醫(yī)學(xué)圖像分割方法

潘曉航

摘要 隨著影像醫(yī)學(xué)在臨床醫(yī)學(xué)的成功應(yīng)用，醫(yī)學(xué)圖像分割在臨床診療中起著越來(lái)越重要的作用。分割算法的精準(zhǔn)性將影響診斷結(jié)果和治療方案，本文從醫(yī)學(xué)圖像分割幾種常用的方法出發(fā)，結(jié)合醫(yī)學(xué)圖像的應(yīng)用，總結(jié)了每種方法的優(yōu)缺點(diǎn)，列舉了每種方法的改進(jìn)算法。最后，進(jìn)一步闡述了圖像分割技術(shù)的發(fā)展趨勢(shì)。

[關(guān)鍵詞]醫(yī)學(xué)圖像分割 醫(yī)學(xué)圖像應(yīng)用 閾值模糊c-均值 活動(dòng)輪廓模型 人工神經(jīng)網(wǎng)絡(luò)

1 引言

醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理和分析中的重要步驟，其最終目標(biāo)是使用一系列特征（如圖像灰度、紋理、顏色以及局部統(tǒng)計(jì)特征等）將圖像中“感興趣區(qū)域”提取出來(lái)，輔助醫(yī)生診斷、制定治療計(jì)劃和進(jìn)行臨床研究。然而，成像過(guò)程中噪音、場(chǎng)偏移效應(yīng)等因素使獲得的圖像模糊、不均勻，加上醫(yī)學(xué)圖像本身對(duì)比度低、組織與病灶之間邊界模糊，分割算法的結(jié)果受到很大影響。現(xiàn)存的分割算法都存在一定的針對(duì)性和適用性，在臨床治療中，需要針對(duì)具體應(yīng)用領(lǐng)域選擇適當(dāng)?shù)姆指罘椒ā?/p>

2 常用醫(yī)學(xué)圖像分割方法

2.1 閩值法

閡值法是最常見、應(yīng)用最廣泛的一種分割技術(shù)。閾值法基于圖像中目標(biāo)物體與背景像素灰度的差異性，把圖像分為灰度值不同的目標(biāo)和背景區(qū)域展現(xiàn)在直方圖中，直方圖中，不同的目標(biāo)和背景呈現(xiàn)出不同的峰，選取一個(gè)或多個(gè)閩值對(duì)圖像進(jìn)行分割，如圖1所示。對(duì)待分割圖像的灰度直方圖閾值的選取是整個(gè)分割過(guò)程中至關(guān)重要的一步，可通過(guò)直方圖灰度分布、雙峰法、迭代法、大津法等進(jìn)行閩值的選取，很多學(xué)者對(duì)該問(wèn)題進(jìn)行了研究，申鉉京等人提出了三維直方圖重建和降維的Otsu閾值分割算法，該算法具有更強(qiáng)的抗噪性，分割效果較為理想，時(shí)間復(fù)雜度遠(yuǎn)低于三維Otsu法。邸秋艷提出了基于Ts allis熵的閩值圖像分割方法，在閾值的選擇過(guò)程中，利用Tsallis熵的非延廣性提高了分割的準(zhǔn)確性。

盡管閾值法處理直觀，計(jì)算量小，但在具體使用中存在如下問(wèn)題：

（1）選取合適的閾值相對(duì)困難，不當(dāng)?shù)拈撝颠x取難以得到準(zhǔn)確的分割結(jié)果。

（2）對(duì)灰度差異不明顯或物體灰度值大量聚集在某一范圍的圖像分割效果較差。

2.2 模糊c-均值聚類算法

從生物學(xué)成像設(shè)備得到的圖像數(shù)據(jù)具有不確定性（即模糊性），模糊分割算法能保留更多的原始信息，這使得模糊技術(shù)在圖像分割中得到廣泛應(yīng)用。模糊c-均值聚類算法，簡(jiǎn)稱FCM算法，它根據(jù)分類依據(jù)，將樣本分成n個(gè)模糊組，求出每組的聚類中心，采用迭代法優(yōu)化目標(biāo)函數(shù)，獲得全局最小值，從而得到最優(yōu)聚類。

傳統(tǒng)的模糊c-均值聚類算法在運(yùn)用時(shí)不需要人為的干預(yù)，能夠克服灰度圖像中存在的不確定性和模糊性，適合自動(dòng)分割應(yīng)用領(lǐng)域。文獻(xiàn)對(duì)該方法分割復(fù)雜結(jié)節(jié)的準(zhǔn)確性、穩(wěn)健性和重復(fù)性進(jìn)行了考證。二者均以PET信息為線索，采用模糊分割在CT圖像上勾畫腫瘤輪廓，如圖2所示。然而，若PET信息與CT信息差異較大，算法中的折中機(jī)制會(huì)帶來(lái)較大的分割誤差。

