醫學圖像分割探究范文
本站小編為你精心準備了醫學圖像分割探究參考范文，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。
近年來,生物醫學成像技術的快速發展使人們能夠獲得大量高分辨率的醫學圖像數據影像,如:計算機斷層成像(ComputedTomography,CT),核磁共振成像(MagneticReso-nanceImaging,MRI)、超聲成像(Ultrasonography,US)等技術已經廣泛應用于醫療診斷、術前計劃、治療、術后監測等各個環節,如何對這些成像技術獲得的各種定量定性數據進行分析,使之不被浪費,是至關重要的問題。因此,圖像工程中的圖像分割技術就成了醫學圖像處理和分析中的關鍵技術。由于醫學圖像通常由感興趣區和背景區構成,感興趣區包含重要的診斷信息,并能為臨床診療和病理學研究提供可靠的依據,盡管它在整幅圖像中所占的面積也許不大,但其錯誤描述的代價卻非常高,而背景區域的信息較為次要,所以,從圖像中把感興趣區分離出來是醫學圖像分割的重點。從醫學研究和臨床應用的角度來看,圖像分割是病變區域提取、特定組織測量以及實現三維重建的基礎,由于人體解剖結構的復雜性、組織器官形狀的不規則性及不同個體間的差異性,一般的圖像分割方法對醫學圖像分割效果并不理想,因此,醫學圖像分割除了一般的分割技巧外,還須結合醫學領域中的知識,才能做出合理的分割。
2醫學圖像分割方法
醫學圖像分割的研究多年來一直受到人們的高度重視,分割算法也層出不窮,對于醫學圖像分割算法的分類依據也不統一。醫學圖像分割方法的選擇,在很大程度上依賴于特定的圖像、成像方式以及成像中的人為因素和不可抗因素(例如噪聲和物體的運動等),這些都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分割技術,也不存在判斷分割是否有效的客觀標準。現今國內外廣泛使用的醫學圖像分割方法主要有:閾值分割法、區域生長法、結合特定理論工具的方法,如:模式識別法、人工神經網絡法等、基于模糊分割的方法、小波變換法以及基于遺傳算法的方法。
2.1閾值分割法
閾值分割法[1]是將灰度圖像變為二值圖像以達到分割目的的方法。閾值分割法是一種簡單且非常有效的方法,特別是不同物體或結構之間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,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2個不同的類。另外,它只考慮像素本身的值[2],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[3,4]。閾值分割對于CT圖像的效果較好,而且算法簡單,計算速度快。但在選擇閾值時需要用戶依據經驗判斷,或者先做多次嘗試性分割后再對閾值進行調整,直至得到用戶滿意的結果。Kim等[5]用多次閾值分割法檢測螺旋CT圖像中的肺結節性病變,共檢測了24例病人的827張圖像,檢測結果靈敏度為96%,并且沒有假陽性結果。張謙等[6]提出了一種利用snake模型和基于連通性閾值算法進行三維醫學圖像的自動分割方法,根據三維醫學圖像的特點,首先選取該圖像的中間層圖像,利用基于連通性的閾值算法對其分割;其次利用鄰層圖像分割結果和snake模型來指導下一層的圖像分割,實驗結果表明,該方法可以明顯提高分割的準確率和速度。
2.2區域生長法
區域生長法[1]是根據預先定義的標準,提取圖像中相連接區域的方法。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。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。為減少這些缺點,產生了諸如模糊分類的區域增長法[5]和其它方法。Iseki等[7]將該方法應用于肺部血管三維結構提取時,先手工在胸部CT圖像上找一個氣管起始點作為種子點,然后用一種遞歸搜索方法,找到支氣管血管束的走行規律,再根據肺紋理的解剖結構,得到了肺血管的三維結構。陸劍鋒等[8]提出一種通過計算種子點附近鄰域統計信息,自適應改變生長標準參數用于頭骨CT、肝臟CT以及人腦MRI圖像的分割算法,在切片圖像預處理過程中,考慮到體數據相鄰切片之間高度的相關性,在相鄰層之間采取高斯核濾波去除噪聲,并通過各向異性濾波算法對該層切片進行濾波,實驗結果表明,該算法可有效地提取出圖像區域,具有較好的魯棒性。
