医学图像的分割技术及其新进展

医学图像的分割技术及其新进展3
楚存坤,李月卿,王昌元
(泰山医学院,山东泰安　271000)
关键词:医学图像分割;图像分割评价
中图分类号:R319　文献标识码:A　文章编号:100427115(2007)0420315203
近几年,计算机断层成像(Computed T omo2 graphy,CT),核磁共振成像(Magnetic Res onance I m2 age,MR I),超声成像(ultras ound i m age,USI)等医学成像技术已经广泛应用在医疗的诊断、术前计划、术后监测等各个环节中,其目的是全面而精确地获得病人的各种数据,为诊断、治疗计划、手术和术后评估提供正确的数字信息。

只有把感兴趣的目标从图像的复杂景物中提取出来,才有可能进一步对它们进行定量分析或者识别。

目前,医学图像分割主要以各种细胞、组织与器官的图像来作为处理的对象或内容。

图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求[1]。

1　医学图像分割技术的发展
111　传统图像处理领域中的医学图像分割技术11111　基于阈值的方法
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,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。

其主要局限是,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[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]。

11112　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像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近点,主要包括局部微分算子,如Roberts梯度算子, Sobel梯度算子和Canny算子等,当然,针对不同的图像,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[5]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,Sedelaar等人[6]利用非线性La2 p lace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。

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[7]。

112　近年新发展医学图像分割技术
为解决上述传统图像分割技术中存在的问题,近年来,研究者们对于各种新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。

11211　基于活动轮廓模型的医学图像分割活动活动轮廓模型又称Snake模型,自Kass等人[8]于1988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。

这种模型最显著的优点是将图像数据、初始轮廓的选取、目标轮廓特征以及知识的约束条件都集成在一个特征提取过程中。

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、MR和超声图像的处理,以获取特定器官及组织的轮廓。

Yoshida等人[9,10]基于
513
泰　山　医　学　院　学　报
JOURNAL OF T A I SHAN MED I CAL COLLEGE　Vol128　No14　2007
3作者简介:楚存坤(1974-),男,山东聊城人,在读硕士。

主要研究方向:医学图像处理。

一定的活动轮廓模型,对医学图像分割作了较为深入的研究。

但是活动轮廓模型及其各类“变种”算法仍存在着一些问题:①分割的结果与活动轮廓的初始位置有关;②活动轮廓很难收敛到曲率高的边缘;③拓扑结构不易改变等等;④对医学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[11,12]。

11212　基于模糊聚类的医学图像分割
模糊聚类分割是目前分割MR图像的较好方法之一。

它非常适合处理事物内在的不确定性,而且对噪声不敏感;它利用多值逻辑来描述复杂系统,能比较准确地对图像进行分割;它将数学的二值逻辑转换成连续值逻辑,使其更接近人的思维方式[13]。

因此,模糊聚类分割在MR图像的分割中得到了广泛地应用。

近年来,模糊聚类分割作为一种有效的分割方法,国内外有报道应用模糊聚类技术分割磁共振图像的文献[13,14]。

但是,在实际应用中,模糊聚类技术仍然存在着一些问题有待于进一步研究。

这些问题集中体现在模糊聚类的参数选择方面,即在模糊聚类中如何选择模糊加权指数m、模糊聚类数C、门限值和距离范数A,从而使得对图像的分割效果达到最佳。

选择不同的参数不仅可能会产生特征空间不同的最优划分,而且还会对聚类速度产生很大的影响,它们从不同的方面影响着聚类的速度和精度。

11213　基于水平集模型的医学图像分割
水平集(Level Set,LA)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。

水平集方法主要是从界面传播等研究领域中逐步发展起来的。

它是处理封闭运动界面随时间演化过程中几何拓扑变化的有效的计算工具。

O sher和Seth2 ian[15]首先提出依赖于时间的运动界面的水平集描述。

其主要思想是将移动的界面作为零水平集嵌入高一维的水平集函数中,这样,由闭超曲面的演化方程可以得到水平集函数的演化方程,而嵌入的闭合曲面总是其零水平集,最终只要确定零水平集即可确定移动界面演化的结果。

