文档视界 最新最全的文档下载
当前位置:文档视界 › 医学图像分割方法汇总

医学图像分割方法汇总

医学图像分割方法汇总
医学图像分割方法汇总

医学图像分割方法汇总

本文主要介绍在医学图像分割方面的几种典型算法,详细介绍每种算法的工作原理,通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点,分析结果产生的原因,从而在后面的实际应用中选择最合适的算法。

1阈值法分割

1-1 简单阈值分割

简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像,使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值(对于八位灰度图像,最大值一般为255),像素小于这个阈值的设置为0.下图 1.2是利用五个不同的阈值对脑部图像(图1.1)的分割结果。(从上到下,从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍)。

图1.1原始脑部图像

图1.2 使用不同阈值分割后的结果

从实验结果来看,使用简单的阈值分割,过程十分简便,原理简单易懂,但是要是得到比较好的分割结果需要进行多次试验。

1-2 otsu阈值分割法

Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素范围进行遍历(对8位灰度图像来说呢,就是从0遍历到255),找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。

原理:

对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。

假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:ω0=N0/ M×N (1)

ω1=N1/ M×N (2)

N0+N1=M×N (3)

ω0+ω1=1 (4)

μ=ω0*μ0+ω1*μ1 (5)

g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)

将式(5)代入式(6),得到等价公式:

g= ω0ω1(μ0-μ1)^2 (7)这就是类间方差

找出使得g(类方差)的值到达最大的T(值),就是我们需要的结果。

下图1.3是使用otsu阈值分割法对图1.1脑部图像的分割结果。

图1.3 使用ostu阈值分割得到的结果

2 区域生长方法分割

区域生长方法是从被分割对象的种子区域(通常是一个或者多个像素点)开始,在种子区域的相邻像素中寻找与种子区域具有某种给定的相似特征(通常是灰度值)的像素加入种子区域。并利用新的种子区域重复上述过程,直到种子区域不再扩大。

区域生长是指从某个像素出发,按照一定的准则,逐步加入邻近像素,当满足一定的条件时,区域生长终止。区域生长的好坏决定于 1.初始点(种子点)的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发,最后得到整个区域,进而实现目标的提取。

简单来说下三个法则,对出需要分割的图像:1、选取图像中的一点(或者一组点)为种子点(种子点的选取需要具体情况具体分析)。2、在种子点处进行8邻域或4邻域扩展,判定准则是:如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T,则将该像素包括进种子像素所在的区域。3、当不再有像素满足加入这个区域的准则时,区域生长停止。

2-1 经典区域生长算法

本算法使用的是一组种子点,种子点的选取一般遵循选取图像中较为明亮的部分,可以使用im2bw函数来选取种子点,通过调整二值化的参数来调整种子点的数目。然后对种子点的4领域的像素进行判断,符合要求的加入种子点。重复上述过程知道种子点数目不再变化为止。

实验仍然使用图1.1的脑部图像为样本。选取两组种子点和两个不同的生长条件。实验结果如下:

表2-1使用经典区域生长算法使用的参数

种子点生长准则4邻域的像素点和种子点

绝对值小于10

4邻域的像素点和种子点

绝对值小于15

使用otsu得到的种子点图2-1从左到右从上到下

第一幅图图2-1从左到右从上到下第二幅图

设置像素值大于200为种子点图2-1从左到右从上到下

第三幅图

图2-1从左到右从上到下

第四幅图

设置像素大于220的为种子点图2-1从左到右从上到下

第五幅图

图2-1从左到右从上到下

第六幅图

图2-1经典区域生长算法的实验结果

从实验结果上来看,对经典的区域生长算法的分割结果影响较大的因素有种

子点的选取,和生长准则的制约,需要经过多次试验才可能得到满意的结果。但

是这种方法存在非常明显的缺点,由于算法使用迭代来查找符合条件的种子点,

所以空间和实践的开销很大!

