潘晓航

摘要 随着影像医学在临床医学的成功应用，医学图像分割在临床诊疗中起着越来越重要的作用。分割算法的精准性将影响诊断结果和治疗方案，本文从医学图像分割几种常用的方法出发，结合医学图像的应用，总结了每种方法的优缺点，列举了每种方法的改进算法。最后，进一步阐述了图像分割技术的发展趋势。

[关键词]医学图像分割 医学图像应用 阈值模糊c-均值 活动轮廓模型 人工神经网络

1 引言

医学图像分割是医学图像处理和分析中的重要步骤，其最终目标是使用一系列特征（如图像灰度、纹理、颜色以及局部统计特征等）将图像中“感兴趣区域”提取出来，辅助医生诊断、制定治疗计划和进行临床研究。然而，成像过程中噪音、场偏移效应等因素使获得的图像模糊、不均匀，加上医学图像本身对比度低、组织与病灶之间边界模糊，分割算法的结果受到很大影响。现存的分割算法都存在一定的针对性和适用性，在临床治疗中，需要针对具体应用领域选择适当的分割方法。

2 常用医学图像分割方法

2.1 闽值法

阂值法是最常见、应用最广泛的一种分割技术。阈值法基于图像中目标物体与背景像素灰度的差异性，把图像分为灰度值不同的目标和背景区域展现在直方图中，直方图中，不同的目标和背景呈现出不同的峰，选取一个或多个闽值对图像进行分割，如图1所示。对待分割图像的灰度直方图阈值的选取是整个分割过程中至关重要的一步，可通过直方图灰度分布、双峰法、迭代法、大津法等进行闽值的选取，很多学者对该问题进行了研究，申铉京等人提出了三维直方图重建和降维的Otsu阈值分割算法，该算法具有更强的抗噪性，分割效果较为理想，时间复杂度远低于三维Otsu法。邸秋艳提出了基于Ts allis熵的闽值图像分割方法，在阈值的选择过程中，利用Tsallis熵的非延广性提高了分割的准确性。

尽管阈值法处理直观，计算量小，但在具体使用中存在如下问题：

（1）选取合适的阈值相对困难，不当的阈值选取难以得到准确的分割结果。

（2）对灰度差异不明显或物体灰度值大量聚集在某一范围的图像分割效果较差。

2.2 模糊c-均值聚类算法

从生物学成像设备得到的图像数据具有不确定性（即模糊性），模糊分割算法能保留更多的原始信息，这使得模糊技术在图像分割中得到广泛应用。模糊c-均值聚类算法，简称FCM算法，它根据分类依据，将样本分成n个模糊组，求出每组的聚类中心，采用迭代法优化目标函数，获得全局最小值，从而得到最优聚类。

传统的模糊c-均值聚类算法在运用时不需要人为的干预，能够克服灰度图像中存在的不确定性和模糊性，适合自动分割应用领域。文献对该方法分割复杂结节的准确性、稳健性和重复性进行了考证。二者均以PET信息为线索，采用模糊分割在CT图像上勾画肿瘤轮廓，如图2所示。然而，若PET信息与CT信息差异较大，算法中的折中机制会带来较大的分割误差。

模糊c.均值聚类算法在进行图像分割时存在几个难点：

（1）在对組织异常，区域未知的医学图像进行分割时，很难确定聚类的数目。

（2）初试聚类中心的确定没有一定的标准。初始聚类中心的确定十分重要，但因为事先无法预测，只能进行猜测，限制了该算法发挥最大功效。

（3）算法开销太大。如果样本数量庞大，计算量会随之增大，需要较长时间才能完成，难以实时处理数据。

在此基础上，研究者提出了大量改进算法，齐淼等人提出了改进的模糊C一均值聚类算法，改进隶属度函数等，使算法具有更好的健壮性和聚类效果。侯晓凡等人提出了一种快速的模糊局部c-均值聚类分割算法，该算法满足了图像分割有效性的需求，能更好地满足实际场合图像分割的需要。

