[图文]医学图像分割文献综述

火端文库
当前位置:首页 » 医学图像分割文献综述 » 正文

[图文]医学图像分割文献综述

我想晋升超声医学副高 文献综述怎么写
我想晋升超声医学副高 文献综述怎么写

前言随着科学技术的发展,生物切片图像在生命科学、医学、农业等领域得到越 来越广泛的应用。

通过对切片图像进行图形、图像处理,可以从图像中提取有意 义的目标.并重建出三维模型.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、边缘复杂等特点,增加了图像分割的难度。

常用的图像分割方法有阈值法、基于边缘的方法、基于区域生长的方法等。

对于生物切片图像,传统的分割技术或失败,或需要特殊的处理技术⋯。

新兴的 数学形态学技术在滤波去噪、保持轮廓信息等方面有着明显的优势。

因此, 形态学常与分割方法相结合,如用形态学改进边缘检测效果,应用于生物组 织的纹理分割I,以及生物切片的交互式区域分割等。

本文探讨形态学与阈值方 法相结合的模板法。

以实现医学病理切片图像中真皮区域分割 2.2医学图像分割概述 算法应用与研究图像分割是图像处理中的关键问题, 分布的区域, 得到的图像称为分割图像, 可以给出如下图像分割的定义[1】 :它把图像分成若干个按照一个或几个特 征均匀表示的是区域信息。

借助集合概念对图像分割令集合R代表整个图像区域, 对R的分割可以看着将R分成N个满足以下五个条件的非空子集;Ⅳ ①lJRi=R f=l ②Rin母=a,对所有的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分割应将图像中的每个像素都分进某个子区域 中; 条件②指出在分割结果中各个子区域是互补重叠的;条件③指出在分割结果 中每个子区域都有独特的特性; 条件④指出在分割结果中,各个子区域具有不同 的特性, 没有共同元素; 条件⑤指出分割结果中同一个子区域内的像素应该是连 通的。

医学图像中包含的内容很多,有些是临床诊断所关心的有用区域,称之为感 兴趣区域(Region Of Interest,ROI),有些是不感兴趣的周围环境区域,称之 为不感兴趣区域(Region Of Uninterested,ROU)。

为了识别和分析医学图像感 兴趣区域,就必须将这些区域分离出来。

在医学图像处理中,自动识别有特定意 义的图像成分, 解剖结构和其他感兴趣的区域, 是图像分割技术的一个根本任务。

图像分割技术极大的推动了可视化和特定组织结构处理的发展。

而这往往是决定 着整个临床和研究分析结果的关键一步。

图像分割的研究多年来一直受到人们的高度重视, 至今提出了各种类型的分

割算 法。

在一个比较细致的分类里,Haralick和Shapiro将所有算法分为6类:测 度空间导向的空间聚类、单一连接区域生长策略、中心连接区域生长策略、空间 聚类策略和分裂合并策略。

依据算法所使用的技术或针对的图像,Paltl3】也把 图像分割算法分成了6类:阈值分割,像素分割、深度图像分割、彩色图像分割, 边缘检测和基于模糊集的方法。

但是,该方法中,各个类别的内容是有重叠的。

为了涵盖不断涌现的新方法,有的研究者将图像分割算法分为以下六类t并行边 界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合 特定理论工具的分割技术和特殊图像分割技术。

而在较近的一篇综述中,更有学 者将图像分割简单的分割数据驱动的分割和模型驱动的分割两类。

2.3基于边缘的图像分割 所谓边缘是指其周围像素灰度有变化的那些像素的集合【11,边缘广泛存在 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 不连续所反映的。

基于边缘的分割代表了一大类基于图像边缘信息的方法,它是 最早的分割方法之一, 而且现在仍然是非常重要的。

基于边缘的分割依赖于由边 缘检测子找到的图像边缘,这些边缘指示出了图像在灰度、色彩、纹理等方面不 连续的位置。

然后再将这些不连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变换法等。

1.微分算子法 微分算子法是通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算子不是直接差分,而是先平均再差分,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能力,如果模板更大些,则抑制噪声更加明显。

(2)Sobel算子

Sobel算子是先加权平均后再求差分,其X,Y的模板如下:2.4基于区域的图像分割 基于区域的图像分割技术是以区域为对象 【I” , 依照罔像纹理特征、 灰度值、 换图像的特征等共同属性来划分图像区域。

该方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集在同类别中。

常见的基于区域分割 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){二法区域生长的基本思想是将具有相似特性的像素合 并到某个区域。

首先为每个需要分割的区域确定一个种子像素作为生长起点(见 图2. 2), 然后按一定的生K准则把它周围与其特性相同或相似的像素合并到种子 像素所在的区域中,把这些新像素作为种子继续生长(见图2_31,直到没有满足 条什的像素可被包括,这时一个区域就形成r。

区域生长法所要解决的土要问题 是区域生长准则的设计。

生K准则往往和具体『 【0题有关,直接影响 最后形成的区域,如果选取不当,就会造成过分割或欠分割的现象。

医域生 长法的优点是计算简单,对1:较均匀的连通目标有较好的分割效果。

它的缺点 是需要人为确定种子点,H对噪声敏感,呵能导致区域内有卒洞;另外,它是一 种串行算法,当图像目标较大时,分割速度较慢,因此在设计算法时,要考虑尽 量提高效率。

2 2设定种子置圈2-3生长过程 F19 2—2 Settle t he poiat of seed Fig 2—3 proces s of growth 分裂台并法的基本思想是从整幅图像开始通过小断分裂合并得到各个旺域。

