医学图像分割方法综述

医学图像分割方法综述背景图像分割是什么？用以区分物体和背景的图像处理工具对输入图像进行计算将图像划分到一个统一的区域中为什么要进行图像分割？获得对图像进一步处理的数据用分割图像进行建模在医学图像中获得感兴趣的区域实质3-D重建预处理和后处理指导图像内部处理医学图像分割医学图像：CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI、Ultrasound（超声）及其它医学影像设备所获得的图像；特殊性：成像复杂、干扰繁多、个体多样性现状：方法多，没有统一的标准图像分割相似性两者结合其他阈值法区域生长和分裂合并分类器和聚类基于神经网路基于模糊集理论统计学区域分割基于数学形态学不连续并行微分算子曲面拟合串行边界查找形变模型边缘检测阈值法原理：。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。单阈值，多阈值。优点:实现简单，对不同类灰度值或其他特征相差很大时，能有效分割。常做医学图像的预处理。缺点：不适应多通道和特征值相差不大的图像；对噪声和灰度不均匀很敏感；阈值选取困难。直方图•图像区域由灰度值区分开基于阈值的图像分割阈值：•选择灰度值作为阈值•遍历整幅图像检测像素是否在此区域内maxmingg和基于阈值的图像分割阈值的选择通过图像的直方图来定义阈值（每一个峰值代表一个物体）选择两个峰值的中间值作为阈值缺点对于每幅图像都要人为选择阈值example区域生长和分裂合并原理：区域生长的基本思想是将相似性质的像素集合起来构成区域；首先选择一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。研究重点一是特征度量和区域增长规则的设计，二是算法的高效性和准确性。缺点：需要人工交互以获得种子点；对噪声敏感，导致抽取出的区域有空洞。原理：分裂合并的思想将图像先看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。研究重点是分裂和合并规划的设计。缺点：分裂技术破坏区域边界。example•在想要分割的部分选择一个或者多个种子•相邻像素就会以某种算法进行检测•将符合检测条件的像素加入到区域中•逐渐生长为满足约束条件的目标区域分类器原理：分类是模式识别领域中一种基本的统计分析方法。分类的目的利用已知的训练样本集在图像的特征空间找到点（1D）、曲（2D）、曲面（3D）或超曲面（高维），从而实现对图像的划分。分类器又分为两种：非参数分类器和参数分类器。优点：(1)不需要迭代运算，因此计算量相对较小。(2)能应用于多通道图像。缺点：未考虑空间信息，对灰度不均匀图像分割效果不好；需手工分类生成训练集，而手工分类工作量很大；未考虑解剖结构的个体差异，会产生误差。聚类原理：聚类算法与分类器算法极为类似，只是它不需要训练样本，因此聚类是一种无监督的(unsupervised)统计方法。从某种意义上说，聚类是一种自我训练的分类。其中，K均值、模糊C均值(FuzzyC-Means)、EM(Expectation-Maximization)和分层聚类方法是常用的聚类算法。缺点：聚类分析不需要训练集，但是需要有一个初始分割提供初始参数，初始参数对最终分类结果影响较大。其次，聚类也没有考虑空间关联信息，因此也对噪声和灰度不均匀敏感。统计学方法原理：统计学方法中最常用的一种是将图像看作一个马尔科夫随机场MRF。统计学方法的实质是从统计学的角度出发对数字图像进行建模，把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量。从观察到的图像中恢复实际物体或正确分割观察到的图像从统计学的角度看就是要找出最有可能即以最大的概率得到该图像的物体组合来。从贝叶斯定理的角度看，就是要求出具有最大后验概率的分布。难点：参数的选择、计算量大MRF模型常被用于估计和校正核磁图像中的局部体效应和强度不均匀现象。MRF经常与聚类分割方法结合使用，比如K均值方法，用以提高聚类算法对噪声的鲁棒性。边缘检测基于边缘的分割方法可以说是人们最早研究的方法，基于在区域边缘上的像素灰度值的变化往往比较剧烈，它试图通过检测不同区域间的边缘来解决图像分割问题。串行边缘检测：要想确定当前像素点是否属于欲检测边缘上的一点，取决于先前像素的验证结果。并行边缘检测：一个像素点是否属于检测边缘上的一点取决于当前正在检测的像素点以及该像素点的一些相邻像素点。边缘检测•如何确定某一个像素在边缘呢？边缘是变化发生的地方理想数字边缘模型斜坡数字边缘模型一阶倒数二阶倒数图像梯度yfxff•一幅图像的梯度•梯度的方向•边界强度如何得到每个像素的梯度Roberts算子、Prewitt算子、Sobel算子、Canny算子等Sx=(I(i-1,j+1)-I(i-1,j-1)+2*I(i,j+1)-2*I(i,j-1)+I(i-1,j-1)-I(i+1,j-1))/8Sy=(I(i-1,j-1)-I(i+1,j-1)+2*I(i-1,j)-2*I(i+1,j)+I(i-1,j+1)-I(i+1,j+1))/8Sobel算子简介：exampleOriginalsobelcanny并行微分算子原理：对图像中灰度的变化进行检测，通过求一阶导数极值点或二阶导数过零点来检测边缘。