生物醫學工程中的圖像分割范文

本站小編為你精心準備了生物醫學工程中的圖像分割參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1圖像分割

現今,生物醫學圖像在醫療診斷中起著不可低估的重作用。核磁共振(MagneticResonance,簡稱MR)、計算機X射斷層掃描(ComputedTomography,簡稱CT)、超聲波(Ultrasound)以及其他的成像技術等,都是無侵害性的器官體外成像的力手段。這些技術豐富了正常的以及病狀的解剖知識,同它也成為了診斷和治療體系重要的組成部分。隨著醫學圖像在數量和大小上的增加,越來越有必要用計算機處理并分析這些圖像。有一種算法用于找出解剖構和其它感興趣的區域,這種算法叫做圖像分割算法(imagsegmentationalgorithms)。圖像分割是由圖像處理到圖像分的關鍵步驟[1],它在大量的生物醫學圖像的應用起著至關重要的作用,比如:解剖結構的研究、診斷等。在承擔自然科學基金項目的過程中,為研究分割算法在醫學圖像中的應用,我們對過去國內外二十多年里醫學圖像分割算法的發展和現今廣泛使用的分割法進行了較詳細的調研,感到國內在這方面的文獻和研究還比較少。為進一步推動圖像分割在生物醫學工程中的應用,本文結合我們目前的研究結果,對醫學分割算法、特別是其應用做了介紹。

2現今廣泛使用的生物醫學圖像分割方法

利用“區域間不連續性”和“區域內相似性”兩個準則,分割算法可分為的“基于邊界的算法”和“基于區域的算法”。另外,根據分割過程中“判斷和決定是否可獨立地和同時地做出”的處理策略,分割算法又可分為“并行算法”和“串行算法”。所以分割算法可根據這兩個分成四類[1]。那么對于生物醫學圖像,也有相應的四類分割法。圖像、成像方式以及其它因素。比如:對腦組織分割的要求就不同于對肝臟的要求,MR圖像有異于超聲圖像。更進一步的情況,成像中的人為和不可抗拒的天然因素(例如噪聲和物體的運動等)也會在很大程度上影響后繼的分割。所以,至今沒有一種適用于任何醫學圖像的通用的分割技術。我們總結了現今國內外廣泛使用的生物醫學圖像分割方法。重點放在對方法的介紹上,和使用時會面臨的具體問題上。方法的詳細數學推導超出了本文的范圍,讀者可以查閱參考文獻。雖然這些方法是分開描述的,但在實際應用中,很多復合法也用于解決各種不同的實際分割問題。我們將這些方法分為四類6種:1)并行區域法:閾值法。2)串行區域法:區域生長法。3)結合特定理論工具的方法:①模式識別法(分類器法,聚類法);②人工神經網絡法;③可變模型法。4)其他方法。

2.1閾值法

閾值分割法是將灰度圖像變為二值圖像以達到分割目的的方法[4],它是一種PR(并行區域)法。閾值法的過程是決定一個灰度值,用以區分不同的類,這個灰度值就叫做“閾值”。把灰度值大于閾值的所有像素歸為一類,小于閾值的所有像素歸為另一類。閾值法是一種簡單但是非常有效的方法,特別是不同物體或結構之間的有很大的強度對比時,能夠得到很好的效果。此分割法通常是交互式的。因為閾值法能夠實現實時操作,所以它更能夠建立在用戶視覺估計的基礎上。閾值法一般可以作為一系列圖像處理過程的第一步。它的主要局限是,最簡單形式的閾值法只能產生二值圖像來區分兩個不同的類。另外,它只考慮像素本身的值[1],一般都不考慮圖像的空間特性,這樣就對噪聲很敏感。針對它的不足,有許多經典閾值法的更新算法被提了出來[5]。

2.2區域生長法

區域生長法是根據預先定義的標準,提取圖像中相連接的區域的方法[4]。這個標準可以是灰度信息,也可以是圖像的邊界,或者是兩者的聯合。在此法的最簡單形式中,先人工給出一個種子點,然后提取出和種子具有相同灰度值的所有像素。和閾值法一樣,區域生長法一般不單獨使用,而是放在一系列處理過程中,特別用它來描繪諸如腫瘤和傷口等小而且簡單的結構。它主要的缺陷是,每一個需要提取的區域都必須人工給出一個種子點,這樣有多個區域就必須給出相應的種子個數。此法對噪聲也很敏感,會造成孔狀甚至是根本不連續的區域。相反的,局部且大量的影響還會使本來分開的區域連接起來。為減輕這些缺點,產生了諸如模糊分類的區域增長法[6]和其他方法。

2.3模式識別法

2.3.1分類器法

分類器法是一種統計模式識別的方法[7],用以區分從已知標記的圖像數據衍生而來的特征空間。灰度直方圖,就是最常見最典型的一維特征空間的例子。因為分類器法需要用已知的人工分割結果作為訓練樣本、對分類器進行訓練后才能自動分割新的數據,所以它是有監督的模式識別方法。它的訓練方法有很多種,其中,最簡單的一種是“非參數最近鄰”分類器。它將像素或者體素劃分在與其灰度值最接近的那一類中。而參數分類器中,使用得最多的是貝葉斯分類器(Bayesclassifier)[5]。標準的分類器要求被分割的結構具有明顯的定量特征。因為如果訓練樣本數據能夠被標記,分類器就能夠將這些可以明顯區分的標記轉化為新的數據而不需要反復迭代。所以相對于閾值法,在區分多區域圖像時它有較高的計算效率。它的缺點是是,需要人工交互方式獲得訓練數據。另一方面,對于大量的生物圖像使用相同的訓練樣本,會因為沒有考慮不同物體的解剖特性和物理特性而導致不準確的結果。

