醫(yī)學(xué)圖像分割

3.2醫(yī)學(xué)圖像的分割

謝耀欽

2003年11月25日

醫(yī)學(xué)圖像處理的主要研究方向

■圖像分割

■圖像配準(zhǔn)

■結(jié)構(gòu)分析

運(yùn)動(dòng)分析

醫(yī)學(xué)圖像分割的研究意義

■結(jié)構(gòu)分析

■運(yùn)動(dòng)分析

■三維可視化

■圖像引導(dǎo)手術(shù)

■腫瘤放射治療

■治療評(píng)估

以上研究都是假設(shè)已對(duì)圖像做了準(zhǔn)確分割的，或者說(shuō)都

是以圖像分割為基礎(chǔ)的。

醫(yī)學(xué)圖像分割是正常組織和病變組織的三維重建、定量

分析等后繼操作的基礎(chǔ)，也是臨床醫(yī)學(xué)應(yīng)用的瓶頸

分割的準(zhǔn)確性對(duì)醫(yī)生判斷疾病的真實(shí)情況并做出正確的

診斷計(jì)劃至關(guān)重要。

醫(yī)學(xué)圖像分割的難點(diǎn)

■醫(yī)學(xué)圖像的多樣性和復(fù)雜性

■醫(yī)學(xué)圖像存在一定的噪音

■圖像中目標(biāo)物體部分邊緣也有可能局部不清晰

圖像分割方法的兩大體系

■以計(jì)算機(jī)為單一執(zhí)行者的自動(dòng)分割方法

自動(dòng)分割方法的指導(dǎo)思想是追求完全由計(jì)算機(jī)

自主完成目標(biāo)的分割任務(wù)，而不需要人的參與。

但是，目前計(jì)算機(jī)自主分割的結(jié)果不能令人滿

意，準(zhǔn)確性不能滿足醫(yī)學(xué)圖像的應(yīng)用要求。

人機(jī)結(jié)合的交互式分割方法

對(duì)人機(jī)交互過(guò)于依賴又是實(shí)際應(yīng)用不能接受

的。

目前在自動(dòng)分割方法的研究繼續(xù)受到關(guān)注的同時(shí)，

對(duì)交互式分割方法的研究也成了醫(yī)學(xué)圖像分割的研

究重點(diǎn)。

■■■MB0■*MHBMHB.MHBOBB0■*fl

圖像分割的定義

■所謂圖像分割是指將圖像中具有特殊涵義的不同區(qū)

域區(qū)分開(kāi)來(lái)，這些區(qū)域是互相不交叉的，每一個(gè)區(qū)

域都滿足特定區(qū)域的一致性。

■從處理對(duì)象角度來(lái)講分割是在圖像矩陣中確定所關(guān)

心的目標(biāo)的定位。

顯然，只有用這種方法把“感興趣的目標(biāo)物體”從

復(fù)雜的景象中提取出來(lái)，才有可能進(jìn)一步對(duì)各個(gè)子

區(qū)域進(jìn)行定量分析或者識(shí)別，進(jìn)而對(duì)圖像進(jìn)行理

解。

圖像分割采用的特征

圖像灰度

顏色

紋理

局部統(tǒng)計(jì)特征

頻譜特征等

利用這些特征的差別可以區(qū)分圖像中不同目標(biāo)

物體。

既然我們只能利用圖像信息中某些部分特征分

割區(qū)域，因此各種方法必然帶有局限性和針對(duì)性，

只能針對(duì)各種實(shí)際應(yīng)用領(lǐng)域的需求來(lái)選擇合適的分

割方法。

分割問(wèn)題的分類

■從圖像分割的處理對(duì)象這一角度來(lái)看，可以將這一

問(wèn)題劃分為兩個(gè)基本類型的分割問(wèn)題

■面向整體區(qū)域的整體分割

?面向邊緣的部分分割

整體分割的定義

■將一幅圖像ga，y)進(jìn)行分割就是將圖像

按照一定準(zhǔn)則劃分為不同的不相關(guān)聯(lián)

的、非空的子區(qū)域gl、g2、g3

N

UgAx，y)=g(x，y)__

?攵=1,即所有子區(qū)域組成了

整幅圖像。

?gk是連通的區(qū)域。

?g式xj)ng/(x,y)=。，即任意兩個(gè)子區(qū)域不

存在公共元素。

?區(qū)域心滿足一定的均勻性條件。均勻性一

般指同一區(qū)域內(nèi)的象素點(diǎn)之間的灰度值差異

較小或灰度值的變化較緩慢。

圖像分割方法的分類

■基于區(qū)域的方法：通常利用同一區(qū)域內(nèi)的均一性識(shí)別圖像中

的不同區(qū)域。

■邊緣分割方法：通常利用區(qū)域間不同性質(zhì)（如區(qū)域內(nèi)灰度不

連續(xù)性）劃分出各個(gè)區(qū)域之間的分界線，這類方法通常會(huì)導(dǎo)

