張建勛，徐 凱，邱宗國(guó)

(重慶理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，重慶400050)

1989年，美國(guó)國(guó)立醫(yī)學(xué)圖書(shū)館建立了采集人體橫斷面CT、MRI和組織學(xué)數(shù)據(jù)的項(xiàng)目，名為“可視人體計(jì)劃”(visible human project，VHP)［1］?！翱梢暼梭w計(jì)劃”的立項(xiàng)、實(shí)施和開(kāi)發(fā)具有重大意義。這樣的數(shù)據(jù)集在醫(yī)學(xué)史上是首創(chuàng)，它改變了醫(yī)學(xué)可視化的模式，為計(jì)算機(jī)圖像處理和虛擬現(xiàn)實(shí)進(jìn)入醫(yī)學(xué)敞開(kāi)了大門(mén)。

在一些國(guó)家，家豬被作為研究人類(lèi)疾病的生物醫(yī)學(xué)模型，但各國(guó)都還沒(méi)有自己的數(shù)字豬解剖圖像。為了解決這個(gè)問(wèn)題，便于未來(lái)的研究和教育，“數(shù)字豬”項(xiàng)目應(yīng)運(yùn)而生。中國(guó)重慶市畜牧科學(xué)研究院、第三軍醫(yī)大學(xué)和重慶理工大學(xué)正在著手研究世界上第一個(gè)“數(shù)字豬”。目前，數(shù)字豬項(xiàng)目已經(jīng)實(shí)現(xiàn)了良好的三維可視化效果，并建立了數(shù)字豬數(shù)據(jù)集。這套數(shù)據(jù)具有非常大的生物醫(yī)學(xué)研究?jī)r(jià)值，不僅可以用于解剖教學(xué)，還可以作為生長(zhǎng)模擬、動(dòng)物仿真等研究的基礎(chǔ)。

1 三維可視化方法實(shí)現(xiàn)流程

圖1說(shuō)明了如何經(jīng)過(guò)4步流程將數(shù)字豬斷層圖像(輸入數(shù)據(jù)結(jié)構(gòu))轉(zhuǎn)化為最終的三維可視化圖像(輸出數(shù)據(jù)結(jié)構(gòu))。

圖1 三維可視化方法的流程

2 圖像采集

選取2頭5個(gè)月大的榮昌豬(一頭公豬和一頭母豬)，處死并固定，在重慶第三軍醫(yī)大學(xué)附屬西南醫(yī)院進(jìn)行CT斷層掃描以采集CT圖像，然后將尸體灌注后放入模中冷凍定型，以保持豬的姿勢(shì)。在低溫實(shí)驗(yàn)室中，采用高精度程控銑床對(duì)冷凍后的尸體進(jìn)行削切。數(shù)據(jù)采集時(shí)將高分辨率數(shù)碼相機(jī)與銑頭固定，對(duì)每次削切后的剖面進(jìn)行攝像，采用TIF無(wú)損格式保存，共獲取高分辨率彩色圖像2 315幅。如圖2所示，CT樣本圖像相鄰斷面間距2.5 mm。如圖3所示，數(shù)碼相機(jī)樣本圖像相鄰斷面間距0.5 mm。

圖2 豬CT圖像樣本

圖3 豬彩色圖像樣本

3 圖像配準(zhǔn)

3.1 常用圖像配準(zhǔn)方法

1)基于特征的圖像配準(zhǔn)方法［2］。首先提取圖像信息的特征，然后以這些特征為模型進(jìn)行配準(zhǔn)。此方法的主要優(yōu)點(diǎn)是計(jì)算量更小，速度更快，而且對(duì)圖像灰度的變化具有魯棒性，但對(duì)特征提取和特征匹配的錯(cuò)誤比較敏感。

2)基于灰度的圖像配準(zhǔn)方法。通常直接利用整幅圖像的灰度信息，建立兩幅圖像之間的相似性度量，然后采用某種搜索方法，尋找使相似性度量值最大或最小的變換模型的參數(shù)值。此方法能提高估計(jì)的精度和魯棒性，但計(jì)算量很大，速度較慢。

