圖像分割技術在醫學圖像處理中的應用方法

王志強

（川北醫學院 四川省南充市 637000）

在醫療領域，運用多媒體技術，醫學成像已經成為了醫生診斷不可或缺的必要工具。而計算機技術的廣泛普及，更是在現有基礎上對醫學成像技術實現了全面調整，達成了必要的治療機制。作為帶動醫學診斷技術的變革，區域圖像分割技術必須實現全面優化，根據灰度、色彩、空間、紋理、幾何形狀等將其劃分為不同區域。就臨床醫學研究而言，圖像分割技術可以對原始的三維圖像分為不同性質，將醫生需要集中處理的區域進行標記，以便于醫生根據其展示結果分析病理原因，提供可靠的診斷治療，最大程度的發揮其自身特性。

1 圖像分割技術概述

對圖像分割技術進行分析，可以得知圖像分割技術可以將圖像有效分為互不重疊且具有各自特征的區域技術。其自身具有有效的特征，根據分割后的區域以及整個圖像，可以實現某種特征的融合。例如，以顏色、紋理或同一目標或相應區域實現全面連接[1]。在圖像分割技術應用當中，為了實現醫學圖像處理，需要貼合實際情況，對處理過程進行圖像目標設置。圍繞相關的圖像，按照情景以及背景，在診斷流程里對圖像進行分割后，完成后續的識別流程，保證分割后的圖像區域能夠實現全面提取，完成有效分析。由此可見，圖像分割在診斷過程當中具有非常重要的應用價值。

2 圖像分割技術在醫學圖像處理的關鍵因素

基于圖像分割技術，可以在相同的圖像分割方法當中，對同一目標區域的圖象實現全面分析，依照不同的圖像屬性劃分圖像區域，在分割技術當中進行最常見的分割操作。通過計算機處理性能，可以將相關圖像分割為與周圍圖像或背景具有一定聯系性的灰度圖像[2]。閾值分割算法，對目標灰度相差的圖像具有明顯的應用性，經常被用于皮膚、骨骼等傷情診斷當中。在計算機算法里，可以根據圖像之間的灰度差異有效判斷出患者的病患部位，得到準確的治療依據。

3 基于區域分隔方法

3.1 閾值法

作為一種常見的變形區域技術，閾值可以區分不同的目標值。閾值分割方法的基本操作原理主要依賴于相應閾值的選取，以確定分割處理的關鍵性流程。按照某個準則，求出閾值的最佳過程。通過閾值法計算，其優點非常簡單，可以顯著達到計算速度快、針對不同物體或結構具有強烈的對比、可以得到較好的分割效果[3]。通過分割方法以交互式為基準，實現實時操作，更易于建立在符合用戶視覺估計的基礎上。但閾值法通常具有一定缺陷，首先，最常見的便是閾值法只能產生一定值的圖像來區分二者的不同區別。因此，在灰度值當中缺乏一定的空間分布率，導致閾值法對噪聲非常敏感。為了彌補其自身的不足，在后續的改良過程當中提出了一些優化類型的算法。例如，采用局部閾值、模糊閾值、隨機閾值等。由于閾值分割對于相應的CT 圖像處理效果極好，在選取閾值時需要根據醫生經驗進行判斷，如選取閥值時，先進行嘗試性分割，再對閾值進行后續調整，直至達到用戶滿意。在后階段分割過程中，可以通過閾值分割法檢測螺旋CT 圖像，對患者的肺結性病變可以實現靈敏檢測，據相關數據分析，檢測靈敏度高達96%，且并未出現假性效果（如圖1 所示）。

圖1：閾值法工作原理（圖片來源：Bing 圖庫搜索）

圖2：模糊聚類法原理（圖像來源：Bing 圖庫搜索）

3.2 區域生長法

區域生長法可以根據定義的標準提取圖像中關聯區域，作為一種有效的分割方法，區域生長法可以對其種子點的位置、生長準則以及生長順序實現全面分割。對于區域生長法，可以在分割時產生有效的效果，對于面積不大的區域能起到完美性的應用。但區域生長法對面積較大的區域進行分割時，則整體計算速度稍慢。此外，區域生長法在處理灰度值當中無法有效進行一次分割，僅單次分割區域，在使用當中呈現一定的不足。

4 基于邊界分割方法

區別于區域分割法，邊界分割法可以明顯地利用不同區域之間的像素或灰度檢測出區域邊緣，實現有效的圖像分割[4]。根據檢測流程不同，通常會將邊緣檢測方法分為“串形邊緣檢測”以及“并行邊緣檢測”。

4.1 串行邊緣檢測法

串行邊緣檢測法可以檢測出相應邊緣，根據某一相似點尋找相同邊緣點，此種方式在醫學圖像處理當中可以稱之為“跟蹤法”，根據跟蹤模式的不同，串行邊緣檢測方法可以分為“輪廓跟蹤”、“光棚跟蹤”以及“全效跟蹤”三種模式。

