医学图像分割技术

2024-05-22

医学图像分割技术（精选7篇）

医学图像分割技术篇1

1 引言

图像的分割技术在医学超声图像的定性、定量分析中占据十分重要的地位,它对后续所有的分析和处理等工作都有直接的关系。而正确的图像分割技术是为了从超声图像中提取到准确的相关临床应用的诊断数据以便医护人员做出正确的判断,这同样也是计算机作为辅助工具在临床上进行准确定位和实时监控非常重要的环节。

目前,在半自动化和自动化的定量分析方面,医学超声图像分割技术几乎不能同MRI、CT等的成像模式相提并论,但其因自身具有无损性、实时性、廉价性等的特点,并且在实施治疗规划和实时监控等方面有极大的发展潜力。因此此分割技术在医学上的关注度一直很高,但其本身的复杂性较高,故成为了一个至今还未攻克的世界性难题。

近几年以来,随着图像分割技术的不断发展以及新兴技术的不断产生,医学超声图像分割技术也被迅猛的带动发展起来。尤其是近十年来,动态规划模型以及水平集模型等技术使得图像的分割从二维分割向三维分割的方向迅速发展着。

2 传统的医学超声图像的分割技术

在整体上把传统的医学超声图像分割技术和其它图像分割技术分为两类,也就是以边缘检测为基础和以区域生长为基础的分割技术方法。如果是根据图像局部的不连续性和突变性等特征进行检测,称之为以边缘检测为基础的分割技术方法,它是将其连成边界并把图像分割成为不同区域;如果是将象素按照一些特征划分到不同区域当中以及相邻的区域具有不同的均匀性,则称之为以区域生长为基础的分割技术方法。这两种方法的使用是相辅相成的,在实际的应用过程中需要相互结合,这样才能达到预期的分割效果。

2.1 以边缘检测为基础的方法

以边缘检测为基础进行分割,这种方式是通过对相邻象素的特征值进行检测,根据病原体的突变性在不同的区域间获得边缘。判定边缘点是以检测点本身及其相邻点作为基础,主要有:局部的微分算子,例如Canny算子、Roberts梯度算子等。当然,对于超声图像的不同,还存在其它许多不同算子或手段。在边缘的检测算子中,一个良好的算子不仅仅是需要具备微分的特性便于获得灰度的信息,而且还要能够检测任何尺度的边缘。因为灰度在图像里可以按照不同的尺度而发生改变。根据试验结果显示,检测边缘所得到的边缘信息常常会由于信息的不突出而产生了间隙,使得已形成的曲线无法封闭物体。这就要采用一些连接、跟踪的算法根据离散的边缘点勾勒出物体的边界。而且,边缘检测这一分割方法对有较大噪音的图像会产生伪边缘比较,为了消除噪声,对其提出的要求也较高。而该问题特别是在医学超声图像的分割上比较突出。

2.2 以区域生长为基础的方法

以区域生长为基础的方法是以区域内部的均匀性为依据从而进行的图像分割技术,主要技术有:合并、分裂技术以及随机场技术。

2.2.1 基于合并、分裂技术的区域生长法

主要分为三类:即合并、分裂以及合并-分裂的结台。

(1)合并的方法:首先将图像分成多个小的摹本区域,然后依据特定均匀性从而分辨合并不同区域,最终形成一个大的区域;

(2)分裂的方法:将整幅图像作为最初的分割结果,只要当前分割的结果均匀性得不到满足,就不断将其进行四个方形区域的分裂,直到各个区域都足够均匀;

(3)合并-分裂相结合的方法:将相邻并且特征相似的区域进行合并,而明显特征不均匀的区域则不断进行分裂。

以上的几种方法对图像的质量要求都较高,尤其是同一物体的内部灰度的均匀性,否则容易导致过度合并或者过度分裂的现象。然而在医学超声图像上很少使用这种方法,通常是与其它的方法结合使用,因此这类参考文献极少。

2.2.2 基于随机场技术的图像分割方法

利用空间区域的相互作用模型,如Markov随机场等对图像进行模拟构建,再结合一些概率论知识以及模拟退火等优化方法对图像进行分割。

这种方法非常容易导致误分类产生,纹理边界极难进行分割,因此其在医学超声图像的分割中的应用还有待继续研究。

3 形变模型的医学超声图像分割法

近几年来,研究者们为了解决以上存在的各种问题,开始广泛的对以形变模型为基础的图像分割技术进行了各种研究和应用,并取得了不小成就。以下将分别讨论动态规划模型和水平集模型两种形变模型的超声图像分割法。

3.1 形变模型的医学超声图像分割法-动态规划模型

动态规划模型的分割方法的基本思想,首先人工在原始图像上选择初始点、终止点,并变换原始图像以获得初始代价阵,而目标的边缘对应的区域相比于其它的区域,代价相对较低;所以用初始代价阵和给定的初始点并将累积的代价阵通过计算得出结果,最后根据结果反向跟踪,即从终止点的方向回到初始点,便可获得实际需要的边缘轮廓线。

本文也依据此分割法进行了实验,实验结果显示该算法不仅可以取得最优解,抗干扰能力也十分显著。但该算法仍存在以下几个问题:

(1)计算量大:主要是在计算累积代价阵时耗费的时间较多,可以说累积代价阵的计算是整个运算的“瓶颈”;

(2)容易被引入“歧途”:由于超声图像有其本身的物理特性,还能产生比较大的噪声,所以导致伪边缘增多,在代阶阵中以条纹状低代价槽的形式表现出来,误导了整个计算过程,导致无法算出正确的结果;

(3)初始点、终止点的选择,极大的影响着分割结果,因初始点、终止点的不同可以形成不同的分割结果(详见图1中b、c、d)。

(a)原始图像,其中标志点位临床医生所标;(b)(c)(d)为不同初始点、终止点情况下的不同分割结果。

3.2 形变模型的医学超声图像分割法———水平集模型

水平集为几何形变的模型,应用比较多的是在计算机的视觉与图像分析的研究之中。设定的运动曲线是X(s,t)=[X(s,t),y(s,f)],式中的t代表时间,s代表任意参数;而用N来表示曲线的单位法向量,k表示曲率。可以采用偏微分的方程式来表示曲线以及沿曲线方向的法向量的变化:

式中的V(k)表示扩展的速度。为了解答出这个偏微分的方程,将水平集的概念给引入。设水平集的函数:Φ(z,Y,t),由运动曲线零值的集合来表示运动的曲线X(x,t),即Φ[X(z,t),t]=0。之后对其进行求导可得:

式中的▽Φ是Φ的梯度。假设Φ在曲线的内部是负的,在外部是正的,那么曲线单位的法向量就是:

根据(2)式与(3)式,我们可以将(1)式改写为:

零值集的曲线曲率是:

(1)式与(4)式的关系可以构成使用水平集的方法将曲线进化的理论给解决的基础。

在医学的图像分割技术中,水平集模型图像的分割方法已得到广泛应用,但在超声图像分割的应用还是较少的。这可能是因为医学的超声图像产生了较大的噪声使得其运动速度难以设定和终止的条件难以给定。因此,在医学超声图像的分割领域中,水平集模型的应用仍然需要进一步的深入研究。

