火端文库
当前位置:首页 » 医学图像分割文献综述 » 正文

医学图像分割文献综述

2018-04-25 14:27:35

考核方式(闭卷考试,开卷考试或文献综述等)  出席并参与案例讨论
考核方式(闭卷考试,开卷考试或文献综述等) 出席并参与案例讨论医学图像分割文献综述

前言随着迷信技术的停顿,生物切片图像在性命迷信、医学、农业等范围失掉越 来越普遍的运用。

经过对切片图像停止图形、图像处置,能够从图像中提取有意 义的目的.偏重建出三维模型.为人们提供便利。

与其他图像相比,生物切片图 像具有颜色相近、灰度不均匀、边缘复杂等特征,添加了图像联系的难度。

常用的图像联系办法有阈值法、基于边缘的办法、基于区域生长的办法等。

关于生物切片图像,传统的联系技术或失败,或需求特殊的处置技术⋯。

新兴的 数学外形学技术在滤波去噪、坚持轮廓信息等方面有着清楚的优势。

因此, 外形学常与联系办法相结合,如用外形学改善边缘检测成效,运用于生物组 织的纹理联系I,以及生物切片的交互式区域联系等。

本文探索外形学与阈值方 法相结合的模板法。

以完成医学病理切片图像中真皮区域联系 2.2医学图像联系概述 算法运用与追求图像联系是图像处置中的要紧成绩, 散布的区域, 失掉的图像称为联系图像, 能够给出如下图像联系的定义[1】 :它把图像分红若干个依照一个或几个特 征均匀显示的是区域信息。

借助集合概念对图像联系令集合R代表整个图像区域, 对R的联系能够看着将R分红N个满足以下五个条件的非空子集;Ⅳ ①lJRi=R f=l ②Rin母=a,对全部的i和j,f≠J ③P(Ri)=TRUE,i--1,2一·N ④P(RiA母)=FALSE,i≠J ⑤Rf是连通的区域,i=l,2· · ·N 条件①指出在对一幅图像的联系应将图像中的每个像素都分进某个子区域 中; 条件②指出在联系结果中各个子区域是互补堆叠的;条件③指出在联系结果 中每个子区域都有共同的特性; 条件④指出在联系结果中,各个子区域具有不同 的特性, 没有分歧元素; 条件⑤指出联系结果中同一个子区域内的像素应该是连 通的。

医学图像中包括的内容格外多,有些是临床诊断所关心的有用区域,称之为感 兴味区域(Region Of Interest,ROI),有些是不感兴味的周围环境区域,称之 为不感兴味区域(Region Of Uninterested,ROU)。

为了识别和分析医学图像感 兴味区域,就务必将这些区域分手出来。

在医学图像处置中,自动识别有特定意 义的图像成分, 解剖构造和其他感兴味的区域, 是图像联系技术的一个基转义务。

图像联系技术极大的推进了可视化和特定组织构造处置的停顿。

而这往往是决策 着整个临床和追求分析结果的要紧一步。

图像联系的追求多年来时常遭到人们的高度注重, 至今提出了各种类型的分

割算 法。

在一个比拟细腻的分类里,Haralick和Shapiro将全部算法分为6类:测 度空间导向的空间聚类、单一衔接区域生长战略、中心衔接区域生长战略、空间 聚类战略和分裂兼并战略。

依照算法所运用的技术或针对的图像,Paltl3】也把 图像联系算法分红了6类:阈值联系,像素联系、深度图像联系、黑色图像联系, 边缘检测和基于模糊集的办法。

但是,该办法中,各个类别的内容是有堆叠的。

为了涵盖时常涌现的新办法,有的追求者将图像联系算法分为以下六类t并行边 界联系技术、串行边界联系技术、并行区域联系技术、串行区域联系技术、结合 特定实际工具的联系技术和特殊图像联系技术。

