圖像分割方法在醫學領域中的應用

鄭彩俠，張同舟，孫長江，劉景鑫

1.東北師范大學 信息科學與技術學院，吉林 長春 130117；2.吉林大學中日聯誼醫院 放射線科，吉林 長春 130033

引言

在當前的醫療診斷中，醫學圖像具有越來越重要的臨床應用價值。常用的醫學圖像有磁共振（Magnetic Resonance Imaging，MRI）、超聲、計算機斷層掃描（X-Ray Computer Tomography，CT）、正電子發射計算機斷層掃描以及病理切片圖像等[1]。傳統的醫學圖像處理主要依靠專家個人經驗，人工地對圖像進行分析與處理。然而，這種人工處理方式效率較低，且分析結果受主觀影響較大。此外，近年來醫學圖像數量的急劇增長更是導致傳統的人工方式變得嚴重耗時耗力。因此，迫切需要利用計算機來模擬人類的視覺感知機制，自動地對各類醫學圖像數據進行有效組織、分析與管理。隨著科學技術以及計算機硬 件性能的快速發展，運用計算機快速分析、處理各類醫學圖像來輔助專家進行診斷，已經成為醫學領域的一種發展趨勢，具有重大的研究意義和應用價值。基于計算機視覺的醫學圖像自動分析與處理技術具有其獨特的優勢，如：利用計算機的強大計算能力可獲取快速準確的分析與處理結果；可使醫學圖像處理結果不受專家疲勞或數據過多的影響；利用計算機技術可促進更快的臨床信息溝通，以方便為邊遠地區病人提供快速、準確的醫療診斷信息[2]。

鑒于醫學圖像處理的良好發展前景，近年來研究人員針對各類醫學圖像進行了深入研究，并結合其他學科的理論與技術提出了一些性能較好的醫學圖像處理與分析方法，可有效地對醫學圖像進行初期的預處理（如圖像降噪、增強等）或深入的分析與理解（如圖像分割、識別等）。本文從計算機圖像處理 與模式識別的角度出發，針對現有的圖像分割方法進行對比和總結，并概述其在醫學圖像處理領域中的應用，旨在為相關領域的研究人員提供參考，以促進該領域的進一步發展。

1 常用的醫學圖像分割方法

圖像分割是醫學圖像處理中關鍵的一步，分割結果的準確性對于圖像后續的進一步處理與分析，甚至對于醫生判斷疾病的真實情況都至關重要。圖像分割是指根據圖像的灰度、形狀、顏色等特征將圖像分成若干個不相交的、具有獨特性質的子區域，從而獲得感興趣區域。圖像分割的數學定義可表述為：令集合I代表一幅圖像區域，圖像分割是將I分成一組連通的非空子集（子區域）{I1,I2,…,IN}，這些子集服從約束條件并存在一個用于判斷區域一致性的邏輯謂詞P(·)，使得P( Ink∪Int) = False ， P( Ink)= True ，并且k≠t[3-4]。

近年來，研究人員針對不同醫學圖像的特點提出了眾多的分割算法，根據Niessen等[5]的觀點，圖像分割方法主要可分為3類：基于區域的分割方法、基于邊緣的分割方法和基于分類的分割方法。

2 圖像分割方法

2.1 基于區域的分割方法

基于區域的分割方法通過識別圖像中對應于不同對象的不同同質區域（Homogeneous Region）來分割圖像，主要有分水嶺分割算法[6-10]和區域生長算法[11-17]。

分水嶺分割法是一種基于測地學里分水嶺的構成原理而提出來的圖像分割算法。其基本思想是假設一幅圖像是一個拓撲地貌，圖像中每個像素點的灰度值代表一個海拔高度，圖像中每個灰度局部極小值及其周圍的區域代表一個集水盆地，分水嶺即指集水盆地的邊緣。分水嶺算法在圖像分割任務中可以取得較好的效果，但仍存在一些缺點，如：① 對噪聲非常敏感，容易產生分割偏差；② 由于量化誤差等原因，導致出現圖像過分割的結果；③ 在圖像的對比度較低時，容易造成圖像里物體輪廓丟失。近年來，很多研究人員針對這些問題進行了研究，提出了大量的改進算法。