4 总结语

综上所述,在分别论述了传统的图像分割技术对于医学超声图像的分割效果以及对近几年迅速发展起来的几个图像分割技术作了一一介绍和评价。通过以上的分析不难看出,传统的图像分割技术在对医学超声图像进行分割时是很难得到人们所期望的结果的;虽然形变模型分割技术能获得不错的效果,但仍有许多问题没有得到解决。因此,医学超声图像分割技术的研究方向应根据这些还未解决的问题,向以下几个方面发展:

(1)建立拓扑控制较好的形变模型;

(2)图像能量的设计;

(3)多种模型结合的应用,从而提高分割效果和加快分割速度;

(4)将图像分割技术由二维分割向三维分割方向发展。

摘要：图像分割技术在医学超声图像的定性、定量分析中占据十分重要的地位,它对后续的分析、处理工作有直接的影响。但是,尽管目前有大量的文献记载了关于图像的分割方法,对于许多具有复杂特性的医学超声图像,往往这些方法就起不到多少作用了。本文主要以医学的超声图像特性的分析为基础,分别对医学超声图像的分割方法进行介绍及评价,并对其发展的方向、趋势进行了简单的探讨。

关键词：医学超声图像,图像分割技术,发展方向

参考文献

[1]敖贵文.《医学超声影像三维目标对象的分割方法》[J].中国医学影像技术.2012年7期.

[2]蔡勇、陈念年.《超声医学图像的自动分割》[J].兰州交通大学学报.2004.23(4):61-64.

[2]李彩云.《基于水平集的医学超声图像分割方法研究》[J].学位论文.2013.

[4]郑丽芳.《三维超声图像分割方法的研究与实现》[J].学位论文.2010.

[5]吴建华.《医学超声图像处理的研究与实现》[J].学位论文.2010.

[6]刘燕杰.《基于活动轮廓模型的医学图像分割》[J].学位论文.2011.

[7]郑柏泠.《基于Grouping Bandlet的超声医学图像分割与应用》[J].学位论文.2011.

[8]严加勇、庄天戈.《基于改进粒子群的模糊聚类超声图像分割》[J].科学技术与工程.2011年21期.

[9]杨丞、费红晓.《医学超声图像分割技术的研究及其发展趋势》[J].北京生物医学工程.2010.0067-05.

医学图像分割技术篇2

各种医学成像技术的临床应用,使得医学诊断和治疗技术取得了快速的进展。如X线断层成像(X-ray Computerized Tomography,X-CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)、数字血管减影成像(Digital Subtraction Angiography,DSA)等,已能够分别以不同的时空分辨率提供各种解剖信息和(或)功能信息。为了更加准确地获取所关心的特定组织,本文采用一维自组织特征映射神经网络对医学图像进行聚类分析,实现对图像中不同组织的自动分割。利用本文的方法能较好地保证分割结果的准确性和完整性。

1 自组织特征映射神经网络

Kohonen根据神经系统的特性,在1981年提出了自组织特征映射神经网络(Self-Organizing Feature Map Neural Network,SOFMNN)模型,也称为Kohonen网络。这种网络模型可以在一维或二维的处理单元阵列上形成输入信号的特征分布拓扑图。其学习过程不仅要调节竞争获胜单元的各连接权值,还要调节获胜单元邻域单元的权值。对于给定的输入模式,自组织特征映射网络的不同区域具有不同的响应特征。

自组织学习的结果是将神经元分类,它们分别代表输入样本,反映输入样本的特征,这个映射过程用一个简单的竞争算法来完成。其结果可以使一些无规则的输入自动排序,在连接权的调整中可使权的分布与输入样本的概率密度分布相似;同时它又是一种样本特征检测器,在样本排序、样本分类、样本检测方面有着广泛的应用。利用SOFM网络这种特性,可以从外界环境中按照某种测度来抽取特征以及表达环境对象的根本规律。

Kohonen网络由输入层和输出层两层组成,如图1所示。

Kohonen网络输入层中的每一个神经元,通过权与输出层的每一个神经元相连,输入层的神经元可以是一维也可以是二维排列的。在输入层中竞争是这样进行的:对于输入层中获胜的神经元Yc,在其邻域Nc内神经元得到不同程度的兴奋,而在Nc以外的神经元都被抑制,这个Nc区域可以为方形或六角形,也可以为其它形状,如图2所示,Nc是时间t的函数,随着t增加,Nc的面积按比例缩小,最后只剩下一个神经元或一组神经元,它们反映一类样本的属性。

输入样本用矢量xp表示,P=1,2,…,k,共有k个样本,而每个样本的分量xundefined与输入层的第i个神经元相联,i=1,2,…,n,n为样本的维数,xundefined与输入层第j个神经元之间的权为wij,其输出为yi,则有:undefined

其中f()为输出层神经元的传递函数,一般为单调递增的非线性函数,如Sigmoid函数;θj为输出层神经元的阈值:n和m分别为输入和输出层神经元的个数。竞争是在神经元的输出yi之间进行的。根据不同的测度标准,可判断神经元的输赢。权wij的学习满足Hebb规则。Hebb学习规则的基本思想是:单元uj接收来自另一单元ui的输出,如果两个单元都高度兴奋,则从ui到uj的权值wij便得到加强。

2 基于自组织特征映射神经网络的聚类分析

自组织神经网络的具体学习算法:

(1) 初始化。从输入神经元到输出神经元的权值可以随机地取得一个较小的值vj且使wij=vj,j=1,2,…,n。

(2) 在样本x1,x2,…,xk中,任取一个样本作为网络的输入。

(3) 计算测度,得出竞争得胜的神经元。在自组织神经网络的实际应用中,经常取输入神经元与输出神经元之间的欧几里德距离dj作为测度,有:

undefinedj*∈[1,m]

其中j*为使欧氏距离最小的输出神经元标号,对应得胜神经元。

(4) 按照下式来改变输出神经元与其邻接神经元的相应权值:

undefined

神经元j的邻接神经元的集合Nc(t)一开始很大,约为1/2的输出平面,形状可为正方形或六角形,随着迭代次数的增多而逐渐减小。式中t为迭代次数;α(t)为学习速率因子,且是t的减函数,一般选为0<α(t)<1,以保证算法的收敛。

(5) 重复第(2)～(4)步,直到输出神经元平面上的兴奋神经元与输入样本稳定对应为止。

按照上述方法进行训练,自组织特征映射神经网络可以把医学图像的像素分成c类。给定矢量X={X1,…,Xi,…,Xn}是Rn空间中的N个观测量,其中Xi为X中的第i个观测量,Xi∈Rn。

对于X有函数f:Rn→Rc,取U=f(x)∈Rc,则:

U={u1,u2,…,uN}={f(X1),f(X2),…,f(XN)}

定义{X′1,X′2,…,X′c}为X的分类,则有:

X′i≠0 1≤i≤c

X′i∩X′j=0 i≠j

undefined

此时U={0,1}定义为:

undefined

本文根据医学图像的特点,确定Kohonen神经网络的输出神经元个数为16,即分类数为16。图3为原始医学图像迭代1000次后的权向量,wj表示输出神经元与输入神经元的连接权值。

