成温立交桥
张楠，杨文明，廖庆敏1
（广东省深圳市清华大学深圳研究生院F楼105，518055）
摘要：脑肿瘤的自动分割是生物医生工程领域的热点和难点问题，一直活跃在研究的前沿。多种医学影像如CT（计算机断层扫描），PET（正电子发射成像），MRI（磁共振成像）等的成像机理不尽相同，图像特性存在差异，然而其反应的图像意义却基本一致。本文主要以MRI图像作为基础，介绍比较成熟的肿瘤自动或半自动（需要部分人工参与）分割算法，而这些方法基本上适用于上述各种医学影像。文章最后对这一交叉领域的发展前景进行了展望。
关键词：数字医疗及医疗信息化，MRI，肿瘤分割，生物医学影像。
The brain tumor segmentation algorithms for MRI images Nan Zhang, Wenming Yang, Qingmin Liao
(Building F, Room 105, Tsinghua Campus, 518055, Shenzhen, Guangdong) Abstract: Automatic brain tumor segmentation is a hot issue in the field of biomedical engineering and still unsolved until now. Much research has been done, and many studies and experiments are conducted based on several kinds of medical images, such as CT (Computed Tomography) originally, PET (Positron Emission Tomo
graphy) and MRI (Magnetic Resonance Imaging) later. Although all the imaging modalities have specific scan manners respectively and there are differences among characteristics of the obtained images, the tumor segmentation algorithms based on computer image and graphics theory can be applied to the biomedical images as mentioned. In this paper, several kinds of well-developed tumor segmentation methods are introduced. And finally this paper concludes challenges and possible prospects in the future. Keywords: Digital medical and medical treatment informatization,MRI，tumor segmentation，biomedical imaging.
1 引言
肿瘤分割是是信息学和医学交叉领域，是图像处理算法在生物医学工程领域的重要应用。现有条件下，人体肿瘤的分割一般是由医生或专家组根据现有的医学知识和临床经验人工进行，主观性很强，分割结果因人而异，差别可能很大。同一个病人在不同时期由同一个医生的分割结果也可能不同。同时，医生长时间疲劳工作也会导致分割错误。因此，利用图像分割算法对肿瘤进行自动或半自动分割，不仅大大减轻医生的工作负担，还可以提高肿瘤分割的精确性，鲁棒性和适用性。基于此，越来越多的研究人员与医生广泛开展合作，尝试解决脑肿瘤，乳腺肿瘤，前列腺癌等多种肿瘤的自动处理，以尽量客观而大多数医生都能接受的结果，给医生的诊断提供辅助的参考。本文将简要叙述MRI (Magnetic Resonance Imaging) 图像下的脑肿瘤分割算法及其在生物医学工程领域的应用前景和
泥浆固液分离局限。
1作者简介：张楠，男，博士研究生，主要从事医学图像处理方面的研究；廖庆敏，男，教授，博士生导师，主要研究医学图像，生物特征，运动跟踪，姿态估计等领域；杨文明，男，讲师，主要研究医学图像处理，目标跟踪等。
2 MRI简述
磁共振成像技术（MRI）对人体没有损害，可对不同解剖部位进行断层成像，具有以不同参数实现影像对比度加权，获得高组织分辨率、高清晰度和提供多种诊断信息的能力。MRI的基本原理是利用人体组织中氢原子核的共振成像，其信号能准确地显示中枢神经系统的解剖结构，肿瘤的位置，大小以及和周围组织的相对位置关系。脑肿瘤患者的MR成像是三维多波段图像，通常包括T1，T2，PD和T1增强像等，如图1所示[1-3]：