在分水嶺算法中，種子點的提取對算法結果的影響是至關重要的。為了取得較魯棒的分割結果，謝鳳英等[6]提出了一種基于種子點提取的分水嶺分割方法，該方法采用直方圖的勢函數特性來提取細胞圖像的種子點，且在提取種子點的過程中只記錄直方圖的峰值，去除了分類與濾波的過程，進而可以保證得到的種子點的可靠性。此外，該方法在分割時僅考慮細胞局部區域信息，有效地解決了細胞與背景面積相差較大時分割不準確的問題。方紅萍等[7]為了較好地分割堆疊的細胞，提 出了自適應H-minima的改進分水嶺分割方法。該方法首先采用K均值算法獲取一個初始分割結果，然后基于細胞顆粒形狀先驗假設定義圓度度量指標Fuzzy R，并將細胞平均圓度最大值作為評價指標來自適應地提取堆疊細胞區域的最優h值，以克服細胞尺寸不一致、邊緣不規則，相互之間嚴重堆疊對傳統分水嶺算法的影響，實現對堆疊細胞的準確分割。王伏增等[9]針對腦腫瘤MRI圖像的分割問題，提出了一種基于形態學濾波的標記分水嶺分割方法。該方法首先通過對腦腫瘤圖像的梯度圖像進行形態學開閉重建濾波來去除噪聲并保留梯度圖像的輪廓信息，然后提取內部和外部標記符來對梯度圖像進行修正，最后基于分水嶺變換對腦腫瘤圖像進行分割，有效地克服了分水嶺算法的過分割問題。同樣針對腦腫瘤MRI圖像的分割問題，Benson等[10]則基于一種融合的思想來提高分水嶺分割算法的性能，即在采用分水嶺算法對腦腫瘤圖像分割時，不僅考慮圖像的灰度信息，還同時利用了圖像的顏色、邊緣、方向和紋理信息，也取得了較好的分割效果。

區域生長算法是另一種經典的基于區域的分割算法，它通過不斷迭代地合并種子點周圍具有相似性質的像素點來實現對整幅圖像的分割[18]。區域生長算法比較簡單、有效，但該算法是一種迭代的算法，導致其在空間和時間上開銷都較大。此外，和分水嶺分割算法類似，區域生長算法對于噪聲較敏感，在灰度不均勻的情況下會產生過分割現象。為了解決這些問題，近年來研究人員對其進行了大量的研究與改進，并將其有效地應用于醫學圖像處理任務中。

區域生長法的關鍵步驟是初始生長種子點的選取和區域生長準則的設計。為了有效地選取合適的種子點，李杰等[13]提出了一種基于種子點位置預判的改進區域生長方法，在肝臟血管管道圖像中取得了較好的分割效果。該方法主要利用基于廣義勢場的骨架提取方法來提取肝臟靜脈管道骨架點種子坐標集合，并利用坐標系映射來預判圖像的種子點位置和數目，以實現種子點位置和數目的自動確定。針對區域生長準則的設計，Pohle等[11]提出一種自適應區域生長法，該方法利用不同區域的形狀等特征自動地學習對應于不同區域的生長準則，在腹腔CT圖像和腦部MRI圖像分割任務上取得了較好的效果。解立志等[12]定義了一種全局與局部信息相結合的區域生長準則，用于血管的分割。該方法首先采用二維OTSU閾值分割算法和最大密度投影（Maximum Intensity Projection，MIP）圖像獲得三維血管的種子點，然后結合全局與局部信息設計區域生長準則來實現對血管的粗分割，最后給出一種基于Catt擴散模型濾波的局部自適應C-V模型對血管粗分割結果進行二次分割，以得到更精確的分割結果。該方法可以同時檢測出半徑較大和較小的血管，并能較精確地得到光滑的血管外表面邊緣。在醫學圖像分割領域中，區域生長法也通常與其他方法相結合來提高分割效果，如王品等[14]結合多尺度區域生長和去粘連模型來對乳腺細胞進行分割，而楊衛莉等[16]將區域生長法與蟻群聚類算法相結合來實現對腦部MRI圖像的精確分割。