3 对聚类分析后的医学图像进行分割

图像经过上述聚类分析后,每一个像素都对应一个分类数。用p(m,n)表示点(m,n)的灰度值,按矢量U(m,n)={u1,u2,…,uc}(m,n)进行分类,uj表示该像素对应于类j的分类情况,L为图像像素灰度可取的最大值,若图像为8位灰度图像,那么L的取值为256,则该点在图像中的灰度值计算如下:

p(m,n)=(u1w1+u2w2+…+ucwc)×(L-1)

为了得到特定的组织,需要对分类结果进行判断,c(m,n)表示该点的类别,find()查找向量中值不为0项的位置,[levell,levelh]表示特定组织的分类域,分割图像的计算如下:

c(m,n)=find(U(m,n));

if c(m,n)∈[levell,levelh]

p(m,n)=(u1w1+u2w2+…+ucwc)×(L-1);

else

p(m,n)=0;

首先找出特定组织的分类域,然后对像素的分类结果进行判断,若属于特定组织则计算其灰度值,若不属于该组织,则置0。

图4为原始的胸部CT图像,以骨组织为例,其部分组织的灰度值已接近软组织的灰度值,若直接使用灰度门限分割方法将无法保证分割的准确性。

图5为采用灰度门限法对原始CT图像进行分割,为了从软组织中分离出骨组织,选择了较大的阈值,但同时也丢失了部分骨组织信息。

图6为采用SOFMNN神经网络聚类分析后的图像,聚类分析的结果将原始图像分为16个区域。

图7为采用本文的方法对聚类分析后的图像进行分割的结果。从图中可以看到,分割结果很好地保留了骨组织信息。

图8为对采用本文分割方法分割后的图像运用种子填充算法提取骨组织轮廓线的结果,由于采用本文方法分割后目标与背景图像的灰度不同,所以很容易提取出目标组织的轮廓线。在实际的应用中,由于医疗器械及放射性物质剂量的差异,图像的灰度及对比度情况将更加复杂。而采用本文方法进行分割时,由神经网络对CT数据进行学习进而聚类分析来确定CT数据中所需要的信息,使得在实现自动分割的前提下保证了分割结果的准确性和完整性。

4 结束语

本文采用基于自组织特征映射神经网络的分割技术,对医学图像中的不同组织进行分割,得到的分割结果具有较好的准确性和完整性。同时也为基于面绘制的三维重建算法中等值线的提取奠定了基础。

摘要：采用一维自组织特征映射神经网络对医学图像进行聚类分析,实现对不同组织的自动分割。避免了直接使用灰度门限分割方法由于门限值选择不当所导致的分割结果有失准确性的缺点。试验结果表明,利用该方法能够较好地保证分割结果的准确性和完整性。

关键词：自组织特征映射神经网络,医学图像分割,聚类分析,分类

参考文献

[1]Juha Vesanto,Johan Himberg,Esa Alhoniemi,Juha Parhankangas.Self-organizing map in Matlab:the SOM Toolbox.Proceedings of the MatlabDSP Conference 1999,Espoo,Finland,November 16~17,1999:35-40.

[2]Anna Bartkowiak1.Adam Szustalewicz1 Stanis?law Cebrat2,Pawe?lMackiewicz2:Kohonen s self-organizing maps as applied to graphicalvisualization of some yeast DNA data.Lboff.tex,May 2,2004.

[3]Heather Erin Rickard.Feature Selection For self-Organizing FeatureMap Neural Networks With Applications in Medical Image Segmenta-tion,1999.

[4]Tina Kapur.Knowledge Based 3D Medical Image Segmentation,August2,1999.

[5]Kapur J N,Sahoo P K,Wong A K C.A newmethod for gray-level pic-ture thresholding using the entropy of the histogram.Computer Vision.Graphics and Image Processing,February 29,1985.

[6]Otsu N.A threshold selection method from gray-level histogram.IEEETrans,January 1,1979.

[7]张桂林,陈益新,李强,等.基于灰度与边缘的图像分割方法.华中理工大学学报,1994,5.

[8]张兆礼,赵春晖,梅晓丹.现代图像处理技术及Matlab实现.北京:人民邮电出版社,2001.

医学图像分割概述篇3

医学图像分割是医学图像处理与分析中的关键技术, 也是医学图像处理领域中的经典难题。由于噪音、场偏移效应、局部体效应等影响, 获取的医学图像不可避免的具有模糊、不均匀等特性。医学图像分割成了医学研究和计算机图像领域的研究的热点。

医学图像分割至今已有上千种分割方法, 其中既有经典的方法也有结合新兴理论的方法。在医学领域中, 图像分割是病变区域提取、特定组织测量以及实现三维重建的基础, 因此图像分割技术在医学图像处理中具有十分重要的意义, 仍是当前医学图像处理和分析的热点。目前国内外广泛使用的医学图像分割方法主要是基于区域的或基于边界的方法。

2 医学图像分割方法种类

2.1 医学图像分割技术

基于区域的图像分割技术强调的是同一对象内部特征的相似性, 这类分割算法的目的是按照解剖的或功能的角色把这些区域进行划分。基于边界的图像分割技术强调的是不同对象间特征的不连续性, 是依赖于图像中物体边界周围的梯度特征进行分割。基于区域或边界的方法可分为阈值分割算法、区域生长和分裂合并算法、聚类算法和边缘检测方法。

阈值分割算法利用图像中目标物体与背景灰度上的差异, 把图像分为不同灰度级的目标区域和背景区域, 用一个或几个阈值将图像的灰度级分为若干个部分, 认为属于同一个部分的像素是同一个物体;区域生长的基本思想是将具有相似特性的像素集合起来构成区域。首先为每个需要分割的区域确定一个种子像素作为生长起点, 然后按一定的生长准则把它周围与其特性相同或相似的像素合并到种子像素所在的区域中;聚类算法通过相似性的概念来把像素或体素划分到它所属的类型中的, 是一种目前非常流行的非监督分类算法;在图像分割中, 常用的边缘检测算子有:梯度算子、Sobel算子、Laplacian算子、Roberts算子、Canny算子等, 跟踪检测出的边缘点以构成边缘。

医学图像分割至今尚无通用的自身理论, 随着各学科许多新理论和方法的提出, 出现了许多与一些特定理论方法相结合的医学图像分割方法。主要包括基于模型的方法、基于知识和图谱的方法、基于数学形态学的方法、基于人工神经网络的方法、基于分形的方法和基于遗传算法的方法等。

2.2 偏移场医学图像分割

由于偏移场的存在使核磁共振图像中局部统计特性发生变化, 不同生理组织的亮度交叠分布, 成为自动化分割的一个主要障碍。现有的偏移校正方法分为:预处理方法和后处理方法。

预处理方法是基于MR设备特性, 需要用磁共振设备专门采集用于校正的数据, 必须获得原图像的扫描状态;后处理方法是基于图像特性, 可以适用于任何MR图像, 但是这种方法基本不能区分真实图像中与偏差场相似的成分, 造成真实图像中这一部分的失去或是偏差场不能完全校正。后处理方法中包括曲面拟合、空间滤波、统计方法和基于域的转化方法。

