医学图像分割进展

李强

绍兴第二医院 设备科,浙江 绍兴312000

医学图像分割进展

李强

绍兴第二医院 设备科,浙江 绍兴312000

图像分割是解决医学图像在临床上广泛应用的关键性问题。本文简述了医学图像分割技术的进展，综述医学图像分割技术、发展趋势，展望了医学图像分割的前景和面临的挑战。

医学影像处理；医学图像分割

0 前言

信息技术的飞速发展和计算机应用水平的不断提高，促使了医学成像技术的突飞猛进，人们能够获得大量高分辨率的医学图像，如：计算机断层成像（Computed Tomography,CT）、核磁共振成像（Magnetic Resonance Imaging，MRI）、超声成像（Ultrasonography,US）等技术已经广泛应用于医疗诊断、术前计划、治疗、术后监测等各个环节，如何把这些成像技术中获得的各种定量、定性数据进行分析，是至关重要的问题。只有把感兴趣的目标从图像背景中提取出来，才能够进一步对它们进行定量分析或识别，进而对图像进行理解。目前，医学图像分割主要以各种细胞、组织和器官的图像作为处理的对象或内容。图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分，使得每一部分都符合某种一致性的要求[1]。

1 医学图像分割技术的发展

医学图像分割技术的发展是一个从人工分割到半自动分割再到自动分割逐步发展的过程。人工分割是指由经验丰富的临床医生在原始胶片图像上直接勾画出有关组织的边界，或者通过图像编辑器用鼠标在计算机监视器上勾画出有关组织的边界成感兴趣的区域[2]。目前，人工分割的精度在所有分割方法中是最高的，被视为金标准。虽然人工分割的精度极高，但该方法费时、费力，其分割结果的优劣完全取决于操作者的经验知识，且分割结果难以重现。半自动分割方法是随着计算机科学的发展而产生的，它是把计算机强大的数据处理、存贮和记忆能力与人的知识和经验有机地结合起来，通过人机交互的形式完成图像分割的全过程。半自动方法与人工分割相比，分割速度明显提高，但分割结果很大程度上仍然依赖于操作者的经验知识，这种情况在一定程度上影响了半自动分割技术在临床上的推广应用。自动分割是由计算机完成图像分割的全过程，完全脱离了人为干涉。由于该方法不存在人为因素的影响，因此能够很好地再现分割结果，为精确定量测量奠定了基础。但自动分割算法复杂，运算量较大，在有些情况下，仍然需要人工干预。因此，研究新的自动分割方法一直是近年来图像分割方法研究的重点。从目前图像分割技术的发展趋势来看，新分割方法的研究大多以下列几个方向为其目标：① 自动，以最少的人机交互完成分割的全过程；② 精确，以最优化的结果与解剖结构接近；③快速，以实时处理为最终目标；④ 自适应性，对于不同的应用可以自我学习，自我适应；⑤ 鲁棒性，对噪声、模糊等干扰具有较强的免疫力。

2 医学图像分割方法

医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础，也是临床医学应用的瓶颈，分割的准确性对医生判断疾病的真实情况并做出正确的诊断计划至关重要。由于医学图像具有极为繁杂的多样性和复杂性，加上目前医学影像设备（CT、MRI、PET等）成像技术上的特点，使得医学图像存在一定的噪声，图像中目标物体边缘也可能不清楚，这使得医学图像分割更加困难。因此，目前在医学图像分割方面仍然没有可以通用的理论和方法。一般来说，图像分割主要可分为基于区域的分割方法和基于边界的分割方法[3]。基于区域的分割方法，依赖于图像的空间局部特征，如：灰度、纹理及其它像素统计特性的均匀性等。基于边界的分割方法主要是利用梯度信息确定目标的边界，这种方法不依赖于已处理像素的结果，适于并行化，缺点是对噪声敏感，而且当边缘像素值变化不明显时，容易产生假边界或不连续的边界，在实际应用中往往需要把这两种方法结合起来。

