医学图像分割文献综述.docx

《医学图像分割文献综述.docx》由会员分享，可在线阅读，更多相关《医学图像分割文献综述.docx（6页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、前言随着科学技术的进展，生物切片图像在生命科学、医学、农业等领域取得愈来愈普遍的应用。通过对切片图像进展图形、图像处置，能够从图像中提取成心义的目标并重建出三维模型为人们供给便利。与其他图像相较，生物切片图像具有颜色相近、灰度不均匀、边缘简单等特点，增加了图像分割的难度。常常使用的图像分割方式有阈值法、基于边缘的方式、基于区域生长的方式等。关于生物切片图像，传统的分割技术或失败，或需要特别的处置技术 。兴的数学形态学技术在滤波去噪、维持轮廓信息等方面有着明显的优势。因此，形态学常与分割方式相结合，如用形态学改进边缘检测成效，应用于生物组织的纹理分割I，和生物切片的交互式区域分割等。本文探讨形态

2、学与阈值方式相结合的模板法。以实现医学病理切片图像中真皮区域分割2.2 医学图像分割概述算法应用与争论图像分割是图像处置中的关键问题，散布的区域，取得的图像称为分割图像，能够给出如以以下图像分割的概念1】：它把图像分成假设干个依照一个或几个特点均匀表示的是区域信息。借助集合概念对图像分割令集合R代表整个图像区域，对R的分割能够看着将R分成N个知足以下五个条件的非空子集；lJRi=R f=lRin母=a，对全部的i和j，fJP(Ri)=TRUE，i-1，2一NP(RiA母)=FALSE，iJRf是连通的区域，i=l，2N条件指出在对一幅图像的分割应将图像中的每一个像素都分进某个子区域中；条件指出

3、在分割结果中各个子区域是互补重叠的；条件指出在分割结果中每一个子区域都有独特的特性；条件指出在分割结果中，各个子区域具有不同的特性，没有一起元素；条件指出分割结果中同一个子区域内的像素应当是连通的。医学图像中包括的内容很多，有些是临床诊断所关切的有效区域，称之为感爱好区域(Region Of Interest，ROI)，有些是不感爱好的四周环境区域，称之为不感爱好区域(Region Of Uninterested，ROU)。为了识别和分析医学图像感爱好区域，就必需将这些区域分别出来。在医学图像处置中，自动识别有特定意义的图像成份，解剖构造和其他感爱好的区域，是图像分割技术的一个全然任务。图像分

4、割技术极大的推动了可视化和特定组织构造处置的进展。而这往往是打算着整个临床和争论分析结果的关键一步。图像分割的争论连年来始终受到人们的高度重视，至今提出了各类类型的分割算法。在一个比较细致的分类里， Haralick和Shapiro将全部算法分为6类： 测度空间导向的空间聚类、单连续接区域生长策略、中心连接区域生长策略、 空间聚类策略和割裂归并策略。依据算法所利用的技术或针对的图像，Paltl3】也把图像分割算法分成了6类：阈值分割，像素分割、深度图像分割、彩色图像分割，边缘检测和基于模糊集的方式。可是，该方式中，各个类别的内容是有 重叠的。为了涵盖不断涌现的方式，有的争论者将图像分割算法分为

5、以下六 类t并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特别图像分割技术。而在较近的一篇综 述中，更有学者将图像分割简洁的分割数据驱动的分割和模型驱动的分割两类。2.3 基于边缘的图像分割所谓边缘是指其四周像素灰度有转变的那些像素的集合【11，边缘普遍存在于物体与背景之间、物体与物体之间、基元与基元之间。物体的边缘是由灰度的不持续所反映的。基于边缘的分割代表了一大类基于图像边缘信息的方式， 它是最先的分割方式之一，而且此刻仍旧是超级重要的。基于边缘的分割依托于由边缘检测子找到的图像边缘，这些边缘指示出了图像在灰度、颜色、纹理等方面不持续的

6、位置。然后再将这些不持续的边缘像素连成完整的边界。常常使用的边缘提取的算法有微分算子法、曲面拟合法、Hough变换法等。1微分算子法微分算子法是通过求图像一阶导数的极值点或二阶导数的零点来检测边缘。常常使用的一阶导数有Perwitt算子、Sobel算子、梯度算子，二阶导数算子有Kirch算子，拉普拉斯算子和Wallis算子等非线性算子。(1)Prewitt算子Prewitt算子不是直接差分，而是先平均再差分，其中X，Y的模板如下： r一1 0 11 rl 1 l 1Prewitt算子具有抑制噪声的力量，假设是模板更大些，那么抑制噪声加倍明显。(2)Sobel算子Sobel算子是先加权平均后再求

