本站小編為你精心準(zhǔn)備了生物醫(yī)學(xué)工程中的圖像分割參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1圖像分割

現(xiàn)今,生物醫(yī)學(xué)圖像在醫(yī)療診斷中起著不可低估的重作用。核磁共振(MagneticResonance,簡稱MR)、計算機X射斷層掃描(ComputedTomography,簡稱CT)、超聲波(Ultrasound)以及其他的成像技術(shù)等,都是無侵害性的器官體外成像的力手段。這些技術(shù)豐富了正常的以及病狀的解剖知識,同它也成為了診斷和治療體系重要的組成部分。隨著醫(yī)學(xué)圖像在數(shù)量和大小上的增加,越來越有必要用計算機處理并分析這些圖像。有一種算法用于找出解剖構(gòu)和其它感興趣的區(qū)域,這種算法叫做圖像分割算法(imagsegmentationalgorithms)。圖像分割是由圖像處理到圖像分的關(guān)鍵步驟[1],它在大量的生物醫(yī)學(xué)圖像的應(yīng)用起著至關(guān)重要的作用,比如:解剖結(jié)構(gòu)的研究、診斷等。在承擔(dān)自然科學(xué)基金項目的過程中,為研究分割算法在醫(yī)學(xué)圖像中的應(yīng)用,我們對過去國內(nèi)外二十多年里醫(yī)學(xué)圖像分割算法的發(fā)展和現(xiàn)今廣泛使用的分割法進(jìn)行了較詳細(xì)的調(diào)研,感到國內(nèi)在這方面的文獻(xiàn)和研究還比較少。為進(jìn)一步推動圖像分割在生物醫(yī)學(xué)工程中的應(yīng)用,本文結(jié)合我們目前的研究結(jié)果,對醫(yī)學(xué)分割算法、特別是其應(yīng)用做了介紹。

2現(xiàn)今廣泛使用的生物醫(yī)學(xué)圖像分割方法

利用“區(qū)域間不連續(xù)性”和“區(qū)域內(nèi)相似性”兩個準(zhǔn)則,分割算法可分為的“基于邊界的算法”和“基于區(qū)域的算法”。另外,根據(jù)分割過程中“判斷和決定是否可獨立地和同時地做出”的處理策略,分割算法又可分為“并行算法”和“串行算法”。所以分割算法可根據(jù)這兩個分成四類[1]。那么對于生物醫(yī)學(xué)圖像,也有相應(yīng)的四類分割法。圖像、成像方式以及其它因素。比如:對腦組織分割的要求就不同于對肝臟的要求,MR圖像有異于超聲圖像。更進(jìn)一步的情況,成像中的人為和不可抗拒的天然因素(例如噪聲和物體的運動等)也會在很大程度上影響后繼的分割。所以,至今沒有一種適用于任何醫(yī)學(xué)圖像的通用的分割技術(shù)。我們總結(jié)了現(xiàn)今國內(nèi)外廣泛使用的生物醫(yī)學(xué)圖像分割方法。重點放在對方法的介紹上,和使用時會面臨的具體問題上。方法的詳細(xì)數(shù)學(xué)推導(dǎo)超出了本文的范圍,讀者可以查閱參考文獻(xiàn)。雖然這些方法是分開描述的,但在實際應(yīng)用中,很多復(fù)合法也用于解決各種不同的實際分割問題。我們將這些方法分為四類6種:1)并行區(qū)域法:閾值法。2)串行區(qū)域法:區(qū)域生長法。3)結(jié)合特定理論工具的方法:①模式識別法(分類器法,聚類法);②人工神經(jīng)網(wǎng)絡(luò)法;③可變模型法。4)其他方法。

2.1閾值法

閾值分割法是將灰度圖像變?yōu)槎祱D像以達(dá)到分割目的的方法[4],它是一種PR(并行區(qū)域)法。閾值法的過程是決定一個灰度值,用以區(qū)分不同的類,這個灰度值就叫做“閾值”。把灰度值大于閾值的所有像素歸為一類,小于閾值的所有像素歸為另一類。閾值法是一種簡單但是非常有效的方法,特別是不同物體或結(jié)構(gòu)之間的有很大的強度對比時,能夠得到很好的效果。此分割法通常是交互式的。因為閾值法能夠?qū)崿F(xiàn)實時操作,所以它更能夠建立在用戶視覺估計的基礎(chǔ)上。閾值法一般可以作為一系列圖像處理過程的第一步。它的主要局限是,最簡單形式的閾值法只能產(chǎn)生二值圖像來區(qū)分兩個不同的類。另外,它只考慮像素本身的值[1],一般都不考慮圖像的空間特性,這樣就對噪聲很敏感。針對它的不足,有許多經(jīng)典閾值法的更新算法被提了出來[5]。