2.1 基于区域的分割方法

2.1.1 区域生长法[4]

区域生长法是将具有相似性质的像素集中起来构成区域，该方法需要先选取一个种子点，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。区域生长法的优点是计算简单，特别适用于描绘肿瘤和伤口等小而简单的结构，区域生长很少单独使用，往往与其他分割方法一起并用。区域生长法的缺点是：它需要人工交互以获得种子点，这样，使用者必须在每个需要抽取的区域中植入一个种子点。同时，区域生长法对噪声也敏感，导致抽取的区域有空洞，或者在局部体效应的情况下将原本分开的区域连接起来。为了克服这些缺点，陆剑锋[5]提出了一种通过计算种子点附近领域统计信息，自适应改变生长标准参数用于头骨CT、肝脏CT以及人脑MRI图像的分割算法，在切片图像预处理进程中，考虑到体数据相邻切片之间高度的相关性，在相邻层之间采取高斯核滤波去除噪声，并通过各向异性滤波算法对滤层切片进行滤波，结果表明，该算法可有效地提取出图像区域，具有较好的鲁棒性。

2.1.2 基于统计学的方法[6,7]

随机场的方法是空间像素点之间空间关联的统计学方法，如基于马尔科夫随机场（MRF）方法。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具有一定概率分布的随机变量。MRF模型应用的难点在于选取合适的参数，控制空间相关性的强度，强度过强将导致分割图像边缘过度平滑，从而丢失一些重要的解剖细节信息。另外，应用MRF模型的算法计算量很大。尽管有这些缺点，MRF还是一种应用广泛的模型。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。另一种常用的基于统计学的方法为标记法（Labeling），此方法就是将图像分割成的几个物体各以一个不同的标号来表示，对图像中的每一个像素，用一定的方式赋予其中一个标号，标号相同的像素就组成该标号所代表的物体。Weian Deng[8]等人给出了一种以概率标记法作为边缘检测后处理的迭代算法。2.1.3 人工神经网络法[9]

人工神经网络（ANN）是一种大规模并行连续处理系统。ANN具有模拟人类信号处理能力并且非常擅长解决模式识别领域中的模式分类问题，而医学图像分割问题正是对图像中的各个解剖结构进行分类和标记的问题。ANN的主要特点有：具有通过实例学习的能力，并能利用前馈网络概括所学内容；对于随机噪声有很强的鲁棒性，具有容错的能力和最优搜索能力。因此，当利用其它方法进行图像分割时，对于噪声、组织不均匀性、生物形态的多变性等问题，利用ANN技术可以得到很好的解决。但是，使用神经网络法时，因为网络中有许多相互连接，所以空间信息就能很容易地包含在分类过程中。此分割方法分为两种：有标准图像样本集和无标准样本集分割。有标准样本集的分割方法是首先对标准样本进行训练，得到神经网络分类器，待分割图像时根据分类器进行分类，没有标准标本集的分割方法是对像素特征设计一个非线性聚类器，目前这种分割方法主要集中对神经网络的改进上。

2.2 基于边缘的分割方法

2.2.1 基于形变模型的方法[10]

此类方法目前在医学图像分割中应用最广,它的特点是将图像数据、初始轮廓、目标轮廓和基于知识的约束统一于特征提取的进程中。形变模型包括二维形变轮廓模型（又称Snake）和三维形变曲面模型，还有一些利用形状先验知识和使用点集合先验知识的改进模型。形变曲面模型是活动轮廓在三维空间的推广形式。三维形变曲面模型可以更高效、更快捷地利用三维数据，而且更少地需要用户交互或指导。形变模型分为两大类：参数形变模型和几何形变模型。基于参数形变模型分割过程就是使模型在外能和内能作用下向物体边缘靠近，外力推动轮廓曲线运动，而内力保持轮廓的光滑性。几何形变模型方法利用曲线演化理论来实现。轮廓对应于一个更高维曲面的演化函数的零水平集，演化函数可用某种形式的偏微分方程来表示，利用图像信息（如边缘）来控制曲面演化过程的停止。形变模型的主要优点是能够直接产生闭合曲线或曲面，并对噪声和伪边界有很强的鲁棒性；缺点是：它对初始边界位置十分敏感，有时要求人工选择合适的参数。

