火端文库
当前位置:首页 » 医学图像的分割 » 正文

医学图像的分割

2018-04-25 14:28:23

基于人工免疫系统的医学图像分割
基于人工免疫系统的医学图像分割医学图像的分割

第六章 医学图像联系医学图像联系是医学图像处置和分析的要紧步骤, 也是其它初级医学图像分 析和讲解系统的中心组成部分。

医学图像的联系为目的分手、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了解和诊断成为能够。

本章首先对医学图像联系的意义、概念、分类及其追求现状停止了概述,接着分 别对基于阈值、基于边缘、基于区域和基于形式识别原理的各种罕见医学图像分 割办法作了详细而系统的讲解, 接着在对图像联系进程中常常用到的二值图像数 学外形学差不多运算作了简明叙说之后, 较为详细地商榷了医学图像联系成效和分 割算法功能的常用评价办法。

医学图像联系的意义、概念、 第一节 医学图像联系的意义、概念、分类和追求现状 医学图像联系在医学追求、 临床诊断、 病理分析、 手术方案、 影像信息处置、 计算机辅佐手术等医学追求与实际范围中有着普遍的运用和追求价值, 详细表现 为以下几个方面:(1) 用于感兴味区域提取,便于医学图像的分析和识别。

如不 同方式或来源的医学图像配准与融合, 解剖构造的定量度量、 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。

在治疗左右停止相关影像学目标的定量测量和分析, 将有助于大夫诊断、 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方案中的三维定位等;(4) 用于在坚持要紧信息的前提下停止数据紧缩和传输。

这在远程医疗中对完成医学 图像的高效传输具有严重的价值; (5)用于基于内容的医学图像数据库检索追求。

经过树立医学图像数据库,可对医学图像数据停止语义学意义上的存取和查找。

所谓医学图像联系,一定是依照医学图像的某种相象性特征(如亮度、颜色、 纹理、面积、外形、位子、部分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”的区域的进程,相关特征在同一区域内表现出分歧性或相 似性,而在不同区域间表现出清楚的不同,也一定是说在区域边界上的像素存在某 种不延续性。

平常说来,有意义的图像联系结果中至少存在一个包括感兴味目的 的区域。

1

区域(Region)作为图像联系中像素的连通集合和差不多联系单位, 能够依照不 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,都存在一条完整由属于那个区域的元素所构成的连通途径。

如 果只依照处于四正位(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;假设同时依照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,医学图像联系能够用集合论模型予以描画:已知一幅医学图像 I 和一组相象性约束条件 C i ( i = 1,2, L ),对 I 的联系一定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为同时满足全部相象性约束条件 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,显示联系后区域的个数。

在如上集合论模型描画中,假设坚持区域连通性的约束被取消,那样对图像 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)。

在本章前面的商榷中,为了描画上的便利,我们往往不加区分 地将经典的区域联系和像素分类统称为图像联系。

通常,医学图像联系办法能够划归为三大类:基于阈值的联系办法、基于边 缘的联系办法和基于区域的联系办法。

在理想状况下,医学图像中的每一个区域 基本上由相应的封锁轮廓线包围着。

准绳上,运用边界跟踪算法能够失掉区域的边 缘(或封锁的轮廓线) ;反过去,运用简明的区域填充算法也能够失掉边缘所包 围的区域。

但在实践的医学图像中,格外少能够从区域中失掉延续、封锁的边缘, 反之亦然。

由于受人体内外环境中种种确定性、不确定性要素的搅扰和成像噪声 的妨碍,实践所取得的医学图像不可幸免具有模糊、不均匀等缺陷;其它,人体 的解剖构造比拟复杂而且因集体的病理或生理差异有格外大的不确定性, 这在医学 图像中引入了新的复杂性,同时也给医学图像联系带来了格外大的困难;还有,现 有医学图像联系的差不多办法大少数是针对2D图像停止的, 当推行到3D甚至4D医学 图像联系运用场地时,在数据构造和算法处置上不可幸免招致更大的复杂性,使 得医学图像的联系更为困难。

近年来大批学者努力于将新概念、新思想和新办法2

运用于复杂二维医学图像和高维医学图像或许图像序列的联系, 其中包括数学形 态学、模糊实际、神经网络、遗传算法、蚁群算法、粗糙集实际、程度集实际、 支援向量机、马尔科夫随机场实际、核函数办法、小波分析和小波转换等,其间 有格外大一部分属于基于形式识别原理的医学图像联系办法。

各种联系办法或数学 工具的有效运用,极大地改善了医学图像的联系成效。

纵观医学图像联系技术的停顿历程, 实践上是一个从人工联系到半自动联系 和全自动联系逐渐停顿的进程。

人工联系是指由经验丰厚的临床大夫在原始胶片 图像上直截了当勾勒出组织的边界, 或许经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味区域。

半自动联系技术是随着计算机迷信的停顿而发作 的,它把计算机强盛的数据处置、算法分析和智能计算才干以及自动存贮和经历 功用与医学专家的学咨询和经验无机地结合起来, 经过人机交互的方式完成图像分 割。

全自动联系则完全脱离了人为干涉,完整由计算机自动完成图像联系的全过 程。

由于全自动联系办法不存在人为要素的妨碍,为图像中感兴味区域的自动精 确测量奠定了基础。

但是绝大少数自动联系算法完成复杂,运算量较大,在格外多 状况下,联系结果尚不理想,联系速度和功能也有待提高。

从目前图像联系技术在临床上的运用状况来看, 人工联系的精度在全部联系 办法中是最高的,被视为金尺度,但该办法费时、费劲,其联系结果的优劣完整 取决于操作者的经验和学咨询, 且联系结果难以重现。

