醫(yī)學(xué)圖像分割方法綜述

劉 宇，陳 勝

(上海理工大學(xué) 光電信息與計(jì)算機(jī)學(xué)院,上海200093)

?

醫(yī)學(xué)圖像分割方法綜述

劉 宇，陳 勝

(上海理工大學(xué) 光電信息與計(jì)算機(jī)學(xué)院,上海200093)

醫(yī)學(xué)圖像分割方法與理論眾多，文中簡(jiǎn)要介紹了基于邊界、閾值、區(qū)域增長(zhǎng)、統(tǒng)計(jì)學(xué)、圖論、活動(dòng)輪廓、信息論、模糊集理論、神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法，這些方法各有優(yōu)劣，部分已成為臨床基本的圖像分割技術(shù)。近年來許多學(xué)者對(duì)經(jīng)典的分割方法進(jìn)行改良，通過多種分割方法結(jié)合，有效提高了分割的效率，或改進(jìn)算法彌補(bǔ)原有分割方法缺陷。隨著計(jì)算機(jī)計(jì)算性能的提高，各種新的算法將不斷涌現(xiàn)。

醫(yī)學(xué)影像；圖像分割；神經(jīng)網(wǎng)絡(luò)

隨著醫(yī)學(xué)影像學(xué)設(shè)備的快速發(fā)展和普及，成像技術(shù)包括計(jì)算機(jī)斷層掃描、超聲、磁共振成像、正電子發(fā)射斷層掃描等，成為醫(yī)療機(jī)構(gòu)開展疾病診斷、手術(shù)計(jì)劃制定、預(yù)后評(píng)估、隨訪不可或缺的設(shè)備。全世界每天都產(chǎn)生大量的醫(yī)學(xué)影像學(xué)信息，有報(bào)道顯示全世界醫(yī)學(xué)影像信息量占全世界信息總量的1/5以上[1]。醫(yī)學(xué)圖像處理是分析醫(yī)學(xué)圖像的首要步驟，有助于使圖像更加直觀、清晰，提高診斷效率，國內(nèi)外都十分重視醫(yī)學(xué)影像處理[2]。圖像分割是圖像處理的重要環(huán)節(jié)，也是難點(diǎn)，是制約三維重建等技術(shù)應(yīng)用的瓶頸性問題[3]。許多學(xué)者試應(yīng)用數(shù)學(xué)、物理、光學(xué)、計(jì)算機(jī)等領(lǐng)域知識(shí)拓展醫(yī)學(xué)圖像分割的理論方法。

1 醫(yī)學(xué)圖像分割方法

目前國內(nèi)外廣泛應(yīng)用的醫(yī)學(xué)圖像分割方法有多種,根據(jù)分割特點(diǎn)的不同可分為：基于邊緣的圖像分割，基于區(qū)域的圖像分割，結(jié)合特定理論的圖像分割等。

1.1 基于邊界的醫(yī)學(xué)圖像分割方法

將圖像劃分為子圖，獲得二維圖像時(shí)，不可避免會(huì)存在邊界，邊界像素表現(xiàn)為灰度幅值的不連續(xù)。而顯現(xiàn)邊界的關(guān)鍵是邊界兩側(cè)像素特征存在明顯的差異，因此可以通過邊界進(jìn)行子圖像劃分，實(shí)現(xiàn)圖像的分割[4]。過去，科研醫(yī)師與臨床工作者采用鼠標(biāo)以及光筆等工具確定邊界，這種方法效率低、可重復(fù)性差、對(duì)主觀依賴性強(qiáng)。而利用計(jì)算機(jī)，通過特定的數(shù)學(xué)模型選擇合適邊界點(diǎn)，可極大的提高邊界分割效率，臨床上常通過確定目標(biāo)物體的邊緣像素，利用一階導(dǎo)數(shù)的極數(shù)或者二階導(dǎo)數(shù)的過零點(diǎn)信息提取邊緣特征[5]。胸華暉等采集健康男性層間距為4 mm冠狀面頭頸部MRI圖像，采用距離正則化水平集圖像分割方法分割鼻腔邊界，采用插足算法可計(jì)算任意位置的鼻腔橫截面積，可方便的進(jìn)行鼻腔結(jié)構(gòu)三維重建[6]。人體中存在大量的二維三維信息，近年來3D成像技術(shù)應(yīng)用越來越廣泛，基于邊界分割方法開始成為研究熱點(diǎn)。