2.3 基于活动轮廓模型分割方法

基于活动轮廓模型（Active ContourModel，ACM）分割病灶区域的核心思路是利用病灶和正常组织之间的区域一致性信息，具体思路如下：

其中，μ，λi+，λi-分别为正则项（第一项）和拟合项（第二、三项）的参数，通常情况下设定μ= 0.5，λi+=λi-=1。I，I，i，j为PET/CT中的任意图像，Ci为第i幅图像中ACM的演化曲线，Length（Ci）为曲线Ci的长度，Qj和Qi分别代表演化曲线的内外部区域，n_表示区域Q‘所包含的像素数目，N代表所有图片的像素数目和，表示内外部区域的特征描述。其中，f1项由图像Ii的目标像素与其它图像Ii的内部区域ft的相似程度的积分组成，称为全局项。该项用于描述图像的前景一致性，以提取共同对象。￡项则为背景项，其由图像Ii中的目标像素与背景区域Qi相似程度的积分组成，使得图像分割的目标和背景差异较大，对应的设计思路如图3所示。

ACM有成熟的偏微分方程和能量泛函理论基础，模型运算速度较快，适合简单特征的任务，但也存在几个缺点：

（1）所利用特征单一，不适合复杂图像。

（2）存在大量的局部最优点，容易收敛到局部最优。

（3）依赖更多先验知识。

（4）适合处理低中层特征。

龚勋等人提出了基于混合能量活动轮廓模型的人脸分割方法，该方法的定位精度明显优于传统的全局能量模型和局部能量模型。祝世平等人提出了基于Snake活动轮廓模型的视频跟踪分割方法，该法克服了手动绘制初试轮廓的缺点，在空域对Snake贪婪方法进行了改进而且精确度高，速度快。

2.4 人工神经网络法

人工神经网络（artificial neural networks，简称ANN）是一种模拟人脑神经元对输入信号进行处理的模型，其结构思路如下：

其中输入xi与权值wi一一对应，传递函数f0计算出权重和，其数学模型如图4所示。

ANN由大量相互连接的节点构成，每一个节点都可以完成基本的运算，大量的连接和空间的信息，能够较好地处理一图像的噪声以及不均匀的问题。德国SIMENS公司研制的Syngo Lung CAD在对大量的胸部数据进行训练的基础上得到肺部肿瘤图像的处理和模式识别算法，可以自动识别整个胸部位置的直径为3mm以上的肺部结点，同时对疑似结点的轮廓进行分割，计算疑似结点的体积等。巩萍等人提出了基于灰度共生矩阵和人工神经网络的肺癌CT图像的分类研究，研究中，人工神经网络能达到分类目的，辅助临床治疗。目前，ANN技术常与模糊技术的结合，形成模糊神经网络系统，使得ANN技术在图像分割中的应用更为广泛。

ANN技术具有自学习、自适应的能力，它的应用可以减少临床治疗中医生的干预，并得到较为准确的分割结果。ANN技术可以用大量的训练图像数据解决复杂问题，但在现实应用中，收集用于训练的图像有一定的困难。

3 医学图像的应用

目前，医院应用较为广泛的医学图像包括计算机断层扫描成像（Computed Tomography，CT）、正电子发射断层成像（PositronEmission Tomography， PET）和PET/CT成像。

3.1 PET图像的临床应用

PET成像技术通过正电子示踪剂的聚集情况反应组织和病变区域的代谢率，进而鉴别其恶化程度。PET成像灵敏度高和特异性高，能在人体出现代谢异常时发现病灶，这一特点使之广泛用于肿瘤、神经系统疾病和心血管疾病，PET成像也有一定的局限性，如果患者对显像剂的病理性吸收和生理性吸收区别不大，PET图像中的癌性组织与其周围的正常组织易混淆。大量科研人员和临床医生开展了自动辨别及勾画肿瘤区域等相关研究。欧洲立项的SALOME系统通过分析PET图像，综合多种分割算法得到肿瘤描记结果，获得具有最大共识的肿瘤区域。

3.2 CT图像的临床应用

CT成像技术利用人体各种组织对X线的吸收能力不等的特性，用X射线对人体某一部位进行扫描，经由光电转换器转变为电信号，再经模拟/数字转换器转为数字信号。CT成像速度快，得到的解剖形态结构信息清晰，但CT图像对病灶信息的显示较差，不能在早期检出病变，很多专家学者对此进行研究改进，美国R2 Technology公司推出的肺癌早期诊断系统ImageChecker CT LN-1000能够检测CT图像上直径4mm-20m的肺结节，为放射科医生“阅读”图像、筛选候选结节、处理信息、展示资料提供帮助。

