醫學圖像分割方法綜述

黃文博1,2，燕 楊1,2，王云吉2

（1.長春師范學院計算機科學與技術學院，吉林長春 130032；2.吉林大學通信工程學院，吉林長春 130022）

醫學圖像分割是醫學圖像處理與分析領域的復雜而關鍵的步驟，其目的是將醫學圖像中具有某些特殊含義的部分分割出來，并提取相關特征，為臨床診療和病理學研究提供可靠的依據，輔助醫生作出更為準確的診斷。由于醫學圖像自身的復雜性，在分割過程中需要解決不均勻及個體差異等一系列問題，所以一般的圖像分割方法難以直接應用于醫學圖像分割。當前，醫學圖像分割仍在從手動分割或半自動分割向全自動分割發展。本文在對國內外醫學圖像分割技術文獻研習的基礎上，對幾種常用的醫學圖像分割方法進行了深入的研究和比較，總結了各種方法的優缺點及其在國內外醫學圖像分割領域的應用。

1 國內外常用的醫學圖像分割方法

1.1 閾值法

閾值法是一種簡單而有效的方法，特別是對于背景與目標區域對比度較大的圖像，分割結果更為理想。算法中的閾值需要在分割過程中不斷地手動調整和改進，所以大多是交互式的，是在用戶視覺估計的基礎之上進行判斷的。閾值法的基本思想是通過設置不同的閾值將像素點分類。該方法假設灰度圖像在同一背景或目標區域內相鄰像素的灰度值是近似的，在不同背景或目標區域內相鄰像素在灰度上有差異。在圖像直方圖中可以看出，不同背景和目標區域對應著不同的波峰。

閾值法在實際應用中主要存在兩個問題：(1)該方法只考慮到圖像中像素點本身的灰度值，沒有考慮到圖像中像素點的空間分布，容易對噪聲敏感。(2)該方法對于背景與目標區域灰度差異較小的圖像分割效果不好。醫學圖像因個體差異而復雜多樣，如：不均勻的人體組織器官常導致圖像灰度不均勻；人體組織的蠕動及成像設備的局限性常導致圖像中存在偽影和噪聲；局部體效應常導致組織邊緣模糊；病變組織的病變邊緣不明確等。閾值法在醫學圖像分割中具有一定的局限性。

近幾年，有許多閾值法的改進算法被提了出來，如Tang，Xu-Dong等人[1]提出了一種新的基于閾值的快速圖像分割算法，在傳統閾值方法的基礎上通過簡化隸屬函數，同時結合一個新的遞歸策略，從而降低了計算的復雜性，加快了運算速度，較傳統算法相比其具備較好的實時時序和噪聲抑制性能。

1.2 區域生長法

這種方法要求先選取種子像素點，隨后將與其相似的像素合并到它所在的區域，其基本原理就是將相似像素集合成區域。區域生長法的3個步驟：(1)選出合適的種子點。(2)確定在生長過程中能將像素合并進來的準則。(3)制定出能讓生長停止的條件。

區域生長法對噪聲敏感，如果種子像素點選取不當，分割結果就會出現錯誤，并且對于圖像中灰度值相近但不相鄰的多個區域不能一次全部分割出來。在醫學圖像分割中進行病灶分割時，如果種子點選取得當，這種方法可以自動找到病灶的邊界，能為醫生的診斷提供定量及定性的依據。在醫學圖像分割中，區域生長法與閾值法一樣，一般不單獨使用，多與其他分割方法相結合。如Jiang，Hui-Yan等人[2]將區域生長算法和OSTU算法相結合對30個邊緣模糊的腹部MRI圖像進行了有效分割；Wu，Hai-Shan和Gil，Joan等人[3]使用一個迭代的區域生長算法對卵巢細胞內染色質進行了有效分割；Angelina，S.等人[4]在2012年提出了一種新的區域生長及合并算法與遺傳算法相結合的醫學圖像分割算法，用于對惡性黑色素瘤等皮膚癌進行早期診斷，和其他常規算法相比提高了分割效率，解決了利用非侵入性診斷工具皮膚鏡對皮膚癌進行早期診斷耗時長等問題。

