劉 宇，陳 勝

(上海理工大學 光電信息與計算機學院,上海200093)

?

醫(yī)學圖像分割方法綜述

劉 宇，陳 勝

(上海理工大學 光電信息與計算機學院,上海200093)

醫(yī)學圖像分割方法與理論眾多，文中簡要介紹了基于邊界、閾值、區(qū)域增長、統(tǒng)計學、圖論、活動輪廓、信息論、模糊集理論、神經(jīng)網(wǎng)絡的醫(yī)學圖像分割方法，這些方法各有優(yōu)劣，部分已成為臨床基本的圖像分割技術。近年來許多學者對經(jīng)典的分割方法進行改良，通過多種分割方法結合，有效提高了分割的效率，或改進算法彌補原有分割方法缺陷。隨著計算機計算性能的提高，各種新的算法將不斷涌現(xiàn)。

醫(yī)學影像；圖像分割；神經(jīng)網(wǎng)絡

隨著醫(yī)學影像學設備的快速發(fā)展和普及，成像技術包括計算機斷層掃描、超聲、磁共振成像、正電子發(fā)射斷層掃描等，成為醫(yī)療機構開展疾病診斷、手術計劃制定、預后評估、隨訪不可或缺的設備。全世界每天都產(chǎn)生大量的醫(yī)學影像學信息，有報道顯示全世界醫(yī)學影像信息量占全世界信息總量的1/5以上[1]。醫(yī)學圖像處理是分析醫(yī)學圖像的首要步驟，有助于使圖像更加直觀、清晰，提高診斷效率，國內外都十分重視醫(yī)學影像處理[2]。圖像分割是圖像處理的重要環(huán)節(jié)，也是難點，是制約三維重建等技術應用的瓶頸性問題[3]。許多學者試應用數(shù)學、物理、光學、計算機等領域知識拓展醫(yī)學圖像分割的理論方法。

1 醫(yī)學圖像分割方法

目前國內外廣泛應用的醫(yī)學圖像分割方法有多種,根據(jù)分割特點的不同可分為：基于邊緣的圖像分割，基于區(qū)域的圖像分割，結合特定理論的圖像分割等。

1.1 基于邊界的醫(yī)學圖像分割方法

將圖像劃分為子圖，獲得二維圖像時，不可避免會存在邊界，邊界像素表現(xiàn)為灰度幅值的不連續(xù)。而顯現(xiàn)邊界的關鍵是邊界兩側像素特征存在明顯的差異，因此可以通過邊界進行子圖像劃分，實現(xiàn)圖像的分割[4]。過去，科研醫(yī)師與臨床工作者采用鼠標以及光筆等工具確定邊界，這種方法效率低、可重復性差、對主觀依賴性強。而利用計算機，通過特定的數(shù)學模型選擇合適邊界點，可極大的提高邊界分割效率，臨床上常通過確定目標物體的邊緣像素，利用一階導數(shù)的極數(shù)或者二階導數(shù)的過零點信息提取邊緣特征[5]。胸華暉等采集健康男性層間距為4 mm冠狀面頭頸部MRI圖像，采用距離正則化水平集圖像分割方法分割鼻腔邊界，采用插足算法可計算任意位置的鼻腔橫截面積，可方便的進行鼻腔結構三維重建[6]。人體中存在大量的二維三維信息，近年來3D成像技術應用越來越廣泛，基于邊界分割方法開始成為研究熱點。