致不完全的部分分割結(jié)果，比如分割結(jié)果中存在間斷現(xiàn)象或

者得到錯(cuò)誤的邊緣。

近年來(lái)，隨著統(tǒng)計(jì)學(xué)理論、模糊集理論、神經(jīng)網(wǎng)絡(luò)、形態(tài)學(xué)

理論、小波理論等在圖像分割中的應(yīng)用日漸廣泛，遺傳算

法、尺度空間、多分辨率方法、非線性擴(kuò)散方程等近期涌現(xiàn)

的新方法和新思想也不斷被用于解決分割問(wèn)題，國(guó)內(nèi)外學(xué)者

提出了不少有針對(duì)性的圖像分割方法。

基于區(qū)域的分割方法

■閾值分割

■區(qū)域生長(zhǎng)和分裂合并

■分類器和聚類

基于隨機(jī)場(chǎng)的方法

基于統(tǒng)計(jì)學(xué)的方法

閾值分割

閾值分割是最常見(jiàn)的并行的直接檢測(cè)區(qū)域

的分割方法。

如果只用選取一個(gè)閾值稱為單閾值分割，

它將圖像分為目標(biāo)和背景兩大類。

如果用多個(gè)閾值分割稱為多閾值方法，圖

像將被分割為多個(gè)目標(biāo)區(qū)域和背景，為區(qū)

分目標(biāo)，還需要對(duì)各個(gè)區(qū)域進(jìn)行標(biāo)記。

閾值分割方法基于對(duì)灰度圖像的一種假

設(shè)：目標(biāo)或背景內(nèi)的相鄰象素間的灰度值

是相似的，但不同目標(biāo)或背景的象素在灰

度上有差異，反映在圖像直方圖上，不同

目標(biāo)和背景則對(duì)應(yīng)不同的峰。選取的閾值

應(yīng)位于兩個(gè)峰之間的谷，從而將各個(gè)峰分

開(kāi)。

多閾值分割實(shí)例

頭部CT切片，灰度直方圖及初始閾值

多閾值分割實(shí)例

頭部CT切片的CT值

范圍為從0到4095,

我們?nèi)∑浠叶燃?jí)為

4096o用多閾值方

法把該圖分成四個(gè)背景(background)表皮(epidermis)

部分：背景，表

皮，其它軟組織和

骨骼的結(jié)果。算出

4095

的三個(gè)閾值為175,

977,1502o軟組織(softtissue)骨骼(bone)

用多閾值方法把該圖分成四個(gè)部分的結(jié)果

閾值分割的優(yōu)點(diǎn)

■簡(jiǎn)單

對(duì)于不同類的物體灰度值或其他特征值相差很大

時(shí)，它能很有效的對(duì)圖像進(jìn)行分割。

閾值分割通常作為預(yù)處理，在其后應(yīng)用其他一系列

分割方法進(jìn)行處理，它常被用于CT圖像中皮膚、骨

骼的分割。

閾值分割的缺點(diǎn)

■不適用于多通道圖像和特征值相差不大的圖像，對(duì)于圖像中

不存在明顯的灰度差異或各物體的灰度值范圍有較大重疊的

圖像分割問(wèn)題難以得到準(zhǔn)確的結(jié)果。

■它僅僅考慮了圖像的灰度信息而不考慮圖像的空間信息，閾

值分割對(duì)噪聲和灰度不均勻很敏感。

針對(duì)閾值分割方法的缺點(diǎn)，不少學(xué)者提出了許多改進(jìn)方法。

在噪聲圖像的分割中，一些閾值分割方法還利用了一些象素

鄰域的局部信息，如基于過(guò)渡區(qū)的方法，還有利用像素點(diǎn)空

間位置信息的變化閾值法，結(jié)合局部灰度和連通信息的閾值

方法。

閾值分割的難點(diǎn)解決

■對(duì)于單一閾值的選取問(wèn)題，其解決方法較為簡(jiǎn)單，

但是對(duì)于多目標(biāo)的圖像來(lái)講，如何選取合適的閾值

實(shí)在是基于閾值分割方法的困難所在。

■在近年來(lái)的自動(dòng)選取閾值方法中，基于最大炳原則

選擇閾值是最重要的方法之一。

■■

區(qū)域生長(zhǎng)和分裂合并

■區(qū)域生長(zhǎng)的基本思想是將具有相似性質(zhì)

的像素集中起來(lái)構(gòu)成區(qū)域。

■該方法需要先選取一個(gè)種子點(diǎn)，然后依

次將種子像素周圍的相似像素合并到種

子像素所在的區(qū)域中。

區(qū)域生長(zhǎng)算法的研究重點(diǎn)：

?特征度量和區(qū)域增長(zhǎng)規(guī)則的設(shè)計(jì)；

-算法的高效性和準(zhǔn)確性。

區(qū)域生長(zhǎng)算法的優(yōu)點(diǎn)