R代表 整个正方形图像区域, P代表检验准则, 利川叫叉树表达分裂与合并算法如r: 11对任意区域m.如果P(Ril=FALSE,就将其分裂为玎:重叠的四等分。

2)对艄邻的两个I《域彤和彤,如果P(Riu彤)=TRUE,就将它们合并 3蝴1小何个M域怕进步分裂和合并挪小gq能r,1ll|J分荆±一々柬。

9 这种方法对较复杂图像的分割,效果比较好,但算法较复杂、计算量大,同 时分裂 还有可能破坏区域的边界。

2.阈值法 阈值法是一种较常见的、并行的、直接检测区域的分割方法。

该方法是基于 对灰度图像的一种假设, 即目标或背景内相邻像素间的灰度值是相似的,不同的 目标或背景的像素在灰度上有差异的,反映在直方图上,不同的目标或背景对应 不同的峰值。

阈值是指用于区分不同目标图像的灰度值。

如果图像中只有目标和 背景两类,那么只需要选取一个阈值,称为单阈值分割(如图2.4),这种方法是

将图像中每个像素的灰度值与该阈值进行比较,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。

如果图像中有多个目标,就需要选取多个阈值 将每个目标分开,这种方法称为多阈值分割(如图2.4)。

阈值阈值1 阈值2 灰度值 图2-4阈值分割 Fig 2-4 threshold segmentat ion 阈值分割的优点有计算简单、算法效率较高、速度快等,当不同类物体的灰 度或 其它特征值相差很大时, 能有效地对图像进行分割。

该方法经常用于医学图 像中目标区域和背景区域的分割,如骨骼和皮肤等不I一组织的分割。

阈值分割 的缺点是对于灰度值或特征值相差不大的图像, 往往难以得到准确的结果。

另外, 由于它仅仅考虑图像的灰度信息而不考虑图像的空间信息,对噪声比较敏感,影 响了分割的性能。

针对阈值分割的缺点,在实际应用中通常将它与其它方法结合 使用,如基于模糊理论的阈值分割等。

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表示, 通过将相似的特征 点聚集成团,然后再将它们映射到原图像空间,得到分割结果。

而图像分割可看 成是目标对象的分类问题,可以借助于模式识别中的模式分类技术。

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, 已经应用到各种领域。

它的核心思想如下: 先对当前的每一类求均值, 然后按新均值对像素进行重新分类(将像素归入与均值最近的类), 对新生成的类 再迭代执行前面的步骤。

模糊C均值算法即众所周知的模糊ISODATA,是用隶属度 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)方法的一种改进。

聚类法一般需要训练集,该 方法可以自动地将样本聚成相应的类别,是一种无监督10的图像分割方法,广泛 用于医学图像的组织分类。

然而该方法需要有一个初始分割参数,初始参数对最 终分类结果影响也比较大,另外,聚类法也没有考虑空间关联信息,因此 对噪声和灰度不均匀比较敏感。

2.5基于特定理论的图像分割由于组织器官形状的不规则性、 人体解剖结构的复杂性以及个体之间的差异

性, 将一般的图像分割方法直接应用于医学图像分割,并不能得到理想的分割效 果。

所以,近年来人们开始积极将其它学科知识引入到医学图像分割领域,如建 立在随机过程、微分几何和模糊理论等基础上的模糊聚类法、形变模型法等,并 且取得了一定的研究成果。

将新概念、新方法特别是数学领域中提出的新方法引 入到图像分割领域中成为目前图像分割技术研究发展的新趋势。

本文方法是采用基于图像区域的显著性操作思路。

首先是用Kmeans算法聚类 的思想.将图像进行区域分割,然后计算各个被分割区域的对比度值,以及区域 在图像中位置的影响因子,计算出显著性值。

最后确定目标区域。

将其他的非显 著性目标区域合并, 最终得到分割结果。

实验的结果表明对于大多数自然图像我 们的方法能取得较好的效果。

Kmeans算法圆描述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。

然后将这n个数据划分成为k个子集,分成的每个子集就代表一个聚类, 同一个聚类中数据间的距离较近.而不同聚类数据间的距离较远。

用中心值来表 示每一个聚类。

而中心值是由计算聚类中所有数据的平均值得到的。

聚类与分类 不同,聚类是一种无监督学习,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。

记录被分成类并且使得同一类中的记录 彼此相似,而不同的记录尽量不同。

初始分割过程如下:首先我们输入一幅彩色 图像。

并将图像从RGB转化到lab彩色空间.然后提取出lab空间的a分量和b分量。

根据两个分量进行Kmeans聚类最后得到各个分割区域。

总结本文对医学应用领域中一些有代表性的图像分割方法做了一个比较全面的 综述, 并分析了几类方法的特点和局限性.近几年来虽然仍然有很多研究人员致 力于医学图像分割的研究,发表了很多的研究成果,但由于问题本身的困难性, 目前的方法多是针对某个具体任务而言的,还没有一个通用的解决办法. 医学图像分割方法的研究有四个显著的特点: 1人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像取 得令人满意的分割结果, 因而在继续致力于将新的概念、新的方法引入图像分割 领域的同时, 更加重视多种分割算法的有效结合,近几年来提出的方法大多数是 结合了多种算法的采取什么样的结合方式才能体现各种方法的优点, 取得好的效 果成为人们关注的问题, 这可以说是近年来人工智能领域中综合集成的方法论在 图像 分割领域的体现. 2.医学图像分割一般要用到医学中的领域知识,如心室的大致形状,颅内