7、差分，其X，Y的模板如下：2.4 基于区域的图像分割基于区域的图像分割技术是以区域为对象【I”，依照罔像纹理特点、灰度值、换图像的特点等一起属性来划分图像区域。该方式给图像中的每一个像素都赐予一个类别属性，使具有预概念属性的像素聚拢在同类别中。常见的基于区域分割法有区域生长与割裂台并法、闽值法、聚类等。l区域生长和割裂台)二法区域生长的大体思想是将具有相像特性的像素归并到某个区域。第一为每一个需要分割的区域确信一个种子像素作为生长起点 (见图22)，然后按必定的生K准那么把它四周与其特性一样或相像的像素归并到种子像素所在的区域中，把这些像素作为种子连续生长(见图2_31，直到没有知足条什的像素

8、可被包括，这时一个区域就形成r。区域生长法所要解决的土要问题是区域生长准那么的设计。生K准那么往往和具体【0题有关，直接阻碍最终形成的区域，假设是选取不妥，就会造成过度割或欠分割的现象。医域生长法的优势是计算简洁，对1：较均匀的连通目标有较好的分割成效。它的缺点是需要人为确信种子点，H对噪声灵敏，呵能致使区域内有卒洞；另外，它是一种串行算法，当图像目标较大时，分割速度较慢，因此在设计算法时，要考虑尽可能提高效率。2 2设定种子置圈2-3生进步程F19 22 Settle t he poiat of seed Fig 23 proces s of growth 割裂台并法的大体思想是从整幅图像开

9、头通过小断割裂归并取得各个旺域。R代表整个正方形图像区域，P代表查验准那么，利川叫叉树表达割裂与归并算法如r：11对任意区域m假设是P(Ril=FALSE，就将其割裂为玎：重叠的四等分。2)对艄邻的两个I域彤和彤，假设是P(Riu彤)=TRUE，就将它们归并3蝴1小何个M域怕进步割裂和归并挪小gq能r，1ll|J分荆一柬。9这种方式对较简单图像的分割，成效比较好，但算法较简单、计算量大， 同时割裂还有可能破坏区域的边界。2阈值法阈值法是一种较常见的、并行的、直接检测区域的分割方式。该方式是基于对灰度图像的一种假设，即目标或背景内相邻像素间的灰度值是相像的，不同的目标或背景的像素在灰度上有不同的

10、，反映在直方图上，不同的目标或背景对应不同的峰值。阈值是指用于区分不同目标图像的灰度值。假设是图像中只有目标和背景两类，那么只需要选取一个阈值，称为单阈值分割 (如图24)， 这种方式是将图像中每一个像素的灰度值与该阈值进展比较，灰度值大于该阈值的像素为一类，而小于阈值的像素为另一类。假设是图像中有多个目标，就需要选取多个阈值将每一个目标分开，这种方式称为多阈值分割(如图24)。阈值阈值1 阈值2 灰度值图2-4阈值分割Fig 2-4 threshold segmentat ion阈值分割的优势有计算简洁、算法效率较高、速度快等，当不同类物体的灰度或其它特点值相差特地大时，能有效地对图像进展分

11、割。该方式常常常使用于医学图像中目标区域和背景区域的分割，如骨骼和皮肤等不I一组织的分割。阈值分割的缺点是关于灰度值或特点值相差不大的图像，往往难以取得准确的结果。另外，由于它仅仅考虑图像的灰度信息而不考虑图像的空间信息，对噪声比较灵敏，阻碍了分割的性能。针对阈值分割的缺点，在实际应用中通常将它与其它方式结合利用，如基于模糊理论的阈值分割等。3聚类聚类法是将图像空间中的像素用对应的特点空间点表示，通过将相像的特点点聚拢成团，然后再将它们映射到原图像空间，取得分割结果。而图像分割可看成是目标对象的分类问题，能够借助于模式识别中的模式分类技术。聚类算法包括K均值法、模糊C均值(FCM)法等。K均值

12、聚类，即众所周知的C 均值聚类，已经应用到各类领域。它的核心思想如下：先对当前的每一类求均值，然后按均值对像素进展从头分类 (将像素归入与均值最近的类)，对生成的类再迭代执行前面的步骤。模糊 C均值算法即众所周知的模糊ISODATA，是用隶属度确信每一个数据点属于某个聚类的程度的一种聚类算法。1973年， Bezdek提出了该算法，作为初期硬C均值聚类(HCM)方式的一种改进。聚类法一样需要训练集，该方式能够自动地将样本聚成相应的类别，是一种无监视 10的图像分割方式，普遍用于医学图像的组织分类。但是该方式需要有一个初始分割参数，初始参数对最终分类结果阻碍也比较大，另外，聚类法也没有考虑空间关