計(jì)算簡(jiǎn)單

■特別適用于分割小的結(jié)構(gòu)如腫瘤和傷疤。

■區(qū)域生長(zhǎng)也很少單獨(dú)使用，往往是與其他分割方法

一起使用。

區(qū)域生長(zhǎng)的缺點(diǎn)

■需要人工交互以獲得種子點(diǎn)，這樣使用者必須在每

個(gè)需要抽取出的區(qū)域中植入一個(gè)種子點(diǎn)。

■對(duì)噪聲敏感，導(dǎo)致抽取出的區(qū)域有空洞或者在局部

體效應(yīng)的情況下將原本分開(kāi)的區(qū)域連接起來(lái)。

為了解決這些缺點(diǎn)，JFMangin等提出了一種同倫

的(homotopic)區(qū)域生長(zhǎng)方法，以保證初始區(qū)域和

最終抽取出的區(qū)域的拓?fù)浣Y(jié)構(gòu)相同。另外，模糊連

接度理論與區(qū)域生長(zhǎng)相結(jié)合也是一個(gè)發(fā)展方向。

區(qū)域分裂和合并

■在區(qū)域合并方法中，輸入圖像往往先被分為多個(gè)相似的區(qū)

域，然后類似的相鄰區(qū)域根據(jù)某種判斷準(zhǔn)則迭代地進(jìn)行合

并。

■在區(qū)域分裂技術(shù)中，整個(gè)圖像先被看成一個(gè)區(qū)域，然后區(qū)域

不斷被分裂為四個(gè)矩形區(qū)域，直到每個(gè)區(qū)域內(nèi)部都是相似

的。

在區(qū)域的分裂合并方法中，先從整幅圖像進(jìn)行分裂，然后將

相鄰的區(qū)域進(jìn)行合并。

分裂合并方法不需要預(yù)先指定種子點(diǎn)，它的研究重點(diǎn)是分裂

和合并規(guī)則的設(shè)計(jì)。但是，分裂可能會(huì)使分割區(qū)域的邊界被

破壞。

分類器和聚類

■分類的目的是利用已知的訓(xùn)

練樣本集在圖像的特征空間

找到點(diǎn)（1D）、曲線

（2D）、曲面（3D）或超

曲面（高維），實(shí)現(xiàn)對(duì)圖像

的劃分。

用分類器進(jìn)行分割是一種有

監(jiān)督的（supervised）統(tǒng)計(jì)

方法，它需要手工分割得到

的樣本集作為對(duì)新圖像進(jìn)行

自動(dòng)分類的參考。

分類器的分類

■非參數(shù)（nonparametric）分類器：它們對(duì)圖像數(shù)據(jù)

的統(tǒng)計(jì)結(jié)構(gòu)沒(méi)有要求。

■K近鄰（KNN）

?ParzenW（一種投票分類器）

參數(shù)分類器

?Bayes分類器，它假定圖像的密度函數(shù)符合高斯獨(dú)立分布。

分類器算法的特點(diǎn)

■優(yōu)點(diǎn)

?不需要迭代運(yùn)算，因此計(jì)算量相對(duì)較??；

?能應(yīng)用于多通道圖像。

■缺點(diǎn)

?沒(méi)有考慮空間信息，因此對(duì)灰度不均勻的圖像分割效果

不好。

聚類算法

■聚類算法與分類器算法極為類似，只是它不需要訓(xùn)

練樣本，因此聚類是一種無(wú)監(jiān)督的(unsupervised)統(tǒng)

計(jì)方法。

因?yàn)闆](méi)有訓(xùn)練樣本集，聚類算法迭代地進(jìn)行圖像分

類并提取各類的特征值。從某種意義上說(shuō)，聚類是

一種自我訓(xùn)練的分類。

聚類算法的分類

■K均值算法：先對(duì)當(dāng)前的每一類求均值，然后按新均值對(duì)像

素進(jìn)行重新分類（將像素歸入與均值最近的類），對(duì)新生成的

類再迭代執(zhí)行前面的步驟。

■模糊C均值算法：從模糊集合理論的角度對(duì)K均值算法進(jìn)行

了推廣。

EM算法：把圖像中每一個(gè)像素的灰度值看作是幾個(gè)概率分

布（一般用Gaussian分布）按一定比例的混合，通過(guò)優(yōu)化基

于最大后驗(yàn)概率的目標(biāo)函數(shù)來(lái)估計(jì)這幾個(gè)概率分布的參數(shù)和

它們之間的混合比例。

分層聚類方法：通過(guò)一系列連續(xù)合并和分裂完成，聚類過(guò)程

可以用一個(gè)類似樹(shù)的結(jié)構(gòu)來(lái)表示。

飛

聚類算法的特點(diǎn)

