醫(yī)學圖像分割進展

李強

紹興第二醫(yī)院 設備科,浙江 紹興312000

醫(yī)學圖像分割進展

李強

紹興第二醫(yī)院 設備科,浙江 紹興312000

圖像分割是解決醫(yī)學圖像在臨床上廣泛應用的關鍵性問題。本文簡述了醫(yī)學圖像分割技術的進展，綜述醫(yī)學圖像分割技術、發(fā)展趨勢，展望了醫(yī)學圖像分割的前景和面臨的挑戰(zhàn)。

醫(yī)學影像處理；醫(yī)學圖像分割

0 前言

信息技術的飛速發(fā)展和計算機應用水平的不斷提高，促使了醫(yī)學成像技術的突飛猛進，人們能夠獲得大量高分辨率的醫(yī)學圖像，如：計算機斷層成像（Computed Tomography,CT）、核磁共振成像（Magnetic Resonance Imaging，MRI）、超聲成像（Ultrasonography,US）等技術已經廣泛應用于醫(yī)療診斷、術前計劃、治療、術后監(jiān)測等各個環(huán)節(jié)，如何把這些成像技術中獲得的各種定量、定性數(shù)據(jù)進行分析，是至關重要的問題。只有把感興趣的目標從圖像背景中提取出來，才能夠進一步對它們進行定量分析或識別，進而對圖像進行理解。目前，醫(yī)學圖像分割主要以各種細胞、組織和器官的圖像作為處理的對象或內容。圖像分割是根據(jù)某種均勻性或一致性原則將圖像分成若干個有意義的部分，使得每一部分都符合某種一致性的要求[1]。

1 醫(yī)學圖像分割技術的發(fā)展

醫(yī)學圖像分割技術的發(fā)展是一個從人工分割到半自動分割再到自動分割逐步發(fā)展的過程。人工分割是指由經驗豐富的臨床醫(yī)生在原始膠片圖像上直接勾畫出有關組織的邊界，或者通過圖像編輯器用鼠標在計算機監(jiān)視器上勾畫出有關組織的邊界成感興趣的區(qū)域[2]。目前，人工分割的精度在所有分割方法中是最高的，被視為金標準。雖然人工分割的精度極高，但該方法費時、費力，其分割結果的優(yōu)劣完全取決于操作者的經驗知識，且分割結果難以重現(xiàn)。半自動分割方法是隨著計算機科學的發(fā)展而產生的，它是把計算機強大的數(shù)據(jù)處理、存貯和記憶能力與人的知識和經驗有機地結合起來，通過人機交互的形式完成圖像分割的全過程。半自動方法與人工分割相比，分割速度明顯提高，但分割結果很大程度上仍然依賴于操作者的經驗知識，這種情況在一定程度上影響了半自動分割技術在臨床上的推廣應用。自動分割是由計算機完成圖像分割的全過程，完全脫離了人為干涉。由于該方法不存在人為因素的影響，因此能夠很好地再現(xiàn)分割結果，為精確定量測量奠定了基礎。但自動分割算法復雜，運算量較大，在有些情況下，仍然需要人工干預。因此，研究新的自動分割方法一直是近年來圖像分割方法研究的重點。從目前圖像分割技術的發(fā)展趨勢來看，新分割方法的研究大多以下列幾個方向為其目標：① 自動，以最少的人機交互完成分割的全過程；② 精確，以最優(yōu)化的結果與解剖結構接近；③快速，以實時處理為最終目標；④ 自適應性，對于不同的應用可以自我學習，自我適應；⑤ 魯棒性，對噪聲、模糊等干擾具有較強的免疫力。

2 醫(yī)學圖像分割方法

醫(yī)學圖像分割是正常組織和病變組織的三維重建、定量分析等后續(xù)操作的基礎，也是臨床醫(yī)學應用的瓶頸，分割的準確性對醫(yī)生判斷疾病的真實情況并做出正確的診斷計劃至關重要。由于醫(yī)學圖像具有極為繁雜的多樣性和復雜性，加上目前醫(yī)學影像設備（CT、MRI、PET等）成像技術上的特點，使得醫(yī)學圖像存在一定的噪聲，圖像中目標物體邊緣也可能不清楚，這使得醫(yī)學圖像分割更加困難。因此，目前在醫(yī)學圖像分割方面仍然沒有可以通用的理論和方法。一般來說，圖像分割主要可分為基于區(qū)域的分割方法和基于邊界的分割方法[3]。基于區(qū)域的分割方法，依賴于圖像的空間局部特征，如：灰度、紋理及其它像素統(tǒng)計特性的均勻性等。基于邊界的分割方法主要是利用梯度信息確定目標的邊界，這種方法不依賴于已處理像素的結果，適于并行化，缺點是對噪聲敏感，而且當邊緣像素值變化不明顯時，容易產生假邊界或不連續(xù)的邊界，在實際應用中往往需要把這兩種方法結合起來。

