医学图像的分割

 时间:2018-04-25 15:48:52 贡献者:本科毕业设计大全

导读:火端资料库小编为大家带来关于医学图像的分割,医学图像分析系统,聚类医学图像分割,利用itk和vtk集成实现三维医学图像的分割的内容希望大家喜欢。

利用itk和vtk集成实现三维医学图像的分割
利用itk和vtk集成实现三维医学图像的分割

第六章 医学图像分割医学图像分割是医学图像处理和分析的关键步骤, 也是其它高级医学图像分 析和解释系统的核心组成部分。

医学图像的分割为目标分离、特征提取和参数的 定量测量提供了基础和前提条件,使得更高层的医学图像理解和诊断成为可能。

本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分 别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分 割方法作了详尽而系统的介绍, 接着在对图像分割过程中经常用到的二值图像数 学形态学基本运算作了简单叙述之后, 较为详细地讨论了医学图像分割效果和分 割算法性能的常用评价方法。

医学图像分割的意义、概念、 第一节 医学图像分割的意义、概念、分类和研究现状 医学图像分割在医学研究、 临床诊断、 病理分析、 手术计划、 影像信息处理、 计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值, 具体表现 为以下几个方面:(1) 用于感兴趣区域提取,便于医学图像的分析和识别。

如不 同形式或来源的医学图像配准与融合, 解剖结构的定量度量、 细胞的识别与计数、 器官的运动跟踪及同步等;(2)用于人体器官、组织或病灶的尺寸、体积或容积 的测量。

在治疗前后进行相关影像学指标的定量测量和分析, 将有助于医生诊断、 随访或修订对病人的治疗方案; (3)用于医学图像的三维重建和可视化。

这有助 于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等;(4) 用于在保持关键信息的前提下进行数据压缩和传输。

这在远程医疗中对实现医学 图像的高效传输具有重要的价值; (5)用于基于内容的医学图像数据库检索研究。

通过建立医学图像数据库,可对医学图像数据进行语义学意义上的存取和查找。

所谓医学图像分割,就是根据医学图像的某种相似性特征(如亮度、颜色、 纹理、面积、形状、位置、局部统计特征或频谱特征等)将医学图像划分为若干 个互不相交的“连通”的区域的过程,相关特征在同一区域内表现出一致性或相 似性,而在不同区域间表现出明显的不同,也就是说在区域边界上的像素存在某 种不连续性。

一般说来,有意义的图像分割结果中至少存在一个包含感兴趣目标 的区域。

1

区域(Region)作为图像分割中像素的连通集合和基本分割单位, 可以按照不 同的连通性来定义:4连通区域和8连通区域。

区域的连通性是指在一个区域中任 意两个像素之间,都存在一条完全由属于这个区域的元素所构成的连通路径。

如 果只依据处于四正位(上、下、左、右)或四角位(左上、左下、右上、右下)的相 邻像素确定区域的连通性,就称为4连通;如果同时依据处于四正位和四角位相 邻的像素确定区域的连通性则称为8连通。

在数学上,医学图像分割可以用集合论模型予以描述:已知一幅医学图像 I 和一组相似性约束条件 C i ( i = 1,2, L ),对 I 的分割就是求取它的一个划分的过 程,即:U R j = I , R j I Rk = φ , ∀j ≠ k , j , k ∈ [1, N ]j =1 N(6.1)其中,Rj为同时满足所有相似性约束条件 C i ( i = 1,2, L )的连通像素点的集合,即我们所谓的图像区域; N 为不小于2的正整数,表示分割后区域的个数。

在如上集合论模型描述中,如果保持区域连通性的约束被取消,那么对图像 所属像素集的划分就称为分类(Pixel classification),其中每一个像素集合称 为一类(Class)。

