医学图像分割方法综述资料.PDFVIP

医学图像分割方法综述 林瑶，田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特 殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来 图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面 的综述，最后总结了医学图像分割方法的研究特点。 关键词：医学图像分割 综述 1．背景介绍 医学图像包括 CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、 MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医 学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取 影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前 提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位， 解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉 的，每一个区域都满足特定区域的一致性。 定义 将一幅图像g (x ,y ) ，其中0 ≤x ≤Max_ x , 0 ≤y ≤Max _ y ，进行分割就是将图像划分为 满足如下条件的子区域g 1 g2 g3 ...： N g x y ) x(g (, , y ) (a) ∪ k ，即所有子区域组成了整幅图像。 k 1 (b) g k 是连通的区域。 g y , x )(c) yg( k ,(x ) ∩ j φ，即任意两个子区域不存在公共元素。 (d) 区域g k 满足一定的均一性条件。均一性（或相似性）一般指同一区域内的像素点之间 的灰度值差异较小或灰度值的变化较缓慢。 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification）， 每一个像素集称为类（class）。在下面的叙述中，为了简单，我们将经典的分割和像素分类 通称为分割。 医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。 由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局 部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等 特点。另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。这些都给医 学图像分割的分割带来了困难。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。 因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实 用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等 在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期 涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割 方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要 指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的， 而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1 联系人：田捷 电话E-mail:tian@ 1 的某一类。 2．基于区域