医学图像分割综述.docx
《医学图像分割综述.docx》由会员分享，可在线阅读，更多相关《医学图像分割综述.docx（14页珍藏版）》请在冰点文库上搜索。
医学图像分割综述
医学图像分割综述
郭爱心
安徽大学
摘要：
图像分割是图像处理和分析的关键。
随着影像医学的发展，图像分割在医学应用中
具有重要意义。
本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发
展前景做出了简单综述。
关键字：
医学图像分割意义方法评估标准发展前景
AReviewofMedicalImageSegmentation
Ai-XinGuo
AnhuiUniversity
Abstract
:
Imagesegmentationisthekeyofimageprocessingandanalysis.Withthedevelopment
ofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromthe
perspectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimage
segmentationonit’ssignificance、methods、evaluationstandardsanddevelopmentprospects.
words:
Keymedicalimage,segmentation,significance,methods,evaluationstandards,development
prospects
1.
医学图像分割的意义
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术
和过程。
它是由图像处理到图像分析的关键步骤。
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
[2]
声）及其它医学影像设备所获得的图像。
医学图像分割是将原始的2D或3D图像划分成
[1]
不同性质（如灰度、纹理等）的区域，从而把感兴趣的区域提取出来。
医学图像分割是一
个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有
重要作用，为临床诊疗和病理学研究提供可靠的依据。
医学图像处理有其复杂性和多样性。
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
图像相比较，不可避免的具有模糊、不均匀性等特点。
另外，由于人与人之间有很大的差别，
且人体组织结构形状复杂。
这些都给医学图像分割带来了困难。
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。
2.
医学图像分割的方法
2.1.基于区域的分割方法
基于区域的分割方法有阈值法，区域生长和分裂合并，分类器与聚类和基于随机场的方
法等。
阈值分割是最常见的并行直接检测区域的图像分割方法。
如果只用选取一个阈值称为单
阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割
为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。
阈值分割方法基于对灰
度图像的一种假设：
目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像
素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。
选取的阈值应
[2]
位于两个峰之间的谷，从而将各个峰分开。
阈值分割的优点是实现相对简单，对于不类的
物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。
阈值分割通常作为医学
图像的预处理，然后应用其他一系列分割方法进行后处理。
阈值分割的缺点是不适用于多通
道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围
1
有较大重叠的图像分割问题难以得到准确的结果。
区域生长和分裂合并是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步
骤的结果进行判断而确定的两种典型的串行区域分割方法。
区域生长的基本思想是将具有相
似性质的像素集合起来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周围
的相似像素合并到种子像素所在的区域中。
区域生长算法的研究重点一是特征度量和区域增
长规则的设计，二是算法的高效性和准确性。