而在较近的一篇综述中,更有学 者将图像联系简明的联系数据驱动的联系和模型驱动的联系两类。

2.3基于边缘的图像联系 所谓边缘是指其周围像素灰度有改变的那些像素的集合【11,边缘普遍存在 于物体与背景之间、物体与物体之间、基元与基元之间。

物体的边缘是由灰度的 不延续所反响的。

基于边缘的联系代表了一大类基于图像边缘信息的办法,它是 最早的联系办法之一, 而且如今照旧是异常严重的。

基于边缘的联系依赖于由边 缘检测子找到的图像边缘,这些边缘指示出了图像在灰度、颜色、纹理等方面不 延续的位子。

接着再将这些不延续的边缘像素连成完整的边界。

常用的边缘提取 的算法有微分算子法、曲面拟合法、Hough转换法等。

1.微分算子法 微分算子法是经过求图像一阶导数的极值点或二阶导数的零点来检测边缘。

常用的 一阶导数有Perwitt算子、Sobel算子、梯度算子,二阶导数算子有Kirch算 子,拉普拉 斯算子和Wallis算子等非线性算子。

(1)Prewitt算子 Prewitt算子不是直截了当差分,而是先均匀再差分,其中X,Y的模板如下: r一1 0 11 rl 1 l 1Prewitt算子具有抑制噪声的才干,假设模板更大些,则抑制噪声愈加清楚。

(2)Sobel算子

Sobel算子是先加权均匀后再求差分,其X,Y的模板如下:2.4基于区域的图像联系 基于区域的图像联系技术是以区域为对象 【I” , 依照罔像纹理特征、 灰度值、 换图像的特征等分歧属性来划分图像区域。

该办法给图像中的每一个像素都赋予 一个类别属性, 使具有预定义属性的像素聚积在同类别中。

罕见的基于区域联系 法有区域生长与分裂台并法、闽值法、聚类等。

l区域生长和分裂台){二法区域生长的差不多思想是将具有相象特性的像素合 并到某个区域。

首先为每个需求联系的区域确定一个种子像素作为生长终点(见 图2. 2), 接着按一定的生K准绳把它周围与其特性相反或相象的像素兼并到种子 像素所在的区域中,把这些新像素作为种子承袭生长(见图2_31,直到没有满足 条什的像素可被包括,这时一个区域就构成r。

区域生长法所要处置的土要成绩 是区域生长准绳的设计。

生K准绳往往和详细『 【0题有关,直截了当妨碍 最终来构成的区域,假设选取不当,就会形成过火割或欠联系的现象。

医域生 长法的优点是计算简明,对1:较均匀的连通目的有较好的联系成效。

它的缺陷 是需求人为确定种子点,H对噪声敏感,呵能招致区域内有卒洞;其它,它是一 种串行算法,当图像目的较大时,联系速度较慢,因此在设计算法时,要琢磨尽 量提高成效。

2 2设定种子置圈2-3生出息程 F19 2—2 Settle t he poiat of seed Fig 2—3 proces s of growth 分裂台并法的差不多思想是从整幅图像末尾经过小断分裂兼并失掉各个旺域。

R代表 整个正方形图像区域, P代表检验准绳, 利川叫叉树表达分裂与兼并算法如r: 11对恣意区域m.假设P(Ril=FALSE,就将其分裂为玎:堆叠的四等分。

2)对艄邻的两个I《域彤和彤,假设P(Riu彤)=TRUE,就将它们兼并 3蝴1小何个M域怕先进分裂和兼并挪小gq能r,1ll|J分荆±一々柬。

9 这种办法对较复杂图像的联系,成效比拟好,但算法较复杂、计算量大,同 时分裂 还有能够破坏区域的边界。

2.阈值法 阈值法是一种较罕见的、并行的、直截了当检测区域的联系办法。

该办法是基于 对灰度图像的一种假定, 即目的或背景内相邻像素间的灰度值是相象的,不同的 目的或背景的像素在灰度上有差异的,反响在直方图上,不同的目的或背景对应 不同的峰值。

阈值是指用于区分不同目的图像的灰度值。

假设图像中只好目的和 背景两类,那样只需求选取一个阈值,称为单阈值联系(如图2.4),这种办法是

将图像中每个像素的灰度值与该阈值停止比拟,灰度值大于该阈值的像素为一 类,而小于阈值的像素为另一类。

假设图像中有多个目的,就需求选取多个阈值 将每个目的分开,这种办法称为多阈值联系(如图2.4)。

阈值阈值1 阈值2 灰度值 图2-4阈值联系 Fig 2-4 threshold segmentat ion 阈值联系的优点有计算简明、算法成效较高、速度快等,当不同类物体的灰 度或 其它特征值相差格外大时, 能有效地对图像停止联系。