3)最大互信息圖像配準(zhǔn)方法。這種方法的突出優(yōu)點(diǎn)為魯棒性好、配準(zhǔn)精度高、人工干預(yù)少。但其配準(zhǔn)過(guò)程復(fù)雜費(fèi)時(shí)，當(dāng)平移距離為像素的整數(shù)倍時(shí)會(huì)使目標(biāo)函數(shù)產(chǎn)生局部極值。

表1為3種常用配準(zhǔn)方法的比較。

表1 3種常用配準(zhǔn)方法的比較

3.2 項(xiàng)目采用的配準(zhǔn)方法

圖像配準(zhǔn)是公認(rèn)難度較大的圖像處理技術(shù)，也是本項(xiàng)目中對(duì)圖像分割起著決定性作用的關(guān)鍵技術(shù)。

由于本項(xiàng)目中用來(lái)削切豬的高精度程控銑床最大加工尺寸只有50 cm，所以需要分段3次才能完成整個(gè)豬的削切工作。也就是說(shuō)，每次削切完成后需將豬身體前移50 cm以便下一段削切，移動(dòng)前后采集的豬彩色圖像可能會(huì)發(fā)生位移。對(duì)于發(fā)生位移的圖像，需要采用圖像配準(zhǔn)技術(shù)進(jìn)行校正位置。

這里采用基于圖像特征的配準(zhǔn)方法，首先需要提取圖像中的特征點(diǎn)，然后根據(jù)提取的特征點(diǎn)用三角函數(shù)計(jì)算出圖像的旋轉(zhuǎn)角度，借助MatLab中的圖像處理函數(shù)，編程實(shí)現(xiàn)圖像的旋轉(zhuǎn)，然后進(jìn)行圖像的平移操作，以達(dá)到配準(zhǔn)的目的。圖4為其中某原始圖像與配準(zhǔn)后圖像。

圖4 2幅豬彩色圖像

4 圖像分割

圖像分割就是根據(jù)區(qū)域內(nèi)的相似性以及區(qū)域間的差異性把圖像分割成若干區(qū)域的過(guò)程。

從醫(yī)學(xué)研究和應(yīng)用的角度來(lái)看，圖像分割的目的是將原始的圖像分成不同性質(zhì)的(如灰度、紋理等)區(qū)域，提取并進(jìn)行三維重建，使其盡可能的接近解剖結(jié)構(gòu)，為解剖學(xué)和病理學(xué)研究提供可靠依據(jù)。

由于本項(xiàng)目彩色豬切片圖像組織器官邊界錯(cuò)綜復(fù)雜，傳統(tǒng)算法很難得到器官平滑、連續(xù)的初始輪廓線，這里利用GDI+技術(shù)在器官周?chē)斯ぬ砑訕?biāo)記點(diǎn)，并在目標(biāo)周?chē)蓸訔l插值曲線，以此曲線作為零水平集，建立窄帶，再利用M－S模型［3］完成目標(biāo)的分割(圖5)。

圖5 豬切片圖像(箭頭指向肌肉輪廓線)

5 三維重建及可視化

5.1 三維重建流程

三維重建流程見(jiàn)圖6。

圖6 三維重建流程

數(shù)字豬切片器官輪廓數(shù)據(jù):原始數(shù)字豬橫斷面切片圖像經(jīng)重慶市畜牧科學(xué)院勾勒器官輪廓后形成的切片器官輪廓集，每個(gè)切片形成一個(gè)文件，包含該切片上各種器官輪廓，器官輪廓以輪廓曲線上插值點(diǎn)描述。

抽取器官輪廓:該步驟提取單個(gè)器官體在各切片上的輪廓，形成該器官體的輪廓邊界集。

對(duì)器官輪廓進(jìn)行填充:該步驟進(jìn)一步對(duì)切片上的器官體內(nèi)外部進(jìn)行標(biāo)識(shí)，尤其是找出器官體內(nèi)的空洞部分。