2-2 连接门限阈值处理

这种方法和上面的经典区域生长算法稍微有些不同,在这里可以人为地给出

感兴趣的像素点的上限和下限,在区间内的像素是我们感兴趣的,然后对邻域像

素进行判断,是否在感兴趣的区间之中,重复此操作,直到感兴趣的区域不再扩

大。实验结果如下图2-2:

表2-2 连接门限阈值分割才去的参数

种子位置下门限上门限输出图像

(107,69)180 210 图2-2从左到右第二幅图像(60,116)150 180 图2-2从左到右第三幅图像

(81,112)210 250 图2-3从左到右第四幅图像

(1)原始脑部头像(2)

(3)(4)

图2-2 使用连接门限阈值处理得到的分割结果

使用连接门限阈值处理分割医学图像的好处是,可以根据需要分割出自己特别感兴趣的那一部分。但是这种方法非常难以选择种子点,种子点的选取对结果影响非常之大,同时当图像中感兴趣的那部分不连通的时候,分割后的图像往往是不完整的。

2-2 置信连接法分割图像

该算法计算包含在区域内的的所有像素的平均值和标准差。在实验中,人为提供一个因子,用这个因子来乘以标准差来确定感兴趣的范围。算法的流程分为三个步骤:

1):选定种子点

2):测试种子点的相邻像素点是否符合感兴趣的条件,如果符合则包含进感兴趣的区域。感兴趣的区域不再扩大,结束以一次迭代。

3):使用新得到的感兴趣区域,重新计算像素的亮度值的均值和标准差,重复步骤2.直到感兴趣的区域不再扩大为止。

可以用一个公式来阐述感兴趣的区域:

I(X) ∈[m-f*σ,m+f*σ]

其中m是像素亮度的均值,σ是像素的标准差,f是用户自定义的系数,可以根据效果不同来自动调整。在本次实验中,我仍然使用和以上实验相同的数据和种子点,实验中选取的f值为2.5(可以适当调节)。实验结果如下图2-3:

(1)原始脑部头像(2)使用(107,69)种子点的分割结果

(3)使用(60,116)种子点的分割结果 (4)使用(81,112)种子点的分割结果

图2-3使用置信连接法分割图像的结果

从分割结果上看,使用置信连接分割图像效果好坏的关键是种子点的选取和f值的设定,可以多次试验来得到最佳结果。

3 分水岭算法

分水岭分割方法,是一种基于拓扑理论的数学形态学的分割方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为集水盆,而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面,刺穿一个小孔,然后把整个模型慢慢浸入水中,随着浸入的加深,每一个局部极小值的影响域慢慢向外扩展,在两个集水盆汇合处构筑大坝,即形成分水岭。

使用分水岭算法对医学图分割的好处是可以感受到很细微的边缘,由于医学图像内部组织一般区别较小,这使得分水岭算法在医学图像领域得到广泛应用。但是另一方面,由于分水岭算法对图像的边缘信息过于敏感,在具体应用中,经常会出现过度分割的现象。

需要注意的是:实验中,并不是直接对原始的灰度图像应用分水岭算法,而是使用梯度图作为输入图像。使用分水岭算法进行图像分割的典型流程如下:(1):计算原始图像的梯度。

(2):计算前景标记(这些是每个对象内部连接的像素)

(3):计算背景标记(这些不属于任何对象的像素)

(4):对原始的梯度图想进行修改,将前景标记和背景标记设置成局部极小值

(5):对修改后的梯度图像使用分水岭分割

实验结果如下图3-1所示:

(1)原始脑部头像(2)使用标记分水岭算法分割后的图像图3-1 使用标记分水岭算法对脑部头像进行分割的结果

当我们在实验中使用分水岭算法来分割某些细胞图像时,发现直接使用以上算法,会导致黏在一起的细胞没被分割,这时候就得在使用分水岭算法的时候避免过度分割,对于这种情况,采取的一般方法是在基于watershed的图像分割中,使用imextendedmin函数来过滤掉特别小的局部最小,避免过度分割。本实验中,我使用的实验素材是互相粘连的细胞。实验结果如下图3-2所示:

(1)互相粘连的细胞图(2)分水岭算法过度分割

(3)去除掉部分极小区域后,使用分水岭算法的结果

图3-2 使用去除局部极小的分水岭算法的分割效果图

4 聚类分割算法

以上的几种算法都是需要首先对图像进行观测,缺乏严格的数学衡量。因此,在现实的图像世界中,以上的几种方法往往会出现错误。聚类则是在数学定义上更为严格的普适性方法。具体定义是,假设图像的像素点是许多样本的集合,不同样本之间的相似度用距离(这里的距离有很多种定义,具体看实际应用)来衡量,当两个样本的距离较小时认为两者划分为同一类,反之则为不同的类。

4-1 k-means聚类分割算法

K-means算法是最为经典的基于划分的聚类算法,它的原理也较为简单。

算法的描述如下:

(1)适当选择k个类的初始中心;

(2)在第i次迭代中,对任意一个样本,求其到k各中心的距离,将该样本归到距离最短的中心所在的类;

(3)利用均值等方法更新该类的中心值;

