医学超声分割技术发展探究范文

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。

1·1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—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(markovrandomfield,MRF、Gibbs)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(dynamicprogrammingDP)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纹状的低代价槽,这就会对本算法造成干扰,从而难以得到正确的结果;③初始点和终止点的选择对结果有着不可忽视的影响,这一点可从图1(b)~(d)中不同初始点和终止点所形成的不同分割结果可以看出。

2·2基于活动轮廓模型的医学超声图像分割

活动轮廓线模型,又称Snake模型,自Kass等人[8]于1987年提出以来,已广泛应用于数字图像分析和计算机视觉等领域。活动轮廓线可以表示为定义在s∈[0,1]上的参数曲线:X(s)=[x(s),y(s)],及其能量函数ESnake=∫10(Eint(X(s))+Eext(X(s)))ds(1)式中Eint(X(s))=12(α|X′(s)|2+β|X″(s)|2)为内部能量函数,其中α、β为控制参数,分别控制参数曲线的弹性和刚性(或说,连续性和光滑性),X′(s)和X″(s)分别为X(s)对s的一阶导数和二阶导数。Eext(X(s))为外部能量函数,它由图像能量函数或其与其它能量函数组成:Eext(X(s))=Eimage(X(s))+Econstrain(X(s))。Eimage(X(s))反映了图像的某些本质特征,如边缘等。对于灰度图像I(x,y),一般采用以下几种外部能量函数:E1image(X(s))=±Δ(Gσ(x,y)·I(x,y))(2)E2image(X(s))=±I(x,y)(3)E3image(X(s))=-|ΔI(x,y)|2(4)E4image(X(s))=-|Δ(Gσ(x,y)·I(x,y))|2(5)其中Gσ(x,y)为标准差为σ的二维高斯函数,Δ为梯度算子。由上述几种图像能量函数可以看出,图像边缘处的能量最小。

主动轮廓线的运动过程就是寻找能量函数最小点的过程,从人工定义的初始位置开始,在使能量函数递减的算法的驱使下产生形变,直到到达目标的边缘。近年来的大量研究表明,主动轮廓线模型具有良好的提取和跟踪特定区域内目标轮廓的能力,因此非常适用于医学图像如CT、MRI和超声图像的处理,以获取特定器官及组织的轮廓。Yoshida等人[9-15]基于一定的活动轮廓模型,对医学超声图像分割作了较为深入的研究。本文基于梯度矢量流主动轮廓线模型[15],对软组织中的肿瘤超声图像的分割作了一些尝试,并达到了一定的效果。从大量的参考文献和自己的初步试验可以看出,活动边缘检测算法不仅能够保证所检测边缘线的连续性和闭合性,而且较动态规划算法的运算量小得多。

另外,该算法在序列图像跟踪分割算法中有着独到的优势。但是活动边缘检测及其各类“变种”算法仍存在着以下一些问题:①要给的初始点较多,且需要在实际目标边缘附近,否则难以搜索到目标边缘;②本算法所求得的是局部最优解,而非全局最优解,受伪边缘及噪声的影响较大,容易陷入局部最小解,或产生振荡,从而导致无法收敛到要求的边缘;③对B超图像的边缘特征信息,即图像能量函数难以给出,这也是包括动态规划算法和常规分割算法在内的各种图像分割算法都有的一个非常关键的问题,若解决了这个问题,其它许多问题都能够得以很好地解决。所以图像能量函数一直是医学超声图像分割的重要内容。

2·3基于水平集模型的医学超声图像分割

水平集是几何形变模型在图像分析和计算机视觉研究中应用较多的一种模型。目前图像分割中的水平集模型一般是根据Osher等人[14]建立的模型而建立起来的。设定运动曲线为X(s,t)=[X(s,t),Y(s,t)],其中s为任意参数,t为时间,用N表示曲线的单位法向量,κ表示曲率。曲线沿其法向量的进化可用偏微分方程表示为Xt=V(κ)N(6)式中V(κ)为扩展速度。为解该偏微分方程,引入水平集的概念。设水平集函数为(x,y,t),而且运动曲线X(x,t)由其零值集合表示,即[X(x,t),t]=0。对其求导得t+Δ·Xt=0(7)式中Δ为的梯度。假设在曲线内部为负,外部为正,则曲线的单位法向量为N=-Δ|Δ|(8)由式(7)和式(8),我们可重写式(6)t=V(κ)|Δ|(9)其中,零值集表示的曲线上的曲率为κ=Δ·Δ|Δ|=xx2y-2xyxy+yy2x(2x+2y)3/2(10)式(6)和式(9)之间的关系便构成了用水平集方法解决曲线进化理论的基础。水平集模型的图像分割方法在医学图像分割中得到了广泛的应用,但是用于超声图像的分割还很少[16-17]。究其原因,可能有两个方面。其一为医学超声图像噪声太大,运动速度难以设定;其二为终止条件难以给定。所以,水平集模型在医学超声图像分割中的应用还有待进一步深入研究。

3讨论和展望

本文首先阐述了用传统图像分割技术对医学超声图像的分割效果,然后对近年来迅速发展起来的几种图像分割技术在医学超声图像分割中的应用作了一定的尝试、比较和评价。通过这些分析可以看出,单纯应用传统的图像分割技术对医学超声图像分割,往往难以获得满意的效果,而近年来迅速发展起来的形变模型分割技术虽然能对医学超声图像分割获得不错的效果,但其中仍有许多问题尚待解决。针对这些问题,医学超声图像分割的研究将在以下几方面继续进行:(1)外力和运动速度函数,即图像能量的设计;(2)具有较好拓扑控制的形变模型的建立;(3)结合几种模型的优点,提高分割效果,加快分割速度;(4)二维分割向三维分割的推广;(5)对序列图像的分割,不仅要利用层间轮廓线的形状相似性,还要充分利用层间对应边缘处灰度的相似性和相关性。另外,最重要的一点是和具体的临床实际应用相结合。