图1 MRI图像示例（从左至右依次为T1，T2，FLAIR和T1增强像）MRI图像中，正常组织主要为灰质、白质、脑脊髓液等，病变主要包括肿瘤、水肿，以及肿瘤内部的坏死、囊变。各个组织在各加权像上的灰度对比特征如表1[1-3]。
表1 各组织灰度对比特征（负号表示暗信号，正号表示亮信号，符号个数代表明暗的程度）MRI序列灰质白质脑脊髓液肿瘤囊变水肿
T1—++———————+
T2+———+++++++—
FLAIR+——————++——+
T1增强—++——++——+
3 肿瘤分割算法概述
3.1 传统MRI脑肿瘤图像分割算法
传统方法根据识别分为直接面对肿瘤特征和面对正常组织中的异常现象。描绘分为利用区域内特性相
似性的基于区域的算法和利用区域间特性不连续性的基于边界轮廓的算法。基于区域的方法主要有模式识别的方法，基于模糊集的方法，图谱引导方法等；基于边缘的方法主要是形变模型的方法。综上，MRI肿瘤分割算法可分为四种：面向肿瘤和基于区域，面向肿瘤和基于轮廓，检测异常和基于轮廓，检测异常和基于区域。
伏旱天气面向肿瘤基于区域的算法基于图像象素点的分类和模式识别的各种理论，通过提取肿瘤类及其它正常组织的特征（主要是灰度），建立分类器，根据一定的知识逐象素分析判断来提取肿瘤。部分体积效应使得一个象素可能包含多个组织，非监督的模糊聚类（FCM）方法[4-6]则为每个体素分配一个向量（其分量代表该体素对相应类的隶属度），使用专家系统对初始分类再分析。
算法[5]针对增强的肿瘤，利用模糊逻辑控制对象素聚类，排除非肿瘤的体素。方法对增强肿瘤依赖性强。文献[6]利用FCM，首先从FCM聚类结果中去除灰质和白质，然后通过形状匹配去除脑室，再用区域连接等得到连续的肿瘤区域，但只用于肿瘤较小，占位较小，脑室保持对称性的情况。在T1图像中，各组织的灰度分布可近似用高斯分布描述，基于混合高斯模型的EM算法应用于T1图像的分割[7]。文献[8]提出了模糊马尔可夫聚类法，
算法结合了马尔可夫随机场和模糊理论，使图像被分割为各向同性，且空域相连的区域。方法对正常组织分割效果很好，但只使用T1像，精度不高。文献[9]对肿瘤的各波段图像分别提出各自适应的隶属
度函数，使用 [8]的算法确定各隶属度函数的参数实现分割。半自动的模糊区域生长[10-11]建立了模糊连接、模糊目标的概念，论证了生长结果对种子点选择的鲁棒性，通过用户选择种子点和体素之间的模糊连接性建立该图像对种子点的模糊连接度场景，通过取阈值就可分割。为了解决模糊度生长中模糊连接阈值选择困难的问题，文献[11]提出了相对模糊区域生长和迭代模糊区域生长的方法，使用参考点与种子点的竞争避免了阈值的选择。
图谱引导（Atlas-guided）方法[12-15]基于图谱，即大量的相同解剖部位的图像配准，首先将已有模板图像一对一映射到待分割图像上（图谱变形，Warping，考虑到解剖结构的不确定性，由一系列线性和非线性映射构成）。图谱只包含正常组织，分割肿瘤时一般在正常模板中加入种子点，建立肿瘤生长模型，得到肿瘤模板。文献[12]采用了自适应模板修正算法，通过迭代将模板与待分割图像逐渐匹配。文献[13]首先使用仿射变换和互信息最大化把肿瘤图像与正常脑组织模板及各正常脑组织（白质，灰质，脑脊髓液）的概率图像对齐，利用最小误差矩阵行列式（MCD）和非参数密度估计的方法估计各组织和肿瘤的分布，最后用估计的概率密度函数控制level set曲线演化，得到肿瘤的边缘。
图谱引导法在正常脑组织分割中效果很好，该类方法通过模板提取图像各组织的空域分布信息，分割精度很大程度上依赖配准的准确性。各病人脑室情况不同，发病情况有异，所用的模板库必须足够大，才能够使每帧病变图像都能到相似的模板。该类方法对模板大小依赖较大，大模板的应用依旧困难，占位较大肿瘤的分割仍没有得到完美的解决。
检测异常的方法需要定义正常，异常和异常的程度，文献[16]利用人脑的对称性定义正常模板，提出了五层：象素层，象素最近邻（马尔可夫）层，区域层（象素在其所处区域中的相对位置），结构层（象素所属区域与图像其他区域之间的相对位置），用户层。图像信息在相邻层中流动，每一层的结果为上一层提供基础。
基于轮廓的方法着眼于目标的边缘和轮廓，根据内力（如曲线曲率）和外力（如图像灰度，梯度等）来演化曲线，以勾勒肿瘤的轮廓。较成功的活动轮廓模型(Active Contour Model，又称为Snake)在图像中定义曲线，其演化由曲线本身决定的内能和由图像数据决定的外能制约，最终达到特征位置。几何形变模型基于曲线演化理论和水平集方法(level set)[17]。其基本思想是将平面闭合曲线隐含地表达为二维曲面函数具有相同函数值的点集，通过level set函数曲面的进化隐含求解曲线的运动。问题形式上变复杂，但其最大的优点在于曲线的拓扑变化处理自然，稳定性强。snake方法搜索范围有限，易进入局部最小，对初始状态依赖性强，只用于分割与周围区域差别较大的肿瘤。level set方法搜索范围大，可达全局最小，并且能处理轮廓曲线本身不可微的状态[18-19]。但三维level set方法[17-19]在医学图像分割中的应用有限，因为level set方法必须依靠一定的收敛条件停止曲线演化，而这个条件难以决定。
