医学图像分割：何去何从.docVIP

医学图像分割:何去何从 对于医学影像分析与处理这是一个令人兴奋的图像分割已经成为的关键问题医学像分析是一个热门有挑战性的研究领域图像分割越来越多地使用在许多临床和研究中的应用分析信号处理理论与方法(血管、神经)分布的复杂性等，给研制自动分割技术造成了极大的困难。在实际应用中，为获得理想的分割效果，常常需要对分割过程进行人工干预。虽然现在产生了许多自动的图像分割方法，但是目前大部分自动方法仍然停留在实验阶段，真正能用于临床的还为数不多。尽管如此，研究实用的自动分割方法并最终取代繁琐的人工分割和主观性很强的半自动分割一直是人们追求的目标，也是近年来图像分割方法的研究重点。 在多尺度分析下，，，，，，，，[14 ] 。 混合模式分割超声图像介绍[7]。 该算法主要包括3个步骤:小波边缘检测方法估计， 分层结构模型 最后Hough变换区分结节的轮廓由邻近结构。 算法进行了验证，通过与手工勾画比较，展现好技术。 此外[8]提出了二维优化算法基于主动形状模型的半自动分割图像。延长了算法的三维分割使用rotationalbased切片和验证的方法，通过比较分割结果。 结果表明，两者之间的时，用绝对体积优异。随后吴，孙曾[9]提出一种新的技术。这些显示出肾脏的界线， 52个随机临床B模式超声图像分割成功，用这种算法。，4 种:几何特征方法、统计特性方法、信号特性方法和基于图像模型的方法。传统的聚类方法效果差，，，SOFM 神经网络， LEGION [10 ] 、前向反馈神经网络等。神经网络在解决如CT 图像、遥感图像、声纳图像等一系列复杂的图像分割方面显示了其特有的优势，， 图像进行多尺度的边缘检测。例如，，Mallat 算法分解小波，，，，，[ 12 ] 。另外，，[13 ] 。 基于模糊集合和逻辑的分割方法是以模糊数学为基础，，，，[15 ] ;薛景浩等人提出的一种新的基于图像间模糊散度的阈值化算法以及他在多阈值选择中的推广算法[16 ] ，，，S 函数带宽对分割效果的影响，，，，，，，，， 参考文献 [1] A. Boudraa, H. Zaidi, Image segmentation techniques in nuclear medicine imaging, in: H. Zaidi (Ed.), Quantitative Analysis of Nuclear Medicine Images, Springer, New York,2005, pp. 308–357. [2] G. Wang, Message from the Editor-in-Chief, Int. J. Biomed. Imaging (2006) 1–2. [3] M. Barni, F. Perez-Gonzalez, Pushing science into signal processing, IEEE Sig. Process. Mag. 22 (2005) 119–120. [4] R. Nutt, The history of positron emission tomography, Mol. Imaging Biol. 4 (2002) 11–26. [5] M. Bach Cuadra, M. De Craene, V. Duay, et al., Dense deformation field estimation for Atlas-based segmentation of pathological MR brain images, Comput. Methods Programs Biomed. 84 (2006) 67–76. [6] J. Solomon, J.A. Butman, A. Sood, Segmentation of brain tumors in 4D MR images using the hidden Markov model, Comput. Methods Programs Biomed. 84 (2006) 77– 86. [7] S. Tsantis, N. Dimitropoulos, D. Cavouras, G. Nikiforidis, A hybrid multi-scale model for thyroid nodule boundary detection on ultrasound images, Comput. Methods Programs Biomed. 84 (2006) 87–99. [8] A.C. Hodge, A. Fenster, D.B. Downey, H.M. Ladak, Prostate boundary segmentation from ul