13、联信息，因此对噪声和灰度不均匀比较灵敏。2.5 基于特定理论的图像分割由于组织器官外形的不规那么性、人体解剖构造的简单性和个体之间的不同性，将一样的图像分割方式直接应用于医学图像分割，并非能取得抱负的分割成效。因此，最近几年来人们开头踊跃将其它学科学问引入到医学图像分割领域，如成立在随机进程、微分几何和模糊理论等根底上的模糊聚类法、形变模型法等，而且取得了必定的争论成效。将概念、方式特地是数学领域中提出的方式引入到图像分割领域中成为目前图像分割技术争论进展的趋 势。本文方式是承受基于图像区域的显著性操作思路。第一是用 Kmeans算法聚类的思想将图像进展区域分割，然后计算各个被分割区域的比照度

14、值，和区域在图像中位置的阻碍因子，计算出显著性值。最终确信目标区域。将其他的非显著性目标区域归并，最终取得分割结果。试验的结果说明关于大多数自然图像咱们的方式能取得较好的成效。Kmeans算法圆描述为给定一个数据集其中含有n个数据，生成聚类的个数设定为k。然后将这n个数据划分成为k个子集，分成的每一个子集就代表一个聚类，同一个聚类中数据间的距离较近而不同聚类数据间的距离较远。用中心值来表示每一个聚类。而中心值是由计算聚类中全部数据的平均值取得的。聚类与分类不同，聚类是一种无监视学习，不依托预概念的类和类标号。聚类分析不是去推测某一个结果，而是从输入中觉察特点。记录被分成类而且使得同一类中的记录

15、彼此相像，而不同的记录尽可能不同。初始分割进程如下：第一咱们输入一幅彩色图像。并将图像从RGB转化到lab彩色空间然后提掏出lab空间的a重量和b重量。依照两个重量进展Kmeans聚类最终取得各个分割区域。总结本文对医学应用领域中一些有代表性的图像分割方式做了一个比较全面的综述，并分析了几类方式的特点和局限性近几年来尽管仍旧有很多争论人员致力于医学图像分割的争论，发表了很多的争论成效，但由于问题本身的困难性，目前的方式多是针对某个具体任务而言的，尚未一个通用的解决方法医学图像分割方式的争论有四个显著的特点：1人们渐渐生疏到现有的任何一种单独的图像分割算法都难以对一样图像取得令人中意的分割结果，

16、因此在连续致力于将的概念、的方式引入图像分割领域的同时，加倍重视多种分割算法的有效结合，近几年来提出的方式大多数是结合了多种算法的实行什么样的结合方式才能表现各类方式的优势，取得好的成效成为人们关注的问题，这能够说是最近几年来人工智能领域中综合集成的方式论在图像分割领域的表现 2医学图像分割一样要用到医学中的领域学问，如心室的大致外形，颅内白质和灰质的含量和相对位置关系等等Tina Kapur将分割可用的医学领域学问归纳为四种【105：(1)是图像中不同对象的灰度散布情形，(2)是不同成像设备的特点， (3)是对象的外形特点即解剖学问， (4)是不同对象间的空间几何关系依照学问的不同表示方式，

17、通常将基于学问的分割方式分为基于规那么的方式和基于模型的方式3随着三维可视化技术的进展，医学图像的三维分割受到更多关注这是由于一样的图像中仅仅具有二维数据，即三维景物通过摄像机或其它成像设备取得的二维投影，而医学图像中那么直接给出了以二维切片形式组织的三维数据，这就为三维分割供给了可能有两种三维分割方式：一种是直接在三维数据空间中分割， 另一种是逐张切片进展分割4医学图像分割面对具体的临床应用，因此图像分割的准确性更为重要图像分割始终是一个很困难的问题，目前的自动分割方式尽管在一些方面取得了必定的成功，但还远远不能知足医学图像处置的实践中对分割结果准确性的要求因此，最近几年来由用户参与操纵、引导的交互式分割方式在医学图像分割中正受到愈来愈多的关注目前人们仍在连续争论更先进的成像技术和更简单的图像处置算法图像分割方式的争论与分析与影像数据的物理成像原理、图像形成和重构算法的关系更为严密，而且图像分割与其它图像处置分析任务(如图像增加、匹配、可视化)在识别对象结果和功能上是相关的，因此将它们结合起来假设同争论是以后争论的一种趋势另一方面，生物医学工程和运算机视觉领域的最争论成效也将阻碍和增进分割算法的争论另外，医学图像的分割算法的验证和评估方式仍需进一步争论总之，医学图像的分割算法的争论道路曲折而布满挑战万方.