医学图像分割探究范文

1医学图像分割效果

近年来,生物医学成像技术的快速发展使人们能够获得大量高分辨率的医学图像数据影像,如:计算机断层成像(ComputedTomography,CT),核磁共振成像(MagneticReso-nanceImaging,MRI)、超声成像(Ultrasonography,US)等技术已经广泛应用于医疗诊断、术前计划、治疗、术后监测等各个环节,如何对这些成像技术获得的各种定量定性数据进行分析,使之不被浪费,是至关重要的问题。因此,图像工程中的图像分割技术就成了医学图像处理和分析中的关键技术。由于医学图像通常由感兴趣区和背景区构成,感兴趣区包含重要的诊断信息,并能为临床诊疗和病理学研究提供可靠的依据,尽管它在整幅图像中所占的面积也许不大,但其错误描述的代价却非常高,而背景区域的信息较为次要,所以,从图像中把感兴趣区分离出来是医学图像分割的重点。从医学研究和临床应用的角度来看,图像分割是病变区域提取、特定组织测量以及实现三维重建的基础,由于人体解剖结构的复杂性、组织器官形状的不规则性及不同个体间的差异性,一般的图像分割方法对医学图像分割效果并不理想,因此,医学图像分割除了一般的分割技巧外,还须结合医学领域中的知识,才能做出合理的分割。

2医学图像分割方法

医学图像分割的研究多年来一直受到人们的高度重视,分割算法也层出不穷,对于医学图像分割算法的分类依据也不统一。医学图像分割方法的选择,在很大程度上依赖于特定的图像、成像方式以及成像中的人为因素和不可抗因素(例如噪声和物体的运动等),这些都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分割技术,也不存在判断分割是否有效的客观标准。现今国内外广泛使用的医学图像分割方法主要有:阈值分割法、区域生长法、结合特定理论工具的方法,如:模式识别法、人工神经网络法等、基于模糊分割的方法、小波变换法以及基于遗传算法的方法。

2.1阈值分割法

阈值分割法[1]是将灰度图像变为二值图像以达到分割目的的方法。阈值分割法是一种简单且非常有效的方法,特别是不同物体或结构之间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,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2个不同的类。另外,它只考虑像素本身的值[2],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[3,4]。阈值分割对于CT图像的效果较好,而且算法简单,计算速度快。但在选择阈值时需要用户依据经验判断,或者先做多次尝试性分割后再对阈值进行调整,直至得到用户满意的结果。Kim等[5]用多次阈值分割法检测螺旋CT图像中的肺结节性病变,共检测了24例病人的827张图像,检测结果灵敏度为96%,并且没有假阳性结果。张谦等[6]提出了一种利用snake模型和基于连通性阈值算法进行三维医学图像的自动分割方法,根据三维医学图像的特点,首先选取该图像的中间层图像,利用基于连通性的阈值算法对其分割;其次利用邻层图像分割结果和snake模型来指导下一层的图像分割,实验结果表明,该方法可以明显提高分割的准确率和速度。

2.2区域生长法

区域生长法[1]是根据预先定义的标准,提取图像中相连接区域的方法。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。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。为减少这些缺点,产生了诸如模糊分类的区域增长法[5]和其它方法。Iseki等[7]将该方法应用于肺部血管三维结构提取时,先手工在胸部CT图像上找一个气管起始点作为种子点,然后用一种递归搜索方法,找到支气管血管束的走行规律,再根据肺纹理的解剖结构,得到了肺血管的三维结构。陆剑锋等[8]提出一种通过计算种子点附近邻域统计信息,自适应改变生长标准参数用于头骨CT、肝脏CT以及人脑MRI图像的分割算法,在切片图像预处理过程中,考虑到体数据相邻切片之间高度的相关性,在相邻层之间采取高斯核滤波去除噪声,并通过各向异性滤波算法对该层切片进行滤波,实验结果表明,该算法可有效地提取出图像区域,具有较好的鲁棒性。

2.3结合特定理论工具的分割技术

这类方法由于其主要特点是建立于某一数学或其它基础理论之上,因此,把它们另立一类。主要有模式识别法、基于模糊集理论的方法、基于神经网络的分割方法、小波变换法和基于遗传算法等。模式识别法又可以分为分类器法和聚类法。分类器法是一种统计模式识别的方法[9],用以区分从已知标记的图像数据衍生而来的特征空间(如灰度直方图),它是有监督的模式识别方法。相对于阈值法,在区分多区域图像时此方法有较高的计算效率。它的缺点是,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。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。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。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。由于医学图像本质上存在模糊性(如CT图像同一组织灰度值的含糊性,容积效应引起的边缘、形状的模糊性及运动伪影造成图像的不确定性等),因而聚类法更适合采用对图像不确定性有较好描述能力的模糊理论。国内外很多研究者将模糊理论应用于图像增强、图像分割及边缘检测中,取得了优于传统图像处理方法的结果[10]。Chen等[11]就是用一种基于K平均聚类算法和基于知识的形态学运算技术来对心脏CT图像进行自动分割。宋启祥等[12]提出了基于核聚类的MRI和PET医学图像分割方法,通过利用Mercer核,将原本简单的样本特征映射到更复杂的高维空间中去,放大了样本特征间的差异,,能快速准确地分割样本。