1.2 基于閾值的醫(yī)學(xué)圖像分割方法

閾值是一種經(jīng)典的基于區(qū)域的并行分割技術(shù)，其將圖像像素點(diǎn)分為若干類，在腫瘤性疾病診斷中具有較高的應(yīng)用價(jià)值。Taxt等將基于局部或全局信息的閾值設(shè)置技術(shù)定義為基于上下文和非上下文分割方法，按照分割區(qū)域方式又可分為局部閾值分割，或稱為自適應(yīng)性閾值法[7]。閾值分割利用圖像灰度直方圖信息，計(jì)算量小，利于實(shí)現(xiàn)，但是易導(dǎo)致錯(cuò)誤分割，同時(shí)未考慮空間信息，易受噪音等原因產(chǎn)生偽影，其主要作為一種預(yù)處理方法[8]。A.Varga-Szemes等試構(gòu)建了一種基于心肌信號(hào)強(qiáng)度閾值的半自動(dòng)心臟MRI分割法，并與常規(guī)基于輪廓的圖像分割方法進(jìn)行比較，結(jié)果顯示閾值法耗時(shí)更短，其對(duì)EDV、ESW、SV、EF顯示低于常規(guī)方法，左心室質(zhì)量高于常規(guī)方法，閾值法與主動(dòng)脈血流測(cè)量的SV具有較好的一致性[9]。

1.3 基于區(qū)域增長(zhǎng)分割方法

區(qū)域生長(zhǎng)和分裂合并方法，是一種典型的串行區(qū)域分割方法，其根據(jù)用戶的預(yù)定義相似性函數(shù)，將圖像像素或者子區(qū)域聚合成為更大的區(qū)域。在實(shí)際應(yīng)用中，區(qū)域增長(zhǎng)法需要確定區(qū)域數(shù)目，選擇具有代表性的種子點(diǎn)，選擇有意義的特征，選擇停止的準(zhǔn)則，計(jì)算方法簡(jiǎn)單，區(qū)域算法的精髓是將圖像分類為多個(gè)相似的小區(qū)域，按照鄰接參考某種標(biāo)準(zhǔn)合并，對(duì)于連續(xù)的均勻的目標(biāo)，如血管、實(shí)質(zhì)性組織，具有較好的準(zhǔn)確性、高效性。該法對(duì)噪音較敏感，更適合分割腫瘤、傷疤這些較小的結(jié)構(gòu)[10]。國外提出許多自適應(yīng)區(qū)域生長(zhǎng)算法，該方法可自動(dòng)優(yōu)化學(xué)習(xí)分割區(qū)域形狀特征同質(zhì)性準(zhǔn)則，魯棒性較好[11]。代雙鳳等基于3D區(qū)域增長(zhǎng)法進(jìn)行全肺分割，將連通域標(biāo)記法、形態(tài)學(xué)方法相結(jié)合去掉氣管和主支氣管，得到初步的肺實(shí)質(zhì)掩膜，最后采用凸包算法修補(bǔ)平滑，修補(bǔ)后的精確度較高[12]。