2.3結合特定理論工具的分割技術
這類方法由于其主要特點是建立于某一數學或其它基礎理論之上,因此,把它們另立一類。主要有模式識別法、基于模糊集理論的方法、基于神經網絡的分割方法、小波變換法和基于遺傳算法等。模式識別法又可以分為分類器法和聚類法。分類器法是一種統計模式識別的方法[9],用以區分從已知標記的圖像數據衍生而來的特征空間(如灰度直方圖),它是有監督的模式識別方法。相對于閾值法,在區分多區域圖像時此方法有較高的計算效率。它的缺點是,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。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。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。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。由于醫學圖像本質上存在模糊性(如CT圖像同一組織灰度值的含糊性,容積效應引起的邊緣、形狀的模糊性及運動偽影造成圖像的不確定性等),因而聚類法更適合采用對圖像不確定性有較好描述能力的模糊理論。國內外很多研究者將模糊理論應用于圖像增強、圖像分割及邊緣檢測中,取得了優于傳統圖像處理方法的結果[10]。Chen等[11]就是用一種基于K平均聚類算法和基于知識的形態學運算技術來對心臟CT圖像進行自動分割。宋啟祥等[12]提出了基于核聚類的MRI和PET醫學圖像分割方法,通過利用Mercer核,將原本簡單的樣本特征映射到更復雜的高維空間中去,放大了樣本特征間的差異,,能快速準確地分割樣本。
2.4人工神經網絡法
人工神經網絡[13](ArtificialNeuralNetworks,ANN)是一種大規模并行連續處理系統。ANN具有模擬人類的信號處理能力并且非常擅長于解決模式識別領域中的模式分類問題,而醫學圖像分割問題正是對圖像中的各個解剖結構進行分類和標記的問題。ANN的主要特點有:具有通過實例學習的能力,并能利用前饋網絡概括所學內容;對于隨機噪聲具有很強的魯棒性;具有容錯的能力和最優搜索能力。因此,當利用其它方法進行圖像分割時,對于噪聲、組織不均勻性、生物形態的多變性等問題,利用ANN技術可以得到很好的解決。但是,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。目前,ANN技術應用的一個顯著特點是它與模糊技術的結合,從而形成了模糊神經網絡系統。模糊技術是建立在模糊集合理論基礎上的,能很好地處理三維醫學圖像內在的模糊性,而且對噪聲不敏感。模糊分割技術主要有模糊閾值、模糊聚類、模糊邊沿檢測等。近年來模糊聚類技術,特別是模糊C-均值(FCM)聚類技術的應用最為廣泛[14],非常適合于醫學圖像中存在不確定性和模糊性的特點。
2.5小波變換法
近年來,在低頻和高頻分析時有“變焦”特性的小波變換在醫學圖像分割中得到廣泛應用。用小波進行醫學圖像閾值分割的思想是利用二進制小波變換將圖像直方圖分解為不同層次的小波系數,依照給定的分割準則和小波系數選擇閾值門限,整個過程由粗到細,由尺度來控制。如果分割不理想,則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割[15]。此外,小波變換和分析作為一種多尺度多通道分析工具,特別適合對圖像進行多尺度的邊緣檢測,典型的有如Mallat小波模極大值邊緣檢測算法。文獻[16]中利用超聲圖像的不同區域的多尺度過零點表征(MultiscaleZeroCross-ings,MZC)隨尺度的變化曲線函數,實現了醫學超聲圖像的區域分割。
