黃文博1,2，燕 楊1,2，王云吉2

（1.長(zhǎng)春師范學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，吉林長(zhǎng)春 130032；2.吉林大學(xué)通信工程學(xué)院，吉林長(zhǎng)春 130022）

醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理與分析領(lǐng)域的復(fù)雜而關(guān)鍵的步驟，其目的是將醫(yī)學(xué)圖像中具有某些特殊含義的部分分割出來(lái)，并提取相關(guān)特征，為臨床診療和病理學(xué)研究提供可靠的依據(jù)，輔助醫(yī)生作出更為準(zhǔn)確的診斷。由于醫(yī)學(xué)圖像自身的復(fù)雜性，在分割過(guò)程中需要解決不均勻及個(gè)體差異等一系列問(wèn)題，所以一般的圖像分割方法難以直接應(yīng)用于醫(yī)學(xué)圖像分割。當(dāng)前，醫(yī)學(xué)圖像分割仍在從手動(dòng)分割或半自動(dòng)分割向全自動(dòng)分割發(fā)展。本文在對(duì)國(guó)內(nèi)外醫(yī)學(xué)圖像分割技術(shù)文獻(xiàn)研習(xí)的基礎(chǔ)上，對(duì)幾種常用的醫(yī)學(xué)圖像分割方法進(jìn)行了深入的研究和比較，總結(jié)了各種方法的優(yōu)缺點(diǎn)及其在國(guó)內(nèi)外醫(yī)學(xué)圖像分割領(lǐng)域的應(yīng)用。

1 國(guó)內(nèi)外常用的醫(yī)學(xué)圖像分割方法

1.1 閾值法

閾值法是一種簡(jiǎn)單而有效的方法，特別是對(duì)于背景與目標(biāo)區(qū)域?qū)Ρ榷容^大的圖像，分割結(jié)果更為理想。算法中的閾值需要在分割過(guò)程中不斷地手動(dòng)調(diào)整和改進(jìn)，所以大多是交互式的，是在用戶視覺(jué)估計(jì)的基礎(chǔ)之上進(jìn)行判斷的。閾值法的基本思想是通過(guò)設(shè)置不同的閾值將像素點(diǎn)分類(lèi)。該方法假設(shè)灰度圖像在同一背景或目標(biāo)區(qū)域內(nèi)相鄰像素的灰度值是近似的，在不同背景或目標(biāo)區(qū)域內(nèi)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(biāo)區(qū)域?qū)?yīng)著不同的波峰。

閾值法在實(shí)際應(yīng)用中主要存在兩個(gè)問(wèn)題：(1)該方法只考慮到圖像中像素點(diǎn)本身的灰度值，沒(méi)有考慮到圖像中像素點(diǎn)的空間分布，容易對(duì)噪聲敏感。(2)該方法對(duì)于背景與目標(biāo)區(qū)域灰度差異較小的圖像分割效果不好。醫(yī)學(xué)圖像因個(gè)體差異而復(fù)雜多樣，如：不均勻的人體組織器官常導(dǎo)致圖像灰度不均勻；人體組織的蠕動(dòng)及成像設(shè)備的局限性常導(dǎo)致圖像中存在偽影和噪聲；局部體效應(yīng)常導(dǎo)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(yī)學(xué)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(jìn)算法被提了出來(lái)，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(tǒng)閾值方法的基礎(chǔ)上通過(guò)簡(jiǎn)化隸屬函數(shù)，同時(shí)結(jié)合一個(gè)新的遞歸策略，從而降低了計(jì)算的復(fù)雜性，加快了運(yùn)算速度，較傳統(tǒng)算法相比其具備較好的實(shí)時(shí)時(shí)序和噪聲抑制性能。

1.2 區(qū)域生長(zhǎng)法

這種方法要求先選取種子像素點(diǎn)，隨后將與其相似的像素合并到它所在的區(qū)域，其基本原理就是將相似像素集合成區(qū)域。區(qū)域生長(zhǎng)法的3個(gè)步驟：(1)選出合適的種子點(diǎn)。(2)確定在生長(zhǎng)過(guò)程中能將像素合并進(jìn)來(lái)的準(zhǔn)則。(3)制定出能讓生長(zhǎng)停止的條件。

