建立反映心脏内部各腔室结构的数字化三维模型

doi:10.3969/j.issn.2095-4344.2014.49.017

摘要/Abstract

摘要：

背景：心脏内部各腔室精细结构的数字化三维模型，不仅能够加强对心脏生理的认识，还能为心脏电生理仿真与心内膜电生理标测导航的研究提供重要的基础医学数据。

目的：建立符合心腔实际解剖结构的三维数据，建立反映心脏内部各腔室结构的数字化三维模型。

方法：在 MATLAB软件环境下完成图像分割，首先对医学人体断层数据集中心脏切片图像进行自动配准，再运用聚类法根据图像的颜色特征对图像中各组织与成分进行分类，随后经区域生长法处理实现心腔及相关连通区域的图像分割与提取。所得图像导入专用医学图像处理软件，完成心腔三维模型重建。

结果和结论：所提出的方法能够重建出较为精细的心腔结构三维模型。此模型中左右心房、心室结构明晰，能清楚地观察到主动脉、上腔静脉等血管，三尖瓣与二尖瓣等微细结构也有所体现。结果说明，重建的三维模型能够准确地反映出人体心腔解剖学结构特征，为心脏电生理方面的仿真和标测研究提供基础的医学数据支持。

中国组织工程研究杂志出版内容重点：肾移植；肝移植；移植；心脏移植；组织移植；皮肤移植；皮瓣移植；血管移植；器官移植；组织工程

全文链接：

关键词: 实验动物, 组织工程, 心腔, 解剖结构, 三维重建, 断层数据, 器官和组织, 图像配准, 图像分割, 聚类法, 区域生长法, 图像熵

Abstract:

BACKGROUND: Digital three-dimensional model which can reflect the fine structure of the chambers inside heart not only enhances the understanding of cardiac physiology, but also provides basic medical data for the study of cardiac electrophysiology simulation and endocardial electrophysiological mapping navigation.

OBJECTIVE: To construct the digital three-dimensional model of cardiac cavity from sectional data and in conformity with the actual anatomical structure.

METHODS: Image segmentation was accomplished in MATLAB environment. Firstly, registration of human cardiac cavity slice dataset was realized. Secondly, classifying each composition was achieved by clustering method according to color characteristics of the image. Then, both cardiac cavity and related connected region was distinguished by region growing method. At last, the processed image was reconstructed through dedicated medical processing software into three-dimensional model of the cardiac cavity.

RESULTS AND CONCLUSION: The proposed method could reconstruct quite exquisite three-dimensional model of the cardiac cavity. In models, left and right atrial and ventricular structure was clear. Aorta and superior vena cava were visible. Three tricuspid and mitral valve were also observed. Results indicated that reconstructed model can reflect the anatomical characteristics of cardiac cavity accurately, and provide basic medical data for the study on electrophysiological simulation and endocardial electric mapping.

中国组织工程研究杂志出版内容重点：肾移植；肝移植；移植；心脏移植；组织移植；皮肤移植；皮瓣移植；血管移植；器官移植；组织工程

全文链接：

Key words: heart atria, heart ventricles, image processing, computer-assisted, cardiac electrophysiology, models, cardiovascular

中图分类号:

R318

陈中中，张建飞，苏智剑，连登伟，杨亚茹，朱慧玉. 建立反映心脏内部各腔室结构的数字化三维模型[J]. 中国组织工程研究, 2014, 18(49): 7967-7973.

Chen Zhong-zhong, Zhang Jian-fei, Su Zhi-jian, Lian Deng-wei, Yang Ya-ru, Zhu Hui-yu. Digital three-dimensional model reconstruction of the cardiac cavity [J]. Chinese Journal of Tissue Engineering Research, 2014, 18(49): 7967-7973.

图/表（结果） 4

参考文献

[1] 姚震,陈林.我国心血管疾病现状与展望[J].海南医学,2013,(13): 1873-1876.

