醫(yī)學(xué)圖像分割方法綜述

(沈陽(yáng)建筑大學(xué)信息與控制工程學(xué)院 遼寧 沈陽(yáng) 110000)

一、引言

醫(yī)學(xué)圖像是對(duì)解剖區(qū)域內(nèi)部結(jié)構(gòu)或內(nèi)部功能的反映圖像，其是通過(guò)采樣或重建生成的離散圖像表示，可以將值映射到不同的空間位置。醫(yī)學(xué)圖像通常具有低對(duì)比度，模糊邊界和視覺(jué)識(shí)別不準(zhǔn)確的特征。另外，由于人與人之間有很大的差別，且人體組織結(jié)構(gòu)形狀復(fù)雜，這些都給醫(yī)學(xué)圖像分割帶來(lái)了困難。因此，我們有必要針對(duì)醫(yī)學(xué)應(yīng)用這個(gè)領(lǐng)域，對(duì)圖像分割方法進(jìn)行研究。

最近幾年，為解決醫(yī)學(xué)圖像分割問(wèn)題，許多研究人員做了大量的工作，提出許多實(shí)用的分割算法，比如模糊集理論、神經(jīng)網(wǎng)絡(luò)、小波理論等。本文主要介紹近年該領(lǐng)域國(guó)內(nèi)外學(xué)者提出的新方法或?qū)υ蟹椒ǖ男赂倪M(jìn)。有必要指出的是，本文中提到的方法分類并不絕對(duì)，大多數(shù)分割方法是多種簡(jiǎn)單方法的結(jié)合，我們只能粗略的將它們分為屬于最能反映其特征的某一類。

二、醫(yī)學(xué)圖像分割方法

圖像分割是用于區(qū)分圖像中特殊區(qū)域和獨(dú)特區(qū)域并提出感興趣對(duì)象的技術(shù)和過(guò)程。醫(yī)學(xué)圖像分割同樣是將感興趣區(qū)域從圖像中提取出來(lái)，或者融合并提取感興趣區(qū)域。如今現(xiàn)有的醫(yī)學(xué)圖像分割方法主要分為以下幾種方法：基于閾值的分割方法、基于區(qū)域的分割方法以及基于特定理論的分割方法等。

(一)基于閾值的醫(yī)學(xué)圖像分割方法。閾值法的基本思想是根據(jù)圖像灰度特征來(lái)計(jì)算一個(gè)或者多個(gè)灰度閾值，并將圖像中每個(gè)像素的灰度值與計(jì)算出的閾值作對(duì)比，最后將像素按照對(duì)比結(jié)果分到符合的類型中。閾值分割法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)便、效率高、運(yùn)行速度快。

如今比較常用的閾值法有Otsu 法。Otsu法是基于圖像中目標(biāo)和背景的可分離性而提出的。該方法建立在假設(shè)圖像中目標(biāo)和背景所構(gòu)成的混合密度函數(shù)是由兩個(gè)服從等方差的正態(tài)分布子分布的基礎(chǔ)之上。對(duì)于傳統(tǒng)的多閾值分割算法，需要花費(fèi)大量的時(shí)間來(lái)尋找最優(yōu)解，Qin[1]提出了一種基于改進(jìn)蟻群算法的閾值醫(yī)學(xué)圖像分割算法，本文在多閾值Otsu分割下，對(duì)蟻群算法進(jìn)行了改進(jìn)，引入Lévy flight 模式，提高了算法的收斂速度。

(二)基于區(qū)域的醫(yī)學(xué)圖像分割方法。區(qū)域分割方法的基本思想是直接從圖像中提取信息，并將圖像分成若干個(gè)子區(qū)域，使每個(gè)子區(qū)域具有一定的相同特點(diǎn)。傳統(tǒng)的區(qū)域分割方法有以下幾種：區(qū)域生長(zhǎng)法和分水嶺算法。

