医学图像分割探究.docxVIP

医学图像分割探究 1医学图像分割效果 近年来，生物医学成像技术的快速发展 使人们能够获得大量高分辨率的医学图像 数据影像,如:计算机断层成像，核磁共振成 像、超声成像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, 如何对这些成像技术获得的各种定量定性 数据进行分析，使之不被浪费，是至关重要 的问题。因此，图像工程中的图像分割技术 就成了医学图像处理和分析中的关键技术。 由于医学图像通常由感兴趣区和背景区构 成，感兴趣区包含重要的诊断信息，并能为 临床诊疗和病理学研究提供可靠的依据，尽 管它在整幅图像中所占的面积也许不大，但 其错误描述的代价却非常高，而背景区域的 信息较为次要，所以，从图像中把感兴趣区 分离出来是医学图像分割的重点。从医学研 究和临床应用的角度来看，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，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 性，一般的图像分割方法对医学图像分割效 果并不理想,因此，医学图像分割除了一般 的分割技巧外，还须结合医学领域中的知识 才能做出合理的分割。 2医学图像分割方法 医学图像分割的研究多年来一直受到 人们的高度重视，分割算法也层出不穷，对 于医学图像分割算法的分类依据也不统一。 医学图像分割方法的选择,在很大程度上依 赖于特定的图像、成像方式以及成像中的人 为因素和不可抗因素,这些都会在很大程度 上影响后继的分割。所以，至今没有一种适 用于任何医学图像的通用分割技术，也不存 在判断分割是否有效的客观标准。现今国内 外广泛使用的医学图像分割方法主要有：阈 值分割法、区域生长法、结合特定理论工具 的方法,如：模式识别法、人工神经网络法等、 基于模糊分割的方法、 小波变换法以及基于 遗传算法的方法。 阈值分割法 阈值分割法［1］是将灰度图像变为二值 图像以达到分割目的的方法。 阈值分割法是 一种简单且非常有效的方法，特别是不同物 体或结构之间有很大的强度对比时，能够得 到很好的效果。此分割法通常是交互式的 ， 一般可以作为一系列图像处理过程的第一 步。它的主要局限是，最简单形式的阈值法 只能产生二值图像来区分 2个不同的类。另 外，它只考虑像素本身的值［2］, 一般都不考 虑图像的空间特性，这样就对噪声很敏感。 针对它的不足，有许多经典阈值法的更新算 法被提了出来［3,4］。阈值分割对于CT图像 的效果较好，而且算法简单，计算速度快。但 在选择阈值时需要用户依据经验判断，或者 先做多次尝试性分割后再对阈值进行调整 ， 直至得到用户满意的结果。Kim等［5］用多次 阈值分割法检测螺旋 CT图像中的肺结节性 病变，共检测了 24例病人的827张图像，检 测结果灵敏度为96%，并且没有假阳性结果。 张谦等［6］提出了一种利用snake模型和基 于连通性阈值算法进行三维医学图像的自 动分割方法，根据三维医学图像的特点，首 先选取该图像的中间层图像，利用基于连通 性的阈值算法对其分割；其次利用邻层图像 分割结果和snake模型来指导下一层的图像 分割,实验结果表明,该方法可以明显提高 分割的准确率和速度。 区域生长法 区域生长法［1］是根据预先定义的标准 提取图像中相连接区域的方法。 这个标准可 以是灰度信息，也可以是图像的边界，或者 是两者的联合。和阈值法一样，区域生长法 一般不单独使用,而是放在一系列处理过程 中,特别用它来描绘诸如肿瘤和伤口等小而 且简单的结构。它主要的缺陷是，每一个需 要提取的区域都必须人工给出一个种子点 ， 这样有多个区域就必须给出相应的种子个 数。此法对噪声也很敏感，会造成孔状甚至 是根本不连续的区域。相反的，局部且大量 的影响还会使本来分开的区域连接起来。 为 减少这些缺点，产生了诸如模糊分类的区域 增长法［5］和其它方法。Iseki等［7］将该方 法应用于肺部血管三维结构提取时，先手工 在胸部CT图像上找一个气管起始点作为种 子点，然后用一种递归搜索方法，找到支气 管血管束的走行规律,再根据肺纹理的解剖 结构，得到了肺血管的三维结构。陆剑锋等 ［8］提出一种通过计算种子点附近邻域统计 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 片图像预处理过程中,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 法对该层切片进行滤波，实验结果表明，该 算法可有效地提取出图像区域，具有较好的 鲁棒性。 结合特定理论工具的分割技术 这类方法由于其主要特点是建立于某 一数学或其它基础理论之上，因此，把它们 另立一类。主要有模式识别法、基于模糊集 理论的方法、基于神经网络的分割方法、小 波变换法和基于遗传算法等。模式识别法又 可