2.2區(qū)域生長法

區(qū)域生長法是根據(jù)預(yù)先定義的標(biāo)準(zhǔn),提取圖像中相連接的區(qū)域的方法[4]。這個標(biāo)準(zhǔn)可以是灰度信息,也可以是圖像的邊界,或者是兩者的聯(lián)合。在此法的最簡單形式中,先人工給出一個種子點,然后提取出和種子具有相同灰度值的所有像素。和閾值法一樣,區(qū)域生長法一般不單獨使用,而是放在一系列處理過程中,特別用它來描繪諸如腫瘤和傷口等小而且簡單的結(jié)構(gòu)。它主要的缺陷是,每一個需要提取的區(qū)域都必須人工給出一個種子點,這樣有多個區(qū)域就必須給出相應(yīng)的種子個數(shù)。此法對噪聲也很敏感,會造成孔狀甚至是根本不連續(xù)的區(qū)域。相反的,局部且大量的影響還會使本來分開的區(qū)域連接起來。為減輕這些缺點,產(chǎn)生了諸如模糊分類的區(qū)域增長法[6]和其他方法。

2.3模式識別法

2.3.1分類器法

分類器法是一種統(tǒng)計模式識別的方法[7],用以區(qū)分從已知標(biāo)記的圖像數(shù)據(jù)衍生而來的特征空間。灰度直方圖,就是最常見最典型的一維特征空間的例子。因為分類器法需要用已知的人工分割結(jié)果作為訓(xùn)練樣本、對分類器進(jìn)行訓(xùn)練后才能自動分割新的數(shù)據(jù),所以它是有監(jiān)督的模式識別方法。它的訓(xùn)練方法有很多種,其中,最簡單的一種是“非參數(shù)最近鄰”分類器。它將像素或者體素劃分在與其灰度值最接近的那一類中。而參數(shù)分類器中,使用得最多的是貝葉斯分類器(Bayesclassifier)[5]。標(biāo)準(zhǔn)的分類器要求被分割的結(jié)構(gòu)具有明顯的定量特征。因為如果訓(xùn)練樣本數(shù)據(jù)能夠被標(biāo)記,分類器就能夠?qū)⑦@些可以明顯區(qū)分的標(biāo)記轉(zhuǎn)化為新的數(shù)據(jù)而不需要反復(fù)迭代。所以相對于閾值法,在區(qū)分多區(qū)域圖像時它有較高的計算效率。它的缺點是是,需要人工交互方式獲得訓(xùn)練數(shù)據(jù)。另一方面,對于大量的生物圖像使用相同的訓(xùn)練樣本,會因為沒有考慮不同物體的解剖特性和物理特性而導(dǎo)致不準(zhǔn)確的結(jié)果。

2.3.2聚類法

聚類法的基本原理和分類器法大體是相同的,不同點在于它不需要訓(xùn)練樣本數(shù)據(jù)。所以它是無監(jiān)督的模式識別方法。為了彌補沒有訓(xùn)練數(shù)據(jù)這一點,聚類方法反復(fù)做兩件工作:分割圖像和刻畫每個類的特征,從而使用已有的數(shù)據(jù)訓(xùn)練自身以達(dá)到分割的目的。最常用的聚類方法是模糊C-均值算法[1],它通過對目標(biāo)函數(shù)的迭代優(yōu)化實現(xiàn)集合劃分,并且可以表示出各個像素屬于不同類別的程度。雖然聚類算法不需要訓(xùn)練樣本數(shù)據(jù),但是它需要一個初始的分割。和分類器方法一樣,聚類法同樣不考慮空間建模,所以對噪聲和非同質(zhì)的灰度很敏感。然而,這一缺陷卻加快了計算速度。