Level Set方法自提出以来,已在图像处理和计算机视觉等领域得到了广泛的应用。

比如:Sethian等人[15]用Level Set去除图像噪声;Mas ouri[16]将Level Set用于运动目标跟踪领域;Par ogi os和Deriche[17]用Level Set方法进行纹理分割以及运动目标分割和跟踪;Sa m s on等人[18]用Level Set方法实现图像分类等等。

11214　基于遗传算法的方法
遗传算法(Genetic A l ogrithm,G A)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。

此算法的搜索过程不直接作用在变量上,而是在参数集进行了编码的个体,这使得遗传算法可直接对结构对象(图像)进行操作。

整个搜索过程是从一组解迭代到另一组解,采用同时处理群体中多个个体的方法,降低了陷入局部最优解的可能性,并易于并行化。

搜索过程采用概率的变迁规则来指导搜索方向,而不采用确定性搜索规则,而且对搜索空间没有任何特殊要求(如连通性、凸性等),只利用适应性信息,不需要导数等其他辅助信息,适应范围广。

遗传算法擅长于全局搜索,但局部搜索能力不足,所以常把把遗传算法和其他算法结合起来应用[19]。

遗传算法用来确定分割阈值的关键有几方面[20]:①编码和适应度函数的确定;②控制参数的确定;③选择方法确定;④停机准则的确定。

遗传算法与传统的OTS U法相比[21]:①实际的图像直方图不一定呈双峰,此时用OTS U等传统方法效果很不理想,而用遗传算法可以通过有效地搜索特征参数基因串,得到质量很好的图像分割门限;②从速度方面来看,OTS U法随门限个数增多,适应度函数变复杂,计算次数也呈指数增长,而遗传分割算法的计算次数不随门限数的增多而增加,运算时间仅与适应度函数有关。

11215　基于小波变换的方法
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;用小波进行边缘检测,则是利用小波系数的模极大值。

文献[23]提出了一种小波多尺度几何活动的曲线模型,就是小波边缘检测的方法;采用间隔采样的离散小波变换提取图像特征[24],在矢量量化聚类的基础上,通过增加马尔可夫随机场的限制条件,建立起小波空间内的分割统计模型。

在小波最高层空间简单设置初始聚类情况,经过优化迭代过程以及相邻空间内的分割结果的遗传,使其逐层自适应地收敛到最佳聚类状态。

在多尺度分析下,图像的类别信息和位置信息是一对矛盾,两者之间存在不确定性。

因此,如何组合跨尺度信息,恢复已丢失的空间分辨率是多尺度分割算法的难点。

多尺度分割的任务就是根据所有尺度下的信息,平衡类别信息与位置信息之间的矛盾,是内在的不确定性达到最小化。

充分考虑尺度之间的拓扑关系和对称性,会大大提高分割算法的计算效率[25]。

2　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
613
泰　山　医　学　院　学　报JOURNAL OF T A I SHAN MED I CAL COLLEGE　Vol128　No14　2007
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算法的收敛性。