半自动办法与人工联系相比, 联系速度有清楚提高, 但其联系结果在格外大程度上照旧依赖于操作者的客观经验 和学咨询, 这在一定程度上妨碍了半自动联系技术在临床上的普遍运用。

追求高效、 有用的全自动联系办法并最终来取代繁琐的人工联系和客观性照旧格外强的半自动 联系时常是人们追求的目的,也是近年来图像联系办法的追求重点。

由于医学图 像常常存在对照度低、 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、微细血管或神经构造外形散布复杂等特征,加上成像中种种客观 要素的制约,使得医学图像联系成为医学图像处置进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联系办法, 也不存在一种准确评价联系成功与否 的客观尺度[1]。

第二节 基于阈值的图像联系办法 阈值法是一种常用的将图像中感兴味目的与图像背景停止分手的图像联系 办法,常用的阈值法差不多上基本上基于一维灰度直方图统计特征的联系办法(见图3

6-1(2)),它简明地用一个或几个阈值将图像灰度直方图分红两段或多段,而把 图像中灰度值在同一段内的全部像素归属为同一个物体。

格外清楚,这类联系办法 基于如下前提与假定: 对应于特定物体或背景的像素灰度展现峰状散布特征同时 差不多集中于不同的灰度区间内。

设原始图像为 I ( x, y ) ,阈值法依照一定的规章在I ( x, y ) 中确定若干个门限值 T1 , T2 , L , TN , 其中 N ≥ 1 , 应用这些门限值将图像联系为几个部分。

联系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。

假设 N = 2 ,上述联系步骤也被称为 基于阈值法的医学图像二值化进程。

需求留意的是, 医学图像的二值化通常是指经过一定的办法使得医学图像上 的全部点的灰度或颜色值只好两种取值。

图像二值化的目的要紧一定是为了精简图 像,并使图像具有鲜亮的对照性,以便于对图像停止后续处置。

实践上医学图像 联系和医学图像的二值化是既有差异又有联络的两个概念,如式(6.2)在 N > 2 的状况下,图像联系的结果并不一定只具有两种颜色或灰度值,此刻该步骤便只 能被称为图像的多阈值联系进程,而不能称作图像的二值化。

传统的阈值联系法通常直截了当应用图像的一维灰度直方图停止联系, 或基于图 像本身的灰度或颜色散布特征,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红 N + 1 个区间。

关于图像中的恣意一个像素,假设它 的值处于第 i 个区间内,它就属于第 i 类目的。

该类办法适用于内容不太复杂且 灰度散布较为集中的图像。

理想状况下,从灰度直方图上依照经验直截了当选取合适 的门限即可格外好地域分开不同种类的组织 (比如CT图像中皮肤、 血管、 骨骼等硬、 软组织的联系) ,但在绝大多状况下,简明阈值法并不能失掉准确有效的联系。

其 缘由在于图像的一维直方图平常是图像中各像素灰度值浮现频数的统计结果, 它 只反响出图像中不同灰度值浮现的频率, 而不能反响某一灰度值的像素所对应的4

位子及其邻域特征, 因此它孤立地对每个像素停止运算而仅仅相关于图像中某 点像素的信息,却疏忽了其空间邻域信息,这使得该办法关于噪声和灰度不均匀 性格外敏感,此外关于各物体不存在清楚灰度差异或各自灰度范围有较大堆叠的图 像而言,在灰度直方图中,能够没有清楚的统计特征,如直方图展现大批毛刺、 没有清楚多峰、谷底表现比拟平整等,这种状况下就异常不利于阈值的选取,此 时如何确定最佳联系阈值将是一个极为要紧和困难的成绩。

假设阈值选取不合 理,则会把一些原来不是目的的像素也当作目的,形成误识;或许把一些目的漏 掉形成漏识。

由于在绝大少数状况下物体和背景的对照度在图像中各处不是完整一样的, 格外难用一个一致的阈值将物体与背景分开。

在阈值联系技术详细实施进程中,人 们往往还需求经过操作阈值选取范围的办法完成局部联系阈值的抉择, 立即原始 图像划分红较小的图像, 并对每个小图像依照图像的部分特征分手采取不同的阈 值停止联系。

实践处置时,既可依照详细成绩将图像分红若干子区域分手抉择阈 值,也可静态地依照某点邻域内的图像特征抉择每点处的阈值而完成图像联系, 这往往被称为自顺应阈值联系。

固然在图像中背景和目的具有清楚对照度差异的 状况下,直截了当对整幅图像采取一致的阈值做联系处置即可,这也是通常所说的全 局阈值联系。

阈值法作为一种新鲜的图像联系办法,因其完成简明、计算量相对较小、性 能较动摇曾经成为图像联系中最差不多和运用最普遍的联系技术之一。

在运用阈值 法停止图像联系的进程中由于每个像素的所属类别只依赖于它的数值,能够完成 并行的快速实时操作, 这使得阈值法常常作为要紧的预处置步骤被用在各种图像 处置进程之中。

为了提高图像中感兴味目的和背景的联系精度和成效,目先人们 运用信息熵、最优化办法、模糊集合论、数学外形学、小波转换等数学实际或工 具停顿了各种各样的基于直方图统计特征的阈值选取和联系技术,本节只就p分位数法、双峰法、迭代法、最大熵法、矩量坚持法、大津法等罕见的图像阈值 联系办法停止详细的讲解。

一、 p-分位数法 p-分位数法(也称p-tile法)是最新鲜的阈值选取办法之一。

其差不多思想是使 在格外多医 医学图像中目的所占图像像素数的比例等于其先验概率 p 来设定阈值。

5