区域增长方式的优点是计算简单。
与阈值分割
类似，区域增长也很少单独使用，往往是与其他分割方法一起使用，特别适用于分割小的结
[6]
构如肿瘤和伤疤。
区域生长的缺点是它需要人工交互以获得种子点，这样使用者必须在每
个需要抽取出的区域中植入一个种子点。
同时，区域增长方式也对噪声敏感，导致抽取出的
区域有空洞或者在局部体效应的情况下将分开的区域连接起来。
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
[5]
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。
分类是模式识别领域中一种基本的统计分析方法。
分类的目的是利用已知的训练样本集
在图像的特征空间找到点、曲线、曲面或超曲面（高维），从而实现对图像的划分。
分类器
有两个有点：
1、不需要迭代运算，因此计算量相对较小。
2、能应用于多通道图像。
但分类
器没有考虑空间信息，因此对灰度不均匀的图像分割效果不好。
分类器还要求由手工分类生
成训练集，工作量大。
聚类算法与分类器算法极为类似，只是它不需要训练样本，因此聚类
是一种无监督的统计方法。
因为没有训练样本集，聚类算法迭代执行对图像分类和提取各类
的特征值。
从某种意义上说，聚类是一种自我训练的分类。
另一方面，聚类也没有考虑空间
[2]
关联信息，因此也对噪声和灰度不均匀敏感。
八十年代以来，聚类方法开始被用于核磁图
像多参数特性空间的分类，如脑白质和灰质的分割。
基于随机场的方法是将图像看作一个马尔科夫随机场MRF，从统计学的角度出发对数
字图像进行建模，把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量。
从观
察到的图像中恢复实际物体或正确分割观察到的图像。
从统计学的角度看就是要找出最有可
能即以最大概率得到该图像的物体组合。
从贝叶斯定理的角度看，就是要求出具有最大后验
[7]
概率的分布。
MRF模型应用的难点在于选取合适的参数控制空间相关性的强度，过强将
导致对分割图的边缘过度平滑而丢失一些重要的解剖细节信息。
另外，应用MRF模型的算
法计算量很大。
2.2.基于边缘的分割方法
基于边缘的分割方法是通过检测不同区域间的边缘来解决图像分割问题。
在区域边缘上
的像素灰度值的变化往往比较剧烈。
边缘检测方法有并行微分算子法，基于曲面拟合的方法，
基于边界曲线拟合的方法，串行边界查找和基于形变模型的方法等。
并行微分算子法对图像中灰度的变化进行检测，通过求一阶导数极值点或二阶导数过零
点来检测边缘。
常用的一阶导数算子有梯度算子、Prewitt算子和Sobel算子，二阶导数算子
有Laplacian算子，还有Kirsch算子和Wallis算子等非线性算子。
梯度算子不仅对边缘信息
[8]
敏感，而且对于像素点也很敏感。
为减少噪声对图像的影响，通常在求导之前先对图像进
行滤波。
常用的滤波器主要是高斯函数的一阶和二阶导数。
基于曲面拟合方法的基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数
据，然后根据该曲面来决定边缘点。
该方法即利用当前像素领域中的一些像素值拟合一个曲
面，然后求这个连续曲面在当前像素处的梯度。
基于边界曲线拟合方法是用平面曲线来表示不同区域之间的图像边界线，试图根据图像
梯度等信息找出能正确表示边界的曲线从而得到图像分割的目的，而且由于它直接给出的是
边界曲线而不像一般的方法找出的是离散的，不相关的边缘点，因而对图像分割的后继处理
如物体识别等高层处理有很大的帮助。
即使是用一般的方法找出的边缘点，用曲线来描述它
2
们以便于高层处理也是经常被采用的一种有效的方式。
LawrenceH.Staib等人给出了一种用
Fourier参数模型来描述曲线的方法，根据Bayes定理，按极大后验概率的原则给出了一个
目标函数，通过极大化该目标函数来决定Fourier系数。
实际应用中，先根据对同类图像的
分割经验，给出一条初始曲线，再在具体分割例子中根据图像数据优化目标函数来改变初始
曲线的参数，拟合图像数据，得到由图像数据决定的具体曲线。
这种方法比较适合于医学图
像的分割。
串行边界查找方法通常是查找高梯度值的像素，然后将他们连接起来形成曲线表示对象
的边缘。
串行边界查找方法在很大程度上受起始点的影响，以前检测像素的结果对下一像素
的判断也有较大影响。
其困难是如何连接高梯度的像素，因为在实际图像中他们通常不相邻。
另一个问题是噪声的影响。
因为梯度算子具有高通特性，噪声通常也是高频的，因此可能造
成一些错误边缘像素的检测。
早在80年代初，串行边界查找方法就被用于检测X射线的心
[9]
血管图像以及肺部图像的边缘。
九十年代以来，随着医学影像设备的发展，可以获得更高空间分辨率和软组织分辨率的
