何灝 伍祥 朱偉杰

摘要：腦腫瘤圖像的精確分割是腦腫瘤疾病診斷和治療的關(guān)鍵核心技術(shù)。針對腦腫瘤圖像嚴重灰度不均勻，紋理不穩(wěn)定和多樣性復(fù)雜性的特點，該文分析了多種新穎有針對性的算法去分別解決這些問題，并著重分析了基于水平集方法的驅(qū)動的水平集模型，用于分割復(fù)雜多模態(tài)腦腫瘤圖像;最后將多模態(tài)腦腫瘤圖像分割的挑戰(zhàn)和問題進行了總結(jié)。

關(guān)鍵詞：腦腫瘤圖像;精確分割;水平集方法;機器學(xué)習(xí)

中圖分類號：TP391.4 文獻標(biāo)識碼：A

文章編號：1009-3044（2020）08-0188-04

1 研究意義

腦腫瘤是指發(fā)生于顱腔內(nèi)的神經(jīng)系統(tǒng)腫瘤，在人群中，腦腫瘤發(fā)病率很高。據(jù)調(diào)查，腦腫瘤的發(fā)病率為7.8/10萬人至12.5/10萬人[1]。腦腫瘤可發(fā)生于任何年齡，以20-50歲年齡組多見。由于顱內(nèi)腫瘤發(fā)生于有限的顱腔容積內(nèi)，無論良性還是惡性腫瘤，占位效應(yīng)本身就可以壓迫腦組織并造成功能損害，甚至威脅生命。

近年來，隨著環(huán)境污染的加劇、生活壓力的增大以及遺傳因素的影響，腦腫瘤的發(fā)病率呈逐年上升的趨勢。最新的腫瘤流行病學(xué)調(diào)查研究表明[2]，腦腫瘤發(fā)病率約占全身腫瘤發(fā)病率的1.4%，死亡率超過2.4%。值得注意的是，據(jù)美國國立衛(wèi)生健康研究院的美國國立癌癥研究中心2014年的最新調(diào)查表明，如圖1所示，近半個世紀以來，腦腫瘤疾病的生存年限基本上沒有太多提高。腦腫瘤已經(jīng)成為危害人類生命健康的殺手。

腦腫瘤的臨床表現(xiàn)多種多樣，早期癥狀有時不典型，臨床表現(xiàn)多樣而且復(fù)雜，而當(dāng)腦腫瘤的基本特征均已具備時，病情往往已屬晚期。近年來，隨著計算機成像技術(shù)的不斷發(fā)展，各種模態(tài)的成像方式（計算機斷層攝影（Computed Tomography，CT）和磁共振成像（Magnetic Resonance Imaging，MRI》的出現(xiàn)使得計算機輔助診斷漸漸成為一種重要且必要的手段。CT和MRI的應(yīng)用大大提高了腦腫瘤的診斷能力，也使得腦腫瘤的臨床治療效果得到了改善。

然而在計算機輔助診斷和治療過程中，腦腫瘤的精確分割是一項具有重要意義且非常緊迫的任務(wù)。首先，對精確放療的重要性;對于尚未廣泛轉(zhuǎn)移的腫瘤患者，目前普遍采用的是基于圖像引導(dǎo)的放射療法[34]。這種療法需要依據(jù)患者的斷層圖像來定位腫瘤邊界和危及器官，并據(jù)此計算患者體內(nèi)的放射劑量分布，制定放療計劃。為了避免危及正常器官從而延長病人生存期甚至治愈腦腫瘤，對腦腫瘤病人的精確放療是至關(guān)重要的。然而，精確放療的前提是通過精確的分割腦腫瘤規(guī)劃出理想的靶區(qū)。其次，對構(gòu)建放射組學(xué)的重要性;放射組學(xué)即通過分析大量的定量特征從而廣泛的量化腫瘤的表型[26]，其處理流程如圖2所示，分為圖像的獲取，分割，特征提取和量化以及最終分析，由于需要對腫瘤進行特征提取和量化，所以有效的腦腫瘤圖像分割是特征提取和數(shù)據(jù)分析的基礎(chǔ)，同時也是整個放射組學(xué)中非常重要和挑戰(zhàn)性的環(huán)節(jié)。由于不同的病人在腫瘤圖像上展示的不同的紋理，形狀，灰度變化等差異性特征，通過對大量的多模態(tài)圖像特征的分析，放射組學(xué)研究聚焦在改進醫(yī)學(xué)成像的數(shù)據(jù)分析能力和提供了比醫(yī)學(xué)專家更多和更好的信息[12]。通過對放射組學(xué)的構(gòu)建和研究，可以進一步地通過算法手段分析和有針對性的治療腫瘤疾病。最后，在國際醫(yī)學(xué)領(lǐng)域的重要性，2011年美國基因組學(xué)與生物醫(yī)學(xué)界的智庫發(fā)表了《邁向精準醫(yī)學(xué)：建立生物醫(yī)學(xué)與疾病新分類學(xué)的知識網(wǎng)絡(luò)》[8];2013年8月國際放射學(xué)會在北京舉辦了展望未來五年醫(yī)學(xué)技術(shù)的發(fā)展論壇：確定了精準醫(yī)學(xué)是未來五年醫(yī)學(xué)影像的發(fā)展方向。由此可見，精確分割腦腫瘤已經(jīng)被廣泛提及并且逐漸成為國際醫(yī)學(xué)領(lǐng)域的研究熱點及目標(biāo)。

