图像分割方法总结

医学图像分割理论方法概述
医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。

目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。

1.基于统计学的方法
统计方法是近年来比较流行的医学图像分割方法。

从统计学出发的图像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,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。

用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义M arkov随机场的能量形式,然后通过最大后验概率 (MAP)方法估计Markov随机场的参数,并通过迭代方法求解。

层次MRF采用基于直方图的DAEM算法估计标准有限正交混合( SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。

林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。

2.基于模糊集理论的方法
医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。

所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。

基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。

模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。

这种方法的难点在于隶属函数的选择。

模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。

Venkateswarlu等改进计算过程,提出了一种快速的聚类算法。

2. 1 基于模糊理论的方法模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,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、模糊边缘检测等。

在各种模糊分割技术中,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。

FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。

然而, FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。

近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割( FFCM)是最近模糊分割的研究热点。

FFCM算法对传统FCM算法的初始化进行了改进,用K - 均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。

它实际上是两次寻优的迭代过程,首先由K - 均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。

2. 2 基于神经网络的方法按拓扑机构来分,神经网络技术可分为前向
神经网络、反馈神经网络和自组织映射神经网络。

目前已有各种类型的神经网络应用于医学图像分割,如江宝钏等利用MR I多回波性,采用有指导的BP神经网络作为分类器,对脑部MR图像进行自动分割。

而Ahmed和Farag则是用自组织Kohenen网络对CT/MR I脑切片图像进行分割和标注,并将具有几何不变性的图像特征以模式的形式输入到Kohenen网络,进行无指导的体素聚类,以得到感兴趣区域。

模糊神经网络( FNN)分割技术越来越多地得到学者们的青睐,黄永锋等提出了一种基于FNN的颅脑MRI半自动分割技术,仅对神经网络处理前和处理后的数据进行模糊化和去模糊化,其分割结果表明FNN分割技术的抗噪和抗模糊能力更强。

2. 3 基于小波分析的分割方法小波变换是近年来得到广泛应用的一种数学工具,由于它具有良好的时- 频局部化特征、尺度变化特征和方向特征,因此在图像处理上得到了广泛的应用。

小波变换和分析作为一种多尺度多通道分析工具,比较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。

3.基于知识的分割方法基于知识的分割方法主要包括两方面的内容: ①知识的获取,即归纳提取相关知识,建立知识库; ②知识的应用,即有效地利用知
识实现图像的自动分割。

其知识来源主要有:
①临床知识,即某种疾病的症状及它们所处的位置; ②解剖学知识,即某器官的解剖学和形态学信息,及其几何学与拓扑学的关系,这种知识通常用图谱表示; ③成像知识,这类知识与成像方法和具体设备有关; ④统计知识,如M I的质子密度( PD) 、T1和T2统计数据。

Costin等提出了一种基于知识的模糊分割技术,首先对图像进行模糊化处理,然后利用相应的知识对各组织进行模糊边缘检测。

而谢逢等则提出了一种基于知识的人脑三维医学图像分割显示的方法。

首先,以框架为主要表示方法,建立完整的人脑三维知识模型,包含脑组织几何
形态、生理功能、图像灰度三方面的信息;然后,采用“智能光线跟踪”方法,在模型知识指导下直接从体积数据中提取并显示各组织器官的表面。

4.基于模型的方法
该方法根据图像的先验知识建立模型,有动态轮廓模型 (Active ContourM odel,又称Snake) 、组合优化模型等,其中Snake最为常用。

Snake算法的能量函数采用积分运算,具有较好的抗噪性,对目标的局部模糊也不敏感,但其结果
常依赖于参数初始化,不具有足够的拓扑适应性,因此很多学者将Snake与其它方法结合起来使用,如王蓓等利用图像的先验知识与Snake结合的方法,避开图像的一些局部极小点,克服了Snake方法的一些不足。

Raquel等将径向基网络(RBFNN cc)与Snake相结合建立了一种混合模型,该模型具有以下特点: ①该混合模型是静态网络和动态模型的有机结合; ②Snake的初始化轮廓由RBFNN cc 提供; ③Snake的初始化轮廓给出了最佳的控制点; ④Snake的能量方程中包含了图像的多谱信息。

Luo等提出了一种将live wire算法与Snake相结合的医学
图像序列的交互式分割算法,该算法的特点是在少数用户交互的基础上,可以快速可靠地得到一个医学图像序列的分割结果。

由于医学图像分割问题本身的困难性,目前的方法都是针对某个具体任务而言的,还没有一个通用的解决方法。

综观近几年图像分割领域的文献,可见医学图像分割方法研究的几个显著特点: ①学者们逐渐认识到现有任何一种单独的图像分割算法都难以对一般图像取得比较满意的结果,因而更加注重多种分割算法的有效结合; ②在目前无法完全由计算机来完成图像分割任务的情况下,半自动的分割方法引起了人们的广泛注意,如何才能充分利用计算机的运算能力,使人仅在必要的时候进行必不可少的干预,从而得到满意的分割结果是交互式分割方法的核心问题; ③新的分割方法的研究主要以自动、精确、快速、自适应和鲁棒性等几个方向作为研究目标,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。