1.4 基于統(tǒng)計(jì)學(xué)的醫(yī)學(xué)圖像分割方法

從統(tǒng)計(jì)學(xué)的角度進(jìn)行圖像分割是指將圖像的各個(gè)像素點(diǎn)特征值作為一種概率分布的隨機(jī)變量，從概率的角度來看，找出最應(yīng)該得到圖像的某種組合，又可分為分類器、聚類、隨機(jī)場(chǎng)、混合分布等。以最常用的聚類分析為例，其余分類器算法類似，但無需訓(xùn)練樣本，是一種無監(jiān)督的算法，通過迭代進(jìn)行圖像分類，提取每一類的特征值，按照算法又可分為K均值、模糊C均值、期望最大化算法等[13]。周顯國等基于改進(jìn)模糊聚類分析，對(duì)醫(yī)學(xué)腦部MRI圖像進(jìn)行分割，利用圖像的直方圖作為模糊聚類的初始聚類中心，減少迭代次數(shù)，仿真算法證實(shí)其相較于標(biāo)準(zhǔn)的FCM算法以及其他算法，分割效果顯著提高[14]。利用統(tǒng)計(jì)學(xué)方法圖像分割方法較多，各有優(yōu)劣。

1.5 基于圖論的醫(yī)學(xué)圖像分割

基于圖論的圖像分割是一種新的分割技術(shù)，無需初始化，其可將圖像分割轉(zhuǎn)換為圖的最優(yōu)劃分問題，利用剪切標(biāo)準(zhǔn)得到最佳的分割策略，是一種全局準(zhǔn)則，圖像分割的過程中是得到全局最優(yōu)解的過程[15]。Shi等提出歸一化割原則，Ng提出了NIW算法，后者是當(dāng)前常用的譜分割算法之一[16]。崔寶霞等采用最小生成樹法對(duì)人肺部CT圖像進(jìn)行分割，而后采用MC算法進(jìn)行三維重建，實(shí)現(xiàn)了肺部的三維立體顯示，實(shí)驗(yàn)仿真證實(shí)其快速有效，可明顯提高肺部CT 圖像三維重建效率、完整度，但該方法因?yàn)樾枰幚淼臄?shù)據(jù)較大，運(yùn)行速度較慢，仍需要進(jìn)行算法改進(jìn)，以提高運(yùn)行效率[17]。

1.6 基于活動(dòng)輪廓模型的圖像分割方法

活動(dòng)輪廓模型是由Kass等首先提出一種圖像分割技術(shù)，Gaselles等進(jìn)一步發(fā)展了該技術(shù)，近年來開始用于視覺追蹤等其他領(lǐng)域。基于邊緣的活動(dòng)輪廓莫悉尼港采用邊緣停止函數(shù)，可分割邊緣化較明顯的圖像，對(duì)噪聲較敏感，其主要優(yōu)勢(shì)在于無需設(shè)置圖像的全局約束項(xiàng)，對(duì)于某些分割目標(biāo)和背景不均勻的圖像分割效果較好[18]。最近Zhu等提出了一種基于活動(dòng)輪廓模型的區(qū)域競(jìng)爭(zhēng)分割方法，通過構(gòu)建基于目標(biāo)與區(qū)域背景的擬合圖像函數(shù)，可有效同時(shí)檢測(cè)目標(biāo)和目標(biāo)邊界[19]。趙立川等基于改進(jìn)自仿射映射系統(tǒng)與參數(shù)活動(dòng)輪廓的醫(yī)學(xué)圖像分割法，采用高斯濾波器對(duì)圖像進(jìn)行平滑處理，計(jì)算小波系數(shù)，而后在每個(gè)小波尺度中定義一些自仿射映射，將小波尺度對(duì)應(yīng)的子力疊加獲得自仿射能力，采用動(dòng)態(tài)力公式引導(dǎo)Snake模型，仿真實(shí)驗(yàn)顯示該算法分割性能好，可提高Snake模型對(duì)弱邊界、深凹陷區(qū)域的處理能力，其魯棒性較好，對(duì)于100%的噪聲級(jí)，算法擬合誤差度至少為40%[20]。

1.7 基于信息論圖像分割方法

信息論是旨在采用概率論、數(shù)數(shù)理統(tǒng)計(jì)方法并，將信息的傳遞視為一種概率事件，熵是信息論最基本的度量單位，醫(yī)學(xué)圖像分割便采用信息論中的熵理論進(jìn)行，其定義為

(1)