2.1 基于區(qū)域的分割方法

2.1.1 區(qū)域生長法[4]

區(qū)域生長法是將具有相似性質的像素集中起來構成區(qū)域，該方法需要先選取一個種子點，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)域生長法的優(yōu)點是計算簡單，特別適用于描繪腫瘤和傷口等小而簡單的結構，區(qū)域生長很少單獨使用，往往與其他分割方法一起并用。區(qū)域生長法的缺點是：它需要人工交互以獲得種子點，這樣，使用者必須在每個需要抽取的區(qū)域中植入一個種子點。同時，區(qū)域生長法對噪聲也敏感，導致抽取的區(qū)域有空洞，或者在局部體效應的情況下將原本分開的區(qū)域連接起來。為了克服這些缺點，陸劍鋒[5]提出了一種通過計算種子點附近領域統(tǒng)計信息，自適應改變生長標準參數(shù)用于頭骨CT、肝臟CT以及人腦MRI圖像的分割算法，在切片圖像預處理進程中，考慮到體數(shù)據(jù)相鄰切片之間高度的相關性，在相鄰層之間采取高斯核濾波去除噪聲，并通過各向異性濾波算法對濾層切片進行濾波，結果表明，該算法可有效地提取出圖像區(qū)域，具有較好的魯棒性。

2.1.2 基于統(tǒng)計學的方法[6,7]

隨機場的方法是空間像素點之間空間關聯(lián)的統(tǒng)計學方法，如基于馬爾科夫隨機場（MRF）方法。統(tǒng)計學方法的實質是從統(tǒng)計學的角度出發(fā)對數(shù)字圖像進行建模，把圖像中各個像素點的灰度值看作具有一定概率分布的隨機變量。MRF模型應用的難點在于選取合適的參數(shù)，控制空間相關性的強度，強度過強將導致分割圖像邊緣過度平滑，從而丟失一些重要的解剖細節(jié)信息。另外，應用MRF模型的算法計算量很大。盡管有這些缺點，MRF還是一種應用廣泛的模型。MRF模型常被用于估計和校正核磁圖像中的局部體效應和強度不均勻現(xiàn)象。另一種常用的基于統(tǒng)計學的方法為標記法（Labeling），此方法就是將圖像分割成的幾個物體各以一個不同的標號來表示，對圖像中的每一個像素，用一定的方式賦予其中一個標號，標號相同的像素就組成該標號所代表的物體。Weian Deng[8]等人給出了一種以概率標記法作為邊緣檢測后處理的迭代算法。2.1.3 人工神經網絡法[9]

人工神經網絡（ANN）是一種大規(guī)模并行連續(xù)處理系統(tǒng)。ANN具有模擬人類信號處理能力并且非常擅長解決模式識別領域中的模式分類問題，而醫(yī)學圖像分割問題正是對圖像中的各個解剖結構進行分類和標記的問題。ANN的主要特點有：具有通過實例學習的能力，并能利用前饋網絡概括所學內容；對于隨機噪聲有很強的魯棒性，具有容錯的能力和最優(yōu)搜索能力。因此，當利用其它方法進行圖像分割時，對于噪聲、組織不均勻性、生物形態(tài)的多變性等問題，利用ANN技術可以得到很好的解決。但是，使用神經網絡法時，因為網絡中有許多相互連接，所以空間信息就能很容易地包含在分類過程中。此分割方法分為兩種：有標準圖像樣本集和無標準樣本集分割。有標準樣本集的分割方法是首先對標準樣本進行訓練，得到神經網絡分類器，待分割圖像時根據(jù)分類器進行分類，沒有標準標本集的分割方法是對像素特征設計一個非線性聚類器，目前這種分割方法主要集中對神經網絡的改進上。

2.2 基于邊緣的分割方法

2.2.1 基于形變模型的方法[10]