[2] Chen XJ, Nacif MS, Liu ST, et al. A framework of whole heart extracellular volume fraction estimation for low-dose cardiac CT images. IEEE Trans Inf Technol Biomed. 2012;16(5): 842-852.

[3] 周贤惠,翟梅玲,李晋新,等.基于CARTO系统的三维可视化心脏模型在心血管教学中的应用价值[J].新疆医科大学学报,2013, (6):885-887.

[4] 盖长清.基于GPU的心脏体绘制与电生理仿真方法研究[D].哈尔滨:哈尔滨工业大学,2011.

[5] 张雷.心脏电生理的快速仿真和交互式可视化方法研究[D].哈尔滨:哈尔滨工业大学,2013.

[6] 钟春燕,郭燕丽,张绍祥,等.基于中国可视化人体数据集和双源CT数据集的心脏三维可视化模型[J].中国医学影像技术,2011, (10):2127-2130.

[7] 蒋峻,谢叻,方彬吉,等.基于中国数字人数据的心脏三维模型的重建[J].组织工程与重建外科杂志,2014,(1):8-10.

[8] 邱鹏,李桥,刘兵,等.基于虚拟人数据的心脏表面模型三维重建及显示[J].生物医学工程研究,2005,(3):150-152.

[9] 李俊峡.心血管疾病介入治疗发展概述及展望[J].解放军医药杂志,2012,(9):1-6.

[10] 罗渝兰,王景熙,郑昌琼.图像分割在生物医学工程中的应用[J].计算机应用,2002,(8):20-22.

[11] 郭艳蓉,蒋建国,郝世杰,等.统计相似度特征的医学图像分割[J].中国图象图形学报,2013,(2):225-234.

[12] 王弈,李传富.人工智能方法在医学图像处理中的研究新进展[J].中国医学物理学杂志,2013,(3):4138-4143.

[13] 兰红.多阈值优化的交互式医学图像分割方法[J].计算机科学, 2013,(9):296-299.

[14] 许新征,丁世飞,史忠植,等.图像分割的新理论和新方法[J].电子学报,2010,(S1):76-82.

[15] Piecuch P, Wloch M. Renormalized coupled-cluster methods exploiting left eigenstates of the similarity-transformed Hamiltonian. J Chem Phys. 2005;123(22):224105.

[16] Yu QY, Clausi DA. IRGS: image segmentation using edge penalties and region growing. IEEE Trans Pattern Anal Mach Intell. 2008;30(12):2126-2139.

[17] Dehmeshi J, Amin H, Valdivieso M, et al. Segmentation of pulmonary nodules in thoracic CT scans: a region growing approach. IEEE Trans Med Imaging. 2008;27(4):467-480.

[18] 朱蛟英.心内膜电生理标测导航技术中电场的有限元分析[D].郑州:郑州大学,2012.

[19] 隆兴银.基于人体实体切片的图像处理及三维重建技术研究[D].成都:四川大学,2005.

[20] 张贵英,张先杰.医学图像分割技术研究[J].医学信息(上旬刊), 2011,(1):533-535.

[21] Cardenes R, de Luis-Garcia R, Bach-Cuadra M. A multidimensional segmentation evaluation for medical image data. Comput Methods Programs Biomed. 2009;96(2):108-125.

[22] 陈宇飞,吴启迪,赵卫东,等.基于图像熵的快速Chan-Vese模型分割算法[J].同济大学学报(自然科学版),2011,(5):738-744.

[23] 神方舟.多模态虚拟心脏可视化方法研究[D].哈尔滨:哈尔滨工业大学,2012.

[24] 乔海峰.心内导管三维定位导航软件系统设计及关键技术研究[D]. 郑州大学,2011.

[25] 乔海峰,苏智剑.消融导管三维定位导航系统中心脏多腔模型的构建[J].中国组织工程研究与临床康复,2011,(4):643-647.

[26] 钟世镇.数字人-信息与生命科学结合的新领域[J].科技导报, 2005,(2):9-12.