聚類算法不需要訓(xùn)練集，但是需要有一個(gè)初始分割

提供初始參數(shù)，初始參數(shù)對(duì)最終分類結(jié)果影響較

大。

聚類也沒(méi)有考慮空間關(guān)聯(lián)信息，因此也對(duì)噪聲和灰

度不均勻敏感。

基于隨機(jī)場(chǎng)的方法

■基于隨機(jī)場(chǎng)的方法是一類考慮空間像素點(diǎn)之間空間

關(guān)聯(lián)的純粹統(tǒng)計(jì)學(xué)方法

■基于馬爾科夫隨機(jī)場(chǎng)（MRF）方法

?基于吉布斯隨機(jī)場(chǎng)（GRF）的方法

統(tǒng)計(jì)學(xué)方法的實(shí)質(zhì)是從統(tǒng)計(jì)學(xué)的角度出發(fā)對(duì)數(shù)字圖

像進(jìn)行建模，把圖像中各個(gè)像素點(diǎn)的灰度值看作是

具有一定概率分布的隨機(jī)變量。

基于邊緣的分割方法

■串行邊緣檢測(cè)：當(dāng)前像素是否屬于欲檢測(cè)的邊緣取

決于先前像素的檢測(cè)結(jié)果；

■并行邊緣檢測(cè)：一個(gè)像素是否屬于檢測(cè)的邊緣只與

當(dāng)前像素及其相鄰像素有關(guān)，這樣可同時(shí)對(duì)圖像中

的所有像素進(jìn)行檢測(cè)，因而稱之為并行邊緣檢測(cè)技

術(shù)。

基于邊緣的分割方法

■并行微分算子

■基于曲面擬合的方法

■邊界曲線擬合法

串行邊界查找

并行微分算子

■并行微分算子用于檢測(cè)圖像中的灰度變化，通過(guò)求

一階導(dǎo)數(shù)極值點(diǎn)或二階導(dǎo)數(shù)過(guò)零點(diǎn)來(lái)檢測(cè)邊緣。

■一階導(dǎo)數(shù)算子

?梯度算子

?Roberts算子

?Sobel算子

?Prewitt算子

二階導(dǎo)數(shù)塞手

?Laplacian算子

?Kirsch算子

并行微分算子分割實(shí)例

CT原圖用sobel算子做邊緣檢測(cè)

基于曲面擬合的方法

■這種方法的基本思想是將灰度看成高度，用一個(gè)曲

面來(lái)擬合一個(gè)小窗口內(nèi)的數(shù)據(jù)，然后再在擬合的曲

面進(jìn)行邊緣檢測(cè)來(lái)決定邊緣點(diǎn)。

■由于擬合的曲面是滿足一定平滑性的有理曲面，因

而可以使圖像噪聲得到平滑。

邊界曲線擬合法

這種方法用平面曲線來(lái)表示不同區(qū)域之間的圖像邊

界線，試圖根據(jù)圖像梯度等信息找出能正確表示邊

界的曲線從而達(dá)到圖像分割的目的。

由于它直接給出的是邊界曲線而不象一般的方法找

出的是離散的、不相關(guān)的邊緣點(diǎn)，因而對(duì)圖像分割

的后繼處理如物體識(shí)別等高層次分析有很大的幫

助。

即使是用一般的方法找出的邊緣點(diǎn)，用曲線來(lái)描述

它們以便于高層次分析也是常被采用的一種有效方

法。

串行邊界查找

■串行邊界查找方法通常是查找高梯度值的像素，然

后將他們連接起來(lái)形成表示對(duì)象邊緣的曲線。

■串行邊界查找方法在很大程度上受起始點(diǎn)的影響，

以前像素的檢測(cè)結(jié)果對(duì)下一像素的判斷也有較大影

響。

由于檢測(cè)到的邊緣像素在實(shí)際圖像中通常不相鄰困

難，如何將他們連接起來(lái)也是一個(gè)問(wèn)題。

另一個(gè)問(wèn)題是噪聲的影響。由于梯度算子具有高通

特性，噪聲通常也是高頻的，因此可能造成一些錯(cuò)

誤邊緣像素的檢測(cè)。

串行邊界查找的應(yīng)用

■早在80年代初，串行邊界查

找方法就被用于檢測(cè)X射線

的心血管圖像以及肺部的邊

緣。

這些方法先從二維圖像中檢

測(cè)明顯的邊緣，然后進(jìn)行基

本的邊緣分組，用某種類型

的啟發(fā)式規(guī)則連接邊緣，使心臟圖像的邊緣檢測(cè)

得邊緣連續(xù)而平滑。

■最有代表性的串行邊緣檢測(cè)方法是將邊緣檢測(cè)的問(wèn)題轉(zhuǎn)化為

圖論中尋求最小代價(jià)路徑的問(wèn)題。

?一種是貪婪法，即通過(guò)在圖中進(jìn)行全局搜索尋找對(duì)應(yīng)最小代價(jià)的路

徑，這種方法的計(jì)算量太大；

?另外一種是動(dòng)態(tài)規(guī)劃的優(yōu)化方法，為加快運(yùn)算速度只求次優(yōu)解。

?在此方法的基礎(chǔ)上，為解決一些實(shí)際問(wèn)題（如醫(yī)學(xué)圖像的分割），A.