在本章后面的讨论中,为了描述上的方便,我们往往不加区分 地将经典的区域分割和像素分类统称为图像分割。

通常,医学图像分割方法可以划归为三大类:基于阈值的分割方法、基于边 缘的分割方法和基于区域的分割方法。

在理想情况下,医学图像中的每一个区域 都是由相应的封闭轮廓线包围着。

原则上,使用边界跟踪算法可以得到区域的边 缘(或封闭的轮廓线) ;反过来,使用简单的区域填充算法也可以得到边缘所包 围的区域。

但在实际的医学图像中,很少能够从区域中得到连续、封闭的边缘, 反之亦然。

由于受人体内外环境中种种确定性、不确定性因素的干扰和成像噪声 的影响,实际所获得的医学图像不可避免具有模糊、不均匀等缺陷;另外,人体 的解剖结构比较复杂而且因个体的病理或生理差异有很大的不确定性, 这在医学 图像中引入了新的复杂性,同时也给医学图像分割带来了很大的困难;还有,现 有医学图像分割的基本方法大多数是针对2D图像进行的, 当推广到3D乃至4D医学 图像分割应用场合时,在数据结构和算法处理上不可避免导致更大的复杂性,使 得医学图像的分割更为困难。

近年来大量学者致力于将新概念、新思想和新方法2

应用于复杂二维医学图像和高维医学图像或者图像序列的分割, 其中包括数学形 态学、模糊理论、神经网络、遗传算法、蚁群算法、粗糙集理论、水平集理论、 支持向量机、马尔科夫随机场理论、核函数方法、小波分析和小波变换等,其间 有很大一部分属于基于模式识别原理的医学图像分割方法。

各种分割方法或数学 工具的有效应用,极大地改善了医学图像的分割效果。

纵观医学图像分割技术的发展历程, 实际上是一个从人工分割到半自动分割 和全自动分割逐步发展的过程。

人工分割是指由经验丰富的临床医生在原始胶片 图像上直接勾画出组织的边界, 或者通过图像编辑器用鼠标在计算机显示器上勾 画出组织的边界或感兴趣区域。

半自动分割技术是随着计算机科学的发展而产生 的,它把计算机强大的数据处理、算法分析和智能计算能力以及自动存贮和记忆 功能与医学专家的知识和经验有机地结合起来, 通过人机交互的方式完成图像分 割。

全自动分割则彻底脱离了人为干预,完全由计算机自动完成图像分割的全过 程。

由于全自动分割方法不存在人为因素的影响,为图像中感兴趣区域的自动精 确测量奠定了基础。

但是绝大多数自动分割算法实现复杂,运算量较大,在很多 情况下,分割结果尚不理想,分割速度和性能也有待提高。

从目前图像分割技术在临床上的应用情况来看, 人工分割的精度在所有分割 方法中是最高的,被视为金标准,但该方法费时、费力,其分割结果的优劣完全 取决于操作者的经验和知识, 且分割结果难以重现。

半自动方法与人工分割相比, 分割速度有明显提高, 但其分割结果在很大程度上仍然依赖于操作者的主观经验 和知识, 这在一定程度上影响了半自动分割技术在临床上的广泛应用。

研究高效、 实用的全自动分割方法并最终取代繁琐的人工分割和主观性依然很强的半自动 分割一直是人们追求的目标,也是近年来图像分割方法的研究重点。

由于医学图 像经常存在对比度低、 组织特征的可变性大以及不同软组织之间或软组织与病灶 之间边界模糊、微细血管或神经结构形状分布复杂等特点,加上成像中种种客观 因素的制约,使得医学图像分割成为医学图像处理过程中的一个经典难题,到目 前为止既不存在一种通用的图像分割方法, 也不存在一种准确评价分割成功与否 的客观标准[1]。

第二节 基于阈值的图像分割方法 阈值法是一种常用的将图像中感兴趣目标与图像背景进行分离的图像分割 方法,常用的阈值法基本上都是基于一维灰度直方图统计特征的分割方法(见图3

6-1(2)),它简单地用一个或几个阈值将图像灰度直方图分成两段或多段,而把 图像中灰度值在同一段内的所有像素归属为同一个物体。

很明显,这类分割方法 基于如下前提与假设: 对应于特定物体或背景的像素灰度呈现峰状分布特征并且 基本集中于不同的灰度区间内。

设原始图像为 I ( x, y ) ,阈值法按照一定的规则在I ( x, y ) 中确定若干个门限值 T1 , T2 , L , TN , 其中 N ≥ 1 , 利用这些门限值将图像分割为几个部分。

分割后的结果图像可表述为 L N 若I ( x , y ) ≥ T N   LN −1 若TN −1 ≤ I ( x, y ) < TN  R ( x, y ) =  M L 若T1 ≤ I ( x, y ) < T2  1  L0 若 I ( x, y ) < T1 (6.2)其中, L0 , L1 , L , L N 为结果图像的灰阶。

