醫(yī)學(xué)圖像分割方法綜述

(沈陽建筑大學(xué)信息與控制工程學(xué)院 遼寧 沈陽 110000)

一、引言

醫(yī)學(xué)圖像是對解剖區(qū)域內(nèi)部結(jié)構(gòu)或內(nèi)部功能的反映圖像，其是通過采樣或重建生成的離散圖像表示，可以將值映射到不同的空間位置。醫(yī)學(xué)圖像通常具有低對比度，模糊邊界和視覺識別不準(zhǔn)確的特征。另外，由于人與人之間有很大的差別，且人體組織結(jié)構(gòu)形狀復(fù)雜，這些都給醫(yī)學(xué)圖像分割帶來了困難。因此，我們有必要針對醫(yī)學(xué)應(yīng)用這個領(lǐng)域，對圖像分割方法進行研究。

最近幾年，為解決醫(yī)學(xué)圖像分割問題，許多研究人員做了大量的工作，提出許多實用的分割算法，比如模糊集理論、神經(jīng)網(wǎng)絡(luò)、小波理論等。本文主要介紹近年該領(lǐng)域國內(nèi)外學(xué)者提出的新方法或?qū)υ蟹椒ǖ男赂倪M。有必要指出的是，本文中提到的方法分類并不絕對，大多數(shù)分割方法是多種簡單方法的結(jié)合，我們只能粗略的將它們分為屬于最能反映其特征的某一類。

二、醫(yī)學(xué)圖像分割方法

圖像分割是用于區(qū)分圖像中特殊區(qū)域和獨特區(qū)域并提出感興趣對象的技術(shù)和過程。醫(yī)學(xué)圖像分割同樣是將感興趣區(qū)域從圖像中提取出來，或者融合并提取感興趣區(qū)域。如今現(xiàn)有的醫(yī)學(xué)圖像分割方法主要分為以下幾種方法：基于閾值的分割方法、基于區(qū)域的分割方法以及基于特定理論的分割方法等。

(一)基于閾值的醫(yī)學(xué)圖像分割方法。閾值法的基本思想是根據(jù)圖像灰度特征來計算一個或者多個灰度閾值，并將圖像中每個像素的灰度值與計算出的閾值作對比，最后將像素按照對比結(jié)果分到符合的類型中。閾值分割法的優(yōu)點是計算簡便、效率高、運行速度快。

如今比較常用的閾值法有Otsu 法。Otsu法是基于圖像中目標(biāo)和背景的可分離性而提出的。該方法建立在假設(shè)圖像中目標(biāo)和背景所構(gòu)成的混合密度函數(shù)是由兩個服從等方差的正態(tài)分布子分布的基礎(chǔ)之上。對于傳統(tǒng)的多閾值分割算法，需要花費大量的時間來尋找最優(yōu)解，Qin[1]提出了一種基于改進蟻群算法的閾值醫(yī)學(xué)圖像分割算法，本文在多閾值Otsu分割下，對蟻群算法進行了改進，引入Lévy flight 模式，提高了算法的收斂速度。

(二)基于區(qū)域的醫(yī)學(xué)圖像分割方法。區(qū)域分割方法的基本思想是直接從圖像中提取信息，并將圖像分成若干個子區(qū)域，使每個子區(qū)域具有一定的相同特點。傳統(tǒng)的區(qū)域分割方法有以下幾種：區(qū)域生長法和分水嶺算法。

