基于Python的醫學圖像處理課程教學改革探索

婁夢瑩 于 璐 黃忠浩 宋朝暉 袁 虎

齊魯醫藥學院醫學影像學院 山東淄博 255213

1 概述

隨著醫學成像技術的不斷革新,醫學圖像處理技術已成為醫學影像領域的重要組成部分,在醫學研究與臨床診斷中發揮著重要的作用,在醫學類教育中具有很高的理論性和實用性,因此,醫學圖像處理這門課程在相關高校課程中的地位也越來越重要[1]。

醫學圖像處理是一門理、工、醫相結合的多學科交叉課程,是利用數學方法和計算機技術對醫學圖像進行具有臨床目的與意義的處理的技術。該課程以醫學成像原理、數字信號處理及圖像分析方法為理論基礎[2],不僅要求學生掌握常用醫學影像成像技術的原理、圖像質量的影響因素,同時要求學生有較好的程序語言編程能力,學會使用復雜的算法快速實現并得到處理結果,從而提高圖像的質量。通常在大學開設該課程都包含理論與實驗兩部分,多數高校教師采用傳統的MATLAB編程工具進行實驗教學。MATLAB中有較多的工具箱,例如小波工具箱、數字信號處理工具箱等,可以通過調用相關函數完成經典的圖像處理功能。譚超[3]等人主要利用MATLAB進行圖像處理工作,主要應用有圖像處理的基本運算、圖像的變換域處理、圖像的形態學處理等。此外,MATLAB中的GUI(Graphical User Interface)工具為虛擬實驗軟件的開發提供了高集成度的環境,可有效提高效率。魏寧寧[4]等人運用MATLAB GUIDE結合M文件進行程序編寫,以實現醫學圖像處理中各個實驗項目。

近年來,隨著人工智能技術的不斷發展和進步,各種新的編程工具應運而生。Python作為一種功能強大的開源編程語言,隨著深度學習網絡的深入發展,在各個領域應用越來越廣泛,同時也越來越受廣大師生和科研人員的喜愛。針對醫學圖像處理領域,一方面,Python具有功能強大的擴展庫,包含多種現有的圖像處理函數,能夠簡單便捷地實現傳統的醫學圖像處理方法;另一方面,Python在深度學習網絡模型開發中具有一定的優勢,能夠利用多種新型的網絡模型完成不同的醫學圖像處理操作。

目前,Python在醫學圖像處理領域的應用越來越普遍,Python語言不僅作為高校師生的科研工具更融入高校的課程中,且已經在一些高校的相關課程的實驗教學中得到應用[5]。

2 Python與醫學圖像處理課程融合優勢

醫學圖像處理課程不僅要求學生掌握其理論知識,理解相關算法基礎,更要求學生能夠通過實驗操作得到相應的圖像處理效果,編程實現各種理論算法。因此,需要科學合理地安排相關實驗,加強理論與實踐的有機結合。

在當代高校教學中,學科融合作為一種新的教學理念已經逐步滲透各個領域。學科融合有利于形成知識體系,提升學生的學習質量和效率,有利于培養學生獨立思考、創造性思維,促進多元化思維的發展,能激發學生學習興趣,使學生積極主動學習。

目前,Python程序設計課程已經引入醫學影像技術專業教學內容中,將Python編程與醫學圖像處理課程實驗內容相結合,實現學科融合,能夠發揮更好的教學效果。Python程序設計課程的引入為醫學圖像處理實驗提供了編程基礎,而醫學圖像處理課程為Python程序設計提供了應用平臺,二者相輔相成,加強理論與實踐的有機結合能夠更好地實現學生的綜合能力培養,更專注于應用型人才的培養,更符合新時代對青年學生的要求。

將Python語言引入醫學圖像處理課程,根據理論知識合理安排調整實驗環節是本次課程改革研究的重點。在Python的擴展庫中,有大量可以用來進行醫學圖像處理的函數工具庫,例如Numpy、Matplotlib、Pillow、Skimage、OpenCV等。這些擴展庫能極大地簡化算法編程過程,以更簡便的形式幫助學生理解和完成醫學圖像處理的相關操作。因此,將Python應用在醫學圖像處理課程中能更好地讓學生掌握該門課程的精髓。