模糊c.均值聚類算法在進(jìn)行圖像分割時(shí)存在幾個(gè)難點(diǎn)：

（1）在對(duì)組織異常，區(qū)域未知的醫(yī)學(xué)圖像進(jìn)行分割時(shí)，很難確定聚類的數(shù)目。

（2）初試聚類中心的確定沒(méi)有一定的標(biāo)準(zhǔn)。初始聚類中心的確定十分重要，但因?yàn)槭孪葻o(wú)法預(yù)測(cè)，只能進(jìn)行猜測(cè)，限制了該算法發(fā)揮最大功效。

（3）算法開銷太大。如果樣本數(shù)量龐大，計(jì)算量會(huì)隨之增大，需要較長(zhǎng)時(shí)間才能完成，難以實(shí)時(shí)處理數(shù)據(jù)。

在此基礎(chǔ)上，研究者提出了大量改進(jìn)算法，齊淼等人提出了改進(jìn)的模糊C一均值聚類算法，改進(jìn)隸屬度函數(shù)等，使算法具有更好的健壯性和聚類效果。侯曉凡等人提出了一種快速的模糊局部c-均值聚類分割算法，該算法滿足了圖像分割有效性的需求，能更好地滿足實(shí)際場(chǎng)合圖像分割的需要。

2.3 基于活動(dòng)輪廓模型分割方法

基于活動(dòng)輪廓模型（Active ContourModel，ACM）分割病灶區(qū)域的核心思路是利用病灶和正常組織之間的區(qū)域一致性信息，具體思路如下：

其中，μ，λi+，λi-分別為正則項(xiàng)（第一項(xiàng)）和擬合項(xiàng)（第二、三項(xiàng)）的參數(shù)，通常情況下設(shè)定μ= 0.5，λi+=λi-=1。I，I，i，j為PET/CT中的任意圖像，Ci為第i幅圖像中ACM的演化曲線，Length（Ci）為曲線Ci的長(zhǎng)度，Qj和Qi分別代表演化曲線的內(nèi)外部區(qū)域，n_表示區(qū)域Q‘所包含的像素?cái)?shù)目，N代表所有圖片的像素?cái)?shù)目和，表示內(nèi)外部區(qū)域的特征描述。其中，f1項(xiàng)由圖像Ii的目標(biāo)像素與其它圖像Ii的內(nèi)部區(qū)域ft的相似程度的積分組成，稱為全局項(xiàng)。該項(xiàng)用于描述圖像的前景一致性，以提取共同對(duì)象?！觏?xiàng)則為背景項(xiàng)，其由圖像Ii中的目標(biāo)像素與背景區(qū)域Qi相似程度的積分組成，使得圖像分割的目標(biāo)和背景差異較大，對(duì)應(yīng)的設(shè)計(jì)思路如圖3所示。

ACM有成熟的偏微分方程和能量泛函理論基礎(chǔ)，模型運(yùn)算速度較快，適合簡(jiǎn)單特征的任務(wù)，但也存在幾個(gè)缺點(diǎn)：

（1）所利用特征單一，不適合復(fù)雜圖像。

（2）存在大量的局部最優(yōu)點(diǎn)，容易收斂到局部最優(yōu)。

（3）依賴更多先驗(yàn)知識(shí)。

（4）適合處理低中層特征。

龔勛等人提出了基于混合能量活動(dòng)輪廓模型的人臉?lè)指罘椒?，該方法的定位精度明顯優(yōu)于傳統(tǒng)的全局能量模型和局部能量模型。祝世平等人提出了基于Snake活動(dòng)輪廓模型的視頻跟蹤分割方法，該法克服了手動(dòng)繪制初試輪廓的缺點(diǎn)，在空域?qū)nake貪婪方法進(jìn)行了改進(jìn)而且精確度高，速度快。

2.4 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，簡(jiǎn)稱ANN）是一種模擬人腦神經(jīng)元對(duì)輸入信號(hào)進(jìn)行處理的模型，其結(jié)構(gòu)思路如下：

其中輸入xi與權(quán)值wi一一對(duì)應(yīng)，傳遞函數(shù)f0計(jì)算出權(quán)重和，其數(shù)學(xué)模型如圖4所示。

