医学图像分割概述

医学图像分割概述（共7篇）

医学图像分割概述 篇1

1 医学图像分割意义及研究现状

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.

[3][美]冈萨雷斯Gonzalez R C, 等, 著.《数字图像处理》[M].阮秋琦等译.北京:电子工业出版社, 2003.[3][美]冈萨雷斯Gonzalez R C, 等, 著.《数字图像处理》[M].阮秋琦等译.北京:电子工业出版社, 2003.

医学图像分割进展 篇2

信息技术的飞速发展和计算机应用水平的不断提高,促使了医学成像技术的突飞猛进,人们能够获得大量高分辨率的医学图像,如:计算机断层成像(Computed Tomography,CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)、超声成像(Ultrasonography,US)等技术已经广泛应用于医疗诊断、术前计划、治疗、术后监测等各个环节,如何把这些成像技术中获得的各种定量、定性数据进行分析,是至关重要的问题。只有把感兴趣的目标从图像背景中提取出来,才能够进一步对它们进行定量分析或识别,进而对图像进行理解。目前,医学图像分割主要以各种细胞、组织和器官的图像作为处理的对象或内容。图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求[1]。

1 医学图像分割技术的发展

医学图像分割技术的发展是一个从人工分割到半自动分割再到自动分割逐步发展的过程。人工分割是指由经验丰富的临床医生在原始胶片图像上直接勾画出有关组织的边界,或者通过图像编辑器用鼠标在计算机监视器上勾画出有关组织的边界成感兴趣的区域[2]。目前,人工分割的精度在所有分割方法中是最高的,被视为金标准。虽然人工分割的精度极高,但该方法费时、费力,其分割结果的优劣完全取决于操作者的经验知识,且分割结果难以重现。半自动分割方法是随着计算机科学的发展而产生的,它是把计算机强大的数据处理、存贮和记忆能力与人的知识和经验有机地结合起来,通过人机交互的形式完成图像分割的全过程。半自动方法与人工分割相比,分割速度明显提高,但分割结果很大程度上仍然依赖于操作者的经验知识,这种情况在一定程度上影响了半自动分割技术在临床上的推广应用。自动分割是由计算机完成图像分割的全过程,完全脱离了人为干涉。由于该方法不存在人为因素的影响,因此能够很好地再现分割结果,为精确定量测量奠定了基础。但自动分割算法复杂,运算量较大,在有些情况下,仍然需要人工干预。因此,研究新的自动分割方法一直是近年来图像分割方法研究的重点。从目前图像分割技术的发展趋势来看,新分割方法的研究大多以下列几个方向为其目标:(1)自动,以最少的人机交互完成分割的全过程;(2)精确,以最优化的结果与解剖结构接近;(3)快速,以实时处理为最终目标;(4)自适应性,对于不同的应用可以自我学习,自我适应;(5)鲁棒性,对噪声、模糊等干扰具有较强的免疫力。

2 医学图像分割方法

医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础,也是临床医学应用的瓶颈,分割的准确性对医生判断疾病的真实情况并做出正确的诊断计划至关重要。由于医学图像具有极为繁杂的多样性和复杂性,加上目前医学影像设备(CT、MRI、PET等)成像技术上的特点,使得医学图像存在一定的噪声,图像中目标物体边缘也可能不清楚,这使得医学图像分割更加困难。因此,目前在医学图像分割方面仍然没有可以通用的理论和方法。一般来说,图像分割主要可分为基于区域的分割方法和基于边界的分割方法[3]。基于区域的分割方法,依赖于图像的空间局部特征,如:灰度、纹理及其它像素统计特性的均匀性等。基于边界的分割方法主要是利用梯度信息确定目标的边界,这种方法不依赖于已处理像素的结果,适于并行化,缺点是对噪声敏感,而且当边缘像素值变化不明显时,容易产生假边界或不连续的边界,在实际应用中往往需要把这两种方法结合起来。

2.1 基于区域的分割方法

2.1.1 区域生长法[4]

区域生长法是将具有相似性质的像素集中起来构成区域,该方法需要先选取一个种子点,然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域生长法的优点是计算简单,特别适用于描绘肿瘤和伤口等小而简单的结构,区域生长很少单独使用,往往与其他分割方法一起并用。区域生长法的缺点是:它需要人工交互以获得种子点,这样,使用者必须在每个需要抽取的区域中植入一个种子点。同时,区域生长法对噪声也敏感,导致抽取的区域有空洞,或者在局部体效应的情况下将原本分开的区域连接起来。为了克服这些缺点,陆剑锋[5]提出了一种通过计算种子点附近领域统计信息,自适应改变生长标准参数用于头骨CT、肝脏CT以及人脑MRI图像的分割算法,在切片图像预处理进程中,考虑到体数据相邻切片之间高度的相关性,在相邻层之间采取高斯核滤波去除噪声,并通过各向异性滤波算法对滤层切片进行滤波,结果表明,该算法可有效地提取出图像区域,具有较好的鲁棒性。

2.1.2 基于统计学的方法[6,7]

随机场的方法是空间像素点之间空间关联的统计学方法,如基于马尔科夫随机场(MRF)方法。统计学方法的实质是从统计学的角度出发对数字图像进行建模,把图像中各个像素点的灰度值看作具有一定概率分布的随机变量。MRF模型应用的难点在于选取合适的参数,控制空间相关性的强度,强度过强将导致分割图像边缘过度平滑,从而丢失一些重要的解剖细节信息。另外,应用MRF模型的算法计算量很大。尽管有这些缺点,MRF还是一种应用广泛的模型。MRF模型常被用于估计和校正核磁图像中的局部体效应和强度不均匀现象。另一种常用的基于统计学的方法为标记法(Labeling),此方法就是将图像分割成的几个物体各以一个不同的标号来表示,对图像中的每一个像素,用一定的方式赋予其中一个标号,标号相同的像素就组成该标号所代表的物体。Weian Deng[8]等人给出了一种以概率标记法作为边缘检测后处理的迭代算法。