(4)对于所有的k个聚类中心,如果利用(2)(3)的迭代法更新后,值保持不变,则迭代结束,否则继续迭代。

算法示意图如图4-1所示:

图4-1 k-means聚类过程(两个“x”代表中心点的变化情况)

把k-means应用到图像分割上,最为关键的是k-means算法中关于距离的的定义和关于初始中心的选择。

对于灰度图像而言,强调像素之间的欧氏距离和几何距离毫无意义,所以对于k-means算法实现对图像分割,首要的任务是重新定义k-means算法中的“距离”。由于图像是一个二维矩阵,这对于选择初始中心点和计算“距离”来说都是不适合的。在实验中,为了简化计算,我首先将灰度图像I(M*N)转化为一个(M*N,1)的列数组X。然后把像素之间的“距离”定义为它们的像素的亮度差值。对于初始中心的选择,采取均匀选取(每隔一定的像素选择一个作为中心),划分的块数通过反复试验来找到最佳分割结果。在实验中,我选取不同的初始中心点和k-means算法不同的k值,实验中选择的参数如表4-1,分割结果如下图4-2:

表4-1 k-means聚类分割实验中k值和初始中心点参数选择表

初始中心选择

3个划分区域4个划分区域5个划分区域

K值选择

图(2)图(3)图(4)

从X中随机选取K

个质心点

根据X的分布范围

图(5)图(6)图(7)

均匀的随机生成K

个质心

(1)原始脑部头像(2)

(3)(4)

(5)(6)(7)从实验结果上看,使用k-means进行分割的结果要好于以上的三种分割算法,

但是其缺点也比较明显,为了得到最终的分割结果,k-means算法需要经过多次迭代,在时间效率上不如以上的三种算法,另外有可能经过多次迭代,中心点的位置仍然不能收敛,这时候需要就需要设置一定的阈值作为迭代结束条件。

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要:图像分割是图像处理和分析的关键。随着影像医学的发展,图像分割在医学应用中具有重要意义。本文从医学应用的角度出发,对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字:医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MRI(磁共振成像技术)、Ultrasound(超[2]声)及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域,从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域,对疾病诊断、图像引导手术以及医学数据可视化等有重要作用,为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可

医学图像分割方法综述

医学图像分割方法综述 林瑶,田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题,随着影像医学的发展,图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发,对医学图像分割方法,特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述,最后总结了医学图像分割方法的研究特点。 关键词:医学图像分割 综述 1.背景介绍 医学图像包括CT 、正电子放射层析成像技术(PET )、单光子辐射断层摄像(SPECT )、MRI (磁共振成像技术)、Ultrasound (超声)及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用,图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段,同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合,如组织容积的定量分析,诊断,病变组织的定位,解剖结构的学习,治疗规划,功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来,这些区域是互相不交叉的,每一个区域都满足特定区域的一致性。 定义 将一幅图像,其中g x y (,)0≤≤x Max x _,0≤≤y Max y _,进行分割就是将图像划分为满足如下条件的子区域...: g 1g 2g 3 (a) ,即所有子区域组成了整幅图像。 (b) 是连通的区域。 g k (c) ,即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性(或相似性)一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 g k 如果连通性的约束被取消,那么对像素集的划分就称为分类(pixel classification),每一个像素集称为类(class)。在下面的叙述中,为了简单,我们将经典的分割和像素分类通称为分割。 医学图像分割到今天仍然没有获得解决,一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像比较,不可避免的具有模糊、不均匀性等特点。另外,人体的解剖组织结构和形状复杂,而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败,或者需要一些特殊的处理技术。因此,我们有必要针对医学应用这个领域,对图像分割方法进行研究。 为了解决医学图像的分割问题,近几年来,很多研究人员做了大量的工作,提出了很多实用的分割算法[2][3][4],随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛,遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题,国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是,由于从不同的角度将得到不同的分类结果,本文中所涉及方法的分类并不是绝对的,而且许多分割方法还是多种简单方法的综合体,我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x g x 1 联系人:田捷 电话:82618465 E-mail:tian@https://www.docsj.com/doc/9311472407.html,