[9]
图像，基于形变模型的方法也开始大量应用于医学图像，并取得了成功。
基于形变模型的
方法综合利用了区域与边界信息，是目前研究最多、应用最广的分割方法，可以宣称是过去
几年计算机视觉领域的成功关键。
在基于模型的技术中，形变模型提供了一种高效的图像分
析方法，它结合了几何学、物理学和近似理论。
他们通过使用从图像数据获得的约束信息（自
底向上）和目标的位置、大小和形状等先验知识（自顶向下），可有效地对目标进行分割、
匹配和跟踪分析。
从物理学角度，可将形变模型看成是一个在施加外力和内部约束条件下自
然反应的弹性物体。
形变模型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。
还有一些形变模型利用了形状先验知识和标记点集合等先验知
识，可以使分割结果更为健壮和准确。
2.3.基于水平集的分割方法
水平集图像分割方法，是基于几何变形模型的分割方法，是将二维（三维）的闭合曲线
（曲面）的演化问题转化为高维空间中水平集函数曲面演化的隐含方式来求解，适应于对拓
扑结构变换的处理，其计算精度高，算法稳定。
JingYang和JamesS.Duncan运用水平集分
割方法，结合贝叶斯公式分割颅脑3维MRI图像，并与点分布模型法（PDM）进行比较,证
明前者有较好的鲁棒性；Y.Chenoune等应用水平集方法来分割心电磁共振图像，用以评价
[1]
心肌畸形。
文献[11]中作者提出了一种基于水平集的心脏图像分割方法，成功地分割出图
像中的感兴趣物体。
由于水平集方法是把曲线（面）问题放到高一维的空间去考虑，通过追踪
水平集函数的零水平集实现物体边界的提取。
随着求解空间维数变大，相应的计算量也会成
倍增加。
但在医学的临床应用中往往有实时性要求，这就需要能在相对短的时间内成功提取
[12]
出感兴趣目标。
2.4.基于模糊集的分割方法
图像分割问题是典型的结构不良问题，而模糊集理论具有描述不良问题的能力，所以有
研究者将模糊理论引入到图像处理与分析领域，其中包括用模糊理论来解决分割问题。
基于
糊理论的图像分割方法包括模糊阈值分割方法、模糊聚类分割方法和模糊连接度分割方法等
[2]
。
模糊阈值技术利用不同的S型隶属函数来定义模糊目标，通过优化过程最后选择一个
具有最小不确定性的S函数，用该函数增强目标以及属于该目标像素之间的关系。
这样得
到的S型函数的交叉点为阈值分割需要的阈值，这种方法的困难在于隶属函数的选择。
模糊均值聚类（FCM）方法通过优化表示图像像素点与C-类中心之间的相似性的目标函
数来获得局部极大值，从而得到最优聚类。
这种方法计算量大，不具备实时性。
FCM方法
常被用于医学图像的分割。
LeeandVannie扩充了模糊C-均值算法以纠正医学图像中的强度
3
偏差。
DzungL.Pham提出一种自适应模糊C均值方法分割强度不均匀的医学图像。
2.5.基于神经网络的方法
在八十年代后期，在图像处理、模式识别和计算机视觉的主流领域，受到人工智能发展
的影响，出现了将更高层次的推理机制用于识别系统的做法。
这种思路也开始影响图像分割
方法，在解决具体的医学问题时，出现了基于神经网络模型（ANN）的方法。
神经网络模拟生物特别是人类大脑的学习过程，它由大量并行的节点构成。
每个节点都
能执行一些基本的计算。
学习过程通过调整节点间的连接关系以及连接的权值来实现。
Ghosh等构造了大规模连接网络，并在此基础上从噪声环境中提取目标物体。
它们将图像理
解为被高斯噪声污染的吉布斯分布随机场，利用网络获取目标物体。
由于吉布斯分布考虑了
相邻像素之间的关系，所以他们这种方法包含了一定的空间信息。
这些神经网络方法的出发
点是将图像分割问题转化为诸如能量最小化、分类等问题，从而借助神经网络技术来解决问
题。
其基本思想是用训练样本集对ANN进行训练以确定节点间的连接和权值，在用训练好
的ANN去分割新的图像数据。
这种方法的一个问题是网络的构造问题。
这些方法需要大量
的训练样本集，然而收集这些样本在实际中是非常困难的。
ANN同样也能用于聚类或形变
模型，这时ANN的学习过程是无监督的。
由于神经网络存在巨量的连接，所以很容易引入
空间信息。
但是使用目前的串行计算机去模拟ANN的平行操作，计算时间往往达不到要求
[2]
。
2.6.医学图像分割的其他方法
医学图像分割由于被用于临床医疗，因此图像分割的准确性更为重要。
图像分割一直是
一个很困难的问题，目前的自动分割方法虽然在一些方面取得了一定的成功，但还远远不能
满足医学图像处理的实践中对分割结果准确性的要求。
有相关的研究人员尝试将现有的分析
方法进行优化和结合并探索新的分割方法，例如结合区域与边界技术的方法、图谱引导
（Atlas-guided）方法、数学形态学和尺度空间理论的应用等。
3.
