生物医学工程中的图像分割范文

1图像分割

现今,生物医学图像在医疗诊断中起着不可低估的重作用。核磁共振(MagneticResonance,简称MR)、计算机X射断层扫描(ComputedTomography,简称CT)、超声波(Ultrasound)以及其他的成像技术等,都是无侵害性的器官体外成像的力手段。这些技术丰富了正常的以及病状的解剖知识,同它也成为了诊断和治疗体系重要的组成部分。随着医学图像在数量和大小上的增加,越来越有必要用计算机处理并分析这些图像。有一种算法用于找出解剖构和其它感兴趣的区域,这种算法叫做图像分割算法(imagsegmentationalgorithms)。图像分割是由图像处理到图像分的关键步骤[1],它在大量的生物医学图像的应用起着至关重要的作用,比如:解剖结构的研究、诊断等。在承担自然科学基金项目的过程中,为研究分割算法在医学图像中的应用,我们对过去国内外二十多年里医学图像分割算法的发展和现今广泛使用的分割法进行了较详细的调研,感到国内在这方面的文献和研究还比较少。为进一步推动图像分割在生物医学工程中的应用,本文结合我们目前的研究结果,对医学分割算法、特别是其应用做了介绍。

2现今广泛使用的生物医学图像分割方法

利用“区域间不连续性”和“区域内相似性”两个准则,分割算法可分为的“基于边界的算法”和“基于区域的算法”。另外,根据分割过程中“判断和决定是否可独立地和同时地做出”的处理策略,分割算法又可分为“并行算法”和“串行算法”。所以分割算法可根据这两个分成四类[1]。那么对于生物医学图像,也有相应的四类分割法。图像、成像方式以及其它因素。比如:对脑组织分割的要求就不同于对肝脏的要求,MR图像有异于超声图像。更进一步的情况,成像中的人为和不可抗拒的天然因素(例如噪声和物体的运动等)也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的分割技术。我们总结了现今国内外广泛使用的生物医学图像分割方法。重点放在对方法的介绍上,和使用时会面临的具体问题上。方法的详细数学推导超出了本文的范围,读者可以查阅参考文献。虽然这些方法是分开描述的,但在实际应用中,很多复合法也用于解决各种不同的实际分割问题。我们将这些方法分为四类6种:1)并行区域法:阈值法。2)串行区域法:区域生长法。3)结合特定理论工具的方法:①模式识别法(分类器法,聚类法);②人工神经网络法;③可变模型法。4)其他方法。

2.1阈值法

阈值分割法是将灰度图像变为二值图像以达到分割目的的方法[4],它是一种PR(并行区域)法。阈值法的过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”。把灰度值大于阈值的所有像素归为一类,小于阈值的所有像素归为另一类。阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间的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。因为阈值法能够实现实时操作,所以它更能够建立在用户视觉估计的基础上。阈值法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两个不同的类。另外,它只考虑像素本身的值[1],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[5]。

2.2区域生长法

区域生长法是根据预先定义的标准,提取图像中相连接的区域的方法[4]。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。在此法的最简单形式中,先人工给出一个种子点,然后提取出和种子具有相同灰度值的所有像素。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。为减轻这些缺点,产生了诸如模糊分类的区域增长法[6]和其他方法。

2.3模式识别法

2.3.1分类器法

分类器法是一种统计模式识别的方法[7],用以区分从已知标记的图像数据衍生而来的特征空间。灰度直方图,就是最常见最典型的一维特征空间的例子。因为分类器法需要用已知的人工分割结果作为训练样本、对分类器进行训练后才能自动分割新的数据,所以它是有监督的模式识别方法。它的训练方法有很多种,其中,最简单的一种是“非参数最近邻”分类器。它将像素或者体素划分在与其灰度值最接近的那一类中。而参数分类器中,使用得最多的是贝叶斯分类器(Bayesclassifier)[5]。标准的分类器要求被分割的结构具有明显的定量特征。因为如果训练样本数据能够被标记,分类器就能够将这些可以明显区分的标记转化为新的数据而不需要反复迭代。所以相对于阈值法,在区分多区域图像时它有较高的计算效率。它的缺点是是,需要人工交互方式获得训练数据。另一方面,对于大量的生物图像使用相同的训练样本,会因为没有考虑不同物体的解剖特性和物理特性而导致不准确的结果。