[27] Rastgarpour M, Shanbehzadeh J, Soltanian-Zadeh H. A hybrid method based on fuzzy clustering and local region-based level set for segmentation of inhomogeneous medical images. J Med Syst. 2014;38(8):68-83.

[28] 黄文博,燕杨,王云吉.医学图像分割方法综述[J].长春师范学院学报,2013,(4):22-25.

[29] Sharma N, Aggarwal LM. Automated medical image segmentation techniques. J Med Phys. 2010;35(1):3-15.

[30] Aja-Fernandez S, Vegas-Sanchez-Ferrero G, Martin F, et al. Soft thresholding for medical image segmentation. 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2010.

[31] Gong X, Zhou Y, Zhou H, et al. Ultrasound Image Edge Detection Based on a Novel Multiplicative Gradient and Canny Operator. Ultrason Imaging. 2014 [Epub ahead of print].

[32] Jia T, Zhang H, Meng H. A novel lung nodules detection scheme based on vessel segmentation on CT images. Biomed Mater Eng. 2014;24(6):3179-3186.

[33] Panetta K, Gao C, Agaian S, et al. Nonreference medical image edge map measure. Int J Biomed Imaging. 2014; 2014: 931375.

[34] Koprowski R, Nowińska A, Wyl?ga?a E, et al. A new algorithm and problems in automatic anterior eye chamber volume determining. Comput Biol Med. 2014;52:144-152.

[35] Vunckx K, Dupont P, Goffin K, et al. Voxel-based comparison of state-of-the-art reconstruction algorithms for 18F-FDG PET brain imaging using simulated and clinical data. Neuroimage. 2014 [Epub ahead of print].

[36] Sárándi I, Claßen DP, Astvatsatourov A, Pfaar O, et al. Quantitative conjunctival provocation test for controlled clinical trials. Methods Inf Med. 2014;53(4):238-244.

[37] Gwo CY, Gwo A, Wei CH, et al. Identification of breast contour for nipple segmentation in breast magnetic resonance images. Med Phys. 2014;41(2):022304.

[38] Ben Chaabane S, Fnaiech F. Color edges extraction using statistical features and automatic threshold technique: application to the breast cancer cells. Biomed Eng Online. 2014;13:4.

[39] Skoura A, Nuzhnaya T, Megalooikonomou V. Integrating edge detection and fuzzy connectedness for automated segmentation of anatomical branching structures. Int J Bioinform Res Appl. 2014;10(1):93-109.

[40] Navlakha S, Ahammad P, Myers EW. Unsupervised segmentation of noisy electron microscopy images using salient watersheds and region merging. BMC Bioinformatics. 2013;14:294.

[41] Gillner M, Eppig T, Langenbucher A. Automatic intraocular lens segmentation and detection in optical coherence tomography images. Z Med Phys. 2014;24(2):104-111.

[42] Toossi MT, Pourreza HR, Zare H, et al. An effective hair removal algorithm for dermoscopy images. Skin Res Technol. 2013;19(3):230-235.

[43] Cuevas E, Oliva D, Díaz M, et al. White blood cell segmentation by circle detection using electromagnetism-like optimization. Comput Math Methods Med. 2013; 2013: 395071.

[44] Qian X, Wang J, Guo S, et al. An active contour model for medical image segmentation with application to brain CT image. Med Phys. 2013;40(2):021911.

[45] Kurugol S, San Jose Estepar R, Ross J, et al. Aorta segmentation with a 3D level set approach and quantification of aortic calcifications in non-contrast chest CT. Conf Proc IEEE Eng Med Biol Soc. 2012;2012:2343-2346.

[46] Tomasi G, Shepherd T, Turkheimer F, et al. Comparative assessment of segmentation algorithms for tumor delineation on a test-retest [(11)C]choline dataset. Med Phys. 2012; 39(12): 7571-7579.

[47] Ortiz CG, Martel AL. Automatic atlas-based segmentation of the breast in MRI for 3D breast volume computation. Med Phys. 2012;39(10):5835-5848.

[48] Xu T, Mandal M, Long R, et al. An edge-region force guided active shape approach for automatic lung field detection in chest radiographs. Comput Med Imaging Graph. 2012;36(6): 452-463.