医学图像分割方法的评估
图像分割中另一个重要问题是对分割算法的定性和定量评估，这对于医学图像的分割尤
其重要，因为分割的准确度直接关系到临床应用的效果。
这一问题的难度在于目前还没有一
个大家都能接受的对分割结果好坏的客观评判标准。
对算法的评价一般做法是将计算机的分
割结果与实际结果相比较。
对人工生成的图像等实际结果已知的情况这当然是没有问题的，
但对一般的图像实际结果往往是未知的，这时候只好将人工分割的结果作为实际结果来与计
算机的分割结果比较，这种做法的问题是不同的操作人员对同一幅图像的分割结果往往是有
[10]
差异的。
一种比较好的做法是如V.Chalana等人在介绍的那样，获得好几个操作人员的手
工分割结果，再比较计算机的分割结果是否与这些手工分割结果一致。
目前，为促进分割方
法的评估和开发，医学图像分割领域已出现了一些标准数据集，如哈佛大学的IBSR提供了
脑部图像数据与专家指导分割的结。
4.
医学图像分割发展前景
随着医学图像处理的发展，医学图像分割方面的研究也越来越深入，思路也越来越开
阔，主要表现在以下几个方面：
（1）人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像取得令人
满意的分割结果，更加重视多种分割算法的有效结合，近几年来提出的方法大多数是结合了
多种算法的。
（2）继续致力于将新的概念，新的方法引入图像分割领域。
（3）将图像分割方法的研究与与其他图像处理分析任务（如图像去噪、增强、匹配、
可视化等）结合起来。
因为其在识别对象结果和功能上是相关的，因此将他们结合起来共同
研究是未来研究的一种趋势。
4
（4）生物医学工程和计算机视觉领域的最新研究成果也将影响和促进分割算法的研
究。
（5）随着图像处理研究不断深入，图像分割将向自动、精确、快速、自适应性的方向
发展，并需要与新理论、新工具和新技术结合起来才能有所突破和创新。
参考文献
[1]王瓛,郭秀花.医学图像处理中有关图像分割的新技术[J].北京生物医学工
程,2008,04:
440-443.
[2]聂斌.医学图像分割技术及其进展[J].泰山医学院学报,2002,04:
422-426.
[3]林瑶,田捷.医学图像分割方法综述[J].模式识别与人工智能,2002,02:
192-204.
[4]张石,董建威,佘黎煌.医学图像分割算法的评价方法[J].中国图象图形学
报,2009,09:
1872-1880.
[5]热孜万古丽·夏米西丁.医学图像分割算法分类及特点[J].科技信息,2013,03:
170-182.
[6]S.Pohlman,K.A.Powell,N.A.Obuchowski,W.A.Chilcote,andS.Grundfest-Broniatowski.
Quantitativeclassificationofbreasttumoresindigitizedmamograms.MedicalPhysics,23:
1337–
1345,1996.
[7]S.Z.Li.Markovrandomfieldmodelingincomputervision.Springer,1995.
[8]田捷等，实用图像处理技术,电子工业出版社,1994.
[9]JamesS.Duncan,andNicholasAyache,MedicalImageAnalysis:
ProgressoverTwoDecades
andtheChallengesAhead,IEEETransactiononpatteranalysisandmachineintelligence,2000,
22
（1）:
181-204.
[10]V.ChalanaandY.Kim,AMethodologyforEvaluationofBoundaryDetectionAlgorithmson
MedicalImages,IEEETransOnMedicalImaging,1997,Vol.16,No.5,pp.642-652.
[11]付增良,陈晓军,叶铭.一种心脏CT图像分割的新方法[J].计算机工
程,2009,35（12）:
189-191.
[12]王峥,杨新,李俊,施鹏飞.基于水平集人机交互模型的医学图像分割[J].模式识别与人工
智能,2002,04:
392-396.
5
升级会员 