其中，P(x)為隨機(jī)變量x的概率密度函數(shù)，處理醫(yī)學(xué)影像時(shí)x表示像素特征，如灰度、梯度等，通過求熵的極值可獲得最合適的分割閾值。目前最常用的方法為極小極大熵值公式分割算法，其將圖像灰度直方圖劃分為多個(gè)相互獨(dú)立的類，使各類熵總量最大，其具有全局客觀屬性，但收斂速度慢，計(jì)算量大，對(duì)噪聲較大、結(jié)構(gòu)復(fù)雜的圖像分割效果不理想[21]。李愛菊等采用改進(jìn)布谷鳥搜索算法最大熵值進(jìn)行醫(yī)學(xué)圖像分割，采用最大熵值法找到圖像的分割目標(biāo)函數(shù)，而后采用改進(jìn)布谷鳥算法優(yōu)化函數(shù)，找到最佳的分割點(diǎn)，反正模式計(jì)算其解決了傳統(tǒng)最大熵值法缺陷，提高了分割的精度，具有較好的魯棒性[22]。

1.8 基于模糊集理論圖像分割

早在1965年模糊集概念被Zadeh提出，模糊集是指采用不準(zhǔn)確的經(jīng)驗(yàn)知識(shí)定義一個(gè)事件。模糊理論主要被用于模式識(shí)別領(lǐng)域，用于表示信息不完備、不確定、病態(tài)表示的不確定性，用于圖像分割技術(shù)又可分為模糊閾值分割、模糊聚類分割、模糊連接度分割等[23]。劉會(huì)明等嘗試基于模糊集理論，進(jìn)行胸片圖像分割，并與傳統(tǒng)的區(qū)域生長(zhǎng)法進(jìn)行對(duì)比，證實(shí)模糊C-均值聚類算法效果較好，可準(zhǔn)確的提取出肺部的輪廓，無需人工干預(yù)，避免了閾值設(shè)定問題，在圖像質(zhì)量不佳的情況下，也能夠提取出感興趣的區(qū)域，分割性能有所提高[24]。

1.9 基于神經(jīng)網(wǎng)絡(luò)圖像分割

神經(jīng)網(wǎng)絡(luò)是當(dāng)前醫(yī)學(xué)研究熱點(diǎn)，被廣泛用于計(jì)算機(jī)模擬診斷，大幅便利了疾病篩查工作。神經(jīng)網(wǎng)絡(luò)通過大量的具有自適應(yīng)性的簡(jiǎn)單單元組成相互連接的網(wǎng)絡(luò)模型，在處理醫(yī)學(xué)圖像時(shí)，可作為訓(xùn)練分類器，來確定權(quán)重，其實(shí)質(zhì)是一個(gè)分類以及標(biāo)記圖像的過程中，按照拓?fù)浣Y(jié)構(gòu)又可分為前向神經(jīng)網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)[25]。以自組織神經(jīng)網(wǎng)絡(luò)為例，其可通過輸入的紋理特征共生矩陣進(jìn)行學(xué)習(xí)，客觀處理目標(biāo)圖像的特征值。神經(jīng)網(wǎng)絡(luò)圖像分割將分割問題轉(zhuǎn)化為能量函數(shù)、分類等問題，通過訓(xùn)練，可修正節(jié)點(diǎn)之間的連接關(guān)系以及權(quán)值，進(jìn)而更好的對(duì)新的圖像進(jìn)行分割，該分割方法需要大量訓(xùn)練樣本[26]。李健等基于多尺度卷積神經(jīng)網(wǎng)絡(luò)嘗試對(duì)MRI腦腫瘤進(jìn)行分割，通過多尺度輸入、多尺度下的采樣，克服腦腫瘤個(gè)體差異，自適應(yīng)性不同圖層之間腫瘤大小位置差異，對(duì)30例患者進(jìn)行模擬訓(xùn)練結(jié)果顯示，Dice系數(shù)為83.11%，平均靈敏度為89.48%，平均陽性預(yù)測(cè)值為78.91%，分割精度明顯提高[27]。

2 結(jié)束語

除上述方法外，醫(yī)學(xué)圖像分割技術(shù)還包括基于小波分割[28]、基于數(shù)學(xué)形態(tài)分割[29]、圖譜引導(dǎo)論等[30]，不同分割方法各有優(yōu)劣，同時(shí)適用的對(duì)象也各不相同，考慮到計(jì)算機(jī)性能提高速度，目前研究更傾向于那些分割性能較好的算法，采用多種分割方法相結(jié)合，進(jìn)行多次處理，是圖像分割方法研究的主要趨勢(shì)。

[1] 康曉東.醫(yī)學(xué)影像圖像處理[M].北京:人民衛(wèi)生出版社,2009.

