馬寶英曹 忠

(1.昌吉學(xué)院 新疆 昌吉831100；2.昌吉職業(yè)技術(shù)學(xué)院新疆 昌吉 831100)

基于醫(yī)學(xué)影像數(shù)據(jù)的圖像分割方法研究述評(píng)

馬寶英1曹 忠2

(1.昌吉學(xué)院 新疆 昌吉831100；2.昌吉職業(yè)技術(shù)學(xué)院新疆 昌吉 831100)

醫(yī)學(xué)影像分割是提取影像中感興趣的物體或特殊組織，對(duì)病變組織進(jìn)行定性和定量分析。本文從醫(yī)學(xué)應(yīng)用的角度，簡(jiǎn)要介紹了幾種經(jīng)典醫(yī)學(xué)圖像分割方法的原理并對(duì)其進(jìn)行醫(yī)學(xué)影像分割的特點(diǎn)進(jìn)行了分析。

醫(yī)學(xué)影像數(shù)據(jù)；圖像分割；分割算法

1 引言

隨著計(jì)算機(jī)技術(shù)和電子技術(shù)的飛速發(fā)展，利用計(jì)算機(jī)圖像處理功能對(duì)醫(yī)學(xué)影像信息進(jìn)行處理，可以實(shí)現(xiàn)人體結(jié)構(gòu)的數(shù)字化，甚至可以實(shí)現(xiàn)人體器官的精確模擬，為臨床對(duì)器官或部位變情的診斷提供動(dòng)態(tài)模擬、對(duì)分析病變組織的結(jié)構(gòu)和發(fā)生過(guò)程提供動(dòng)態(tài)信息，從而提高了醫(yī)療診斷和治療的準(zhǔn)確性。例如圖1肝CT腫瘤圖，通過(guò)計(jì)算機(jī)的算法進(jìn)行定量分析，準(zhǔn)確的將腫瘤邊界定位，對(duì)圖像經(jīng)過(guò)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(jìn)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(shù)可將大腦小腦腦白質(zhì)、腦灰質(zhì)、腦干、腦汁等分割開(kāi)來(lái)，經(jīng)過(guò)計(jì)算機(jī)圖像處理呈現(xiàn)圖4所示的三維立體影像，大腦，小腦等清晰可見(jiàn)，為醫(yī)學(xué)領(lǐng)域很多腦分析、腦治療等提供直觀的三維影像信息。

醫(yī)學(xué)影像分割是利用計(jì)算機(jī)和數(shù)字化儀器對(duì)醫(yī)學(xué)影像中病變組織進(jìn)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(shí)現(xiàn)三維模型重建［1］。如何實(shí)現(xiàn)對(duì)影像數(shù)據(jù)的準(zhǔn)確、快速分割是醫(yī)學(xué)影像數(shù)據(jù)分割的關(guān)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(duì)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(guān)重要的。目前國(guó)內(nèi)外研究人員研究出了很多圖像分割方法［2］，本文按傳統(tǒng)醫(yī)學(xué)圖像分割方法和高級(jí)醫(yī)學(xué)圖像分割方法的分類對(duì)每種方法的優(yōu)缺點(diǎn)進(jìn)行分析。

2 傳統(tǒng)的醫(yī)學(xué)圖像分割方法

2.1 基于閾值的醫(yī)學(xué)圖像分割方法

閾值分割方法的基本思想［3］是以一定的準(zhǔn)則在二元函數(shù)中找出一個(gè)灰度值作為閾值，用一個(gè)或多個(gè)閾值將圖像的灰度級(jí)分為幾個(gè)部分，灰度值在同一類中的圖像屬于同一個(gè)目標(biāo)，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(guān)鍵，如果閾值選的太高，則太多的目標(biāo)點(diǎn)就會(huì)被錯(cuò)誤的歸為背景，造成目標(biāo)信息被割斷；如果閾值選取的太低，則太多的背景歸為目標(biāo)，會(huì)出現(xiàn)目標(biāo)分割不清，如圖5、圖6、圖7所示。

實(shí)現(xiàn)簡(jiǎn)單是閾值分割方法的最大特點(diǎn)，閾值分割對(duì)影像中灰度值或特征值相差很大的情況可實(shí)現(xiàn)很有效的影像分割，但對(duì)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(zhǔn)確的分割結(jié)果。因此，閾值分割方法適用于目標(biāo)和背景對(duì)比度較強(qiáng)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(cè)的醫(yī)學(xué)圖像分割方法

邊緣檢測(cè)分割方法是通過(guò)檢測(cè)影像中相鄰像素特征值局部特性的不連續(xù)性或突變性，來(lái)得到不同區(qū)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(qū)域［4］。

圖8 血管原圖

圖9 邊緣檢測(cè)分割

邊緣檢測(cè)方法對(duì)目標(biāo)和背景對(duì)比不是太明顯的醫(yī)學(xué)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(huì)產(chǎn)生間斷，出現(xiàn)不閉合曲線，如圖8、圖9所示。