此類方法目前在醫(yī)學圖像分割中應用最廣,它的特點是將圖像數(shù)據(jù)、初始輪廓、目標輪廓和基于知識的約束統(tǒng)一于特征提取的進程中。形變模型包括二維形變輪廓模型（又稱Snake）和三維形變曲面模型，還有一些利用形狀先驗知識和使用點集合先驗知識的改進模型。形變曲面模型是活動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、更快捷地利用三維數(shù)據(jù)，而且更少地需要用戶交互或指導。形變模型分為兩大類：參數(shù)形變模型和幾何形變模型。基于參數(shù)形變模型分割過程就是使模型在外能和內能作用下向物體邊緣靠近，外力推動輪廓曲線運動，而內力保持輪廓的光滑性。幾何形變模型方法利用曲線演化理論來實現(xiàn)。輪廓對應于一個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表示，利用圖像信息（如邊緣）來控制曲面演化過程的停止。形變模型的主要優(yōu)點是能夠直接產生閉合曲線或曲面，并對噪聲和偽邊界有很強的魯棒性；缺點是：它對初始邊界位置十分敏感，有時要求人工選擇合適的參數(shù)。

2.2.2 基于數(shù)學形態(tài)學的方法[11,12]

隨著數(shù)學形態(tài)學理論的不斷完善和發(fā)展，數(shù)學形態(tài)學在圖像邊緣檢測中得到廣泛的研究和應用。數(shù)學形態(tài)是一門新興科學，它建立在嚴格的數(shù)學理論基礎上，其基本思想和方法對圖像處理的理論和技術產生了重大影響，數(shù)學形態(tài)學已經構成一種新興的圖像處理方法和理論。形態(tài)學圖像處理以在圖像中移動一個結構元素并進行卷積的方式進行，結構元素可以任意大小。形態(tài)學的基本操作是膨脹、腐蝕、開閉運算，它們算法簡單，同時能較好地保持圖像的細節(jié)特征，很好地解決邊緣檢測精度與抗噪聲性能的協(xié)調問題，缺點是算法的適應性差。形態(tài)學理論在圖像分割中的應用有代表性的是Luc Vincent[13]等人提出的分水嶺方法（Watershed）[14]。該算法的思想來源于地理學。經過分水嶺方法處理后，將輸出原始圖像的過度分割圖（分割的區(qū)域數(shù)目超過圖像中包含的實際對象數(shù)），過度分割的區(qū)域數(shù)目取決于參數(shù)的大小。雖然這些方法已成功用于圖像分割，但它們需要用戶的交互或準確的關于圖像結構的先驗知識。為改進早期方法的這些問題，分水嶺算法往往與其他方法結合使用。

2.2.3 基于小波變換的方法[15]

近年來，在低頻和高頻分析時有“變焦”特征的小波變換在醫(yī)學圖像分割中，得到廣泛應用。用小波進行醫(yī)學圖像閾值分割的思想是利用二進制小波變換將圖像直方圖分解為不同層次的小波系數(shù)，依照給定的分割準則和小波系數(shù)選擇閾值門限，整個過程由粗到細，由尺度來控制。如果分割不理想，則可利用直方圖在精細的子空間上的小波系數(shù)逐步細化圖像分割；用小波進行邊緣檢測，則是利用小波系數(shù)模的極大值。文獻[16]提出了一種小波多尺度幾何活動的曲線模型，就是小波邊緣檢測的方法；采用間隔采樣的離散小波變換提取圖像特征，在矢量量化聚類的基礎上，通過增加馬爾可夫隨機場的限制條件，建立起小波空間內的分割統(tǒng)計模型。在小波最高層空間簡單設置初始聚類情況，經過優(yōu)化迭代過程以及相鄰空間內的分割結果的遺傳，使其逐層自適應地收斂到最佳聚類狀態(tài)。在多尺度分析下，圖像的類別信息和位置信息是一對矛盾，兩者之間存在不確定性[17]。因此，必須充分考慮各尺度之間的拓撲關系和對稱性，如此會大大提高分割算法的計算效率。

3 醫(yī)學圖像分割新技術

3.1 基于模糊技術分割[18]

模糊技術是建立在模糊集合理論基礎上的，能很好地處理三維醫(yī)學圖像內在的模糊性，而且對噪聲不敏感。由生物醫(yī)學成像設備獲取的圖像數(shù)據(jù)具有內在的不確定性，這種不確定性的程度依賴于許多因素，包括在空間、時間和參數(shù)分辨率方面的局限性以及成像設備的其它物理限制等。這些不確定性是模糊技術在圖像分割中得到廣泛應用的一個決定性的因素，因為模糊技術正是為了處理事物的不確定性而誕生的。

2003年，Hiew等人[19]提出了一種應用于對三維MR圖像進行分割的自適應空間FCM算法[20]。輸入的圖像可能由于噪聲和強度的不均勻而渾濁，該算法考慮了空間連續(xù)性的約束，采用相異索引(dissimilarity index)的方法，使獲得的局部空間連續(xù)性約束能夠減少噪聲的影響和分類的不明確性。與其它已公開的算法比較，該算法的有效性在廣義模糊試驗中用模擬和實際的MR圖像都得到了證實。

