医学图像分割技术研究进展_翁璇

３７ 医疗卫生装备·２００７ 年第 ２８ 卷第 １ 期 Ｃｈｉｎｅ ｓ ｅ Ｍｅ ｄｉｃａ ｌ Ｅｑｕｉｐｍｅ ｎｔ Ｊ ｏｕｒｎａ·ｌ ２００７ Ｖｏｌ．２８ Ｎｏ．１
综
述
Ｇ Ｅ Ｎ Ｅ Ｒ Ａ Ｌ Ｒ Ｅ Ｖ ＩＥ Ｗ
该图像的中间层图像， 利用基于连通性的阈值算法对其分 割 ； 其 次 利 用 邻 层 图 像 分 割 结 果 和 ｓｎａｋｅ 模 型 来 指 导 下 一 层 的图像分割， 实验结果表明， 该方法可以明显提高分割的准 确率和速度。 ２．２ 区域生长法
医学图像分割Leabharlann Baidu研究多年来一直受到人们的高度重视， 分割算法也层出不穷， 对于医学图像分割算法的分类依据也
作者简介： 翁璇， 硕士研究生， 主要研究方向： 生物医学信号检测与处理及 微系统； 郑小林， 教授， 博士生导师， 主要从事生物医学信号检测与处理、生物 磁刺激技术、ＢＩＯＭＥＮＳ。本课题受国家自然科学基金项目（ ３０２７０４０７） 资助。
这类方法由于其主要特点是建立于某一数学或其它基 础 理 论 之 上 ， 因 此 ， 把 它 们 另 立 一 类 。 主 要 有 模 式 识 别 法 、基 于 模 糊 集 理 论 的 方 法 、基 于 神 经 网 络 的 分 割 方 法 、小 波 变 换 法 和 基 于 遗 传 算 法 等 。模 式 识 别 法 又 可 以 分 为 分 类 器 法 和 聚 类法。分类器法是一种统计模式识别的方法［９］ ， 用以区分从已 知标记的图像数据衍生而来的特征空间（ 如灰度直方图） ， 它 是有监督的模式识别方法。相对于阈值法， 在区分多区域图 像时此方法有较高的计算效率。它的缺点是， 需要人工交互 方式获得训练数据。另一方面， 对于大量的生物图像使用相 同的训练样本， 会因为没有考虑不同物体的解剖特性和物理 特 性 而 导 致 不 准 确 的 结 果 。聚 类 法 的 基 本 原 理 和 分 类 器 法 大 体是相同的， 不同点在于它不需要训练样本数据。它是无监 督的模式识别方法。为了弥补没有训练数据这一点， 聚类法 反复做两件工作：分割图像和刻画每个类的特征， 从而使用已 有的数据训练自身以达到分割的目的。和分类器方法一样， 聚类法同样不考虑空间建模， 所以对噪声和非同质的灰度很 敏感。然而， 这一缺陷却加快了计算速度。由于医学图像本质 上 存 在 模 糊 性（如 ＣＴ 图 像 同 一 组 织 灰 度 值 的 含 糊 性 ， 容 积 效 应引起的边缘 、形状的模糊性及运动伪影造成图 像 的 不 确 定 性等）， 因而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 。国 内 外 很 多 研 究 者 将 模 糊 理 论 应 用 于 图 像 增 强 、图 像 分 割 及 边 缘 检 测 中 ， 取 得 了 优 于 传 统 图 像 处 理 方 法 的 结 果［１０］。Ｃｈｅｎ 等［１１］就 是 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 。 宋
综
述
Ｇ Ｅ Ｎ Ｅ Ｒ Ａ Ｌ Ｒ Ｅ Ｖ ＩＥ Ｗ
医学图像分割技术研究进展
翁 璇 郑小林 姜 海 （ 重庆大学生物工程学院 重庆市 ４０００３０）
摘要 医学图像分割是医学图像处理中的一个经典难题。图像分割能够自动或半自动描绘出医学图像中的解剖结构 和其它感兴趣的区域， 从而有助于医学诊断。综述和讨论了近年来的医学图像分割技术、发展趋势、研究热点及其医学 图像分割的评价等问题， 并简要讨论了每类分割方法的特点， 展望了医学图像分割的前景和面临的挑战。 关键词 医学图像分割； 图像分割评价 中图分类号： ＴＰ３１７．４； Ｒ４４５ 文献标识码： Ａ 文章编号： １００３－ ８８６８（ ２００６） １１－ ００３７－ ０３