3.3 PET/CT图像的临床应用

PET/CT将PET与CT融为一体，PET提供组织和病变区域的代谢信息，CT提供解剖形态结构信息，二者的结合提高了诊断的准确性。PET/CT医学图像分割在临床应用方面有着重大的意义，分割结果方便医生更充分的发掘医学图像反映的解剖、病理等信息，为后续制定或修改病人的治疗方案提供依据。另外，在放疗计划中，通过病变区域的分割，为医生的诊断和治疗提供了更快捷、形象手段，提高了诊疗效率。图5为2017年9月分别以“PET/CT and （medical image or segmentation）” 和“PET/CT医学图像分割”作为检索句在Webof Science和中国知网上查询到的文献统计结果。虽然关于PET/CT医学图像分割的研究尚处于起步阶段，发表的文献数量不多，但是近几年（2012-2017）的逐年加速增长趋势非常明显，可见PET/CT图像处理已经为愈来愈多的研究者所重视。

4结语

随着医学图像和计算机辅助技术的发展，医学图像分割技术在医学领域被越来越广泛的应用着。然而，病灶区域的病理过程具有不可预测性，且形状无规律，边界不规则，病灶内部有时也会出现灰度异质的情况，这些因素使得设计一套完全自动的分割方法非常困难。综合不同的方法以达到对医学图像更有效的分割成为研究的趋势。充分考虑一些新技术如人工神经网络的方法和某些传统分割方法的特性，依据实际情况组合是提高图像分割精度的重要策略。

参考文献

[1]申铉京，龙建武，陈海鹏等.三维直方图重建和降维的Otsu阈值分割算法[J].电子学报，2011，39 （05）：1108-1114.

[2]邸秋艳，基于Tsallis熵的阈值图像分割方法研究[D].燕山大学，2009.

[3]罗杰，孔韦韦，刘睿.基于NSST和区域生长的红外与可见光图像融合算法[J].中国科技论文，2016，11 （14）：1673-1678.

[4]陶彬娇，陈倩，潘中良等，基于GrabCut和区域生长的服装图像前景提取算法[J]，华南师范大学学报（自然科学版），2017 （05）：122-127.

[5] Mu W，ChenZ， ShenW， etal.A SegmentationAlgorithm for Quantitative Analysisof Heterogeneous Tumors of theCervix with 18F-FDG PET/CT [J]. IEEETransactions on Biomedical Engineering， 2015， 62 （10）： 2465-2479.

[6] Xu Z，BagciU， Udupa J K，etal. FuzzyConnectedness Image Co-segmentationfor HybridPET/MRI and PET/CTScans [M]. Computational Methodsfor Molecular Imaging， SpringerInternational Publishing， 2015： 15-24.

[7]齊淼，张化祥，改进的模糊C一均值聚类算法研究[J].计算机工程与应用，2009， 45 （20）：133-135.

[8]侯晓凡，吴成茂，一种快速的模糊局部c-均值聚类分割算法[J].计算机科学，2016， 43 （10）： 297-303.

[9]龚勋，王国胤，李天瑞等.基于混合能量活动轮廓模型的人脸分割方法[J]，软件学报，2013 （03）： 623-638.

[10]祝世平，郭智超，高洁等，基于Snake活动轮廓模型的视频跟踪分割方法[J].光电子·激光，2013 （01）：139-145.

[11] AshrafH， De H B，DirksenA， etal.Evaluation of Siemens Syngo LungCARE CT and Lung CAD VolumetricLung Nodule Measurements[J]. Journal of ThoracicOncology， 2009，4 （09）： 733-742.

[12]巩萍，王阿明，基于灰度共生矩阵和人工神经网络的肺癌CT图像的分类研究[J].生物医学工程与临床，2013 （06）： 552-556.

[13]Lee I J，GamsuG，Czumj，etal.Lung Nodule Detection on ChestCT： Evaluation of a Computer-Aided Detection

（CAD）SystemLJl.Korean Journal ofRadiology， 2005，6 （02）： 89-93.

[14]邱明，张二虎，医学图像分割方法[J].计算机工程与设计，2005， 26 （06）：1557-1559.