轻点CHINA学生CHINESE3.2 多波段MRI图像下的肿瘤分割
MRI各加权像含有的信息不同，融合多种图像，是近来脑肿瘤分割的热点[9,18-22]。文献[20]提出了独立的参数化平滑模型，使用期望最大化（EM）对T1，T2和PD像中灰度可变的每个类别进行评估。文献[21]融合了区域与边界分割，正常组织在特征空间中通过空间聚类获得。所有体素都收敛到各自的类别中心并使用均值漂移的非参数化密度估计和边界置信度映射来实现对真实数据图像的滤波。文献[22]提出了名为Hierarchical Genetic Algorithm with a fuzzy Learning Vector Quantization network (HGALVQ) 的聚类算法，该算法基于局部加权误差的最小化，作用于T1，T2和PD像，来降低计算复杂度。但类别数目自动选择，最终收敛的类别数目不可控，一般会过大。文献[23]将T1，T1增强和T2特征组合成多维特
征集，基于概率模型和主动轮廓模型进行分割。方法扩展性不强，一些必要的假设和先验知识不能在所有的病人数据上都得到满足，限制了其应用。多层神经网络结合分形和小波特征的方法[24]适用于T1增强，T2和FLAIR像的融合。Piecewise Triangular Prism Surface Area (PTPSA) 算法被用来提取特征，特征融合通过自组织映射（SOM）完成。系统的缺点在于其稳定性差，分类精度在一个很大的范围内变化，系统的普适性不强。
3.3 基于SVM的肿瘤分割
大量研究实验证明，基于核函数的方法对脑肿瘤分割有很强的可行性和实用性[24-31]。相关向量机（
RVM）基于贝叶斯概率估计理论，使用数量非常有限的相关向量的稀疏表示[25]进行判决，泛化能力强。支持向量机（SVM）将原始空间中线性不可分的数据，映射到高维的特征空间，使其一定线性可分。SVM对两类分类问题适用性强，分类精度高，运算速度快，但容易过拟合，对复杂的多类问题，还不能很好的解决[26-31]。
文献[26-27]论证SVM适用于不同来源的高维数据分类。文献[28-29]介绍了多核函数支持向量机（Multi-kernel SVM）的最新进展，它更加适合于不用来源的数据融合，但需要牺牲计算复杂度。一类支持向量机分类其中某类样本，其他所有数据，都当作同一类考虑，以简化训练的过程[30]。文献[31]证明了当SVM中的核函数可分解为一系列独立的基本核函数的和并可嵌入到一个非闭环非循环的处理流程中时，通过引入一范数来稀疏定义惩罚函数，核函数的选择可通过分级学习框架实现。
SVM可以减弱病人先验知识对算法的影响，学习能力和可扩展范围增强，可以较好的解决二类肿瘤分类问题。
3.4 其他方法
由于MRI检查呈现立体结构，因此三维信息也被应用到肿瘤分割中。文献[32]使用直方图分析，形态学操作和对称性分析理论获得初始脑肿瘤分割结果，再使用参数化的形变模型在模糊空间关系（拓扑关系，肿瘤位置等大致空间关系）的限制下改善分割效果。该方法仅应用于T1像，使用六邻域进行脑部
分割，六邻域是三维信息应用和三维特征提取最简单的形式，信息三维特征性不强。
文献[33]的半自动方法在感兴趣区域（ROI）中提取相关信息计算模糊度函数，使用一系列模糊准则，得到每个像素去模糊后的确定输出。其优点在于可跟踪性，将前期分割的结果作为后面切片的ROI。方法受到ROI的限制，适用性很强。
文献[34]基于改进的level set，方法使用全局阈值来构造水平集的速度函数，控制收敛的速度。其限制是需要预先设定参考slice（要有尽可能含有尽量大的肿瘤区域）来获得肿瘤的先验知识（肿瘤点的灰度）以更新阈值。方法对均匀的、凸形状的肿瘤分割效果较好，但应用范围有限，适用性不强。
目前三维可用信息不多，应用不广，其算法仍然基于一些比较基础的理论，分类器设计简单，虽然算法运行速度较快，但是分割精度不高；同时仍然没有更加有效的特征提取办法。
对于大脑中正常组织和异常组织的多类分类问题，文献[35]介绍了关于SVM的多类分类算法，由一对全部扩展两类分类到多类分类。分类开始前，需要已知类别的数目，且不可动态变化。文献[36]将传统SVM的输出量转化为概率，将传统的硬判决转化为使用最大后验概率的软判决，完成多类分类的处理过程。整个系统的框架是使用多个二类分类器，将待测样本归为最大后验概率对应的类别。文献[37]使用了改进的KPCM方法训练得到权重，对于给定的训练样本，根据训练得到的权重被分为若干类，再对每个类通过模糊SVDD 构建一个支持向量函数，最后按照一定准则结合这些函数和权重形成