(1) 空间滤波的方法。基于空间滤波的偏移校正方法, 假设偏移场是由空间的低频亮度变化组成。这些方法, 先从原图中计算出偏移场, 然后通过将原始图像和偏移图像对应像素相除来进行偏移校正。各种空间滤波方法的主要不同在于在提取步骤中滤波方式的不同。滤波器分为低通滤波和同态滤波。

(2) 统计的方法。基于统计的方法主要目的在于图像分割, 在算法设计的时候考虑到了偏移场的影响。主要分为基于最大似然 (maximum likelihood) 和最大后验概率 (maximum a posteriori) 的方法、基于模糊C均值的方法和基于直方图的方法。

(3) 域的转化方法。代替空间域, 偏移校正可以在其他域中执行, 可以是双重性的, 如傅立叶域或者小波域, 或者补偿性, 如概率密度函数域。在这些域中, 可以对偏移场做出不同的假设, 校正之后, 再被转化到空间域中。

3 总结

医学图像分割是医学图像处理领域中的经典难题。医学图像处理与分析是近年来新兴的交叉学科, 随着图形、图像技术的发展, 医学图像的质量和显示方法得到了极大的改善, 从而借助于数字图像处理与分析手段使得诊疗水平大大提高。

由于偏移场的存在使磁共振图像的分割比其他医学图像分割困难的多, 现有偏移校正方法存在一定局限性, 即在偏移估计与校正的过程中, 会造成不同程度的信息丢失。本文阐述了医学图像分割的目的意义, 分析医学图像分割现状, 介绍了基本的医学图像分割方法, 对目前国内外医学图像分割方法进行了归纳, 总结各种不同类型方法的特点。

摘要：在医学研究和实践中, 经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量, 从而得出该组织病理、或功能方面的重要信息。由于偏移场的存在使核磁共振图像中局部统计特性发生变化, 不同生理组织的亮度交叠分布, 成为自动化分割的一个主要障碍。医学图像分割算法的研究仍是当前医学图像处理和分析的热点。本文阐述了医学图像分割的目的意义, 分析医学图像分割现状, 并对目前国内外医学图像分割方法进行了归纳, 总结各种不同类型方法的特点。

关键词：医学图像分割,偏移场,自动化分割

参考文献

[1]罗述谦, 唐宇.基于有偏场的适配模糊聚类分割算法[J].中国图形学报, 2002.[1]罗述谦, 唐宇.基于有偏场的适配模糊聚类分割算法[J].中国图形学报, 2002.

[2]刘文萍, 吴立德.图像分割中阈值选取方法比较研究[J].模式识别与人工智能, 1997.[2]刘文萍, 吴立德.图像分割中阈值选取方法比较研究[J].模式识别与人工智能, 1997.

医学图像分割技术篇4

1 移动立方体(MC)算法

MC算法的基本思想是从三维体数据中提取出等值面,所以通常也称之为提取等值面(ISO-Surface Extraction)算法。即将读入的一系列三维图片看作一个个图层,从相邻图层各取4个像素组成一个立方体的8个顶点,根据图像大小就可以分成若干个小立方体,然后根据各小立方体的顶点与给定阈值的大小关系将立方体的顶点以0或1标号(顶点小于阈值为0)。其中有一些立法体与阈值所在的等值面是相交的,采用插值计算出等值面与立方体边的交点,再将交点连接起来形成三维图形。但是最初的MC算法也存在两方面问题,一是最初的移动立方体算法的等值面是通过阈值分割来提取的,对CT图像进行阈值分割的效果比较明显,但由于人体内部构造的复杂程度、生物软组织的不稳定性和MRI成像时对骨组织显示清楚而软组织模糊的特点,造成在进行阈值分割的时候的分割效果不是很理想。因此最初的移动立方体算法在医学领域的应用中存在着一定的局限性。二是移动立方体算法进行表面绘制时会产生大量的三角面片,输出是三角形网格,由此建立的三维网格数据量庞大,因此,必须采取有效的措施在视觉误差允许的范围内对MC算法得到的模型进行合理的优化操作[1]。基于这两点的考虑,笔者综合了图像分割与MC算法,将分割结果作为MC的输入,利用分割结果构造等值面。同时对MC算法进行绘制后产生的大量三角面片,基于曲率的边折叠网格简化方法。

2 像的分割

在进行三维重建前的图像分割将会使重建的效果更好,分割的好坏对三维重建后模型的准确性也会产生直接的影响。笔者先使用中值滤波对图像进行预处理后,再采用水域分割方法对其进行进一步处理。

2.1 算法思想

分水岭算法是一种基于数学形态学的图像分割技术,已广泛应用于图像分析领域。但这种标准的分水岭变换存在过分割现象。分水岭分割主要包括两部分:梯度选择和基于标记的watershed变换[2]。

2.1.1 择梯度算子

水域分割实际上是把边缘检测和区域生长二者相互结合,就能够得到单像素宽的、连续而准确的边缘特征。因此边缘算子的选择对图像分割的效果起着非常重要的作用,笔者拟采用Sobel边缘检测算子。

2.1.2 基于标记的watershed变换

由于直接对梯度图进行生长会造成过分割的想象,笔者采用改进的watershed变换,先确定图像中目标的标记或种子,然后再进行生长,并且生长的过程中仅对具有不同标记的标记点建筑防止溢流汇合的堤坝,产生分水线。基于标记的watershed变换大致分为3个步骤,一是对原图进行梯度变换,得到梯度图;二是用合适的标记函数把图像中相关的目标及背景标记出来,得到标记图;三是将标记图中的相应标记作为种子点,对梯度图像进行watershed变换,产生分水线。

2.2 实验结果

笔者对一幅头骨的原始图像切片进行水域分割,分割的效果见图1。

3 三角面片优化

笔者将进行水域分割后的断层图像作为MC算法的输入图像对曲面进行重建,但MC算法输出的是三角形网格,所得到的三角形网格数据相当密集,由此建立的三角形网格结构的数量会变得很多,所以必须采取有效的措施对MC算法产生的模型进行合理的简化。笔者拟采用基于曲率的边折叠网格简化方法[3]。

3.1 边折叠操作

边折叠操作对选择新顶点没有严格的要求。新点的空间位置通过边折叠操作来控制产生,最大限度地缩短简化后网格与原始网格之间存在的距离误差,并且通过边折叠操作后能得到唯一确定的简化三角形网格。

边折叠简化算法的主要思想是计算其折叠代价,并且满足折叠条件的边按优先顺序插入队列,并将与之相关连的边从优先队列中删除,直到没有边满足折叠条件为止。

3.2 折叠条件

优化的网格简化算法应该在不影响原始模型的拓扑结构、边界等形状特征的情况下,尽可能地减少三角面片和顶点数目。笔者简化的最终目标是尽可能地减少曲率小的区域的顶点密度。

1)离散曲率的计算

Ln=-ΔB/2B.