[2] 田捷,包尚聯(lián),周明全.醫(yī)學(xué)影像處理與分析[M].北京:電子工業(yè)出版社,2003.

[3] 李翠芳,聶生東,王遠(yuǎn)軍,等.改進(jìn)的模糊聚類亞實(shí)質(zhì)肺結(jié)節(jié)3維分割[J].中國圖象圖形學(xué)報(bào),2013,18(8):1019-1030.

[4] 張效娟,劉技,王昊,等.Snake與多尺度分析的醫(yī)學(xué)圖像分割研究[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(18):207-209.

[5] Gong M,Liang Y,Shi J,et al.Fuzzy C-means clustering with local information and kernel metric for image segmentation[J].IEEE Transactions on Image Process,2013,22(2):573-584.

[6] 熊華暉,李永,李建紅,等.基于磁共振圖像的鼻腔邊界分割及解剖結(jié)構(gòu)提取[J].生物醫(yī)學(xué)工程與臨床,2014,18(1):1-3.

[7] 劉慧,張彩明,鄧凱,等.改進(jìn)局部自適應(yīng)的快速FCM肺結(jié)節(jié)分割方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2014,26(10):1727-1736.

[8] Shan J,Cheng H D,Wang Y.Completely automated segmentation approach for breast ultrasound images using multiple-domain features[J].Ultrasound in Medicine & Biology,2012,38(2):262-275.

[9] Varga-Szemes A,Museogiwi G F,Schoepf U J,et al.Clinical feasibility of a myocardial signal intensity threshold-based semi-automated cardiac magnetic resonance segmentation method[J].Europe Radiol,2016,26(5):1503-1511.

[10] 胡學(xué)剛,湯宏靜.一種改進(jìn)的NGVF Snake模型[J].西南大學(xué)學(xué)報(bào):自然科學(xué)版,2014,24(4):139-145.

[11] 王斌,李潔,高新波.一種基于邊緣與區(qū)域信息的先驗(yàn)水平集圖像分割方法[J].計(jì)算機(jī)學(xué)報(bào),2012,35(5):1067-72.

[12] 代雙鳳,呂科,翟銳,等.基于3D區(qū)域增長(zhǎng)法和改進(jìn)的凸包算法相結(jié)合的全肺分割方法[J].電子與信息學(xué)報(bào),2016,38(9):2358-64.

[13] 張峰,黃芳,史振華.髙斯概率分布在心臟CT圖像分割中的應(yīng)用[J].微計(jì)算機(jī)信息,2010,26(32):185-187.

[14] 周顯國,陳大可,苑森淼,等.基于改進(jìn)模糊聚類分析的醫(yī)學(xué)腦部MRI圖像分割[J].吉林大學(xué)學(xué)報(bào):工學(xué)版,2009,39(2):381-383.

[15] 錢生,陳宗海,林名強(qiáng),等.基于條件隨機(jī)場(chǎng)和圖像分割的顯著性檢測(cè)[J].自動(dòng)化學(xué)報(bào),2015,41(4):711-724.

[16] 劉博,黃劍華,唐降龍,等.結(jié)合全局概率密度差異與局部灰度擬合的超聲圖像分割[J].自動(dòng)化學(xué)報(bào),2010,36(7):951-959.

[17] 崔寶俠,田佳,段勇.基于圖論分割的肺部CT圖像的三維重建[J].沈陽工業(yè)大學(xué)學(xué)報(bào),2015,37(6):667-672.

