基于醫學影像數據的圖像分割方法研究述評

馬寶英曹 忠

(1.昌吉學院 新疆 昌吉831100；2.昌吉職業技術學院新疆 昌吉 831100)

基于醫學影像數據的圖像分割方法研究述評

馬寶英1曹 忠2

(1.昌吉學院 新疆 昌吉831100；2.昌吉職業技術學院新疆 昌吉 831100)

醫學影像分割是提取影像中感興趣的物體或特殊組織，對病變組織進行定性和定量分析。本文從醫學應用的角度，簡要介紹了幾種經典醫學圖像分割方法的原理并對其進行醫學影像分割的特點進行了分析。

醫學影像數據；圖像分割；分割算法

1 引言

隨著計算機技術和電子技術的飛速發展，利用計算機圖像處理功能對醫學影像信息進行處理，可以實現人體結構的數字化，甚至可以實現人體器官的精確模擬，為臨床對器官或部位變情的診斷提供動態模擬、對分析病變組織的結構和發生過程提供動態信息，從而提高了醫療診斷和治療的準確性。例如圖1肝CT腫瘤圖，通過計算機的算法進行定量分析，準確的將腫瘤邊界定位，對圖像經過分割處理得到如圖2所示的腫瘤直觀清晰的三維影像信息，為進一步診斷和治療提供參考。

圖1 肝CT腫瘤圖

圖2 肝CT腫瘤三維影像

圖3 腦MR圖

圖4 腦MR三維圖

再如圖3，利用圖像分割技術可將大腦小腦腦白質、腦灰質、腦干、腦汁等分割開來，經過計算機圖像處理呈現圖4所示的三維立體影像，大腦，小腦等清晰可見，為醫學領域很多腦分析、腦治療等提供直觀的三維影像信息。

醫學影像分割是利用計算機和數字化儀器對醫學影像中病變組織進行定量和定性分析，提取影像中感興趣的特殊組織或物體，實現三維模型重建［1］。如何實現對影像數據的準確、快速分割是醫學影像數據分割的關鍵，分割的效果也直接影響到三維重建模型的精確性。因此，對于不同的人身部位或人體器官，選用一種合適的分割方法也是至關重要的。目前國內外研究人員研究出了很多圖像分割方法［2］，本文按傳統醫學圖像分割方法和高級醫學圖像分割方法的分類對每種方法的優缺點進行分析。

2 傳統的醫學圖像分割方法

2.1 基于閾值的醫學圖像分割方法

閾值分割方法的基本思想［3］是以一定的準則在二元函數中找出一個灰度值作為閾值，用一個或多個閾值將圖像的灰度級分為幾個部分，灰度值在同一類中的圖像屬于同一個目標，這樣將圖像分割為兩部分。閾值選取的合不合適是閾值分割方法的關鍵，如果閾值選的太高，則太多的目標點就會被錯誤的歸為背景，造成目標信息被割斷；如果閾值選取的太低，則太多的背景歸為目標，會出現目標分割不清，如圖5、圖6、圖7所示。

實現簡單是閾值分割方法的最大特點，閾值分割對影像中灰度值或特征值相差很大的情況可實現很有效的影像分割，但對于影像中灰度差別不明顯或者灰度值范圍有較大重疊的情況難以得到準確的分割結果。因此，閾值分割方法適用于目標和背景對比度較強的圖像分割。

圖5 閾值一（低）

圖6 閾值二（中）

圖7 閾值三（高）

2.2基于邊緣檢測的醫學圖像分割方法

邊緣檢測分割方法是通過檢測影像中相鄰像素特征值局部特性的不連續性或突變性，來得到不同區域之間的邊緣圖像，再將它們連成邊界，這些邊界將圖像分成不同的區域［4］。

圖8 血管原圖

圖9 邊緣檢測分割

邊緣檢測方法對目標和背景對比不是太明顯的醫學影象有較好分割效果，但若影像中信息太模糊，分割的影像邊緣會產生間斷，出現不閉合曲線，如圖8、圖9所示。

2.3區域生長的醫學圖像分割方法

區域生長是選取一個種子像素將其鄰近相似像素歸并構成區域，再將這些新像素作為新的種子像素繼續歸并，使區域逐漸生長擴大［5,6］。

這種方法的優點是計算簡單，對醫學影像中連通目標較均勻的分割效果較好。但需要在分割時人工交互獲取種子點，而種子點直接影響分割效果。這種方法不適于噪聲較大的影像分割，這樣的分割會形成孔狀或不連續的區域。