器官三維重建:該步驟是整個(gè)流程的關(guān)鍵。

輸出器官3DS模型:將重建后的模型按3DS文件格式輸出。

器官合成:將各器官合成成完整的數(shù)字豬模型。

5.2 基于斷層間輪廓線的圖像三維重建及可視化方法

三維數(shù)據(jù)集的重建和繪制問(wèn)題，傳統(tǒng)上有2種方法:表面重建和體繪制［4］。根據(jù)數(shù)字豬的特點(diǎn)，這里采用表面重建方法。

5.2.1 基于斷層輪廓的表面重建

這種方法簡(jiǎn)單且數(shù)據(jù)量小，但不是很直觀。除了以輪廓線表示物體外，還可以由輪廓重建物體的表面來(lái)表示。最早的方法是基于多邊形技術(shù)，主要采用平面輪廓的三角形算法，用三角片面擬合這組表面輪廓的曲面。

5.2.2 基于體素(Voxel)的等值面重建

1)Cuberille方法。將三維圖像中的每一像素看成是空間中的一個(gè)六面體單元，即體素。在體素內(nèi)數(shù)據(jù)場(chǎng)具有相同的值，用邊界體素的6個(gè)面擬合等值面，即邊界體素中相互重合的面去掉，只把不重合的面連接起來(lái)近似表示等值面。這種方法的特點(diǎn)是算法簡(jiǎn)單易行，便于并行處理;主要問(wèn)題是會(huì)出現(xiàn)走樣。

2)Marching Tetrahedral方法。首先將立方體體素剖分成四面體，然后在其中構(gòu)造等值面，進(jìn)行四面體剖分后，等值面在四面體中的剖分模式減少，算法實(shí)現(xiàn)簡(jiǎn)單。常見(jiàn)的立方體剖分成四面體的方法有5個(gè)、6個(gè)和24個(gè)四面體剖分法。一般最常用的是5個(gè)四面體剖分法。

3)Dividing Cubes方法。逐個(gè)掃描每個(gè)體素，當(dāng)體素的8個(gè)頂點(diǎn)越過(guò)等值面時(shí)，將該體素投影到顯示圖像上。如果投影面積大于一個(gè)像素的大小，則該體素被分割成更小的子體素，使子體素在顯示圖像上的投影為一像素的大小，每一子體素在圖像空間被繪制成一表面點(diǎn)。采用繪制表面點(diǎn)而不是繪制體素內(nèi)等值面片，從而節(jié)省了大量的計(jì)算時(shí)間。

5.3 基于中點(diǎn)插值的MC算法

標(biāo)準(zhǔn)的MC算法基本思想是逐個(gè)處理數(shù)據(jù)場(chǎng)的體元，分類(lèi)出與等值面相交的體元，假設(shè)體元數(shù)據(jù)沿著體元的棱邊數(shù)據(jù)場(chǎng)呈線性變化，采樣線性插值計(jì)算出與等值面相交的體元的棱邊上的交點(diǎn)，根據(jù)體元8個(gè)頂點(diǎn)與等值面的相對(duì)位置，將這些交點(diǎn)按一定方式連接成等一個(gè)或多個(gè)三角面，作為等值面在體元內(nèi)的逼近表示。

MC算法首先對(duì)體元的8個(gè)頂點(diǎn)進(jìn)行分類(lèi)，以判定該頂點(diǎn)是位于等值面內(nèi)還是等值面外。再根據(jù)8個(gè)頂點(diǎn)的狀態(tài)，確定等值面在體元內(nèi)部的連接方式。

本項(xiàng)目的器官分類(lèi)采用手動(dòng)分割，對(duì)器官進(jìn)行分割后得到的三維數(shù)據(jù)集是二值數(shù)據(jù)(0表示背景，1表示需要重建的物體)。利用這些數(shù)據(jù)來(lái)構(gòu)造三維等值面時(shí)，等值面索引的構(gòu)造方式與標(biāo)準(zhǔn)的MC方式相同。但是等值面與立方體交點(diǎn)的計(jì)算，這里取立方體棱邊的中點(diǎn)作為等值面與立方體的交點(diǎn)，省去了線性插值的計(jì)算。這主要是考慮到圖像是二值的，沒(méi)有合適的閾值來(lái)進(jìn)行求交;另一方面，通過(guò)中點(diǎn)來(lái)求交，最大的誤差為0.5個(gè)立方體。

