圖像分割在生物醫學工程中的運用研究

劉雪芬，馬夏敏

（廣州市增城區人民醫院，廣東 廣州 511300）

近年來，我國數字化技術及微電子技術的持續發展為數字圖像處理提供了可靠的技術支持，使其逐漸成為國內一門較為新穎的學科。圖像分割技術是圖像分析環節的關鍵步驟，目前，該技術在醫療、交通等領域中均有較廣泛的應用，主要包括閾值分割法、區域生長法、人工神經網絡法、可變模型法及基于信息論的方法等。圖像分割可將原始圖像轉化為更加抽象、緊湊的形式，有助于更好地理解和分析更高層的圖像信息。核磁共振、超聲波等均為目前臨床常用的成像技術，這些技術可清晰顯示人體的解剖結構，為多種疾病的診斷提供了重要參考依據。隨著醫學圖像數量的增多和尺寸的增大，使用計算機分析和處理這些圖像成為必然。

1 圖像分割技術的原理分析

所謂圖像分割是指根據圖像的灰度、顏色、紋理和形狀等特征，把圖像劃分成若干互不交迭的區域，并使這些特征在同一區域內呈現出相似性，在不同區域間呈現出明顯的差異性，以提高影像的清晰度，優化圖像質量。對于重新分割的圖像部分，需采取適當的銜接措施，且不可對其進行疊加與重整處理，并確保被分割的圖像有較好的連續性，以免畫面發生實質性改變。

2 圖像分割在生物醫學工程中的應用

2.1 閾值分割法

閾值分割法是一種將灰度圖像轉變為二值圖像，以達到預期分割目的的方法，是一種并行區域法。在應用閾值分割法的過程中，通常會設定一個合理的灰度值，用于辨別不同的類，并將這個灰度值稱為“閾值”。將灰度值高于閾值的像素歸為一類，將其他像素歸為另一類。

閾值分割法是一種操作過程較為簡單、實效性強的圖像分割方法，尤其是當不同物體或結構間的強度對比較明顯時，取得的效果會更顯著。在大部分情況下，閾值法是交互式的，其原因為，該分割法可實時動態操作，故可建立在用戶的視覺估計基礎上，優化建立與應用的效果。臨床通常將閾值分割法作為處理一系列圖像的第一步。不過，在應用該圖像分割法的過程中，也暴露出一些不足，一是當閾值法的形式極為簡單時，僅能生成二值圖像去辨識不同的兩個類；二是該圖像分割法只考慮像素自身的價值，不重視圖像的空間特性，對噪聲表現出較高的敏感性。因此，為了彌補閾值分割法存在的不足，近年來，蔡軍杰等研究人員陸續提出了與經典閡值分割法配套的更新算法。

2.2 區域生長法

區域生長法是參照事前設定的標準，提取圖像中相互銜接區域的方法。該標準可以是灰度信息、圖像邊界或兩者的聯合。再提取出與該種子點相同的灰度值，作為評估閾值，對全部像素進行分析、評估與鑒別。

在處理圖像時，通常不建議單獨使用區域生長法，而是將其放在一系列的處理過程中，多用其勾畫腫瘤、傷口等小而簡單的結構。在該分割法的應用階段，其暴露出來的不足主要為，在每個需要提取的區域，都必須人工設定一個種子點，這意味著，在多個區域，就必須給出相應的種子數。該方法對噪音也表現出較高的敏感性，可引起孔狀或不連貫的區域。但特別之處在于，局部且重大的影響可使最初處于分離狀態的區域實現銜接。為避免區域生長法存在的上述不足，近年來，有學者提出例如模糊分類的區域增長法及其他方法。

2.3 人工神經網絡法

人工神經網絡法是采用大批量的平行式神經網絡去分割圖像。這些神經網絡的主要組成部分為模擬生物學習機理的節點或元素，網絡內的每個節點均能執行最基礎的運算過程。通過科學調整不同節點之間的權值，可幫助神經網絡順利學習生物機理。例如，可采用該方法檢測圖像的邊緣。

局部興奮全局抑制振蕩網絡（locally excitatory globally inhibitory oscillator network，LEGION）是一種以人類視覺特性為基礎形成的人工神經網絡方法。LEGION是一個由張弛振子構建的網絡，每個振子均由一個興奮單元x與一個抑制單元y共同構成。通過觀察LEGION的分割圖像結果不難發現，與單閾值分割法相比，LEGION分割獲得的圖像區域更加豐富，能較清晰地表現出一些微小結構。有學者對LEGION方法進行了完善，基于自適應原理設計了神經網絡內的參數，并將其用于彩色圖像的分割領域。