2.2 基于邊緣的分割方法

基于邊緣的分割方法根據圖像中對象邊緣梯度特征來對圖像進行分割，該類方法主要包含邊緣檢測[19-20]和形變模型[2,21-27]。

圖像邊緣是指圖像內不同區域交界線上連續的像素點的集合，通常表現為灰度、顏色的強烈變化，并體現出空間上某種特性的不連續性。基于邊緣檢測的分割方法的基本思想是通過檢測圖像內物體的邊緣來實現圖像不同目標區域分割的目的。基于邊緣檢測的分割方法相對簡單，但其性能會受圖像弱邊緣、偽邊緣和噪聲的影響。為了提高醫學圖像邊緣檢測的效果，李天鋼等[19]提出了一種基于數學形態學的胃癌病理細胞圖像邊緣提取方法。該方法基于圖像紋理信息，并根據胃癌病理細胞圖像的特點來構造合適的結構元素，進而獲得較好的邊緣檢測結果，以實現圖像分割的目的。Bomans等[20]也采用基于數學形態學的方法來進行邊緣檢測，該方法采用Marr-Hildreth算子對圖像進行邊緣檢測得到一個粗糙的檢測結果，然后采用形態學膨脹—腐蝕操作對檢測結果進行進一步的精細調整，實現了對MRI腦部圖像的精確分割。

基于形變模型的分割方法可以綜合利用圖像的區域與邊界信息對圖像進行分割，是一種結合了幾何學、物理學和近似理論的分割方法。形變模型包括形變輪廓（又稱活動輪廓）模型和三維形變表面模型[28]。基于形變輪廓的分割方法通過內力和外力的作用促使輪廓曲線不斷向物體邊緣逼近，其中內力用來保持輪廓的光滑性，而外力用來推動輪廓的運動。形變表面模型實質上是在三維空間對形變輪廓進行了拓展，以實現更快速、更高效地利用三維數據。活動輪廓模型具有良好的平滑性和封閉性，已被許多研究人員應用到醫學圖像分割領域中。廖祥云等[21]針對子宮肌瘤高強度超聲聚焦（High Intensity Focused Ultrasound，HIFU）圖像分割問題，提出了一種自適應局域化快速活動輪廓模型，該模型通過利用圖像的局部全局信息來構建“局部全局力”，并依據演化曲線上各點周圍的灰度分布均勻程度在活動輪廓曲線演化過程中動態地改變局部區域大小，來提高曲線的演化效率以及分割的準確性。張明慧等[26]則將多圖譜配準引入到活動輪廓模型中，提出了一種有效的圖像分割的方法，該方法同時利用圖譜形狀先驗信息和圖像灰度信息，可以對腦部MRI圖像進行較為準確、光滑的分割。基于形變模型的分割方法通常對圖像噪聲敏感和初始化輪廓較敏感[29]，為了解決這個問題，王元全等[22]提出了可以有效保持目標弱邊緣的退化最小曲面梯度矢量流，并將其引入到參數活動輪廓模型（snake）中，來減小分割結果對初始輪廓的依賴，并能克服由于圖像灰度不均勻而導致的局部極小問題。該方法可對心臟MRI圖像左心室進行有效分割。Ji等[23]和趙立川等[27]也分別對傳統的snake模型進行了改進以使其更好地處理不同的醫學圖像分割任務，改進后的模型可以有效提高傳統snake模型對圖像深度凹陷區域和弱邊界的處理能力。

2.3 基于分類的分割方法

基于分類的分割方法根據某一特定標準，對圖像中每個像素進行分類和標記，該類方法主要包括基于閾值的分割算法[30-31]，基于統計的分割算法[32-35]和基于聚類的分割算法[36-41]。

閾值分割方法通常基于圖像的直方圖特征設置合適的閾值將目標和背景分離出來，適用于圖像目標區域的亮度與背景亮度具有較大差異的圖像。在基于閾值的分割方法中，合適閾值的選取是非常困難的。為了解決這個問題，Lee等[30]提出一種基于連通信息的閾值分割方法，該方法首先采用一個給定閾值得到一幅粗分割圖像，然后利用路徑連接算法在粗分割得到的兩個區域之間劃分邊界，并對閾值進行自適應修改以得到更精確的分割結果。Lee等[30]對其所提出的方法在腦部MRI圖像數據集上進行了測試，實驗結果表明該方法可以得到較準確的分割結果，并對噪聲具有較好的魯棒性。