2.2.2 基于数学形态学的方法[11,12]

随着数学形态学理论的不断完善和发展，数学形态学在图像边缘检测中得到广泛的研究和应用。数学形态是一门新兴科学，它建立在严格的数学理论基础上，其基本思想和方法对图像处理的理论和技术产生了重大影响，数学形态学已经构成一种新兴的图像处理方法和理论。形态学图像处理以在图像中移动一个结构元素并进行卷积的方式进行，结构元素可以任意大小。形态学的基本操作是膨胀、腐蚀、开闭运算，它们算法简单，同时能较好地保持图像的细节特征，很好地解决边缘检测精度与抗噪声性能的协调问题，缺点是算法的适应性差。形态学理论在图像分割中的应用有代表性的是Luc Vincent[13]等人提出的分水岭方法（Watershed）[14]。该算法的思想来源于地理学。经过分水岭方法处理后，将输出原始图像的过度分割图（分割的区域数目超过图像中包含的实际对象数），过度分割的区域数目取决于参数的大小。虽然这些方法已成功用于图像分割，但它们需要用户的交互或准确的关于图像结构的先验知识。为改进早期方法的这些问题，分水岭算法往往与其他方法结合使用。

2.2.3 基于小波变换的方法[15]

近年来，在低频和高频分析时有“变焦”特征的小波变换在医学图像分割中，得到广泛应用。用小波进行医学图像阈值分割的思想是利用二进制小波变换将图像直方图分解为不同层次的小波系数，依照给定的分割准则和小波系数选择阈值门限，整个过程由粗到细，由尺度来控制。如果分割不理想，则可利用直方图在精细的子空间上的小波系数逐步细化图像分割；用小波进行边缘检测，则是利用小波系数模的极大值。文献[16]提出了一种小波多尺度几何活动的曲线模型，就是小波边缘检测的方法；采用间隔采样的离散小波变换提取图像特征，在矢量量化聚类的基础上，通过增加马尔可夫随机场的限制条件，建立起小波空间内的分割统计模型。在小波最高层空间简单设置初始聚类情况，经过优化迭代过程以及相邻空间内的分割结果的遗传，使其逐层自适应地收敛到最佳聚类状态。在多尺度分析下，图像的类别信息和位置信息是一对矛盾，两者之间存在不确定性[17]。因此，必须充分考虑各尺度之间的拓扑关系和对称性，如此会大大提高分割算法的计算效率。

3 医学图像分割新技术

3.1 基于模糊技术分割[18]

模糊技术是建立在模糊集合理论基础上的，能很好地处理三维医学图像内在的模糊性，而且对噪声不敏感。由生物医学成像设备获取的图像数据具有内在的不确定性，这种不确定性的程度依赖于许多因素，包括在空间、时间和参数分辨率方面的局限性以及成像设备的其它物理限制等。这些不确定性是模糊技术在图像分割中得到广泛应用的一个决定性的因素，因为模糊技术正是为了处理事物的不确定性而诞生的。

2003年，Hiew等人[19]提出了一种应用于对三维MR图像进行分割的自适应空间FCM算法[20]。输入的图像可能由于噪声和强度的不均匀而浑浊，该算法考虑了空间连续性的约束，采用相异索引(dissimilarity index)的方法，使获得的局部空间连续性约束能够减少噪声的影响和分类的不明确性。与其它已公开的算法比较，该算法的有效性在广义模糊试验中用模拟和实际的MR图像都得到了证实。

3.2 基于知识的分割[21,22]