分类决策准则。该方法可利用权重解决野点（距离离别中心较远的点）的问题。
综上，SVM直接用于多类问题效果很差，不能解决复杂条件下的此类问题，现有方法
主要是使用概率模型和模糊理论，分类效果一般，且不能同时估计囊变和正常组织。
4 总结与展望
本文简要介绍了典型的MRI肿瘤分割算法，指出其优点和存在的不足。尽管课题已经获得了一定的成果，但是该领域中仍然还有很多问题有待进一步研究解决。现有方法目前存在的普遍困难是：
（1）分类效率不高，实时性较差。由于所需处理的MRI数据量极大和算法本身的限制，算法的实时处理要求不能满足，在一定程度上限制了其实际应用。
（2）由于实际研究环境中并没有可以适用于所有问题的大型测试数据库，因此大部分实验都是建立在一定数量的真实数据基础上，病人数据的个体差异较大，先验知识不足，算法的有效性和鲁棒性都不能得到充分有力的验证。
（3）算法缺乏相应的医学支撑。一般而言，肿瘤都是与正常组织紧密相连的，两者并没有明显的边界，因此分割结果的正确性必须通过实际的病理才能证实。但现有条件下往往不能满足每个病人都有索爱mp5
病理的条件，算法的评价也基本是建立在数据分类的基础上，在相关的医学意义上，完善的医学评价体系也并没有建立，因此，算法的普适性需要进一步的验证。
尽管该领域的研究工作还存在着许多悬而未决的问题，相应的研究在国内外都还没有完全成熟，未来可能的发展方向具体为：
（1）可靠的商用医学辅助分析系统的开发，这包含医学诊断体系的构建，分割评价标准的确立等，这是真正意义上的医学和信息学的融合；
（2）算法细节方面，特征提取可能扩展到三维特征，甚至在跟踪肿瘤的情况下，可能提取包含时间在内的四维特征，提高分割的准确性；
（3）由于MRI的海量数据，特征选择方法也是不可或缺的改进方向，提出可以尽量提高分割效果但是不影响分割速度的算法是当务之急。
（4）除了MRI之外，其他模态的医学图像，如CT，PET等，与MRI的融合分析也是未来可能得研究热点之一。
这一课题吸引着越来越多的研究人员参与其中，该领域还存在着良好的发展前景和广阔的发展空间。
参考文献
[1].宣晓, “基于统计结构分析的脑部磁共振图像肿瘤分割” [D], 清华大学硕士论文, 2007;正硅酸乙酯
[2]. D.T.Gering. “Recognizing Deviations from Normalcy for Brain Tumor Segmentation” [D].
Ph.D. Thesis, Massachusetts Institute of Technology, 2003;
[3].P.L. Pham, et al, “A Survey of Current Methods in Medical Image Segmentation” [J]. Annual
Review of Biomedical Engineering, vol. 2, 2000, 315-338;
[4].M.C.Clark, et al, “MRI segmentation using fuzzy clustering techniques” [J]. IEEE
Engineering in medical and biology, 1994, 730-742;
[5].M.C.Clark, et al, “Automatic Tumor Segmentation Using Knowledge-Based Techniques” [J].
IEEE Transactions on Medical Imaging, vol.17, 1998; 238-251;
[6].Fletcher-Heath, et al, “Automatic segmentation of non-enhancing brain tumors in magnetic
resonance images” [J]. Artifical Intelligence in Medicine, vol.21, 2001, 43–63;
[7].W.M.Wells, et al, “Adaptive Segmentation of MRI data” [J]. IEEE Transaction on Medical
Imaging, vol.15, 1996, 429-442;
[8].Ruan,S., et al, “Fuzzy Markovian Segmentation in Application of Magnetic Resonance
Images” [J]. Computer Vision and Image Understanding, vol.85, 2002, 54–69;
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议