医学图像分割方法综述

2019-03-27

福建质量管理 2019年18期

(沈阳建筑大学信息与控制工程学院辽宁沈阳 110000)

一、引言

医学图像是对解剖区域内部结构或内部功能的反映图像，其是通过采样或重建生成的离散图像表示，可以将值映射到不同的空间位置。医学图像通常具有低对比度，模糊边界和视觉识别不准确的特征。另外，由于人与人之间有很大的差别，且人体组织结构形状复杂，这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。

最近几年，为解决医学图像分割问题，许多研究人员做了大量的工作，提出许多实用的分割算法，比如模糊集理论、神经网络、小波理论等。本文主要介绍近年该领域国内外学者提出的新方法或对原有方法的新改进。有必要指出的是，本文中提到的方法分类并不绝对，大多数分割方法是多种简单方法的结合，我们只能粗略的将它们分为属于最能反映其特征的某一类。

二、医学图像分割方法

图像分割是用于区分图像中特殊区域和独特区域并提出感兴趣对象的技术和过程。医学图像分割同样是将感兴趣区域从图像中提取出来，或者融合并提取感兴趣区域。如今现有的医学图像分割方法主要分为以下几种方法：基于阈值的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。

(一)基于阈值的医学图像分割方法。阈值法的基本思想是根据图像灰度特征来计算一个或者多个灰度阈值，并将图像中每个像素的灰度值与计算出的阈值作对比，最后将像素按照对比结果分到符合的类型中。阈值分割法的优点是计算简便、效率高、运行速度快。

如今比较常用的阈值法有Otsu 法。Otsu法是基于图像中目标和背景的可分离性而提出的。该方法建立在假设图像中目标和背景所构成的混合密度函数是由两个服从等方差的正态分布子分布的基础之上。对于传统的多阈值分割算法，需要花费大量的时间来寻找最优解，Qin[1]提出了一种基于改进蚁群算法的阈值医学图像分割算法，本文在多阈值Otsu分割下，对蚁群算法进行了改进，引入Lévy flight 模式，提高了算法的收敛速度。

(二)基于区域的医学图像分割方法。区域分割方法的基本思想是直接从图像中提取信息，并将图像分成若干个子区域，使每个子区域具有一定的相同特点。传统的区域分割方法有以下几种：区域生长法和分水岭算法。

1.区域生长法。区域增长方法的基本思想是通过对具有相似性的像素进行分组来组织区域。区域增长方法具有计算量小，对均匀连通目标有良好分割效果的优点。它的缺点是需要人工选取种子，其对噪声很敏感并且可能会导致分割结果内有空洞。为了解决初始定位问题，侯东奥[2]提出了基于区域生长法的改进的测地线活动轮廓(Geodesic Active Contours,GAC)模型。该模型首先采用区域生长法粗略分割图像，然后将分割结果作为改进的GAC模型的初始轮廓，使肿瘤轮廓的分割准确度更高；2.分水岭算法。分水岭算法是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像作为测地学上的拓扑地貌，图像中每个像素的灰度值表示该点的海拔高度，每个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭算法对图像中的噪声，极有可能产生过度分割的现象。鉴于脑肿瘤MRI图像的分割问题，Benson[3]等则基于一种融合的思想来提高分水岭分割算法的性能，即在利用分水岭算法对脑肿瘤图像分割时，不仅顾及图像的灰度信息，还同时考虑了图像的颜色、边缘、方向和纹理信息，也取得了较好的分割效果。Liang[4]提出了一种基于形态学处理和全变异模型医学图像分割算法。首先对脑损伤的MRI图像进行形态学梯度预处理。其次采用全变分模型对梯度图像进行降噪。然后用强迫最小值技术得到内外标记，并利用这些标记对梯度幅值图像进行校正。最后将改进后的梯度图像提取到分水岭变换中。结果表明，该方法可以有效地提取脑损伤的MRI图像。

(三)基于特定理论的医学图像分割方法。在医学图像分割方法中除了上述方法，还有基于深度学习的分割方法、基于遗传算法的分割方法等。

1.深度学习。随着人工智能的快速进步，医学图像分割的方法也逐步发展、更新。深度学习是一种新式的从端到端的模型，减少人工预处理的阶段，使用多层的网络结构全自动提取不同层次的特征。其具有信息分布式存储、大规模自适应并行处理、自组织、自学习功能、高度的容错性、鲁棒性等优点。RONNEBERGER[5]等提出了一种网络和训练策略，它依靠于对数据增强的强大使用，从而更有效地使用可用的带注释的样本。该体系结构由捕获上下文的收缩路径和支持精准定位的对称扩展路径组成，证明了这种网络可以从非常少的图像端到端的训练，并且在ISBI挑战中分割效果较好。

2.遗传算法。遗传算法是一种模拟自然进化过程，并根据“优胜劣汰、适者生存”的原则获得最佳解决方案。它的优点不仅在于可以依据少量结构就能够反映出整个区域，便于实时处理，而且有效利用全局信息防止陷入局部最优，具有较好的鲁棒性；其缺点在于收敛速度慢、易早熟等。Guan[6]等提出了一种基于遗传算法的医学图像分割方法，该方法首先用alobal搜索容量和簇间方差最大作为适应度函数，然后自动搜索边缘检测的最优阈值，结合形态学处理提取医学图像边缘，最后实现图像分割。实验表明，该方法不仅简化分割，而且实现了良好的分割效果，提高了图像的效率和质量。