摘 要：對醫(yī)學(xué)影像圖像提取處理的小波域馬爾可夫隨機場數(shù)學(xué)模型進行了分析，較詳細地研究了適當最優(yōu)準則算法、最大后驗邊緣估計及多尺度概率值算法的數(shù)學(xué)原理。然后運用仿真軟件對該模型的實現(xiàn)進行了設(shè)計、對比分析。最后對該系統(tǒng)進行了仿真實驗與分析，驗證了所設(shè)計系統(tǒng)的合理性。仿真表明結(jié)果與理論分析一致。

關(guān)鍵詞：小波域馬爾可夫隨機場;數(shù)學(xué)模型;醫(yī)學(xué)影像圖像;設(shè)計;提取

中圖分類號：TP391.41

文獻標識碼： A

醫(yī)學(xué)影像成像技術(shù)的快速發(fā)展和影像數(shù)據(jù)的高速增長推動著醫(yī)學(xué)影像圖像提取的加速發(fā)展。醫(yī)學(xué)影像圖像提取是獲取影像圖像機體的重要信息，是進行圖像分割、特征抽取和分類識別的關(guān)鍵。它是利用醫(yī)學(xué)知識與數(shù)學(xué)算法對醫(yī)學(xué)影像圖像進行定量分析的過程，對臨床診斷技術(shù)具有重要的理論指導(dǎo)意義與臨床應(yīng)用價值[1-3]。醫(yī)學(xué)影像技術(shù)不僅使臨床醫(yī)生對人體內(nèi)部病變部位的觀察更直接、清晰，而且對機體內(nèi)病變部位的精準定位、現(xiàn)場救護等也發(fā)揮著重要的作用[4-7]，為疾病的診斷提供證據(jù)和可靠的治療方案。Xu X等[8]利用深度卷積神經(jīng)網(wǎng)絡(luò)與三維全連接條件隨機場及循環(huán)神經(jīng)網(wǎng)絡(luò)進行局部自動分割膀胱CT圖像研究;劉俠 等[9]采用改進的基于隱馬爾可夫隨機場框架的算法提高了脊柱分割的精確性研究;標本等[10]結(jié)合空間信息的模糊C均值與高斯馬爾可夫隨機場理論，將人腦MRI進行分割，降低噪聲的影響，提高了魯棒性;蘭丙申等[11]改進加強模糊C均值聚類算法對高噪聲的MRI醫(yī)學(xué)圖像較好的分割研究;鄧金城等[12]研究了帶孔全卷積神經(jīng)網(wǎng)絡(luò)模型有效地提高胸部放療計劃圖像的自動分割精度，可同時進行多目標的自動分割，具有最佳的自動分割效果;改進空間模糊聚類的圖像分割算法來準確、快速地分割人腦DTI圖像，且對圖像噪聲不敏感研究也得到了報道[13];高建瓴等[14]采用自適應(yīng)的活動輪廓模型克服了能量泛函單一的CV和LBF模型不能準確快速分割灰度不均勻醫(yī)學(xué)圖像缺陷，并且它對初始輪廓的魯棒性很強。本研究介紹了醫(yī)學(xué)影像圖像提取處理的小波域馬爾可夫隨機場數(shù)學(xué)模型，較詳細地分析了適當最優(yōu)準則算法、最大后驗邊緣估計及多尺度概率值算法的數(shù)學(xué)原理。運用仿真軟件對該模型的實現(xiàn)進行了設(shè)計，仿真實驗分析。

1 醫(yī)學(xué)影像圖像提取中小波域馬爾可夫隨機場數(shù)學(xué)模型分析

2.2 仿真實驗研究

實驗使用的是被噪聲污染的醫(yī)學(xué)影像圖像，分別采用基于原型的目標函數(shù)聚類方法和小波域馬爾可夫隨機場模型的方法來進行圖像提取。實驗采用MATLAB程序語言來進行編程，實現(xiàn)算法仿真。對其用不同的方法將被污染的圖像進行提取算法恢復(fù)，設(shè)計實現(xiàn)如圖1所示。