1.2 基于閾值的醫(yī)學圖像分割方法

閾值是一種經(jīng)典的基于區(qū)域的并行分割技術，其將圖像像素點分為若干類，在腫瘤性疾病診斷中具有較高的應用價值。Taxt等將基于局部或全局信息的閾值設置技術定義為基于上下文和非上下文分割方法，按照分割區(qū)域方式又可分為局部閾值分割，或稱為自適應性閾值法[7]。閾值分割利用圖像灰度直方圖信息，計算量小，利于實現(xiàn)，但是易導致錯誤分割，同時未考慮空間信息，易受噪音等原因產(chǎn)生偽影，其主要作為一種預處理方法[8]。A.Varga-Szemes等試構建了一種基于心肌信號強度閾值的半自動心臟MRI分割法，并與常規(guī)基于輪廓的圖像分割方法進行比較，結果顯示閾值法耗時更短，其對EDV、ESW、SV、EF顯示低于常規(guī)方法，左心室質量高于常規(guī)方法，閾值法與主動脈血流測量的SV具有較好的一致性[9]。

1.3 基于區(qū)域增長分割方法

區(qū)域生長和分裂合并方法，是一種典型的串行區(qū)域分割方法，其根據(jù)用戶的預定義相似性函數(shù)，將圖像像素或者子區(qū)域聚合成為更大的區(qū)域。在實際應用中，區(qū)域增長法需要確定區(qū)域數(shù)目，選擇具有代表性的種子點，選擇有意義的特征，選擇停止的準則，計算方法簡單，區(qū)域算法的精髓是將圖像分類為多個相似的小區(qū)域，按照鄰接參考某種標準合并，對于連續(xù)的均勻的目標，如血管、實質性組織，具有較好的準確性、高效性。該法對噪音較敏感，更適合分割腫瘤、傷疤這些較小的結構[10]。國外提出許多自適應區(qū)域生長算法，該方法可自動優(yōu)化學習分割區(qū)域形狀特征同質性準則，魯棒性較好[11]。代雙鳳等基于3D區(qū)域增長法進行全肺分割，將連通域標記法、形態(tài)學方法相結合去掉氣管和主支氣管，得到初步的肺實質掩膜，最后采用凸包算法修補平滑，修補后的精確度較高[12]。

1.4 基于統(tǒng)計學的醫(yī)學圖像分割方法

從統(tǒng)計學的角度進行圖像分割是指將圖像的各個像素點特征值作為一種概率分布的隨機變量，從概率的角度來看，找出最應該得到圖像的某種組合，又可分為分類器、聚類、隨機場、混合分布等。以最常用的聚類分析為例，其余分類器算法類似，但無需訓練樣本，是一種無監(jiān)督的算法，通過迭代進行圖像分類，提取每一類的特征值，按照算法又可分為K均值、模糊C均值、期望最大化算法等[13]。周顯國等基于改進模糊聚類分析，對醫(yī)學腦部MRI圖像進行分割，利用圖像的直方圖作為模糊聚類的初始聚類中心，減少迭代次數(shù)，仿真算法證實其相較于標準的FCM算法以及其他算法，分割效果顯著提高[14]。利用統(tǒng)計學方法圖像分割方法較多，各有優(yōu)劣。

1.5 基于圖論的醫(yī)學圖像分割

基于圖論的圖像分割是一種新的分割技術，無需初始化，其可將圖像分割轉換為圖的最優(yōu)劃分問題，利用剪切標準得到最佳的分割策略，是一種全局準則，圖像分割的過程中是得到全局最優(yōu)解的過程[15]。Shi等提出歸一化割原則，Ng提出了NIW算法，后者是當前常用的譜分割算法之一[16]。崔寶霞等采用最小生成樹法對人肺部CT圖像進行分割，而后采用MC算法進行三維重建，實現(xiàn)了肺部的三維立體顯示，實驗仿真證實其快速有效，可明顯提高肺部CT 圖像三維重建效率、完整度，但該方法因為需要處理的數(shù)據(jù)較大，運行速度較慢，仍需要進行算法改進，以提高運行效率[17]。