2.4基于活動輪廓模型的醫學圖像分割

活動輪廓線方法采用參數曲線來表示影像邊界輪廓線，分為基于邊緣的模型［7］和基于區域的模型［8］兩類。基于邊緣的模型是用影像梯度的邊緣檢測算子控制輪廓線的演化速度，使輪廓線在靠近物體邊緣處停止。基于區域的模型用特定的區域的灰度、顏色、紋理等屬性來控制輪廓線的演化。

活動輪廓模型的優點是特定區域內目標輪廓跟蹤能力強、特征數據提取較好。缺點：一是無法實現自動分割，原因是活動輪廓初始位置的選取決定分割結果；二是能量函數難以給出；三是對于曲率高的活動輪廓部分無法收斂到邊緣；四是邊界是斷開的不能封閉，圖像測量難以實現；五是參數化曲線必須是單個的，多個曲線無法描述，不能實現拓撲變形。

2.5基于水平集模型的醫學圖像分割

水平集模型的目標輪廓對應于一個更高維曲面的演化函數的零水平集，然后可用某種形式的偏微分方程來表示演化函數，利用影像信息（如邊緣）來控制曲面演化過程的停止，為解其偏微分方程引入水平集的概念。但傳統的水平集分割方法優點是可實現拓撲變化，是通過初始函數進行延化，即使初始化非常光滑，迭代幾次后也會變得不連續，不均勻，導致以后的計算產生很大的誤差，疊代延化不穩定，后來為了解決這個問題，采取不斷重新初始化函數，這樣出現的問題就是什么時侯重新初始化，就需要靠經驗來確定，如圖10所示。

圖10 重新初始化函數

為解決不在重新初化的問題，李純明等于2010年提出一種新的水平集方法［9］，該方法先初始化一條延化曲線，讓梯度均模等于1，對延化函數的梯度模減1的平方進行積分，讓水平集函數接近于符號集函數，讓系數控制擴散成度，當延化函數梯度模更小，接成橫軸時，將延化函數拉上去，當延化函數梯度模更大時，接成縱軸，將延化函數拉下來，延化過程控制梯度模，保證延化函數在四十五度附近。這種方法對處理封閉運動界面隨時間演化過程中幾何拓撲變化十分有效，對于血管及大腦MR等醫學影像具有很好的分割效果，但對于有深度凹陷的部分表現得不是很清晰。

3 高級醫學圖像分割方法

3.1 基于遺傳算法的醫學圖像分割

遺傳算法的基本思想是采用非遍歷尋優搜索策略，建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代、進化方法［10］。

其方法實現簡單可進行并行處理，是具有很好魯棒性和廣泛適用性的全局搜索方法，但局部搜索效果不佳。若將灰度直方圖熵法與遺傳算法相結合，利用精英策略和模擬退火的思想［11,12］進行圖像分割可以有效的解決這一不足得到較好的分割效果，提高運算效率。

3.2 基于小波變換的醫學圖像分割

小波變換是利用二進制小波變換將影像直方圖分解為不同層次的小波系數，依照給定的分割準則和小波系數選擇閾值門限，整個過程由粗到細，由尺度來控制，能把圖像中不同尺度大小的結構提取出來，并有效地控制分割過程，提取出目標的特征，將目標組織從背景中分割出來，進行提取組織的三維重建。其特點是分割速度快，分割結果清晰，對噪聲較大的醫學影像有很好的分割效果。

3.3 基于人工神經網絡的醫學圖像分割

人工神經網絡是一種大規模并行連續處理系統。具有模擬人類的信號處理能力并且非常擅長于解決模式識別領域中的模式分類問題。其特點是自學習、自組織和自適應性；具有容錯的能力和最優搜索能力；對于隨機噪聲有很強的魯棒性［13］；聯想記憶功能。可以很好地解決圖像分割中噪聲、組織不均勻、生物形態的多變性等問題。用模糊神經網絡技術提取心臟輪廓，被訓練過的神經網絡根據模糊的規則可以將病變組織分類，從而將心臟區域中的病變組織與正常組織區分開來，此方法廣泛地應用于MRI及CT醫學圖像的分割中，有較高的魯棒性。