2.1.3 人工神经网络法[9]

人工神经网络(ANN)是一种大规模并行连续处理系统。ANN具有模拟人类信号处理能力并且非常擅长解决模式识别领域中的模式分类问题,而医学图像分割问题正是对图像中的各个解剖结构进行分类和标记的问题。ANN的主要特点有:具有通过实例学习的能力,并能利用前馈网络概括所学内容;对于随机噪声有很强的鲁棒性,具有容错的能力和最优搜索能力。因此,当利用其它方法进行图像分割时,对于噪声、组织不均匀性、生物形态的多变性等问题,利用ANN技术可以得到很好的解决。但是,使用神经网络法时,因为网络中有许多相互连接,所以空间信息就能很容易地包含在分类过程中。此分割方法分为两种:有标准图像样本集和无标准样本集分割。有标准样本集的分割方法是首先对标准样本进行训练,得到神经网络分类器,待分割图像时根据分类器进行分类,没有标准标本集的分割方法是对像素特征设计一个非线性聚类器,目前这种分割方法主要集中对神经网络的改进上。

2.2 基于边缘的分割方法

2.2.1 基于形变模型的方法[10]

此类方法目前在医学图像分割中应用最广,它的特点是将图像数据、初始轮廓、目标轮廓和基于知识的约束统一于特征提取的进程中。形变模型包括二维形变轮廓模型(又称Snake)和三维形变曲面模型,还有一些利用形状先验知识和使用点集合先验知识的改进模型。形变曲面模型是活动轮廓在三维空间的推广形式。三维形变曲面模型可以更高效、更快捷地利用三维数据,而且更少地需要用户交互或指导。形变模型分为两大类:参数形变模型和几何形变模型。基于参数形变模型分割过程就是使模型在外能和内能作用下向物体边缘靠近,外力推动轮廓曲线运动,而内力保持轮廓的光滑性。几何形变模型方法利用曲线演化理论来实现。轮廓对应于一个更高维曲面的演化函数的零水平集,演化函数可用某种形式的偏微分方程来表示,利用图像信息(如边缘)来控制曲面演化过程的停止。形变模型的主要优点是能够直接产生闭合曲线或曲面,并对噪声和伪边界有很强的鲁棒性;缺点是:它对初始边界位置十分敏感,有时要求人工选择合适的参数。

2.2.2 基于数学形态学的方法[11,12]

随着数学形态学理论的不断完善和发展,数学形态学在图像边缘检测中得到广泛的研究和应用。数学形态是一门新兴科学,它建立在严格的数学理论基础上,其基本思想和方法对图像处理的理论和技术产生了重大影响,数学形态学已经构成一种新兴的图像处理方法和理论。形态学图像处理以在图像中移动一个结构元素并进行卷积的方式进行,结构元素可以任意大小。形态学的基本操作是膨胀、腐蚀、开闭运算,它们算法简单,同时能较好地保持图像的细节特征,很好地解决边缘检测精度与抗噪声性能的协调问题,缺点是算法的适应性差。形态学理论在图像分割中的应用有代表性的是Luc Vincent[13]等人提出的分水岭方法(Watershed)[14]。该算法的思想来源于地理学。经过分水岭方法处理后,将输出原始图像的过度分割图(分割的区域数目超过图像中包含的实际对象数),过度分割的区域数目取决于参数的大小。虽然这些方法已成功用于图像分割,但它们需要用户的交互或准确的关于图像结构的先验知识。为改进早期方法的这些问题,分水岭算法往往与其他方法结合使用。

2.2.3 基于小波变换的方法[15]

近年来,在低频和高频分析时有“变焦”特征的小波变换在医学图像分割中,得到广泛应用。用小波进行医学图像阈值分割的思想是利用二进制小波变换将图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。如果分割不理想,则可利用直方图在精细的子空间上的小波系数逐步细化图像分割;用小波进行边缘检测,则是利用小波系数模的极大值。文献[16]提出了一种小波多尺度几何活动的曲线模型,就是小波边缘检测的方法;采用间隔采样的离散小波变换提取图像特征,在矢量量化聚类的基础上,通过增加马尔可夫随机场的限制条件,建立起小波空间内的分割统计模型。在小波最高层空间简单设置初始聚类情况,经过优化迭代过程以及相邻空间内的分割结果的遗传,使其逐层自适应地收敛到最佳聚类状态。在多尺度分析下,图像的类别信息和位置信息是一对矛盾,两者之间存在不确定性[17]。因此,必须充分考虑各尺度之间的拓扑关系和对称性,如此会大大提高分割算法的计算效率。

3 医学图像分割新技术

3.1 基于模糊技术分割[18]

模糊技术是建立在模糊集合理论基础上的,能很好地处理三维医学图像内在的模糊性,而且对噪声不敏感。由生物医学成像设备获取的图像数据具有内在的不确定性,这种不确定性的程度依赖于许多因素,包括在空间、时间和参数分辨率方面的局限性以及成像设备的其它物理限制等。这些不确定性是模糊技术在图像分割中得到广泛应用的一个决定性的因素,因为模糊技术正是为了处理事物的不确定性而诞生的。

