医学图像分割方法综述优秀培训书.pptVIP

医学图像分割方法综述 背景 图像分割是什么？ 用以区分物体和背景的图像处理工具 对输入图像进行计算 将图像划分到一个统一的区域中 为什么要进行图像分割？ 获得对图像进一步处理的数据 用分割图像进行建模 在医学图像中获得感兴趣的区域 实质 3-D重建 预处理和后处理 指导图像内部处理 医学图像分割 医学图像：CT、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT）、MRI、Ultrasound（超声）及其它医学影像设备所获得的图像； 特殊性：成像复杂、干扰繁多、个体多样性 现状：方法多，没有统一的标准 阈值法 原理：。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。单阈值，多阈值。 优点:实现简单，对不同类灰度值或其他特征相差很大 时，能有效分割。常做医学图像的预处理。 缺点：不适应多通道和特征值相差不大的图像；对噪声和灰度不均匀很敏感；阈值选取困难。 直方图 基于阈值的图像分割 基于阈值的图像分割 阈值的选择 通过图像的直方图来定义阈值（每一个峰值代表一个物体） 选择两个峰值的中间值作为阈值 缺点 对于每幅图像都要人为选择阈值 example 区域生长和分裂合并 原理：区域生长的基本思想是将相似性质的像素集合起来构成区域；首先选择一个种子点，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。研究重点一是特征度量和区域增长规则的设计，二是算法的高效性和准确性。 缺点：需要人工交互以获得种子点；对噪声敏感，导致抽取出的区域有空洞。 原理：分裂合并的思想将图像先看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。研究重点是分裂和合并规划的设计。 缺点：分裂技术破坏区域边界。 example 分类器 原理：分类是模式识别领域中一种基本的统计分析方法。分类的目的利用已知的训练样本集在图像的特征空间找到点（1D）、曲（2D）、曲面（3D）或超曲面（高维），从而实现对图像的划分。分类器又分为两种：非参数分类器和参数分类器。 优点：(1) 不需要迭代运算，因此计算量相对较小。(2) 能应用于多通道图像。 缺点：未考虑空间信息，对灰度不均匀图像分割效果不好；需手工分类生成训练集，而手工分类工作量很大；未考虑解剖结构的个体差异，会产生误差。 聚类 原理：聚类算法与分类器算法极为类似，只是它不需要训练样本，因此聚类是一种无监督的(unsupervised) 统计方法。从某种意义上说，聚类是一种自我训练的分类。其中，K 均值、模糊 C 均值(Fuzzy C-Means)、EM(Expectation-Maximization) 和分层聚类方法是常用的聚类算法。 缺点：聚类分析不需要训练集，但是需要有一个初始分割提供初始参数，初始参数对最终分类结果影响较大。其次，聚类也没有考虑空间关联信息，因此也对噪声和灰度不均匀敏感。 统计学方法 原理：统计学方法中最常用的一种是将图像看作一个马尔科夫随机场MRF。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是具有一定概率分布的随机变量。从观察到的图像中恢复实际物体或正确分割观察到的图像从统计学的角度看就是要找出最有可能即以最大的概率得到该图像的物体组合来。从贝叶斯定理的角度看，就是要求出具有最大后验概率的分布。 难点：参数的选择、计算量大 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。MRF经常与聚类分割方法结合使用，比如 K 均值方法，用以提高聚类算法对噪声的鲁棒性。 边缘检测 基于边缘的分割方法可以说是人们最早研究的方法，基于在区域边缘上的像素灰度值的变化往往比较剧烈，它试图通过检测不同区域间的边缘来解决图像分割问题。 串行边缘检测：要想确定当前像素点是否属于欲检测边缘上的一点，取决于先前像素的验证结果。 并行边缘检测：一个像素点是否属于检测边缘上的一点取决于当前正在检测的像素点以及该像素点的一些相邻像素点。 边缘检测 边缘是变化发生的地方 图像梯度 如何得到每个像素的梯度 Roberts算子、Prewitt算子、Sobel算子、Canny算子等 example 并行微分算子 原理：对图像中灰度的变化进行检测，通过求一阶导数极值点或二阶导数过零点来检测边缘。阶导数算子有梯度算子、Prewitt 算子和Sobel算子，二阶导数算子有Laplacian 算子，还有Kirsch算子和Wallis算子等非线性算子。 缺点：对噪声敏感，因此在求导前先对图像进行滤波。 example 基于曲面拟合的