醫(yī)學(xué)圖像分割綜述

1、醫(yī)學(xué)圖像分割綜述醫(yī)學(xué)圖像分割綜述作者：王益東來(lái)源：健康必讀（上旬刊）2018年第04期        【摘 要】醫(yī)學(xué)圖像分割是指在醫(yī)學(xué)圖像中，利用計(jì)算機(jī)視覺(jué)技術(shù)，根據(jù)區(qū)域內(nèi)像素的相似特性（紋理等）以及區(qū)域間的不同特性，將圖像中感興趣的區(qū)域（roi）提取出來(lái)，獲取有關(guān)人體組織器官的有效信息，反饋給醫(yī)生以及學(xué)者作為診斷依據(jù)。隨著計(jì)算機(jī)技術(shù)的日新月異和醫(yī)療設(shè)備的快速發(fā)展，醫(yī)療圖像分割技術(shù)在影像醫(yī)學(xué)中的作用日益增大。本文首先介紹了醫(yī)學(xué)圖像分割的背景及其應(yīng)用。接著，詳細(xì)分析了相關(guān)圖像分割算法。最后，總結(jié)了醫(yī)療圖像分割技術(shù)在目

2、前面臨的困難與挑戰(zhàn)，并提出了展望。        【關(guān)鍵詞】醫(yī)學(xué)影像；圖像分割        【中圖分類(lèi)號(hào)】 【文獻(xiàn)標(biāo)識(shí)碼】a 【文章編號(hào)】1672-3783（2018）04-0281-01        1 引言        近幾年來(lái)，隨著計(jì)算機(jī)視覺(jué)技術(shù)和磁共振成像技術(shù)（mr

3、i）、正電子放射層析成像技術(shù)（pet）、計(jì)算機(jī)斷層成像（ct）、單光子輻射斷層攝像（spect）、超聲（ultrasound）等醫(yī)學(xué)影像設(shè)備的飛速發(fā)展，醫(yī)學(xué)圖像分割技術(shù)在影像醫(yī)學(xué)中所發(fā)揮的作用越來(lái)越大。醫(yī)學(xué)圖像分割技術(shù)則是把醫(yī)學(xué)圖像分割成若干個(gè)具有不同特性的區(qū)域，區(qū)域內(nèi)保持一定的相似性，區(qū)域間有一定的相異性，從而提取出感興趣的部分。        醫(yī)學(xué)圖像分割在臨床診斷中發(fā)揮著重要作用，如：        （1）生物醫(yī)學(xué)圖像分析：解剖結(jié)

4、構(gòu)的測(cè)量、心臟運(yùn)動(dòng)跟蹤等。        （2）組織、器官定量分析：通過(guò)對(duì)人體器官或是病變器官容積的定量檢測(cè)，為醫(yī)生的臨床診斷提供依據(jù)。        （3）醫(yī)學(xué)圖像3d重建：用于外科手術(shù)的仿真、藥物治療的評(píng)估等。        目前，醫(yī)學(xué)圖像分割技術(shù)的發(fā)展仍然面臨一些困境，主要原因在于醫(yī)學(xué)圖像的多樣性、復(fù)雜性及其采集的困難性。由于人體器官位置的特殊性，醫(yī)學(xué)

5、圖像采集較為困難，圖形容易受到組織運(yùn)動(dòng)等問(wèn)題的影響，所采集的醫(yī)學(xué)圖像相交于普通圖像而言，噪聲較大。并且人體間存在個(gè)體差異，不同人體的組織和器官差異較大。因此，針對(duì)醫(yī)學(xué)圖像對(duì)圖像分割技術(shù)進(jìn)行研究，顯得尤為重要。        2 醫(yī)學(xué)圖像分割算法         基于區(qū)域的分割方法        基于區(qū)域的分割方法要點(diǎn)在于利用區(qū)域內(nèi)像素的相似特性（紋理等）和連