2003年,Hiew等人[19]提出了一种应用于对三维MR图像进行分割的自适应空间FCM算法[20]。输入的图像可能由于噪声和强度的不均匀而浑浊,该算法考虑了空间连续性的约束,采用相异索引(dissimilarity index)的方法,使获得的局部空间连续性约束能够减少噪声的影响和分类的不明确性。与其它已公开的算法比较,该算法的有效性在广义模糊试验中用模拟和实际的MR图像都得到了证实。

3.2 基于知识的分割[21,22]

基于知识的分割是所有图像分割方法中最重要的方法之一。近年来随着人工智能技术的发展,基于知识的分割方法也得到了广泛地研究和应用。基于知识的分割方法主要包括两个方面的内容:知识的获取,即归纳及提取相关的知识,建立知识库;知识的应用,即有效地利用知识实现图像的自动分割。基于知识的分割,其知识来源主要有:(1)临床知识,即某种疾病的症状及它们所处的位置;(2)解剖学知识,即某器官的解剖学和形态学信息,以及其几何学与拓扑学的相互关系,这种知识通常是用图谱来表示的;(3)成像知识,这类知识与成像方法及其具体的设备有关;(4)统计知识,例如MRI的质子密度(PD)、T1和T2统计数据,并把它们与解剖学的有关数据联系起来。

2002年,Boscolo等人[23]提出了一种新颖的基于知识的分割方法。医学图像分割通常需要医学专家对感兴趣的解剖结构区域提供准确、持续的鉴定,而Boscolo等人的分割方法将基于知识的分割系统与一套熟练的主动轮廓模式(active contour mode1)[24]相结合,此方法利用一种高级过程的引导对不同的解剖结构进行粗略的分割,使用者无需提供初始轮廓放置,而由高级过程自动执行必须的参数优化。关于被分割的解剖结构的知识,则用一个叫做可能性密度函数根据统计学规律定义成位置、大小、图像亮度等参数。目前,该方法正在进一步研究是否确实能够提供持续的高级分割。

3.3 基于仿生模式识别的分割[25]

近年来出现的仿生模式识别方法,一经提出便受到了广泛的关注,该方法以多维空间几何分析理论为基础,利用特征空间同类样本的连续性规律,对一类事物的“认识”,实际上是对这类事物的全体在特征空间中形成的无穷点集合的“形状”的分析和认识,再根据这种规律性建立起“多维空间中非超球复杂几何形体覆盖”,将简单的点划分转换为点的覆盖过程,从而从根本上改变传统模式识别的弊端,将误识率基本降为零,避免由于误识而产生的严重后果。仿生模式识别已成功应用于多个领域并取得了一定的成果[26,27],也为医学图像分割开辟了一个崭新的研究方向。

吴海珍等人[28]提出一种基于仿生模式识别的医学图像分割算法,该算法以仿生模式识别为基础,采取先覆盖后分割的方法。以核磁共振(MRI)脑图像分割为例,并与神经网络方法、支持向量机方法进行了分割效果比较。实验结果表明,该方法有效地提高了分割精度,改善了分割性能,具有更强的鲁棒性和实用性。

4 医学图像分割方法评价

医学图像分割评价通过对图像分割算法性能的研究达到优化分割的目的。通过评价可以掌握各个算法在不同分割任务中的表现,以通过选择算法参数来适应不同类型图像的需要。另外,通过比较多个算法分割特定图像的性能,有助于在具体分割任务中选取合适的算法。这对于医学图像的分割尤为重要,因为分割的准确度直接关系到临床应用效果。现有的评价方法可分为两类:直接分析法和间接实验法。分析法直接研究分割算法本身的原理特性,通过分析得到算法性能;实验法则根据分割图像的质量间接地评判算法的性能。分析法得到的结果比较客观,但许多算法直接分析比较困难,且分析法不可能获得分割算法的所有性质,常与其他算法结合使用。但是,由于人体解剖结构的复杂性、组织器官形状的不规则性及不同个体间的差异等原因,目前还没有一种能对所有图像都产生满意分割效果的分割方法。各种算法都具有很强的针对性,往往是基于特定的领域、特定的成像模型。如今对医学图像分割算法的评价还是以主观评价为主,尽管主观评价存在很多缺点,但是由于医学图像的复杂性以及图像分割理论的不完善,目前还不能完全用客观评价的方法对医学图像分割算法进行评价,所以今后对医学图像分割算法的主观评价仍将占主导地位。

5 展望

医学图像分割概述 篇3

本文采用基于图论的分割方法,通过将Grab Cut算法进行改进,得到的三维分割算法相比于传统的置信连接[3]算法,不仅能大大减少用户的交互,而且分割速度快,鲁棒性高,分割结果也有了很大的改善。

1 Grab Cut算法原理

1. 1 Graphcut算法简介

Graphcut算法由Boykov于2001 年提出[4],这篇文章系统的介绍了如何构造图和能量函数来解决立体视差、分割等问题。该算法将最小割算法应用于所建的图中,将图分割成前景和背景两部分。在此基础上,Boykov提出了交互式Graphcut多维分割的可能性[5],该文章介绍了Graphcut在视频序列和三维医学图像分割中有着非常好的结果。另外,Boykov于2004 年比较了Graphcut同snakes,active contours,level-sets等方法的优势[6],并呈现了对使用Graphcut进行图像分割的多种建议的一个完整的回顾。自算法提出后,有很多文献将Graphcut应用到了图像分割的不同领域[7,8]。一个基于Graphcut算法的重大改进是Grab Cut算法的提出[9],它减少了用户交互并改善了分割结果。将Grab Cut用于人体序列切片分割就是Grab Cut应用的一个很好的例子[10]。

