图像分割技术在医学图像处理中的应用研究

２００７年３月第期

ＴＡＩＹＵ

ＡＮＳＣＩ－ＴＥＣＨ

图像分割是指将图像分割成各具特征的区域并提取出感兴趣的目标的技术和过程，是图像处理到图像分析的关键步骤。在医学领域中，图像分割常常用于病变区域提取，特定组织测量以及实现三维重建研究，因此研究图像分割技术在医学图像处理过程中具有十分重要的意义。

１基于区域的分割方法

基于区域的分割方法是利用区域内的特征的相

似性把图像划分为一系列有意义的区域。

１．１阈值法

阈值法是一种最常用的并行区域技术，阈值是

用于区分不同目标的灰度值。阈值分割方法的结果依赖于阈值的选取，确定阈值是阈值分割的关键，阈值分割实质上就是按照某个准则求出最佳阈值的过程。

阈值法的优点是计算简单、运算速度快，特别是不同物体或结构之间有较大的强度对比时，能够得到很好的分割效果，此分割方法通常是交互式的，由于阈值法能实现实时操作，所以它更易于建立在用户视觉估计的基础上。

阈值法的缺陷是：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别。此外，阈值法在考虑像素本身灰度值的同时并不考虑图像的空间分布，这样其分割结果就对噪声很敏感。针对它的不足，一些学者提出了许多经典的算法，如局部阈值、模糊阈值，随机阈值等方法。阈值分割对于

ＣＴ图像的效果较好，但在选取阈值时需要用户依

经验判断，或者先做多次尝试性分割后再对阈值进行调整，直至用户满意为止。Ｋｉｍ等用多次阈值分割法检测螺旋ＣＴ图像中的肺结性病变，共检测了

２４例病人的８２７张图像，检测结果灵敏度为９６％，

并且没有出现假阳性结果［１］。

１．２区域生长法

区域生长法是根据预先定义的标准，提取图像

中相连接的区域的一种分割方法。采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。

区域生长法对面积不大的区域进行分割时，效果显著，如果对面积较大的区域进行分割，则计算速度就会减慢。另外，对于图像中不相邻而灰度值相同或相近的区域，不能一次分割出来，只能一次分割一个区域。

２基于边界的分割方法

基于边界的分割方法是利用不同区域间像素灰

度不连续的特点检测出区域间的边缘，从而实现图像分割。根据边缘检测方法的不同，通常把边缘检测方法分成串行边缘检测和并行边缘检测两大类。

２．１串行边缘检测法

串行边缘检测法首先要检测出一个边缘起始

点，然后根据某种相似性准则寻找与前一点同类的

边缘点，这种确定后续相似点的方法称为跟踪。根据跟踪方法的不同，这种串行边缘检测方法又可分为轮廓跟踪、光棚跟踪和全向跟踪３种。

图像分割技术在医学图像处理中的

应用研究

马春梅１，刘贵如２，王陆林３

文章编号：１００６－４８７７（２００７）０３－００６４－０２

收稿日期：２００７－０１－１９；修回日期：２００７－０２－１０

作者简介：马春梅（１９７８－），女，山西朔州人。２００５年９月就

读于山西大学，攻读硕士学位，助教。

（１．山西忻州师范学院数学系，山西

忻州

０３４０００；２．云南师范大学计算机科学与信息技术学院，云南

昆明６５００９２；

３．西南交通大学，四川

成都

６１００３１）

摘

要：图像分割是图像处理、图像分析的关键步骤，而医

学图像分割是图像分割的一个重要的应用领域，也是一个经典难题。从应用的特定角度，论述了医学图像处理中图像分割的几种算法，对近年来医学图像分割的新方法或改进算法进行了阐述，并简要介绍了每种算法的特点及应用。关键词：图像分割；医学图像处理；边缘检测中图分类号：ＴＰ３９１．４１

文献标识码：Ａ

２．２并行边缘检测法

并行边缘检测方法可使每个像素点是否为边缘点的检测同时在每个像素上进行，因而可以大大加快搜索检测的时间。常用的并行检测算法有Ｒｏｂｅｒｔｓ梯度算子、Ｗｉｌｌｓ算子、Ｋｉｒｓｈ算子边缘检测等［２］。此外，还包括方向模板、统计模板的边缘检测方法，斜率差分、滑动平均梯度、纹理边缘、最佳曲面拟合等边缘检测算法［３－９］。由于边缘的成因复杂，加之图像的边缘在图像中表现为灰度的不连贯，因而边缘检测目前仍存在一定的困难，但其在医学图像几何分析中的意义将十分重大，还需要工程人员和医务人员的共同努力，使其广泛应用于影像医学。

３基于特定理论的方法

３．１模糊聚类法

模糊聚类法首先将像素灰度等性质映射到根据一定的规则分为几个区域的特征空间，然后根据像素的性质判定其所属的区域，并对此加以标记和进行分割。目前最常用的聚类方法是模糊Ｃ—均值算法（ＦＣＭ），它是一种基于模糊理论的图像分割方法，该法实际上是两次寻优的迭代过程，隶属函数的设计是整个模糊算法的关键所在，对初值的设置影响不大。由于医学图像本质上存在模糊性，因此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。Ｃｈｅｎ等就是运用一种基于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图像进行自动分割的［３］。

３．２神经网络方法

神经网络方法分割图像的思想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，但这种方法需要大量的训练数据。神经网络存在巨大量的连接，容易引入空间信息，能彻底解决图像中的噪声和不均匀问题。选择何种网络结构是这种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，再对这些图像的特征进行映射来分割图像。由于医学图像大都具有内在的不确定性，恰当的引入模糊技术［１０］，可以有效地减少图像的内在不确定性对分割结果的影响，从而降低分割结果对噪声的敏感程度。神经网络和模糊及其他技术结合的研究也越来越多，出现了模糊神经网络、小波神经网络、混沌神经网络等一批新型混合神经网络［１０］，这些方法各具特点，将进一步推动医学图像分割技术的发展。

３．３小波变换方法

小波分析基本思想是利用一簇由基本小波函数系来逼近信号，在对信号进行二进制小波变换时，某点处的变换值随尺度参数变换的趋势可以体现出该点是否具有特异性及特异性的大小。对图像而言，这些特异点往往构成图像的边缘，因此可以选择适当的小波函数来提取图像的边缘。

用小波变换进行医学图像阈值分割的思想是建立一种小波多尺度几何活动的曲线模型，采用间隔采样的离散小波变换提取图像分割特征，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。在多尺度分割方法下，跨多个尺度的图像分析相当于在较粗尺度下以高位置分辨率换取较大类别分辨率。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。文献［８］中利用超声图像的不同区域的多尺度过零点表征随尺度的变化曲线函数，实现了医学超声图像的区域分割。３．４遗传算法

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法，其基本思想是模拟由一些基因串控制的生物群体的进化过程，把该过程的原理应用到搜索算法中，以提高寻优的速度和质量。遗传算法擅长于全局搜索，由于局部搜索能力不强，所以常把遗传算法和其他算法结合起来应用。２０００年，Ｃｈｅｎ等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［９］，用该法对人工合成图像和真正的超声波图像进行了试验，并得到了很好的结果，其有效性已通过方差分析的验证。１９９９年，ＡｒａｒｅｒｈｕｌａＣｏｓｉ等利用ＧＡ的快速寻优能力进行前列腺的自动化识别工作［１０］，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。

４医学图像分割结果的评价

对于医学图像分割结果的评价，常用的评估方法有［３，４］：专家目测；体模验证；计算机化解剖图谱。（下转第６７页）