如果 N = 2 ,上述分割步骤也被称为 基于阈值法的医学图像二值化过程。

需要注意的是, 医学图像的二值化通常是指通过一定的方法使得医学图像上 的所有点的灰度或颜色值只有两种取值。

图像二值化的目的主要就是为了简化图 像,并使图像具有鲜明的对比性,以便于对图像进行后续处理。

实际上医学图像 分割和医学图像的二值化是既有区别又有联系的两个概念,如式(6.2)在 N > 2 的情况下,图像分割的结果并不一定只具有两种颜色或灰度值,此时该步骤便只 能被称为图像的多阈值分割过程,而不能称作图像的二值化。

传统的阈值分割法通常直接利用图像的一维灰度直方图进行分割, 或基于图 像本身的灰度或颜色分布特征,来确定一个或多个门限T1 , T2 , L , TN,把 N 个门限将灰阶所对应数轴划分成 N + 1 个区间。

对于图像中的任意一个像素,如果它 的值处于第 i 个区间内,它就属于第 i 类目标。

该类方法适用于内容不太复杂且 灰度分布较为集中的图像。

理想情况下,从灰度直方图上根据经验直接选取合适 的门限即可很好地区分开不同种类的组织 (比如CT图像中皮肤、 血管、 骨骼等硬、 软组织的分割) ,但在绝大多情况下,简单阈值法并不能得到正确有效的分割。

其 原因在于图像的一维直方图一般是图像中各像素灰度值出现频数的统计结果, 它 只反映出图像中不同灰度值出现的频率, 而不能反映某一灰度值的像素所对应的4

位置及其邻域特征, 因此它孤立地对每个像素进行运算而仅仅相关于图像中某 点像素的信息,却忽略了其空间邻域信息,这使得该方法对于噪声和灰度不均匀 性很敏感,此外对于各物体不存在明显灰度差异或各自灰度范围有较大重叠的图 像而言,在灰度直方图中,可能没有显著的统计特征,如直方图呈现大量毛刺、 没有明显多峰、谷底表现比较平坦等,这种情况下就非常不利于阈值的选取,此 时如何确定最佳分割阈值将是一个极为关键和困难的问题。

如果阈值选取不合 理,则会把一些本来不是目标的像素也当作目标,造成误识;或者把一些目标漏 掉造成漏识。

由于在绝大多数情况下物体和背景的对比度在图像中各处不是完全一样的, 很难用一个统一的阈值将物体与背景分开。

在阈值分割技术具体实施过程中,人 们往往还需要通过控制阈值选取范围的方法实现局部分割阈值的选择, 即将原始 图像划分成较小的图像, 并对每个小图像根据图像的局部特征分别采用不同的阈 值进行分割。

实际处理时,既可按照具体问题将图像分成若干子区域分别选择阈 值,也可动态地根据某点邻域内的图像特征选择每点处的阈值而实现图像分割, 这往往被称为自适应阈值分割。

当然在图像中背景和目标具有明显对比度差异的 情况下,直接对整幅图像采用统一的阈值做分割处理即可,这也是通常所说的全 局阈值分割。

阈值法作为一种古老的图像分割方法,因其实现简单、计算量相对较小、性 能较稳定已经成为图像分割中最基本和应用最广泛的分割技术之一。

在运用阈值 法进行图像分割的过程中由于每个像素的所属类别只依赖于它的数值,能够实现 并行的快速实时操作, 这使得阈值法常常作为关键的预处理步骤被用在各种图像 处理过程之中。

为了提高图像中感兴趣目标和背景的分割精度和效率,目前人们 运用信息熵、最优化方法、模糊集合论、数学形态学、小波变换等数学理论或工 具发展了各种各样的基于直方图统计特征的阈值选取和分割技术,本节只就p分位数法、双峰法、迭代法、最大熵法、矩量保持法、大津法等常见的图像阈值 分割方法进行详细的介绍。

一、 p-分位数法 p-分位数法(也称p-tile法)是最古老的阈值选取方法之一。

其基本思想是使 在很多医 医学图像中目标所占图像像素数的比例等于其先验概率 p 来设定阈值。

5

 
 

微信扫一扫 送福利