评判算法收敛主要有两个指标: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十二种。

3　展望
新的图像分割方法的研究主要以自动、精确、快速、自适应性和性等几个方向作为研究目标。

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。

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。

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。

参考文献:
[1]　罗述谦,周果宏.医学图象处理与分析[M]1北京:科学出版
社,2003.65.
[2]　章毓晋.图像分割[M].北京:科学出版社,2001.
[3]　Pham DL,Xu CY1A survey of current methods in medical i m age
seg mentati on[J]1Annual Review of B i omedical Engineering,
2000,2:315.
[4]　贾允,丁艳,刘泽平1改进图像阈值分割算法的研究[J]1光学
技术,2005,1:155-157.
[5]　Fan L,B raden G N,Herringt on DM1Nonlinear wavelet filter for
intra-cononary ultras ound Images1Pr oceedings of the199623rd
AnnualMeeting on Computers in CARdi ol ogy,1996,p41-4441
Kenneth R,Castle man D1D igital I m age Pr ocessing[M]1Prince
Hall,19961
[6]　Sedelaar JP M,De la Rosette JJ MCH,Beerlage HP,et
al1Transrectal ultras ound i m aging of the p r ostate:revie w and per2
s pectives of recent devel opments[J]1Pr ostate Cancer&Pr ostatic
D iseases,1999,2(5):241.[7]　Lee B,Yan JY,Zhuang TG1A dyna m ic p r ogra mm ing based algo2
rithm for op ti m al edge detecti on in ultras ound i m ages[J] 1Pr oceedings of SP I E,2001,4549:135-1401
[8]　KassM,W itkin A,Terz opoul os D1Snakes:avtive cont our models
[J]1I JCV,1988,1(1):318-3311
[9]　Chen C M,Lu HHS,L in YC1A nearly visi on based snake model
for ultras ound i m age seg mentati on[J]1U ltras ound in Med&B i ol,
2000,26(2):273-2851
[10]　YezziAJ,KumarA1A geometric snake model f or seg mentati on of
medical i m agery1I EEET trans on Medical i m ageing[J]11997,
16(2):199-2091
[11]　牛君,李贻斌,宋锐.活动轮廓模型综述[J].杭州电子科技大
学学报,2005,25(3):67-70.
[12]　Xie X1,M ir mehdi M1RAGS1Regi on-A ided Geometric Snake
[J]1I EEE Transacti ons I m aage p r ocessing,2004,5(13):640-
6521
[13]　聂生东,聂斌.磁共振脑图像模糊聚类分割中的参数选择问
题研究[J].中国医学物理学杂志,200421(2):75-82. [14]　Shen S,Sandham W,GranatM,et al1MR I fuzzy seg mentati on of
brain tissue using neighborhood attracti on with neural-net w ork
op ti m izati on[J]1I EEE Trans I nf Technol B i omed,2005,9
(3):459-67.
[15]　O sher S,Sethian J1Fr onts p r opagating with curvature dependent
s peed:algorithm s based on the Ha m ilt on-Jacobi f or mulati on[J]
1Journal Computati onal Physics,1988,79:12-491
[16]　Mas ouri A-R1,Sirivong B1,Konrad J1Multi p le moti on seg2
mentati on with level sets[J]1Pr oceedings of the SP I E,2000
M3974:584-5951
[17]　Paragi os N1,Deriche R1Geodesic active cont ours and level sets
f or the detecti on and trackin
g of moving objects[J]1I EEE Trans2
acti ons on Pattern Analysis and Machine I ntelligence,2000,22
(3):266-2801
[18]　Sa mon C1,B lanc-Feraud L,Aubert G1,et al1Level set model
f or i m age classificati on[J]1I nternati onal Journal of ComputerV i2
si on,2000,40(3):187-1971
[19]　Melke m i K1E1,Bat ouche M1,Foufou S11A multiagent syste m
app r oach for i m age seg mentati on using genetic algorithm s and ex2
tremal op ti m izati on heuristics[J]1Pattern Recogniti on Letters,
2006,27(11):1230-12381
[20]　Ray mer m L,Punch W F,Good Maned,et al1D i m ensi onality re2
ducti on using genetic algorithm s[J]1I EEE Transacti ons on Evo2
luti onary Computati on,2000,4(2):164-1711
[21]　Pe mmarajus,M itras,Shiehy,et al1Multi res oluti on wavelet de2
compositi on and neur on fuzzy clustering for seg mentati on of radi o2
graphic i m ages1Pr oceedings of the Eighth Annual I EEE Sy mposi2
um on Computer Based Medical Syste m s(CBMS’95)11995:142
-1491
[22]　L i LH,Q ian W,Clarke LP1W avelet Transf or m f or directi onal
feature extracti on in medical i m aging[J]1Pr oceedings of I EEE
internati onal conference on I m age p r ocessing,1997,3(3):500-
5031
[23]　陈武凡1小波分析及其在图像处理中的应用[M]1北京:科
学出版社,2002.
[24]　Chang SI,Ravathur JS1Computer V isi on Based Non-contact
Surface Roughness A ssess ment U singW avelet Transf or m and Re2
s ponse Surface Methodol ogy[J]1Quality Engineering,2005,17
(30):435-451.
(收稿日期　2007-02-24)
713
泰　山　医　学　院　学　报
JOURNAL OF T A I SHAN MED I CAL COLLEGE　Vol128　No14　2007。