基于統計的分割方法把圖像中的灰度值看作是服從一定概率分布的隨機變量，并利用統計學理論對數字圖像進行建模來對圖像目標進行分割。近年來基于統計的方法被廣泛的應用于各種醫學圖像分割問題中，如Hassouna等[35]提出采用一個高斯分布描述腦部三維造影圖像的高灰度區域（血管和皮下脂肪），并采用兩個高斯混合模型和一個Rayleigh分布的有限混合模型來描述圖像的中低灰度區域，然后利用最大期望估計算法對混合模型中的參數進行更新，進而對圖像中的三維腦血管進行提取。該方法可以有效抑制圖像噪聲對分割結果的影響，但是分割結果的精確性較大程度上依賴于初始參數的選擇。Laidlaw等[32]提出兩種利用混合分布來描述不同器官交界處的局部體效應（即交界處單個像素中會包含來自不同器官的成分的含量），以獲得更精確的CT或MRI圖像分割結果。

基于聚類的分割方法通常被用于核磁圖像的分割問題，如腦白質和腦灰質的分割。近年來研究人員提出了許多基于聚類的分割方法并在磁共振圖像上取得了較大成功。如為了提高聚類算法對圖像灰度不均勻和噪聲的魯棒性，Wang等[37]提出將圖像局部上下文信息和非局部信息同時引入到經典的模糊C-均值（Fuzzy C-means，FCM）算法中，并采用ROM（Rank Ordered Means）算法對二者進行權衡，實現了對腦部MRI圖像精確的分割，但該算法的計算復雜度相對較高。Kahali等[38]提出了一種兩階段模糊多目標框架用于腦部三維MRI圖像的分割，該方法采用三維空間FCM（3D Spatial Fuzzy C-means）模型計算立體塊之間局部空間關系以確定聚類中心，然后將這些聚類中心作為三維改進的FCM（3D Modified Fuzzy C-means）模型的輸入來得到最終的聚類結果。

除了上述三大類圖像分割方法，研究人員也提出了一些其它圖像分割方法，如基于神經網絡的分割方法[42]，基于深度學習的分割方法[43]等。尤其是近年來隨著深度學習在人工智能各個領域中表現出的優越性能，越來越多的研究人員開始探索如何利用深度學習機制更好地解決醫學圖像處理問題[44-46]。Litjens等[47]針對深度學習方法在醫學圖像處理領域里各種不同任務中的應用進行了詳細而深入的總結。基于深度學習方法處理醫學圖像是醫學圖像處理領域未來主要的發展趨勢之一，將給計算機輔助式醫療帶來嶄新的前景。

3 總結

醫學圖像分割是一個熱點研究領域，近年來已取得了較大進展，相關研究人員對這一領域內的不同問題提出了大量的解決方法，這些方法均取得了不錯的實驗效果，但在實際應用中仍存在一些問題。盡管現有方法在處理實際問題時難以獲得完全理想的效果，但這些方法對基于計算機視覺的醫學圖像處理技術的發展仍然起到了很大的推動作用。通過對現有方法的歸納和分析，我們總結了醫學圖像分割領域現存的挑戰和未來發展趨勢：

（1）盡管目前存在很多圖像分割方法，但由于不同模態圖像成像原理不同和醫學圖像本身的復雜性，現有方法通常只能處理某一種特定的圖像，沒有一種方法能對所有模態的圖像進行自動、有效的分割。此外，現有方法在處理實驗數據時能夠得到較好的效果，但當處理復雜的實際醫學臨床數據時，仍然面臨著一些困難。

（2）運用任何一種單一的分割方法都難以取得完全令人滿意的分割效果，因此很多研究人員在不斷提出新方法的同時，開始嘗試將多種方法進行有效結合，來提高醫學圖像分割效果。但多種算法結合會導致分割過程的計算量和復雜度顯著上升，因此如何平衡分割準確率和算法復雜度之間的關系，以及如何優化算法的性能仍是研究人員關注的問題。

（3）大量研究表明深度學習方法在人工智能各個領域中表現出了優越的性能，因此，將深度學習方法引入到醫學圖像處理領域中來處理各種實際的、復雜的醫學臨床數據，也將是未來的研究熱點之一。

[1] Goel N,Yadav A,Singh BM.Medical image processing: A review[A].Computational Intelligence on Power, Energy and Controls with Their Impact on Humanity[C].2017:57-62.