1.3 邊緣檢測法

邊緣檢測法通過對目標區域邊界的檢測來進行分割，先找到圖像中灰度值不連續的部分，通過對不均勻的區域間交集的檢測實現對圖像的分割。它包括串行和并行兩種方法：(1)串行方法：該方法首先檢測出起始點，設置相似性準則，然后根據它來尋找與上一點歸屬于同一類別的下個輪廓點，即確定后繼相似點。使用該方法進行分割可得到連續的邊緣，但分割結果比較依賴初始邊緣點，不合適的初始邊緣點可能導致錯誤的邊緣。(2)并行方法：該方法通常利用空域微分算子，將相應模板與圖像進行卷積最后完成圖像的分割。該方法可同時在各個像素上進行卷積，所以大大減少了運行時間。常用的并行方法有Canny算子、Sobel算子、Laplacian算子、Prewitt算子、LOG算子等。并行方法對噪聲敏感，且當邊緣的像素值變化較小時，可能會得到不連續或虛假邊界。在實際應用中。由于并行方法比串行方法分割時間短，所以并行邊緣檢測法在醫學圖像分割中更為常用。如2012年Park，J.等人[5]使用并行邊界與區域相結合的方法對不同醫學圖像進行分割，實驗結果表明，該方法能可靠準確地分割低對比度的復雜醫學圖像。

1.4 基于活動輪廓模型的方法

活動輪廓模型，又稱Snake模型，由Kass在1987年提出。由于Snake模型有著高效的數值方案以及嚴謹的數學基礎，且應用廣泛，提出后即成為圖像分割領域所研究的熱點。原始的Snake模型其基本思想是通過能量最小化，將一條帶有能量函數的初始曲線朝著待檢測的目標輪廓方向逐步變形與運動，最終收斂到目標邊界，得到一個光滑并且連續的輪廓。

原始Snake模型首先在目標區域附近手動設置一條閉合曲線作為Snake模型的初始輪廓線，初始輪廓線隨時間不斷演化，越來越逼近目標邊界，當演化停止時即獲得最終結果。Snake算法的3個主要步驟為：(1)讀取數據；(2)數據的預處理，如圖像的去噪、求梯度，求外力場等；(3)確定模型的參數與迭代次數，然后開始迭代。

原始的Snake模型存在難以捕捉目標凹陷邊界及對初始輪廓線敏感等不足，針對這些不足，學者們進行了相應的改進，如氣球Snake模型、GVF Snake模型等與其他理論相結合的Snake模型。Qian Zhang等人[6]對Snake原始算法進行了改進，對肝臟MRI進行識別，通過對曲率的求取及對輪廓線的設置、收斂及校正，提高了識別效率，并減少了后處理成本；MatsakouA.I等人[7]提出了一種基于梯度向量流GVF Snake模型的自動分割方法，用于檢測B超圖像中的縱向頸動脈壁，準確率達到98%；Hui-Yan Jiang等人[8]提出了一種改進的基于GVF Snake模型的半自動肝臟分割方法，通過與閾值法和形態學運算相結合，獲取肝臟的初始輪廓，繼而創建外力場，在GVF場的影響下，初始輪廓線收斂到精確的目標輪廓位置。

1.5 模糊聚類法

大多數的醫學圖像具有模糊性，圖像質量低、噪聲大。模糊聚類法將模糊集理論與聚類算法相結合，模糊集理論對圖像的不確定性具備較好描述能力，將此特點結合到分類中，應用到醫學圖像分割領域。該方法不是以“一刀切”的方式將像素點硬性分到某一區域，而是引入模糊理論中“隸屬度”的概念，將像素點分到隸屬程度高的區域中去，提高了分割的準確率。目前最常用的是模糊C-均值算法（FCM），該算法通過兩次迭代得到最優邊界。