该办法常常用于医学图 像中目的区域和背景区域的联系,如骨骼和皮肤等不I一组织的联系。

阈值联系 的缺陷是关于灰度值或特征值相差不大的图像, 往往难以失掉准确的结果。

其它, 由于它仅仅琢磨图像的灰度信息而不琢磨图像的空间信息,对噪声比拟敏感,影 响了联系的功能。

针对阈值联系的缺陷,在实践运用中通常将它与其它办法结合 运用,如基于模糊实际的阈值联系等。

3.聚类 聚类法是将图像空间中的像素用对应的特征空间点显示, 经过将相象的特征 点聚积成团,接着再将它们映射到原图像空间,失掉联系结果。

而图像联系可看 成是目的对象的分类成绩,能够借助于形式识别中的形式分类技术。

聚类算法包括K均值法、模糊C均值(FCM)法等。

K均值聚类,即众所周知的C 均值聚类, 曾经运用到各种范围。

它的核办法想如下: 先对往后的每一类求均值, 接着按新均值对像素停止从头分类(将像素归入与均值最近的类), 对重生成的类 再迭代实行前面的步骤。

模糊C均值算法即众所周知的模糊ISODATA,是用从属度 确定每个数据点属于某个聚类的程度的一种聚类算法。

1973年,Bezdek提出了该 算法,作为早期硬C均值聚类(HCM)办法的一种改善。

聚类法平常需求训练集,该 办法能够自动地将样本聚成相应的类别,是一种无监视10的图像联系办法,普遍 用于医学图像的组织分类。

然而该办法需求有一个初始联系参数,初始参数对最 终分类结果妨碍也比拟大,其它,聚类法也没有琢磨空间关联信息,因此 对噪声和灰度不均匀比拟敏感。

2.5基于特定实际的图像联系由于组织器官外形的不规章性、 人体解剖构造的复杂性以及集体之间的差异

性, 将平常的图像联系办法直截了当运用于医学图像联系,并不能失掉理想的联系效 果。

因此,近年来人们末尾积极将其它学迷信咨询引入到医学图像联系范围,如建 立在随机进程、微分几何和模糊实际等基础上的模糊聚类法、形变模型法等,并 且赢得了一定的追求成效。

将新概念、新办法特殊是数学范围中提出的新办法引 入到图像联系范围中成为目前图像联系技术追求停顿的新趋向。

本文办法是采取基于图像区域的清楚性操作思绪。

首先是用Kmeans算法聚类 的思想.将图像停止区域联系,接着计算各个被联系区域的对照度值,以及区域 在图像中位子的妨碍因子,计算出清楚性值。

最终来确定目的区域。

将其他的非显 著性目的区域兼并, 最终来失掉联系结果。

试验的结果标明关于大少数自然图像我 们的办法能赢得较好的成效。

Kmeans算法圆描画为给定一个数据集其中含有n个数据,生成聚类的个数设 定为k。

接着将这n个数据划分红为k个子集,分红的每个子集就代表一个聚类, 同一个聚类中数据间的间隔较近.而不同聚类数据间的间隔较远。

用中心值来表 示每一个聚类。

而中心值是由计算聚类中全部数据的均匀值失掉的。

聚类与分类 不同,聚类是一种无监视学习,不依赖预定义的类和类标号。

聚类分析不是去预 测某一个结果, 而是从输入中发现特征。

记载被分红类同时使得同一类中的记载 彼此相象,而不同的记载尽可能不同。

初始联系进程如下:首先我们输入一幅黑色 图像。

并将图像从RGB转化到lab黑色空间.接着提取出lab空间的a分量和b分量。

依照两个分量停止Kmeans聚类最终来失掉各个联系区域。

总结本文对医学运用范围中一些有代表性的图像联系办法做了一个比拟周全的 综述, 并分析了几类办法的特征和局限性.近几年来尽管照旧有格外多追求人员致 力于医学图像联系的追求,发布了格外多的追求成效,但由于成绩本身的困难性, 目前的办法多是针对某个详细义务而言的,还没有一个通用的处置办法. 医学图像联系办法的追求有四个清楚的特征: 1人们慢慢看法到现有的任何一种单独的图像联系算法都难以对平常图像取 得令人中意的联系结果, 因此在承袭努力于将新的概念、新的办法引入图像联系 范围的同时, 愈加注重多种联系算法的有效结合,近几年来提出的办法大少数是 结合了多种算法的采取啥样的结合方式才干表现各种办法的优点, 赢得好的效 果成为人们关心的成绩, 这能够说是近年来人工智能范围中综合集成的办法论在 图像 联系范围的表现. 2.医学图像联系平常要用到医学中的范围学咨询,如心室的大致外形,颅内