[2] 江貴平,秦文健,周壽軍,等.醫學圖像分割及其發展現狀[J].計算機學報,2015,38(6):1222-1242.

[3] 姜楓,顧慶,郝慧珍,等.基于內容的圖像分割方法綜述[J].軟件學報,2017,28(1):160-183.

[4] Zhang YJ.An overview of image and video segmentation in the last 40 years[J ].Adv Image Video Segment,2006:1-15.

[5] Niessen WJ,Vincken KL,Weickert J,et al.Multiscale segmentation of three-dimensional MR brain images[J].Int J Comput Vision,1999,31(2):185-202.

[6] 謝鳳英,姜志國,周付根.基于數學形態學的免疫細胞圖象分割[J].中國圖象圖形學報,2002,7(11):1119-1122.

[7] 方紅萍,方康玲,劉新海.自適應H-minima 的改進分水嶺堆疊細胞分割方法[J].計算機應用研究,2016,33(5):1587-1590.

[8] Bueno G,Musse O,Heitz F,et al.3D Watershed-based segmentation of internal structures within MR brain images[A].Medical Imaging International Society for Optics and Photonics[C].2000,3979:284-293.

[9] 王伏增,汪西原,宋佳乾.基于形態學濾波的標記分水嶺腦腫瘤圖像分割[J].寧夏大學學報:自然科學版,2017,38(1):27-32.

[10] Benson C,Lajish V,Rajamani K.Brain tumor extraction from MRI brain images using marker based watershed algorithm[A].Brain Tumor Extraction from MRI Brain Images Using Marker Based Watershed Algorithm.Advances in Computing,Communications and Informatics (ICACCI),2015 International Conference on.IEEE[C].2015:318-323.

[11] Pohle R,Toennies KD.Segmentation of medical images using adaptive region growing[J].Proc SPIE,2001,4322:1337-1346.

[12] 解立志,周明全,田沄,等.基于區域增長與局部自適應CV模型的腦血管分割[J].軟件學報,2013,24(8):1927-1936.

[13] 李杰,陳國棟.基于改進區域生長算法的肝臟管道圖像分割方法[J].中國醫療設備,2014,29(10):19-23.

[14] 王品,胡先玲,謝文賓,等.多尺度區域生長與去粘連模型的乳腺細胞分割[J].儀器儀表學報,2015,36(7):1653-1659.

[15] Yi J,Ra JB.A locally adaptive region growing algorithm for vascular segmentation[J].Int J Imag Syst Tech,2003,13(4):208-214.

[16] 楊衛莉,郭雷,許鐘,等.基于區域生長和蟻群聚類的圖像分割[J].計算機應用研究,2008,25(5):1579-1581.

[17] 黃建燈,陳慶全.基于支持向量機的紅細胞彩色圖像分割[J].計算機系統應用,2009,18(1):35-38.

[18] Adams R,Bischof L.Seeded region growing[A].IEEE Computer Society[C].1994.

[19] 李天鋼,王素品.基于形態學方法的胃癌病理細胞圖像的邊緣檢測[J].中國圖象圖形學報,2004,9(10):1234-1238.

[20] Bomans M,Hohne KH,Tiede U,et al.3-D segmentation of MR images of the head for 3-D display[J].IEEE T Med Imaging,1990,9(2):177-183.

[21] 廖祥云,袁志勇,鄭奇,等.引入局部全局信息的區域自適應局域化快速活動輪廓模型[J].計算機學報,2016,39(7):1464-1476.

[22] 王元全,賈云得.一種新的心臟核磁共振圖像分割方法[J].計算機學報, 2007,30(1):129-136.

[23] Ji L,Yan H.Attractable snakes based on the greedy algorithm f or contour extraction[J].Pattern Recogn,2002,35(4):791-806.

[24] 段儕杰,馬竟鋒,張藝寶,等.能量傳導模型及在醫學圖像分割中的應用[J].軟件學報,2009,5:1106-1115.

[2 5] Li C,Huang R,Ding Z,et al.A level set method for image segmentation in the presence of intens ity inhomogeneities with application to MRI[J].IEEE T Image Process,2011,20(7):2007-2016.

[26] 張明慧,盧振泰,張娟,等.基于多圖譜活動輪廓模型的腦部圖像分割[J].計算機學報,2016,39(7 ):1490-1500.

