醫(yī)學(xué)圖像分割方法綜述

李蘭蘭

摘 要：隨著計(jì)算機(jī)技術(shù)的發(fā)展，圖像分割在很多領(lǐng)域都得到發(fā)展并被廣泛應(yīng)用，在醫(yī)學(xué)臨床上的應(yīng)用更是越來越明顯和重要。找到合適的醫(yī)學(xué)圖像分割方法對(duì)臨床診斷和治療都具有重大意義。文章針對(duì)近年來提出的圖像分割方法進(jìn)行了總結(jié)。

關(guān)鍵詞：圖像分割；區(qū)域生長(zhǎng)；聚類；水平集；圖割

1 概述

圖像分割是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的基礎(chǔ)。分割結(jié)果直接影響著后續(xù)任務(wù)的有效性和效率[1]。圖像分割的目的就是把目標(biāo)從背景中提取出來，分割過程主要基于圖像的固有特征，如灰度、紋理、對(duì)比度、亮度、彩色特征等將圖像分成具有各自特性的同質(zhì)區(qū)域[2]。醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像進(jìn)行后續(xù)操作的必要前提，學(xué)者通過大量的研究得到了很多自動(dòng)快速的分割方法。

2 圖像分割方法分類

醫(yī)學(xué)圖像有各種成像模態(tài)，比如CT、MRI、PET、超聲等。由于醫(yī)學(xué)圖像本身的復(fù)雜性和多樣性，如灰度不均勻、低分辨率、弱邊界和嚴(yán)重的噪聲，準(zhǔn)確分割是個(gè)相當(dāng)棘手的問題，分割過程中在目標(biāo)區(qū)域里出現(xiàn)的一些問題都將導(dǎo)致圖像分割結(jié)果不準(zhǔn)確。近年來，眾多圖像分割方法中沒有任何一種算法能適用于所有圖像。圖像分割方法一般是基于圖像的，即利用圖像梯度、亮度或者紋理等就能從圖像中獲得信息進(jìn)而對(duì)圖像進(jìn)行分割，主要有聚類法、區(qū)域生長(zhǎng)、水平集、圖割等算法。

2.1 聚類法

聚類算法簡(jiǎn)單的包括K-Means算法和Fuzzy C-Means（FCM）。

K-Means算法是基于距離的硬聚類算法，通常采用誤差平方和函數(shù)作為優(yōu)化的目標(biāo)函數(shù)，定義誤差平方和函數(shù)如下：

其中，K代表聚類的個(gè)數(shù)，Cj（j=1，2，…，K）表示聚類的第j類簇，x表示類簇Cj中的任意一個(gè)數(shù)據(jù)對(duì)象，mi表示簇Ci的均值。從公式中看出，J是數(shù)據(jù)樣本與簇中心差異度平方的總和，K個(gè)類聚類中心點(diǎn)決定了J值的大小。顯然，J越小表明聚類效果越好。

K-Means算法的核心思想為：給定一組含有n個(gè)數(shù)據(jù)對(duì)象的數(shù)據(jù)集，從其中隨機(jī)選取K個(gè)數(shù)據(jù)對(duì)象作為初始中心，然后計(jì)算剩余的所有數(shù)據(jù)對(duì)象到各個(gè)初始中心之間的距離，根據(jù)最近鄰原則，把所有數(shù)據(jù)對(duì)象都劃分到離它最近的那個(gè)初始中心的那一類簇，再分別計(jì)算這些新生成的各個(gè)類簇中數(shù)據(jù)對(duì)象的均值，以此作為新類簇的中心，比較新的中心和初始中心的誤差平方和函數(shù)J的大小，上述過程反復(fù)迭代，直到J收斂到一定值算法就結(jié)束，此時(shí)每個(gè)簇中的中心點(diǎn)和均值也不再發(fā)生改變。

Fuzzy C-Means即模糊C均值，此算法是硬聚類的一種改進(jìn)，很適合應(yīng)用于存在不確定性和模糊性的圖像聚類。模糊聚類就是讓數(shù)據(jù)集的隸屬度在[0，1]之間取值，一個(gè)數(shù)據(jù)樣本可能同時(shí)屬于好多類，最后結(jié)果都是通過計(jì)算隸屬度的大小來分類的。該算法類似K-Means，也是先給初始聚類中心，更新一次結(jié)果后再分別計(jì)算各個(gè)類別的聚類中心，還有其他像素點(diǎn)屬于這些聚類中心的隸屬度，然后計(jì)算目標(biāo)函數(shù)，直到目標(biāo)函數(shù)收斂到給定值為止。

2.2 區(qū)域生長(zhǎng)