计算可得

其中,B=∑Bi是围绕顶点M的三角形面积的和。αi和βi是边MQi在所在三角形中对应的顶角。NVi(M)是与顶点M在拓扑上有直接连接关系的网格顶点集合。

通过计算Ln(M)的范数来计算顶点M处曲率的大小。基于曲率的计算,可以将网格上的边按其端点的曲率来进行分类。将曲率小的区域中的边作为折叠的候选边,根据折叠代价的大小来对边进行划分。

2)边折叠代价的计算。笔者在边折叠代价的计算中用齐次坐标表示三维空间的位置,T为三维坐标的转置。假设ν为三维空间中的任意一点,其三维坐标表示为[νx,νy,νz,1]T。ΔP是网格上的任意一个三角形,它必能对应一个平面方程,并且满足a2+b2+c2=1。令M=[a,b,c,c]T,那么可以定义一个空间的边ν到折叠边e=(ν1,ν2)周围区域邻近度的一个测试度函数Dist(ν,e)=P∈N∑T(e)(MTν)2,其中NT(e)是与边e有相邻关系的三角形集合,候选边e折叠的方式按Garland中介绍的方法进行后得到新点ν,可以计算Dist(ν,e),以Dist(ν,e)作为折叠的代价函数。如果Dist(ν,e)的值越大,则说明折叠后产生的新点ν距离边e附近的网格表面就越远,反之折叠操作产生的误差代价就越大。

3.3 实验结果分析

实验以VC++和ITK与VTK集成的算法作为平台,机器配置为Pentium Dual Core E2140,1 G RAM。在该实验中,系统参数设置为:环境光系数0.2;漫反射系数1.0;镜面反射系数0.3;镜面反射指数50.0,实验结果见图3和表1。

从表1可以看出,使用笔者介绍的算法简化率达到了82%,其视觉效果能够接受,重建效率也得到了提高。

4 结束语

笔者首先介绍了MC算法的基本思想,进而分析出MC算法是有待改进的,并给出了改进的思想和构建过程。而在图像分割方面,笔者采用基于水域分割的医学图像分割。三角网格的简化,直接影响重建的效率和图像的质量,笔者主要采用了基于曲率的边折叠网格简化方法。实验结果证明,采用上述的方法使得MC算法的重建速度和图像的质量都有提高。

摘要：针对Marching Cubes(MC)算法存在的数据复杂、分割方法单一和三维网格存储量大的问题,提出了先将图像进行中值滤波处理,进行了图像分割及三维网格模型简化,并给出了相应算法。实验证明运用本算法,三维重建速度和显示效果均有提高。

关键词：三维重建,MC算法,图像分割,模型简化

参考文献

[1]宋凯,纪建伟.基于小波变换的图像融合算法[J].沈阳农业大学学报,2007,38(6):245-248.

[2]谢凤英,赵丹培.isual C++数字图像处理[M].北京:电子工业出版社,2008:415-437.

医学图像分割技术篇5

关键词：医学图像,自适应迭代分割,图像分割,实用性

计算机断层扫描(CT)数据及核磁共振图像(MRI)数据的可视化如今已经作为医学图像处理中研究的热点问题之一。实现医学图像三维重建的首要前提就是对图像数据进行正确、合理的分割,从中提取出感兴趣器官、组织或病变体的三维重建,达到辅助治疗与手术规划的目的[1]。

CT、MRI等图像数据,又称三维医学图像,对其进行分割是在三维空间进行。在医学图像的获取过程中,由于影像设备中各电子器件的随机扰动和受周围环境的影响,使图像多少含有噪声和失真,这就给医学图像准确、快速分割带来了一定的难度,影响了组织的分割与提取[2]。由于传统分割方法的阈值设置不合理时,会产生过分割和欠分割问题,从而导致算法的鲁棒性不高。因此如何设置最佳阈值,如何检测和避免过分割和欠分割是三维医学图像在实际应用中遇到的难题[3]。

文中针对三维图像分割难题提出了一种基于3D区域生长的三维迭代自适应分割算法(SO3DAISA),该算法主要包括4部分:种子选择、生长准则的设计、自适应迭代分割算法设计。

1 种子的选择

区域生长从种子开始,因此种子选取优劣对最后的分割结果有很大影响。最理想的种子选择方法是全自动方法,由计算机自动从输入图像中提取最佳种子,但医学图像结构复杂、数据量大,实现比较困难,因此目前主要还是采用人工交互方法[4]。

为尽可能减少和方便人工交互,文中设计了一个简单的种子设置软件。通过该软件可以方便地从 3D 图像中抽取任何一张切片Sz(x,y), 通过鼠标操作,可以用线条、矩形或圆形等形状在切片图像中标识出种子候选区域,如图1所示。基于这些候选区域,提出了一种基于概率统计的种子选择方法。

(1)从3D图像中抽取多张切片(通常采取每隔 3、4 张抽一张的方法),利用灰度直方图的分布计算概率得出种子的候选区域,并从切片图像中标识出种子的候选区域。假设共有N个候选区域Ri,1≤ i≤N,通常 N>6;

(2)对每个区域R中的像素进行灰度值统计,由式(1)和式(2)计算其均值和方差,分别记为 $\bar{X}, σ_{i}^{2}$ ,其中1≤i≤N。

$\bar{X}_{i} = \frac{1}{n} \sum_{k = 1}^{n} X_{k}$ (1)

$σ_{i}^{2} = \frac{1}{n - 1} \sum_{k = 1}^{n} (X_{k} - \bar{X})^{2}$ (2)

其中,n 为区域Ri,1≤i≤N中的像素数,Xk,1≤ K≤n代表区域中第K个元素的灰度值;

(3)对每一个候选区域Ri,1≤i≤N,依据正态分布“3σ原则”,视 $| X_{i} - \bar{X}_{i} | ＞ 3 σ$ 的样本点为不合理种子点,予以剔除;

(4)对剔除不合理候选点后的区域重新计算均值和方差;

(5)舍弃具有最大和最小方差的区域,计算所有合理种子点的均值 $\bar{X}$ 和方差σ2;

(6)将所有种子点的二维坐标映射为三维坐标,并加入种子队列中;

(7)得出所需要的三维种子侯选队列。

2 生长准则的设计

种子选择后,要根据种子的特征进行生长。通常,合理的生长准则既要考虑目标对象的总体特征,也要考虑其局部特征。文中设计了一种生长准则,它综合了对象的全局和局部信息,具有较好的性能[5]。

全局特征 $F_{G} = \exp (- \frac{(Ι_{V} - \bar{X}_{R})^{2}}{2 σ_{R}^{2}}) (3)$

其中,IV表示体素V的灰度值,R表示目标区域, $\bar{X}_{R}$ 表示区域R中体素的平均灰度值,σ $_{R}^{2}$ 表示区域R中体素灰度值方差。当新的体素添加到区域R中,应更新 $\bar{X}_{R}$ 和σ $_{R}^{2}$ ,因此,FG准则反映了当前体素V与区域R的相似性大小,是一种全局的相似性评价准则。

局部特征 $F_{L} = {\begin{cases} 1 i f Ν_{R} ＞ λ Ν \\ λ Ν_{R} / Ν o t h e r w i s e \end{cases} (4)$

其中N和NR分别表示当前体素邻域大小和邻域中已划分到区域中体素的个数。λ为一调节参数,该准则反映了当前体素V与其近邻体素的相似性大小,是一种局部相似性评价准则。

为综合考虑全局和局部的特征信息,采用加权因子W将FG和FL的线性组合作为最终的生长准则F,F的取值越大,表明当前体素属于目标区域的可能性越大。

F=WFG+(1-W)FL (5)

