随着医学图像在临床诊断中的广泛应用，图像分割在医学图像处理与分析中的地位愈加重要，病变组织的定位、分割后的图像正被用于各种场合，如组织容积的定量分析、解剖结构的研究、计算机辅助诊断、规划、功能成像数据的局部效应校正和计算机引导手术。因此，对医学图像分割方法的研究具有重要的理论价值和广泛应用前景。 1医学图像分割技术分类
医学图像分割是图像分割在医学领域的应用，准确的分割可以辅助医生判断病情、量化分析病灶区域，为正确的疾病诊断提供可靠的依据。此外，医学图像分割作为病变体区域提取、特定组织测量以及三维重建的必要手段，对现代医学发展具有重要的科学意义。为了更加清晰地了解医学图像的分割方法，可以根据不同的理论原理、不同的图像类型或不同的分割定义方式进行分类。依据图像灰度值的不连续性和相似性及处理策略的不同，将分割技术分为：并行边界类、串行边界类、并行区域类和串行区域类四种。本文从具体方法出发将现有的医学图像分割算法分为三大类，包括：基于形变模型（Model-based）的分割方法、基于区域(Region-based)的分割方法和基于统计学的分割方法。下面，简要介绍各种方法，分析它们的应用范畴及优缺点。 耿殿君
1.1基于形变模型的图像分割方法
基于形变模型的分割算法综合利用图像的区域和边界信息，是目前研究最多、应用最广的方法。该方法
的主要优点是能够直接产生闭合的参数曲线或曲面，并对噪声和伪边界有较强的鲁棒性。最重要的形变模型是主动轮廓（Active contour）模型，可分为参数主动轮廓模型（Parametric ACM）和几何主动轮廓模型（Geometric ACM）两类。1．1．1参数活动轮廓模型
参数活动轮廓模型直接用参数来表达待分割的图像，通过形变来接近实际的形状，如血管图像分割中使用的椭圆参数模型。基于物体边缘能量最小的事实，Kass等提出的Snake模型是参数形变模型的典型代表。参数活动轮廓模型就是在图像内力和外力的共同作用下最小化目标函数，并收敛到物体边缘的曲线。图像内力由图像像素、曲率及其与周围点的关系构成，决定轮廓曲线的光滑性和连续性。该模型的优点是：能够产生光滑连续的参数曲线（或曲面）；缺点是：对初始位置敏感、易陷入边缘局部极小值，且无法收敛到曲率较小的区域。为了克服这些问题，相关研究者对主动轮廓模型进一步研究，并在此基础上提出了一些有效的改进算法。
1．1．2几何活动轮廓模型
1982年，Osher和Sethian提出[1]了最初的几何活动轮廓模型，是一种简单有效地计算和分析两维或三维空间中界面运动的方法。该算法利用曲线演化理论和水平集（Level Set Methods）理论，将表示界面的平面闭合曲线嵌入到高一维的水平集函数中，通过水平集函数曲面的进化来隐含地求解曲线的运动，最终得到的零水平集就是分割结果。
水头损失
小林奈绪几何形变模型具有计算简单、数值解稳定、拓扑结构灵活和容易扩展到高维空间等优点，但也有一些不足之处，如分割结果易出现泄漏现象，对水平集速度函数的设计困难等。
1.2基于区域的图像分割方法
基于区域的图像分割方法主要利用区域内特征的相似性将图像空间划分为不同的区域。常用的特征包括图像的空间局部特征，如灰度、纹理、像素统计特性以及对原图像特征进行变换或计算得到的特征。基于区域的分割方法有阈值法、区域生长和分裂合并法、数学形态学方法、聚类法等。
1．2．1阈值法
阈值分割是一种并行的直接检测区域的分割方法，具有计算方便、实用性强的优点。根据图像中的目标个数可分为单阈值分割和多阈值分割。由于阈值的设定容易受噪声和光亮度的影响，所以阈值选择具有一定的难度。阈值分割常用作医学图像的预处理，通常结合其它分割方法进行后处理完成分割，如CT图像中皮肤、骨骼的分割。1．2．2区域生长和分裂合并法
区域生长和分裂合并法[2]是两种典型的串行区域分割方法，后续步骤需要在前面处理的基础上进行。区域生长法先对需要分割的区域设定若干个种子点或种子区域，再按照一定的生长准则对邻域像素点进行判断、归并，重复上述过程，直至完成所有像素点的判断。该算法的关键是初始种子点的选择，
生长准则、生长顺序以及终止条件的设定。与区域生长法不同，分裂合并法是先将整幅图像进行分裂，然后根据某种判断准则将类似的相邻区域进行合并。虽然它不需要设定初始种子点，但分裂和合并准则的设计是分裂合并法存在的难点。1．2．3分类器