ebnnuqc医学_图像处理技术

^ | You have to believe, there is a way. The ancients said:" the kingdom of heaven is trying to enter". Only when the reluctant step by step to go to it 's time, must be managed to get one step down, only have struggled to achieve it. -- Guo Ge Tech 医学图像处理技术 摘要:随着医学成像和计算机辅助技术的发展,从二维医学图像到三维可视化技术成为研究的热点,本文介绍了医学图像处理技术的发展动态,对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上,提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词:医学图像处理;图像分割;图像配准;图像融合;纹理分析 1.引言 近20 多年来,医学影像已成为医学技术中发展最快的领域之一,其结果使临床医生对 人体部病变部位的观察更直接、更清晰,确诊率也更高。20 世纪70 年代初,X-CT 的发明 曾引发了医学影像领域的一场革命,与此同时,核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础,带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用,使医学诊断和治疗技术取得了很大的进展,同时将各种成像技术得到的信息进行互补,也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的 准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2.医学图像三维可视化技术 2.1三维可视化概述 医学图像的三维可视化的方法很多,但基本步骤大体相同,如图.。从#$ /&’(或超声等成像系统获得二维断层图像,然后需要将图像格式(如0(#1&)转化成计算机方便处理的格式。通过二维滤波,减少图像的噪声影响,提高信噪比和消除图像的尾迹。采取图像插值方法,对医学关键部位进行各向同性处理,获得体数据。经过三维滤波后,不同组织器官需要进行分割和归类,对同一部位的不同图像进行配准和融合,以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力,选择不同的方法进行三维体绘制,实现三维重构。

医学图像处理综述

医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ,核磁共振成像(MRI),核医学成像(NMI)和超声波成像(UI) 这四类。 (1)x射线成像:传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。(例如人体中骨组织密度最大,在图像上呈白影,肺是软组织并且含有气体,密度最低,在照片上的图像通常是黑影。)常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代,是传统影像技术中最为成熟的成像模式之一,其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择,空间分辨率和对比度的还需进一步提高。 (2)核磁共振成像(MIR) 发展于20世纪70年代,到80年代才进入市场,这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像,无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域,广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视,其技术尚在迅速发展

过程中。 (3)核医学成像(NMI ) ,目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主,其基本原理是向人体注射放射性核素示踪剂,使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像,而且可提供动态图像。 (4)超声波成像(Ultrasonic Imaging ) ,属于非电离辐射的成像模态,以二维平面成像的功能为主,加上血液流动的彩色杜普勒超声成像功能在内,在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是,它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体.这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官,软组织和病变体的分割提取,三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分

医学图像分割方法汇总

医学图像分割方法汇总 本文主要介绍在医学图像分割方面的几种典型算法,详细介绍每种算法的工作原理,通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点,分析结果产生的原因,从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像,使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值(对于八位灰度图像,最大值一般为255),像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像(图 1.1)的分割结果。(从上到下,从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍)。 图1.1原始脑部图像

图1.2 使用不同阈值分割后的结果 从实验结果来看,使用简单的阈值分割,过程十分简便,原理简单易懂,但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢,就是从0遍历到255),找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理: 对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。 假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:ω0=N0/ M×N (1)

图像分割文献综述

文献综述 图像分割就是把图像分成各具特色的区域提取感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤,是一种基本的计算机视觉技术。 图像分割起源于电影行业。伴随着近代科技的发展,图像分割在实际中得3到了广泛应用,如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。总之,只要是涉及对对象目标进行特征提取和测量,几乎都离不开图像分割。所以,对图像分割的研究一直是图像工程中的重点和热点。 自图像分割的提出至今,已经提出了上千种各种类型的分割算法。由于分割算法非常多,所以对它们的分类方法也不尽相同。我们依据使用知识的特点与层次,将其分为基于数据和基于模型两大类。前者是直接对当前图像的数据进行操作,虽然可以利用相关的先验信息,但是不依赖于知识;后者则是直接建立在先验知识的基础上,这类分割更符合当前图像分割的技术要点,也是当今图像分割的主流。 基于数据的图像分割算法多数为传统算法,常见的包括,基于边缘检测,基于区域以及边缘与区域相结合的分割方法等等。这类分割方法具有以下缺点,○1易受噪声和伪边缘影响导致得到的边界不连续,需要用特定的方法进行连接;○2只能提取图像局部特征,缺乏有效约束机制,难以获得图像的全局信息;○3只利用图像的底层视觉特征,难以将图像的先验信息融合到高层的理解机制中。这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。由于各层之间不存在反馈,数据自底向上单向流动,高层的信息无法指导底层特征的提取,从而导致底层的误差