ANN由大量相互連接的節(jié)點(diǎn)構(gòu)成，每一個(gè)節(jié)點(diǎn)都可以完成基本的運(yùn)算，大量的連接和空間的信息，能夠較好地處理一圖像的噪聲以及不均勻的問(wèn)題。德國(guó)SIMENS公司研制的Syngo Lung CAD在對(duì)大量的胸部數(shù)據(jù)進(jìn)行訓(xùn)練的基礎(chǔ)上得到肺部腫瘤圖像的處理和模式識(shí)別算法，可以自動(dòng)識(shí)別整個(gè)胸部位置的直徑為3mm以上的肺部結(jié)點(diǎn)，同時(shí)對(duì)疑似結(jié)點(diǎn)的輪廓進(jìn)行分割，計(jì)算疑似結(jié)點(diǎn)的體積等。鞏萍等人提出了基于灰度共生矩陣和人工神經(jīng)網(wǎng)絡(luò)的肺癌CT圖像的分類研究，研究中，人工神經(jīng)網(wǎng)絡(luò)能達(dá)到分類目的，輔助臨床治療。目前，ANN技術(shù)常與模糊技術(shù)的結(jié)合，形成模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，使得ANN技術(shù)在圖像分割中的應(yīng)用更為廣泛。

ANN技術(shù)具有自學(xué)習(xí)、自適應(yīng)的能力，它的應(yīng)用可以減少臨床治療中醫(yī)生的干預(yù)，并得到較為準(zhǔn)確的分割結(jié)果。ANN技術(shù)可以用大量的訓(xùn)練圖像數(shù)據(jù)解決復(fù)雜問(wèn)題，但在現(xiàn)實(shí)應(yīng)用中，收集用于訓(xùn)練的圖像有一定的困難。

3 醫(yī)學(xué)圖像的應(yīng)用

目前，醫(yī)院應(yīng)用較為廣泛的醫(yī)學(xué)圖像包括計(jì)算機(jī)斷層掃描成像（Computed Tomography，CT）、正電子發(fā)射斷層成像（PositronEmission Tomography， PET）和PET/CT成像。

3.1 PET圖像的臨床應(yīng)用

PET成像技術(shù)通過(guò)正電子示蹤劑的聚集情況反應(yīng)組織和病變區(qū)域的代謝率，進(jìn)而鑒別其惡化程度。PET成像靈敏度高和特異性高，能在人體出現(xiàn)代謝異常時(shí)發(fā)現(xiàn)病灶，這一特點(diǎn)使之廣泛用于腫瘤、神經(jīng)系統(tǒng)疾病和心血管疾病，PET成像也有一定的局限性，如果患者對(duì)顯像劑的病理性吸收和生理性吸收區(qū)別不大，PET圖像中的癌性組織與其周圍的正常組織易混淆。大量科研人員和臨床醫(yī)生開展了自動(dòng)辨別及勾畫腫瘤區(qū)域等相關(guān)研究。歐洲立項(xiàng)的SALOME系統(tǒng)通過(guò)分析PET圖像，綜合多種分割算法得到腫瘤描記結(jié)果，獲得具有最大共識(shí)的腫瘤區(qū)域。

3.2 CT圖像的臨床應(yīng)用

CT成像技術(shù)利用人體各種組織對(duì)X線的吸收能力不等的特性，用X射線對(duì)人體某一部位進(jìn)行掃描，經(jīng)由光電轉(zhuǎn)換器轉(zhuǎn)變?yōu)殡娦盘?hào)，再經(jīng)模擬/數(shù)字轉(zhuǎn)換器轉(zhuǎn)為數(shù)字信號(hào)。CT成像速度快，得到的解剖形態(tài)結(jié)構(gòu)信息清晰，但CT圖像對(duì)病灶信息的顯示較差，不能在早期檢出病變，很多專家學(xué)者對(duì)此進(jìn)行研究改進(jìn)，美國(guó)R2 Technology公司推出的肺癌早期診斷系統(tǒng)ImageChecker CT LN-1000能夠檢測(cè)CT圖像上直徑4mm-20m的肺結(jié)節(jié)，為放射科醫(yī)生“閱讀”圖像、篩選候選結(jié)節(jié)、處理信息、展示資料提供幫助。

3.3 PET/CT圖像的臨床應(yīng)用

PET/CT將PET與CT融為一體，PET提供組織和病變區(qū)域的代謝信息，CT提供解剖形態(tài)結(jié)構(gòu)信息，二者的結(jié)合提高了診斷的準(zhǔn)確性。PET/CT醫(yī)學(xué)圖像分割在臨床應(yīng)用方面有著重大的意義，分割結(jié)果方便醫(yī)生更充分的發(fā)掘醫(yī)學(xué)圖像反映的解剖、病理等信息，為后續(xù)制定或修改病人的治療方案提供依據(jù)。另外，在放療計(jì)劃中，通過(guò)病變區(qū)域的分割，為醫(yī)生的診斷和治療提供了更快捷、形象手段，提高了診療效率。圖5為2017年9月分別以“PET/CT and （medical image or segmentation）” 和“PET/CT醫(yī)學(xué)圖像分割”作為檢索句在Webof Science和中國(guó)知網(wǎng)上查詢到的文獻(xiàn)統(tǒng)計(jì)結(jié)果。雖然關(guān)于PET/CT醫(yī)學(xué)圖像分割的研究尚處于起步階段，發(fā)表的文獻(xiàn)數(shù)量不多，但是近幾年（2012-2017）的逐年加速增長(zhǎng)趨勢(shì)非常明顯，可見PET/CT圖像處理已經(jīng)為愈來(lái)愈多的研究者所重視。