仿真實驗結(jié)果如圖2（b）、（c）所示，其中圖2（a）為被噪聲污染的原圖，圖2（b）為基于原型的目標函數(shù)聚類方法進行提取后的圖像，圖2（c）為用小波域馬爾可夫隨機場模型方法進行提取后的圖像。

基于原型的目標函數(shù)聚類法提取醫(yī)學(xué)影像圖形結(jié)果如圖2（b）所示，會發(fā)現(xiàn)提取后的區(qū)域邊界與整個背景沒有分開，目標上部與背景混在一起。這種結(jié)果的原因是該方法是按照與聚類中心距離的遠近來決定像素的，然而噪聲會改變圖像的灰度值，使同一區(qū)域的像素變?yōu)椴煌膮^(qū)域，從而造成這種結(jié)果。

基于小波域馬爾可夫隨機場模型提取的醫(yī)學(xué)影像圖形結(jié)果如圖2（c）所示，與圖2（b）相比，可觀察出基于小波域馬爾可夫隨機場模型法提取的醫(yī)學(xué)影像圖2（c）的區(qū)域邊界效果更好。可見基于小波域馬爾可夫隨機場模型的方法能夠從粗尺度到細尺度有層次地來進行提取處理，粗尺度對噪聲敏感較弱，達到較好的提取效果。

3 結(jié)語

文章對醫(yī)學(xué)影像圖像提取處理的小波域馬爾可夫隨機場數(shù)學(xué)模型進行了分析，較詳細地分析了適當最優(yōu)準則算法、最大后驗邊緣估計及多尺度概率值算法的數(shù)學(xué)原理。采用MATLAB平臺對該模型的實現(xiàn)進行了設(shè)計，對比分析其優(yōu)勢。比校了圖像提取的方法和算法，為實際應(yīng)用和理論研究提供了參考。但隨著科技的日新月異，在實際應(yīng)用中會隨機出現(xiàn)各種各樣的難題，所以圖像處理的小波域馬爾可夫隨機場數(shù)學(xué)模型的理論和技術(shù)有待后續(xù)進一步深入研究。

參考文獻：

[1]LI Yuee， LIU Qingfang. The application of wavelet transform to the image segmentation[J]. Journal of Shanxi University， 2009， 32（4）： 566-571.

[2]張永剛，陳軍.基于模型法的醫(yī)學(xué)影像圖像紋理分析研究[J].工業(yè)儀表與自動化裝置，2018（3）：101-103+106.

[3]孫凱.隨機森林在醫(yī)學(xué)影像分析中的應(yīng)用研究進展[J].北京生物醫(yī)學(xué)工程，2018，37（4）：413-418.

[4]劉澤宇，郭煒婷.計算機圖像處理技術(shù)在醫(yī)學(xué)影像中的進展與應(yīng)用研究[J].中國衛(wèi)生標準管理，2018，9（9）：116-118.

[5]陳浩，李本富.醫(yī)學(xué)圖像處理技術(shù)新進展[J].第四軍醫(yī)大學(xué)學(xué)報，2004（5）：478-479.

[6]羅欣. 馬爾可夫隨機場的小波域圖像建模及應(yīng)用研究[D].西安：長安大學(xué)，2015.

[7] D GLowe.Distinccive image features from scale￣invariant key points[J]. International Journal of Computer Vision，2004，60（ 2）：91-110.

[8]Xu X，Zhou F，Liu B. Automatic bladder segmentation from CT images using deep CNN and 3D fully connected CRF￣RNN[J].International Journal of Computer Assisted Radiology and Surgery，2018，13（7）：967-975.

[9]劉俠，匡瑞雪，王波，等.基于隱馬爾可夫場的脊柱CT圖像分割算法[J].哈爾濱理工大學(xué)學(xué)報，2018，23（2）：1-5.

