马宝英曹 忠

(1.昌吉学院 新疆 昌吉831100；2.昌吉职业技术学院新疆 昌吉 831100)

基于医学影像数据的图像分割方法研究述评

马宝英1曹 忠2

(1.昌吉学院 新疆 昌吉831100；2.昌吉职业技术学院新疆 昌吉 831100)

医学影像分割是提取影像中感兴趣的物体或特殊组织，对病变组织进行定性和定量分析。本文从医学应用的角度，简要介绍了几种经典医学图像分割方法的原理并对其进行医学影像分割的特点进行了分析。

医学影像数据；图像分割；分割算法

1 引言

随着计算机技术和电子技术的飞速发展，利用计算机图像处理功能对医学影像信息进行处理，可以实现人体结构的数字化，甚至可以实现人体器官的精确模拟，为临床对器官或部位变情的诊断提供动态模拟、对分析病变组织的结构和发生过程提供动态信息，从而提高了医疗诊断和治疗的准确性。例如图1肝CT肿瘤图，通过计算机的算法进行定量分析，准确的将肿瘤边界定位，对图像经过分割处理得到如图2所示的肿瘤直观清晰的三维影像信息，为进一步诊断和治疗提供参考。

图1 肝CT肿瘤图

图2 肝CT肿瘤三维影像

图3 脑MR图

图4 脑MR三维图

再如图3，利用图像分割技术可将大脑小脑脑白质、脑灰质、脑干、脑汁等分割开来，经过计算机图像处理呈现图4所示的三维立体影像，大脑，小脑等清晰可见，为医学领域很多脑分析、脑治疗等提供直观的三维影像信息。

医学影像分割是利用计算机和数字化仪器对医学影像中病变组织进行定量和定性分析，提取影像中感兴趣的特殊组织或物体，实现三维模型重建［1］。如何实现对影像数据的准确、快速分割是医学影像数据分割的关键，分割的效果也直接影响到三维重建模型的精确性。因此，对于不同的人身部位或人体器官，选用一种合适的分割方法也是至关重要的。目前国内外研究人员研究出了很多图像分割方法［2］，本文按传统医学图像分割方法和高级医学图像分割方法的分类对每种方法的优缺点进行分析。

2 传统的医学图像分割方法

2.1 基于阈值的医学图像分割方法

阈值分割方法的基本思想［3］是以一定的准则在二元函数中找出一个灰度值作为阈值，用一个或多个阈值将图像的灰度级分为几个部分，灰度值在同一类中的图像属于同一个目标，这样将图像分割为两部分。阈值选取的合不合适是阈值分割方法的关键，如果阈值选的太高，则太多的目标点就会被错误的归为背景，造成目标信息被割断；如果阈值选取的太低，则太多的背景归为目标，会出现目标分割不清，如图5、图6、图7所示。

实现简单是阈值分割方法的最大特点，阈值分割对影像中灰度值或特征值相差很大的情况可实现很有效的影像分割，但对于影像中灰度差别不明显或者灰度值范围有较大重叠的情况难以得到准确的分割结果。因此，阈值分割方法适用于目标和背景对比度较强的图像分割。

图5 阈值一（低）

图6 阈值二（中）

图7 阈值三（高）

2.2基于边缘检测的医学图像分割方法

边缘检测分割方法是通过检测影像中相邻像素特征值局部特性的不连续性或突变性，来得到不同区域之间的边缘图像，再将它们连成边界，这些边界将图像分成不同的区域［4］。

图8 血管原图

图9 边缘检测分割

边缘检测方法对目标和背景对比不是太明显的医学影象有较好分割效果，但若影像中信息太模糊，分割的影像边缘会产生间断，出现不闭合曲线，如图8、图9所示。

2.3区域生长的医学图像分割方法

区域生长是选取一个种子像素将其邻近相似像素归并构成区域，再将这些新像素作为新的种子像素继续归并，使区域逐渐生长扩大［5,6］。

这种方法的优点是计算简单，对医学影像中连通目标较均匀的分割效果较好。但需要在分割时人工交互获取种子点，而种子点直接影响分割效果。这种方法不适于噪声较大的影像分割，这样的分割会形成孔状或不连续的区域。

2.4基于活动轮廓模型的医学图像分割

活动轮廓线方法采用参数曲线来表示影像边界轮廓线，分为基于边缘的模型［7］和基于区域的模型［8］两类。基于边缘的模型是用影像梯度的边缘检测算子控制轮廓线的演化速度，使轮廓线在靠近物体边缘处停止。基于区域的模型用特定的区域的灰度、颜色、纹理等属性来控制轮廓线的演化。

活动轮廓模型的优点是特定区域内目标轮廓跟踪能力强、特征数据提取较好。缺点：一是无法实现自动分割，原因是活动轮廓初始位置的选取决定分割结果；二是能量函数难以给出；三是对于曲率高的活动轮廓部分无法收敛到边缘；四是边界是断开的不能封闭，图像测量难以实现；五是参数化曲线必须是单个的，多个曲线无法描述，不能实现拓扑变形。

