医学图像分割方法综述

刘 宇，陈 胜

(上海理工大学 光电信息与计算机学院,上海200093)



医学图像分割方法综述

刘 宇，陈 胜

(上海理工大学 光电信息与计算机学院,上海200093)

医学图像分割方法与理论众多，文中简要介绍了基于边界、阈值、区域增长、统计学、图论、活动轮廓、信息论、模糊集理论、神经网络的医学图像分割方法，这些方法各有优劣，部分已成为临床基本的图像分割技术。近年来许多学者对经典的分割方法进行改良，通过多种分割方法结合，有效提高了分割的效率，或改进算法弥补原有分割方法缺陷。随着计算机计算性能的提高，各种新的算法将不断涌现。

医学影像；图像分割；神经网络

随着医学影像学设备的快速发展和普及，成像技术包括计算机断层扫描、超声、磁共振成像、正电子发射断层扫描等，成为医疗机构开展疾病诊断、手术计划制定、预后评估、随访不可或缺的设备。全世界每天都产生大量的医学影像学信息，有报道显示全世界医学影像信息量占全世界信息总量的1/5以上[1]。医学图像处理是分析医学图像的首要步骤，有助于使图像更加直观、清晰，提高诊断效率，国内外都十分重视医学影像处理[2]。图像分割是图像处理的重要环节，也是难点，是制约三维重建等技术应用的瓶颈性问题[3]。许多学者试应用数学、物理、光学、计算机等领域知识拓展医学图像分割的理论方法。

1 医学图像分割方法

目前国内外广泛应用的医学图像分割方法有多种,根据分割特点的不同可分为：基于边缘的图像分割，基于区域的图像分割，结合特定理论的图像分割等。

1.1 基于边界的医学图像分割方法

将图像划分为子图，获得二维图像时，不可避免会存在边界，边界像素表现为灰度幅值的不连续。而显现边界的关键是边界两侧像素特征存在明显的差异，因此可以通过边界进行子图像划分，实现图像的分割[4]。过去，科研医师与临床工作者采用鼠标以及光笔等工具确定边界，这种方法效率低、可重复性差、对主观依赖性强。而利用计算机，通过特定的数学模型选择合适边界点，可极大的提高边界分割效率，临床上常通过确定目标物体的边缘像素，利用一阶导数的极数或者二阶导数的过零点信息提取边缘特征[5]。胸华晖等采集健康男性层间距为4 mm冠状面头颈部MRI图像，采用距离正则化水平集图像分割方法分割鼻腔边界，采用插足算法可计算任意位置的鼻腔横截面积，可方便的进行鼻腔结构三维重建[6]。人体中存在大量的二维三维信息，近年来3D成像技术应用越来越广泛，基于边界分割方法开始成为研究热点。

1.2 基于阈值的医学图像分割方法

阈值是一种经典的基于区域的并行分割技术，其将图像像素点分为若干类，在肿瘤性疾病诊断中具有较高的应用价值。Taxt等将基于局部或全局信息的阈值设置技术定义为基于上下文和非上下文分割方法，按照分割区域方式又可分为局部阈值分割，或称为自适应性阈值法[7]。阈值分割利用图像灰度直方图信息，计算量小，利于实现，但是易导致错误分割，同时未考虑空间信息，易受噪音等原因产生伪影，其主要作为一种预处理方法[8]。A.Varga-Szemes等试构建了一种基于心肌信号强度阈值的半自动心脏MRI分割法，并与常规基于轮廓的图像分割方法进行比较，结果显示阈值法耗时更短，其对EDV、ESW、SV、EF显示低于常规方法，左心室质量高于常规方法，阈值法与主动脉血流测量的SV具有较好的一致性[9]。

1.3 基于区域增长分割方法

区域生长和分裂合并方法，是一种典型的串行区域分割方法，其根据用户的预定义相似性函数，将图像像素或者子区域聚合成为更大的区域。在实际应用中，区域增长法需要确定区域数目，选择具有代表性的种子点，选择有意义的特征，选择停止的准则，计算方法简单，区域算法的精髓是将图像分类为多个相似的小区域，按照邻接参考某种标准合并，对于连续的均匀的目标，如血管、实质性组织，具有较好的准确性、高效性。该法对噪音较敏感，更适合分割肿瘤、伤疤这些较小的结构[10]。国外提出许多自适应区域生长算法，该方法可自动优化学习分割区域形状特征同质性准则，鲁棒性较好[11]。代双凤等基于3D区域增长法进行全肺分割，将连通域标记法、形态学方法相结合去掉气管和主支气管，得到初步的肺实质掩膜，最后采用凸包算法修补平滑，修补后的精确度较高[12]。

