基于MRI的脑组织分割方法概述

1 基于MRI的脑组织分割方法概述

1.1 经典分割方法

1.1.1 阈值脑组织分割方法

阈值化的分割方法是MR脑组织分割中最基本的方法。根据阈值，可分别显示图像中灰度级大于阈值和小于阈值的像素，从而实现图像分割。但当图像中的目标和背景灰度差异不明显或灰度值范围有重叠时，单纯的阈值法分割效果不佳，且阈值法只考虑像素本身的灰度值，多不考虑空间特征，因而对噪声和灰度不均匀敏感，所以常与其它方法相结合。文献[1]提出先采用最大类别方差法自动寻找阈值以去除颅脑和肌肉等非脑组织，然后通过K-最近邻规则对脑白质、脑灰质和脑脊髓液进行划分，提高了分割精度。文献[2]提出基于多分辨率边缘检测、区域选择和动态阈值相结合的方法分割脑组织，克服了模糊和不均匀影响。文献[3]提出模糊最大熵结合遗传算法的阈值法，能完全将脑白质从三维脑组织图像中分割出来，且抗噪性强。

1.1.2 基于区域生长法脑组织法分割方法

区域生长法是以同一区域内像素具有相似灰度、颜色、纹理等特征为假设条件的，其基本思想是以一组“种子”点开始将与其性质相似的相邻像素合并到种子像素所在的类中。该方法充分利用了图像的空间信息，但需依赖先验知识选择种子点，且对噪声敏感，会造成孔状甚至不连续区域。因此使用区域生长法分割脑实质等连续、简单较大的结构效果理想，但对于分割脑白质、脑灰质或脑肿瘤这样复杂的不连续结构，难以获得满意效果。因此，有学者提出首先利用改进的水平集法提取骨组织和脑脊液，然后使用区域生长法实现脑白质和脑灰质的分离，提高了算法的鲁棒性和准确性[4]。文献[5]将直方图阈值法与区域生长法相结合，准确有效地分割出了脑白质和大脑皮质。

1.2 基于统计学脑组织分割方法

基于统计学分割方法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，找出最大概率的图像组合就可以正确分割图像。它是近年来流行的脑组织分割方法之一，常用的基于统计学分割方法如下。

1.2.1 分类器法

分类器算法是一种监督性算法，需要为分割选择训练样本，根据训练样本对未分像素进行分类。它对于正常MR脑组织图像分割是比较成功的，但是对于异常脑组织的分割效果还不太理想。传统分类器算法包括最大似然法、贝叶斯模型、K近邻法。这些算法不需要迭代运算，但以经验风险最小化为出发点，所以泛化能力差，且对大样本空间进行分类时易产生误差。

近十几年发展起来的支持向量机（Support V ector Machine，SVM）模型，被

看作是对传统分类器的升级，它建立在VC维理论和结构风险最小原理基础上，在对特定训练样本的学习精度和无错误地识别任意样本能力之间寻求最佳折衷，以获得较好的泛化能力。但当训练样本较大时，训练时间长。所以有学者提出以近似圆形区域像素灰度特征为研究区域，在该区域提取训练样本，对MR脑组织图像进行分类，提高了分割速度和分割精度[6]。另有学者提出基于小波核函数的小波支持向量机和基于特征优化算法，能正确地分割出脑白质、脑灰质和脑脊液，且提高了分割速度[7]。

1.2.2 聚类法

聚类算法与分类器算法类似，但它不需要训练样本，是在没有先验知识的情况下，用数学方法分析各模式向量之间的距离及分布情况，按照样本的距离远近划分类别。由于无需人工干预，可很好再现分割结果，为正确判断全局性的还是区域性的脑萎缩和脑水肿等病情奠定基础。常用的聚类算法有K-均值聚类

（K-mean clustering, KMC）算法、模糊C-均值（Fuzzy C-Means, FCM）聚类法和期望最大值（Expectation maximum, EM）算法。