2.3區(qū)域生長(zhǎng)的醫(yī)學(xué)圖像分割方法

區(qū)域生長(zhǎng)是選取一個(gè)種子像素將其鄰近相似像素歸并構(gòu)成區(qū)域，再將這些新像素作為新的種子像素繼續(xù)歸并，使區(qū)域逐漸生長(zhǎng)擴(kuò)大［5,6］。

這種方法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，對(duì)醫(yī)學(xué)影像中連通目標(biāo)較均勻的分割效果較好。但需要在分割時(shí)人工交互獲取種子點(diǎn)，而種子點(diǎn)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(huì)形成孔狀或不連續(xù)的區(qū)域。

2.4基于活動(dòng)輪廓模型的醫(yī)學(xué)圖像分割

活動(dòng)輪廓線方法采用參數(shù)曲線來(lái)表示影像邊界輪廓線，分為基于邊緣的模型［7］和基于區(qū)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(cè)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?；趨^(qū)域的模型用特定的區(qū)域的灰度、顏色、紋理等屬性來(lái)控制輪廓線的演化。

活動(dòng)輪廓模型的優(yōu)點(diǎn)是特定區(qū)域內(nèi)目標(biāo)輪廓跟蹤能力強(qiáng)、特征數(shù)據(jù)提取較好。缺點(diǎn)：一是無(wú)法實(shí)現(xiàn)自動(dòng)分割，原因是活動(dòng)輪廓初始位置的選取決定分割結(jié)果；二是能量函數(shù)難以給出；三是對(duì)于曲率高的活動(dòng)輪廓部分無(wú)法收斂到邊緣；四是邊界是斷開(kāi)的不能封閉，圖像測(cè)量難以實(shí)現(xiàn)；五是參數(shù)化曲線必須是單個(gè)的，多個(gè)曲線無(wú)法描述，不能實(shí)現(xiàn)拓?fù)渥冃巍?/p>

2.5基于水平集模型的醫(yī)學(xué)圖像分割

水平集模型的目標(biāo)輪廓對(duì)應(yīng)于一個(gè)更高維曲面的演化函數(shù)的零水平集，然后可用某種形式的偏微分方程來(lái)表示演化函數(shù)，利用影像信息（如邊緣）來(lái)控制曲面演化過(guò)程的停止，為解其偏微分方程引入水平集的概念。但傳統(tǒng)的水平集分割方法優(yōu)點(diǎn)是可實(shí)現(xiàn)拓?fù)渥兓峭ㄟ^(guò)初始函數(shù)進(jìn)行延化，即使初始化非常光滑，迭代幾次后也會(huì)變得不連續(xù)，不均勻，導(dǎo)致以后的計(jì)算產(chǎn)生很大的誤差，疊代延化不穩(wěn)定，后來(lái)為了解決這個(gè)問(wèn)題，采取不斷重新初始化函數(shù)，這樣出現(xiàn)的問(wèn)題就是什么時(shí)侯重新初始化，就需要靠經(jīng)驗(yàn)來(lái)確定，如圖10所示。

圖10 重新初始化函數(shù)

為解決不在重新初化的問(wèn)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(duì)延化函數(shù)的梯度模減1的平方進(jìn)行積分，讓水平集函數(shù)接近于符號(hào)集函數(shù)，讓系數(shù)控制擴(kuò)散成度，當(dāng)延化函數(shù)梯度模更小，接成橫軸時(shí)，將延化函數(shù)拉上去，當(dāng)延化函數(shù)梯度模更大時(shí)，接成縱軸，將延化函數(shù)拉下來(lái)，延化過(guò)程控制梯度模，保證延化函數(shù)在四十五度附近。這種方法對(duì)處理封閉運(yùn)動(dòng)界面隨時(shí)間演化過(guò)程中幾何拓?fù)渥兓钟行?，?duì)于血管及大腦MR等醫(yī)學(xué)影像具有很好的分割效果，但對(duì)于有深度凹陷的部分表現(xiàn)得不是很清晰。

3 高級(jí)醫(yī)學(xué)圖像分割方法

3.1 基于遺傳算法的醫(yī)學(xué)圖像分割

遺傳算法的基本思想是采用非遍歷尋優(yōu)搜索策略，建立在自然選擇和群體遺傳學(xué)機(jī)理基礎(chǔ)上的隨機(jī)、迭代、進(jìn)化方法［10］。

其方法實(shí)現(xiàn)簡(jiǎn)單可進(jìn)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(jié)合，利用精英策略和模擬退火的思想［11,12］進(jìn)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(yùn)算效率。

3.2 基于小波變換的醫(yī)學(xué)圖像分割

小波變換是利用二進(jìn)制小波變換將影像直方圖分解為不同層次的小波系數(shù)，依照給定的分割準(zhǔn)則和小波系數(shù)選擇閾值門限，整個(gè)過(guò)程由粗到細(xì)，由尺度來(lái)控制，能把圖像中不同尺度大小的結(jié)構(gòu)提取出來(lái)，并有效地控制分割過(guò)程，提取出目標(biāo)的特征，將目標(biāo)組織從背景中分割出來(lái)，進(jìn)行提取組織的三維重建。其特點(diǎn)是分割速度快，分割結(jié)果清晰，對(duì)噪聲較大的醫(yī)學(xué)影像有很好的分割效果。