目前，檢測和診斷腦腫瘤疾病已經(jīng)是相對容易做到的，但是精確地分割腦腫瘤仍然是腦腫瘤臨床治療領(lǐng)域的一項國際難題。目前，醫(yī)院在制定放療計劃時普遍采用手工勾畫的方式來確定放療靶區(qū)。然而，手工勾畫存在諸多弊端：一方面，由于病人的圖像往往多達上百個斷層月中瘤也可能轉(zhuǎn)移至若干處，這直接導(dǎo)致醫(yī)生的篩查過程非常耗時;另一方面，由于惡性腫瘤的侵入性生長在圖像中（例如，鼻咽部腫瘤的CT圖像）邊界并不明顯，醫(yī)生在勾畫此類圖像時，需要結(jié)合腫瘤生長造成的解剖結(jié)構(gòu)變化來勾勒大致的腫瘤邊緣。同時，醫(yī)生在診斷腦腫瘤時，存在一定差異。不同醫(yī)生對同一個病人的腦腫瘤圖像，或是同一個醫(yī)生在不同時期對同一個病人的腦腫瘤圖像的分割結(jié)果存在一定的差異。如圖3所示[3]，針對同一幅腦腫瘤圖像，四個腫瘤專家分別給出了不同的腫瘤輪廓，由此可見，手工勾畫過程枯燥、困難耗時，并帶有一定的主觀性，重復(fù)性差。進一步，利用計算機技術(shù)對腦腫瘤進行有效分割，越來越受到人們的重視。研究腫瘤圖像的精準的分割方法，為腫瘤靶區(qū)的勾畫提供快捷、且重復(fù)性較高的方案，成為圖像引導(dǎo)放療技術(shù)領(lǐng)域的一個重要研究分支。

腦腫瘤圖像的精確分割的研究難點體現(xiàn)在：1）從腫瘤本身特點來講，由于腫瘤產(chǎn)生和生長的病理過程不可預(yù)測，腫瘤形狀無規(guī)律，邊界不規(guī)則，甚至腫瘤內(nèi)部出現(xiàn)灰度不均勻的情況，同時也存在圖像采集過程中引入噪聲等因素腫瘤圖像的分割依然具有挑戰(zhàn)性。2）從使用的圖像數(shù)據(jù)方面來講，對于單模態(tài)圖像來講，由于成像設(shè)備的場偏移效應(yīng)、患者體位的移動以及感興趣區(qū)域的解剖結(jié)構(gòu)形狀的復(fù)雜性和易變性，使得解剖結(jié)構(gòu)的邊界變得不明確和不連續(xù);所以，單模態(tài)圖像能提供的診療信息非常有限。雖然在多模態(tài)聯(lián)合分割時，對于單個模態(tài)的圖像而言，上述的圖像采集誤差并不會消失，但通過合適的策略充分利用各模態(tài)中有用的信息，就能夠得出比采用單模態(tài)分割更精確的結(jié)果。如何充分融合這些不同模態(tài)醫(yī)學(xué)圖像的有效信息成為多模態(tài)聯(lián)合分割方法中需要解決的重要問題。3）從腦腫瘤分割的實際問題分析，雖然分割方法眾多，但是MRI腦腫瘤圖像分割還是沒有擺脫出具體任務(wù)具體分析的局面，沒有形成一個通用的解決方法[18]。