1.區(qū)域生長(zhǎng)法。區(qū)域增長(zhǎng)方法的基本思想是通過(guò)對(duì)具有相似性的像素進(jìn)行分組來(lái)組織區(qū)域。區(qū)域增長(zhǎng)方法具有計(jì)算量小，對(duì)均勻連通目標(biāo)有良好分割效果的優(yōu)點(diǎn)。它的缺點(diǎn)是需要人工選取種子，其對(duì)噪聲很敏感并且可能會(huì)導(dǎo)致分割結(jié)果內(nèi)有空洞。為了解決初始定位問(wèn)題，侯東奧[2]提出了基于區(qū)域生長(zhǎng)法的改進(jìn)的測(cè)地線活動(dòng)輪廓(Geodesic Active Contours,GAC)模型。該模型首先采用區(qū)域生長(zhǎng)法粗略分割圖像，然后將分割結(jié)果作為改進(jìn)的GAC模型的初始輪廓，使腫瘤輪廓的分割準(zhǔn)確度更高；2.分水嶺算法。分水嶺算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像作為測(cè)地學(xué)上的拓?fù)涞孛玻瑘D像中每個(gè)像素的灰度值表示該點(diǎn)的海拔高度，每個(gè)局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺算法對(duì)圖像中的噪聲，極有可能產(chǎn)生過(guò)度分割的現(xiàn)象。鑒于腦腫瘤MRI圖像的分割問(wèn)題，Benson[3]等則基于一種融合的思想來(lái)提高分水嶺分割算法的性能，即在利用分水嶺算法對(duì)腦腫瘤圖像分割時(shí)，不僅顧及圖像的灰度信息，還同時(shí)考慮了圖像的顏色、邊緣、方向和紋理信息，也取得了較好的分割效果。Liang[4]提出了一種基于形態(tài)學(xué)處理和全變異模型醫(yī)學(xué)圖像分割算法。首先對(duì)腦損傷的MRI圖像進(jìn)行形態(tài)學(xué)梯度預(yù)處理。其次采用全變分模型對(duì)梯度圖像進(jìn)行降噪。然后用強(qiáng)迫最小值技術(shù)得到內(nèi)外標(biāo)記，并利用這些標(biāo)記對(duì)梯度幅值圖像進(jìn)行校正。最后將改進(jìn)后的梯度圖像提取到分水嶺變換中。結(jié)果表明，該方法可以有效地提取腦損傷的MRI圖像。

(三)基于特定理論的醫(yī)學(xué)圖像分割方法。在醫(yī)學(xué)圖像分割方法中除了上述方法，還有基于深度學(xué)習(xí)的分割方法、基于遺傳算法的分割方法等。

1.深度學(xué)習(xí)。隨著人工智能的快速進(jìn)步，醫(yī)學(xué)圖像分割的方法也逐步發(fā)展、更新。深度學(xué)習(xí)是一種新式的從端到端的模型，減少人工預(yù)處理的階段，使用多層的網(wǎng)絡(luò)結(jié)構(gòu)全自動(dòng)提取不同層次的特征。其具有信息分布式存儲(chǔ)、大規(guī)模自適應(yīng)并行處理、自組織、自學(xué)習(xí)功能、高度的容錯(cuò)性、魯棒性等優(yōu)點(diǎn)。RONNEBERGER[5]等提出了一種網(wǎng)絡(luò)和訓(xùn)練策略，它依靠于對(duì)數(shù)據(jù)增強(qiáng)的強(qiáng)大使用，從而更有效地使用可用的帶注釋的樣本。該體系結(jié)構(gòu)由捕獲上下文的收縮路徑和支持精準(zhǔn)定位的對(duì)稱擴(kuò)展路徑組成，證明了這種網(wǎng)絡(luò)可以從非常少的圖像端到端的訓(xùn)練，并且在ISBI挑戰(zhàn)中分割效果較好。

2.遺傳算法。遺傳算法是一種模擬自然進(jìn)化過(guò)程，并根據(jù)“優(yōu)勝劣汰、適者生存”的原則獲得最佳解決方案。它的優(yōu)點(diǎn)不僅在于可以依據(jù)少量結(jié)構(gòu)就能夠反映出整個(gè)區(qū)域，便于實(shí)時(shí)處理，而且有效利用全局信息防止陷入局部最優(yōu)，具有較好的魯棒性；其缺點(diǎn)在于收斂速度慢、易早熟等。Guan[6]等提出了一種基于遺傳算法的醫(yī)學(xué)圖像分割方法，該方法首先用alobal搜索容量和簇間方差最大作為適應(yīng)度函數(shù)，然后自動(dòng)搜索邊緣檢測(cè)的最優(yōu)閾值，結(jié)合形態(tài)學(xué)處理提取醫(yī)學(xué)圖像邊緣，最后實(shí)現(xiàn)圖像分割。實(shí)驗(yàn)表明，該方法不僅簡(jiǎn)化分割，而且實(shí)現(xiàn)了良好的分割效果，提高了圖像的效率和質(zhì)量。

三、總結(jié)

由于醫(yī)學(xué)圖像的類型不同，成像特點(diǎn)不一致，至今還沒(méi)有一個(gè)通用的方法來(lái)分割醫(yī)學(xué)圖像。隨著圖像處理研究不斷發(fā)展，圖像分割將向自動(dòng)、快速、自適應(yīng)性的目標(biāo)發(fā)展,需要與新概念和新技術(shù)結(jié)合起來(lái)才能有所突破。