医学超声分割技术发展探究.docxVIP

医学超声分割技术发展探究 1传统图像处理领域中的医学超声图像 分割 与其它图像分割一样，传统的医学超声 图像分割从整体上可分为两大类，即基于边 缘检测的方法和基于区域生长的方法。 基于 边缘检测的方法首先检出图像中局部特性 的不连续性或突变性，再将它们连成边界， 这些边界把图像分成不同的区域；基于区域 生长的方法是将象素按照某种特征归于不 同的区域，而相邻区域具有不同的均匀性。 因此这两类方法互为对偶，相辅相成，在实 际应用中往往需要结合起来运用以获得更 好的分割效果。 1 T基于边缘检测的方法 基于边缘检测的分割方法是通过检测 相邻象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点，主要包括局部微分 算子，如Roberts梯度算子，So-bel梯度算子 和Canny算子等,当然，针对不同的超声图像 还有许多其它不同的算子、 手段来检测出这 些边缘点。例如，Fan等人［2］利用非线性小 波阈值法对植入式超声图像中的腔内膜一 内壁和外膜等形成的边界进行了检 测,Aarnink等人［3］利用非线性Laplace滤 波器实现了对前列腺超声图像的自动分割。 一个好的边缘检测算子不仅具有微分特性 以获得灰度变化信息，它还应该能够根据需 要适合任何尺度下的边缘检测，因为图像中 的灰度是以不同尺度发生变化的。通过实验 发现,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。 1 - 2基于区域生长的方法 基于区域生长的方法是依据区域内部 的均匀性实现图像的分割，主要包括基于分 裂和合并的技术及基于随机场的技术。 基于 分裂和合并技术的区域生长法主要分为三 种，即合并、分裂及合并-分裂相结合。合并 的方法是，图像首先被分成许多小的基本区 域,然后根据特定的均匀性判据而合并，形 成大的区域。分裂的方法是将整幅图像作为 原始分割结果,只要当前的分割结果不能保 证足够的均匀性,就将其分裂成四个方形区 域。合并-分裂相结合的方法是将相邻且具 有相似特征的区域合并,而将具有明显不均 匀特征的区域进行分裂。 这几种方法对图像 的质量，特别是同一物体内部的灰度均匀性 要求较高,否则很容易出现过度合并和过度 分裂。对于医学超声图像,很少有人使用这 种方法,即使使用也常与其它方法相结合, 所以这样的参考文献［4］也很少。基于随机 场技术的图像分割方法是利用空间区域相 互作用模型如Markov随机场随机场等对图 像进行建模,结合一些概率论知识和模拟退 火等优化方法对图像进行分割［5］。这种方 法有时易产生误分类,对纹理边界难以分割 所以在超声图像分割中的应用有待进一步 的研究 1 - 3其它分割技术 图像分割是一具有丰富内涵的领域 ，多 年来众多的研究人员不仅从以上几方面研 究图像分割，而且还积极引进其它学科的知 识来对图像分割进行尝试，如建立在积分几 何、随机理论、模糊理论和时频分析等基础 上的数学形态学法、神经网络法、模糊聚类 法、小波变换法等，并取得了一定的研究成 果［8］。作为图像分割的一个重要分支，医学 超声图像分割的研究几乎涵盖了所有这些 分割技术,但效果往往难以令人满意,目前 也难以在临床应用中加以推广、应用。 2形变模型医学超声图像分割 为解决上述传统图像分割技术中存在 的问题，近十年来，研究者们对基于形变模 型的图像分割算法进行了广泛的研究和使 用，并取得了许多令人鼓舞的成果。下面将 分别就动态规划模型、活动轮廓模型和水平 集模型的超声图像分割方法作一些讨论。 2? 1基于动态规划模型的医学超声图 像分割动态规划算法的基本思想是：首先在 原始图像上人工选择一些特定的点作为初 始点和终止点，并对原始图像进行一定的变 换得到初始代价阵，其中目标边缘部分对应 位置的代价较低，而其它区域的代价较高, 然后由初始代价阵和给定的初始点计算出 累积代价阵,最后从终止点方向反向跟踪至 初始点，从而获得所需的边缘轮廓线。文献 [6,7]中利用DP算法对不同的医学超声图像 进行分割并得到了不错的分割结果。 本文也 对这一算法在医学超声图像的分割做了一 定的实验，结果如图1所示。通过实验我们 发现该算法不仅能够获得全局最优解，而且 具有一定的抗干扰能力，但是仍然存在着以 下几方面的问题：①运算量较大：主要是累 积代价阵的计算需要较多的时间，是运算 “瓶颈”；②容易误入“歧途”：超声图像 由于本身固有的物理特性，噪声较大，所以 存在着较多的伪边缘，在代阶阵中表现为条