2 方法闡述

目前常用的圖像分割方法大致分為以下五大類：基于閾值的方法，基于邊緣檢測的方法，基于區(qū)域生長的方法，基于圖割的方法和基于彈性模型的方法。然而傳統(tǒng)的醫(yī)學(xué)圖像分割方法有基于閾值和區(qū)域生長這類簡單的圖像分割方法，也有基于統(tǒng)計形狀模型（ASM）[19]和圖割（Graph Cut）[20]這類較復(fù)雜的分割方法?；陂撝档姆椒ㄖ饕抢靡粋€或多個閾值[25]對圖像區(qū)域進行劃分，然而，由于閾值法僅僅利用圖像的部分信息：例如灰度，梯度等，不能利用多模態(tài)圖像的盡可能多的信息，因此，閾值法的分割能力是非常有限的?；趨^(qū)域生長的方法通過預(yù)定義的相似度準則對鄰域像素進行融合，從而不斷的組成新的區(qū)域以便分割整個圖像，由于腦腫瘤圖像的嚴重灰度不均勻性等特點使得理想的相似度準則難以成形。例如，Doyle等人[9]提出了自動的腦腫瘤分割方法，用隱馬爾科夫模型來估計像素之間空間關(guān)系，并將其作為先驗信息用于指導(dǎo)目標(biāo)分割。然而由于腦腫瘤的侵入性生長等特點使得單純的灰度統(tǒng)計或者像素關(guān)系并不足以辨別目標(biāo)和背景區(qū)域。基于主動形狀模型的方法有其特有的優(yōu)勢：通過提取和分析形狀特征，然后在形狀特征的約束下對目標(biāo)進行分割，然而，由于腦腫瘤的多樣性，形狀不穩(wěn)定性導(dǎo)致了很難訓(xùn)練出一種或幾種理想的形狀特征對目標(biāo)邊界進行約束?；趫D割的算法通過分析圖的最小割問題而實現(xiàn)圖像分割，這類算法的主要思想是將圖像看成是由點和邊組成的一幅連接圖，通過能量函數(shù)的優(yōu)化算法對邊進行切割使得連在一起的點之間的相似度最高，由于腦腫瘤圖像本身的復(fù)雜性，包括紋理不穩(wěn)定等特點，使得圖割的方法在腦腫瘤分割中實用性不高。例如，Sarah等人[7]提出一種基于圖方法的腫瘤分割和配準框架，其中，利用離散馬爾科夫隨機場去模擬分割過程，通過模式分類技術(shù)對圖像進行分割。然而，如何更好地提取圖特征在文章中沒有研究。基于彈性模型的方法主要是指基于能量泛函的方法（比如水平集方法等）去自動的檢測腦腫瘤邊界。水平集方法用于圖像分割具有以下優(yōu)勢：1）有堅實的數(shù)學(xué)基礎(chǔ)作為理論支撐;2）通過最小化能量泛函能夠?qū)崿F(xiàn)閉合曲線的自由拓撲;3）通過在能量泛函中施加約束項和先驗信息項等可以改進水平集方法的分割準確度。因此，近年來，水平集方法已經(jīng)廣泛應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域。水平集方法主要分為兩大類：邊緣型和區(qū)域型水平集方法，Cassel等人[28]提出的測地主動輪廓模型是最典型的邊緣型水平集方法之一。邊緣型方法主要依賴圖像的邊緣特征包括梯度等信息去檢測目標(biāo)邊緣，所以使得這類方法有明顯的缺點：不適用于邊界不清晰的圖像。同時，由于區(qū)域型水平集方法具有較強的捕捉灰度信息的能力且不依賴與邊緣信息從而使其逐漸成為研究熱點。區(qū)域型水平集方法分為全局型，局部型和混合型模型。Chan等人[27]提出的Chan-Vese模型作為最經(jīng)典的全局區(qū)域型水平集模型使其成為局部型和混合型區(qū)域型水平集方法的一個重要基礎(chǔ)。這時，研究者提出了許多局部區(qū)域型水平集方法解決灰度不均勻的問題，Darolti等人[36]通過在水平集演化輪廓周圍的局部鄰域上定義局部區(qū)域描述器從而盡可能地避免灰度分布的重疊，從而用來分割灰度不均勻圖像。Lankton等人[35]提出了在水平集的演化輪廓邊緣的局部區(qū)域內(nèi)分別擬合目標(biāo)和背景區(qū)域的框架，使得幾類全局水平集方法均可套用此框架從而有效的分割一些灰度不均勻圖像;進一步，研究者通過區(qū)域尺度擬合[13]或者灰度不均勻矯正的方法[14]能夠解決由光照或設(shè)備因素引起的醫(yī)學(xué)圖像的灰度不均勻問題;隨著愈加緊迫的腦腫瘤分割的必要性以及挑戰(zhàn)性，通過分別提出了基于高斯分布的局部灰度不均勻擬合[15]和校正的方法[16]，以便于解決腦MRI圖像的復(fù)雜灰度干擾和大腦區(qū)域的精確分割問題;此外，以區(qū)域型水平集模型為基礎(chǔ)，研究者們提出了許多分割帶有紋理特征的圖像的方法，如Sandberg等人[29]提出了將Gabor濾波器特征融人區(qū)域型水平集模型中分割紋理圖像;Rousson等人[31]利用結(jié)構(gòu)張量來提取一定方向的紋理特征從而借助水平集分割紋理圖像;Imen等人[30]利用多種紋理特征包括灰度共生矩陣，Gabor變換等去分割紋理圖像;由于這些方法主要是依賴Gabor，結(jié)構(gòu)張量，灰度共生矩陣等算子提取紋理特征，分割效果主要依賴算子對紋理特征的處理效果。所以，針對復(fù)雜紋理圖像，分割效果一般不魯棒。如Wang等人[32]提出的LCV模型通過為全局項和局部項分別制定權(quán)重系數(shù)從而對兩項進行融合。Wang等人[33]提出了一種張量水平集方法，通過構(gòu)造張量的Chan-Vese模型的方式對多類不同的特征進行了簡單的融合。Guo等人[10]提出了一種基于水平集方法的半自動的分割方法，人工將初始輪廓的位置放置于腦腫瘤輪廓的附近，借助邊緣型和區(qū)域型水平集的構(gòu)造思想，同時利用局部和全局相結(jié)合的原則構(gòu)建水平集能量泛函，通過最小化能量泛函得到最終的分割結(jié)果。Sha-heen等人[5]首先提取圖像的紋理，形狀和灰度等多種特征，這時在水平集方法的基礎(chǔ)上通過期望最大化方法解決多特征的融合問題，從而達到分割多模態(tài)的腦腫瘤。以上兩種方法都類似一種簡單的累加方式的融合，并不能通過直觀或定量分析的方式對多項多特征進行有效的融合。然而，怎樣使得融合的特征具有互補性是其沒有解決的關(guān)鍵問題。尤其值得注意的是，隨著近來比較流行的機器學(xué)習(xí)算法在圖像處理領(lǐng)域的應(yīng)用，水平集方法也已廣泛地與稀疏表達等方法相結(jié)合，從而達到更加準確的分割結(jié)果。低秩表達已開始用在復(fù)雜自然圖像的分割中解決一些基于統(tǒng)計分析的圖像分割問題[23]。稀疏表達以其特有的維數(shù)約減能力，使其高效地對圖像區(qū)域進行劃分[24]。Wang等人[17]提出了半監(jiān)督的分割方法，通過事先確定一些紋理塊作為訓(xùn)練樣本，這時借助稀疏表達的方法對數(shù)據(jù)進行訓(xùn)練，而后進行有效的分類以便驅(qū)動水平集的輪廓演化。這類方法通過統(tǒng)計局部直方圖的信息等特征，一方面沒有針對性的多特征的提取和多特征訓(xùn)練學(xué)習(xí);另一方面缺乏有效的融合。所以，對于具有嚴重干擾，灰度不穩(wěn)定的復(fù)雜腦腫瘤圖像時無效的。