區(qū)域生長(zhǎng)是一種基于傳統(tǒng)的區(qū)域生長(zhǎng)機(jī)制、利用區(qū)域內(nèi)像素的相似性進(jìn)行圖像分割的圖像處理算法。區(qū)域生長(zhǎng)的算法思想是，對(duì)于給定的區(qū)域，我們選取一個(gè)或者多個(gè)像素作為種子點(diǎn)，以4鄰域或8鄰域的方式遍歷種子點(diǎn)周圍的像素點(diǎn)，把那些與種子點(diǎn)相似的像素合并到該種子點(diǎn)所在的區(qū)域，接著把那些新加入種子點(diǎn)所在區(qū)域的像素作為新的種子點(diǎn)繼續(xù)進(jìn)行上述過程，直到所有相似的像素都合并到種子區(qū)域?yàn)橹?，這樣區(qū)域生長(zhǎng)的過程就完成了并停止生長(zhǎng)。區(qū)域生長(zhǎng)的特點(diǎn)就是初始化簡(jiǎn)單、執(zhí)行速度快，執(zhí)行過程中可以人工參與調(diào)節(jié)，終止易控制，適用于灰度均勻的目標(biāo)區(qū)域提取。但是該算法對(duì)噪聲敏感，需要人工指定種子點(diǎn)，并且對(duì)于復(fù)雜圖像很可能產(chǎn)生過分割和欠分割。

2.3 水平集

水平集算法是一種隱式的表示曲線的方法，就是低維目標(biāo)用比它高一維的水平集函數(shù)的零水平集表示，在圖像分割方面主要用于活動(dòng)輪廓模型的求解。算法的主要思想是將平面閉合曲線隱含地表達(dá)為三維連續(xù)函數(shù)曲面？準(zhǔn)（x，y，t）在？準(zhǔn)=0時(shí)的同值曲線集合，稱為零水平集，？準(zhǔn)=0為水平集函數(shù)。給定水平集函數(shù)滿足的發(fā)展方程，水平集函數(shù)將進(jìn)行演化或迭代，對(duì)應(yīng)的零水平集也隨之發(fā)生變化，即三維連續(xù)函數(shù)表示的曲面發(fā)生運(yùn)動(dòng)，則平面閉合曲線也跟著產(chǎn)生形變，直到曲線演化到理想狀態(tài)就停止。

2.4 圖割

圖割是基于圖論的能量?jī)?yōu)化算法，它在目標(biāo)分割領(lǐng)域應(yīng)用比較廣泛。圖是由邊和頂點(diǎn)組成，在圖割中構(gòu)建的圖有兩個(gè)終端頂點(diǎn)：源點(diǎn)S和匯點(diǎn)T，分別表示目標(biāo)和背景。算法的主要思想是將一幅圖像映射到一幅加權(quán)圖上，圖像的像素點(diǎn)看作是圖的普通頂點(diǎn)，相鄰像素之間的關(guān)系作為圖的邊，而相鄰像素之間的相似性或差異性作為邊的權(quán)值；每個(gè)像素都會(huì)與源點(diǎn)S和匯點(diǎn)T相連，形成另一類邊，表示像素點(diǎn)與圖像目標(biāo)和背景之間的聯(lián)系；設(shè)定能量函數(shù)，最后對(duì)能量函數(shù)求最小解，此時(shí)就是圖像分割的最優(yōu)解。Boykov和Jolly最先把圖割應(yīng)用到圖像分割領(lǐng)域，他們對(duì)圖像標(biāo)記為A={A1，A2，…，Ap}， 任意一個(gè)Ap是目標(biāo)或者背景，定義圖割的能量函數(shù)[3]為：

區(qū)域項(xiàng)與像素點(diǎn)屬于目標(biāo)或者背景有關(guān)，即像素屬于標(biāo)簽Ap的概率。因?yàn)樽詈玫姆指罱Y(jié)果是像素p分配到其概率最大的那個(gè)標(biāo)簽Ap，并且能量又是最小，所以概率公式定義如下：

3 結(jié)束語(yǔ)

通過上文的分析，把幾種算法結(jié)合起來，或者是對(duì)算法進(jìn)行改進(jìn)，改變函數(shù)中參數(shù)或系數(shù)，都將可能得到更精確的分割結(jié)果。醫(yī)療在人們的生活中必不可少，研究圖像分割算法對(duì)提高計(jì)算機(jī)輔助診斷和治療的精度與效率有重大意義。

參考文獻(xiàn)

[1]Sang Q， Lin Z， Acton S T. Learning automata for image segmentation.[M].Internet of Things， Smart Spaces， and Next Generation Networks and Systems. Springer International Publishing， 2015：211-219.

[2]王梅，李玉砲，全笑梅.圖像分割的圖論方法綜述[J].計(jì)算機(jī)應(yīng)用與軟件，2014（9）：1-12.

[3]Boykov Y Y， Jolly M P. Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images[C]// Computer Vision， 2001. ICCV 2001. Proceedings. Eighth IEEE International Conference on. IEEE，2001：105-112 vol.1.

[4]Rudra A K， Chowdhury A S， Elnakib A， et al. Kidney segmentation using graph cuts and pixel connectivity[J].Pattern Recognition Letters， 2013，34（13）：1470-1475.