3 Python在醫學圖像處理課程中的實踐應用

醫學圖像處理主要是把數字化的二維圖像看作二維矩陣進行運算,而Python中的Numpy函數能夠實現數字圖像到矩陣的轉換,即Numpy數組表示圖像數據,可通過對Numpy數組的操作完成對圖像的相關處理。Python中的Pillow、OpenCV、Scipy、Matplotlib、Skimage等工具庫也都支持Numpy數組模塊。

在醫學圖像處理課程的理論學習中,其主要內容包括醫學圖像的基本處理基礎、醫學圖像的變換方法、醫學圖像的增強方法、醫學圖像的分割方法、醫學圖像加權融合方法等。合理安排相應的實驗內容,旨在用實際操作完成醫學圖像處理過程,實現理論方法與實踐操作相結合,真正完成醫學圖像處理全過程。

3.1 用Python實現醫學圖像的基本處理

醫學圖像處理課程的基本內容包括圖像信息的讀取、格式轉換及保存、彩色圖像與灰度圖像之間的相互轉換、灰度直方圖的繪制以及基礎的算術運算、幾何變換等。

在實驗過程中,利用Pillow工具庫中Image模塊的相關函數能夠實現各種基本圖像處理操作。其中,利用open()函數能夠將圖像賦值給變量,再利用size函數、format函數、filename函數讀取圖像的尺寸信息,獲取圖像的分辨率、文件名及文件格式類型,還可通過save()函數實現各種圖像格式的轉換和保存,通過convert()函數實現彩色圖像與灰度圖像之間的轉換。在繪制圖像的灰度直方圖時,主要用到Matplotlib工具庫中的hist()函數。此外,利用Matplotlib工具庫中的imshow()、show()函數,能夠顯示圖像,并能夠通過title()、xlabel()、ylabel()、axis()函數等為圖像添加相關的標題、標簽及坐標等標注信息。基礎的算術運算可以通過Numpy工具中的array()函數進行矩陣的加、減、乘、除計算。幾何變換可以通過Pillow工具庫中Image模塊的resize()函數、rotate()函數、transpose()函數分別實現圖像的縮放、旋轉、鏡像處理。

3.2 用Python實現醫學圖像變換

醫學圖像處理課程中主要的圖像變換有三種,分別是傅里葉變換、離散余弦變換、小波變換。

在實驗過程中,利用Numpy工具庫中的fft函數計算一維和多維離散傅里葉變換;利用Scipy工具庫中的fftpack子工具庫中rfft()、irfft()、fft2()等各類傅里葉變換函數,實現更多種類的傅里葉變換方法;利用PyWavelets工具庫中的wavedec函數進行小波變換;利用OpenCV工具庫中的dct、idct函數進行離散余弦變換。

3.3 用Python實現醫學圖像的增強

醫學圖像增強是醫學圖像處理課程中的重點內容,指根據圖像特點、存在的問題或應用目的等,所采取的改善圖像質量、加強圖像某些特征的措施,主要包含灰度變換增強算法、直方圖均衡化算法及各種濾波器增強算法。

在實驗過程中,實現醫學圖像的灰度變換增強一般采用簡單的算術運算按照灰度變換公式直接對圖像矩陣進行處理,即直接對圖像數據所對應的Numpy中的array()數組進行運算。

直方圖均衡化是醫學圖像處理中最常用的圖像預處理方法,用簡單的編程操作實現醫學圖像的直方圖均衡化增強,獲得較好的圖像處理效果是該課程重點教學內容之一。在Python中,OpenCV、Skimage及Pillow工具庫中都有相關的內置函數可以用來實現圖像的直方圖均衡化處理;在Pillow工具庫中,ImageOps模塊中的equalize()函數可實現直方圖均衡化;在Skimage工具庫中,exposure模塊中的equalize_hist()函數可以實現直方圖均衡化;在OpenCV工具箱中,equalizeHist()函數可以實現直方圖均衡化。

醫學圖像的濾波增強從濾波原理上大致分為空域濾波器和頻域濾波器兩大類;從處理效果上大致分為圖像平滑濾波器和圖像銳化濾波器兩種。其中,圖像平滑處理主要功能是去除噪聲、增強細節信息,常用中值濾波和均值濾波算法;圖像銳化處理主要功能是增強邊緣輪廓信息,常用邊緣銳化和邊緣檢測算法。在Python中,利用Pillow工具庫的ImageFilter模塊中的filter()函數能夠實現各種圖像濾波處理。其中,用于圖像平滑增強處理的函數有SMOOTH平滑濾波器、MedianFilter中值濾波器、MinFilter最小值濾波器等;用于圖像銳化增強處理的函數有SHARPEN銳化濾波器、EDGE_ENHANCE邊緣增強濾波器、CONTOUR邊緣輪廓濾波器等。另外,Skimage工具庫的filters模塊、restoration模塊以及OpenCV工具庫提供了大量的函數,也可以用于進行醫學圖像的空域濾波增強處理,例如,均值濾波、雙邊濾波、維納濾波等。