Graphcut把图像分割问题与图的最小割问题相关联。近年来,最大流最小割算法广泛用于能量最小化。这种算法将图片中的每个像素作为图论中所建图的一个节点,并通过有权值的边与其他节点相连。当图建成后,通过图得到一个能量函数,通过最小割算法得到能量的最小值。这个方法由D. Greig[11]于1989 年提出,这样,可以通过最大流算法快速有效的得到图像的最小割。

Graphcut首先用一个无向图G = < V,E > 表示要分割的图像,V和E分别是顶点和边的集合。且Graphcut图是在普通图的基础上多了2 个顶点,这2 个顶点分别用符号“S”和“T”表示,统称为终端顶点。

图像对应的s-t图如图1 所示,每个像素对应图中的一个相应结点,另外还有s和t两个顶点。图1 有两种边,实线的边称作n-links,表示每两个相邻普通顶点连接的边( 相邻顶点的个数为8) ,虚线的边称作t-links,表示每个普通顶点与s和t连接的边。图中每条边都有一个非负的权值we。

Graphcut中的割是指这样一个边的集合,该集合中所有边的断开会导致残留“S”和“T”图的分开。如果一个割,它的边的所有权值之和最小,那么这个就称为最小割,也就是图割的结果。

Graphcut属于人工交互分割算法,用户需要做的就是指定前景和背景点,该算法则根据用户指定的前背景来完成分割。

1. 2 Grab Cut算法简介

Grab Cut[9]通过迭代的Graphcut对Graphcut进行改进。该算法利用了图像中的纹理( 颜色) 信息和边界( 反差) 信息,只要一个矩形框即可得到比较好的分割结果。

Grab Cut能量函数[9]公式为

式中:k=(k1,…,kn,…,kN)作为每个像素高斯混合模型参数,kN就是第n个像素对应于哪个高斯分量,且kN∈{1,2,…,K};U为区域项;V为边界能量项;θ为图像前景与背景的高斯混合模型参数;α=(α1,α2,…,αn),αn∈(0,1),为不透明度,0为背景,1为前景。

1. 2. 1 n - links的计算

对于两个相邻节点m,n( 假设长度为1,若两点距离为对角线,则需要除以距离) ,n - link值N( m,n)[12]由式( 2) 决定

式中: ‖Cm- Cn‖代表像素点m和n在RGB颜色空间内的欧几里得距离; k为常值50[13]。而B的值由式( 3) 给出[5]

式中: P为像素点的个数; V代表每个像素点的邻域点个数。

1. 2. 2 t - links的计算

用户选择感兴趣区域后,矩形框内为可能前景,框外为背景,对于框内未知的像素,需要计算该像素的混合高斯模型的值来决定该像素属于前景还是背景。假设每个像素与源点连接的t-link值为T1,与汇点连接的t-link值为T2,若一个像素确定为前景,则赋值T1=K,T2= 0( K为每条边权值的最大可能值,在程序中取为450) ,类似,若一个像素确定为背景,则赋值T1= 0,T2= K。若一个像素不确定为前景还是背景,需要通过式( 4)[14]来分别计算该像素属于前景高斯模型和背景高斯模型的概率

式中: k代表高斯分量的个数( 一般为5) ; P( m,i) 是该像素属于高斯分量i的概率。

1. 3 Grab Cut操作

如图2 所示,对于任意一幅二维图像,如图2a,只需在所需要的部分外画上一个矩形框,则可以得出比较好的分割结果,如图2b。

2 Grab Cut算法的改进

2. 1 Grab Cut二维扩展到三维

Grab Cut对于二维分割具有时间短、交互少、效果好等特点,本文将原始的二维算法扩展到三维。

本文对原始的二维算法进行了如下几个改进:

1) 将s-t图中二维图像像素点对应的平面图改为立体图。将三维数据中的每一个像素点对应于立体图中的一个顶点,同样,在网络图中还有两个特殊的节点: 源点s和汇点t。源点s连接了用户选择区域的各个体数据构成前景,而汇点t连接了用户未选择区域构成背景。所有节点与源点汇点连接的边叫t-links。这些边的权值通过高斯混合模型计算。前景和背景均由5 个高斯分量组成。每个高斯分量属于一个高斯混合模型。

2) 将原始算法中n - links中的8 邻域改为26 邻域。同时,n-links相邻两点之间的距离变为1( 体对角线) 。相应地,建图时每个顶点由之前所需的8 条边变为26 条边。

3) 考虑到医学图像都是黑白的灰度图像,原GrabCut算法利用彩色图像的三通道来对图像进行处理,笔者将原始算法中处理彩色的三通道改进为单通道,同时,原三通道算法中高斯模型对应的3 个均值,9 个方差和1 个权值变为1 个均值,1 个方差和1 个权值,经过改进后的算法大大节省了内存和程序的运行时间。

4) 在用户交互方面,考虑到用户指定感兴趣的立方体比较麻烦,笔者选取其中的一层,对这一层通过用户画矩形框来指定该层的感兴趣区域,其余各层的矩形框则与该层的矩形框大小和位置相同,这样,就等同于在三维数据上划定了一个立方体感兴趣区域。在分割完成后,针对分割结果,如果有不满意的地方,在选取特定的层再进行分割。

同样,改进后的三维分割算法也需要用户在原始三维数据的基础上指定感兴趣的三维数据( 指定区域内为可能前景点,区域外为背景点) 。接着,该算法形成了一个网络图,每一个体像素都是该图的一个节点。一旦图建成后,由上算出图中每条边的权值后就可以使用最大流最小割算法了。当实现了最小割算法后,所建的图就分为了两个子图。其中,与源点s相连的像素构成了前景,而与汇点t相连的像素构成了背景。