1.4 基于统计学的医学图像分割方法

从统计学的角度进行图像分割是指将图像的各个像素点特征值作为一种概率分布的随机变量，从概率的角度来看，找出最应该得到图像的某种组合，又可分为分类器、聚类、随机场、混合分布等。以最常用的聚类分析为例，其余分类器算法类似，但无需训练样本，是一种无监督的算法，通过迭代进行图像分类，提取每一类的特征值，按照算法又可分为K均值、模糊C均值、期望最大化算法等[13]。周显国等基于改进模糊聚类分析，对医学脑部MRI图像进行分割，利用图像的直方图作为模糊聚类的初始聚类中心，减少迭代次数，仿真算法证实其相较于标准的FCM算法以及其他算法，分割效果显著提高[14]。利用统计学方法图像分割方法较多，各有优劣。

1.5 基于图论的医学图像分割

基于图论的图像分割是一种新的分割技术，无需初始化，其可将图像分割转换为图的最优划分问题，利用剪切标准得到最佳的分割策略，是一种全局准则，图像分割的过程中是得到全局最优解的过程[15]。Shi等提出归一化割原则，Ng提出了NIW算法，后者是当前常用的谱分割算法之一[16]。崔宝霞等采用最小生成树法对人肺部CT图像进行分割，而后采用MC算法进行三维重建，实现了肺部的三维立体显示，实验仿真证实其快速有效，可明显提高肺部CT 图像三维重建效率、完整度，但该方法因为需要处理的数据较大，运行速度较慢，仍需要进行算法改进，以提高运行效率[17]。

1.6 基于活动轮廓模型的图像分割方法

活动轮廓模型是由Kass等首先提出一种图像分割技术，Gaselles等进一步发展了该技术，近年来开始用于视觉追踪等其他领域。基于边缘的活动轮廓莫悉尼港采用边缘停止函数，可分割边缘化较明显的图像，对噪声较敏感，其主要优势在于无需设置图像的全局约束项，对于某些分割目标和背景不均匀的图像分割效果较好[18]。最近Zhu等提出了一种基于活动轮廓模型的区域竞争分割方法，通过构建基于目标与区域背景的拟合图像函数，可有效同时检测目标和目标边界[19]。赵立川等基于改进自仿射映射系统与参数活动轮廓的医学图像分割法，采用高斯滤波器对图像进行平滑处理，计算小波系数，而后在每个小波尺度中定义一些自仿射映射，将小波尺度对应的子力叠加获得自仿射能力，采用动态力公式引导Snake模型，仿真实验显示该算法分割性能好，可提高Snake模型对弱边界、深凹陷区域的处理能力，其鲁棒性较好，对于100%的噪声级，算法拟合误差度至少为40%[20]。

1.7 基于信息论图像分割方法

信息论是旨在采用概率论、数数理统计方法并，将信息的传递视为一种概率事件，熵是信息论最基本的度量单位，医学图像分割便采用信息论中的熵理论进行，其定义为

(1)

其中，P(x)为随机变量x的概率密度函数，处理医学影像时x表示像素特征，如灰度、梯度等，通过求熵的极值可获得最合适的分割阈值。目前最常用的方法为极小极大熵值公式分割算法，其将图像灰度直方图划分为多个相互独立的类，使各类熵总量最大，其具有全局客观属性，但收敛速度慢，计算量大，对噪声较大、结构复杂的图像分割效果不理想[21]。李爱菊等采用改进布谷鸟搜索算法最大熵值进行医学图像分割，采用最大熵值法找到图像的分割目标函数，而后采用改进布谷鸟算法优化函数，找到最佳的分割点，反正模式计算其解决了传统最大熵值法缺陷，提高了分割的精度，具有较好的鲁棒性[22]。

1.8 基于模糊集理论图像分割

早在1965年模糊集概念被Zadeh提出，模糊集是指采用不准确的经验知识定义一个事件。模糊理论主要被用于模式识别领域，用于表示信息不完备、不确定、病态表示的不确定性，用于图像分割技术又可分为模糊阈值分割、模糊聚类分割、模糊连接度分割等[23]。刘会明等尝试基于模糊集理论，进行胸片图像分割，并与传统的区域生长法进行对比，证实模糊C-均值聚类算法效果较好，可准确的提取出肺部的轮廓，无需人工干预，避免了阈值设定问题，在图像质量不佳的情况下，也能够提取出感兴趣的区域，分割性能有所提高[24]。

1.9 基于神经网络图像分割

神经网络是当前医学研究热点，被广泛用于计算机模拟诊断，大幅便利了疾病筛查工作。神经网络通过大量的具有自适应性的简单单元组成相互连接的网络模型，在处理医学图像时，可作为训练分类器，来确定权重，其实质是一个分类以及标记图像的过程中，按照拓扑结构又可分为前向神经网络、反馈网络、自组织神经网络[25]。以自组织神经网络为例，其可通过输入的纹理特征共生矩阵进行学习，客观处理目标图像的特征值。神经网络图像分割将分割问题转化为能量函数、分类等问题，通过训练，可修正节点之间的连接关系以及权值，进而更好的对新的图像进行分割，该分割方法需要大量训练样本[26]。李健等基于多尺度卷积神经网络尝试对MRI脑肿瘤进行分割，通过多尺度输入、多尺度下的采样，克服脑肿瘤个体差异，自适应性不同图层之间肿瘤大小位置差异，对30例患者进行模拟训练结果显示，Dice系数为83.11%，平均灵敏度为89.48%，平均阳性预测值为78.91%，分割精度明显提高[27]。