2.5基于水平集模型的医学图像分割

水平集模型的目标轮廓对应于一个更高维曲面的演化函数的零水平集，然后可用某种形式的偏微分方程来表示演化函数，利用影像信息（如边缘）来控制曲面演化过程的停止，为解其偏微分方程引入水平集的概念。但传统的水平集分割方法优点是可实现拓扑变化，是通过初始函数进行延化，即使初始化非常光滑，迭代几次后也会变得不连续，不均匀，导致以后的计算产生很大的误差，叠代延化不稳定，后来为了解决这个问题，采取不断重新初始化函数，这样出现的问题就是什么时侯重新初始化，就需要靠经验来确定，如图10所示。

图10 重新初始化函数

为解决不在重新初化的问题，李纯明等于2010年提出一种新的水平集方法［9］，该方法先初始化一条延化曲线，让梯度均模等于1，对延化函数的梯度模减1的平方进行积分，让水平集函数接近于符号集函数，让系数控制扩散成度，当延化函数梯度模更小，接成横轴时，将延化函数拉上去，当延化函数梯度模更大时，接成纵轴，将延化函数拉下来，延化过程控制梯度模，保证延化函数在四十五度附近。这种方法对处理封闭运动界面随时间演化过程中几何拓扑变化十分有效，对于血管及大脑MR等医学影像具有很好的分割效果，但对于有深度凹陷的部分表现得不是很清晰。

3 高级医学图像分割方法

3.1 基于遗传算法的医学图像分割

遗传算法的基本思想是采用非遍历寻优搜索策略，建立在自然选择和群体遗传学机理基础上的随机、迭代、进化方法［10］。

其方法实现简单可进行并行处理，是具有很好鲁棒性和广泛适用性的全局搜索方法，但局部搜索效果不佳。若将灰度直方图熵法与遗传算法相结合，利用精英策略和模拟退火的思想［11,12］进行图像分割可以有效的解决这一不足得到较好的分割效果，提高运算效率。

3.2 基于小波变换的医学图像分割

小波变换是利用二进制小波变换将影像直方图分解为不同层次的小波系数，依照给定的分割准则和小波系数选择阈值门限，整个过程由粗到细，由尺度来控制，能把图像中不同尺度大小的结构提取出来，并有效地控制分割过程，提取出目标的特征，将目标组织从背景中分割出来，进行提取组织的三维重建。其特点是分割速度快，分割结果清晰，对噪声较大的医学影像有很好的分割效果。

3.3 基于人工神经网络的医学图像分割

人工神经网络是一种大规模并行连续处理系统。具有模拟人类的信号处理能力并且非常擅长于解决模式识别领域中的模式分类问题。其特点是自学习、自组织和自适应性；具有容错的能力和最优搜索能力；对于随机噪声有很强的鲁棒性［13］；联想记忆功能。可以很好地解决图像分割中噪声、组织不均匀、生物形态的多变性等问题。用模糊神经网络技术提取心脏轮廓，被训练过的神经网络根据模糊的规则可以将病变组织分类，从而将心脏区域中的病变组织与正常组织区分开来，此方法广泛地应用于MRI及CT医学图像的分割中，有较高的鲁棒性。

3.4 基于知识的医学图像分割

这种分割方法首先利用非监督的FCM算法对MRI图像进行初始分割，然后利用图像匹配技术对初始分割的结果进行再标记实现自动分割。包括两个方面的内容：一是知识的获取，建立知识库；二是知识的应用，实现图像的自动分割。其知识来源主要有临床知识、解剖学知识、成像知识、统计知识。其特点是对图像的分割是完全自动的，以迭代的方式连续的精确确定和描述目标区结构的边界，且其精确性会随着分割算法的进程逐步进化，具有较高的鲁棒性。

4 结束语

纵观国内外医学影像分割方法，大都是针对某个具体任务的，而且各有优缺点。目前还没有一种可以适用于任何医学影像分割的方法，并且对于较为复杂的医学影像分割误差较大。其原因是医学影像的成像原理和组织本身的特性有很大差异，成像的噪音、场偏移效应、局部体效应和组织运动等都影响影像的形成，况且医学影像与普通图像相比具有模糊性、不均匀性的特点，加之人体的组织结构和形状复杂个体差异大，这都是影响分割效果的因素，需要新的技术和新的理论来解决［14］，今后医学图像分割方法必须以自动、快速、精确、鲁棒性和自适应性为目标；分割技术研究热点将是基于知识、模糊分割以及人工神经网络的分割技术；医学图像分割发展方向将是现代分割技术和传统分割技术相结合实现医学图像分割。

参考文献：

［1］张新峰,沈来荪.图像分割技术研究［J］.电路与系统学报，2004，（9）.

［2］聂斌等.医学图像分割技术及其进展［J］.泰山医学院学报,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,范延滨,宋洁,潘振宽.基于小波分析与snake模型的图像边缘检测方法［J］.青岛大学学报(自然科学版),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］周铭,周惠.基于遗传算法的自适应聚类图像阈值分割方法［J］.计算机工程与应用,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］杨晓强,魏生民,汪焰恩.一种基于知识模型的C T图像分割方法［J］.计算机应用研究,2005，（8）：277-229.

［14］田娅等.国内医学图像处理技术的最新动态［J］.电子科技大学学报,2002,32(5)：485-489.

（责任编辑：马海燕）

PT391.41

A

1671-6469(2012)03-0086-04

2011-11-12

马宝英（1965-），女，新疆昌吉市人，昌吉学院计算机工程系，副教授，研究方向：计算机图形学。