加权因子W的取值是制约生长准则F可靠性的一个关键的因素。从式(5)可以看出,FG越大,表明当前体素与目标区域的相似性越大,考虑到区域生长的邻接性,此时当前体素归并到目标区域的可能性应该较大,因此FG占主导地位,其权值W应较大;相反,FG越小,表明当前体素与目标区域在灰度值上差别越大,此时应考虑其局部特征FL,所以(1-W)应该越大,即W应取较小值。因此可以将W看作是的函数,在文中,采用式(6)函数来表示两者的关系。

$W = 1 - \exp (- \frac{F_{G}^{2}}{2 σ^{2}}) 0 \leq F_{G} \leq 1$ (6)

其中σ2为控制参数。由式(5)和式(6)推导得出分割阈值

$F = [1 - \exp (- \frac{F_{G}^{2}}{2 σ^{2}})] F_{G} + \exp (- \frac{F_{G}^{2}}{2 σ^{2}}) F_{L}$ (7)

3 三维自适应迭代分割算法的实现

根据式(7)可以计算出图像的分割阈值,算法主要有3个控制参数:Δ、η和δ。其中,Δ代表生长准则阈值TF的减小步长;δ是用户设置参数,用于控制分割的精度,该参数通常为一常数,在迭代分割过程中不变。

假设Δ和TE在第k次迭代时的取值为Δ(k)和TE(k),则第k+1次迭代Δ和TE的相应值Δ(k +1)和TE(k+ 1)分别由式(8)和式(9)确定。

TE(k+1)=ηN-VTF(k)+β (9)

当有新的体素归并到区域R时,其均值 $\bar{X}_{R}$ 和方差σ $_{R}^{2}$ 由式(10)和式(11)计算

$\bar{X}_{R n e w} = (\bar{X}_{R o l d} \times Ν_{R} + V_{o x e l} V_{a l}) / (Ν_{R} + 1)$ (10)

$σ_{R n e w}^{2} = ((σ_{R o l d}^{2} + \bar{X}_{R o l d}) \times Ν_{R} + V_{o x e l} V_{a l^{2}}) / (Ν_{R} + 1) - \bar{X}_{R n e w}^{2} (11)$

算法重复迭代执行,直到(TF(k)-TF(k+1))<σ时算法终止。

参数 $\bar{X}_{R}$ 和σ $_{R}^{2}$ 有两种更新方式:第一种方式为逐元素更新方式,在这种方式下,每当有一个新体素归并到目标区域时,就对 $\bar{X}_{R}$ 和σ $_{R}^{2}$ 更新一次;第二种方式是成批更新方式,在一次迭代下,将所有种子的邻域判决完毕后再对 $\bar{X}_{R}$ 和σ $_{R}^{2}$ 进行更新。

现以一张256×256的CT图为分割对象,令计数k=0,计算 $\bar{X} (0)$ 和方差σ2(0),初始化FG,FL;设置TF的初始减小步长Δ(0)以及η,初始化掩模AuxVMask,将种子置1,其它体素置0;执行第一次区域生长。

当迭代一次后,执行 k=k+1;更新 $\bar{X} (k), σ^{2} (k), F_{G} (k), F_{L} (k)$ 和TF(k);如果(VTF(k)-VTF(k-1))≥TE或越界,重新恢复到前一次迭代状态,令Δ=Δ/2;如果Δ<δ,程序执行完毕,退出。

分割结果对比,如图2所示。

在该算法中,每次迭代总是在上一次迭代的基础上向外扩展,并采用生长过度判断准则防止生长过度,具有较好的鲁棒性。通过逐次迭代得到针对不同三维图象的局部分割阈值,最大程度提取出医学图象中的细节信息。根据上图实验对比,自适应迭代分割比别的一般算法具有更好的分割效果。

4 结束语

利用三维自适应迭代分割算法,很好地解决了医学图像分割中的过分割与欠分割问题,并对其直方图进行多次迭代算法,最大程度找出图像中具有的细节信息。文中设计的人机交替分割系统,很好地解决了数据运算大、计算复杂等问题。具有很好的操作性和实用性,为下一步医生的诊断提供了很好的依据。同时,由于参数的设置依赖于图像的先验性,因此在进行三维自适应迭代分割过程中,必须反复交替对参数的设计进行调节,也得到合适的分割阈值。

参考文献

[1]向日华,王润生.一种基于高斯混合模型的距离图像分割算法[J].软件学报,2003,14(7):1250-1257.

[2]刘伟强,陈鸿,夏德深.基于马尔可夫随机场的快速图像分割[J].中国图像图形学报,2001,6(A版)(3):228-233.

[3]汪俊,周来水,安鲁陵,等.基于网格模型的一种新的区域分割算法[J].中国机械工程,2005,16(9):796-801.

[4]Kun Chang Yu,Erilc L Ritman,William E Higgins.System for the Analysis and Visyalization of Large3D An-atomical Tress[J].IEEE Transactions on Medical Ima-ging,1990,19(8):384-395.

医学图像分割技术篇6

随着曲线演化理论的不断完善, 水平集理论得到了快速发展。1988年, Osher和Sethian[1]最先提出水平集方法, 该方法的原理是将曲线或曲面作为零水平集映射到高维的水平集函数中, 通过高维函数来表达低维的曲线或曲面的演化过程, 在此基础上Chan和Vese[2]提出了C-V模型, 实现了图像全局分割。Li[3]等人提出了基于边缘的水平集图像分割模型, 该模型最大的改进之处就是加入了能量惩罚项, 解决了曲线在演化过程中需要重新初始化的问题。

1 水平集方法

1.1 水平集理论

设连续闭合曲线C (p, t) , 0≤p≤1, t为时间参数.φ (x, y, t) 是曲线C (p, t) 在t时刻的隐含表达, 同时也是曲线C (p, t) 在t时刻对应的φ (x, y, t) 的零水平集:

水平集算法的原理就是要使φ (x, y, t) 在演化过程中使得相对应的曲线为零水平集, 即:

水平集函数φ对时间t进行求导:

其中∇φ是φ的梯度, 将上式进行移项得:

根据曲线演化理论可知曲线的演化方向只与曲线的法向量有关, 因此设:

其中β为常数, 表示曲线的单位法向量, 将 (6) 式代入 (5) 式得:

因此应将函数嵌入到平面曲线中.

运用水平集求解演化方程得:

其中曲率gk为停止函数.