2 结束语

除上述方法外，医学图像分割技术还包括基于小波分割[28]、基于数学形态分割[29]、图谱引导论等[30]，不同分割方法各有优劣，同时适用的对象也各不相同，考虑到计算机性能提高速度，目前研究更倾向于那些分割性能较好的算法，采用多种分割方法相结合，进行多次处理，是图像分割方法研究的主要趋势。

[1] 康晓东.医学影像图像处理[M].北京:人民卫生出版社,2009.

[2] 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.

[3] 李翠芳,聂生东,王远军,等.改进的模糊聚类亚实质肺结节3维分割[J].中国图象图形学报,2013,18(8):1019-1030.

[4] 张效娟,刘技,王昊,等.Snake与多尺度分析的医学图像分割研究[J].计算机工程与应用,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] 熊华晖,李永,李建红,等.基于磁共振图像的鼻腔边界分割及解剖结构提取[J].生物医学工程与临床,2014,18(1):1-3.

[7] 刘慧,张彩明,邓凯,等.改进局部自适应的快速FCM肺结节分割方法[J].计算机辅助设计与图形学学报,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] 胡学刚,汤宏静.一种改进的NGVF Snake模型[J].西南大学学报:自然科学版,2014,24(4):139-145.

[11] 王斌,李洁,高新波.一种基于边缘与区域信息的先验水平集图像分割方法[J].计算机学报,2012,35(5):1067-72.

[12] 代双凤,吕科,翟锐,等.基于3D区域增长法和改进的凸包算法相结合的全肺分割方法[J].电子与信息学报,2016,38(9):2358-64.

[13] 张峰,黄芳,史振华.髙斯概率分布在心脏CT图像分割中的应用[J].微计算机信息,2010,26(32):185-187.

[14] 周显国,陈大可,苑森淼,等.基于改进模糊聚类分析的医学脑部MRI图像分割[J].吉林大学学报:工学版,2009,39(2):381-383.

[15] 钱生,陈宗海,林名强,等.基于条件随机场和图像分割的显著性检测[J].自动化学报,2015,41(4):711-724.

[16] 刘博,黄剑华,唐降龙,等.结合全局概率密度差异与局部灰度拟合的超声图像分割[J].自动化学报,2010,36(7):951-959.

[17] 崔宝侠,田佳,段勇.基于图论分割的肺部CT图像的三维重建[J].沈阳工业大学学报,2015,37(6):667-672.

[18] 龚勋,王国胤,李天瑞,等.基于混合能量活动轮廓模型的人脸分割方法[J].软件学报,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] 赵立川,高阳.基于改进自仿射映射系统与参数活动轮廓的医学图像分割算法[J].计算机应用研究,2016,34(3):34-38.

[21] 王顺凤,冀晓娜,张建伟,等.局部熵驱动的生物医学图像分割偏移场恢复耦合模型[J].计算机辅助设计与图形学学报,2013,25(5):607-615.

[22] 李爱菊,钮文良,王廷梅,等.改进布鸟搜索算法最大熵值的医学图像分割[J].计算机仿真,2014,31(8):421-424.

[23] 金丹青.基于马尔可夫随机场的图像分割方法研究[J].宁波教育学院学报,2012(1):51-55.

[24] 刘会明.基于模糊集理论的胸片图像分割研究[J].科技信息,2011(14):113-116.

[25] 卫娇,郝永强,蓝宁,等.基于BP神经网络的CT图像骨皮质分割[J].医用生物力学,2012,27(2):227-232.

[26] 金春兰,黄华,张国芳,等.基于多重分形谱和自组织神经网络的医学图像分割[J].中国组织工程研究与临床康复,2010,14(13):2365-2367.

[27] 李健,罗蔓,罗晓,等.基于多尺度卷积神经网络的磁共振成像脑肿瘤分割研究[J].中国医学装备,2016,13(2):25-28.

[28] 马春.基于小波变换和改进的FCM算法的医学CT图像分割法[J].安庆师范学院学报,2016,2(2):33-38.

[29] 孔令伟,崔志新,王瑜.MRI三维重建及旋转分割法对膝关节骨性关节炎患者半月板形态、位置变化的临床对比研究[J].中国临床解剖学杂志,2015,33(4):408-420.

[30] 温锐,陈宏文,张雷,等.基于引导滤波的多图谱医学图像分割[J].南方医科大学学报,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

刘宇(1993-)，女，硕士研究生。研究方向：医学图像处理与分析。陈胜(1976-)，男，博士，教授。研究方向：医学图像处理等。

10.16180/j.cnki.issn1007-7820.2017.08.047

TP391.41

A

1007-7820(2017)08-169-04