医学显微图像分割方法研究进展

医学显微图像分割方法研究进展

引言图像分割是图像处理的基本问题，也是计算机视觉领域低层次视觉中的主要问题。图像分割是将整个图像区域分割成若干个互不交叠的非空子区域的过程，每个子区域的内部是连通的，同一区域内部具有相同或相似的特性，这些特性可以是灰度、颜色、纹理等。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域边界上一般具有灰度不连续性。

用集合的概念对图像分割做出定义u o：

定义：令集合尺代表整个图像区域，对尺的分割可看作R分成Ⅳ个满足以下五个条件的非空子集Rl，尺2?，RⅣ：

①所有子区域组成整幅图像；②对所有的i和，，i≠-『，有Ri n R，=垂，即任意两个子区域不存在

公共元素；③对i=1，2，?，Ⅳ，有P(咒)=TRUE；即分割结果中每个子区域都有独特的特性；④对i≠．『，P(R；U Ri)=FLASE；即分割结果中不同的子区域具有不同特性，没有公共元素；⑤对i=1，2，?，Ⅳ，尺i 是连通的区域，即同一子区域内的像素应该是连通的。

医学图像由于其本身的复杂性，尤其是医学显微图像的分割在图像处理过程中是很难取得满意效果的‰3‘。由于通用的分割方法已经有很多文献介绍，故略去此部分，把重点放在近些年出现的一些新方法、新理论上。

医学显微图像分割方法用于显维图像分割的理论和方法主要包括：数学形态学、神经网络、模糊分割、小波分析和变换、遗传算法、统计学方法和特定模型的分割方法等。

1数学形态学方法近年来，数学形态学作为一种新型的图像处理方法和理论已经逐渐受到重视。它的基本思想是：

用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。基本的形态学操作有腐蚀、膨胀、开启和闭合，基于这些基本运算可以推导和组合成各种数学形态学实用算法H。，产生复杂的运算效果，其中结构元素的选取很重要。

数学形态学方法首次被Matheron等人提出。

等把数学形态学方法应用到血液白细胞的分割，使之分割为细胞核、细胞质和背景，该方法的形态学边缘检测算子简单，易于实现，但对噪声敏感，适用于噪声较小的图像。针对噪声较大的显微图像，Vincent 等提出分水岭区域分割算法旧o，算法包括三个步骤：①产生距离图；②计算最终腐蚀的集合；③从种子开始生长回原尺寸但使各个区域不相连。如果把③用连续膨胀代替，就成为聚类快速分割(另一种形态学分割方法)。分水岭算法能很好保持目标的原始形状，在目标间加入的分界比较清晰，但是计算量大；聚类快速分割算法不能很好地保持目标的整体形状，但受错误分离的影响较小。

等把中值滤波和数学形态学方法结合起来进行肿瘤细胞的分割归1，该算法首先利用中值滤波来进行图像平滑，使背景的各个像素灰度密度更加接近。然后用数学形态学方法进行分割，取得了较好的分割效果。虽然这些方法已经成功用于医学显微图像分割，但缺点是需要用户的交互或已知所处理图像结构的先验知识。

2基于神经网络的方法神经网络分割是用训练样本集对神经网络进行训练以确定节点间的连接和权值，再用训练好的神经网络分割新的图像数据。该方法的出发点是将分割问题转化为诸如能量最小化、分类等约束满足问题，并用约束满足神经网络来解决。网络结构的选择是这种分割方法要解决的主要问题。

在医学图像分割中，一般先对原始图像进行特征提取，再对这些特征进行映射来分割图像。

等应用Kohonen自组织网络从显微镜下肿瘤组织中分割血管¨0|，但该方法只适合于较少的组织分割，而且容易引起过分割问题，如果进行全局图像分割，还需要形态学方法来配合才可以达到分割自动化。文献[11]利用无监督Hopfield神经网络进行组织器官的分割，该方法不但收敛速度快，而且对图像的噪声不敏感，分割结果令人满意。为了减少图像分割过程对专家干预的要求，Grigory等用振子神经网络来分割显微细胞¨2|，该模型有两层组成：神经元振子层和符合检测层。利用神经振子网络对感觉信息进行更有效的处理，考虑到被识别对象各局部特征的关系，对多个振子集合行为进行编码，即可完成针对局部特征的分割，该方法不依赖于概率密度分布，在数据严重偏离的情况下也能有效分割。

神经网络中由于存在大量的相互连接，优点是很容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。它的不足是需要大量的训练样本，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。该类方法主要适合形态复杂但要分割的目标较少，并且有大量先验样本的显微图像，但易引入过分割问题。

3基于模糊分割的方法基于模糊的分割方法是以模糊数学为基础，可以解决图像中由于信息含糊、矛盾等造成的不确定性问题。模糊聚类就是应用模糊的方法把具有相似的事物区分并分类。模糊技术能很好地处理医学图像内在的模糊性，而且对噪声不敏感。在医学图像分割中应用较多的主要有模糊阈值分割、模糊聚类分割和模糊连接度分割等。近年来，模糊C．均值聚类技术的应用最为广泛。

算法用于图象分割根据图像中像素和个聚类中心的每一个中心的加权隶属度，对目标函数进行迭代优化。FCM是一种非监督模糊聚类后的再标定过程，适于分割有模糊性和不确定性特点的医学图像。该算法的优点在于：①可形成原始图像的细致的特征空间，不会产生偏倚；②无需人工干预，分割过程是完全自动的；

③对噪声敏感度较低。

但该算法收敛速度慢，而且易受初始值设置的影响，不当的初始值可能会使算法陷入局部极小值，得到不准确的分割结果。

国内外很多研究者将模糊理论应用于图象分割及边缘检测中，取得了优于传统图像处理方法的结果。例如，模糊分割和数学形态学结合起来使用来分割细胞核和细胞质，利用模糊C．均值聚类来首先进行分割，然后再利用数学形态学方法进行再分割。为了适应目标与背景区别不大的图像，等¨引用模糊逻辑机来进行细胞分割。对于彩色的显微图像，Lim等¨41在I。I：L空间先用阈值法对彩色显微镜下图像进行粗分割，而后用FCM聚类算法将剩余像素归并到隶属度最大的区域里。该方法可以同时利用所有的颜色信息，有效减少聚类错误率。

由于FCM算法反复递归运算量大，很多学者提出不少改进n5—8|。文献[15]提出基于模糊C分类的最大熵原则来选取图像分割阈值，将模糊测度函数概念引入最大熵原则，该方法有效减小了运算量和存储空间。