4.2 并行邊緣檢測

在并行邊緣檢測當中，可以根據單個像素點對單個圖像進行檢測，因此，可以極大增加搜索檢測時間。在醫學圖像處理當中，常用檢測方法包含了“Roberts 梯度算子”、“Kirsh 算子邊緣檢測”、“Wills 算子”。根據方向模板、統計模板等邊緣檢測方法，可以對相關圖像完滑度、紋理邊緣、斜度等處理，分析出最佳數據。雖然并行邊緣檢測法可以極大加快檢測速度，但是其在使用當中，整體復雜圖像邊緣極容易出現灰度不連貫的情況。因此，邊緣檢測在推廣過程里存在了一定的困難。在后續調整過程當中，醫學圖像處理必須對邊緣檢測法完成全面優化，增加其在幾何分析當中的意義。

5 基于特定理論方法

5.1 模糊聚類法

在模糊聚類法當中，必須將像素灰度等性質完成映射，根據一定的規律將其劃分為不同的區域空間，達成有效計算以及精簡測試[5]。在后續的測試流程里，根據圖像之間的性質進行判斷，并對其進行標記以及分割。目前，最常用的聚類方法為均值算法，基于模糊頭像理論進行衍生。在運用過程當中，該算法呈現尋優迭代，可以運用函數設計對整個模糊算法進行初始設置。由于在醫學圖像當中其本質上存在著一定的模糊性，因此模糊聚類法可以更適合對不確定性的圖像產生良好的描述能力，進行模糊理論。在醫學圖像處理當中，通常將模糊距離法廣泛用于心臟疾病的檢測，可以實現良好的應用效果，以達成全面增長（如圖2 所示）。

5.2 神經網絡算法

在神經網絡算法當中，可以根據分割圖像的不同特性完成訓練樣本的采集，以便對神經網絡以及相關節點實現全面連接。根據圖像的權值，在訓練過程當中依照神經網絡實現有效分割。神經網絡可以對圖像數據完成良好的數值分析，但神經網絡方法在運行當中必須提前吸收大量的訓練數據，以保證其訓練精準。目前，神經網絡算法在我國醫學圖像處理當中擁有巨大的潛力，其自身極容易引入空間信息，可以全面解決圖像中的噪聲以及不均勻問題，對醫學產生非常明顯的提升。在醫學圖像分割當中，首先對原始圖像進行提取，根據圖像特征進行映射。在現有的醫學圖像當中，其大部分圖像存在著一定的不確定因素，引入模糊技術可以全面減少圖像的內在不確定性，實現分割結果的精簡，降低分割結果對噪聲敏感程度。通過神經網絡以及其他技術結合，相關研究極多，因此在后續優化里，基于神經網絡方法延伸了“模糊神經網絡”、“小波神經網絡”、“混沌神經網絡”等新型檢測方式。

5.3 小波變換算法

根據小波變換算法，可以利用函數之間的特性來對信號值實現全面提取。在進行二進制轉換時，小波變換算法可以根據相關的變換值，依照指數、尺度參數等體現出檢測點是否具有特異性，如出現特異性可以分析出特異性的大小[6]?；趫D像處理而言，此類特異點可以構成圖像邊緣，因此選擇小波函數可以有效提取圖像邊緣。小波變換方法可以對醫學圖像實現全面處理，建立小波多尺寸幾何活動的曲線模式，根據采樣變化分析圖像自有特征。小波變換法通常采用矢量圖，并基于矢量圖的馬爾可夫限制條件，建立小波空間分割統計模型。在對相關圖像進行尺度分割下，其多圖像的分析模式可以實現分辨率以及高位置分辨率的轉換。由此可見，如何有效組合相關的跨度信息，恢復空間分辨率，可以將其算為多尺度分割算法的有效處理點。利用超聲圖像的不同區域，可以對過零點隨尺度變化曲線函數實現醫學超聲圖像的有效分割。

5.4 遺傳算法

遺傳算法可以有效模擬生物界的選擇以及遺傳規律，實現全面擬生。在算法當中，遺傳算法可以完成隨機化搜索，對計算機核心芯片實現連接，使其整體運作機制可以由計算機實現完美模擬。對基因串控制生物群體實現全面的分析，并將該分析過程應用到搜索算法當中。因此，遺傳算法具有極高的速度以及有效質量遺傳算法，對全局搜索具有較強的掌控能力，但其對于局部搜索能力不強。因此，在醫學處理當中，可以將相關原理運用到搜索，并將其與其他算法結合應用。我國在2018年，將遺傳算法應用到心臟超聲波圖像當中，將二者實現有效融合，成立了學習分割框架。用該方法對人工進行圖像合成，可以完成試驗，得到較好的應用效果及有效性，可以通過對方差異完成全面分析。此外，遺傳算法對于前列腺檢查也可以得到有效效果，根據我國某醫院數據測量，在前列腺邊界檢查當中，遺傳算法平均誤差為6.2mm，遠小于其他算法。

6 結束語

綜上所述，隨著科技的不斷發展，圖像分割技術將在醫學圖像處理當中得到全面應用。就現有的分割方法而言，我國目前常用于三大領域的分割方式，“基于區域分割方法”、“基于邊界分割方法”以及“基于特定理論方法”。在各方法里，也延伸出了相應算法，可以對不同患者以及不同圖像實現全面分析，實現有效構建。因此，在后續發展流程當中，圖像分割技術將在現有基礎上實現全面增強，為臨床醫療診斷以及病理學研究提供切實可靠的依據，并根據其提供的數據完成全面試算，對我國醫療領域具有非常重要的提升性，增強我國居民的生活質量。