2. 2 Grab Cut三维分割算法交互的改进

由于Grab Cut算法是让用户通过矩形框来指定前景和背景,形状单一,考虑到边界不规则的时候,框内还有很多背景成分,大大地影响了交互的精度。为了提高分割结果的精确度,需要尽量将用户交互贴近待分割物体的边界,因此,将原算法中矩形框的交互改进为多边形的方式,通过用户指定边界外的几个点,算法将自动连接这些点形成一个多边形,多边形的形状取决于用户指定的点,点越多,用户的交互多边形越接近边界,交互结果如图3 所示。

由图3 可以看出,改进后的多边形能更好地贴近待分割物体的表面( 图3b) ,且原矩形框分割结果( 图3c) 的周围还有一些细小的噪声,边界也比较粗糙,而多边形分割结果( 图3d) 完全消除了噪声,边界也非常平滑,由此看出,将交互改进为多边形后能更好的进行分割。

3 实验结果及分析

3. 1 数据

本文测试了两组临床医学数据。一组是像素点为800 × 800 × 36,物理分辨率为0. 25 mm × 0. 25 mm ×3 mm的乳房数据。另一组是像素点为384 × 512 × 96,物理分辨率为0. 5 mm × 0. 5 mm × 1. 0 mm大脑数据。将本文改进的算法与文献[3]提到的置信连接的分割方法进行分析比较。

3. 2 结果分析

3. 2. 1 乳房数据测试

三维乳房的分割结果如图4 所示,从图4a可以看出该乳房周围存在很多阴影,需要通过有效的分割方法去除阴影,为后期的配准等工作做准备。

图4a为原始数据,图4c为置信连接方法分割的结果,图4e为改进后的算法分割的结果。而图4b,4d,4f分别为图4a,4c,4d第18 层的平面图。

通过图4 的对比可以看出,原始数据存在很多噪声,平面图周围存在很多黑色的阴影。置信连接方法虽然很好地去除了阴影,但是将很大一部分前景当成背景被分割,平面图边界变得很不清晰,内部也损失了很多内容。改进后的算法不仅很好地完成了分割,保持了平滑的轮廓,前景部分也没有受到损失。该实验证明改进后的三维分割算法对软组织有很好的分割效果。

3. 2. 2 大脑数据测试

三维大脑的分割结果如图5 所示,图5a可看出大脑周围同样存在很多阴影,需要进行有效的分割。图5b为置信连接算法分割后的结果,图5c为本文提出的算法分割后的结果。

通过图5 的比较可以看出,在分割之前,大脑周围有很明显的噪声,且大脑的边界比较模糊,置信连接方法虽然能抑制掉大部分的噪声,但是边界仍不清晰且周围存在少量背景。本文提出的算法分割后的结果几乎不存在噪声,大脑的边界也变得更加清晰。因此可以得出,改进的算法对大脑也有很好的分割效果。

由表1 可以看出,本文算法相对于置信连接算法时间大大减少。

综上所述,从主观和客观的角度均可以看出,本文提出的算法不仅能更好的完成分割,而且更高效,省时。

3. 2. 3 算法稳定性测试

笔者选取了一组乳房超声断层扫描数据( 30 张,每张的大小为512 × 512 × 30) ,分别对这组数据进行交互分割,随机选取的一组分割结果如图6 所示。

图6 中3 个不同用户对同一张数据分割后的结果( 分割结果从左到右分别对应ZQ,RGB,YSD) ,由图中可以看出,分割后乳房几乎不存在阴影,表面也非常圆滑,而且3 个用户分割后的结果无差异。

用Dice[15]系数来评估结果的好坏,其值由式( 5)给出

式中: i取1,2,3( 分别表示不同的3 个人) ; Vi则是每次分割后的结果。同时,每组结果的差异由单因素方差分析的方法来比较。3 个用户分别分割后的结果如表2 所示。

其中,用户1,2,3 分别对ZQ,RGB,YSD。在这里采用Med Calc[16]软件对数据进行分析,得出P值为0. 194 8( 1 组和2 组) ,0. 320 0 ( 1 组和3 组) ,0. 850 9( 2 组和3 组) ,可以看到,得出的3 个P值均大于0. 05,3 组数据无显著性差异,由此可看出,不同用户的不同交互对结果没有影响,因此可以得出,该算法具有很强的稳定性。

在这里笔者也对分割的时间进行了统计( 该时间包括用户交互时间和算法运行时间) ,统计结果如表3所示。

同样,用户1,2,3 分别对应ZQ,RGB,YSD。由于在交互过程中存在用户对一次交互不满意而多次交互的情况,因此,分割时间的范围如表3 所示。从该表中可以看出,即使存在着多次交互的情况,每次分割的时间也不超过73. 33 s,除去交互时间,该算法运行时间基本可以控制在60 s以下,因此可得出改进后的算法已经基本可以满足实时的要求。

4 结束语

本文首先介绍了Grab Cut算法的发展及其原理,接着对该算法作了两个改进,即将算法从二维扩展到三维,以及将矩形框交互改进为多边形交互,然后通过两组数据将本文所改进算法与传统的置信连接算法进行对比,从结果可以看出,本文改进的算法运行速度更快,分割结果更好。该算法对乳房、大脑的三维图像均有非常好的分割效果,证明该算法对于三维医学图像的分割效果显著。最后,通过3 个不同的用户对同一组数据进行分割,得出该算法还具有稳定、快速等特点。

同时,本文提出的三维分割算法也存在改进的地方,三维医学分割算法最终需要应用于临床,可以进一步加快算法的速度,通过加入加速模块、利用并行处理来提高算法的速度,使该算法能更好地应用于临床。