3.4 基于知識的醫學圖像分割

這種分割方法首先利用非監督的FCM算法對MRI圖像進行初始分割，然后利用圖像匹配技術對初始分割的結果進行再標記實現自動分割。包括兩個方面的內容：一是知識的獲取，建立知識庫；二是知識的應用，實現圖像的自動分割。其知識來源主要有臨床知識、解剖學知識、成像知識、統計知識。其特點是對圖像的分割是完全自動的，以迭代的方式連續的精確確定和描述目標區結構的邊界，且其精確性會隨著分割算法的進程逐步進化，具有較高的魯棒性。

4 結束語

縱觀國內外醫學影像分割方法，大都是針對某個具體任務的，而且各有優缺點。目前還沒有一種可以適用于任何醫學影像分割的方法，并且對于較為復雜的醫學影像分割誤差較大。其原因是醫學影像的成像原理和組織本身的特性有很大差異，成像的噪音、場偏移效應、局部體效應和組織運動等都影響影像的形成，況且醫學影像與普通圖像相比具有模糊性、不均勻性的特點，加之人體的組織結構和形狀復雜個體差異大，這都是影響分割效果的因素，需要新的技術和新的理論來解決［14］，今后醫學圖像分割方法必須以自動、快速、精確、魯棒性和自適應性為目標；分割技術研究熱點將是基于知識、模糊分割以及人工神經網絡的分割技術；醫學圖像分割發展方向將是現代分割技術和傳統分割技術相結合實現醫學圖像分割。

參考文獻：

［1］張新峰,沈來蓀.圖像分割技術研究［J］.電路與系統學報，2004，（9）.

［2］聶斌等.醫學圖像分割技術及其進展［J］.泰山醫學院學報,2002,23(4)：4 2 2-4 2 6.

［3］R.C.gonzalez,R.E.Woodsdigital.Image processing(2nd)［M］.Beijing：pub-lishing House of Electronics Industry, 2002.

［4］成金勇,范延濱,宋潔,潘振寬.基于小波分析與snake模型的圖像邊緣檢測方法［J］.青島大學學報(自然科學版),2005,（3）.

［5］Pohle R,Toennies K D,Segmentation of medical images using adaptive region growing［A］,In：Proceedings of SPIE,Boston,Massachusetts,2004,4322：1337～1346.

［6］Zhigeng Pan AND Jianfeng Lu,A Bayes-Based Region-Growing Algorithm for Medical Image Segmentation,Computing in science&engineering,2007.8,32-38.

［7］C.Li,J.Liu,and M.Fox,Segmentation of edge preserving gradient vector flow：an approach toward automatically initializing and splitting of snakes,CVPR,2005,pp.162-167.

［8］D.Cremers,M.Rousson,and R.Deriche,A review of statistical approaches to level set segmentation：Integrating color,texture,motion and shape,IJCV,2007,72(2)195-215.

［9］C.Li,C.Xu,C.Gui,and M.D.Fox,Distance Regularized Level Set Evolution and its Application to Image Segmentation,IEEE Trans.Image Processing,vol.19(12),pp.3243-3254,2010.

［10］周銘,周惠.基于遺傳算法的自適應聚類圖像閾值分割方法［J］.計算機工程與應用,2005，（18）：73—76.

［11］Melkemi K.E.,Batouche M.,Foufou S..A multiagent system approach for image segmentation using genetic algorithms and extremal optimization heuristics［J］.Pattern Recognition Letters,2006,27(11)：1230-1238.

［12］Raymerm L,Punch WF,Good Maned,et al.Dimensionality reduction using genetic algorithms［J］.IEEE Transactions on Evolutionary Computation,2003,4(2)：164-171.

［13］楊曉強,魏生民,汪焰恩.一種基于知識模型的C T圖像分割方法［J］.計算機應用研究,2005，（8）：277-229.

［14］田婭等.國內醫學圖像處理技術的最新動態［J］.電子科技大學學報,2002,32(5)：485-489.

（責任編輯：馬海燕）

PT391.41

A

1671-6469(2012)03-0086-04

2011-11-12

馬寶英（1965-），女，新疆昌吉市人，昌吉學院計算機工程系，副教授，研究方向：計算機圖形學。