区域生长法［１］是根据预先定义的标准， 提取图像中相连接 区域的方法。这个标准可以是灰度信息， 也可以是图像的边 界， 或者是两者的联合。和阈值法一样， 区域生长法一般不单 独使用， 而是放在一系列处理过程中， 特别用它来描绘诸如肿 瘤和伤口等小而且简单的结构。它主要的缺陷是， 每一个需要 提取的区域都必须人工给出一个种子点， 这样有多个区域就 必须给出相应的种子个数。此法对噪声也很敏感， 会造成孔状 甚至是根本不连续的区域。相反的， 局部且大量的影响还会使 本来分开的区域连接起来。为减少这些缺点， 产生了诸如模糊 分类的区域增长法［５］和其它方法。Ｉｓｅｋｉ 等［７］将该方法应用于肺 部血管三维结构提取 时 ， 先 手 工 在 胸 部 ＣＴ 图 像 上 找 一 个 气 管起始点作为种子点， 然后用一种递归搜索方法， 找到支气管 血管束的走行规律， 再根据肺纹理的解剖结构， 得到了肺血管 的 三 维 结 构 。陆 剑 锋 等 ［８］提 出 一 种 通 过 计 算 种 子 点 附 近 邻 域 统 计信息， 自适应改变生长标准参数用于头骨 ＣＴ、肝脏 ＣＴ 以及 人 脑 ＭＲＩ 图 像 的 分 割 算 法 ， 在 切 片 图 像 预 处 理 过 程 中 ， 考 虑 到体数据相邻切片之间高度的相关性， 在相邻层之间采取高 斯核滤波去除噪声， 并通过各向异性滤波算法对该层切片进 行滤波， 实验结果表明， 该算法可有效地提取出图像区域， 具 有较好的鲁棒性。 ２．３ 结合特定理论工具的分割技术
Ｐ ｒｏ ｇ ｒｅｓｓ ｏ ｆｍ ｅｄ ｉｃａｌｉｍ ａｇ ｅ ｓｅｇ ｍ ｅｎ ｔａｔｉｏ ｎ ｔｅｃｈ ｎ ｏ ｌｏ ｇ ｙ
ＷＥＮＧ Ｘｕａｎ， ＺＨＥＮＧ Ｘｉａｏ－ ｌｉｎ， Ｊ ＩＡＮＧ Ｈａｉ （ Ｃｏｌｌｅｇｅ ｏｆ Ｂｉｏｅｎｇｉｎｅｅｒｉｎｇ， Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓ ｉｔｙ， Ｃｈｏｎｇｑｉｎｇ ４０００３０， Ｃｈｉｎａ） Ａｂｓｔｒ ａｃｔ Ｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｓ ａ ｃｌａｓｓｉｃａｌ ｐｕｚｚｌｅ ｆｏｒ ｒｅｓｅａｒｃｈｅｒｓ． Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｓ ｔｈｅ ｍｅｔｈｏｄ ｔｏ ｄｅｌｉｎｅａｔｅ ａｎａｔｏｍｉｃ ｓｔｒｕｃｔｕｒｅｓ ｏｒ ｏｔｈｅｒ ｉｎｔｅｒｅｓｔｅｄ ｒｅｇｉｏｎｓ ａｕｔｏｍａｔｉｃａｌｌｙ ｏｒ ｓｅｍｉ－ ａｕｔｏｍａｔｉｃａｌｌｙ， ｗｈｉｃｈ ｉｓ ｈｅｌｐｆｕｌ ｔｏ ｄｉａｇｎｏｓｉｓ ａｎｄ ｐｌａｙｓ ａ ｃｒｕｃｉａｌ ｒｏｌｅ ｉｎ ｍａｎｙ ｍｅｄｉｃａｌ ｉｍａｇｉｎｇ ａｐｐｌｉｃａｔｉｏｎｓ． Ｉｎ ｔｈｉｓ ａｒｔｉｃｌｅ， ａ ｒａｔｈｅｒ ｃｏｍｐｌｅｔｅ ｓｕｒｖｅｙ ｔｏ ｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈ－ ｏｄｓ ａｎｄ ｔｈｅｉｒ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｒｅ ｇｉｖｅｎ， ｅｓｐｅｃｉａｌｌｙ ｔｏ ｔｈｅ ｎｅｗ ｍｅｔｈｏｄｓ ｏｒ ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｔｈｅ ｃｌａｓｓｉｃａｌ ｍｅｔｈｏｄｓ ｗｈｉｃｈ ｗａｓ ｐｕｔ ｆｏｒ－ ｗａｒｄ ｒｅｃｅｎｔｌｙ． Ｔｈｅ ｐｒｏｓｐｅｃｔｓ ａｎｄ ｔｈｅ ｃｈａｌｌｅｎｇｅ ｏｆ ｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｓ ｄｉｓｃｕｓｓｅｄ． Ｋｅｙ ｗｏｒ ｄｓ ｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ； ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ａｐｐｒａｉｓｅｍｅｎｔ
现今国内外广泛使用的医学图像分割方法主要有： 阈值 分割法、区域生长法、结合特定理论工具的方法， 如： 模式识别 法 、人 工 神 经 网 络 法 等 、基 于 模 糊 分 割 的 方 法 、小 波 变 换 法 以 及基于遗传算法的方法。 ２．１ 阈值分割法