阶导数算子有梯度算子、Prewitt算子和Sobel算子，二阶导数算子有Laplacian算子，还有Kirsch算子和Wallis算子等非线性算子。缺点：对噪声敏感，因此在求导前先对图像进行滤波。原图阈值处理边缘检测起始点终止点不是边界上所有的点都要提取，而只是提取其中一部分。提取的点能够基本带便边界的走向。pt1x1,y1pt2x2,y2x3,y3pt3…xn,ynptn储存分割点的矩阵：重建拟合exampleSobel算子100200300400500600100200300400500600100200300400500600100200300400500600基于曲面拟合的方法原理：这种方法的基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，然后根据该曲面来决定边缘点。一维曲面来拟合局部窗口中的数据：先估计该窗口中的边缘方向，再用该方向上的一维曲面来拟合数据，决定边缘点。二维三次多项式来拟合小窗口内的图像数据：为得到该多项式的系数，他先用离散正交多项式的线性组合来拟合数据，求得线性组合的系数后在据以得到三次多项式的系数；然后，求该多项式的二阶方向导数，以其过零点来决定边缘点。串行边界查找原理：串行边界查找方法通常是查找高梯度值的像素，然后将他们连接起来形成曲线表示对象的边缘。串行边界查找方法在很大程度上受起始点的影响，以前检测像素的结果对下一像素的判断也有较大影响。缺点：如何连接高梯度像素，因为在实际图像中它们通常不相邻；噪声影响。基于形变模型的方法简介：基于形变模型的方法综合利用了区域与边界信息，是目前研究最多、应用最广的分割方法。他们通过使用从图像数据获得的约束信息（自底向上）和目标的位置、大小和形状等先验知识（自顶向下），可有效地对目标进行分割、匹配和跟踪分析。从物理学角度，可将形变模型看成是一个在施加外力和内部约束条件下自然反应的弹性物体。分类：形变模型包括形变轮廓(deformablecontour)模型（又称snake或activecontour），三维形变表面（deformablesurface）模型。形变轮廓模型：使轮廓曲线在外能和内能的作用下向物体边缘靠近，外力推动轮廓运动，而内力保持轮廓的光滑性。形变表面模型：以更高效、更快地利用三维数据，而且更少地需要用户交互或指导。优点：能够直接产生闭合的参数曲线或曲面，并对噪声和伪边界有较强的鲁棒性。还有一些形变模型利用了形状先验知识和标记点集合（pointsets）等先验知识可以使分割结果更为健壮和准确。缺点：参数形变模型的固定参数与内部能量约束限制了其几何灵活性，不能随意改变拓扑形状，并且对初始形状敏感。改进：提高算法自动化程度，同时维持形变模型的原有优点；气球理论，梯度矢量流（GVF）概念等。Snakefunction221()||()||)(())2snakesssimagesEsvsvEvsdsa代表弹性势能b代表弯曲能exampleDeformationinprogress,iter=10traditionalforceFinalresult,iter=10example基于结合区域和边界技术的方法简介：基于区域的分割方法往往会造成过度分割，即将图像分割成过多的区域。人们往往将基于区域信息的方法与别的方法，主要是边缘检测的方法结合起来，研究结合区域与边界技术的方法。采用什么方式结合，怎样结合才能充分发挥各自的优势，获得好的分割结果是研究的重点。途径：先用基于区域的分裂合并方法分割图像，然后用边界信息对区域间的轮廓进行优化；先在梯度幅值图像中检测屋脊点和波谷点,通过最大梯度路径连接奇异点获得初始图像分割，然后采用区域合并技术获得最终结果等其它分割方法基于模糊理论:图像分割问题是典型的结构不良问题，而模糊集理论具有描述不良问题的能力。基于模糊理论的图像分割方法包括模糊阈值分割方法、模糊聚类分割方法和模糊连接度分割方法等。基于神经网络（ANN）：神经网络模拟生物特别是人类大脑的学习过程，它由大量并行的节点构成。每个节点都能执行一些基本的计算。学习过程通过调整节点间的连接关系以及连接的权值来实现。方法是将图像分割问题转化为诸如能量最小化、分类等问题，从而借助神经网络技术来解决问题，其基本思想是用训练样本集对ANN进行训练以确定节点间的连接和权值，在用训练好的ANN去分割新的图像数据。基于数学形态学：大多数系统都采用形态学算子来对图像进行预处理或后处理，如形态学分水岭算法等总结分割评估：很重要，但目前还没有一个广泛接受的分割好坏评价标准。目前人们仍在继续研究更先进的成像技术和更复杂的图像处理算法。图像分割方法的研究与分析其物理成像原理、图像形成和重构算法的关系更为密切，而且图像分割与其他图像处理分析任务（如图像增强、匹配、可视化）在识别对象结果和功能上是相关的，因此将他们结合起来共同研究是未来研究的一种趋势。