區(qū)域生長(zhǎng)法對(duì)噪聲敏感，如果種子像素點(diǎn)選取不當(dāng)，分割結(jié)果就會(huì)出現(xiàn)錯(cuò)誤，并且對(duì)于圖像中灰度值相近但不相鄰的多個(gè)區(qū)域不能一次全部分割出來(lái)。在醫(yī)學(xué)圖像分割中進(jìn)行病灶分割時(shí)，如果種子點(diǎn)選取得當(dāng)，這種方法可以自動(dòng)找到病灶的邊界，能為醫(yī)生的診斷提供定量及定性的依據(jù)。在醫(yī)學(xué)圖像分割中，區(qū)域生長(zhǎng)法與閾值法一樣，一般不單獨(dú)使用，多與其他分割方法相結(jié)合。如Jiang，Hui-Yan等人[2]將區(qū)域生長(zhǎng)算法和OSTU算法相結(jié)合對(duì)30個(gè)邊緣模糊的腹部MRI圖像進(jìn)行了有效分割；Wu，Hai-Shan和Gil，Joan等人[3]使用一個(gè)迭代的區(qū)域生長(zhǎng)算法對(duì)卵巢細(xì)胞內(nèi)染色質(zhì)進(jìn)行了有效分割；Angelina，S.等人[4]在2012年提出了一種新的區(qū)域生長(zhǎng)及合并算法與遺傳算法相結(jié)合的醫(yī)學(xué)圖像分割算法，用于對(duì)惡性黑色素瘤等皮膚癌進(jìn)行早期診斷，和其他常規(guī)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(duì)皮膚癌進(jìn)行早期診斷耗時(shí)長(zhǎng)等問(wèn)題。

1.3 邊緣檢測(cè)法

邊緣檢測(cè)法通過(guò)對(duì)目標(biāo)區(qū)域邊界的檢測(cè)來(lái)進(jìn)行分割，先找到圖像中灰度值不連續(xù)的部分，通過(guò)對(duì)不均勻的區(qū)域間交集的檢測(cè)實(shí)現(xiàn)對(duì)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(cè)出起始點(diǎn)，設(shè)置相似性準(zhǔn)則，然后根據(jù)它來(lái)尋找與上一點(diǎn)歸屬于同一類(lèi)別的下個(gè)輪廓點(diǎn)，即確定后繼相似點(diǎn)。使用該方法進(jìn)行分割可得到連續(xù)的邊緣，但分割結(jié)果比較依賴初始邊緣點(diǎn)，不合適的初始邊緣點(diǎn)可能導(dǎo)致錯(cuò)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(yīng)模板與圖像進(jìn)行卷積最后完成圖像的分割。該方法可同時(shí)在各個(gè)像素上進(jìn)行卷積，所以大大減少了運(yùn)行時(shí)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(duì)噪聲敏感，且當(dāng)邊緣的像素值變化較小時(shí)，可能會(huì)得到不連續(xù)或虛假邊界。在實(shí)際應(yīng)用中。由于并行方法比串行方法分割時(shí)間短，所以并行邊緣檢測(cè)法在醫(yī)學(xué)圖像分割中更為常用。如2012年P(guān)ark，J.等人[5]使用并行邊界與區(qū)域相結(jié)合的方法對(duì)不同醫(yī)學(xué)圖像進(jìn)行分割，實(shí)驗(yàn)結(jié)果表明，該方法能可靠準(zhǔn)確地分割低對(duì)比度的復(fù)雜醫(yī)學(xué)圖像。

1.4 基于活動(dòng)輪廓模型的方法

活動(dòng)輪廓模型，又稱(chēng)Snake模型，由Kass在1987年提出。由于Snake模型有著高效的數(shù)值方案以及嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)基礎(chǔ)，且應(yīng)用廣泛，提出后即成為圖像分割領(lǐng)域所研究的熱點(diǎn)。原始的Snake模型其基本思想是通過(guò)能量最小化，將一條帶有能量函數(shù)的初始曲線朝著待檢測(cè)的目標(biāo)輪廓方向逐步變形與運(yùn)動(dòng)，最終收斂到目標(biāo)邊界，得到一個(gè)光滑并且連續(xù)的輪廓。

原始Snake模型首先在目標(biāo)區(qū)域附近手動(dòng)設(shè)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(shí)間不斷演化，越來(lái)越逼近目標(biāo)邊界，當(dāng)演化停止時(shí)即獲得最終結(jié)果。Snake算法的3個(gè)主要步驟為：(1)讀取數(shù)據(jù)；(2)數(shù)據(jù)的預(yù)處理，如圖像的去噪、求梯度，求外力場(chǎng)等；(3)確定模型的參數(shù)與迭代次數(shù)，然后開(kāi)始迭代。

