī)學(xué)圖象配準(zhǔn)6.6結(jié)合互信息與圖象梯度的配準(zhǔn)技術(shù)6.6.1結(jié)合互信息與圖象梯度的配準(zhǔn)測(cè)度016.6.2配準(zhǔn)實(shí)例02第6章醫(yī)學(xué)圖象配準(zhǔn)6.7基于形狀特征點(diǎn)最大互信息的醫(yī)學(xué)圖象配準(zhǔn)6.7.1配準(zhǔn)原理6.7.2實(shí)驗(yàn)結(jié)果6.7.3幾點(diǎn)討論第6章醫(yī)學(xué)圖象配準(zhǔn)6.8基于薄板樣條的mri圖象與腦圖譜的配準(zhǔn)方法6.8.1talairach腦圖譜6.8.2非線性形變方法6.8.4實(shí)驗(yàn)結(jié)果6.8.3薄板樣條方法第6章醫(yī)學(xué)圖象配準(zhǔn)6.9圖象信息融合技術(shù)6.9.5小波變換融合法6.9.4對(duì)比度調(diào)制法6.9.3toet法6.9.2加權(quán)平均法6.9.1基于分割的圖象融合法第6章醫(yī)學(xué)圖象配準(zhǔn)6.10醫(yī)學(xué)圖象配準(zhǔn)的評(píng)估6.10.1體模6.10.2準(zhǔn)標(biāo)6.10.3圖譜6.10.4目測(cè)檢驗(yàn)第7章醫(yī)學(xué)圖象可視化08第7章醫(yī)學(xué)圖象可視化7.1生物醫(yī)學(xué)三維可視化7.3表面繪制技術(shù)7.5形態(tài)插值技術(shù)7.2可視化數(shù)據(jù)基本表示法與基本算法7.4體繪制技術(shù)7.6血管圖象可視化方法第7章醫(yī)學(xué)圖象可視化7.7虛擬內(nèi)窺鏡第7章醫(yī)學(xué)圖象可視化7.2可視化數(shù)據(jù)基本表示法與基本算法17.2.1可視化數(shù)據(jù)基本表示法27.2.2可視化基本算法第7章醫(yī)學(xué)圖象可視化7.3表面繪制技術(shù)7.3.1基于體素的表面重建7.3.2基于切片的表面重建第7章醫(yī)學(xué)圖象可視化7.4體繪制技術(shù)01037.4.1透明度與α值7.4.2紋理映射7.4.3體繪制020405067.4.4按圖象順序體繪制7.4.5按對(duì)象順序體繪制7.4.6其他體繪制方法第7章醫(yī)學(xué)圖象可視化7.5形態(tài)插值技術(shù)17.5.1基于形狀的形態(tài)插值27.5.2基于形態(tài)骨架的二值圖象插值第7章醫(yī)學(xué)圖象可視化7.6血管圖象可視化方法ab7.6.2基于水平集曲線演化的血管分割7.6.1用于血管圖象分割的簡(jiǎn)化模糊連接算法第7章醫(yī)學(xué)圖象可視化7.7虛擬內(nèi)窺鏡7.7.1圖象處理和分割7.7.2用于虛擬內(nèi)窺鏡的管狀器官的圓柱狀近似7.7.5交互式虛擬內(nèi)窺鏡工具7.7.3圓柱狀近似算法7.7.4用圓柱狀結(jié)構(gòu)加速體繪制第8章醫(yī)學(xué)圖象標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)09第8章醫(yī)學(xué)圖象標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)8.5mni-bic的brainwebe8.4ono腦溝回圖譜d8.1數(shù)字化人腦圖譜技術(shù)a8.2數(shù)字化虛擬人體b8.3talairach圖譜c8.6哈佛全腦數(shù)據(jù)庫(kù)f第8章醫(yī)學(xué)圖象標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)8.1數(shù)字化人腦圖譜技術(shù)8.1.1數(shù)字化人腦圖譜的概念與特點(diǎn)018.1.2數(shù)字化人腦圖譜的構(gòu)建方法028.1.3數(shù)字化人腦圖譜的應(yīng)用03第8章醫(yī)學(xué)圖象標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)8.2數(shù)字化虛擬人體8.2.1美國(guó)可視人計(jì)劃8.2.2vhp數(shù)據(jù)集的處理8.2.3數(shù)字化虛擬人設(shè)想8.2.4中國(guó)虛擬人的有關(guān)醫(yī)學(xué)圖象方法學(xué)考慮第8章醫(yī)學(xué)圖象標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)8.3talairach圖譜018.3.1talairach坐標(biāo)系統(tǒng)028.3.2數(shù)據(jù)集到talairach-tournoux坐標(biāo)的轉(zhuǎn)換038.3.3交互式talairach圖譜第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信1019.1圖象壓縮的基本概念和標(biāo)準(zhǔn)39.3臨床PACS中的圖象標(biāo)準(zhǔn)化29.2醫(yī)學(xué)圖象存檔、讀取與通信49.4壓縮醫(yī)學(xué)圖象的質(zhì)量評(píng)估第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信59.5分形圖象壓縮簡(jiǎn)介69.6用小波變換進(jìn)行三維圖象壓縮第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信9.1圖象壓縮的基本概念和標(biāo)準(zhǔn)9.1.1數(shù)字圖象9.1.2圖象數(shù)據(jù)壓縮方案9.1.3無(wú)損圖象壓縮9.1.6huffman編碼9.1.5jpeg有損壓縮方法的幾個(gè)階段9.1.4有損圖象壓縮010203040506第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信9.1圖象壓縮的基本概念和標(biāo)準(zhǔn)9.1.9jpeg2000標(biāo)準(zhǔn)9.1.8mpeg運(yùn)動(dòng)圖象壓縮標(biāo)準(zhǔn)9.1.7jpeg圖象壓縮標(biāo)準(zhǔn)第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信9.2醫(yī)學(xué)圖象存檔、讀取與通信019.2.1醫(yī)學(xué)圖象信息模型029.2.2醫(yī)學(xué)圖象存檔系統(tǒng)039.2.3dicom圖象通信標(biāo)準(zhǔn)049.2.4檔案軟件組成部件059.2.5his/ris接口和圖象預(yù)取069.2.6dicom圖象檔案標(biāo)準(zhǔn)9.2醫(yī)學(xué)圖象存檔、讀取與通信9.2.7pacs研究應(yīng)用第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信9.3臨床pacs中的圖象標(biāo)準(zhǔn)化9.3.3圖象方位調(diào)整039.3.1背景消除019.3.4圖象標(biāo)準(zhǔn)化函數(shù)在hi-pacs中的實(shí)現(xiàn)049.3.2視覺(jué)感知性能的改進(jìn)02第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信9.4壓縮醫(yī)學(xué)圖象的質(zhì)量評(píng)估9.4.4金標(biāo)準(zhǔn)的決定9.4.3診斷的準(zhǔn)確性和roc方法學(xué)9.4.2主觀質(zhì)量分級(jí)9.4.1平均畸變和psnr第9章醫(yī)學(xué)圖象壓縮、存儲(chǔ)與通信9.5分形圖象壓縮簡(jiǎn)介01039.5.1分形圖象