不断积累,且无法修正。 基于模型的分割方法则可以克服以上缺陷。基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中,并通过对图像中的特定目标对象建模来完成分割任务。这是一种自上而下的处理过程,可以将图像的底层视觉特征与高层信息有机结合起来,因此更接近人类的视觉处理。基于模型的图像分割方法主要包括:○1基于统计模型的分割方法;○2基于神经网络的分割方法;○3基于形变模型的分割方法。 主动轮廓模型(Active Conlour Model, ACM)(又称活动轮廓模型,变形曲线模型)的研究背景及发展状况。 即Snake模型,最初由Kass等人于1998年提出,并成功应用于图像分割方面。这种模型通过建立与参数化曲线C相关的能量函数,然后优化该能量函数,使轮廓向目标边界演化,并在目标边界处达到最优值。 1987年Kass、Witkin和Terzopoulos首次提出主动轮廓模型,并成功应用于图像分割、视频跟踪等相关应用。这种模型对Marr提出的各自独立分层图像处理模型提出了挑战,它将图像本身的底层视觉属性(如边缘、纹理、灰度、色彩等)与待分割目标的先验信息(如形状、亮度、色彩等)以一种有机的方式——能量函数的形势结合起来,最终得到待分割目标的完整表达。能量函数一般由两部分构成:内部能量函数和外部能量函数。一般说来,内部能量函数嵌入了对目标特征约束的先验性假设,以及保持轮廓本身特性(如光滑性和刚性)的约束条件;而外部能量函数则根据图像的数据特性(如边缘特性、区域特性等)构造

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。 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。

图像分割阈值选取技术综述

图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提.阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术.已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1.引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37].简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提.同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术.已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割;在遥感应用中,合成孔径雷达图像中目标地分割等;在医学应用中,血液细胞图像地分割,磁共振图像地分割;在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2.阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是:通过设定不同地特征阈值,把图像像素点分为若干类.常用地特征包括:直接来自原始图像地灰度或彩色特征;由原始灰度或彩色值变换得到地特征.设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取:b0=0<黑),b1=1<白),即为我们通常所说地图像二值化. <原始图像)<阈值分割后地二值化图像) 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值;N(x,y>是点(x,y>地局部邻域特性.根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T=T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T=T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T=T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-

图像分割技术在医学图像处理中的应用研究

2007年3月第期 3TAIYU ANSCI-TECH 图像分割是指将图像分割成各具特征的区域并提取出感兴趣的目标的技术和过程,是图像处理到图像分析的关键步骤。在医学领域中,图像分割常常用于病变区域提取,特定组织测量以及实现三维重建研究,因此研究图像分割技术在医学图像处理过程中具有十分重要的意义。 1基于区域的分割方法 基于区域的分割方法是利用区域内的特征的相 似性把图像划分为一系列有意义的区域。 1.1阈值法 阈值法是一种最常用的并行区域技术,阈值是 用于区分不同目标的灰度值。阈值分割方法的结果依赖于阈值的选取,确定阈值是阈值分割的关键,阈值分割实质上就是按照某个准则求出最佳阈值的过程。 阈值法的优点是计算简单、运算速度快,特别是不同物体或结构之间有较大的强度对比时,能够得到很好的分割效果,此分割方法通常是交互式的,由于阈值法能实现实时操作,所以它更易于建立在用户视觉估计的基础上。 阈值法的缺陷是:最简单形式的阈值法只能产 生二值图像来区分两个不同的类别。此外,阈值法在考虑像素本身灰度值的同时并不考虑图像的空间分布,这样其分割结果就对噪声很敏感。针对它的不足,一些学者提出了许多经典的算法,如局部阈值、模糊阈值,随机阈值等方法。阈值分割对于 CT图像的效果较好,但在选取阈值时需要用户依 经验判断,或者先做多次尝试性分割后再对阈值进行调整,直至用户满意为止。Kim等用多次阈值分割法检测螺旋CT图像中的肺结性病变,共检测了 24例病人的827张图像,检测结果灵敏度为96%, 并且没有出现假阳性结果[1]。 1.2区域生长法 区域生长法是根据预先定义的标准,提取图像 中相连接的区域的一种分割方法。采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。 区域生长法对面积不大的区域进行分割时,效果显著,如果对面积较大的区域进行分割,则计算速度就会减慢。另外,对于图像中不相邻而灰度值相同或相近的区域,不能一次分割出来,只能一次分割一个区域。 2基于边界的分割方法 基于边界的分割方法是利用不同区域间像素灰 度不连续的特点检测出区域间的边缘,从而实现图像分割。根据边缘检测方法的不同,通常把边缘检测方法分成串行边缘检测和并行边缘检测两大类。 2.1串行边缘检测法 串行边缘检测法首先要检测出一个边缘起始 点,然后根据某种相似性准则寻找与前一点同类的 边缘点,这种确定后续相似点的方法称为跟踪。根据跟踪方法的不同,这种串行边缘检测方法又可分为轮廓跟踪、光棚跟踪和全向跟踪3种。 图像分割技术在医学图像处理中的 应用研究 马春梅1,刘贵如2,王陆林3 文章编号:1006-4877(2007)03-0064-02 收稿日期:2007-01-19;修回日期:2007-02-10 作者简介:马春梅(1978-),女,山西朔州人。2005年9月就 读于山西大学,攻读硕士学位,助教。 (1.山西忻州师范学院数学系,山西 忻州 034000;2.云南师范大学计算机科学与信息技术学院,云南 昆明650092; 3.西南交通大学,四川 成都 610031) 摘 要:图像分割是图像处理、图像分析的关键步骤,而医 学图像分割是图像分割的一个重要的应用领域,也是一个经典难题。从应用的特定角度,论述了医学图像处理中图像分割的几种算法,对近年来医学图像分割的新方法或改进算法进行了阐述,并简要介绍了每种算法的特点及应用。关键词:图像分割;医学图像处理;边缘检测中图分类号:TP391.41 文献标识码:A 应用技术