3.2 基于知識的分割[21,22]

基于知識的分割是所有圖像分割方法中最重要的方法之一。近年來隨著人工智能技術的發(fā)展，基于知識的分割方法也得到了廣泛地研究和應用。基于知識的分割方法主要包括兩個方面的內容：知識的獲取，即歸納及提取相關的知識，建立知識庫；知識的應用，即有效地利用知識實現(xiàn)圖像的自動分割。基于知識的分割，其知識來源主要有：① 臨床知識，即某種疾病的癥狀及它們所處的位置；② 解剖學知識，即某器官的解剖學和形態(tài)學信息，以及其幾何學與拓撲學的相互關系，這種知識通常是用圖譜來表示的；③ 成像知識，這類知識與成像方法及其具體的設備有關；④ 統(tǒng)計知識，例如MRI的質子密度(PD)、T1和T2統(tǒng)計數(shù)據(jù)，并把它們與解剖學的有關數(shù)據(jù)聯(lián)系起來。

2002年，Boscolo等人[23]提出了一種新穎的基于知識的分割方法。醫(yī)學圖像分割通常需要醫(yī)學專家對感興趣的解剖結構區(qū)域提供準確、持續(xù)的鑒定，而Boscolo等人的分割方法將基于知識的分割系統(tǒng)與一套熟練的主動輪廓模式(active contour mode1)[24]相結合，此方法利用一種高級過程的引導對不同的解剖結構進行粗略的分割，使用者無需提供初始輪廓放置，而由高級過程自動執(zhí)行必須的參數(shù)優(yōu)化。關于被分割的解剖結構的知識，則用一個叫做可能性密度函數(shù)根據(jù)統(tǒng)計學規(guī)律定義成位置、大小、圖像亮度等參數(shù)。目前，該方法正在進一步研究是否確實能夠提供持續(xù)的高級分割。

3.3 基于仿生模式識別的分割[25]

近年來出現(xiàn)的仿生模式識別方法，一經提出便受到了廣泛的關注，該方法以多維空間幾何分析理論為基礎，利用特征空間同類樣本的連續(xù)性規(guī)律，對一類事物的“認識”，實際上是對這類事物的全體在特征空間中形成的無窮點集合的“形狀”的分析和認識，再根據(jù)這種規(guī)律性建立起“多維空間中非超球復雜幾何形體覆蓋”，將簡單的點劃分轉換為點的覆蓋過程，從而從根本上改變傳統(tǒng)模式識別的弊端，將誤識率基本降為零，避免由于誤識而產生的嚴重后果。仿生模式識別已成功應用于多個領域并取得了一定的成果[26,27]，也為醫(yī)學圖像分割開辟了一個嶄新的研究方向。

吳海珍等人[28]提出一種基于仿生模式識別的醫(yī)學圖像分割算法，該算法以仿生模式識別為基礎，采取先覆蓋后分割的方法。以核磁共振(MRI)腦圖像分割為例，并與神經網絡方法、支持向量機方法進行了分割效果比較。實驗結果表明，該方法有效地提高了分割精度，改善了分割性能，具有更強的魯棒性和實用性。

4 醫(yī)學圖像分割方法評價

醫(yī)學圖像分割評價通過對圖像分割算法性能的研究達到優(yōu)化分割的目的。通過評價可以掌握各個算法在不同分割任務中的表現(xiàn)，以通過選擇算法參數(shù)來適應不同類型圖像的需要。另外，通過比較多個算法分割特定圖像的性能，有助于在具體分割任務中選取合適的算法。這對于醫(yī)學圖像的分割尤為重要，因為分割的準確度直接關系到臨床應用效果。現(xiàn)有的評價方法可分為兩類：直接分析法和間接實驗法。分析法直接研究分割算法本身的原理特性，通過分析得到算法性能；實驗法則根據(jù)分割圖像的質量間接地評判算法的性能。分析法得到的結果比較客觀，但許多算法直接分析比較困難，且分析法不可能獲得分割算法的所有性質，常與其他算法結合使用。但是，由于人體解剖結構的復雜性、組織器官形狀的不規(guī)則性及不同個體間的差異等原因，目前還沒有一種能對所有圖像都產生滿意分割效果的分割方法。各種算法都具有很強的針對性，往往是基于特定的領域、特定的成像模型。如今對醫(yī)學圖像分割算法的評價還是以主觀評價為主，盡管主觀評價存在很多缺點，但是由于醫(yī)學圖像的復雜性以及圖像分割理論的不完善，目前還不能完全用客觀評價的方法對醫(yī)學圖像分割算法進行評價，所以今后對醫(yī)學圖像分割算法的主觀評價仍將占主導地位。