1.區(qū)域生長法。區(qū)域增長方法的基本思想是通過對具有相似性的像素進行分組來組織區(qū)域。區(qū)域增長方法具有計算量小，對均勻連通目標(biāo)有良好分割效果的優(yōu)點。它的缺點是需要人工選取種子，其對噪聲很敏感并且可能會導(dǎo)致分割結(jié)果內(nèi)有空洞。為了解決初始定位問題，侯東奧[2]提出了基于區(qū)域生長法的改進的測地線活動輪廓(Geodesic Active Contours,GAC)模型。該模型首先采用區(qū)域生長法粗略分割圖像，然后將分割結(jié)果作為改進的GAC模型的初始輪廓，使腫瘤輪廓的分割準(zhǔn)確度更高；2.分水嶺算法。分水嶺算法是一種基于拓撲理論的數(shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像作為測地學(xué)上的拓撲地貌，圖像中每個像素的灰度值表示該點的海拔高度，每個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺算法對圖像中的噪聲，極有可能產(chǎn)生過度分割的現(xiàn)象。鑒于腦腫瘤MRI圖像的分割問題，Benson[3]等則基于一種融合的思想來提高分水嶺分割算法的性能，即在利用分水嶺算法對腦腫瘤圖像分割時，不僅顧及圖像的灰度信息，還同時考慮了圖像的顏色、邊緣、方向和紋理信息，也取得了較好的分割效果。Liang[4]提出了一種基于形態(tài)學(xué)處理和全變異模型醫(yī)學(xué)圖像分割算法。首先對腦損傷的MRI圖像進行形態(tài)學(xué)梯度預(yù)處理。其次采用全變分模型對梯度圖像進行降噪。然后用強迫最小值技術(shù)得到內(nèi)外標(biāo)記，并利用這些標(biāo)記對梯度幅值圖像進行校正。最后將改進后的梯度圖像提取到分水嶺變換中。結(jié)果表明，該方法可以有效地提取腦損傷的MRI圖像。

(三)基于特定理論的醫(yī)學(xué)圖像分割方法。在醫(yī)學(xué)圖像分割方法中除了上述方法，還有基于深度學(xué)習(xí)的分割方法、基于遺傳算法的分割方法等。

1.深度學(xué)習(xí)。隨著人工智能的快速進步，醫(yī)學(xué)圖像分割的方法也逐步發(fā)展、更新。深度學(xué)習(xí)是一種新式的從端到端的模型，減少人工預(yù)處理的階段，使用多層的網(wǎng)絡(luò)結(jié)構(gòu)全自動提取不同層次的特征。其具有信息分布式存儲、大規(guī)模自適應(yīng)并行處理、自組織、自學(xué)習(xí)功能、高度的容錯性、魯棒性等優(yōu)點。RONNEBERGER[5]等提出了一種網(wǎng)絡(luò)和訓(xùn)練策略，它依靠于對數(shù)據(jù)增強的強大使用，從而更有效地使用可用的帶注釋的樣本。該體系結(jié)構(gòu)由捕獲上下文的收縮路徑和支持精準(zhǔn)定位的對稱擴展路徑組成，證明了這種網(wǎng)絡(luò)可以從非常少的圖像端到端的訓(xùn)練，并且在ISBI挑戰(zhàn)中分割效果較好。

2.遺傳算法。遺傳算法是一種模擬自然進化過程，并根據(jù)“優(yōu)勝劣汰、適者生存”的原則獲得最佳解決方案。它的優(yōu)點不僅在于可以依據(jù)少量結(jié)構(gòu)就能夠反映出整個區(qū)域，便于實時處理，而且有效利用全局信息防止陷入局部最優(yōu)，具有較好的魯棒性；其缺點在于收斂速度慢、易早熟等。Guan[6]等提出了一種基于遺傳算法的醫(yī)學(xué)圖像分割方法，該方法首先用alobal搜索容量和簇間方差最大作為適應(yīng)度函數(shù)，然后自動搜索邊緣檢測的最優(yōu)閾值，結(jié)合形態(tài)學(xué)處理提取醫(yī)學(xué)圖像邊緣，最后實現(xiàn)圖像分割。實驗表明，該方法不僅簡化分割，而且實現(xiàn)了良好的分割效果，提高了圖像的效率和質(zhì)量。

三、總結(jié)

由于醫(yī)學(xué)圖像的類型不同，成像特點不一致，至今還沒有一個通用的方法來分割醫(yī)學(xué)圖像。隨著圖像處理研究不斷發(fā)展，圖像分割將向自動、快速、自適應(yīng)性的目標(biāo)發(fā)展,需要與新概念和新技術(shù)結(jié)合起來才能有所突破。