醫學圖像分割方法綜述

(沈陽建筑大學信息與控制工程學院 遼寧 沈陽 110000)

一、引言

醫學圖像是對解剖區域內部結構或內部功能的反映圖像，其是通過采樣或重建生成的離散圖像表示，可以將值映射到不同的空間位置。醫學圖像通常具有低對比度，模糊邊界和視覺識別不準確的特征。另外，由于人與人之間有很大的差別，且人體組織結構形狀復雜，這些都給醫學圖像分割帶來了困難。因此，我們有必要針對醫學應用這個領域，對圖像分割方法進行研究。

最近幾年，為解決醫學圖像分割問題，許多研究人員做了大量的工作，提出許多實用的分割算法，比如模糊集理論、神經網絡、小波理論等。本文主要介紹近年該領域國內外學者提出的新方法或對原有方法的新改進。有必要指出的是，本文中提到的方法分類并不絕對，大多數分割方法是多種簡單方法的結合，我們只能粗略的將它們分為屬于最能反映其特征的某一類。

二、醫學圖像分割方法

圖像分割是用于區分圖像中特殊區域和獨特區域并提出感興趣對象的技術和過程。醫學圖像分割同樣是將感興趣區域從圖像中提取出來，或者融合并提取感興趣區域。如今現有的醫學圖像分割方法主要分為以下幾種方法：基于閾值的分割方法、基于區域的分割方法以及基于特定理論的分割方法等。

(一)基于閾值的醫學圖像分割方法。閾值法的基本思想是根據圖像灰度特征來計算一個或者多個灰度閾值，并將圖像中每個像素的灰度值與計算出的閾值作對比，最后將像素按照對比結果分到符合的類型中。閾值分割法的優點是計算簡便、效率高、運行速度快。

如今比較常用的閾值法有Otsu 法。Otsu法是基于圖像中目標和背景的可分離性而提出的。該方法建立在假設圖像中目標和背景所構成的混合密度函數是由兩個服從等方差的正態分布子分布的基礎之上。對于傳統的多閾值分割算法，需要花費大量的時間來尋找最優解，Qin[1]提出了一種基于改進蟻群算法的閾值醫學圖像分割算法，本文在多閾值Otsu分割下，對蟻群算法進行了改進，引入Lévy flight 模式，提高了算法的收斂速度。

(二)基于區域的醫學圖像分割方法。區域分割方法的基本思想是直接從圖像中提取信息，并將圖像分成若干個子區域，使每個子區域具有一定的相同特點。傳統的區域分割方法有以下幾種：區域生長法和分水嶺算法。

1.區域生長法。區域增長方法的基本思想是通過對具有相似性的像素進行分組來組織區域。區域增長方法具有計算量小，對均勻連通目標有良好分割效果的優點。它的缺點是需要人工選取種子，其對噪聲很敏感并且可能會導致分割結果內有空洞。為了解決初始定位問題，侯東奧[2]提出了基于區域生長法的改進的測地線活動輪廓(Geodesic Active Contours,GAC)模型。該模型首先采用區域生長法粗略分割圖像，然后將分割結果作為改進的GAC模型的初始輪廓，使腫瘤輪廓的分割準確度更高；2.分水嶺算法。分水嶺算法是一種基于拓撲理論的數學形態學的分割方法，其基本思想是把圖像作為測地學上的拓撲地貌，圖像中每個像素的灰度值表示該點的海拔高度，每個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺算法對圖像中的噪聲，極有可能產生過度分割的現象。鑒于腦腫瘤MRI圖像的分割問題，Benson[3]等則基于一種融合的思想來提高分水嶺分割算法的性能，即在利用分水嶺算法對腦腫瘤圖像分割時，不僅顧及圖像的灰度信息，還同時考慮了圖像的顏色、邊緣、方向和紋理信息，也取得了較好的分割效果。Liang[4]提出了一種基于形態學處理和全變異模型醫學圖像分割算法。首先對腦損傷的MRI圖像進行形態學梯度預處理。其次采用全變分模型對梯度圖像進行降噪。然后用強迫最小值技術得到內外標記，并利用這些標記對梯度幅值圖像進行校正。最后將改進后的梯度圖像提取到分水嶺變換中。結果表明，該方法可以有效地提取腦損傷的MRI圖像。

(三)基于特定理論的醫學圖像分割方法。在醫學圖像分割方法中除了上述方法，還有基于深度學習的分割方法、基于遺傳算法的分割方法等。

1.深度學習。隨著人工智能的快速進步，醫學圖像分割的方法也逐步發展、更新。深度學習是一種新式的從端到端的模型，減少人工預處理的階段，使用多層的網絡結構全自動提取不同層次的特征。其具有信息分布式存儲、大規模自適應并行處理、自組織、自學習功能、高度的容錯性、魯棒性等優點。RONNEBERGER[5]等提出了一種網絡和訓練策略，它依靠于對數據增強的強大使用，從而更有效地使用可用的帶注釋的樣本。該體系結構由捕獲上下文的收縮路徑和支持精準定位的對稱擴展路徑組成，證明了這種網絡可以從非常少的圖像端到端的訓練，并且在ISBI挑戰中分割效果較好。

2.遺傳算法。遺傳算法是一種模擬自然進化過程，并根據“優勝劣汰、適者生存”的原則獲得最佳解決方案。它的優點不僅在于可以依據少量結構就能夠反映出整個區域，便于實時處理，而且有效利用全局信息防止陷入局部最優，具有較好的魯棒性；其缺點在于收斂速度慢、易早熟等。Guan[6]等提出了一種基于遺傳算法的醫學圖像分割方法，該方法首先用alobal搜索容量和簇間方差最大作為適應度函數，然后自動搜索邊緣檢測的最優閾值，結合形態學處理提取醫學圖像邊緣，最后實現圖像分割。實驗表明，該方法不僅簡化分割，而且實現了良好的分割效果，提高了圖像的效率和質量。

三、總結

由于醫學圖像的類型不同，成像特點不一致，至今還沒有一個通用的方法來分割醫學圖像。隨著圖像處理研究不斷發展，圖像分割將向自動、快速、自適應性的目標發展,需要與新概念和新技術結合起來才能有所突破。