2.3.2聚類法

聚類法的基本原理和分類器法大體是相同的,不同點在于它不需要訓練樣本數據。所以它是無監督的模式識別方法。為了彌補沒有訓練數據這一點,聚類方法反復做兩件工作:分割圖像和刻畫每個類的特征,從而使用已有的數據訓練自身以達到分割的目的。最常用的聚類方法是模糊C-均值算法[1],它通過對目標函數的迭代優化實現集合劃分,并且可以表示出各個像素屬于不同類別的程度。雖然聚類算法不需要訓練樣本數據,但是它需要一個初始的分割。和分類器方法一樣,聚類法同樣不考慮空間建模,所以對噪聲和非同質的灰度很敏感。然而,這一缺陷卻加快了計算速度。

2.4人工神經網絡法

人工神經網絡法是使用大量的平行的神經網絡達到對圖像分割的目的[8]。這些網絡由模擬生物學習機理的節點或者元素組成,網絡中的每個節點能夠執行最基本的運算。通過調整節點之間的權值可以達到網絡對生物機理的學習。比如,用它實現圖像的邊緣檢測[8]。文獻[9]局部興奮全局抑制振蕩網絡(LEGION,LocallyExcitatoryGloballyInhibitoryOscillatorNetwork)就是一種基于人類視覺特性的人工神經網絡方法。LEGION是一個由張弛振子構成的網絡,每個振子皆由一個興奮單元x和一個抑制單元y組成(圖2)。分割結果見圖3。可以看出,與LEGION分割所得圖像相比,單閾值法所得圖像區域單一,細節較差,一些細小結構未能表現出來。將LEGION這種算法完善,自適應設置神經網絡中的參數,并且將它應用在彩色圖像上。使用神經網絡法的時候,因為網絡中有許多相互連接,所以空間信息就能很容易包涵在分類過程中。雖然神經網絡法具有平行繼承性,但是它的處理過程和標準的串行計算機很類似,這樣就降低了它計算方面的潛在優勢。

2.5可變模型法

可變模型法是基于模型的、使用閉合參數曲線或曲面描繪邊界的分割方法[3]。它的最初思想來源于物理概念:為了描繪出物體的邊界,首先設置一個離真實曲線或曲面不遠的初始曲面或曲線,在外力和內力的作用下,推動這個曲面或曲線移動,最后在圖像能量最低處停下來。因為曲線或曲面的移動類似于蛇,所以這個模型又叫做Snake模型,曲線或曲面叫做Snake。在圖像輪廓處灰度變化率(即梯度)最大,定義此處能量最小,那么Snake停下的地方就是真實邊界。由于1988年Kass首次提出的經典Snake的外力場捕獲區很小[3],這就使得初始化和進入凹陷區很困難。為此,科學家們多次改進這一算法。其中,1998年Hopkins大學的ChenyangXu和JerryL.Prince[12]用梯度矢量流代替經典外力場,這就是有名的GVF理論(GradientVectorFlow)。它很好地解決了經典Snake中的初始化問題和凹陷區問題。[12]是采用GVFSnake對左心室核磁共振圖像的腔體分割。

2.6其它方法

還有一些生物圖像的分割方法,比如:微分算子的邊緣檢測[1],Hough變換[4],它們均屬PB法(并行邊界)的范疇;用樣條進行曲線擬合,它是一種SB法(串行邊界)。因為生物醫學圖像中軟組織的物理和解剖特性,以上的方法一般不單獨使用,而是融入其它的方法里。此外,基于信息論[9]和基于小波分析[1]的分割技術也逐漸被應用在生物圖像中。

3展望

今后的圖像分割會朝著更精確、更快速的方向發展。生物醫學圖像分割作為一種特殊的圖像分割領域,除了有上述的趨勢以外,圍繞的它另一重要發展是臨床上的應用。計算機分割方法在輔助診斷和放射療法中已經顯示出了它的作用。雖然全自動的分割方法永遠不會取代醫生的地位,但是它漸漸成為了醫學圖像分析中的至關重要的部分。這一領域的研究還面臨著諸多的挑戰。首先,我們希望這些分割方法不僅能夠分割正常的組織結構,還要能夠處理反常和病變的狀態。但是在實際的研究中,后一個問題常常被忽略。并且,隨著基因工程的發展,微觀結構的分割也提上了日程,而不能僅僅局限于現在的“器官”層次上的處理和分析。總的來說,生物醫學的圖像分割不僅同分割方法這種軟件因素相關,也和成像儀器、成像方式、外界環境等硬件技術有關。隨著眾多專業分割算法的研究,以及硬件設備的不斷更新,這一領域會有更大的發展。致謝:感謝美國UniversityofLouisiana計算機學院的陳冠饒博士和UniversityofIllinois生物工程學院的王章偉博士在繁忙的學習工作中抽出時間提供了最新的檢索資料。