綜上所述，（1）腦腫瘤圖像的嚴重灰度不均勻已經(jīng)成為阻礙準確分割的一大障礙，通過利用局部信息的灰度不均勻矯正方法，傳統(tǒng)的水平集方法能夠在一定程度上使圖像近似灰度均勻。然而，鑒于腦腫瘤圖像的嚴重灰度變化，邊界輪廓不連續(xù)和部分區(qū)域灰度不穩(wěn)定等特點，使傳統(tǒng)的水平集方法已不能準確矯正灰度不均勻效果;（2）由于腦腫瘤圖像的紋理特征的不穩(wěn)定性，尺度和方向的不確定性等特點，導(dǎo)致僅僅通過現(xiàn)有的靜態(tài)圖像分析確定的紋理模式是很困難的。（3）雖然水平集方法在圖像分割領(lǐng)域已經(jīng)體現(xiàn)出強大的優(yōu)勢，但是現(xiàn)有的每種算法都有著一定局限性且在分割一般圖像時都難以取得比較滿意的結(jié)果，所以，當(dāng)前的趨勢是注重多種分割算法的一起使用，有效結(jié)合多種算法的優(yōu)點;（4）如何更好地提取單個模態(tài)圖像中圖像的特征，如何設(shè)計分割框架，充分利用多特征，多種算法之間信息的互補性，以更高精度的實現(xiàn)分割。即雖然多種算法或多項的使用是復(fù)雜圖像分割的研究趨勢，但是有效地對多項，多特征進行融合是多項方法能否成功分割的關(guān)鍵。

