图像分割技术在医学图像处理中的应用实践

曲滨鹏,魏晓洁,缪 佳,曲超毅

（1.山东医学高等专科学校,山东 济南 250100；2.山东大学齐鲁医院,山东 济南 250012；3.中国联合网络通信有限公司济南市分公司,山东 济南 250000）

图像分割技术是对图像进行分割处理,将每个分割的图像特征反映出来,并将所需要的图像展示出来,在处理中所采用的技术及操作过程就是图像分割技术的应用。在应用图像分割技术的过程中,需要对关键步骤进行分析,采用科学有效的分割技术,以获得良好的图像处理效果。在医学领域中应用该技术,主要是在分割图像的时候,用这种方式提取病变的区域,测量特定组织,采用二维重建的方法将提取的图像重新组合,以便从医学角度深入研究[1]。所以,在医学图像处理的过程中,对图像分割技术进行研究具有重要意义。

1 建立在区域基础上所采用的分割方法

在临床上比较常见的设备有CT、MRI和PET,其中,CT是运用X光穿透被照体,检测X光的衰减,将被照体的衰减系数反推出来,根据衰减系数对照表将被照体的解剖图像重新建立起来。MRI的结构成像主要检测静态磁场中外加射频脉冲影响人体内氢质子的情况,获得对应的MR信号,并将相应的解剖图像重新建立起来。PET用于对注入人体内的放射性核医药物进行检测,在人体内代谢的过程中会有γ射线放射出来,采用重新建立图像的方法获得对应的功能性信息。对于图像采用分割技术,具体可以采用如下方法。

1.1 采用ICJ值法进行图像分割

在并行区域技术中,ICJ值法是比较常用的,在图像处理中采用这种方法,主要发挥的作用是区分目标不同的灰度值。采用ICJ值法进行分割,所获得的结果决定于所选取的ICJ值,以此来确定ICJ值是做好图像分割的关键。采用ICJ值分割法,就是按照一定准则将ICJ值的最佳值求出来。

应用ICJ值法进行图像分割的优点是计算操作比较简单,运算的速度也更加快,特别是不同物体之间及不同的结构之间,如果在对比的强度非常大的情况下,就能够获得非常好的分割效果。采用ICJ值法进行图像分割,通常是交互式的,并且可以做到实时操作,所以,这项操作可以基于用户视觉展开。

ICJ值法也存在不足,即运用ICJ值法进行图像分割虽然比较简单,但是仅能够产生二值图像,可以用于对两种不同类别图像的区分。此外,采用0值法进行图像分割,需要对像素本身的灰度值充分考虑,不需要对图像空间的分布情况进行考虑,采用这种分割方法所获得的结果就是提高了对噪声的敏感度[2]。针对ICJ值法所存在的不足,一些研究专家将经典的算法提出来,比如,模糊阈值的算法、局部阈值的算法、随机阈值的算法等等。在进行图像分割的时候,分割CT图像能够获得良好的效果,但在阈值的选取方面,则需要用户根据经验作出判断,或者需要对该技术进行尝试,经过多次尝试性分割之后,就可以根据具体需要来调整阈值,直到满足用户的要求。对这方面的问题进行研究,采用多次阈值分割的方法对螺旋CT图像进行检测,分析图像中显示的肺结性病变情况,所检测的图像为827张,所获得的检测结果可以达到的灵敏度超过95%,而且没有假阳性的结果出现。

1.2 采用区域生长法进行图像分割

采用区域生长法进行图像分割,就是按照预先界定的标准,在图像中提取相连接的区域。采用这种分割方法,一项重点内容就是合理选择种子点的位置,明确生长准则及生长的顺序。

采用区域生长法,如果需要分割的区域面积不是很大,就可以获得良好的效果,如果需要分割的区域面积非常大,就会减缓计算的速度。在图像的分割中,如果不相邻的区域有着相同的灰度值,或者需要分割的区域相近,也有着相同的风格,在分割的时候就不能采用一次分割的方法,而是需要对一个区域进行多次分割。

2 建立在边界基础上所采用的分割方法

建立在边界基础上所采用的分割方法就是将不同区域之间的像素灰度充分利用起来,掌握其不存在连续性的特点,将区域之间的边缘检测出来,就可以对图像进行分割处理。在这项技术操作中采用了不同的边缘检测方法,需要将边缘检测的方法划分为两大类,即串行边缘检测方法与并行边缘检测方法[3]。

2.1 串行边缘检测方法

在应用串行边缘检测方法的时候,需要先对一个边缘的起始点进行检测,之后按照某种相似性准则寻找边缘点,要确保这个边缘点等同于前一点,这是确定后续相似点的一种有效方法,被称为“跟踪”。根据所采用的跟踪方法有所不同,这种串行边缘检测方法又可以进一步划分为三类,即轮廓跟踪方法、全向跟踪方法和光栅跟踪法。

2.2 并行边缘检测方法

在应用并行边缘检测方法的时候,可以检测每一个像素点的边缘点,这项检测工作可以在每一个像素上展开,由此加快了搜索检测的速度,缩短检测的时间。在并行检测算法中,比较常用的是Wills算子检测方法、Roberts梯度算子检测方法和Kirsh算子检测方法,它们都可以实施科学有效的边缘检测[4]。另外,比较重要的并行边缘检测方法还包括方向模板的边缘检测方法、统计模板的边缘检测方法、斜率差分的边缘检测方法、滑动平均梯度的边缘检测方法、纹理边缘的边缘检测方法、最佳曲面拟合的边缘检测方法等等。由于形成边缘的原因存在复杂性,而且图像的边缘在图像中存在不连贯性,所以在进行边缘检测的时候依然存在很大的难度,但是在医学领域中,在进行图像几何分析的时候,这种方法是非常有意义的。想要将并行边缘检测方法合理的运用,还需要工程人员与医务人员合作,通过共同努力对该种检测方法进行有效应用,使其在影像医学中更好地发挥作用。