[49] Bergmeir C, García Silvente M, Benítez JM. Segmentation of cervical cell nuclei in high-resolution microscopic images: A new algorithm and a web-based software framework. Comput Methods Programs Biomed. 2012;107(3):497-512.

[50] Kazerooni AF, Ahmadian A, Serej ND, et al. Segmentation of brain tumors in MRI images using multi-scale gradient vector flow. Conf Proc IEEE Eng Med Biol Soc. 2011;2011: 7973- 7976.

[51] Li K, Tang Z, Liu GJ, et al. Three-dimensional reconstruction of paracentesis approach in transjugular intrahepatic portosystemic shunt. Anat Sci Int. 2012;87(2):71-79.

[52] Tsantis S, Kagadis GC, Katsanos K, et al. Automatic vessel lumen segmentation and stent strut detection in intravascular optical coherence tomography. Med Phys. 2012;39(1): 503-513.

[53] Dizdaro?lu B, Ataer-Cansizoglu E, Kalpathy-Cramer J, et al. Level sets for retinal vasculature segmentation using seeds from ridges and edges from phase maps. IEEE Int Workshop Mach Learn Signal Process. 2012:1-6.

[54] Lecron F, Mahmoudi SA, Benjelloun M, et al. Heterogeneous computing for vertebra detection and segmentation in x-ray images. Int J Biomed Imaging. 2011;2011:640208.

[55] 刘萍.正常女性骨盆数字化三维重建的研究[D].广州:南方医科大学,2012.

[56] 吴景鹏,冯杭,黄臣,等.中国数字人血管的分割和重建方法研究[J].计算机与数字工程,2010,(11):132-135.

[57] 晏义.三维人体模型重建、分割及尺寸提取技术研究[D].株洲:湖南工业大学,2012.

引言

随着中国心血管疾病发病率地不断攀升，心血管疾病的治疗将是未来数年内医生的主要任务之一^[1]。借助计算机几何重建技术可以高效地重建三维心腔解剖结构，加强对心率失常病理生理的认识，并在一定程度上作为辅助治疗的手段。此外，心腔解剖数据的可视化还能够为心脏电生理仿真和心内膜电生理标测导航研究提供基础的技术支持^[2]。

由于人心脏解剖结构复杂，中国曾有研究利用内置于CARTO三维系统的图像处理技术来处理心脏CT图像，重建心脏和大血管的立体三维结构，并将其用于临床教学^[3]。也有研究利用GPU在矩阵运算和密集计算方面的优势，将GPU的图形处理和并行计算能力应用于虚拟心脏的建模研究，采用体绘制方法实现可视化的目的^[4-5]。

来自解放军第三军医大学的研究者曾基于可视化人体数据集和双源CT数据集，运用体绘制和面绘制的方法，利用PHOTOSHOP CS2软件对数据集中的心脏细微解剖结构进行逐一分割，在AMRIA软件中建立两种数据集的心脏三维可视化模型，并对基于两种数据集的心脏三维模型进行对比研究^[6]。上海交通大学的研究者也曾基于“数字人”图像数据，利用PHOTOSHOP软件的内置工具对心脏主要结构进行人工分割，之后利用MIMICS软件进行心脏结构的三维重建^[7]。

以往的研究多将重点放在心脏整体结构的三维重建，对心脏内部各腔室精细结构三维重建的研究较少，在对二维图像数据集的处理方面，多采用人工分割的方法对心脏结构进行分割，未能提出专用于心脏二维图像的图像分割方法。针对以往研究的局限，文章在MATLAB软件环境中实验了一种用于心脏内部结构的半自动图像分割方法，目的在于减少图像分割中人工参与的部分，较为快速而准确地重建三维模型。