图像分割综述

摘要 图像分割是把图像划分为有意义的若干区域的图像处理技术,分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。 在阅读大量文献的基础上,本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述,对不同分割算法优缺点进行了总结和归纳,并对图像分割的发展趋势进行了初步的展望和预测。在此基础上,为了对图像分割理论有更直观的认识,本文选取并行边界算法和分水岭算法这两种方法,用MATLAB软件进行了基础的仿真,并对结果进行了分析和总结, 本文重点对一些近年来新兴的算法,比如水平集(Level-set)算法、马尔科夫随机场算法(Markov)、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨,对这些新兴算法的特点、原理、研究动态进行了分析和总结。 关键词:图像分割;边界;区域;水平集;马尔科夫

Abstract Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields. Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article. This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized. Keywords: Image segmentation; Border; Area;Level-set;Markov

医学图像分割综述

医学图像分割综述 郭爱心 安徽大学 摘要:图像分割是图像处理和分析的关键。随着影像医学的发展,图像分割在医学应用中具有重要意义。本文从医学应用的角度出发,对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。 关键字:医学图像分割意义方法评估标准发展前景 A Review of Medical Image Segmentation Ai-Xin Guo Anhui University Abstract:Image segmentation is the key of image processing and analysis.With the development of medical image,image segmentation is of great significance in medical applications.From the perspective of medical applications,this paper made a simple review of the medical image segmentation on it’s significance、methods、evaluation standards and development prospects. Key words:medical image,segmentation,significance,methods,evaluation standards,development prospects 1.医学图像分割的意义 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MRI(磁共振成像技术)、Ultrasound(超声)及其它医学影像设备所获得的图像[2]。医学图像分割是将原始的2D或3D图像划分成不同性质(如灰度、纹理等)的区域,从而把感兴趣的区域提取出来[1]。医学图像分割是一个非常有研究价值和研究意义的领域,对疾病诊断、图像引导手术以及医学数据可视化等有重要作用,为临床诊疗和病理学研究提供可靠的依据。 医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可避免的具有模糊、不均匀性等特点。另外,由于人与人之间有很大的差别,且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此,我们有必要针对医学应用这个领域,对图像分割方法进行研究。 2.医学图像分割的方法 2.1.基于区域的分割方法 基于区域的分割方法有阈值法,区域生长和分裂合并,分类器与聚类和基于随机场的方法等。 阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割,它将图像分为目标和背景;如果需用多个阈值则称为多阈值方法,图像将被分割为多个目标区域和背景,为区分目标,还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设:目标或背景内的相邻像素间的灰度值是相似的,但不同目标或背景的像素在灰度上有差异,反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷,从而将各个峰分开[2]。阈值分割的优点是实现相对简单,对于不类的物体灰度值或其他特征值相差很大时,能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理,然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像,对于图像中不存在明显的灰度差异或各物体的灰度值范围

