医学图像分割综述(共14页).doc
《医学图像分割综述(共14页).doc》由会员分享,可在线阅读,更多相关《医学图像分割综述(共14页).doc(14页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、精选优质文档-倾情为你奉上 医学图像分割综述 郭爱心 安徽大学摘要: 图像分割是图像处理和分析的关键。随着影像医学的发展,图像分割在医学应用中具有重要意义。本文从医学应用的角度出发,对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字: 医学图像分割意义方法评估标准发展前景 AReviewofMedicalImageSegmentation Ai-XinGuo AnhuiUniversityAbstract :Imagesegmentationisthekeyofimageprocessingandanalysis.Withthedevelopmentofmedicalimag
2、e,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheperspectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonitssignificance、methods、evaluationstandardsanddevelopmentprospects. words:Keymedicalimage,segmentation,significance,methods,evaluationstandar
3、ds,developmentprospects1. 医学图像分割的意义 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MRI(磁共振成像技术)、Ultrasound(超 2声)及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成 1不同性质(如灰度、纹理等)的区域,从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域,对疾病诊断、图像引导手术以及医学数据可视化等有重要作用,为临床诊疗和病理学
4、研究提供可靠的依据。 医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可避免的具有模糊、不均匀性等特点。另外,由于人与人之间有很大的差别,且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此,我们有必要针对医学应用这个领域,对图像分割方法进行研究。2. 医学图像分割的方法2.1.基于区域的分割方法 基于区域的分割方法有阈值法,区域生长和分裂合并,分类器与聚类和基于随机场的方法等。 阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割,
5、它将图像分为目标和背景;如果需用多个阈值则称为多阈值方法,图像将被分割为多个目标区域和背景,为区分目标,还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设:目标或背景内的相邻像素间的灰度值是相似的,但不同目标或背景的像素在灰度上有差异,反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应 2位于两个峰之间的谷,从而将各个峰分开。阈值分割的优点是实现相对简单,对于不类的物体灰度值或其他特征值相差很大时,能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理,然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像,对于图像中不存在明
6、显的灰度差异或各物体的灰度值范围 1有较大重叠的图像分割问题难以得到准确的结果。 区域生长和分裂合并是将分割过程分解为顺序的多个步骤,其中后续步骤要根据前面步骤的结果进行判断而确定的两种典型的串行区域分割方法。区域生长的基本思想是将具有相似性质的像素集合起来构成区域,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。区域生长算法的研究重点一是特征度量和区域增长规则的设计,二是算法的高效性和准确性。区域增长方式的优点是计算简单。与阈值分割类似,区域增长也很少单独使用,往往是与其他分割方法一起使用,特别适用于分割小的结 6构如肿瘤和伤疤。区域生长的缺点是它需要
7、人工交互以获得种子点,这样使用者必须在每个需要抽取出的区域中植入一个种子点。同时,区域增长方式也对噪声敏感,导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来。与区域生长法不同,分裂合并法是先将整幅图像进行分裂,然后根据某种判断准则将类似的相邻区域进行合并。虽然它 5不需要设定初始种子点,但分裂和合并准则的设计是分裂合并法存在的难点。 分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用已知的训练样本集在图像的特征空间找到点、曲线、曲面或超曲面(高维),从而实现对图像的划分。分类器有两个有点:1、不需要迭代运算,因此计算量相对较小。2、能应用于多通道图像。但分类器没有考
8、虑空间信息,因此对灰度不均匀的图像分割效果不好。分类器还要求由手工分类生成训练集,工作量大。聚类算法与分类器算法极为类似,只是它不需要训练样本,因此聚类是一种无监督的统计方法。因为没有训练样本集,聚类算法迭代执行对图像分类和提取各类的特征值。从某种意义上说,聚类是一种自我训练的分类。另一方面,聚类也没有考虑空间 2关联信息,因此也对噪声和灰度不均匀敏感。八十年代以来,聚类方法开始被用于核磁图像多参数特性空间的分类,如脑白质和灰质的分割。 基于随机场的方法是将图像看作一个马尔科夫随机场MRF,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是具有一定概率分布的随机变量。从观察
9、到的图像中恢复实际物体或正确分割观察到的图像。从统计学的角度看就是要找出最有可能即以最大概率得到该图像的物体组合。从贝叶斯定理的角度看,就是要求出具有最大后验 7概率的分布。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,过强将导致对分割图的边缘过度平滑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。2.2.基于边缘的分割方法 基于边缘的分割方法是通过检测不同区域间的边缘来解决图像分割问题。在区域边缘上的像素灰度值的变化往往比较剧烈。边缘检测方法有并行微分算子法,基于曲面拟合的方法,基于边界曲线拟合的方法,串行边界查找和基于形变模型的方法等。 并行微分算子法对图
10、像中灰度的变化进行检测,通过求一阶导数极值点或二阶导数过零点来检测边缘。常用的一阶导数算子有梯度算子、Prewitt算子和Sobel算子,二阶导数算子有Laplacian算子,还有Kirsch算子和Wallis算子等非线性算子。梯度算子不仅对边缘信息 8敏感,而且对于像素点也很敏感。为减少噪声对图像的影响,通常在求导之前先对图像进行滤波。常用的滤波器主要是高斯函数的一阶和二阶导数。 基于曲面拟合方法的基本思想是将灰度看成高度,用一个曲面来拟合一个小窗口内的数据,然后根据该曲面来决定边缘点。该方法即利用当前像素领域中的一些像素值拟合一个曲面,然后求这个连续曲面在当前像素处的梯度。 基于边界曲线拟
11、合方法是用平面曲线来表示不同区域之间的图像边界线,试图根据图像梯度等信息找出能正确表示边界的曲线从而得到图像分割的目的,而且由于它直接给出的是边界曲线而不像一般的方法找出的是离散的,不相关的边缘点,因而对图像分割的后继处理如物体识别等高层处理有很大的帮助。即使是用一般的方法找出的边缘点,用曲线来描述它 2们以便于高层处理也是经常被采用的一种有效的方式。LawrenceH.Staib等人给出了一种用Fourier参数模型来描述曲线的方法,根据Bayes定理,按极大后验概率的原则给出了一个目标函数,通过极大化该目标函数来决定Fourier系数。实际应用中,先根据对同类图像的分割经验,给出一条初始曲
12、线,再在具体分割例子中根据图像数据优化目标函数来改变初始曲线的参数,拟合图像数据,得到由图像数据决定的具体曲线。这种方法比较适合于医学图像的分割。 串行边界查找方法通常是查找高梯度值的像素,然后将他们连接起来形成曲线表示对象的边缘。串行边界查找方法在很大程度上受起始点的影响,以前检测像素的结果对下一像素的判断也有较大影响。其困难是如何连接高梯度的像素,因为在实际图像中他们通常不相邻。另一个问题是噪声的影响。因为梯度算子具有高通特性,噪声通常也是高频的,因此可能造成一些错误边缘像素的检测。早在80年代初,串行边界查找方法就被用于检测X射线的心 9血管图像以及肺部图像的边缘。 九十年代以来,随着医
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 医学 图像 分割 综述 14
限制150内