3 結(jié)論

第2部分，本文詳細分析了各種分割方法解決多模態(tài)腦腫瘤圖像的研究現(xiàn)狀，針對以上的問題和挑戰(zhàn)，多模態(tài)腦腫瘤圖像的分割更應(yīng)該聚焦于先進的研究算法與水平集的結(jié)合來解決復(fù)雜腦腫瘤圖像的分割問題，未來的研究應(yīng)該集中在以下幾點：1）將自適應(yīng)多尺度算法應(yīng)用到水平集泛函中，該算法能夠針對不同的灰度不均勻程度確定相應(yīng)局部處理尺度，最大限度上抑制圖像的灰度不均勻效應(yīng)，從而能夠自適應(yīng)的解決一些腦腫瘤侵入性生長等特點所造成的嚴重灰度不均勻問題;2）使用動態(tài)紋理的特征提取以及處理方式解決靜態(tài)紋理圖像的分割問題;傳統(tǒng)的紋理特征模式，比如灰度變化信息，紋理基元，鄰域變化模式等，很難準確辨識復(fù)雜的靜態(tài)腦腫瘤圖像的腫瘤區(qū)域和正常組織，一方面沒有足夠的模式進行分析和訓(xùn)練，另一方面缺乏模式的全面性;我們提出用動態(tài)的紋理模式解決靜態(tài)腦腫瘤圖像的分割問題。由于動態(tài)紋理主要針對不穩(wěn)定的紋理特征包括不穩(wěn)定的尺度，方向等特征，從而能夠有效地解決多模態(tài)腦腫瘤圖像的紋理特征不穩(wěn)定性的問題;3）基于訓(xùn)練的方式指導(dǎo)水平集輪廓演化，傳統(tǒng)方法已經(jīng)采用，然而重點在于不但要關(guān)注將新穎的有針對性的學(xué)習(xí)方式包括訓(xùn)練密度，邊緣和紋理等應(yīng)用到水平集中，而且著重利用深度學(xué)習(xí)算法提取由復(fù)雜腦腫瘤圖像的灰度，紋理，形狀等的不穩(wěn)定特點所造成的復(fù)雜多層次特征;由于新興的機器學(xué)習(xí)方法（例如，深度學(xué)習(xí)和低秩表示）在數(shù)據(jù)處理方面的優(yōu)勢，包括更加有效的學(xué)習(xí)和訓(xùn)練區(qū)域先驗信息，更加魯棒的分析紋理特征的相關(guān)性從而聚類等，這些特點使其能夠更加有效的解決復(fù)雜腦腫瘤圖像的分割問題;最重要的一點，應(yīng)該關(guān)注多特征多算法的互補性融合，由于針對復(fù)雜腦腫瘤圖像不同的特征而提出不同針對性算法，近年來核函數(shù)[21]在圖像處理領(lǐng)域的應(yīng)用及發(fā)展，尤其是已經(jīng)融入水平集方法解決一些對圖像數(shù)據(jù)的升維問題[21]，考慮用多核的核函數(shù)對數(shù)據(jù)進行升維處理，從而對多項多特征進行有效的互補融合，最終在高維空間對圖像進行準確的分割。所以，水平集方法與新穎研究方法的綜合利用將是MRI腦腫瘤圖像分割技術(shù)的發(fā)展方向。

參考文獻：

[1] A.JemaI，R.SiegeI，J.Xu，E.Ward.C aneerstatisties.CACaneerjClin.，2010，60：277-300.