在應用神經網絡法分割圖像時，由于網絡內有很多結構之間相互銜接，故而部分空間信息易被包涵在分類階段。盡管神經網絡法具有平行繼承屬性，但其處理圖像的過程與標準化的串行計算機有較大的相似之處，在很大程度上埋沒了其在運算方面的潛能。

2.4 可變模型法

可變模型法是一種以模型為基礎、采用閉合參數曲線或曲面勾畫邊界的分割方法。該分割法的原始構想出自物理學相關的概念：即為了更真切地勾畫出實物體的邊緣，先設定一個與實際曲線或曲面較近的原始曲面或曲線，在外力與內力的共同作用下，驅動這個曲面或曲線移動，最終停留在圖像能量最低處。由于該曲線或曲面的移動過程與蛇移行過程相似，故也將該模型稱為Snake模型，將該曲線或曲面稱為Snake。在圖像的輪廓處，灰度變化率最大，故將該位置定義為能量最低處，則Snake停留的位置為實際邊界。

早在1988年，國外學者Bezdek JC率先提出，經典Snake的外力場捕獲區很小，這在很大程度上增加了原始化與進入凹陷區的難度。為解除以上困難，很多科學家試圖通過實踐改進這一算法。1998年，研究人員嘗試用梯度矢量流取代經典外力場，即著名的GVF理論。該理論較好地解決了傳統Snake內存在的原始化與凹陷區兩大難題。

2.5 基于信息論的方法

基于信息論的方法可借助信息論中熵的理論去分割醫學圖像。熵是平均信息量的表征，在信息論中，可采用（1）式定義熵：

式中，ρ（x）是隨機變量x對應的概率密度函數。對于數字圖像，x可以是灰度、梯度等特性。將熵用于閾值分割過程等于通過求算熵的極值，去設定最佳的分割閾值。比如，對于二維最大熵閾值分割法，可做出如下闡述：選擇閾值矢量（T，S）是二維最大熵閾值選擇階段遵循的最基本思想，使目標類和背景類的后驗熵達到峰值。定義以上兩類中的各事件對灰度值、局部均值的概率如（2）式所示：

兩類熵H0（T，S）與H1（T，S）可做出如下定義：，選擇適宜的閾值，使H（T,S）=H0（T,S）+H1（T,S）達到峰值，此時的（T，S）就是最佳二維閾值。有文獻中探討了采用一種極小極大熵公式去分割處理醫學圖像的過程。按照最大熵原則去選擇閾值是一種常用的閾值分割方法。該方法的應用宗旨在于，將圖像的灰度值方圖細化為兩個或數個獨立的類，以促使各類熵的總量達到峰值。從信息論的角度出發，使用該方法選擇出的閾值去獲得最大的信息量富有一定的內涵。

在實踐中，基于最大熵原則去選擇多閾值時最主要不足之處為，檢索空間范圍較大、收斂速度過度遲緩，針對細節繁多、噪聲較大的圖像，難以取得較為滿意的分割處理效果。

3 展望

作為一種特別的圖像分割領域，在未來的數年間，圖像分割將會朝著更加準確、更加快捷的方向發展，并將在臨床上得到廣泛的應用。在輔助診斷與放射療法中，計算機分割法已表現出良好的效能。雖然全自動分割方法無法取代臨床醫師地位和作用，但其逐漸成為醫學圖像分析中的重要組成部分。

目前，在圖像分割領域，還面臨著眾多的挑戰。例如，我們期望這些分割方法不僅能分割正常的組織結構，而且能辨別器官組織的病理狀態。該問題在實際的研究過程中往往不被重視。其次，隨著基因工程的發展，對微觀結構的分割也將逐漸被提上日程，而不僅僅限于目前“器官”層面上的圖像分析和處理。

4 結語

總而言之，影響生物醫學圖像分割效果的因素較多，不僅局限于分割方法這樣的軟件因素上，也與成像儀器、成像方法、外界環境等硬件因素具有一定的相關性。相信隨著對專業分割算法研究的不斷深入和發展，硬件設備的不斷完善和更新，圖像分割技術將會在生物醫學領域取得更大的發展和更優秀的應用成果。