原始的Snake模型存在難以捕捉目標(biāo)凹陷邊界及對(duì)初始輪廓線敏感等不足，針對(duì)這些不足，學(xué)者們進(jìn)行了相應(yīng)的改進(jìn)，如氣球Snake模型、GVF Snake模型等與其他理論相結(jié)合的Snake模型。Qian Zhang等人[6]對(duì)Snake原始算法進(jìn)行了改進(jìn)，對(duì)肝臟MRI進(jìn)行識(shí)別，通過(guò)對(duì)曲率的求取及對(duì)輪廓線的設(shè)置、收斂及校正，提高了識(shí)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(dòng)分割方法，用于檢測(cè)B超圖像中的縱向頸動(dòng)脈壁，準(zhǔn)確率達(dá)到98%；Hui-Yan Jiang等人[8]提出了一種改進(jìn)的基于GVF Snake模型的半自動(dòng)肝臟分割方法，通過(guò)與閾值法和形態(tài)學(xué)運(yùn)算相結(jié)合，獲取肝臟的初始輪廓，繼而創(chuàng)建外力場(chǎng)，在GVF場(chǎng)的影響下，初始輪廓線收斂到精確的目標(biāo)輪廓位置。

1.5 模糊聚類(lèi)法

大多數(shù)的醫(yī)學(xué)圖像具有模糊性，圖像質(zhì)量低、噪聲大。模糊聚類(lèi)法將模糊集理論與聚類(lèi)算法相結(jié)合，模糊集理論對(duì)圖像的不確定性具備較好描述能力，將此特點(diǎn)結(jié)合到分類(lèi)中，應(yīng)用到醫(yī)學(xué)圖像分割領(lǐng)域。該方法不是以“一刀切”的方式將像素點(diǎn)硬性分到某一區(qū)域，而是引入模糊理論中“隸屬度”的概念，將像素點(diǎn)分到隸屬程度高的區(qū)域中去，提高了分割的準(zhǔn)確率。目前最常用的是模糊C-均值算法（FCM），該算法通過(guò)兩次迭代得到最優(yōu)邊界。

模糊C-均值算法（FCM）是一種無(wú)監(jiān)督算法，易于應(yīng)用，但其中各像素點(diǎn)的數(shù)據(jù)是相互獨(dú)立的，沒(méi)有利用圖像的空間信息，所以可以將空間信息引入算法當(dāng)中以提高分割算法的準(zhǔn)確率。近年來(lái)，基于模糊聚類(lèi)的圖像分割方法及其改進(jìn)算法在醫(yī)學(xué)領(lǐng)域得到了廣泛應(yīng)用，如Kaur，P.等人[9]在2012年提出了一種自動(dòng)的直觀模糊聚類(lèi)方法，在模擬和真實(shí)的腦部MRI圖像中進(jìn)行實(shí)驗(yàn)，對(duì)比傳統(tǒng)的模糊C-均值、噪聲聚類(lèi)、核化模糊C-均值等方法，實(shí)驗(yàn)結(jié)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(lèi)方法進(jìn)行醫(yī)學(xué)圖像分割，通過(guò)實(shí)驗(yàn)結(jié)果和定量分析表明，與傳統(tǒng)的FCM相比，該方法具備更高標(biāo)準(zhǔn)的抑制噪聲能力和細(xì)節(jié)保護(hù)；Christ，M.C.J.等人[11]提出根據(jù)不同類(lèi)型的模糊C-均值算法改進(jìn)的醫(yī)學(xué)圖像分割技術(shù)，并將模糊C-均值和其他聚類(lèi)算法如KM、EM和KNN相比較，實(shí)驗(yàn)證明模糊C-均值可提供更好的結(jié)果。