摘要：为了解决三维医学分割中手动分割操作复杂,效率低和传统分割方法速度慢,用户交互多,效果不理想等问题,将传统GrabCut算法进行了改进。首先,通过将二维的GrabCut算法扩展到三维,减少了三维分割的交互过程,提高了三维分割的效率;其次,将三维分割的矩形框交互改进为多边形交互,提高了交互的精度,改善了分割后的结果。通过对两组数据的分割结果对比表明,改进后的算法相对于置信连接算法不仅交互简单、速度快,而且分割效果有了很大的改善。最后,通过不同用户对同一组数据的分割结果对比,证明改进后的三维GrabCut算法稳定性高、速度快,能很好地完成三维医学图像的分割。

医学图像分割概述 篇4

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$\overline{X},\sigma {}_i^2$,其中1≤i≤N。

$\overline{X}{}_i=\frac{1}{n}{\displaystyle \sum _{k=1}^{n}X}{}_k$ (1)

$\sigma {}_i^2=\frac{1}{n-1}{\displaystyle \sum _{k=1}^n(}X{}_k-\overline{X}){}^2$ (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$\left|X{}_i-\overline{X}{}_i\right|＞3\sigma$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$\overline{X}$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$F{}_G=\exp \left(-\frac{({\rm I}{}_V-\overline{X}{}_R){}^2}{2\sigma {}_R^2}\right)(3)$

其中,IV表示体素V的灰度值,R表示目标区域,$\overline{X}{}_R$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$\overline{X}{}_R$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$F{}_L=\{\begin{array}{l}1\text{i}\text{f}{\rm N}{}_R＞\lambda {\rm N}\\ \lambda {\rm N}{}_R/{\rm N}\text{o}\text{t}\text{h}\text{e}\text{r}\text{w}\text{i}\text{s}\text{e}\end{array}(4)$

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。

$W=1-\exp \left(-\frac{F{}_G^2}{2\sigma {}^2}\right)0\le F{}_G\le 1$ (6)

其中σ2为控制参数。由式(5)和式(6)推导得出分割阈值

$F=\left[1-\exp \left(-\frac{F{}_G^2}{2\sigma {}^2}\right)\right]F{}_G+\exp \left(-\frac{F{}_G^2}{2\sigma {}^2}\right)F{}_L$ (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$\overline{X}{}_R$和方差σ${}_R^2$由式(10)和式(11)计算

$\overline{X}{}_{R\text{n}\text{e}\text{w}}=(\overline{X}{}_{R\text{o}\text{l}\text{d}}\times {\rm N}{}_R+V{}_{\text{o}\text{x}\text{e}\text{l}}V{}_{\text{a}\text{l}})/({\rm N}{}_R+1)$ (10)

$\sigma {}_{R\text{n}\text{e}\text{w}}^2=((\sigma {}_{R\text{o}\text{l}\text{d}}^2+\overline{X}{}_{R\text{o}\text{l}\text{d}})\times {\rm N}{}_R+V{}_{\text{o}\text{x}\text{e}\text{l}}V{}_{\text{a}\text{l}{}^2})/({\rm N}{}_R+1)-\overline{X}{}_{R\text{n}\text{e}\text{w}}^2(11)$

算法重复迭代执行,直到(TF(k)-TF(k+1))<σ时算法终止。

参数$\overline{X}{}_R$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$\overline{X}{}_R$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$\overline{X}{}_R$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$\overline{X}(0)$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$\overline{X}(k),\sigma {}^2(k),F{}_G(k),F{}_L(k)$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.

医学图像分割概述 篇5

关键词：图像分割,医学图像,比较分析

0 引言

图像分割是把图像中具有特殊含义的不同区域分开,并提取出感兴趣目标的技术和过程[1]。图像分割是一门重要的图像处理技术,准确的图像分割是后继图像分析和图像理解的前提。目前,图像分割已经得到了科研人员广泛的重视和研究,分割算法已数以千计,但至今还未有一种适合于任何待分割图像的通用分割算法。图像分割算法的研究仍然是图像科学研究领域中的研究热点。

本文针对医学图像分割这一特定领域,在阐述其概念及其研究意义的基础上,从基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法、基于聚类的分割方法以及结合特定理论的分割方法等五个方面总结了医学图像分割的典型算法。并以MR颅脑图像的分割为例,做了基于模糊C均值( FCM,fuzzy C - means clustering) 、基于Chan - Vese( C - V) 水平集模型、基于区域生长法的图像分割实例及对比分析,讨论了医学图像分割存在的技术难点,主要在于医学图像成像原理的特殊性、人体解剖结构的复杂性、图像种类的多样性等。同时,指明了医学图像分割向着自动、多理论结合、精确快速、鲁棒性等趋势发展。

1 医学图像分割及其研究意义

医学图像分割是针对医学研究和临床应用的需要,以包含各种细胞、组织与器官的医学图像作为处理对象,从中分割出感兴趣的病灶区域或特定组织的技术与过程。医学图像分割在医学研究领域中有着广泛的应用和重要的研究意义,如今医学临床和手术环境中的许多应用均需要医学图像分割技术的支持,同时医学图像分割是医学图像识别、医学图像三维重建、基于内容的医学图像检索、医学图像匹配、医学图像数据挖掘等研究的基础性工作。有效的医学图像分割能够辅助医生诊断,有效减少误诊率和漏诊率。医学图像因成像原理、解剖结构、图像种类等的差异,其有效分割较普通图像更加困难。医学图像分割已成为制约医学图像处理中其他相关技术发展和应用的瓶颈。