1.6 基于活動輪廓模型的圖像分割方法

活動輪廓模型是由Kass等首先提出一種圖像分割技術，Gaselles等進一步發(fā)展了該技術，近年來開始用于視覺追蹤等其他領域?；谶吘壍幕顒虞喞つ岣鄄捎眠吘壨Ｖ购瘮?shù)，可分割邊緣化較明顯的圖像，對噪聲較敏感，其主要優(yōu)勢在于無需設置圖像的全局約束項，對于某些分割目標和背景不均勻的圖像分割效果較好[18]。最近Zhu等提出了一種基于活動輪廓模型的區(qū)域競爭分割方法，通過構建基于目標與區(qū)域背景的擬合圖像函數(shù)，可有效同時檢測目標和目標邊界[19]。趙立川等基于改進自仿射映射系統(tǒng)與參數(shù)活動輪廓的醫(yī)學圖像分割法，采用高斯濾波器對圖像進行平滑處理，計算小波系數(shù)，而后在每個小波尺度中定義一些自仿射映射，將小波尺度對應的子力疊加獲得自仿射能力，采用動態(tài)力公式引導Snake模型，仿真實驗顯示該算法分割性能好，可提高Snake模型對弱邊界、深凹陷區(qū)域的處理能力，其魯棒性較好，對于100%的噪聲級，算法擬合誤差度至少為40%[20]。

1.7 基于信息論圖像分割方法

信息論是旨在采用概率論、數(shù)數(shù)理統(tǒng)計方法并，將信息的傳遞視為一種概率事件，熵是信息論最基本的度量單位，醫(yī)學圖像分割便采用信息論中的熵理論進行，其定義為

(1)

其中，P(x)為隨機變量x的概率密度函數(shù)，處理醫(yī)學影像時x表示像素特征，如灰度、梯度等，通過求熵的極值可獲得最合適的分割閾值。目前最常用的方法為極小極大熵值公式分割算法，其將圖像灰度直方圖劃分為多個相互獨立的類，使各類熵總量最大，其具有全局客觀屬性，但收斂速度慢，計算量大，對噪聲較大、結構復雜的圖像分割效果不理想[21]。李愛菊等采用改進布谷鳥搜索算法最大熵值進行醫(yī)學圖像分割，采用最大熵值法找到圖像的分割目標函數(shù)，而后采用改進布谷鳥算法優(yōu)化函數(shù)，找到最佳的分割點，反正模式計算其解決了傳統(tǒng)最大熵值法缺陷，提高了分割的精度，具有較好的魯棒性[22]。

1.8 基于模糊集理論圖像分割

早在1965年模糊集概念被Zadeh提出，模糊集是指采用不準確的經(jīng)驗知識定義一個事件。模糊理論主要被用于模式識別領域，用于表示信息不完備、不確定、病態(tài)表示的不確定性，用于圖像分割技術又可分為模糊閾值分割、模糊聚類分割、模糊連接度分割等[23]。劉會明等嘗試基于模糊集理論，進行胸片圖像分割，并與傳統(tǒng)的區(qū)域生長法進行對比，證實模糊C-均值聚類算法效果較好，可準確的提取出肺部的輪廓，無需人工干預，避免了閾值設定問題，在圖像質量不佳的情況下，也能夠提取出感興趣的區(qū)域，分割性能有所提高[24]。

1.9 基于神經(jīng)網(wǎng)絡圖像分割

神經(jīng)網(wǎng)絡是當前醫(yī)學研究熱點，被廣泛用于計算機模擬診斷，大幅便利了疾病篩查工作。神經(jīng)網(wǎng)絡通過大量的具有自適應性的簡單單元組成相互連接的網(wǎng)絡模型，在處理醫(yī)學圖像時，可作為訓練分類器，來確定權重，其實質是一個分類以及標記圖像的過程中，按照拓撲結構又可分為前向神經(jīng)網(wǎng)絡、反饋網(wǎng)絡、自組織神經(jīng)網(wǎng)絡[25]。以自組織神經(jīng)網(wǎng)絡為例，其可通過輸入的紋理特征共生矩陣進行學習，客觀處理目標圖像的特征值。神經(jīng)網(wǎng)絡圖像分割將分割問題轉化為能量函數(shù)、分類等問題，通過訓練，可修正節(jié)點之間的連接關系以及權值，進而更好的對新的圖像進行分割，該分割方法需要大量訓練樣本[26]。李健等基于多尺度卷積神經(jīng)網(wǎng)絡嘗試對MRI腦腫瘤進行分割，通過多尺度輸入、多尺度下的采樣，克服腦腫瘤個體差異，自適應性不同圖層之間腫瘤大小位置差異，對30例患者進行模擬訓練結果顯示，Dice系數(shù)為83.11%，平均靈敏度為89.48%，平均陽性預測值為78.91%，分割精度明顯提高[27]。