4結(jié)語(yǔ)

隨著醫(yī)學(xué)圖像和計(jì)算機(jī)輔助技術(shù)的發(fā)展，醫(yī)學(xué)圖像分割技術(shù)在醫(yī)學(xué)領(lǐng)域被越來(lái)越廣泛的應(yīng)用著。然而，病灶區(qū)域的病理過(guò)程具有不可預(yù)測(cè)性，且形狀無(wú)規(guī)律，邊界不規(guī)則，病灶內(nèi)部有時(shí)也會(huì)出現(xiàn)灰度異質(zhì)的情況，這些因素使得設(shè)計(jì)一套完全自動(dòng)的分割方法非常困難。綜合不同的方法以達(dá)到對(duì)醫(yī)學(xué)圖像更有效的分割成為研究的趨勢(shì)。充分考慮一些新技術(shù)如人工神經(jīng)網(wǎng)絡(luò)的方法和某些傳統(tǒng)分割方法的特性，依據(jù)實(shí)際情況組合是提高圖像分割精度的重要策略。

參考文獻(xiàn)

[1]申鉉京，龍建武，陳海鵬等.三維直方圖重建和降維的Otsu閾值分割算法[J].電子學(xué)報(bào)，2011，39 （05）：1108-1114.

[2]邸秋艷，基于Tsallis熵的閾值圖像分割方法研究[D].燕山大學(xué)，2009.

[3]羅杰，孔韋韋，劉睿.基于NSST和區(qū)域生長(zhǎng)的紅外與可見光圖像融合算法[J].中國(guó)科技論文，2016，11 （14）：1673-1678.

[4]陶彬嬌，陳倩，潘中良等，基于GrabCut和區(qū)域生長(zhǎng)的服裝圖像前景提取算法[J]，華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017 （05）：122-127.

[5] Mu W，ChenZ， ShenW， etal.A SegmentationAlgorithm for Quantitative Analysisof Heterogeneous Tumors of theCervix with 18F-FDG PET/CT [J]. IEEETransactions on Biomedical Engineering， 2015， 62 （10）： 2465-2479.

[6] Xu Z，BagciU， Udupa J K，etal. FuzzyConnectedness Image Co-segmentationfor HybridPET/MRI and PET/CTScans [M]. Computational Methodsfor Molecular Imaging， SpringerInternational Publishing， 2015： 15-24.

[7]齊淼，張化祥，改進(jìn)的模糊C一均值聚類算法研究[J].計(jì)算機(jī)工程與應(yīng)用，2009， 45 （20）：133-135.

[8]侯曉凡，吳成茂，一種快速的模糊局部c-均值聚類分割算法[J].計(jì)算機(jī)科學(xué)，2016， 43 （10）： 297-303.

[9]龔勛，王國(guó)胤，李天瑞等.基于混合能量活動(dòng)輪廓模型的人臉?lè)指罘椒╗J]，軟件學(xué)報(bào)，2013 （03）： 623-638.

[10]祝世平，郭智超，高潔等，基于Snake活動(dòng)輪廓模型的視頻跟蹤分割方法[J].光電子·激光，2013 （01）：139-145.

[11] AshrafH， De H B，DirksenA， etal.Evaluation of Siemens Syngo LungCARE CT and Lung CAD VolumetricLung Nodule Measurements[J]. Journal of ThoracicOncology， 2009，4 （09）： 733-742.

[12]鞏萍，王阿明，基于灰度共生矩陣和人工神經(jīng)網(wǎng)絡(luò)的肺癌CT圖像的分類研究[J].生物醫(yī)學(xué)工程與臨床，2013 （06）： 552-556.

[13]Lee I J，GamsuG，Czumj，etal.Lung Nodule Detection on ChestCT： Evaluation of a Computer-Aided Detection

（CAD）SystemLJl.Korean Journal ofRadiology， 2005，6 （02）： 89-93.

[14]邱明，張二虎，醫(yī)學(xué)圖像分割方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2005， 26 （06）：1557-1559.