6、續(xù)性以及區(qū)域間的不同特性進(jìn)行醫(yī)學(xué)圖像分割，可以分為閾值法、區(qū)域生長(zhǎng)和分裂合并法、分類(lèi)器和聚類(lèi)法等。        閾值分割法是最簡(jiǎn)單的一種圖像分割方法。它按照選取的閾值個(gè)數(shù)分為單閾值分割和多閾值分割法。該方法建立在不同目標(biāo)和背景在直方圖上對(duì)應(yīng)不同的峰值這個(gè)基礎(chǔ)上。其優(yōu)點(diǎn)是算法簡(jiǎn)單，對(duì)于灰度值相差大的物體分割效果好。其缺點(diǎn)是不適用于多通道圖像和灰度值相差較小的物體。所以該方法一般用于圖像預(yù)處理。        區(qū)域生長(zhǎng)和合并是按照一定的順

7、序一步一步串行進(jìn)行圖像分割的算法。該方法先選取一個(gè)生長(zhǎng)點(diǎn)，將該點(diǎn)附近的相似像素一步一步合并到生長(zhǎng)點(diǎn)所在的區(qū)域中。這種方法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，缺點(diǎn)是需要人工選擇生長(zhǎng)點(diǎn)。        分類(lèi)器和聚類(lèi)法是一種統(tǒng)計(jì)學(xué)習(xí)方法。分類(lèi)器法是對(duì)已知的訓(xùn)練樣本進(jìn)行監(jiān)督學(xué)習(xí)形成分類(lèi)器，再用該分類(lèi)器對(duì)檢測(cè)樣本進(jìn)行分類(lèi)。這種算法計(jì)算復(fù)雜度低并且可以運(yùn)用于多通道圖像的分割，但是其需要人工標(biāo)定的訓(xùn)練集，對(duì)人力需求比較大。聚類(lèi)法和分類(lèi)器法類(lèi)似，不同點(diǎn)在于聚類(lèi)法不需要人工標(biāo)定好的訓(xùn)練集，是一種無(wú)監(jiān)督學(xué)習(xí)算法。常見(jiàn)的聚類(lèi)法有k均值法、期望最大法（em

8、）。分層聚類(lèi)法等。聚類(lèi)法不需要人工參與，是一種自學(xué)習(xí)算法。但是需要為圖像分割提供初始參數(shù)并且未考慮圖像空間信息，對(duì)噪聲敏感。        基于區(qū)域的分割方法除了上述方法之外還有基于隨機(jī)場(chǎng)的分割方法、標(biāo)記法、基于最小描述長(zhǎng)度（mdl， minimum description length）法、混合分布法等一些統(tǒng)計(jì)學(xué)習(xí)方法。         基于邊緣檢測(cè)的分割方法      &#

9、160; 基于邊緣檢測(cè)的分割方法建立在區(qū)域邊緣的灰度值變化劇烈這一理論基礎(chǔ)上，通過(guò)檢測(cè)不同區(qū)域的邊緣來(lái)進(jìn)行區(qū)域分割，分為串行邊緣檢測(cè)和并行邊緣檢測(cè)兩大類(lèi)。常見(jiàn)的邊緣檢測(cè)分割法包括：并行微分算子法、基于曲面擬合的方法、基于邊界曲線(xiàn)擬合的方法等。        并行微分算子法首先對(duì)圖像濾波得到降噪圖像，然后通過(guò)求一階導(dǎo)數(shù)的極值點(diǎn)或者二階導(dǎo)數(shù)的零點(diǎn)來(lái)鎖定區(qū)域邊緣。該算法計(jì)算量相對(duì)較小，對(duì)邊緣信息敏感。         結(jié)合區(qū)域與邊界

10、技術(shù)的方法        由于基于區(qū)域的分割法具有過(guò)度分割等缺點(diǎn)，所以人們將區(qū)域分割法和邊緣檢測(cè)法相結(jié)合，研究出了結(jié)合區(qū)域與邊界技術(shù)的方法。該算法融合了區(qū)域分割法和邊緣檢測(cè)法的優(yōu)點(diǎn)，但是在缺乏先驗(yàn)知識(shí)的情況下，應(yīng)用效果較差。         基于模糊集理論的方法        基于模糊集理論的分割法是將模糊集理論引入圖像分割領(lǐng)域中，具有計(jì)算量小，操作簡(jiǎn)便等優(yōu)