基于知识的分割是所有图像分割方法中最重要的方法之一。近年来随着人工智能技术的发展，基于知识的分割方法也得到了广泛地研究和应用。基于知识的分割方法主要包括两个方面的内容：知识的获取，即归纳及提取相关的知识，建立知识库；知识的应用，即有效地利用知识实现图像的自动分割。基于知识的分割，其知识来源主要有：① 临床知识，即某种疾病的症状及它们所处的位置；② 解剖学知识，即某器官的解剖学和形态学信息，以及其几何学与拓扑学的相互关系，这种知识通常是用图谱来表示的；③ 成像知识，这类知识与成像方法及其具体的设备有关；④ 统计知识，例如MRI的质子密度(PD)、T1和T2统计数据，并把它们与解剖学的有关数据联系起来。

2002年，Boscolo等人[23]提出了一种新颖的基于知识的分割方法。医学图像分割通常需要医学专家对感兴趣的解剖结构区域提供准确、持续的鉴定，而Boscolo等人的分割方法将基于知识的分割系统与一套熟练的主动轮廓模式(active contour mode1)[24]相结合，此方法利用一种高级过程的引导对不同的解剖结构进行粗略的分割，使用者无需提供初始轮廓放置，而由高级过程自动执行必须的参数优化。关于被分割的解剖结构的知识，则用一个叫做可能性密度函数根据统计学规律定义成位置、大小、图像亮度等参数。目前，该方法正在进一步研究是否确实能够提供持续的高级分割。

3.3 基于仿生模式识别的分割[25]

近年来出现的仿生模式识别方法，一经提出便受到了广泛的关注，该方法以多维空间几何分析理论为基础，利用特征空间同类样本的连续性规律，对一类事物的“认识”，实际上是对这类事物的全体在特征空间中形成的无穷点集合的“形状”的分析和认识，再根据这种规律性建立起“多维空间中非超球复杂几何形体覆盖”，将简单的点划分转换为点的覆盖过程，从而从根本上改变传统模式识别的弊端，将误识率基本降为零，避免由于误识而产生的严重后果。仿生模式识别已成功应用于多个领域并取得了一定的成果[26,27]，也为医学图像分割开辟了一个崭新的研究方向。

吴海珍等人[28]提出一种基于仿生模式识别的医学图像分割算法，该算法以仿生模式识别为基础，采取先覆盖后分割的方法。以核磁共振(MRI)脑图像分割为例，并与神经网络方法、支持向量机方法进行了分割效果比较。实验结果表明，该方法有效地提高了分割精度，改善了分割性能，具有更强的鲁棒性和实用性。

4 医学图像分割方法评价

医学图像分割评价通过对图像分割算法性能的研究达到优化分割的目的。通过评价可以掌握各个算法在不同分割任务中的表现，以通过选择算法参数来适应不同类型图像的需要。另外，通过比较多个算法分割特定图像的性能，有助于在具体分割任务中选取合适的算法。这对于医学图像的分割尤为重要，因为分割的准确度直接关系到临床应用效果。现有的评价方法可分为两类：直接分析法和间接实验法。分析法直接研究分割算法本身的原理特性，通过分析得到算法性能；实验法则根据分割图像的质量间接地评判算法的性能。分析法得到的结果比较客观，但许多算法直接分析比较困难，且分析法不可能获得分割算法的所有性质，常与其他算法结合使用。但是，由于人体解剖结构的复杂性、组织器官形状的不规则性及不同个体间的差异等原因，目前还没有一种能对所有图像都产生满意分割效果的分割方法。各种算法都具有很强的针对性，往往是基于特定的领域、特定的成像模型。如今对医学图像分割算法的评价还是以主观评价为主，尽管主观评价存在很多缺点，但是由于医学图像的复杂性以及图像分割理论的不完善，目前还不能完全用客观评价的方法对医学图像分割算法进行评价，所以今后对医学图像分割算法的主观评价仍将占主导地位。