1.2 基于边缘的水平集方法

基于边缘的水平集方法所使用的是外力, 相比较于传统的水平集方法最大的改进之处就是加入了惩罚项使得曲线在演化过程中始终保持符号性, 从而避免了曲线在演化过程中需要重新初始化, 其能量泛函定义为:

其中Ω表示图像域;φ为水平集函数;µ, λ, v为常数;δ (x) 是Dirac函数;H (x) 是Heaviside函数;Gσ (x, y) 为方差为σ的高斯函数;I (x, y) 为图像函数;g (x, y) 是停止函数, 其表达式为:

在上式 (10) 中等式右边第一项为惩罚项, 作用是使得水平集函数在演化过程中始终保持符号性;第二项为曲线的长度项;第三项为曲线所围成的面积项。

对上文 (10) 式采用梯度下降法推导出水平集函数的演化公式为:

由于速度函数v的符号是人为预先设定的, 曲线会按照预先设定的单方向进行演化, 但由于目标的形状具有不确定性, 当演化曲线遇到凸起和凹陷区域时, 就易出现边缘泄漏或不完全分割。同时v是常数项, 如果v值选取过大, 曲线以较大的速度演化, 在弱边缘或模糊边缘处易造成边缘泄漏;如果v取值较小, 又会造成演化速度很慢, 演化时间变长。停止函数g (x, y) 仅仅反映是图像灰度的变化, 并不能准确及时地反映图像的边缘信息。

2 基于区域信息的自适应图像分割

2.1 符号压力函数

根据文献[4]中Xu等人提出的符号压力函数 (Signed Pressure Force, SPF) 的概念, 通过图像区域统计信息来改变压力函数的符号形成一种外部驱动力来驱动曲线的演化, 当位于目标内部时, 演化曲线会向外膨胀;位于目标外部时, 演化曲线会向内收缩。传统的符号压力函数对于灰度对比比较明显的目标和背景区域很适用, 但对具有模糊边缘的目标时, 效果不甚理想.基于上述问题, 本文构造一种新的符号压力函数, 其表达式为:

其中spf∈[-1, 1], I (x, y) 为图像函数, ω为权重系数且ω∈ (0 1, ) , c1和c2分别表示曲线内外的图像灰度均值, 其表达式为:

利用符号压力函数可以将图像分为符号相反的目标区域和背景区域, 通过符号压力函数来驱动曲线的演化。假设目标区域和背景区域灰度均匀且目标区域的灰度均值大于背景区域的灰度均值, 当某一像素属于目标区域时, spf (I) >0, 曲线膨胀将该像素纳入曲线内部;某一像素属于背景区域时, spf (I) <0, 曲线收缩将该像素排除到曲线外;当spf (I) =0时, 表示演化曲线已经到达目标边缘处。由此可以得出spf (I) 对曲线的演化方向具有指引作用, 从而克服了曲线只能单方向演化的问题。

在实际的应用中, 目标边缘处的模糊程度具有不确定性, 不同情况下对于模糊边缘的需求是不同的, 可以通过调节上文 (13) 式中ω值来实现。同样假设目标区域灰度均值大于背景区域灰度均值, 当ω取值较小时, 曲线在接近目标边缘时会进行收缩操作, 从而将更多的模糊边缘划入背景区域;同样ω取较大值时, 曲线在接近目标边缘时进行膨胀操作, 将更多的模糊边缘纳入目标区域。

速度函数v的符号会决定曲线的演化方向, v的数值大小会影响曲线演化所需的时间, 为了使曲线在演化的过程中不仅具有方向选取能力, 还能根据区域信息自动地对速度值进行调节, 构造一个新的自适应速度函数:

其中k和ε均为正常数。当spf (I) =0, 表示该像素属于目标边缘, v=0, 曲线停止演化。spf (I) >0时, v>0, 演化曲线以较大的速度进行膨胀。spf (I) <0时, v<0, 曲线的收缩速度加快。不同的k值提取的目标边缘的精确程度是不同的, 当需要提取目标的多层边缘或者弱边缘时, 取较大的k值。当对目标只需要提取主要边缘时, 取较小的k值。

2.2 能量泛函和演化方程

通过加入自适应速度函数和符号压力函数, 定义新的能量泛函为:

由 (17) 式推出曲线演化方程为:

定义水平集初始函数如下:

其中d (x, y) >0

3 实验结果与分析

为了验证算法的正确性, 本文选取了一幅合成图像和一幅真实的医学图像进行实验, 本文模型参数为λ=5.0, μ=0.04, k=6.0, ε=0.1, 时间步长τ=5.0。

图1为一幅灰度不均匀图像, 分别使用Li模型方法和本文模型方法进行分割, 图1 (a) 所示为原始图像, 图1 (b) 为Li模型的分割结果图, 图1 (c) 为本文方法的分割结果图。比较图1 (b) 和图1 (c) , 本文方法对目标区域边缘的分割更加精确且光滑, 同时迭代次数少, 运行时间短。

图2为一幅边缘比较模糊的医学细胞图像, 同样分别使用Li模型方法和本文模型方法进行分割, 图2 (a) 所示为原始图像, 图2 (b) 为Li模型的分割结果图, 图2 (c) 为本文方法的分割结果图。比较图2 (b) 和图2 (c) , 本文方法对具有弱边缘或模糊边缘的目标区域分割效果较好, 对复杂模糊的医学图像具有较强的分割能力。

4 结论

本文提出的模型使得演化曲线更加灵活, 具有双向, 新的速度函数可以根据区域信息的变化自动地进行方向选取, 同时还能对其数值大小进行调节, 提高了分割效率, 减少了演化所需的时间。实验结果表明本文模型能够使得演化曲线摆脱对初始位置的依赖, 同时能够有效地克服了曲线对医学图像中具有弱边缘或模糊边缘的目标区域易出现边缘泄漏的问题, 对复杂模糊的医学图像具有较强的分割能力。

参考文献

[1]Osher S, Sethian J A.Fronts Propagating with curvature dependent speed:Algorithms based on the Hamilton-Jacobi fromulation[J].Journal of Computational Physical, 1988, 79:12-49.

[2]Chan T, Vese L.Active contours without edges[J].IEEE Trans.on Image Processing, 2001, 10 (2) :266-277.

[3]Li C, Xu C, Gui C, Fox M.D.Level set evolution without re-initialization:A new variational formulation[c].In IEEE Conference on Computer Vision and Patter Recognition, , 2005, 1:430-436.

[4]Xu C.Y., Yezzi A., Prince J.L..On the relationship between parametric and geometric active contours[C].Processing of 34th Asilomar Conference on Signals Systems and Computers.Pacific Grove:IEEE Press, 2000:483-489.

[5]Caselles V., Kimmel R., Sapiro G.Geodesic active contour[J]International Journal of Computer Vision, 1997, 22 (2) :61-79.

[6]Li C.Kao C.Y, Gore J.C, et al.Minimization of region-scalable fitting energy for image segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 17 (10) :1940-1949.

[7]Caselles V., Catte F., Coll T., Diboa F..A geometric model for active contours in image processing[J], 1993, 1-31.

[8]Wang X.F., Huang D.S., Xu H., An efficient local Chan-Vese model for image segmentation.Pattern Recognition, 2010, 43, 603-618.

[9]Zhang K.H., Song H., Zhang L., Active contours driven by local image fitting energy, Pattern recognition, 2010, 43 (4) , 1149-1206.