模糊C-均值算法（FCM）是一種無監督算法，易于應用，但其中各像素點的數據是相互獨立的，沒有利用圖像的空間信息，所以可以將空間信息引入算法當中以提高分割算法的準確率。近年來，基于模糊聚類的圖像分割方法及其改進算法在醫學領域得到了廣泛應用，如Kaur，P.等人[9]在2012年提出了一種自動的直觀模糊聚類方法，在模擬和真實的腦部MRI圖像中進行實驗，對比傳統的模糊C-均值、噪聲聚類、核化模糊C-均值等方法，實驗結果顯示Kaur，P.等人提出的方法更為可靠有效；Liu，Y.等人[10]提出一種帶有雙邊濾波的模糊C-均值（FCM）聚類方法進行醫學圖像分割，通過實驗結果和定量分析表明，與傳統的FCM相比，該方法具備更高標準的抑制噪聲能力和細節保護；Christ，M.C.J.等人[11]提出根據不同類型的模糊C-均值算法改進的醫學圖像分割技術，并將模糊C-均值和其他聚類算法如KM、EM和KNN相比較，實驗證明模糊C-均值可提供更好的結果。

1.6 基于遺傳算法的方法

遺傳算法依據“物競天擇，適者生存”這一自然界規則，模擬生物在自然環境中的遺傳和進化過程，從而形成一種遵循自然選擇機制的隨機化搜索方法。求解過程大致為：從一個初始變量群開始，通過對染色體中的基因進行操作來完成逐代尋優，直到算法收斂找到最佳分割閾值，最終完成不同區域的分割。該算法善于全局搜索，局部搜索能力不足，無需給出所求問題的任何信息，只需要目標函數的信息即可，大大縮短了算法的運行時間。有時在進化過程中會產生一些異常的個體，尤其是噪聲干擾較大的時候，這些個體因競爭力太強會對算法的選擇運算過程產生負面影響，導致算法得到某個局部最優解。這些不足可從編碼方式、遺傳算子、控制參數、執行策略等方面得到改進。

單獨使用遺傳算法對醫學圖像進行分割的效果并不理想，它常與神經網絡和形態學理論等其他智能計算方法相互結合使用。如Guan，X.-W.等人[12]在2011年提出一種遺傳算法，用全局搜索能力和類間最大變化作為適應度函數，算法結合形態學理論提取圖像邊緣，實現分割。實驗結果表明，這種遺傳算法性能穩定，融合結果理想；Jaffar，M.A.等人[13]在2009年提出一種結合支持向量機的遺傳算法，在肺部CT圖像中對肺結節進行檢測，分割效果理想；Liu，J.等人[14]提出了一種遺傳神經網絡算法來分割皮膚癌圖像，執行基于遺傳算法的神經網絡的權重和閾值優化來改進BP神經網絡的收斂速度，由該方法分割的皮膚癌圖像可得到連續的邊緣和清晰的輪廓，可以用于皮膚癌的定量分析和鑒定。

1.7 基于小波變換的方法

小波變換是對Fourier分析的繼承與發展，利用小波變換進行醫學圖像分割的基本方法是通過小波變換將圖像直方圖分解成不同級別的系數，用尺度控制并依照小波系數和給定的分割準則來選擇閾值。小波變換在較大尺度上由噪音引起的細小突變較少，容易描述醫學圖像信號的整體行為，可檢測出醫學圖像灰度值變化較大的輪廓，因此可以通過在不同尺度下逐步確定閾值來處理醫學圖像。Bindu，Ch.Hima1等人[15]在2011年提出了一種基于小波變換的全自動醫學圖像分割方案。整個計劃分為3個階段。在第一階段中，計算圖像的小波變換，隨后融合LH，HL和HH系數；在第二階段中，通過計算全局閾值來確定初始點；在第三階段中，從每個初始點開始進行搜索程序，得到閉環輪廓；Alzubi，S.等人[16]在2011年使用小波、脊波和曲波變換的多分辨率分析建立了一個醫學圖像分割系統。在不同的醫學圖像如PET，CT或MRI圖像進行實驗研究，對曲波變換的醫療數據集進行了測試，并與從其他變換所得到的結果進行了比較。試驗表明，使用曲波掃描顯著提高了異常組織分類，并減少了噪聲。

2 結語

隨著醫學成像和計算機輔助技術的發展，圖像分割技術已經成為醫學圖像處理的研究熱點。研究人員一邊致力于新的醫學圖像分割算法研究，一邊又不斷嘗試著將不同的方法進行巧妙的結合，以達到對醫學圖像更有效的分割。一些全新的醫學圖像自動分割技術應運而生，如圖割圖論、基于知識的分割方法等，這是近幾年醫學圖像分割領域新成果的代表，也是未來醫學圖像分割技術的研究方向。

[1]Tang,Xu-Dong,Pang,Yong-Jie,et al.Fast image segmentation method based on threshold[C]//Chinese Control and Decision Conference,2008:3281-3285.

