医学图像处理是计算机数字图像处理的一个十分重要的应用，也是生物医学工程专业的一个主要研究方向和领域。1895年X射线这一重大发现以及它之后在医学中的应用，使得医学领域的研究步入了一个新的殿堂，在其之后的发展中，医学图像处理技术也悄然诞生。现在医学图像处理的对象主要是CT（Computed Tomography）图像（包括X射线CT、γ射线CT、超声CT），MRI（Magnetic Resonance Imaging） 图 像，PET（POsitron Emission Tomography）图 像 和SPECT（Single-Photon Emission Computed）图像等。传统医学图像处理方法需要凭借医生或其他专业工作人员的个人经验，人工地一步步对图像进行观察、标记、处理。然而，这种工作方式效率不仅低下，而且经常会因为操作人员主观意识上的偏差或者操作上的失误，造成图像所要表达的信息出现错误，影响医生治疗进程，于病人极其不利。

现有的计算机数字图像处理技术将成像技术生成的图片经过一系列图像处理方法，可将医学图像中病人病灶信息的有效成分清晰直白向医生展示。常见图像处理方式包括图像去噪、图像分割、图像配准、图像融合等，针对不同的处理对象，每个对象处理方法以及每一个步骤都需要调整合适的参数、尺度大小。通过计算机数字图像处理技术对医学图像进行处理及识别，可以极大地减轻医生的负担，提高医生的工作效率。这也是生物医学工程专业的重要应用领域。

数字图像处理是很多电子信息类专业的重要专业课程，但是面向生物医学工程专业这一交叉学科，目前尚未有较强针对性的课程内容安排及应用场合解析。面对生物医学工程这一学科，数字图像处理课程应更多地将基本图像处理算法融入医学图像处理这一具体应用背景中去，使学生能够更好地了解自己的专业应用方向，在学习中做到有的放矢。因此，本文将常规数字图像处理的基本原理和算法设计融入了医学图像处理这一特殊的应用背景，这些内容可以很好地对数字图像处理课程内容进行补充及应用场景的拓展，提高学生的专业知识面以及专业应用水平。

一 医学图像去噪

图像在生成和传输过程中，往往会受到各种噪声的干扰和影响（如影像设备、外部环境、天气干扰等），而降低了图像质量。若直接对含噪图像进行图像处理和分析，难度较大,且处理效果不理想。正常情况下获得的医学图像都是含有噪声的。由于噪声的存在，医学图像的质量会大打折扣，图像内组织边缘模糊难以区分，病灶信息由于图像细节处被噪声覆盖所以难以辨认。总之对于医学图像的诊断分析，噪声影响很大，所以需要在图像预处理阶段对图像进行噪声去除或降低处理，提高医学图像的信噪比。

在数字图像处理的基本算法中，图像去噪方法分为空域法和频域法两大类。医学图像中常见噪声有高斯噪声、椒盐噪声、脉冲噪声等。针对不同类型的噪声应当采取对应的去噪算法。例如对于高斯噪声，其数学模型如公式1.1所示。使用邻域平均法如公式1.2所示，可有效抑制该噪声。

其中z表示噪声灰度值，μ、δ分别为z的期望与标准差。S为噪声图像f(m,n)每个像素点的一领域。

小波变换常被用于图像频域中的噪声去除。例如在对超声图像进行去噪处理时，利用数学对数变换改变噪声性质，之后利用小波变换分解图像。最终可在不损坏图像重要信息的同时成功分离图像斑纹噪声。

空域法和频域法分别在两个不同的图像领域对图像进行各种操作，互不干涉。利用这一特点，结合来自两域方法的噪声去除算法可以对图像中的混合噪声进行剔除。叶鸿瑾等[1]通过频率域的小波变换方法和空间域的中值滤波方法在保证CT图像质量的同时，成功剔除掺杂其中的混合噪声。

最近，在对超声医学图像去噪算法的研究中，为了能够使得图像中的高频细节内容不被掩盖，需要将图像中的噪声抑制到比较小的时候，再采用基于幂次变换的方法[2]，最终实验证明该方法对超声图像噪声有很好的去除效果。艾玲梅等利用双域滤波与引导滤波相结合的方法[3]，有效地减弱了存在于MRI图像中的Rician噪声。

这些空域及频域的去噪算法不仅可以作为课程内容的扩展，并且由于它们较强的医学图像去噪的针对性，还可以以其为媒介，将数字图像去噪的基本原理算法引入医学图像处理背景及应用场合，帮助学生对专业应用的思考。

二 医学图像分割

图像分割是指根据选定的特征将图像划分为若干个有意义的部分，这些选定的特征包括图像的边缘、区域。图像分割是数字图像处理课程中的一个重要内容，在医学图像处理应用中也具有非常重要的地位。将图像分割算法运用于医学图像，分割出医学图像中的关键信息内容或是有特殊意义的部分，向专业人员提供图像中有用的信息，帮助他们在更短时间内做出诊断，医学图像分割技术在整个医学图像处理中是极其关键的一个步骤。由于医学图像的极其复杂，它的处理涉及多个学科知识，其分割过程并非单一的找出某一信息，所以传统的分割方式难以到达我们预期的目标。针对身体各个不同的器官甚至同一器官不同部位，分割方式均有差异。当前的医学图像分割技术大多仍需借助人工手动分割标记，全自动的分割技术尚未成熟。