2 医学图像分割方法

纵观目前国内外医学图像的分割方法,主要可以分为以下五类。

2. 1 基于阈值的分割方法

阈值法是通过设置阈值将图像中目标和背景区分开来的方法,分割效果依赖于阈值选取。根据图像中存在的目标数,可分为单阈值分割与多阈值分割,其中阈值的选取又分为全局阈值、局部阈值和动态阈值。

用于医学图像阈值分割的典型算法有: 自适应阈值法、最大熵法、最大类间方差法等。如ZhenyuZhou等[2]提出了一种多控制小波阈值分割法对脑MR图像进行自动分割; Yen - Chun Chou等[3]提出通过选择最佳阈值对脑MR图像各成分如动脉、灰质、白质等进行分割; 段锐等[4]提出了采用模糊C均值聚类法找到医学图像的聚类中心,再利用二维直方图法找到多阈值分割的各个阈值点,实现对脑MR图像的自动分割。

2. 2 基于边缘的分割方法

图像的边缘被定义为图像局部特性的不连续性,如颜色、纹理的突变等。基于边缘的分割方法是提取图像中被分割目标的边缘,从而将目标分割出来。因此这类方法要求区域边界的像素灰度值变化要比较剧烈。

用于医学图像边缘分割的典型算法有: 线性边缘检测、非线性边缘检测、边界曲线拟合、基于变形模板的边缘检测( 如C - V模型、Snake模型) 等。如Hui - Yan Jiang等[5]提出了一种基于GVF Snake模型的图像分割方法实现半自动的CT肝脏图像分割; Matsakou A. I等[6]提出了一种基于梯度矢量流GVF Snake模型的自动分割方法,用于B超图像中纵向颈动脉壁的检测; 刘利雄等[7]提出了一种基于主动轮廓模型的心脏核磁共振图像分割方法; 杨青等[8]提出了一种改进的C - V模型用于脑MRI图像分割。

2. 3 基于区域的分割方法

区域分割的实质就是把具有某种相似性质的像素连通起来构成分割区域。它充分应用了图像的空间信息,分割出来的图像是连续的,但它通常会造成图像的过度分割。

用于医学图像区域分割的典型算法有: 区域生长法、分裂合并法等。如Kim D Y等[9]提出一种自适应区域增长法对血管图像颈动脉进行分割; JoesStaal等[10]将区域生长法运用到胸部CT肋骨的自动分割; Angelina S. 等[11]提出了一种结合遗传算法的新区域生长合并算法,用于对恶性黑色素瘤等皮肤癌进行早期诊断。

2. 4 基于聚类的分割方法

聚类就是把具有相似特征的事物合并,使类内的相似性大于类间的相似性。用于医学图像聚类分割的典型算法有: 基于平均误差的聚类( 如K means算法) 、基于混合密度的聚类、基于有限混合模型的聚类等。

如Kaur P. 等[12]在2012年提出了一种改进的模糊聚类方法,用于模拟和真实的脑MRI图像分割;Christ M. C. J. 等[13]改进了模糊C - 均值算法用于医学图像分割,取得了比其他聚类算法如KM、EM和KNN更好的实验效果; 葛琦等[14]提出一种结合改进FCM算法的多相位CV模型,用于大脑及左心室MR图像分割,实现了在较短时间内分割出更多目标。

2. 5 结合特定理论的分割方法

这类是与一些特定理论、算法和工具相结合的分割技术。这些特定理论与算法包括: 人工神经网络理论、模糊分割理论、小波变换理论以及遗传算法等。如Alzubi S. 等[15]利用小波多分辨率分析建立了一个医学图像分割系统,并实验证实通过曲波分析显著提高了异常组织的分类效果; Guan Xiao Wei等[16]提出了一种改进的遗传算法,并结合形态学理论提取图像边缘,实现医学图像分割。

3典型分割算法的比较分析

3. 1分割实例比较

根据医学图像的成像原理,医学图像有CT( Computed Tomography,计算机断 层成像) 、MRI( Magnetic Resonance Image,核磁共振 成像) 、USI( Ultrasound Image,超声成像) 等之分。这里以MR颅脑图像分割为例,做了部分典型算法的图像分割与比较分析。MR颅脑图像的分割目的在于清晰地描绘出颅脑各个解剖结构的边界,如灰质、白质、脑脊液以及其它组织等。文中分别做了基于FCM、C - V、区域生长法的图像分割,开发工具为MATLAB 7. 0,三种方法的分割效果分别如图1 -3所示。

不同的分割算法各有优劣,虽然近年来医学图像分割的研究成果越来越多,但限于图像自身特点,研究没有大的突破性进展。医学图像分割算法的选择,很大程度上仍依赖于特定的成像方式以及噪声等因素。

3. 2分割难点及未来趋势

实践证明对医学图像进行有效的分割,特别是对内容复杂的医学图像的有效分割,难度是非常大的。究其原因,可以归纳为以下几点: 其一是医学图像成像原理的特殊性,使得医学图像具有边界模糊糊、、形形状状不不均均匀匀、、对对比比度度低低等等特特点点;; 其其二二是是人人体体解解剖剖结构的复杂性、组织器官形状的不规则性及不同个体间的差异性,致使不同解剖部位的医学图像、生理病理信息在视觉上存在很大差异; 其三是医学图像种类的多样性以及医学图像的分割没有统一的评价标准等。所以针对不同类型医学图像有针对性的采用不同分割算法进行有效分割仍是一个富有挑战性,并需要长期持续探索的工作。

医学图像分割的未来发展趋势主要有: ( 1) 自动。医学图像分割从人工参与程度分,可分为人工、半自动、自动等三种类型。目前医学图像研究与临床应用中,使用的分割方法还是人工或半自动的为主,真正能实现自适应自动分割的还不多。但手工分割对操作者的依赖性强,既耗时费力又可能丢失大量有用信息,因此自动分割是未来发展方向之一。( 2) 多种理论的相互结合。近年来,医学图像分割技术呈现出多种方法相融合,传统方法被不断改进、新理论新技术被不断应用的发展趋势。( 3) 精确快速。这就要求分割结果要与解剖结构相近,同时分割过程要满足实时需求。此外,分割算法要有较强的鲁棒性,充分利用医学图像先验知识等也是未来发展趋势。

4 结束语

几种医学图像分割方法的性能比较 篇6

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.