5 展望

新的图像分割方法的研究主要以自动、精确、快速、自适应性等几个方向作为研究目标。医学图像分割作为一种特殊的图像分割领域，除了有上述的趋势外，围绕它的另一重要发展是临床上的应用。计算机分割方法在辅助诊断和放射疗法中已显示出它的作用。虽然全自动分割方法永远不会取代医生的地位，但它渐渐成为了医学图像分析中至关重要的部分。随着基因工程的发展，微观结构的分割也提上了日程，而不能仅仅局限于现在的“器官”层次上的处理和分析。相信随着各种理论的不断完善和成熟，以及新理论在图像分割领域的尝试应用，医学图像分割的方法也会更先进、更成熟。

[1] 罗述谦,周果宏.医学图像处理与分析[M].北京:科学出版社,2003:65.

[2] Atkins MS,Mackiewich BT.Fully automatic segmentation of the brain in MRI[J].IEEE Trans Med Imaging,1998,17(1):98.

[3] 田捷,包尚联,周明全.医学影像处理与分析[M].北京:电子工业出版社,2003:9.

[4] Kenneth R.Castleman. Digital Image Processing [M]. Upper Saddle River:Prentice Hall,1996.

[5] 陆剑锋,林海,潘志庚,等.自适应区域生长算法在医学图像分割中的应用[J].计算机辅助设计与图形学学报,2005,17(10):2168－2173.

[6] Held K,Kops E R,Krause BJ. Markov random field segmentation of brain MR images[J].IEEE Trans. Med.Imag, 1997,16(6):878－886.

[7] Leemput K V, Maes F, Vandermeulen D. Automated modelbased bias field correction of MR image of the brain [J].IEEE Trans.Med.Imag,1999,18:885-896.

[8] Weian Deng,S.Sitharama Iyengar.A new probabilistic relaxation scheme and its application to edge detection[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1996,18(4):432-437.

[9] Guido Valli.Neural networks and prior knowledge help the segmentation of medical image[R]. Florence:University of Florence,1994.

[10] Kass M,Witkin A,Terzopoulos D.Snakes:active contour models[J].Int J Computer Vision, 1988,1(4):321 -331.

[11] Gerig G, Kuoni W, Kikinis R.Medical imaging and computer vision: an integrated approach for diagnosis and planning [M].London: Springer-Verlag,1989: 425 -432.

[12] Cline H E,Lorensen W E,Kikinis R.Three dimensional segmentation of MR images of the head using probability and connectivity[J].JCAT,1990,14(6):1037- 1045.

[13] Lue Vincent,Pierre Soille.Watersheds in digital spaces:an efficient algorithm based on immersion simulations[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1991,13(6):583- 598.

[14] F.Meyer,S.Beucher.Morphological segmentation[J].Journal of Visual Communication and Image Representation,1990,1:21-46.

[15] Leith D J, Leithead W E.Survey of gain scheduling analysis and design[J].Int.J.control,2000,73(11):1001- 1025.

[16] 陈武凡.小波分析及其在图像处理中的应用[M].北京:科学出版社,2002.

[17] 楚存坤.医学图像的分割技术及其新进展[J].泰山医学院学报,2007,28(4):315.

[18] MontBeny E,Sobrevilla P,Romani S.A fuzzy approach to white blood cells segmentation in color bone marrow images[J].Fuzzy Systems,2004,1:178．

[19] Liew A.W.,et al.An adaptive spatial fuzzy clustering algorithm for 3-D MR image segmentationl[J].IEEE Trans Med

General Review of Medical Image Segmentation

LI Qiang
Equipment Department,Shaoxing Second Hospital,Shaoxing Zhejiang 312000,China

R445

A

10.3969/j.issn.1674-1633.2010.05.051

1674-1633(2010)05-0121-04

2009-09-07

作者邮箱：sxlq163.com@163.com

Abstract: Image segmentation is a key factor to solve medical image segmentation in clinic.In this paper the development of medical image segmentation techniques was sketched, and a review of the medical image segmentation techniques was given. The prospects and the challenge of medical image segmentation was discussed.

Key words: medical image processing;medical image segmentation