KMC算法是先计算每一类的灰度均值，然后按均值对像素进行重新分类，对新生成的类迭代执行前面的步骤。FCM聚类算法采用迭代方法优化目标函数，最终获得对数据集的模糊划分，非常适合脑组织图像中存在不确定性和模糊性的特点。EM算法是在图像数据符合高斯混合模型的前提下，利用相同的聚类原则，在混合系数的最大似然估计之间进行迭代。能很好地分离脑部不同组织成分，特别是不同成分之间重叠部分。

上述常用聚类算法虽然各具优点，但也存在不足：需要预先设定初始参数、对灰度不均匀和噪声敏感、容易陷入局部极值等。近年来，出现了克服灰度不均匀和抗噪能力强的改进聚类算法，并在脑组织图像分割中得到较好的发展。如文献[8]提出结合空间信息的FCM算法，能正确分割出区域面积较小的脑脊液、脑灰质等。文献[9,10]提出改进的基于灰度信息FCM算法，将偏移场模型、邻域控制信息和最小二乘曲面拟合法有机结合，能较好地分割出存在于灰质中形状纤细的白质区域。文献[11]提出改进的粒子群算法，并结合EM算法与水平集模型，有效地降低脑组织弱边界和强噪音的影响。

1.2.3 基于马尔科夫随机场模型

基于马尔科夫随机场模型（Markov Random Field Model，MRF）算法是根据统计决策和估计理论中的最优准则确定目标函数，求解满足目标函数的最大可能分布。MRF因其充分考虑空间信息故而能较好地解决脑组织部分容积效应，但不能有效地处理图像的模糊性，且易产生过分割。近几年出现了改进的MRF算法，并成功地应用于脑组织的分割。文献[12]提出基于模糊隶属度的非均值MRF 算法，有效降低了脑组织过分割。文献[13]提出引入大尺度约束，在贝叶斯框架

和最大后验准则下，利用改进的EM算法，将三维脑组织图像分割成白质、白质/灰质、灰质、灰质/脑脊液和脑脊液5种类型，同时估计MR图像偏移，达到分割结果与解剖学的一致。

1.3 基于形变模型脑组织分割方法

基于形变模型的方法综合利用了区域与边界信息，根据约束信息、目标位置、大小和形状等先验知识，有效地对目标进行分割、匹配和跟踪分析，因此非常适合于MR脑组织图像的处理。主要分为：参数形变模型和几何形变模型。

参数形变模型的典型代表是动态包络模型（Snake），该模型在图像感兴趣区域附近定义一条带有能量的样条曲线，在曲线自身的内力和图像信息产生的外力共同作用下不断运动，最后收敛到目标边缘，是一种高效的轮廓探测模型，在基于MR脑组织分割方面取得较好的效果。缺点是容易收敛到局部极值、抗噪能力差、易于从弱边界溢出。文献[14]提出先采用改进的区域生长法对MR脑组织图像进行预分割，然后将所得边缘作为snake的初始轮廓，使用改进的梯度向量流-snake模型，较好地识别出脑肿瘤的轮廓。文献[15]提出改进的贪婪Snake算法，提高了处理弱边界和深度凹陷区域的能力，成功勾勒出胼胝体的轮廓。

几何形变模型的基础是水平集方法，它将运动界面作为零水平集嵌入高一维的水平集函数中，由于嵌入的闭超曲面总是其零水平集，所以最终确定零水平集就确定了移动界面的演化结果，可处理拓扑结构的变化。但其依赖于梯度信息，所以受噪声等影响较大，在MR脑组织的分割中常使用水平集剔除颅骨和脑脊液等非脑组织。为了克服水平集缺点，Chan等提出了Mumford—Shah模型，用于探测脑肿瘤的轮廓。近年来，有学者提出的多相位水平集方法[16]，能很好地克服MR脑组织图像中灰度不均匀现象，特别在三维脑图像分割中，能有效地利用相邻层之间的灰度信息，准确分割出脑白质和脑灰质。