医学图像分割概述 篇7

1 医学影像图像的分割问题

在对图像的研究和应用上, 人们通常只对图像的某一部分感兴趣, 为了辨识和分析目标, 需要将有关区域分离提取出来, 在此基础上对目标进一步利用, 如进行特征提取和测量;将实现上述要求的技术和过程称做图像分割[1]。

1.1 分割问题的提出

在图像处理的基础上, 对图像或景物进行分析和描述, 就是图像分析。图像分割的提出具有一定的理论依据, 即边缘检测法和区域生长法。边缘检测法是根据区域之间的灰度突变性进行边缘的提取;区域生长法是将内部灰度相似的区域进行合并。

1.2 医学影像图像的研究现状

医学影像能够详细地反映出患者身体内部的信息, 对临床诊断具有非常重要的意义;医学影像医疗新技术的研究, 能够在患者的临床治疗中发挥重要作用。一方面, 人体内部发生的早期病变需要医务工作者通过仪器拍摄的影像进行研究, 从而进行判定, 帮助患者解决病痛, 如肿瘤, 虽然器官表面结构正常, 但其内部已发生了改变, 即新陈代谢;另一方面, 医学影像技术运用了工程学的概念和方法, 帮助医生对人体内部组织、脏器进行检查。影像图像初期是以“荧光屏、胶片、灯箱、诊断”形式的组合被应用于医学诊断中, 但这项影像诊断的流程过于陈旧、不灵活、效率低, 特别是对于某些突发疾病的患者, 非常不适用。到了20世纪六七十年代, 计算机被广泛应用到医学影像图像中, 医学影像技术进入了革命性的阶段。随之出现了一系列先进的技术, 如X射线、超声等。

1.3 医学影像图像的分割方法

目前, 我国使用最广泛的医学影像图像分割方法主要包括基于区域、基于边缘等图像分割以及与特定理论工具结合的方法, 如基于边缘检测法、基于区域增长方法、门限法等。

1.3.1 基于边缘检测法

就是基于不连续性原理, 检测出物体的边缘, 将图像或景物分成不同的区域, 通常也称为基于点相关的分割技术。

1.3.2 基于区域增长方

该方法能够通过物体同一区域内象素的相似性质而把象素点聚集起来, 从初始区域将具有同样性质的相邻象素或其他区域归并到当前区域中, 从而使区域逐渐增长, 直到将同样性质的像素或其他小区域全部归并完为止。判定区域内象素相似性的指标包括平均灰度值、纹理、颜色等。区域增长方法使用比较普遍, 在没有经验、知识可以利用时, 使用该方法, 可使效果达到最佳, 用于比较复杂的图象, 包括自然景物。但区域增长方法属于迭代法, 需要更大的空间和时间。

1.3.3 门限法

该方法具有简单、高效的特点, 对于分割目标以及背景灰度级有明显差别的图像效果较好, 但对目标物和背景灰度一致或较均匀的图像效果较差;此外, 门限法一般情况下只是将图像分割成两个区域, 这对于有多种目标的图像分割基本上没有效果, 因为它只对图像中像素的灰度信息进行处理, 而对像素的空间位置信息却不加理会。

2 医学影像图像的存储

医学影像图像的存储也是医学影像的重要内容。图像只有存储进磁盘或其他装置中, 才能对患者的患病部位进行研究, 还能通过它探访出更多的医学奥秘[2]。现如今, 应用比较广泛的存储系统为PACS系统, 是指影像归档和通信系统。该系统被医院影像科室使用, 能够将日常产生的各种医学影像, 如核磁共振、超声、CT、各种X线机、红外仪、显微仪等设备产生的图像通过模拟、DICOM、网络等接口以数字化的方式储存, 需要时, 在授权下便可迅速调出来, 此外, 还能增加一些辅助诊断的管理功能[3]。对于各种影像设备间的数据传输以及组织存储数据该系统具有重要作用。

2.1 物理层次

PACS在物理层次结构上能够分为网络用户层、接入层、核心层以及资源提供层4层, 是一个类似于“金字塔”的结构。

2.2 应用层次

从应用层次结构上, PACS可以分为3层:MINI-PACS、科室级PACS、全院级PACS, 自内而外构成一个“内嵌型”结构。

3 结束语

关于医学的图像影像分割和存储还有许多值得研究的地方, 对于这项先进的科学技术, 仍需投入更多的人力、财力和物力去深入研究, 以造福更多的人们。

摘要：合理分割影像图像, 是医学影像图像处理的重要所在;存储是医学影像图像得以保存, 方便人们研究患者病情、病因的重要步骤。本文将用专业的语言及若干图形对这一问题予以证实, 为以后医学影像的发展提供宝贵材料。

关键词：医学影像,图像分割,存储,研究

参考文献

[1]霍纪文, 王秀章.医学成像技术[M].沈阳:辽宁科学技术出版社, 1994:30-33.

[2]章宗穆.数字化X射线摄影技术进展[J].世界医疗器械, 2002, 8 (3) :49-53.