X.Falcao等人在檢測(cè)過(guò)程中引入了人的交互作用和判斷力，提出了

livewire分割算法［48］。

該算法能為用戶提供對(duì)分割過(guò)程的有效控制，使用戶能在必要的

時(shí)候方便地干預(yù)及影響分割的過(guò)程，從而保證分割的準(zhǔn)確性。

另外，它還盡可能減少用戶必須干預(yù)的次數(shù)和每次干預(yù)的時(shí)間，

既發(fā)揮人的判斷力，又充分利用了計(jì)算機(jī)的運(yùn)算性能，從而使分

割方法具有實(shí)用性。

其它方法

■結(jié)合區(qū)域與邊界信息的方法

■基于形變模型的方法

■圖譜引導(dǎo)方法

基于模糊集理論的方法

基于神經(jīng)網(wǎng)絡(luò)的方法

基于數(shù)學(xué)形態(tài)學(xué)的方法

結(jié)合區(qū)域與邊界信息的方法

■基于區(qū)域的分割方法往往會(huì)造成過(guò)度分割，即將圖

像分割成過(guò)多的區(qū)域。

如果在基于區(qū)域的框架中沒(méi)有在決策階段包括邊界

的措施，可能導(dǎo)致噪聲邊界和對(duì)象內(nèi)部出現(xiàn)空洞。

人們往往將基于區(qū)域信息的方法與邊緣檢測(cè)的方法

結(jié)合起來(lái)，但是采用什么方式結(jié)合，怎樣結(jié)合才能

充分發(fā)揮各自的優(yōu)勢(shì)，獲得好的分割結(jié)果是研究的

重點(diǎn)。

基于形變模型的方法

■基于形變模型的方法綜合利用了區(qū)域與邊界信息，是目前研

究最多、應(yīng)用最廣的分割方法，可以宣稱是過(guò)去幾年計(jì)算機(jī)

視覺(jué)領(lǐng)域的成功關(guān)鍵。

■在基于模型的技術(shù)中，形變模型提供了一種高效的圖像分析

方法，它結(jié)合了幾何學(xué)、物理學(xué)和近似理論。

該類方法通過(guò)使用從圖像數(shù)據(jù)獲得的約束信息（自底向上）

和目標(biāo)的位置、大小和形狀等先驗(yàn)知識(shí)（自頂向下），可有

效地對(duì)目標(biāo)進(jìn)行分割、匹配和跟蹤分析。

從物理學(xué)角度，可將形變模型看成是一個(gè)在施加外力和內(nèi)部

約束條件下自然反應(yīng)的彈性物體。

■形變模型包括二維形變輪廓(deformablecontour)模型

(又稱snake或activecontour),三維形變曲面

(deformablesurface)模型，還有一些利用形狀先

驗(yàn)知識(shí)和使用點(diǎn)集合(pointsets)先驗(yàn)知識(shí)的改進(jìn)

模型。

形變曲面模型是活動(dòng)輪廓在三維空間的推廣形式。

三維形變曲面模型可以更高效、更快地利用三維數(shù)

據(jù)，而且更少地需要用戶交互或指導(dǎo)。

形變模型的分類

參數(shù)形變模型

使模型在外能和內(nèi)能的的作用下向物體邊緣靠近。外力

推動(dòng)輪廓曲線（曲面）運(yùn)動(dòng)，而內(nèi)力保持輪廓的光滑性。

這些方法基于某種形式的目標(biāo)函數(shù)的優(yōu)化，目標(biāo)函數(shù)最

基本的形式就是在某種基于圖像的能量項(xiàng)和另一個(gè)與內(nèi)部能

量或形狀模型相關(guān)項(xiàng)之和。

幾何形變模型：

利用曲線演化理論來(lái)實(shí)現(xiàn)。輪廓對(duì)應(yīng)為一個(gè)更高維曲面

的演化函數(shù)的零水平集，演化函數(shù)可用某種形式的偏微分方

程來(lái)表示，利用圖像信息（如邊緣）來(lái)控制曲面演化過(guò)程的

停止。

形變模型實(shí)例

心臟左心室的MR圖像勢(shì)能函數(shù)圖

形變模型的優(yōu)缺點(diǎn)