[2]Jiang,Hui-Yan,Si,Yue-Peng.Medical image segmentation based on improved Ostu algorithmand regional growth algorithm[J].Journal ofNortheastern University,2006,27(4):398-401.

[3]Wu,Hai-Shan,Gil,Joan,et al.Region GrowingSegmentation ofChromatin Clumps ofOvarian Cells UsingAdaptive Gradients[J].Journal ofImagingScience and Technology,2004,48(1):22-27.

[4]Angelina,S.,Suresh,L.Padma,et al.Image segmentation based on genetic algorithmfor region growth andregion merging[C]//2012 International Conference on Computing,Electronics and Electrical Technologies,ICCEET,2012,E95-D(8):970-974.

[5]Park,Jonghyun,Park,Soonyoung,et al.Medical image segmentation usinglevel set method with a newhybrid speed function based on boundaryand region segmentation[J].IEICE Transactions on Information and Systems,2012,E95-D(8):2133-2141.

[6]Qian Zhang,Sung-JongEun,Hyeonjin Kim,et al.An Object Recognition Method Usingthe Improved Snake Algorithm[C]//Proceedings ofthe 6th International Conference on Ubiquitous Information Management and Communication,2012.

[7]Matsakou AI,Golemati S,et al.Automated detection ofthe carotid arterywall in longitudinal B-mode images usingactive contours initialized bythe Hough transform[C]//IEEE Engineeringin Medicine and BiologySociety,2011:571-4.

[8]Hui-Yan Jiang,X-He Gao.Semi-Automatic Liver Segmentation UsingImproved GVF Snake Model[J].Advanced Materials Research,2010(121-122):435-440.

[9]Kaur,Prabhjot,Soni,A.K.,et al.Arobust kernelized intuitionistic fuzzyc-means clusteringalgorithminsegmentation ofnoisymedical images[J].Pattern Recognition Letters,2012,34(2):163-175.

[10]Liu,Yuchen,Xiao,Kai,et al.FuzzyC-means clusteringwith bilateral filteringfor medical image segmentation[C]//Hybrid Artificial Intelligent Systems-7th International Conference,HAIS,2012,7208 LNAI(PART1):221-230.

[11]Christ,M.C.Jobin,Parvathi,R.M.S.Fuzzyc-means algorithmfor medical image segmentation[C]//ICECT2011-2011 3rd International Conference on Electronics Computer Technology,2011(4):33-36.

[12]Guan,Xiao-Wei,Zhu,Xia,et al.Medical image segmentation based on Genetic Algorithm[C]//2011 International Conference on Information Technology,Computer Engineeringand Management Sciences,ICM2011,2011:359-362.

[13]Jaffar,M.Arfan,Hussain,Ayyaz,et al.GA-SVMbased lungs nodule detection and classification[C]//Communications in Computer and Information Science.Signal Processing,Image Processingand Pattern Recognition:International Conference,SIP 2009,Held as Part ofthe Future Generation Information TechnologyConference,FGIT2009,Jeju Island,2009(61):133-140.

[14]Liu,Jianli,Zuo,Baoqi.The segmentation ofskin cancer image based on genetic neural network[C]//2009 WRI World Congress on Computer Science and Information Engineering,CSIE 2009,2009(5):594-599.

[15]Bindu,Ch.Hima,Prasad,K.Satya.Afullyautomatic scheme for medical image segmentation with wavelet based image fusion[C]//Proceedings ofthe 2011 International Conference on Image Processing,Computer Vision,and Pattern Recognition,IPCV 2011,2011(1):230-235.

[16]Alzubi,Shadi,Islam,Naveed,et al.Multiresolution analysis usingwavelet,ridgelet,and curvelet transforms for medical image segmentation[J].International Journal ofBiomedical Imaging,2011:4.