2 結束語

除上述方法外，醫(yī)學圖像分割技術還包括基于小波分割[28]、基于數(shù)學形態(tài)分割[29]、圖譜引導論等[30]，不同分割方法各有優(yōu)劣，同時適用的對象也各不相同，考慮到計算機性能提高速度，目前研究更傾向于那些分割性能較好的算法，采用多種分割方法相結合，進行多次處理，是圖像分割方法研究的主要趨勢。

[1] 康曉東.醫(yī)學影像圖像處理[M].北京:人民衛(wèi)生出版社,2009.

[2] 田捷,包尚聯(lián),周明全.醫(yī)學影像處理與分析[M].北京:電子工業(yè)出版社,2003.

[3] 李翠芳,聶生東,王遠軍,等.改進的模糊聚類亞實質肺結節(jié)3維分割[J].中國圖象圖形學報,2013,18(8):1019-1030.

[4] 張效娟,劉技,王昊,等.Snake與多尺度分析的醫(yī)學圖像分割研究[J].計算機工程與應用,2011,47(18):207-209.

[5] Gong M,Liang Y,Shi J,et al.Fuzzy C-means clustering with local information and kernel metric for image segmentation[J].IEEE Transactions on Image Process,2013,22(2):573-584.

[6] 熊華暉,李永,李建紅,等.基于磁共振圖像的鼻腔邊界分割及解剖結構提取[J].生物醫(yī)學工程與臨床,2014,18(1):1-3.

[7] 劉慧,張彩明,鄧凱,等.改進局部自適應的快速FCM肺結節(jié)分割方法[J].計算機輔助設計與圖形學學報,2014,26(10):1727-1736.

[8] Shan J,Cheng H D,Wang Y.Completely automated segmentation approach for breast ultrasound images using multiple-domain features[J].Ultrasound in Medicine & Biology,2012,38(2):262-275.

[9] Varga-Szemes A,Museogiwi G F,Schoepf U J,et al.Clinical feasibility of a myocardial signal intensity threshold-based semi-automated cardiac magnetic resonance segmentation method[J].Europe Radiol,2016,26(5):1503-1511.

[10] 胡學剛,湯宏靜.一種改進的NGVF Snake模型[J].西南大學學報:自然科學版,2014,24(4):139-145.

[11] 王斌,李潔,高新波.一種基于邊緣與區(qū)域信息的先驗水平集圖像分割方法[J].計算機學報,2012,35(5):1067-72.

[12] 代雙鳳,呂科,翟銳,等.基于3D區(qū)域增長法和改進的凸包算法相結合的全肺分割方法[J].電子與信息學報,2016,38(9):2358-64.

[13] 張峰,黃芳,史振華.髙斯概率分布在心臟CT圖像分割中的應用[J].微計算機信息,2010,26(32):185-187.

[14] 周顯國,陳大可,苑森淼,等.基于改進模糊聚類分析的醫(yī)學腦部MRI圖像分割[J].吉林大學學報:工學版,2009,39(2):381-383.

[15] 錢生,陳宗海,林名強,等.基于條件隨機場和圖像分割的顯著性檢測[J].自動化學報,2015,41(4):711-724.

[16] 劉博,黃劍華,唐降龍,等.結合全局概率密度差異與局部灰度擬合的超聲圖像分割[J].自動化學報,2010,36(7):951-959.