医学图像分割方法综述

医学图像分割方法综述 随着计算机技术的发展,图像分割在很多领域都得到发展并被广泛应用,在医学临床上的应用更是越来越明显和重要。找到合适的医学图像分割方法对临床诊断和治疗都具有重大意义。文章针对近年来提出的图像分割方法进行了总结。 标签:图像分割;区域生长;聚类;水平集;图割 1 概述 图像分割是图像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率[1]。图像分割的目的就是把目标从背景中提取出来,分割过程主要基于图像的固有特征,如灰度、纹理、对比度、亮度、彩色特征等将图像分成具有各自特性的同质区域[2]。医学图像分割是医学图像进行后续操作的必要前提,学者通过大量的研究得到了很多自动快速的分割方法。 2 图像分割方法分类 医学图像有各种成像模态,比如CT、MRI、PET、超声等。由于医学图像本身的复杂性和多样性,如灰度不均匀、低分辨率、弱边界和严重的噪声,准确分割是个相当棘手的问题,分割过程中在目标区域里出现的一些问题都将导致图像分割结果不准确。近年来,众多图像分割方法中没有任何一种算法能适用于所有图像。图像分割方法一般是基于图像的,即利用图像梯度、亮度或者纹理等就能从图像中获得信息进而对图像进行分割,主要有聚类法、区域生长、水平集、图割等算法。 2.1 聚类法 聚类算法简单的包括K-Means算法和Fuzzy C-Means(FCM)。 K-Means算法是基于距离的硬聚类算法,通常采用误差平方和函数作为优化的目标函数,定义误差平方和函数如下: 其中,K代表聚类的个数,Cj(j=1,2,…,K)表示聚类的第j类簇,x 表示类簇Cj中的任意一个数据对象,mi表示簇Ci的均值。从公式中看出,J是数据样本与簇中心差异度平方的总和,K个类聚类中心点决定了J值的大小。显然,J越小表明聚类效果越好。 K-Means算法的核心思想为:给定一组含有n个数据对象的数据集,从其中隨机选取K个数据对象作为初始中心,然后计算剩余的所有数据对象到各个初始中心之间的距离,根据最近邻原则,把所有数据对象都划分到离它最近的那个初始中心的那一类簇,再分别计算这些新生成的各个类簇中数据对象的均值,以此作为新类簇的中心,比较新的中心和初始中心的误差平方和函数J的大小,上

医学图像分割综述

龙源期刊网 https://www.docsj.com/doc/9311472407.html, 医学图像分割综述 作者:王益东 来源:《健康必读(上旬刊)》2018年第04期 【摘要】医学图像分割是指在医学图像中,利用计算机视觉技术,根据区域内像素的相 似特性(纹理等)以及区域间的不同特性,将图像中感兴趣的区域(ROI)提取出来,获取有关人体组织器官的有效信息,反馈给医生以及学者作为诊断依据。随着计算机技术的日新月异和医疗设备的快速发展,医疗图像分割技术在影像医学中的作用日益增大。本文首先介绍了医学图像分割的背景及其应用。接着,详细分析了相关图像分割算法。最后,总结了医疗图像分割技术在目前面临的困难与挑战,并提出了展望。 【关键词】医学影像;图像分割 【中图分类号】TP391.41 【文献标识码】A 【文章编号】1672-3783(2018)04-0281-01 1 引言 近几年来,随着计算机视觉技术和磁共振成像技术(MRI)、正电子放射层析成像技术(PET)、计算机断层成像(CT)、单光子辐射断层摄像(SPECT)、超声(Ultrasound)等医学影像设备的飞速发展,医学图像分割技术在影像医学中所发挥的作用越来越大。医学图像分割技术则是把医学图像分割成若干个具有不同特性的区域,区域内保持一定的相似性,区域间有一定的相异性,从而提取出感兴趣的部分。 医学图像分割在临床诊断中发挥着重要作用,如: (1)生物医学图像分析:解剖结构的测量、心脏运动跟踪等。 (2)组织、器官定量分析:通过对人体器官或是病变器官容积的定量检测,为医生的临床诊断提供依据。 (3)医学图像3D重建:用于外科手术的仿真、药物治疗的评估等。 目前,医学图像分割技术的发展仍然面临一些困境,主要原因在于医学图像的多样性、复杂性及其采集的困难性。由于人体器官位置的特殊性,医学图像采集较为困难,图形容易受到组织运动等问题的影响,所采集的医学图像相交于普通图像而言,噪声较大。并且人体间存在个体差异,不同人体的组织和器官差异较大。因此,针对医学图像对图像分割技术进行研究,显得尤为重要。 2 医学图像分割算法