3.4 用Python實現醫學圖像的分割

醫學圖像分割是將感興趣區域從背景中分離并提取出來,主要內容包括基于閾值的圖像分割算法、基于邊緣檢測的圖像分割算法、基于形態學的圖像分割算法、基于分水嶺的圖像分割算法以及基于模式識別的圖像分割算法。

在實驗教學中,主要實踐內容為基于閾值的醫學圖像分割方法的實現,典型的分割算法為圖像二值化處理,即基于單閾值的醫學圖像分割算法。在Python中,利用Numpy中的array()將圖像轉換為數字矩陣,然后通過Numpy中的where()函數將矩陣中的每一個元素值與閾值進行大小比較(關系運算),以此將數字圖像分割成感興趣區域和背景區域兩部分,實現圖像二值化分割處理。在此過程中,可以采用灰度直方圖hist()函數進行雙峰法選閾值,也可以對矩陣運算取均值為閾值。其次,Skimage工具庫的segmentation模塊可以實現基于分水嶺的醫學圖像分割;filters模塊可以實現基于邊緣檢測算子的醫學圖像分割和基于閾值的醫學圖像分割。

此外,用Python可以搭建深度學習網絡模型進行醫學圖像分割。先利用Pillow庫讀取圖像文件,并將其轉換為Numpy數組,然后利用Tensorflow、Pytorch等模塊構建圖像分割網絡模型,例如典型的U-Net圖像分割模型。Python中有大量開源的深度學習網絡模型可提供使用,能夠簡化編程過程,方便操作演示,更利于學生理解和自主學習。

3.5 用Python實現醫學圖像的融合

圖像融合是用特定的算法將兩幅或多幅圖像綜合成一幅新的圖像。對于醫學影像相關領域而言,醫學圖像融合主要是將解剖結構圖像和功能圖像相融合,使融合后的圖像同時具有解剖學和功能學特點,主要方法有基于空域的圖像融合和基于變換域的圖像融合。常用的醫學圖像空域融合算法包括像素灰度極大(小)值融合、像素灰度值加權融合;變換域圖像融合方法主要是小波變換算法。

像素灰度值加權融合是醫學圖像融合中最常用的方法,也是實教學的重點實驗項目。在Python中,將圖像轉化為Numpy數組后,設置合理的權重模板,對多幅圖像的數組添加權重參數,然后直接對多個數組進行運算,即采用多數組之間的算術運算可實現圖像的加權融合。也可以利用Pillow工具庫的ImageChops模塊中的內置函數進行圖像的融合,例如,相加函數add()、減法函數subtract()、疊加函數multiply()等。

4 總結

基于Python的醫學圖像處理課程教學改革旨在提高學生的操作能力,培養學生對本門課程的學習興趣,培養學生解決實際問題的能力,具有較強的創新性和實用性。經過近三年的改革探索,用Python語言進行醫學圖像處理實驗教學取得了較好的教學效果。

首先,融入課程融合理念,Python程序設計為醫學圖像處理打下了堅實的編程基礎,反之,本課程也讓Python程序設計得到了實踐應用。用Python語言進行實驗設計更容易被學生接受和理解,實驗操作執行更順暢,學生學習興趣濃厚。

其次,注重實踐教學,革新實驗教學手段,優化實驗教學內容。教學過程中,注重理論方法與實踐操作的有機結合,突出課程的實用性,加強對實踐能力的引導和培養。用Python代替傳統的MATLAB進行實驗教學,旨在通過簡單的Python編程實現醫學圖像處理課程教學中的主要圖像處理方法。在實驗過程中,Python免費開源、語法簡單,能高效地進行數值計算,在圖像處理方面也有相應的功能強大的內置函數庫,且在深度學習領域發展迅速,能夠利用Python中的現有函數完成對醫學圖像的各種不同的處理操作,來滿足臨床檢查中對不同圖像的需求,提供高質量的醫學圖像來服務醫學診斷。

此外,Python作為當今人工智能領域重要的編程語言,受到各個研究機構及企業的青睞,學生掌握一定的Python編程能力有助于今后的工作就業。