■形變模型的主要優(yōu)點(diǎn)：

?能夠直接產(chǎn)生閉合的曲線或曲面，

?并對(duì)噪聲和偽邊界有很強(qiáng)的魯棒性。

■缺點(diǎn)

-是它對(duì)初始邊界位置十分敏感，

?有時(shí)還要求人工選擇合適的參數(shù)。

基于模糊集理論的方法

醫(yī)學(xué)圖像通常具有模糊和不均勻特性，圖像中的區(qū)

域并非總能被明確地劃分。

設(shè)想從一幅圖像中提取目標(biāo)物體，如果目標(biāo)物體的

邊界本身就不清晰，怎么能準(zhǔn)確的定義目標(biāo)物體的

區(qū)域呢？

一種自然的方法就是用模糊性來(lái)描述圖像，對(duì)于一

個(gè)目標(biāo)物體，用0到1之間的一個(gè)隸屬度值來(lái)表示圖

像中像素隸屬于目標(biāo)物體的程度，

非模糊集合HardSet模糊集合FuzzySet

J—1用隸屬度值表示元素屬于集合

兒系屬于或不屬于集合

的程度

隸屬函數(shù)二值函數(shù)，取值0或10＜函數(shù)值＜1

_____________________________________.一

基于模糊理論的圖像分割方法

■模糊閾值分割方法

■模糊聚類分割方法

■模糊連接度分割方法

模糊閾值技術(shù)

■模糊閾值技術(shù)利用不同的S型隸屬函數(shù)來(lái)定義模糊

目標(biāo)，通過(guò)優(yōu)化過(guò)程最后選擇一個(gè)具有最小不確定

性的S函數(shù)，用該函數(shù)增強(qiáng)目標(biāo)以及屬于該目標(biāo)象

素之間的關(guān)系。

這樣得到的S型函數(shù)的交叉點(diǎn)為閾值分割需要的閾

值。

這種方法的困難在于隸屬函數(shù)的選擇。

■模糊C均值聚類(FCM)方法通過(guò)優(yōu)化表示圖像象素點(diǎn)

與各個(gè)類中心之間的相似性的目標(biāo)函數(shù)來(lái)獲得局部

極大值，從而得到最優(yōu)聚類。這種方法計(jì)算量大，

不具備實(shí)時(shí)性，另外算法中的一些重要參數(shù)，如加

權(quán)指數(shù)、類別數(shù)等的最優(yōu)取定方法尚無(wú)理論指導(dǎo)。

J.Udupa提出了模糊連接度的概念刻劃目標(biāo)對(duì)象，

他認(rèn)為目標(biāo)是以某種凝聚力凝聚在一起而形成物體

的，他們提出的方法在醫(yī)學(xué)圖像的分割問(wèn)題中得到

了較好的結(jié)果。

基于模糊連接的圖像分割示例

■(a)為大腦的T2加權(quán)MR圖像，分辨率為256X256X16位，

種子點(diǎn)的位置如圖中箭頭所示，目標(biāo)物體為圖像中間的腦

室；(b)選擇低閾值的分割結(jié)果(x=0.33)；(c)選擇高

閾值的分割結(jié)果(x=0.74)；(d)選擇合適閾值的分割結(jié)果

(x=0.54)o

基于神經(jīng)網(wǎng)絡(luò)的方法

■在八十年代后期，在圖像處理、模式識(shí)別和計(jì)算機(jī)視覺(jué)的主

流領(lǐng)域，受到人工智能發(fā)展的影響，出現(xiàn)了將更高層次的推

理機(jī)制用于識(shí)別系統(tǒng)的做法。這種思路也開(kāi)始影響圖像分割

方法，在解決具體的醫(yī)學(xué)問(wèn)題時(shí)，出現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)模型

(ANN)的方法。

神經(jīng)網(wǎng)絡(luò)

■神經(jīng)網(wǎng)絡(luò)模擬生物特別是人類大腦的學(xué)習(xí)過(guò)程，它

由大量并行的節(jié)點(diǎn)構(gòu)成。每個(gè)節(jié)點(diǎn)都能執(zhí)行一些基

本的計(jì)算。

■學(xué)習(xí)過(guò)程通過(guò)調(diào)整節(jié)點(diǎn)間的連接關(guān)系以及連接的權(quán)

