医学成像及处理技术 教学课件 作者 章新友 7第7章医学图像处理技术.pptVIP

* 2.聚类分割技术 聚类是一种无监督的统计方法，聚类算法迭代地进行图像分类，并提取各类的特征值，即以图像的某些特征（通常是灰度）为标准，将每个象素归于不同的类别，然后进行图像分割。 使用聚类法进行图像分割的前提条件是：在医学图像中，每个组织的类特征是不同的。所以，聚类算法不需要训练集，但是需要有一个为初始分割提供的初始参数，初始参数对最终分类结果影响较大。 7.3 医学图像分割 聚类分割技术的算法步骤 任选C个初始类均值，m1，m2，…，mC。 在第k次迭代时，将数据点x归为类Cj，j=mini{ (x-mi) }；即将数据点x赋给均值离它最近的类。 更新类均值 若对所有的i，mk+1i=mki，则算法收敛，结束；否则转入步骤2继续迭代。 7.3 医学图像分割 y1 y2 7.3 医学图像分割 7.3 医学图像分割 聚类分割技术的特点 C-均值算法的优点是：它能够动态聚类，是一种无监督学习算法。但是图像分割是一个大样本数据分类问题，利用C-均值进行图像分割时，每次迭代优化都要重新计算聚类中心和类间距，进而对数据点归类，运算十分耗时，这直接限制了C-均值聚类算法在图像分割领域的应用。不仅如此，彩色图像包含了RGB三基色数据，直接运用CMA更是难以进行。因此有必要对彩色图像进行阶段性处理，在减少样本数据量的基础上，运用CMA分割彩色图像。 7.3 医学图像分割 3.区域增长技术 区域增长是一种受到广泛应用的图像分割方法，其基本思想是将具有相似性质的像素集中起来构成区域。该方法需要先选择一个种子点，然后将种子点周围的相似像素合并到种子点像素所属的区域中。 7.3 医学图像分割 区域增长技术的特点 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。 7.3 医学图像分割 4.边缘检测法 基于边缘检测的分割方法就是通过检测相邻像素特征值的突变性来获得不同区域之间的边缘。边缘点的判定是基于所检测点的本身和它的一些邻近点，经典的、最简单的边缘检测方法是对原始图像按像素的某邻域构造边缘算子，主要包括局部微分算子，如Roberts梯度算子、Sobel梯度算子和Prewitt算法等都是利用了检测梯度最大值的方法； 7.3 医学图像分割 边缘 7.3 医学图像分割 人可以仅满足于边缘提供的信息 7.3 医学图像分割 边缘检测法的特点 基于边缘的分割方法得到的图像边界往往都是不连续的，需要后处理连接成闭合的边界，即边缘检测方法获得的边缘信息往往会因这些信息不够突出而产生间隙，不能形成包围物体的封闭曲线，这就要求根据这些离散的边缘点采用一定的跟踪、连接算法勾勒出有意义的物体边界。另外，边缘检测分割方法对噪声较大的图像还会产生较多的伪边缘，为去除噪声提出了较高的要求。这个问题在医学超声图像分割中显得尤为突出。 7.3 医学图像分割 7.3 医学图像分割 5.边界跟踪法 用灰度梯度检测出的物体边界时，由于噪声等原因，往往是复杂分布点集构成的宽带子。如何除去其中虚假的边缘点，获得单象素宽的连续物体边界是边界提取的重要问题。边界跟踪的基本思想是：从当前的一个“当前点”（边缘点）出发，用跟踪准则检查“当前点”的邻点，满足跟踪准则的点被接受为新的“当前点”并做上标记。 7.3 医学图像分割 放射科放疗 适形放疗：铅模作准直器 先确定病灶边界 7.3 医学图像分割 适形放疗： 先确定病灶边界 Tumor 7.3 医学图像分割 适形放疗： 制铅模，作准直器 Lead 7.3 医学图像分割 边界跟踪主要包括三个步骤： 确定作为搜索起始点的边缘点，起始点的选择是很重要的。 采取一种合适的数据结构或搜索机理，在已找出的边界点的基础上确定新的边界点。 确定搜索终结准则或停止条件，例如边界闭合等。 7.3 医学图像分割 6.医学图像分割新方法 基于模糊理论的方法 基于知识的分割 基于人工神经网路的分割 基于遗传算法的分割 基于活动轮廓模型的方法 基于小波变换的方法 基于数学形态学的分割 7.3 医学图像分割 7． 医学图像分割算法评价 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。 7.3 医学图像分割 常用的评价测度有 区域间对比度。 区域内均匀度。 算法的收敛鲁棒性。 像素数量误差。 根据区域之间特性对比度的大小可以判别分割图像的质量，也可由此推出所用分割算法的优劣。 图像分割就是把一幅原始图像分割成若干