分类是模式识别领域一种基本的统计分析方法[3]，用分类器进行分割是一种有监督的统计方法，需要手动分割得到样本集作为后续图像进行自动分类的参考。分类器有非参数分类器和参数分类器两种，前者对数据的统计结构没有要求，其中K邻域（K Nearest Neighbor,KNN）及Parzen窗是非参数分类器的典型代表；后者的代表是Bayes分类器，它假定图像的密度分布服从高斯独立分布。
1332m络筒机1．2．4聚类法
聚类法[4]不需要训练样本，是一种无监督（Unsupervised）的统计方法。它通过迭代地执行图像分类算法并最小化聚类指标来完成任务。具体地讲，聚类法首先将图像映射到图像的特征空间，然后通过搜索特征空间内点的聚集情况实现图像区域的分割。这里，特征空间内点比较密集的区域代表图像的区域或类别，密集区域之间的稀疏区域则代表了类别间的界限。常用的聚类法如有K均值（K-Means）法、模糊C均值（Fuzzy C-Means）法、最大期望算法（Expectation-Maximization，简称EM算法）等。该方法的缺点是缺乏对象素空间拓扑结构的考虑，一般需要进行后处理才能达到最后的分割。
1．2．5数学形态学法
数学形态学是一种新型的数字图像处理方法和理论，用具有一定形态的结构元素来度量或提取图像中对应的形状以达到对图像分析和识别的目的。利用形态学中的膨胀、腐蚀、开运算和闭运算四个基本操作进行推导组合产生各种实用算法，其中结构元素的选取是重点。如分水岭方法[5]就是一种新颖的基于拓扑结构的数学形态学分割法。它借助洼地积水的过程，图像中每个像素点的灰度值抽象表示为该点的海拔高度，将每个局部极小值及其影响区域称为积水盆，积水盆的边界形成分水岭。分水岭分割法具有较好的鲁棒性，但往往会出现过分割现象。
1.3基于统计学的图像分割方法
最近十几年来，基于统计学的图像分割方法得（下转第182页）
医学图像分割算法分类及特点
日剧恋人啊热孜万古丽·夏米西丁
（新疆师范大学计算机科学技术学院，新疆乌鲁木齐830054）
【摘要】医学图像分割技术是医学图像处理与分析领域的重要课题之一，也是近年来备受研究人员关
注的热点问题。医学图像分割的目的是把图像中具有特殊含义的不同区域分割歼来，并使分割结果尽可能的接近解剖结构，从而为临床诊疗和病理学研究提供可靠依据。由于人体解剖结构的复杂性、组织器官形状的不规则性及个体之间的差异性，一般图像分割方法直接应用于医学图像并不能得到理想分割效果为此必须寻一种有效的医学图像分割方法。
江苏教育学院附属小学【关键词】医学图像；图像分割；分类
【Abstract】Recently medical image segmentation technology is one of the important subjects within medical image processing and analysis research field and worked over through out the world．The main purpose of medical image segmentation is to divide the image into different regions with special signification and make the results approximate to the anatomic structure，which can provide the credibility gist for clinic diagnose and pathology research．As the complexity of human anatomic structure，the abnormity of tissue shape and the difference among individuals，the commonly image segmentation methods is not fit for the medical image．The availability method must be found to resolve the problem．【Key words】Medical i mage；Image s egmentation；Classification
170
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议