[18] 龔勛,王國胤,李天瑞,等.基于混合能量活動(dòng)輪廓模型的人臉分割方法[J].軟件學(xué)報(bào),2013,23(4):623-638.

[19] Maska M,Danek O,Garasa S,et al.Segmentation and shape tracking of whole fluorescent cells based on the Chan-Vese model[J].IEEE Transactions on Medicine Imaging,2013,32(6):995-1006.

[20] 趙立川,高陽.基于改進(jìn)自仿射映射系統(tǒng)與參數(shù)活動(dòng)輪廓的醫(yī)學(xué)圖像分割算法[J].計(jì)算機(jī)應(yīng)用研究,2016,34(3):34-38.

[21] 王順鳳,冀曉娜,張建偉,等.局部熵驅(qū)動(dòng)的生物醫(yī)學(xué)圖像分割偏移場(chǎng)恢復(fù)耦合模型[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2013,25(5):607-615.

[22] 李愛菊,鈕文良,王廷梅,等.改進(jìn)布鳥搜索算法最大熵值的醫(yī)學(xué)圖像分割[J].計(jì)算機(jī)仿真,2014,31(8):421-424.

[23] 金丹青.基于馬爾可夫隨機(jī)場(chǎng)的圖像分割方法研究[J].寧波教育學(xué)院學(xué)報(bào),2012(1):51-55.

[24] 劉會(huì)明.基于模糊集理論的胸片圖像分割研究[J].科技信息,2011(14):113-116.

[25] 衛(wèi)嬌,郝永強(qiáng),藍(lán)寧,等.基于BP神經(jīng)網(wǎng)絡(luò)的CT圖像骨皮質(zhì)分割[J].醫(yī)用生物力學(xué),2012,27(2):227-232.

[26] 金春蘭,黃華,張國芳,等.基于多重分形譜和自組織神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割[J].中國組織工程研究與臨床康復(fù),2010,14(13):2365-2367.

[27] 李健,羅蔓,羅曉,等.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的磁共振成像腦腫瘤分割研究[J].中國醫(yī)學(xué)裝備,2016,13(2):25-28.

[28] 馬春.基于小波變換和改進(jìn)的FCM算法的醫(yī)學(xué)CT圖像分割法[J].安慶師范學(xué)院學(xué)報(bào),2016,2(2):33-38.

[29] 孔令偉,崔志新,王瑜.MRI三維重建及旋轉(zhuǎn)分割法對(duì)膝關(guān)節(jié)骨性關(guān)節(jié)炎患者半月板形態(tài)、位置變化的臨床對(duì)比研究[J].中國臨床解剖學(xué)雜志,2015,33(4):408-420.

[30] 溫銳,陳宏文,張雷,等.基于引導(dǎo)濾波的多圖譜醫(yī)學(xué)圖像分割[J].南方醫(yī)科大學(xué)學(xué)報(bào),2015,35(9):1363-1267.

Review of Medical Image Segmentation Method

LIU Yu，CHEN Sheng

(School of Optical Electrical and Computer Engineering,University of Shanghai for Science and Technology，Shanghai 200093,China)

There are many methods and theories in Medical image segmentation. This paper briefly introduces the medical image segmentation method that based on boundary, threshold, region growing, statistics, graph theory, active contour, information theory, fuzzy set theory and neural network. Each of these methods has its advantages and disadvantages, and some of them even have became the basic image segmentation technology in clinical trials. In recent years, many scholars have improved the classical segmentation method. The efficiency of the segmentation was effectively improved through the combination of a variety of segmentation methods or the defects of the original segmentation method are offset by improved algorithm, with the improvement of computer performance, various new algorithms will continue to emerge.

medical image;image segmentation;neural network

2016- 10- 17

劉宇(1993-)，女，碩士研究生。研究方向：醫(yī)學(xué)圖像處理與分析。陳勝(1976-)，男，博士，教授。研究方向：醫(yī)學(xué)圖像處理等。

10.16180/j.cnki.issn1007-7820.2017.08.047

TP391.41

A

1007-7820(2017)08-169-04