[2] Siegel R，NaishadhamD， JemaIA. Cancer statistics， 2013[J]. CA：ACancer Journal for Clinicians，2013，63（1）：11-30.

[3] Luo S，Li R，Ourselin S.A new deformable model using dy-namic gradient vectorflow and adaptive balloon forces. APRSWorkshop on Dig Image Comp;2003： 9-14.

[4] Foo JL.A survey of user interaction and automation in medi-cal imagesegmentation methods. Tech rep lSUHCI20062， Hu-man Computer InteractionDepartment， lowa State Univ，2006.

[5] AhmedS，lftekharuddinKM.VossoughA.Efficacy of texture，shape，andintensity feature fusion for posterior-fossa tumor segmenta-tion in MRl[J].lEEE Transactions on Information Technologyin Biomedicine，2011，15（2）：206-213.

[6] Liu YX， SadowskiSM， WeisbrodAB， etal. Patient specific tumorgrowth prediction using multimodal images[J].Medical ImageAnalysis，2014，18（3）：555-566.

[7] ParisotS，Wells Wlll，ChemounyS，etaI.Concurrent tumor segmen-tation and registration with uncertainty-based sparse non-uni-form graphs[J].Medical Image Analysis，2014，18（4）：647-659.

[8] National Research Council： Toward Precision Medicine： Build-ing a Knowledge Network for Biomedical Research and a NewTaxonomy of Disease，2011.

[9]S.Doyle，F(xiàn).Vasseurl，M.Dojat， and F.Forbes：Fully Automat-ic Brain Tumor Segmentationfrom Multiple MR Sequences us-ing HiddenMarkov Fields and Variational EM， in proceedingsof MICCAI-BRAST， Sep 2013：22-25.

[10] XiaotaoGuo， Lawrence Schwartz， BinshengZhaoSemi-automat-ic Segmentation of Multimodal BrainTumor Using Active Con-tours， in proceedings of MICCAl-BRAST， Sep，2013： 22-25.

[11] Iftekharuddin K M， Zhengj， lslam M A，etal. Fractal-basedbrain tumor detection in multimodal MRl[J].AppliedMathemat-icsandComputation， 2009，207（1）：23-41.

[12] LambinP， Rios-Velazquez E，LeijenaarR， etal. Radiomics： Ex-tracting more information from medical images using advancedfeature analysis[J]. Europeanjournal of Cancer， 2012， 48（4）：441-446.

[13] C. Li， C. Kao， J. C. Gore， and Z. Ding， Minimization of Re-gion-Scalable Fitting Energy for ImageSegmentation， lEEETransactions on Image Processing 17，2008：1940-1949_

[14] Li C M，HuangR，DingZH，etaI.Alevel set method for image seg-mentation in the presence of intensity inhomogeneities with ap-plication to MRI[J].lEEE Transactions on Image Processing，2011，20（7）：2007-2016.

[15] Li CY，WangXY，EberlS，etaI.Robustmodel for segmenting imag-es with/without intensity inhomogeneities[J].lEEE Transactionson Image Processing，2013，22（8）：3296-3309.

[16] Zhang H L，Ye X J，Chen Y M.An efficient algorithm for multi-phase image segmentation with intensity bias correction[J].lEEE Transactions on Image Processing， 2013， 22（10）：3842- 3851.

[17] Wencheng Wang， Miao Hua： Extracting Dominant Texturesin Real Time With Multi-Scale Hue-Saturation-lntensity His-tograms. lEEE Transactions on Image Processing，2013，22（11）：4237-4248.

[18]林瑤，田捷 .MRl腦腫瘤圖像分割方法綜述 [c]. 北京 .中國科

[19] PrastawaM，BullittE，GerigG.Simulation of brain tumors in MRimages for evaluation of segmentation efficacy[J].Medical Im-age Analysis， 2009，13（2）：297-311.

[20] J. J. Corso， E. Sharon， S. Dube， S. El-Saden， U. Sinha， andA. L. Yuille.E_cientmultilevel brain tumor segmentation withintegrated bayesian model classi_cation.ln Proceedings of MIC-CAI-BRATS 2013， Sep. 2013.

