1、本文的主要工作是關(guān)于醫(yī)學(xué)圖像三維可視化中醫(yī)學(xué)圖像分割技術(shù)的研究及圖像三維重建的實(shí)現(xiàn)。醫(yī)學(xué)圖像三維可視化的目的就是利用斷層圖像信息在計(jì)算機(jī)上將二維的圖像進(jìn)行三維重建及立體顯示，并對(duì)醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行各種處理。 醫(yī)學(xué)圖像分割，即把醫(yī)學(xué)圖像分割為若干個(gè)區(qū)域，提取出感興趣的組織器官區(qū)域，這是醫(yī)學(xué)圖像處理中的一個(gè)必不可少的步驟，分割的準(zhǔn)確性對(duì)于醫(yī)學(xué)圖像的后繼處理和醫(yī)生判斷疾病的真實(shí)情況至關(guān)重要。醫(yī)學(xué)圖像分割是圖像分割領(lǐng)域的一個(gè)經(jīng)典問題，由于

2、醫(yī)學(xué)圖像的復(fù)雜性，到目前為止還不存在一個(gè)通用的分割方法。本文在對(duì)原有方法特別是近幾年來比較常用的圖像分割方法進(jìn)行深入研究的基礎(chǔ)上，提出了結(jié)合蟻群聚類算法的模糊C均值聚類分割算法和改進(jìn)的基于動(dòng)態(tài)輪廓模型的核磁共振序列圖像分割算法。首先，利用蟻群算法全局性和魯棒性的優(yōu)點(diǎn)，得到圖像的聚類中心和聚類個(gè)數(shù)，再將其作為模糊C均值聚類的初始聚類中心和聚類個(gè)數(shù)，彌補(bǔ)了傳統(tǒng)模糊C均值聚類分割算法易陷入局部最優(yōu)和聚類個(gè)數(shù)難以確定的缺點(diǎn)。在此基礎(chǔ)上，針對(duì)原始

3、動(dòng)態(tài)輪廓模型存在的對(duì)初始輪廓線較敏感的問題，建立了初始輪廓預(yù)測(cè)模型，即應(yīng)用分割后圖像的輪廓來預(yù)測(cè)未分割圖像的輪廓。然后又針對(duì)原始動(dòng)態(tài)輪廓模型能量最小化過程中易收斂到局部最優(yōu)的缺點(diǎn)，定義了一種新的能量函數(shù)，該能量函數(shù)中既包含了圖像區(qū)域信息，又包含了圖像邊緣信息，使模型能更好地收斂到目標(biāo)區(qū)域的真正邊緣。實(shí)驗(yàn)結(jié)果表明，上述兩種改進(jìn)的分割方法均取得了較好的效果。 三維圖像重建技術(shù)就是從物體的二維序列圖像中獲取三維的結(jié)構(gòu)信息，為用戶提供具