几种医学图像分割方法的性能比较篇7

在医学图像可视化和分析过程中, 图像分割是一个不可缺的步骤。由于图像在医疗诊断过程中的可视化属性, 被拍摄的图像能够揭示不同的组织属性以用于医疗诊断。但由于复杂的解剖结构, 不同组织的差异性和模糊的图像边界等原因, 医学图像分割成为一项极其复杂而又非常重要的工作。医学图像分割能够将图像分割成不同含义的子区域或不同属性的目标, 并且通常与应用相关。国内外学者根据不同问题, 提出了多种不同的图像分割方法、包括基于阈值的分割法、基于边界的分割法、区域生长法等[1,2,3,4,5,6,7]。这些方法通常利用图像局部属性或全局属性来进行图像分割。也有一些学者考虑利用神经网络法进行图像分割[8,9]。

本文将梯度算子分割法、拉普拉斯算子分割法以及迭代阈值分割法进行比较, 以分析这几种方法对图像噪声的敏感性。

1 几种图像分割算法的介绍

1.1 梯度算子分割法

梯度算子是基于一阶方向导数在边缘处取最大值的变化规律提取图像边缘。M×N个像素点组成一个M×N的图像矩阵, 其中某个像素点用f (i, j) (1≤i≤M, 1≤j≤N) 表示, 则f (i, j) 的3×3邻域可表示为

Sobel算子为梯度算子的一种, 以Sobel算子为例, 考虑像素点f (i, j) 的上下左右邻点的灰度加权值, 四邻域的点的灰度值取权值2, 用以增加中心点的重要性, 则该梯度算子可被表示为

其中, 分别表示x方向的梯度值和y方向的梯度值, 并且有

1.2 拉普拉斯算子分割法

拉普拉斯算子是基于二阶导数在边缘处过零的特点来提取图像边缘的。拉普拉斯算子的表达式为

其中, 分别表示x方向的二阶偏导数和y方向的二阶偏导数, 分别可以用x方向上的二阶差分和y方向的二阶差分近似表示为

将式 (5) 和式 (6) 代入式 (4) 可得

1.3 迭代阈值分割法

阈值分割法是把图像的灰度分成不同的等级, 然后用设置灰度门限的方法确定欲分割物体的边界, 通过给定的阈值可相应把图像分割成前景和背景。迭代阈值分割法可通过试探性的方法来确定图像的分割阈值, 其基本思想是首先选择一个近似阈值作为估计值的初始值, 利用初始值进行分割获得子图像, 并根据子图像的特性来选取新的阈值, 然后利用新的阈值重新分割图像, 经过多次循环, 使错误分割的图像像素点降到最少。该算法可概述为:

(1) 选择一个阈值T的初始估计值T= (zmin+zmax) /2, 其中zmin和zmax分别表示图像中像素点的最小灰度值和最大灰度值。

(2) 利用阈值T可把图像的像素点分成2个集合R1和R2, R1表示灰度值大于T值的所有像素点的集合, R2表示灰度值小于T值的所有像素点的集合。

(3) 重新计算阈值T= (μ1+μ2) /2, 其中μ1表示集合R1中所有像素点灰度值的均值, μ2表示集合R2中所有像素点灰度值的均值。

(4) 重复上述步骤 (2) 和 (3) , 直到前后2次迭代运算得到的阈值之差小于给定的参数值γ。

2 系统性能仿真及分析

为了验证几种图像分割算法的性能, 分别以细胞图像分割和人脑核磁共振图像分割为例, 在MATLAB仿真环境下对上述3种医学图像分割方法的性能进行仿真。

2.1 细胞图像分割

细胞边缘的检测是进行细胞面积、圆度和个数等形态的定量计算和分析的基础, 其检测结果直接影响病情的分析和诊断结果, 如果细胞图像分割结果不理想, 则根本无法进行细胞的形态分析。假设图像中的噪声为高斯噪声, 且噪声方差为30 d B, 则细胞图像分割结果如图1所示。

2.2 人脑核磁共振图像分割

核磁共振成像技术是一种有效研究人脑的非侵害性途径, 人脑核磁共振图像分割的目的是勾勒出脑组织解剖结构的轮廓, 可应用于解剖及功能皮层结构的可视化和定量分析, 指导神经外科手术、皮层表面映射、体积测量、功能及形状改变的评估等。同样假设图像中的噪声为高斯噪声, 并且噪声方差为30 d B, 则人脑核磁共振图像分割结果如图2所示。

2.3 仿真结果分析

由以上2个应用实例可看出, 利用Sobel算子法和拉普拉斯算子法进行图像分割均对噪声比较敏感, 而利用迭代阈值法进行图像分割则对图像噪声相对不敏感, 并且迭代阈值法分割能够提取完整的图像轮廓, 使分割所得边缘具有连续性。原因是Sobel算子法和拉普拉斯算子法均是利用微分算子提取图像边缘, 微分算子对图像噪声比较敏感, 而迭代阈值法不受噪声影响, 边缘点完全由自身的灰度值确定, 避免了噪声影响范围的扩大, 因而在噪声相对较大的医疗图像中, 可相应考虑利用迭代阈值法分割图像。

3 结语

梯度算子是基于一阶导数方向在边缘处取最大值的变化规律来检测边缘, 拉普拉斯算子是基于二阶导数在边缘处过零的特点来提取图像边缘的。虽然这些算子计算简单、速度较快, 但都存在对噪声的干扰比较敏感以及噪声较大时无法检测可靠的边缘位置等缺点。而迭代阈值法可有效抑制噪声干扰的影响, 保证了边缘图像的连续性、完整性和精确定位。

摘要：详细介绍了梯度算子法、拉普拉斯算子法和迭代阈值法等3种医学图像分割方法, 通过对这3种算法在高斯噪声环境下的图像分割性能进行分析和比较, 得到了梯度算子法和拉普拉斯算子法对图像噪声比较敏感, 而迭代阈值法对图像噪声相对不敏感的结果, 最后指出了在噪声相对较大的医疗图像中可考虑利用迭代阈值法进行分割图像。

关键词：梯度算子,拉普拉斯算子,迭代阈值,医学图像分割

参考文献

[1]Panda D P, Rosenfeld A.Image segmentation by pixel classification in gray level, edge value space[J].IEEE Trans Circuits Syst, 1979, 27 (9) :440-450.

[2]Pratt W K.数字图像处理[M].邓鲁华, 译.北京:机械工业出版社, 2005.

[3]Fu K S, Mu J K.A survey on image segmentation[J].Pattern Recog, 1981, 13 (1) :3-16.

[4]Pavlidis T, Liow Y T.Integration region growing and edge detection[J].IEEE Trans Pattern Anal Machine Intel, 1990, 12 (3) :225-233.

[5]Sahoo P K, Soltani S, Wong A K C, et al.A survey of thresholding techniques[J].CVGIP, 1988, 41 (2) :233-260.

[6]孙日明.用于医学图像分割的区域生长方法[J].大连交通大学学报, 2010, 31 (2) :91-94.

[7]刘友江, 唐顺芬.医学图像分割方法[J].医学信息, 2012, 25 (5) :443-445.

[8]Hall L O, Bensaid A M, Clarke L P, et al.A comparison of neural network and fuzzy clustering techniques in segmenting magnetic resonance images of the brain[J].IEEE Trans Neural Networks, 1992, 3 (5) :672-682.

【医学图像分割技术】推荐阅读：

图像分割技术综述10-15

医学序列图像10-14

医学图像拼接06-30

热医学图像07-06

医学图像融合10-23

医学细胞图像10-29

医学CT图像11-15