[21] Ben Salah M，MiticheA，BenAyedI.Effectivelevel set image seg-mentation with a kernel induced data term[J].IEEE Transac- tions on Image Processing，2010，19（1）：220-232.

[22] WidynskiN，Mignotte M.A MultiScaleparticle fiher frameworkfor contour detection[J].IEEE Transactions on Pattern Analysi-sandMachine Intelligence，2014，36（10）：1922-1935.

[23] Liu XB，XuQ， MaJ Y， etal. MsLRR： aunified multiscalelow-rankrepresentation for image segmentation[J].lEEE Transactions onImage Processing，2014，23（5）：2159-2167.

[24] GaoY， BouixS， ShentonM， etal. Sparsetexture active contour[J].lEEE Transactions on Image Processing， 2013， 22（10）： 3866- 3878.

[25] StadlbauerA. MoserE， GruberS， etal. Improved delineation of brain tumors：an automated method for segmentation Based onpathologic changes of lH-MRSI metabolites in gliomas[J].Neu-rolmage， 2004，23（2）：454-461.

[26] Hugo J. W. L. Aerts， Emmanuel Rios Velazquez， Ralph T.H. Leijenaar， Chintan Parmar.Patrick Grossmann， Sara Carval-ho， Johan Bussink， Rene Monshouwer， Benjamin Haibe-Kai-ns， Derek Rietveld， Frank Hoebers， Michelle M. Rietbergen，C. Rene Leemans， Andre Dekker， John Quackenbush， RobertJ. Gillies& Philippe Lambin， Decoding tumour phenotype bynomnvasive imaging using a quantitative radiomics approach.Nature Communications，2014.

[27] Chan T F，Vese L A.Active contours without edges[J].IEEETransactions on Image Processing，2001，10（2）：266-277.

[28] V. Caselles. R. Kimmel， G. Sapiro， "Geodesic active con-tours [J]. Intemational Journal of Computer Vision. 1997，22（1）：61-79.

[29] B. Sandberg， T. Chan， and L. Vese， "A level-set and gabor-based active contour algorithm for segmenting textured imag-es，" UCLA CAM report 02-39， 2002.

[30] Karouil， FabletR， Boucherj， etal.Variational region-based seg-mentation using multiple texture statistics[J].IEEE Transac-tions on Image Processing，2010，19（1 2） ：3146-3 156.

[31] M. Rousson， T. Brox， R. Deriche， 0. 1. Projet， and F. Sophia-Antipolis，"Active unsupervised texture segmentation on a diffu-sion based featurespace，" presented at the CVPR Conf_ 2003.

[32] Wang X F，Huang D S，XuH. An efficient local Chan-Vesemodel for image segmentation[J]. Pattern Recognition， 2010， 43（3）：603-618.

[33] WangB，Gao X B，TaoD C，etaI.A unified tensor level set forimage segmentation[J]. lEEE TransactionsonSystems， Man， and-Cybernetics，PartB（Cybernetics）， 2010，40（3）：857-867.

[34]蔣君.多模態(tài)腫瘤圖像聯(lián)合分割方法研究[D].廣州：南方醫(yī)科大學(xué)，2014.

[35]S.Lankton and A.Tannenbaum， "Localizing Region-BasedActive Contours，" IEEE Transactions on Image Processing 17，2008：2029-2039.

[36] DaroltiC， MertinsA， BodensteinerC， etal. Localregion descriptorsfor active contours evolution[J].lEEE Transactions on ImageProcessing， 2008，17（12）：2275-2288.

【通聯(lián)編輯：梁書】

基金項目：安徽省高校自然科學(xué)重點項目皖教秘科【2018】31號，“基于CamShift方法多場景下的運動目標(biāo)檢測和跟蹤技術(shù)的分析與研究”（KJ2018A0634），負責(zé)人：伍祥;2019年度安徽省教育廳高校自然科學(xué)重點項目，“融合相關(guān)濾波技術(shù)與深度層次特征的目標(biāo)跟蹤方法研究”（KJ2019A1291）

作者簡介：何灝（1987-），男，碩士，安徽信息工程學(xué)院大數(shù)據(jù)與人工智能學(xué)院專任教師，助教，研究方向為計算機應(yīng)用技術(shù);伍祥（1991-），男，碩士，助教，教研室副主任，研究方向為人工智能、計算機視覺;朱偉杰（1991-），男，碩士，助教，研究方向為計算機視覺與圖像處理。