[10]標本，梁愷彬，管一弘.高斯馬爾可夫隨機場的人腦MRI圖像分割方法[J].計算機技術(shù)與發(fā)展，2017，27（7）：180-184.

[11]蘭丙申，韓紅偉.基于字典降噪改進模糊聚類MRI圖像分割算法[J].中國數(shù)字醫(yī)學(xué)，2018，13（10）：49-51.

[12]鄧金城，彭應(yīng)林，劉常春，等.深度卷積神經(jīng)網(wǎng)絡(luò)在放射治療計劃圖像分割中的應(yīng)用[J].中國醫(yī)學(xué)物理學(xué)雜志，2018，35（6）：621-627.

[13]劉絮雨，張相芬，馬燕，等.基于改進空間模糊聚類的DTI圖像分割算法[J].中國生物醫(yī)學(xué)工程學(xué)報，2018，37（4）：394-403.

[14]高建瓴，孟宇婷，邸澤雷坤.基于自適應(yīng)活動輪廓模型的醫(yī)學(xué)圖像分割算法研究[J].貴州大學(xué)學(xué)報（自然科學(xué)版），2018，35（5）：67-73.

[15]閆兵，柏森，劉博文，等.基于交叉混沌映射的小波域圖像加密算法[J/OL].計算機應(yīng)用研究，2018（6）：1-2[2018-05-09].http：//kns.cnki.net/kcms/detail/51.1196.TP.20170614.1352.194.html.

[16]尹芳，付自如，于曉洋.小波域Wiener濾波和Perona￣Malik融合去噪的新算法[J].計算機科學(xué)與探索，2018，12（3）：432-441.

[17]Sklein，M staring， K murphy， et al. Elastix： a toolbox for inlensitybased medical image registration[J].IEEE Transactions on Medical Imaging，2010，29（1）： 196-205.

[18]張磊. 基于TS￣MRF模型的圖像分割[D]. 西安：西安電子科技大學(xué)， 2012.

[19]李旭超. 小波變換和馬爾可夫隨機場在圖像降噪與分割中的應(yīng)用研究[D]. 杭州：浙江大學(xué)， 2006.

[20]張紅軍，閆士舉. 基于雙側(cè)乳腺圖像“共用”閾值分割的乳腺癌近期發(fā)病預(yù)測[J]. 中國醫(yī)學(xué)物理學(xué)雜志，2017，34（8）：820-824.

[21]李旭超，朱善安，朱勝利.基于小波域?qū)哟蜯arkov模型的圖像分割[J].中國圖象圖形學(xué)報，2007，12（2）：308-314.

[22] 鐘瑾， 施俊， 周世崇，等. 基于分數(shù)階Fourier變換的乳腺腫瘤紋理特征提取[J]. 上海大學(xué)學(xué)報（自然科學(xué)版）， 2012， 18（3）：240-245.

[23]鮑蕊，薛朝輝，張像源，等.綜合聚類和上下文特征的高光譜影像分類[J].武漢大學(xué)學(xué)報（信息科學(xué)版），2017，42（7）：890-896.

[24]樓向陽.隱馬爾可夫模型在生物學(xué)和醫(yī)學(xué)研究中的應(yīng)用[J].鄭州大學(xué)學(xué)報（醫(yī)學(xué)版），2017，52（3）：237-246.

[25]牟希農(nóng).基于統(tǒng)計學(xué)方法的醫(yī)學(xué)影像圖像分割技術(shù)研究[J].畜牧獸醫(yī)雜志，2017，36（5）：138-140.

[26]陳軍， 汪春菊， 趙紅蕾，等. 基于馬爾可夫模型的超聲醫(yī)學(xué)圖像處理研究[J].畜牧獸醫(yī)雜志， 2016， 35（2）：44-46.

（責(zé)任編輯：曾 晶）