2.6遺傳算法
遺傳算法(EvolutionaryAlgorithms)基本思想是建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代、進化,它采用非遍歷尋優搜索策略,是一種簡單、適于并行處理、具有魯棒性和廣泛適用性的搜索方法。遺傳算法擅長于全局搜索,但局部搜索能力不足,所以在醫學圖像分割中常把遺傳算法和其它算法結合起來應用。曾妍婷等[17]根據這一不足,提出了一種灰度直方圖熵和改進遺傳算法結合的圖像分割方法,并利用精英策略和模擬退火的思想做修正,不僅有較好的分割效果,還縮短了運算時間。1999年ArambulaCosio等[18]利用遺傳算法的快速尋優能力來進行前列腺的自動化識別工作,GA在這里所起的作用是快速分割出前列腺的邊界,他們對22例前列腺超聲圖像進行識別實驗,得到了很好的結果,其平均誤差是6.2mm。2000年Chen等[19]把遺傳算法應用到心臟超聲波圖像的分割中,以用來彌補主動輪廓法的缺陷,建立了一種自學習分割框架———Taguchi逼近,用該法對人工合成圖像和真正的超聲波圖像進行試驗得到了很好的結果,其有效性通過了方差分析的驗證。除上述醫學圖像分割方法外,還有一些生物圖像分割方法,例如,基于知識的分割[20],楊曉強等[21]提出了一個基于知識模型的醫學圖像的分割方法,該系統由解剖知識模型、圖像處理程序和推理機組成,模塊之間的通訊由黑板控制,通過在胸部圖像處理中的應用,該方法減少了人工干預,得到較滿意的分割結果,并提高了醫學圖像分割的自動化程度和可靠性。此外,微分算子的邊緣檢測[2]Hough變換,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。
3分割算法的性能評價
上述的大多數算法通常是針對某一類問題提出的,如果給定一個具體問題去選擇一種適合的分割方法仍是個難題,這就要研究分割評價。醫學圖像分割算法的評價應具有一般性、客觀性和定量性。一般性是指該方法應適用于多個分割算法的評價,客觀性是指該方法不包含人為因素,定量性是指評價結果是定量的。對分割算法評價要基于一定的評價準則(評價指標或測度),在分割技術的評價中,評價準則是最重要的因素。常用的評價準則有[2]:(1)區域間對比度。根據區域之間特性對比度的大小可以判別分割圖像的質量,也可由此推出所用分割算法的優劣。(2)區域內均勻度。圖像分割就是把一幅原始圖像分割成若干個具有相似特性的區域,可以用分割圖像中各區域內部特性均勻的程度來描述分割圖像的質量。(3)算法的收斂魯棒性。評判算法收斂主要有2個指標:一是表示分割算法收斂穩定性的收斂概率,二是表示分割算法收斂一致性的擴散系數。(4)像素數量誤差,由于分割錯誤而產生的錯分像素個數來作為衡量指標等12種。
4結語
醫學圖像分割技術仍然是制約醫學圖像處理中其它相關技術發展和應用的一個瓶頸。醫學圖像分割技術是開展醫學圖像在臨床和生命科學研究領域廣泛應用的一個先行程序,如:三維可視化、不同模式醫學圖像的配準(registra-tion)和融合(fusion)、放療計劃的制定、外科手術計劃的制定和仿真以及大腦的功能性研究等。現在,醫學圖像分割的算法大多是把多種理論結合起來應用,以達到相互補充的目的。綜合近年來國內外的有關文獻可知,新的分割方法的研究主要以自動、精確、快速、自適應性和魯棒性等幾個方向作為研究目標。模糊分割技術、基于知識的分割技術以及基于人工神經網絡的分割技術仍將是今后若干年醫學圖像分割技術的研究熱點,經典分割技術與現代分割技術的綜合利用(集成技術)是今后醫學圖像分割技術的發展方向。相信隨著各種理論的不斷發展、完善和成熟,以及新理論在圖像分割領域的嘗試應用,醫學圖像分割的方法也會更多,更成熟。