值來(lái)實(shí)現(xiàn)。

神經(jīng)網(wǎng)絡(luò)技術(shù)的產(chǎn)生背景也許是為了滿足對(duì)噪聲的

魯棒性以及實(shí)時(shí)輸出要求的應(yīng)用場(chǎng)合而提出的。

基于數(shù)學(xué)形態(tài)學(xué)的方法

■數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用近年來(lái)日漸受到重視，更多

的系統(tǒng)都采用形態(tài)學(xué)算子來(lái)對(duì)圖像進(jìn)行預(yù)處理或后處理。

■形態(tài)學(xué)圖像處理以在圖像中移動(dòng)一個(gè)結(jié)構(gòu)元素并進(jìn)行卷積的

方式進(jìn)行，結(jié)構(gòu)元素可以具有任意大小。

■基本的形態(tài)學(xué)操作是腐蝕和膨脹，他們的一些基本運(yùn)算相互

結(jié)合可以產(chǎn)生復(fù)雜的效果，而且他們適合于用相應(yīng)的硬件構(gòu)

造查找表實(shí)現(xiàn)。

分水嶺方法(watershed)

■它將梯度幅值圖像看成一幅地形圖，而

梯度幅值對(duì)應(yīng)海拔高度，圖像中不同梯

度值的區(qū)域就對(duì)應(yīng)于山峰和山谷間盆

地。

■設(shè)想在各個(gè)局部極小值點(diǎn)的位置打一個(gè)

洞，然后將地形圖逐漸浸入一個(gè)湖中，

全局極小值點(diǎn)的盆地先進(jìn)水。

水位逐漸升高漫過(guò)盆地，當(dāng)相鄰兩個(gè)盆

地的水即將合并時(shí)，這時(shí)在兩個(gè)盆地間

建壩攔截。

此過(guò)程將圖像劃分為許多個(gè)山谷盆地，

分水嶺就是分隔這些盆地的堤壩。

用watershed方法的實(shí)例

醫(yī)學(xué)圖像分割的應(yīng)用

■組織容積的定量分析

■計(jì)算機(jī)輔助診斷

■病變組織的定位

解剖結(jié)構(gòu)的研究

治療規(guī)劃

功能成像數(shù)據(jù)的局部體效應(yīng)校正

計(jì)算機(jī)引導(dǎo)手術(shù)

算法研究的特點(diǎn)

■由于諸如噪音、場(chǎng)偏移效應(yīng)、局部體效應(yīng)等的影

響，獲取的醫(yī)學(xué)圖像不可避免的具有模糊、不均勻

性等特點(diǎn)。

■人體的解剖組織結(jié)構(gòu)和形狀復(fù)雜，而且人與人之間

有相當(dāng)大的差別。

分割算法的四個(gè)特點(diǎn)。

多種分割算法的整合

■現(xiàn)有的任何一種單獨(dú)的圖像分割算法都難以對(duì)一般

圖像取得令人滿意的分割結(jié)果。

■在繼續(xù)致力于將新的概念，新的方法引入圖像分割

領(lǐng)域的同時(shí)，更加重視多種分割算法的有效結(jié)合。

采取什么樣的結(jié)合方式才能充分利用各種方法的優(yōu)

點(diǎn)，取得好的效果成為人們關(guān)注和研究的問(wèn)題。

醫(yī)學(xué)信息的融合

■醫(yī)學(xué)圖像的分割需要利用醫(yī)學(xué)中的大量領(lǐng)域知識(shí)，如心室的

大致形狀，顱內(nèi)白質(zhì)和灰質(zhì)的含量和相對(duì)位置關(guān)系等等。

?圖像中不同對(duì)象的灰度分布情況

?不同影像設(shè)備的成像特點(diǎn)

?對(duì)象的形狀特征即解剖知識(shí)

?不同對(duì)象間的空間幾何關(guān)系

根據(jù)知識(shí)的不同表示方式，通常將基于知識(shí)的分割方法分為

基于規(guī)則的方法和基于模型的方法。

各種成像技術(shù)都有其優(yōu)勢(shì)與不足，同一成像技術(shù)（如MRI）

采用不同的掃描參數(shù)則可突出不同的組織特性

在醫(yī)學(xué)圖像的分割中，或以將同一對(duì)象的多種影像數(shù)據(jù)融合

起來(lái)加以利用，以提高黃法的準(zhǔn)確性。

三維分割

■隨著三維可視化技術(shù)的發(fā)展，醫(yī)學(xué)圖像分割的三維

分割受到更多關(guān)注。

這是因?yàn)獒t(yī)學(xué)圖像中直接給出了以二維切片形式組

織的三維數(shù)據(jù)，這就為三維分割提供了可能。

有兩種三維分割方式：

?一種是直接在三維數(shù)據(jù)空間中分割，提取出感興趣對(duì)象

包含的體素；

?另一種是對(duì)每張二維切片獨(dú)立進(jìn)行分割，再將每張切片

中提取的輪廓組合起來(lái)用于三維重建。

交互式分割

■醫(yī)學(xué)圖像分割面向具體的臨床應(yīng)用，分割算法的準(zhǔn)