1.6 基于遺傳算法的方法

遺傳算法依據(jù)“物競(jìng)天擇，適者生存”這一自然界規(guī)則，模擬生物在自然環(huán)境中的遺傳和進(jìn)化過(guò)程，從而形成一種遵循自然選擇機(jī)制的隨機(jī)化搜索方法。求解過(guò)程大致為：從一個(gè)初始變量群開(kāi)始，通過(guò)對(duì)染色體中的基因進(jìn)行操作來(lái)完成逐代尋優(yōu)，直到算法收斂找到最佳分割閾值，最終完成不同區(qū)域的分割。該算法善于全局搜索，局部搜索能力不足，無(wú)需給出所求問(wèn)題的任何信息，只需要目標(biāo)函數(shù)的信息即可，大大縮短了算法的運(yùn)行時(shí)間。有時(shí)在進(jìn)化過(guò)程中會(huì)產(chǎn)生一些異常的個(gè)體，尤其是噪聲干擾較大的時(shí)候，這些個(gè)體因競(jìng)爭(zhēng)力太強(qiáng)會(huì)對(duì)算法的選擇運(yùn)算過(guò)程產(chǎn)生負(fù)面影響，導(dǎo)致算法得到某個(gè)局部最優(yōu)解。這些不足可從編碼方式、遺傳算子、控制參數(shù)、執(zhí)行策略等方面得到改進(jìn)。

單獨(dú)使用遺傳算法對(duì)醫(yī)學(xué)圖像進(jìn)行分割的效果并不理想，它常與神經(jīng)網(wǎng)絡(luò)和形態(tài)學(xué)理論等其他智能計(jì)算方法相互結(jié)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(lèi)間最大變化作為適應(yīng)度函數(shù)，算法結(jié)合形態(tài)學(xué)理論提取圖像邊緣，實(shí)現(xiàn)分割。實(shí)驗(yàn)結(jié)果表明，這種遺傳算法性能穩(wěn)定，融合結(jié)果理想；Jaffar，M.A.等人[13]在2009年提出一種結(jié)合支持向量機(jī)的遺傳算法，在肺部CT圖像中對(duì)肺結(jié)節(jié)進(jìn)行檢測(cè)，分割效果理想；Liu，J.等人[14]提出了一種遺傳神經(jīng)網(wǎng)絡(luò)算法來(lái)分割皮膚癌圖像，執(zhí)行基于遺傳算法的神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值優(yōu)化來(lái)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的收斂速度，由該方法分割的皮膚癌圖像可得到連續(xù)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(duì)Fourier分析的繼承與發(fā)展，利用小波變換進(jìn)行醫(yī)學(xué)圖像分割的基本方法是通過(guò)小波變換將圖像直方圖分解成不同級(jí)別的系數(shù)，用尺度控制并依照小波系數(shù)和給定的分割準(zhǔn)則來(lái)選擇閾值。小波變換在較大尺度上由噪音引起的細(xì)小突變較少，容易描述醫(yī)學(xué)圖像信號(hào)的整體行為，可檢測(cè)出醫(yī)學(xué)圖像灰度值變化較大的輪廓，因此可以通過(guò)在不同尺度下逐步確定閾值來(lái)處理醫(yī)學(xué)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(dòng)醫(yī)學(xué)圖像分割方案。整個(gè)計(jì)劃分為3個(gè)階段。在第一階段中，計(jì)算圖像的小波變換，隨后融合LH，HL和HH系數(shù)；在第二階段中，通過(guò)計(jì)算全局閾值來(lái)確定初始點(diǎn)；在第三階段中，從每個(gè)初始點(diǎn)開(kāi)始進(jìn)行搜索程序，得到閉環(huán)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(gè)醫(yī)學(xué)圖像分割系統(tǒng)。在不同的醫(yī)學(xué)圖像如PET，CT或MRI圖像進(jìn)行實(shí)驗(yàn)研究，對(duì)曲波變換的醫(yī)療數(shù)據(jù)集進(jìn)行了測(cè)試，并與從其他變換所得到的結(jié)果進(jìn)行了比較。試驗(yàn)表明，使用曲波掃描顯著提高了異常組織分類(lèi)，并減少了噪聲。

2 結(jié)語(yǔ)

隨著醫(yī)學(xué)成像和計(jì)算機(jī)輔助技術(shù)的發(fā)展，圖像分割技術(shù)已經(jīng)成為醫(yī)學(xué)圖像處理的研究熱點(diǎn)。研究人員一邊致力于新的醫(yī)學(xué)圖像分割算法研究，一邊又不斷嘗試著將不同的方法進(jìn)行巧妙的結(jié)合，以達(dá)到對(duì)醫(yī)學(xué)圖像更有效的分割。一些全新的醫(yī)學(xué)圖像自動(dòng)分割技術(shù)應(yīng)運(yùn)而生，如圖割圖論、基于知識(shí)的分割方法等，這是近幾年醫(yī)學(xué)圖像分割領(lǐng)域新成果的代表，也是未來(lái)醫(yī)學(xué)圖像分割技術(shù)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.