3 建立在特定理论础上所采用的分割方法

3.1 模糊聚类法

在进行图像分割的时候采用模糊聚类法,就是要将像素灰度等性质向特定的空间映射,这项操作主要是根据一定的规则将空间进行划分,形成多个区域,之后按照像素所具备的性质对所属区域进行判定,做好标记之后对图像进行分割处理[5]。当前来看,模糊聚类法是比较常用的,这种方法是建立在模糊理论的基础上所采用的图像分割方法,事实上,这种方法就是进行两次寻优的迭代过程,整个模糊算法中,最为关键的内容是隶属函数的设计,不会对初值设置产生很大的影响。医学图像本身不是非常清晰的,有一定的模糊性,因此,采用模糊聚类法效果更好一些,具有非常好的描述能力[6]。有研究者针对这方面的理论进行研究,认为这是通过运用一种基于K平均聚类算法进行图像分割的新技术,建立在知识形态学基础上的运算技术,对于医学CT图像可以用这种方法自动分割。

3.2 神经网络方法

神经网络方法是在分割图像的时候采用训练样本集训练神经网络,用这种方式确定节点间的连接情况,明确权值,之后再使用已经训练好的神经网络对新的图像数据进行分割处理,但是,与其他的分割方法有所不同,其需要的训练数据量非常大,这对于操作人员而言是非常困难的。神经网络的连接量是巨大的,在引入空间信息的时候非常容易,如果图像存在质量问题,可以采用这种方法彻底解决,比如,解决图像中所存在的噪声,以及图像所存在的不均匀问题。选择哪一种网络结构是采用这种分割方法的时候需要重点考虑的问题[7]。在分割医学图像的时候,一般先提取原始图的不确定性像特征,之后映射这些图像的特征,然后对图像进行分割处理。由于医学图像所存在的各种问题都是内在的,这就需要适当地引入模糊技术,使得图像的内在不确定性减少,避免对图像的分割结果造成不良影响,这样分割结果不会对噪声产生很大的影响,降低敏感程度。在研究的过程中,将神经网络和模糊技术相结合,还要结合使用其他的技术,新产生的新型混合神经网络越来越多,包括小波神经网络、模糊神经网络,以及混沌神经网络等等[8]。这些方法都有其自身的特点,需要从医学应用的角度深入研究,并对医学图像分割技术未来的发展起到一定的促进作用。

3.3 小波变换方法

小波分析的思想是利用一组小波函数来逼近信号,当对信号进行二进制小波变换的过程中,用尺度参数变换某一点变换值,就能够反映该点是否存在特异性,以及所显示的特异性大小。从图像的角度而言,这些特殊点就可以将图像的边缘建立起来,所以,可以将相对合适的小波函数选择出来,用于提取图像的边缘。

利用小波变换分割医学图像ICJ值的思想将小波多尺度几何活动的曲线模型建立起来,应用带区间采样的离散小波变换的方法将图像分割特征提取出来。基于矢量量化聚类相应地加入马尔可夫随机场的约束条件,将小波空间分割的统计模型建立起来。在所采用的多尺度分割方法中,跨多尺度的图像分析事实上就相当于粗尺度上对大类别分辨率使用高位置分辨率替换[9]。所以,要将跨尺度信息有效结合起来,对于已经丢失的空间分辨率进行恢复,这是多尺度分割算法的运用中很难解决的问题。在文献[9]中,要将超声图像充分利用起来,用不同区域的多尺度零交叉来对具有尺度的曲线函数予以表示,使得医学超声图像的区域分割得以实现。

3.4 遗传算法

遗传算法是一种随机搜索算法,是将生物界自然选择方法和自然遗传机制予以借鉴而形成的一种算法。遗传算法的主要思想是对某些基因串控制的生物种群进化的过程进行模拟,并在搜索算法应用运用这一过程的规律,发挥进化原理的作用,促使优化的速度提高,优化的质量更好。遗传算法的一个优势就是可以用于全局搜索,由于其局部搜索能力相对较弱,所以常常需要结合使用其他的算法。有学者在分割心脏超声图像的时候使用了遗传算法,使活动轮廓法存在的缺陷得到有效弥补。采用这种方法检测合成图像和真实超声图像可以获得良好的效果,采用方差分析方法可以对这种方法的有效性予以验证。将遗传算法充分利用起来,使得优化的速度加快,而且自动识别前列腺的能力提高,其发挥的作用是对前列腺边界分割的速度更快。他们对22例前列腺超声图像采用这种方法进行识别实验,获得了良好的效果,误差非常小[10]。

4 结束语

通过上面的研究可以明确,大多数图像分割算法针对性强,但是往往缺乏通用性。也就是说,某种分割算法对某种成像方式得到的图像可以获得良好的处理效果,对其他图像的处理效果可能不理想。图像分割算法普遍存在一些缺点,如计算量大、运算速度慢,学者们通常对算法的速度及结果的精度更加关注。针对各种分割算法的优点和不足,应综合各种分割算法进行图像分割,可以使得图像分割精度有所提高。在评价图像分割效果的时候没有一个通用的标准来评价各种算法的优点和不足,随着各种图像分割技术的发展和新理论在图像分割处理中的不断应用,医学图像分割这一新理论、新技术、新工具的结合将朝着自动、准确、快速、自适应的方向发展,医学图像分割处理技术将进一步成熟。