確性將影響診斷結(jié)果和治療方案，因此算法的準(zhǔn)確

性尤其重要。

■圖像分割一直是一個(gè)經(jīng)典難題，目前的自動(dòng)分割方

法雖然在一些方面取得了一定的成功，但還遠(yuǎn)遠(yuǎn)不

能滿足醫(yī)學(xué)圖像處理的實(shí)踐中對(duì)分割結(jié)果準(zhǔn)確性的

要求。

因而，近年來(lái)由用戶參與控制、引導(dǎo)的交互式分割

方法在醫(yī)學(xué)圖像分割中正受到越來(lái)越多的關(guān)注。

fnif

交互式分割

■交互式分割方法的研究中有兩個(gè)基本的目標(biāo)：

?能為用戶提供對(duì)分割過(guò)程的有效控制，使用戶能在必要

的時(shí)候方便地干預(yù)及影響分割的過(guò)程，從而保證分割的

準(zhǔn)確性。

?使用戶必須干預(yù)的次數(shù)和每次干預(yù)的時(shí)間盡可能少，既

要發(fā)揮人的判斷力，又要充分利用計(jì)算機(jī)的運(yùn)算性能，

從而使分割方法具有實(shí)用性。

交互式分割

■交互式圖像分割方法主要包括：

■手工分割

■基于種子點(diǎn)的區(qū)域分割方法

?交互式邊緣檢測(cè)和形變模型方法

由于醫(yī)學(xué)圖像的數(shù)據(jù)量通常較大，手工分割的任務(wù)

量相當(dāng)繁重，而且分割結(jié)果與操作者的經(jīng)驗(yàn)很有關(guān)

系，結(jié)果不具有可重用性，其應(yīng)用受到一定的限

制。

CT圖像的分割特點(diǎn)

■CT圖像在骨骼的顯示上取得了優(yōu)于其他任何設(shè)備的

效果。

■然而受到一些技術(shù)上、原理上的限制，目前的CT圖

像對(duì)軟組織顯示的能力遠(yuǎn)不如MRI。

CT圖像的常用分割方法

任務(wù)常用分割方法備注

閾值法，區(qū)域生長(zhǎng)，MRF,形分割結(jié)果常用于三維

骨骼的分割

變模型，模糊區(qū)域生長(zhǎng)重建

統(tǒng)計(jì)聚類，區(qū)域生長(zhǎng)與

watershed算法結(jié)合，區(qū)例如用于支氣管樹(shù)狀

胸部掃描圖像分割

域生長(zhǎng)與模糊邏輯結(jié)合，結(jié)構(gòu)的三維重建

形變模型

肺的分割模型擬合，形變模型

腹部動(dòng)脈瘤、胃部、

形變模型

心臟的分割

MR圖像的分割特點(diǎn)

■MR圖像能夠提供高分辨率數(shù)據(jù)。

■具有軟組織對(duì)比度高和信噪比高的優(yōu)點(diǎn)。

■不同參數(shù)特征的多通道MR圖像為區(qū)分不同結(jié)構(gòu)提供了額外

信息。

■直翠向像的分割，尤其是腦圖像的分割，大多數(shù)是針對(duì)MR

圖像O

T1加最像能夠在不增加獲取時(shí)間條件下提供更高分辨率數(shù)

據(jù)，并保持軟組織對(duì)比度高和低噪聲的特點(diǎn)。因此，通常選

用T1-加權(quán)程進(jìn)行分割。

由于MR圖像有強(qiáng)度不均勻現(xiàn)象和局部體效應(yīng)現(xiàn)象，需要進(jìn)

行額外的處理。強(qiáng)度不均勻現(xiàn)象可以用濾波、為不均勻現(xiàn)象

建模來(lái)解決，局鄢體效應(yīng)可以用統(tǒng)計(jì)學(xué)方法、模糊集合理論

和統(tǒng)性濾波算法斛洪

MR圖像的常用分割方法

任務(wù)常用分割方法備注

通常在初始分割步驟中允許丟失一些由于相鄰腦部組織和非腦

腦部組織，然后用形態(tài)學(xué)濾波部組織強(qiáng)度值重疊，

提取腦室

器、形變模型或圖譜引導(dǎo)方法找使腦室提取比較困

到組織。難。

使用T1加權(quán)或多譜數(shù)據(jù)

分類器方法，聚類方法，神經(jīng)網(wǎng)絡(luò)方

分割腦灰質(zhì)、白質(zhì)和

法和MRF。

腦脊髓液

駢肌體，皮層下腦部結(jié)構(gòu)，海馬狀突

起：形變模型，圖譜引導(dǎo)方法

分割特定的腦部組織腫瘤和損傷：神經(jīng)網(wǎng)絡(luò)，圖譜引導(dǎo)方

法，線性濾波，模糊區(qū)域生長(zhǎng)和

形變模型

心臟圖像分割區(qū)域生長(zhǎng)，閾值法，形變模型如描繪出心臟左心室