医学图像处理技术

医学图像处理技术 摘要:随着医学成像和计算机辅助技术的发展,从二维医学图像到三维可视化技术成为研究的热点,本文介绍了医学图像处理技术的发展动态,对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上,提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词:医学图像处理;图像分割;图像配准;图像融合;纹理分析 1.引言 近20 多年来,医学影像已成为医学技术中发展最快的领域之一,其结果使临床医生对 人体内部病变部位的观察更直接、更清晰,确诊率也更高。20 世纪70 年代初,X-CT 的发明曾引发了医学影像领域的一场革命,与此同时,核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础,带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用,使医学诊断和治疗技术取得了很大的进展,同时将各种成像技术得到的信息进行互补,也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2.医学图像三维可视化技术 2.1 三维可视化概述 医学图像的三维可视化的方法很多,但基本步骤大体相同,如图.。从#$ /&’(或超声等成像系统获得二维断层图像,然后需要将图像格式(如0(#1&)转化成计算机方便处理的格式。通过二维滤波,减少图像的噪声影响,提高信噪比和消除图像的尾迹。采取图像插值方法,对医学关键部位进行各向同性处理,获得体数据。经过三维滤波后,不同组织器官需要进行分割和归类,对同一部位的不同图像进行配准和融合,以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力,选择不同的方法进行三维体绘制,实现三维重构。 2.2关键技术: 图像分割是三维重构的基础,分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域,由于医学图像的各区域没有清楚的边界,为了解决在医学图像分割中遇到不确定性的问题,引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状,自动或半自

医学图像分割综述

医学图像分割综述 楼琼,11106109 摘要: 图像分割是一个经典难题,随着影像医学的发展,图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发,对医学图像分割方法,特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述,最后总结了医学图像分割方法的研究特点。 1.背景介绍 医学图像包括CT 、正电子放射层析成像技术(PET )、单光子辐射断层摄像(SPECT )、MRI (磁共振成像技术)、Ultrasound (超声)及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用,图像处理的意义越来越重大,其一般流程如下图: 而图像分割技术是图像分析环节的关键技术,其在影像医学中发挥着越来越大的作用 [1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段,同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合,如组织容积的定量分析, 诊断,病变组织的定位,解剖结构的学习,治疗规划,功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开,这些区域是互相不交叉 的,每一个区域都满足特定区域的一致性。 定义 将一幅图像,其中(,)g x y 0_x Max x ≤≤,0y Max y _≤≤,进行分割就是将图像划分为满足如下条件的子区域:

a) ,即所有子区域组成了整幅图像。 1(,)(,)N k k g x y g x y ==∪b) 是连通的区域。 k g c) (,)(,)k j g x y g x y φ=∩,即任意两个子区域不存在公共元素。 d) 区域满足一定的均一性条件。其中均一性(或相似性)一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 k g 如果连通性的约束被取消,那么对像素集的划分就称为分类,每一个像素集称为类。简便起见,在下面的叙述中将经典的分割和像素分类通称为分割。 医学图像分割至今仍然没有获得很好的解决,其中一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可避免的具有模糊、不均匀性等特点。另外,人体组织结构形状复杂,而且人与人之间有很大的差别。这些都给医学图像分割带来了困难。因此,我们有必要针对医学应用这个领域,对图像分割方法进行研究。 为了解决医学图像的分割问题,近几年来,很多研究人员做了大量的工作,提出了很多实用的分割算法[2][3][4],随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论、偏微分方程理论等在图像分割中的应用日渐广泛,遗传算法、尺度空间、多分辨率方法、非线性扩散方程、水平集方法等近期涌现的新方法和新思想也不断被用于解决分割问题,国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中的新方法或对原有方法的新改进。 2.基于区域的分割方法 图像分割通常会用到不同对象间特征的不连续性和同一对象内部特征的相似性。基于区域的算法侧重于利用区域内特征的相似性。 2.1 阈值法 阈值分割是最常见的并行直接检测区域的分割方法[5]。如果只用选取一个阈值称为单阈值分割,它将图像分为目标和背景;如果需用多个阈值则称为多阈值方法,图像将被分割为多个目标区域和背景,为区分目标,还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设:目标或背景内的相邻像素间的灰度值是相似的,但不同目标或背景的像素在灰度上有差异,反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷,从而将各个峰分开。 阈值分割的优点是实现相对简单,对于不类的物体灰度值或其他特征值相差很大时,能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理,然后应用其他一系列分割方法进行后处理。 阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像,对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。另外,由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息,阈值分割对噪声和灰度不均匀很敏感。针对阈值分割方法的缺点,不少学者提出了许多改进方法,如基于过渡区的方法[6],还有利用像素点空间位置信息的变化阈值法[7],结合连通信息[8]的阈值方法。 对于多目标的图像来讲,如何选取合适的阈值实在是基于阈值分割方法的困难所在。至

相关文档