3.3 基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割

人工神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模并行連續(xù)處理系統(tǒng)。具有模擬人類的信號(hào)處理能力并且非常擅長(zhǎng)于解決模式識(shí)別領(lǐng)域中的模式分類問(wèn)題。其特點(diǎn)是自學(xué)習(xí)、自組織和自適應(yīng)性；具有容錯(cuò)的能力和最優(yōu)搜索能力；對(duì)于隨機(jī)噪聲有很強(qiáng)的魯棒性［13］；聯(lián)想記憶功能?？梢院芎玫亟鉀Q圖像分割中噪聲、組織不均勻、生物形態(tài)的多變性等問(wèn)題。用模糊神經(jīng)網(wǎng)絡(luò)技術(shù)提取心臟輪廓，被訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)根據(jù)模糊的規(guī)則可以將病變組織分類，從而將心臟區(qū)域中的病變組織與正常組織區(qū)分開(kāi)來(lái)，此方法廣泛地應(yīng)用于MRI及CT醫(yī)學(xué)圖像的分割中，有較高的魯棒性。

3.4 基于知識(shí)的醫(yī)學(xué)圖像分割

這種分割方法首先利用非監(jiān)督的FCM算法對(duì)MRI圖像進(jìn)行初始分割，然后利用圖像匹配技術(shù)對(duì)初始分割的結(jié)果進(jìn)行再標(biāo)記實(shí)現(xiàn)自動(dòng)分割。包括兩個(gè)方面的內(nèi)容：一是知識(shí)的獲取，建立知識(shí)庫(kù)；二是知識(shí)的應(yīng)用，實(shí)現(xiàn)圖像的自動(dòng)分割。其知識(shí)來(lái)源主要有臨床知識(shí)、解剖學(xué)知識(shí)、成像知識(shí)、統(tǒng)計(jì)知識(shí)。其特點(diǎn)是對(duì)圖像的分割是完全自動(dòng)的，以迭代的方式連續(xù)的精確確定和描述目標(biāo)區(qū)結(jié)構(gòu)的邊界，且其精確性會(huì)隨著分割算法的進(jìn)程逐步進(jìn)化，具有較高的魯棒性。

4 結(jié)束語(yǔ)

縱觀國(guó)內(nèi)外醫(yī)學(xué)影像分割方法，大都是針對(duì)某個(gè)具體任務(wù)的，而且各有優(yōu)缺點(diǎn)。目前還沒(méi)有一種可以適用于任何醫(yī)學(xué)影像分割的方法，并且對(duì)于較為復(fù)雜的醫(yī)學(xué)影像分割誤差較大。其原因是醫(yī)學(xué)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(chǎng)偏移效應(yīng)、局部體效應(yīng)和組織運(yùn)動(dòng)等都影響影像的形成，況且醫(yī)學(xué)影像與普通圖像相比具有模糊性、不均勻性的特點(diǎn)，加之人體的組織結(jié)構(gòu)和形狀復(fù)雜個(gè)體差異大，這都是影響分割效果的因素，需要新的技術(shù)和新的理論來(lái)解決［14］，今后醫(yī)學(xué)圖像分割方法必須以自動(dòng)、快速、精確、魯棒性和自適應(yīng)性為目標(biāo)；分割技術(shù)研究熱點(diǎn)將是基于知識(shí)、模糊分割以及人工神經(jīng)網(wǎng)絡(luò)的分割技術(shù)；醫(yī)學(xué)圖像分割發(fā)展方向?qū)⑹乾F(xiàn)代分割技術(shù)和傳統(tǒng)分割技術(shù)相結(jié)合實(shí)現(xiàn)醫(yī)學(xué)圖像分割。

參考文獻(xiàn)：

［1］張新峰,沈來(lái)蓀.圖像分割技術(shù)研究［J］.電路與系統(tǒng)學(xué)報(bào)，2004，（9）.

［2］聶斌等.醫(yī)學(xué)圖像分割技術(shù)及其進(jìn)展［J］.泰山醫(yī)學(xué)院學(xué)報(bào),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(cè)方法［J］.青島大學(xué)學(xué)報(bào)(自然科學(xué)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(yīng)聚類圖像閾值分割方法［J］.計(jì)算機(jī)工程與應(yīng)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(qiáng),魏生民,汪焰恩.一種基于知識(shí)模型的C T圖像分割方法［J］.計(jì)算機(jī)應(yīng)用研究,2005，（8）：277-229.

［14］田婭等.國(guó)內(nèi)醫(yī)學(xué)圖像處理技術(shù)的最新動(dòng)態(tài)［J］.電子科技大學(xué)學(xué)報(bào),2002,32(5)：485-489.

（責(zé)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(xué)院計(jì)算機(jī)工程系，副教授，研究方向：計(jì)算機(jī)圖形學(xué)。