在数据来源方面，目前医学图像处理中器官与组织的三维模型重建主要是采用CT图像三维重建、MRI图像三维重建及逐层切片恢复形体3种方法。文献[6]中对基于不同数据集的三维模型的对比研究证明了利用高分辨率的人体切片所构建的心腔三维模型最为精确逼真。而随着数字人技术的发展，完整而清晰的人体逐层切片已经能够获取，这为心腔三维模型的重建提供了完备的基础图像支持。

实验以美国国立医学图书馆“可视人计划”(Visible Human Project)的解剖数据集作为数据来源^[8]，并从中选取胸腔部分切片图像来进行心腔三维可视化模型的重建工作。同时，人体切片的图像处理与三维重建技术也是数字化虚拟人与力学等效仿真假人等研究的重要内容之一^[9]。应用人体切片进行心腔三维模型的重建，对于数字化虚拟人的研究也有一定的借鉴意义。

中国组织工程研究杂志出版内容重点：肾移植；肝移植；移植；心脏移植；组织移植；皮肤移植；皮瓣移植；血管移植；器官移植；组织工程
全文链接：

材料方法

设计：计算机模拟实验。

时间及地点：于2013年11月至2014年6月在郑州大学反求与测量工程实验室完成。

材料：

数据来源：美国国立医学图书馆创建的成年男子全身解剖数据集，共1878张层切图像，每张图像象素2 048× 1 216，体元大小0.33 mm×0.33 mm×1.00 mm。实验选取胸腔部分的151张图像并按顺序编号为1-151进行分析。

设备：联想G460计算机，Intel Core i3双核处理器，内存2GB，Windows7 32位操作系统，由郑州大学机械工程学院提供。

方法：

数据预处理：连续观察胸腔部分数据集时会发现各图像间有小幅错动，分析是切片制作过程中的微小位移引起的，因此在图像分割前必须进行配准。由于图像均在水平及垂直方向偏移，只须对图像进行平移变换即可实现配准，平移向量由每张图片中圆形定位杆的相对位置来进行确定。

在RGB空间中，定位杆区域R值在90-120之间，与背景色R值差别较大，因此用该值作为识别定位杆的特征参数。设定图像左上角象素点为原点，象素点个数为横纵坐标。则在该坐标系中，每张图像中的定位杆都位于横纵坐标分别为341-455、973-1 055的矩形区域中，在其中搜寻满足R值在90-120的象素点，这些象素点的坐标均值即为该图像中定位杆中心。逐一计算各图像定位杆中心相对于编号为1图像定位杆中心的偏移量，并按此进行平移变换即可完成图像配准。

为检验计算结果与定位杆实际位置是否相符，记录每张图像定位杆偏移量并绘出偏移曲线(图1)，同时重建定位杆的三维模型以检验配准效果(图2)。

图像分割：图像分割是指将图像中的多个区域分割开来的过程，其目的在于改变图像的表现方式，使目标区域更易于识别^[10-13]。经过图像分割，图像中的目标象素点都被加上标志，具有相同标志的象素点就能够被自动提取^[14]。实验针对人体切片图像的颜色特征及组织的局部结构特点，以颜色特征为基础，在MATLAB中先后应用聚类法与区域生长法来实现图像的半自动分割，并采用图像熵对分割方法进行定量评价。

聚类法能够将图像中的每一个象素点按照其颜色特征进行分类，并通过多次迭代使同一聚类中的象素点具有尽可能相近的颜色特征，以此识别图像中不同的目标。以往的聚类法处理中，初始聚类中心的特征参数常采用随机选取的方法进行设定^[15]。实验中，为了减少迭代次数并提高图像分割的质量，对图像中的成分预先进行分类并确立固定的初始聚类中心。

切片图像中心腔周围组织成分较多，RGB值差别很大，属于同一组织或成分的象素点颜色特征相似，即具有相近的RGB值，表现在RGB直方图中即为峰值。以编号为1图像RGB直方图中3条曲线的峰值为分类基础并比较图像中各成分颜色(图3)，将其分为7类并确定初始聚类中心(表1)。

基于相同的初始聚类中心，采用下述聚类方法依次处理每张图像。首先，将图像中每一象素点RGB分量值进行求和：S(i)=R(i)+G(i)+B(i)