5 展望

新的圖像分割方法的研究主要以自動、精確、快速、自適應性等幾個方向作為研究目標。醫(yī)學圖像分割作為一種特殊的圖像分割領域，除了有上述的趨勢外，圍繞它的另一重要發(fā)展是臨床上的應用。計算機分割方法在輔助診斷和放射療法中已顯示出它的作用。雖然全自動分割方法永遠不會取代醫(yī)生的地位，但它漸漸成為了醫(yī)學圖像分析中至關重要的部分。隨著基因工程的發(fā)展，微觀結構的分割也提上了日程，而不能僅僅局限于現(xiàn)在的“器官”層次上的處理和分析。相信隨著各種理論的不斷完善和成熟，以及新理論在圖像分割領域的嘗試應用，醫(yī)學圖像分割的方法也會更先進、更成熟。

[1] 羅述謙,周果宏.醫(yī)學圖像處理與分析[M].北京:科學出版社,2003:65.

[2] Atkins MS,Mackiewich BT.Fully automatic segmentation of the brain in MRI[J].IEEE Trans Med Imaging,1998,17(1):98.

[3] 田捷,包尚聯(lián),周明全.醫(yī)學影像處理與分析[M].北京:電子工業(yè)出版社,2003:9.

[4] Kenneth R.Castleman. Digital Image Processing [M]. Upper Saddle River:Prentice Hall,1996.

[5] 陸劍鋒,林海,潘志庚,等.自適應區(qū)域生長算法在醫(yī)學圖像分割中的應用[J].計算機輔助設計與圖形學學報,2005,17(10):2168－2173.

[6] Held K,Kops E R,Krause BJ. Markov random field segmentation of brain MR images[J].IEEE Trans. Med.Imag, 1997,16(6):878－886.

[7] Leemput K V, Maes F, Vandermeulen D. Automated modelbased bias field correction of MR image of the brain [J].IEEE Trans.Med.Imag,1999,18:885-896.

[8] Weian Deng,S.Sitharama Iyengar.A new probabilistic relaxation scheme and its application to edge detection[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1996,18(4):432-437.

[9] Guido Valli.Neural networks and prior knowledge help the segmentation of medical image[R]. Florence:University of Florence,1994.

[10] Kass M,Witkin A,Terzopoulos D.Snakes:active contour models[J].Int J Computer Vision, 1988,1(4):321 -331.

[11] Gerig G, Kuoni W, Kikinis R.Medical imaging and computer vision: an integrated approach for diagnosis and planning [M].London: Springer-Verlag,1989: 425 -432.

[12] Cline H E,Lorensen W E,Kikinis R.Three dimensional segmentation of MR images of the head using probability and connectivity[J].JCAT,1990,14(6):1037- 1045.

[13] Lue Vincent,Pierre Soille.Watersheds in digital spaces:an efficient algorithm based on immersion simulations[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1991,13(6):583- 598.

[14] F.Meyer,S.Beucher.Morphological segmentation[J].Journal of Visual Communication and Image Representation,1990,1:21-46.

[15] Leith D J, Leithead W E.Survey of gain scheduling analysis and design[J].Int.J.control,2000,73(11):1001- 1025.

[16] 陳武凡.小波分析及其在圖像處理中的應用[M].北京:科學出版社,2002.

[17] 楚存坤.醫(yī)學圖像的分割技術及其新進展[J].泰山醫(yī)學院學報,2007,28(4):315.

[18] MontBeny E,Sobrevilla P,Romani S.A fuzzy approach to white blood cells segmentation in color bone marrow images[J].Fuzzy Systems,2004,1:178．

[19] Liew A.W.,et al.An adaptive spatial fuzzy clustering algorithm for 3-D MR image segmentationl[J].IEEE Trans Med

General Review of Medical Image Segmentation

LI Qiang
Equipment Department,Shaoxing Second Hospital,Shaoxing Zhejiang 312000,China

R445

A

10.3969/j.issn.1674-1633.2010.05.051

1674-1633(2010)05-0121-04

2009-09-07

作者郵箱：sxlq163.com@163.com

Abstract: Image segmentation is a key factor to solve medical image segmentation in clinic.In this paper the development of medical image segmentation techniques was sketched, and a review of the medical image segmentation techniques was given. The prospects and the challenge of medical image segmentation was discussed.

Key words: medical image processing;medical image segmentation