5.4 實(shí)現(xiàn)效果及分析

用中點(diǎn)MC算法進(jìn)行數(shù)字豬的三維重建后發(fā)現(xiàn)模型存在臺(tái)階現(xiàn)象。針對(duì)臺(tái)階出現(xiàn)的原因，這里改用Amira進(jìn)行器官模型的三維重建及網(wǎng)格簡(jiǎn)化，用3DSMAX對(duì)簡(jiǎn)化后的網(wǎng)格進(jìn)行平滑的方法來(lái)消除器官三維重建后的臺(tái)階現(xiàn)象。

5.5 使用Amira和3DSMAX三維重建數(shù)字豬的方法

方法流程分為3個(gè)階段:

1)在自編軟件VolViewer中，先抽取器官輪廓，然后進(jìn)行填充，并依據(jù)器官的坐標(biāo)集計(jì)算出包圍盒，該包圍盒的極值點(diǎn)坐標(biāo)是全局坐標(biāo)。

2)在Amira軟件中，將填充器官內(nèi)部后的數(shù)據(jù)集及器官包圍盒送入到Amira進(jìn)行三維重建，由于切片層間差異較大，Amira建立的原始三維模型同樣有臺(tái)階現(xiàn)象，不過(guò)可以借助Amira網(wǎng)格簡(jiǎn)化工具對(duì)原始模型進(jìn)行網(wǎng)格簡(jiǎn)化，能夠很好地消除臺(tái)階，但同時(shí)也會(huì)使模型產(chǎn)生很多菱角。這就需要用3DSMAX對(duì)簡(jiǎn)化后的模型進(jìn)行平滑。由于3DSMAX只對(duì)Amira模型數(shù)據(jù)的DFX文件支持，所以要將簡(jiǎn)化后的模型導(dǎo)出成DFX格式。

3)在3DSMAX中，利用3DSMAX對(duì)DFX格式的簡(jiǎn)化模型進(jìn)行光滑，并導(dǎo)出成最后的3DS文件格式供后續(xù)的視景操作用。同時(shí)用該軟件也可以進(jìn)行數(shù)字豬多器官的合成。

圖7 數(shù)字豬圖像

6 結(jié)束語(yǔ)

介紹了世界首個(gè)三維可視化數(shù)字豬的實(shí)現(xiàn)流程，給出了各流程的實(shí)現(xiàn)方法，最后對(duì)可視化效果進(jìn)行分析并作出了合理的改進(jìn)，使得三維可視化的效果更好。

目前，本項(xiàng)目已完成數(shù)字豬的三維可視化，建立了數(shù)字豬數(shù)據(jù)集和虛擬豬模型，并開(kāi)發(fā)了網(wǎng)絡(luò)教學(xué)平臺(tái)。我們還將開(kāi)展一些后續(xù)研究，包括生長(zhǎng)模擬、動(dòng)物仿真等。

致謝:本項(xiàng)目所用數(shù)字豬數(shù)據(jù)集由重慶市畜牧科學(xué)研究院和第三軍醫(yī)大學(xué)提供，特此感謝。

［1］ 李七渝，張紹祥，林支付，等.中國(guó)數(shù)字化可視人腦基底核團(tuán)的三維立體解剖與可視化［J］.解剖學(xué)雜志，2008(6):845－847.

［2］ 張建勛，劉羽.基于多分辨率圖像錐與Hausdorff距離的醫(yī)學(xué)圖像配準(zhǔn)［J］.重慶理工大學(xué)學(xué)報(bào):自然科學(xué)版，2010(1):60－64.

［3］ 楊長(zhǎng)輝，張紹祥，王金勇，等.基于窄帶M－S模型的豬序列切片圖像的交互式分割［J］.計(jì)算機(jī)科學(xué)，2009(1):234－238.

［4］ 傅由甲，洪雄，張建勛，等.三維重建表面任意切面圖像提取及映射有效方法［J］.計(jì)算機(jī)應(yīng)用研究，2009(9):3548－3565.