阈 值 分 割 法［１］是 将 灰 度 图 像 变 为 二 值 图 像 以 达 到 分 割 目 的的方法。阈值分割法是一种简单且非常有效的方法， 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， 一般可以作为一系列图 像处理过程的第一步。它的主要局限是， 最简单形式的阈值 法只能产生二值图像来区分 ２ 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］。 阈 值 分 割 对 于 ＣＴ 图 像 的 效 果 较 好 ， 而 且 算 法 简 单 ， 计 算 速 度 快 。但 在 选 择 阈 值 时 需 要 用 户 依 据 经 验 判 断 ， 或者先做多次尝试性分割后再对阈值进行调整， 直至得到用 户 满 意 的 结 果 。Ｋｉｍ 等［５］用 多 次 阈 值 分 割 法 检 测 螺 旋 ＣＴ 图 像 中 的 肺 结 节 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 假 阳 性 结 果 。 张 谦 等 ［６］提 出 了 一 种 利 用 ｓｎａｋｅ 模 型 和 基 于 连 通 性 阈 值 算 法 进 行 三 维 医 学 图像的自动分割方法， 根据三维医学图像的特点， 首先选取
不统一。医学图像分割方法的选择， 在很大程度上依赖于特定 的图像、成像方式以及成像中的人为因素和 不 可 抗 因 素（例 如 噪声和物体的运动等）， 这些都会在很大 程 度 上 影 响 后 继 的 分 割。所以， 至今没有一种适用于任何医学图像的通用分割技 术， 也不存在判断分割是否有效的客观标准。
１ 引言 近年来， 生物医学成像技术的快速发展使人们能够获得
大量高分辨率的医学图像数据影像， 如： 计算机断层成像 （ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ， ＣＴ） ， 核磁共振成像 （ Ｍａｇｎｅｔｉｃ Ｒｅｓｏ－ ｎａｎｃｅ Ｉｍａｇｉｎｇ， ＭＲＩ） 、超声成像（ Ｕｌｔｒａｓｏｎｏｇｒａｐｈｙ， ＵＳ） 等技术已 经 广 泛 应 用 于 医 疗 诊 断 、术 前 计 划 、治 疗 、术 后 监 测 等 各 个 环 节， 如何对这些成像技术获得的各种定量定性数据进行分析， 使之不被浪费， 是至关重要的问题。因此， 图像工程中的图像 分割技术就成了医学图像处理和分析中的关键技术。由于医 学图像通常由感兴趣区和背景区构成， 感兴趣区包含重要的 诊断信息， 并能为临床诊疗和病理学研究提供可靠的依据， 尽 管它在整幅图像中所占的面积也许不大， 但其错误描述的代 价却非常高， 而背景区域的信息较为次要， 所以， 从图像中把 感兴趣区分离出来是医学图像分割的重点。从医学研究和临 床应用的角度来看， 图像分割是病变区域提取、特定组织测 量以及实现三维重建的基础， 由于人体解剖结构的复杂性、组 织器官形状的不规则性及不同个体间的差异性， 一般的图像 分割方法对医学图像分割效果并不理想， 因此， 医学图像分割 除了一般的分割技巧外， 还须结合医学领域中的知识， 才能做 出合理的分割。 ２ 医学图像分割方法
启 祥 等［１２］提 出 了 基 于 核 聚 类 的 ＭＲＩ 和 ＰＥＴ 医 学 图 像 分 割 方 法 ， 通 过 利 用 Ｍｅｒｃｅｒ 核 ， 将 原 本 简 单 的 样 本 特 征 映 射 到 更 复 杂的高维空间中去， 放大了样本特征间的差异， ， 能快速准确 地分割样本。 ２．４ 人工神经网络法
人工神经网络［１３］（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， ＡＮＮ）是一种大 规模并行连续处理系统。ＡＮＮ 具有模拟人类的信号处理能力 并且非常擅长于解决模式识别领域中的模式分类问题， 而医 学图像分割问题正是对图像中的各个解剖结构进行分类和标 记的问题。ＡＮＮ 的主要特点有：具有通过实例学习的能力， 并 能利用前馈网络概括所学内容； 对于随机噪声具有很强的鲁 棒性； 具有容错的能力和最优搜索能力。因此， 当利用其它方 法 进 行 图 像 分 割 时 ， 对 于 噪 声 、组 织 不 均 匀 性 、生 物 形 态 的 多 变性等问题， 利用 ＡＮＮ 技术可以得到很好的解决。但是， 使用 神经网络法的时候， 因为网络中有许多相互连接， 所以空间信 息就能很容易包涵在分类过 程 中 。 目 前 ， ＡＮＮ 技 术 应 用 的 一 个显著特点是它与模糊技术的结合， 从而形成了模糊神经网 络系统。模糊技术是建立在模糊集合理论基础上的， 能很好地 处理三维医学图像内在的模糊性， 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 沿 检 测 等 。 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［１４］， 非 常 适 合 于 医 学 图 像 中 存 在 不 确 定 性 和 模 糊 性 的 特点。 ２．５ 小波变换法