2.4人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)法是使用大量的平行的神經(jīng)網(wǎng)絡(luò)達(dá)到對圖像分割的目的[8]。這些網(wǎng)絡(luò)由模擬生物學(xué)習(xí)機理的節(jié)點或者元素組成,網(wǎng)絡(luò)中的每個節(jié)點能夠執(zhí)行最基本的運算。通過調(diào)整節(jié)點之間的權(quán)值可以達(dá)到網(wǎng)絡(luò)對生物機理的學(xué)習(xí)。比如,用它實現(xiàn)圖像的邊緣檢測[8]。文獻(xiàn)[9]局部興奮全局抑制振蕩網(wǎng)絡(luò)(LEGION,LocallyExcitatoryGloballyInhibitoryOscillatorNetwork)就是一種基于人類視覺特性的人工神經(jīng)網(wǎng)絡(luò)方法。LEGION是一個由張弛振子構(gòu)成的網(wǎng)絡(luò),每個振子皆由一個興奮單元x和一個抑制單元y組成(圖2)。分割結(jié)果見圖3。可以看出,與LEGION分割所得圖像相比,單閾值法所得圖像區(qū)域單一,細(xì)節(jié)較差,一些細(xì)小結(jié)構(gòu)未能表現(xiàn)出來。將LEGION這種算法完善,自適應(yīng)設(shè)置神經(jīng)網(wǎng)絡(luò)中的參數(shù),并且將它應(yīng)用在彩色圖像上。使用神經(jīng)網(wǎng)絡(luò)法的時候,因為網(wǎng)絡(luò)中有許多相互連接,所以空間信息就能很容易包涵在分類過程中。雖然神經(jīng)網(wǎng)絡(luò)法具有平行繼承性,但是它的處理過程和標(biāo)準(zhǔn)的串行計算機很類似,這樣就降低了它計算方面的潛在優(yōu)勢。

2.5可變模型法

可變模型法是基于模型的、使用閉合參數(shù)曲線或曲面描繪邊界的分割方法[3]。它的最初思想來源于物理概念:為了描繪出物體的邊界,首先設(shè)置一個離真實曲線或曲面不遠(yuǎn)的初始曲面或曲線,在外力和內(nèi)力的作用下,推動這個曲面或曲線移動,最后在圖像能量最低處停下來。因為曲線或曲面的移動類似于蛇,所以這個模型又叫做Snake模型,曲線或曲面叫做Snake。在圖像輪廓處灰度變化率(即梯度)最大,定義此處能量最小,那么Snake停下的地方就是真實邊界。由于1988年Kass首次提出的經(jīng)典Snake的外力場捕獲區(qū)很小[3],這就使得初始化和進(jìn)入凹陷區(qū)很困難。為此,科學(xué)家們多次改進(jìn)這一算法。其中,1998年Hopkins大學(xué)的ChenyangXu和JerryL.Prince[12]用梯度矢量流代替經(jīng)典外力場,這就是有名的GVF理論(GradientVectorFlow)。它很好地解決了經(jīng)典Snake中的初始化問題和凹陷區(qū)問題。[12]是采用GVFSnake對左心室核磁共振圖像的腔體分割。

2.6其它方法

還有一些生物圖像的分割方法,比如:微分算子的邊緣檢測[1],Hough變換[4],它們均屬PB法(并行邊界)的范疇;用樣條進(jìn)行曲線擬合,它是一種SB法(串行邊界)。因為生物醫(yī)學(xué)圖像中軟組織的物理和解剖特性,以上的方法一般不單獨使用,而是融入其它的方法里。此外,基于信息論[9]和基于小波分析[1]的分割技術(shù)也逐漸被應(yīng)用在生物圖像中。

3展望

今后的圖像分割會朝著更精確、更快速的方向發(fā)展。生物醫(yī)學(xué)圖像分割作為一種特殊的圖像分割領(lǐng)域,除了有上述的趨勢以外,圍繞的它另一重要發(fā)展是臨床上的應(yīng)用。計算機分割方法在輔助診斷和放射療法中已經(jīng)顯示出了它的作用。雖然全自動的分割方法永遠(yuǎn)不會取代醫(yī)生的地位,但是它漸漸成為了醫(yī)學(xué)圖像分析中的至關(guān)重要的部分。這一領(lǐng)域的研究還面臨著諸多的挑戰(zhàn)。首先,我們希望這些分割方法不僅能夠分割正常的組織結(jié)構(gòu),還要能夠處理反常和病變的狀態(tài)。但是在實際的研究中,后一個問題常常被忽略。并且,隨著基因工程的發(fā)展,微觀結(jié)構(gòu)的分割也提上了日程,而不能僅僅局限于現(xiàn)在的“器官”層次上的處理和分析。總的來說,生物醫(yī)學(xué)的圖像分割不僅同分割方法這種軟件因素相關(guān),也和成像儀器、成像方式、外界環(huán)境等硬件技術(shù)有關(guān)。隨著眾多專業(yè)分割算法的研究,以及硬件設(shè)備的不斷更新,這一領(lǐng)域會有更大的發(fā)展。致謝:感謝美國UniversityofLouisiana計算機學(xué)院的陳冠饒博士和UniversityofIllinois生物工程學(xué)院的王章偉博士在繁忙的學(xué)習(xí)工作中抽出時間提供了最新的檢索資料。