式中“i”为象素点的序号，从1到2 490 368。其次，对7个聚类中心RGB分量值进行求和：S₀(j)=R₀(j)+G₀(j)+B₀(j)

式中“j”为聚类中心的序号。再次，依次计算每一象素点与聚类中心的距离：C(j)=│S(i)- S₀(j)│

之后，将象素点归入距离最小的聚类。所有象素点均被归类后，分别计算归入每个聚类中所有象素点RGB分量的均值：

式中“m”为归于同一聚类的象素点数量，“k”为这些象素点的序号。最后，以该组均值作为下次循环的聚类中心，并计算本次与下次循环中7个聚类中心RGB分量的差值，若差值不全为零则进入下次循环并重复以上步骤，差值全为零则结束循环，并赋予最终形成的聚类以初始聚类中心的特征参数。

经聚类法处理后心腔与血管内区域显示出表1中1号或6号颜色。然而一些其他器官和组织也显示这两种颜色，例如食管和部分肺。因此，聚类法处理出的分割结果仍然需要运用区域生长法来提取感兴趣区域(region of interest，ROI)(图4)。区域生长法是医学图像分割中常用的一种方法，其一般过程是先在图像的ROI中设定一个或多个种子点，再将种子点周围的象素点按照一定的生长准则加入其中，之后以加入的象素点为种子点进行新一轮的区域生长并循环此步骤，直至将整个ROI“生长”完^[16-17]。实验将区域生长法的应用拓展到对多张切片图像的处理，完成了心腔及相关血管在三维空间中的生长。

在判断图像中某处区域是否与心腔相连通时，必须通过医学知识进行分析。比如，空间贯通的下腔静脉虽然在编号为69图像中与心腔并不相连通，但通过心脏解剖学结构及相关血液循环知识可判断出在三维空间与心腔是连通状态，因此连通状态的边界划分只有按照图像特征来寻找出多个区域进行处理。根据该判断方法，与心腔三维连通的区域在编号为1图像中寻找出6处，在编号为151图像中寻找出3处。以这两组区域为基础，在MATLAB中编程用区域生长法以顺逆两种次序分别处理所有图像，心腔及其连通血管就能够被自动提取。

在经过聚类法处理的编号为1图像的6处ROI内各找一点，选取该点及其四邻域点作为种子点进行第一轮区域生长，并设置种子点的R值为255作为标记。之后判断种子点的四邻域点是否符合生长准则：①R值小于255。②B值为12或159。③八邻域中有不少于2个点的R值为255。标记并设定符合生长准则的点为种子点进入下一轮生长并循环该步骤，当无法识别出新生长点时则结束循环，完成顺序处理中编号为1图像的区域生长。随后，顺序处理其余150张图像，根据相邻图像的相似性，由前张图像ROI中点的坐标标记本图像相同坐标处B值为12或159的点，并以该点为种子点完成单张图像的区域生长。

在顺序处理完本轮151张图像后，以处理编号为1图像的方法来标记经过聚类法处理的编号为151图像中与心腔相连的3处ROI并完成区域生长。同样，用上述顺序处理其余150张图像的方法来逆序处理其他图像。

由此，每张经聚类法处理的图像经顺逆序两次区域生长处理后生成了两张包含不同ROI的图像，在这两张图像中寻找并记录R值为255的点坐标，继而在一张新图像相应坐标处设定RGB值分别为0，0，255，就可将两张图像的ROI合并在此张新图像中并作为最终分割结果用以后续三维建模(图5)。

建立三维模型：将分割后的图像批量导入医学三维重建软件3D-DOCTOR中^[18]，设定图像阈值中RGB值分别为0，0，255，即可自动提取ROI边界轮廓并生成三维模型。

主要观察指标：针对医学图像的复杂性及图像分割理论的局限性^[19-21]，实验所用图像分割方法的效果采用图像熵进行定量的评价，此外，实验所用方法的效率采用与手动分割进行对比来评价。