[27] 趙立川,高陽.基于改進自仿射映射系統與參數活動輪廓 的醫學圖像分割算法[J].計算機應用研究,2017,34(2):616-620.

[28] Mcinerney T,Terzopoulos D.Deformable models in medical image analysis: a survey[J].Med Image Anal,1996,1(2):91-108.

[29] Lankton S,Tannenbaum A.Localizing region-ba sed active contours[J].IEEE T Image Process,2008,17(11):2029-2039.

[30] Lee C,Huh S,Ketter TA,et al.Unsupervised connecti vity-based thresholding segmentation of midsagittal brain MR images[J].Comput Biol Med,1998,28(3):309-338.

[31] Gra bowski T,Frank R,Szumski N,et al.Validation of partial tissue segmentation of single-channel magnetic resonance images of the brain[J].Neuro Image,2000,12(6):640-656.

[32] Laidlaw DH,Fleischer KW,Barr AH.Partial-volume Bayesian classification of material mixtures in MR volume data using voxel histograms[J].IEEE T Image Process,1998,17(1):74-86.

[33] El-Baz A,Gimel’farb G,Kumar V,et al.3D joint Markov-Gibbs model for segmenting the blood vessels from MRA[A].IEEE International Conference on Symposium on Biomedica l Imaging: From Nano To Macro[C].New York :IEEE Press,2009:1366-1369.

[34] 楊俊,鄭曲波,吳桂良,等.基于Metropolis-SA算法的腦部磁共振血管造影圖像分割[J].生物醫學工程與臨床,2013,2:113-118.

[35] Hassouna MS,Farag AA,Hushek S,et al.Cerebrovascular segmentation from TOF using stocha stic models[J].Med Image,2006,10(1):2.

[36] Caldairou B,Passat N,Habas PA,et al.A non-local fuzzy segmentation meth od: application to brain MRI[J].Pattern Recogn,2011,44(9):1916-1927.

[37] Wang J,Kong J,Lu Y,et al.A modified FCM algorithm for M RI brain image segmentation using both local and non-local spatial constraints[J].Comput Med Imag Grap,2008,32(8):685-698.

[38] Kahali S,Adhikar i SK,Sing JK.A two-stage fuzzy multiobjective framework for segmentation of 3D MRI brain image data[J].Appl Soft Comput,2017,60:312-327.

[39] Wang Z,Song Q,Soh YC,et al.An adaptive spatial informationtheoretic fuzzy clustering algorithm for image segmentation[J].Computer Vis Image Und,2013,117(10):1412-1420.

[40] Adhikari SK,Sing JK,Basu D K,et al.Conditional spatial fuzzy C-means clustering algorithm for segmentation of MRI images[J].Appl Soft Comput,2015,34:758-769.

[41] Arora N,Pandey R.Noise adaptive FCM al gorithm for segmentation of MRI brain i mages using local and non-local spatial information[A].International Conference on Intelligent Systems Design and Applicati ons[C].2016.

[42] Lin KC,Yang MS,Liu HC,et al.Generalized Kohonen’s competitive learning algorithms for ophthalmological MR image segmentation[J].Magn Reson Imaging,2003,21(8):863-870.

[43] Kamnitsas K,Ledig C,Newcomb e VFJ,et al.Efficient multiscale 3D CNN with fully connected CRF for accurate brain lesion segmentation[J].Med Image,2016,36:61.

[44] Andermatt S,Pezold S,Cattin P.Multi-dim ensional gated recurrent units for the segmentation of biomedical 3D-data[A].Deep Learning and Data Labeling for Medical Applications[M].Berlin:Springer Internati onal Publishing,2016.

[45] Brosch T,Tang LYW,Yoo Y,et al.Deep 3D convolutional encoder networks with shortcuts for multiscale feature integration applied to multiple sclerosis lesion segmentation[J].IEEE T Med Imaging,2016,35(5):122 9-1239.

[46] Esteva A,Kuprel B,Novoa RA,et al.Dermatologist-level classification of skin cancer with deep neural networks[J].Nature,2017,542(7639):115-118.

[47] Litjens G,Kooi T,Bejnordi BE,et al.A survey on deep learning in medical image analysis[J].Med Image,2017,42(9):60-88.