11、點(diǎn)。該算法包括模糊熵閾值分割方法、模糊測(cè)度閾值分割方法等。其中模糊熵閾值分割方法在1983年由pal等人提出，用不同的s型隸屬函數(shù)來(lái)定義模糊目標(biāo)，選取有最小不確定性的s函數(shù)來(lái)幫助選取合適的閾值。該算法的缺點(diǎn)在于所選的s型隸屬函數(shù)和窗寬對(duì)閾值影響較大，并且對(duì)于噪聲污染較為嚴(yán)重的醫(yī)學(xué)圖像而言，分割效果不盡人意。隨后murthy、陳果、等人對(duì)該算法進(jìn)行了進(jìn)一步的優(yōu)化。模糊測(cè)度閾值分割則是根據(jù)像素隸屬于目標(biāo)和背景的程度或者各個(gè)像素對(duì)于背景的隸屬函數(shù)定義一種模糊測(cè)度，通過(guò)最小化模糊測(cè)度來(lái)進(jìn)行閾值分割。        模糊聚類(lèi)

12、方法中最為常見(jiàn)的是由bezdekdek提出的c均值算法（fcm）。該算法通過(guò)迭代計(jì)算樣本和聚類(lèi)中心的相似性函數(shù)，選取最小值作為最優(yōu)聚類(lèi)。其對(duì)初值的選擇具有魯棒性。但相似性函數(shù)可能存在多個(gè)局部最小值，使得優(yōu)化結(jié)果收斂到局部最小值而不是全局最小值。為此，mohamed等人對(duì)該算法進(jìn)行了優(yōu)化與改進(jìn)。         基于神經(jīng)網(wǎng)絡(luò)的方法        基于神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法是伴隨著人工智能的發(fā)展出現(xiàn)的一種較為新的圖像分割算法。該算法通過(guò)

13、模擬人腦神經(jīng)元網(wǎng)絡(luò)建立大量神經(jīng)節(jié)點(diǎn)，仿照人腦思維過(guò)程通過(guò)學(xué)習(xí)構(gòu)建神經(jīng)節(jié)點(diǎn)之間的連接以及權(quán)重來(lái)實(shí)現(xiàn)醫(yī)學(xué)圖像分割。該算法針對(duì)噪聲的魯棒性較好。但是需要大量的訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，這些樣本的獲取存在一定的困難，并且計(jì)算量較大。         其他方法        除了上述方法之外，針對(duì)醫(yī)學(xué)圖像分割還有其他方法，包括圖譜引導(dǎo)（atlas-guided）方法、數(shù)學(xué)形態(tài)學(xué)方法、尺度空間理論方法等。   &

14、#160;    3 總結(jié)與展望        本文介紹了醫(yī)學(xué)圖像分割技術(shù)的基本定義和應(yīng)用背景，從基于區(qū)域的分割方法、基于邊緣檢測(cè)的分割方法、結(jié)合區(qū)域與邊界技術(shù)的分割方法、基于模糊集理論的分割方法、基于神經(jīng)網(wǎng)絡(luò)的分割方法和其他方法等方面歸納總結(jié)了醫(yī)學(xué)圖像分割算法，詳細(xì)分析了各個(gè)算法的優(yōu)缺點(diǎn)。        目前，生物醫(yī)學(xué)工程和計(jì)算機(jī)視覺(jué)領(lǐng)域相結(jié)合，已經(jīng)成為一大研究熱點(diǎn)。并且隨著醫(yī)療技術(shù)的發(fā)展，人們

15、對(duì)醫(yī)學(xué)圖像分割技術(shù)的精密度等要求也日益變高。無(wú)數(shù)研究員們致力于研究更為先進(jìn)復(fù)雜的醫(yī)學(xué)圖像分割算法。醫(yī)學(xué)圖像分割的研究道路充滿(mǎn)了挑戰(zhàn)。        參考文獻(xiàn)        1田捷等，實(shí)用圖像處理技術(shù)，電子工業(yè)出版社，1994.        2田捷，羅希平，基于live-wire的交互式分割及其在醫(yī)學(xué)圖像中的應(yīng)用，中國(guó)學(xué)術(shù)期刊文摘，2000，        3王合.醫(yī)學(xué)圖像邊緣檢測(cè)l技術(shù)的研究m.上海交