[17] 崔寶俠,田佳,段勇.基于圖論分割的肺部CT圖像的三維重建[J].沈陽工業(yè)大學學報,2015,37(6):667-672.

[18] 龔勛,王國胤,李天瑞,等.基于混合能量活動輪廓模型的人臉分割方法[J].軟件學報,2013,23(4):623-638.

[19] Maska M,Danek O,Garasa S,et al.Segmentation and shape tracking of whole fluorescent cells based on the Chan-Vese model[J].IEEE Transactions on Medicine Imaging,2013,32(6):995-1006.

[20] 趙立川,高陽.基于改進自仿射映射系統(tǒng)與參數(shù)活動輪廓的醫(yī)學圖像分割算法[J].計算機應用研究,2016,34(3):34-38.

[21] 王順鳳,冀曉娜,張建偉,等.局部熵驅動的生物醫(yī)學圖像分割偏移場恢復耦合模型[J].計算機輔助設計與圖形學學報,2013,25(5):607-615.

[22] 李愛菊,鈕文良,王廷梅,等.改進布鳥搜索算法最大熵值的醫(yī)學圖像分割[J].計算機仿真,2014,31(8):421-424.

[23] 金丹青.基于馬爾可夫隨機場的圖像分割方法研究[J].寧波教育學院學報,2012(1):51-55.

[24] 劉會明.基于模糊集理論的胸片圖像分割研究[J].科技信息,2011(14):113-116.

[25] 衛(wèi)嬌,郝永強,藍寧,等.基于BP神經(jīng)網(wǎng)絡的CT圖像骨皮質分割[J].醫(yī)用生物力學,2012,27(2):227-232.

[26] 金春蘭,黃華,張國芳,等.基于多重分形譜和自組織神經(jīng)網(wǎng)絡的醫(yī)學圖像分割[J].中國組織工程研究與臨床康復,2010,14(13):2365-2367.

[27] 李健,羅蔓,羅曉,等.基于多尺度卷積神經(jīng)網(wǎng)絡的磁共振成像腦腫瘤分割研究[J].中國醫(yī)學裝備,2016,13(2):25-28.

[28] 馬春.基于小波變換和改進的FCM算法的醫(yī)學CT圖像分割法[J].安慶師范學院學報,2016,2(2):33-38.

[29] 孔令偉,崔志新,王瑜.MRI三維重建及旋轉分割法對膝關節(jié)骨性關節(jié)炎患者半月板形態(tài)、位置變化的臨床對比研究[J].中國臨床解剖學雜志,2015,33(4):408-420.

[30] 溫銳,陳宏文,張雷,等.基于引導濾波的多圖譜醫(yī)學圖像分割[J].南方醫(yī)科大學學報,2015,35(9):1363-1267.

Review of Medical Image Segmentation Method

LIU Yu，CHEN Sheng

(School of Optical Electrical and Computer Engineering,University of Shanghai for Science and Technology，Shanghai 200093,China)

There are many methods and theories in Medical image segmentation. This paper briefly introduces the medical image segmentation method that based on boundary, threshold, region growing, statistics, graph theory, active contour, information theory, fuzzy set theory and neural network. Each of these methods has its advantages and disadvantages, and some of them even have became the basic image segmentation technology in clinical trials. In recent years, many scholars have improved the classical segmentation method. The efficiency of the segmentation was effectively improved through the combination of a variety of segmentation methods or the defects of the original segmentation method are offset by improved algorithm, with the improvement of computer performance, various new algorithms will continue to emerge.

medical image;image segmentation;neural network

2016- 10- 17

劉宇(1993-)，女，碩士研究生。研究方向：醫(yī)學圖像處理與分析。陳勝(1976-)，男，博士，教授。研究方向：醫(yī)學圖像處理等。

10.16180/j.cnki.issn1007-7820.2017.08.047

TP391.41

A

1007-7820(2017)08-169-04