2.4人工神经网络法

人工神经网络[13](ArtificialNeuralNetworks,ANN)是一种大规模并行连续处理系统。ANN具有模拟人类的信号处理能力并且非常擅长于解决模式识别领域中的模式分类问题,而医学图像分割问题正是对图像中的各个解剖结构进行分类和标记的问题。ANN的主要特点有:具有通过实例学习的能力,并能利用前馈网络概括所学内容;对于随机噪声具有很强的鲁棒性;具有容错的能力和最优搜索能力。因此,当利用其它方法进行图像分割时,对于噪声、组织不均匀性、生物形态的多变性等问题,利用ANN技术可以得到很好的解决。但是,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。目前,ANN技术应用的一个显著特点是它与模糊技术的结合,从而形成了模糊神经网络系统。模糊技术是建立在模糊集合理论基础上的,能很好地处理三维医学图像内在的模糊性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边沿检测等。近年来模糊聚类技术,特别是模糊C-均值(FCM)聚类技术的应用最为广泛[14],非常适合于医学图像中存在不确定性和模糊性的特点。

2.5小波变换法

近年来,在低频和高频分析时有“变焦”特性的小波变换在医学图像分割中得到广泛应用。用小波进行医学图像阈值分割的思想是利用二进制小波变换将图像直方图分解为不同层次的小波系数,依照给定的分割准则和小波系数选择阈值门限,整个过程由粗到细,由尺度来控制。如果分割不理想,则利用直方图在精细的子空间上的小波系数逐步细化图像分割[15]。此外,小波变换和分析作为一种多尺度多通道分析工具,特别适合对图像进行多尺度的边缘检测,典型的有如Mallat小波模极大值边缘检测算法。文献[16]中利用超声图像的不同区域的多尺度过零点表征(MultiscaleZeroCross-ings,MZC)随尺度的变化曲线函数,实现了医学超声图像的区域分割。

2.6遗传算法

遗传算法(EvolutionaryAlgorithms)基本思想是建立在自然选择和群体遗传学机理基础上的随机、迭代、进化,它采用非遍历寻优搜索策略,是一种简单、适于并行处理、具有鲁棒性和广泛适用性的搜索方法。遗传算法擅长于全局搜索,但局部搜索能力不足,所以在医学图像分割中常把遗传算法和其它算法结合起来应用。曾妍婷等[17]根据这一不足,提出了一种灰度直方图熵和改进遗传算法结合的图像分割方法,并利用精英策略和模拟退火的思想做修正,不仅有较好的分割效果,还缩短了运算时间。1999年ArambulaCosio等[18]利用遗传算法的快速寻优能力来进行前列腺的自动化识别工作,GA在这里所起的作用是快速分割出前列腺的边界,他们对22例前列腺超声图像进行识别实验,得到了很好的结果,其平均误差是6.2mm。2000年Chen等[19]把遗传算法应用到心脏超声波图像的分割中,以用来弥补主动轮廓法的缺陷,建立了一种自学习分割框架———Taguchi逼近,用该法对人工合成图像和真正的超声波图像进行试验得到了很好的结果,其有效性通过了方差分析的验证。除上述医学图像分割方法外,还有一些生物图像分割方法,例如,基于知识的分割[20],杨晓强等[21]提出了一个基于知识模型的医学图像的分割方法,该系统由解剖知识模型、图像处理程序和推理机组成,模块之间的通讯由黑板控制,通过在胸部图像处理中的应用,该方法减少了人工干预,得到较满意的分割结果,并提高了医学图像分割的自动化程度和可靠性。此外,微分算子的边缘检测[2]Hough变换,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。

3分割算法的性能评价

上述的大多数算法通常是针对某一类问题提出的,如果给定一个具体问题去选择一种适合的分割方法仍是个难题,这就要研究分割评价。医学图像分割算法的评价应具有一般性、客观性和定量性。一般性是指该方法应适用于多个分割算法的评价,客观性是指该方法不包含人为因素,定量性是指评价结果是定量的。对分割算法评价要基于一定的评价准则(评价指标或测度),在分割技术的评价中,评价准则是最重要的因素。常用的评价准则有[2]:(1)区域间对比度。根据区域之间特性对比度的大小可以判别分割图像的质量,也可由此推出所用分割算法的优劣。(2)区域内均匀度。图像分割就是把一幅原始图像分割成若干个具有相似特性的区域,可以用分割图像中各区域内部特性均匀的程度来描述分割图像的质量。(3)算法的收敛鲁棒性。评判算法收敛主要有2个指标:一是表示分割算法收敛稳定性的收敛概率,二是表示分割算法收敛一致性的扩散系数。(4)像素数量误差,由于分割错误而产生的错分像素个数来作为衡量指标等12种。

4结语

医学图像分割技术仍然是制约医学图像处理中其它相关技术发展和应用的一个瓶颈。医学图像分割技术是开展医学图像在临床和生命科学研究领域广泛应用的一个先行程序,如:三维可视化、不同模式医学图像的配准(registra-tion)和融合(fusion)、放疗计划的制定、外科手术计划的制定和仿真以及大脑的功能性研究等。现在,医学图像分割的算法大多是把多种理论结合起来应用,以达到相互补充的目的。综合近年来国内外的有关文献可知,新的分割方法的研究主要以自动、精确、快速、自适应性和鲁棒性等几个方向作为研究目标。模糊分割技术、基于知识的分割技术以及基于人工神经网络的分割技术仍将是今后若干年医学图像分割技术的研究热点,经典分割技术与现代分割技术的综合利用(集成技术)是今后医学图像分割技术的发展方向。相信随着各种理论的不断发展、完善和成熟,以及新理论在图像分割领域的尝试应用,医学图像分割的方法也会更多,更成熟。