2.3.2聚类法

聚类法的基本原理和分类器法大体是相同的,不同点在于它不需要训练样本数据。所以它是无监督的模式识别方法。为了弥补没有训练数据这一点,聚类方法反复做两件工作:分割图像和刻画每个类的特征,从而使用已有的数据训练自身以达到分割的目的。最常用的聚类方法是模糊C-均值算法[1],它通过对目标函数的迭代优化实现集合划分,并且可以表示出各个像素属于不同类别的程度。虽然聚类算法不需要训练样本数据,但是它需要一个初始的分割。和分类器方法一样,聚类法同样不考虑空间建模,所以对噪声和非同质的灰度很敏感。然而,这一缺陷却加快了计算速度。

2.4人工神经网络法

人工神经网络法是使用大量的平行的神经网络达到对图像分割的目的[8]。这些网络由模拟生物学习机理的节点或者元素组成,网络中的每个节点能够执行最基本的运算。通过调整节点之间的权值可以达到网络对生物机理的学习。比如,用它实现图像的边缘检测[8]。文献[9]局部兴奋全局抑制振荡网络(LEGION,LocallyExcitatoryGloballyInhibitoryOscillatorNetwork)就是一种基于人类视觉特性的人工神经网络方法。LEGION是一个由张弛振子构成的网络,每个振子皆由一个兴奋单元x和一个抑制单元y组成(图2)。分割结果见图3。可以看出,与LEGION分割所得图像相比,单阈值法所得图像区域单一,细节较差,一些细小结构未能表现出来。将LEGION这种算法完善,自适应设置神经网络中的参数,并且将它应用在彩色图像上。使用神经网络法的时候,因为网络中有许多相互连接,所以空间信息就能很容易包涵在分类过程中。虽然神经网络法具有平行继承性,但是它的处理过程和标准的串行计算机很类似,这样就降低了它计算方面的潜在优势。

2.5可变模型法

可变模型法是基于模型的、使用闭合参数曲线或曲面描绘边界的分割方法[3]。它的最初思想来源于物理概念:为了描绘出物体的边界,首先设置一个离真实曲线或曲面不远的初始曲面或曲线,在外力和内力的作用下,推动这个曲面或曲线移动,最后在图像能量最低处停下来。因为曲线或曲面的移动类似于蛇,所以这个模型又叫做Snake模型,曲线或曲面叫做Snake。在图像轮廓处灰度变化率(即梯度)最大,定义此处能量最小,那么Snake停下的地方就是真实边界。由于1988年Kass首次提出的经典Snake的外力场捕获区很小[3],这就使得初始化和进入凹陷区很困难。为此,科学家们多次改进这一算法。其中,1998年Hopkins大学的ChenyangXu和JerryL.Prince[12]用梯度矢量流代替经典外力场,这就是有名的GVF理论(GradientVectorFlow)。它很好地解决了经典Snake中的初始化问题和凹陷区问题。[12]是采用GVFSnake对左心室核磁共振图像的腔体分割。

2.6其它方法

还有一些生物图像的分割方法,比如:微分算子的边缘检测[1],Hough变换[4],它们均属PB法(并行边界)的范畴;用样条进行曲线拟合,它是一种SB法(串行边界)。因为生物医学图像中软组织的物理和解剖特性,以上的方法一般不单独使用,而是融入其它的方法里。此外,基于信息论[9]和基于小波分析[1]的分割技术也逐渐被应用在生物图像中。

3展望

今后的图像分割会朝着更精确、更快速的方向发展。生物医学图像分割作为一种特殊的图像分割领域,除了有上述的趋势以外,围绕的它另一重要发展是临床上的应用。计算机分割方法在辅助诊断和放射疗法中已经显示出了它的作用。虽然全自动的分割方法永远不会取代医生的地位,但是它渐渐成为了医学图像分析中的至关重要的部分。这一领域的研究还面临着诸多的挑战。首先,我们希望这些分割方法不仅能够分割正常的组织结构,还要能够处理反常和病变的状态。但是在实际的研究中,后一个问题常常被忽略。并且,随着基因工程的发展,微观结构的分割也提上了日程,而不能仅仅局限于现在的“器官”层次上的处理和分析。总的来说,生物医学的图像分割不仅同分割方法这种软件因素相关,也和成像仪器、成像方式、外界环境等硬件技术有关。随着众多专业分割算法的研究,以及硬件设备的不断更新,这一领域会有更大的发展。致谢:感谢美国UniversityofLouisiana计算机学院的陈冠饶博士和UniversityofIllinois生物工程学院的王章伟博士在繁忙的学习工作中抽出时间提供了最新的检索资料。