中国组织工程研究杂志出版内容重点：肾移植；肝移植；移植；心脏移植；组织移植；皮肤移植；皮瓣移植；血管移植；器官移植；组织工程

全文链接：

讨论

快速而准确地构建心脏解剖结构模型对于临床研究与诊疗有直接的意义。在临床医学上直接研究心脏成本较高，且研究对象多为小鼠等动物，实验动物的心脏与人体心脏差异明显^[23]，虚拟心脏研究的快速发展能够很好的解决这一问题，其中，心脏解剖数据的可视化是虚拟心脏的两大研究方面之一，利用该技术能直观了解心脏内部组织结构，与心脏电生理研究结合还可了解和认识心脏病的发病机理，从而预防和治疗心脏病。另一方法是在心脏电生理标测的临床研究中，对断层数据重建的心脏解剖结构三维模型与心内导管标测的点云数据构建的模型进行信息融合，可生成更加精确和直观的三维模型用于指导手术^[24-25]。

医疗诊断时，准确的心脏解剖结构模型能够及时反馈诊疗信息，增加诊断的准确率，随着图像获取设备的不断进步，能够获得的医学图像的分辨率不断增加，使得需要处理的数据量更加庞大，这就要求更高的模型构建效率，而对医学图像中的心脏区域进行快速准确的半自动分割，是临床上快速生成心脏三维解剖结构模型的基础。

实验提出了与以往研究中不同的图像分割方法。以往研究中运用PHOTOSHOP等图像处理软件对心脏图像进行手动分割时效率较低，需要耗费大量时间和精力，且研究人员关于心脏解剖结构的知识与经验对分割精度有直接影响。运用图像处理软件中的内置分割方法处理医学图像时，人为控制因素较少，难以根据患者心脏结构的具体情况进行有针对性的图像分割。以上两种以往研究中采用的图像分割方法，未能提出针对心脏区域色彩特征的具体分割方法，用于分辨率更高、数据量更庞大的图像时，局限性更加明显。实验以分辨率高、数据量庞大的断层切片图像为实验对象，以现有医学图像分割方法为基础并加以改进，提出了在MATLAB软件环境中编程完成图像分割的方法。

医学图像的准确分割是三维模型重建的基础，然而人体切片图像所呈现的非线性混沌状态使得图像分割成为整个重建过程中的难点。因此高效的半自动分割方法是解决分割问题的重要途径之一^[26-27]。常用的医学图像分割方法有边缘检测法、阈值法、聚类法和区域分割等^[28-54]，这些方法在处理人体切片图像时会有一定的局限性，如边缘检测法会在高细节区产生大量琐细边缘以致难以产生连续的闭区域轮廓^[30]，阈值法难以寻找各分量的谷以确定阈值，聚类法的分割效果在一定程度上取决于初始聚类中心的设定，区域分割虽然可以应用图像局部特征的相似性，但在每次分割时须设定种子点。

针对常用医学图像分割方法的局限性，实验提出了新的解决方案，完成了聚类法处理中初始聚类中心的人工设定，避免了随机设定时初始聚类中心不合理现象的发生。同时，在区域生长法处理图像过程中只须设定第1张和最后一张图像的生长点，便能完成其余全部图像生长点的自动设定，弥补了区域分割中每次分割都需要设定种子点的缺陷。

实验提出了从处理断层数据到构建心腔三维模型重建的全套方法，该方法还可为其他的医学三维重建工作提供参考。

实验通过对心腔彩色图像分割与三维重建的研究，确定了运用MATLAB编程处理二维图像的方法及步骤，之后通过3D-DOCTOR软件实现了边界提取和三维重建。实验所建心腔三维模型精细地展现了心腔的解剖结构，为心内膜电生理标测研究提供了符合实际心腔复杂形状的基础医学数据。同时，实验针对彩色医学图像所提出的图像配准方法、三维空间区域生长方法、初始聚类中心与生长点的设定方法，也可以为其他基于彩色医学图像的器官与组织三维重建工作提供参考^[55-57]。