医学图像分割方法综述

黄文博1,2，燕 杨1,2，王云吉2

（1.长春师范学院计算机科学与技术学院，吉林长春 130032；2.吉林大学通信工程学院，吉林长春 130022）

医学图像分割是医学图像处理与分析领域的复杂而关键的步骤，其目的是将医学图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生作出更为准确的诊断。由于医学图像自身的复杂性，在分割过程中需要解决不均匀及个体差异等一系列问题，所以一般的图像分割方法难以直接应用于医学图像分割。当前，医学图像分割仍在从手动分割或半自动分割向全自动分割发展。本文在对国内外医学图像分割技术文献研习的基础上，对几种常用的医学图像分割方法进行了深入的研究和比较，总结了各种方法的优缺点及其在国内外医学图像分割领域的应用。

1 国内外常用的医学图像分割方法

1.1 阈值法

阈值法是一种简单而有效的方法，特别是对于背景与目标区域对比度较大的图像，分割结果更为理想。算法中的阈值需要在分割过程中不断地手动调整和改进，所以大多是交互式的，是在用户视觉估计的基础之上进行判断的。阈值法的基本思想是通过设置不同的阈值将像素点分类。该方法假设灰度图像在同一背景或目标区域内相邻像素的灰度值是近似的，在不同背景或目标区域内相邻像素在灰度上有差异。在图像直方图中可以看出，不同背景和目标区域对应着不同的波峰。

阈值法在实际应用中主要存在两个问题：(1)该方法只考虑到图像中像素点本身的灰度值，没有考虑到图像中像素点的空间分布，容易对噪声敏感。(2)该方法对于背景与目标区域灰度差异较小的图像分割效果不好。医学图像因个体差异而复杂多样，如：不均匀的人体组织器官常导致图像灰度不均匀；人体组织的蠕动及成像设备的局限性常导致图像中存在伪影和噪声；局部体效应常导致组织边缘模糊；病变组织的病变边缘不明确等。阈值法在医学图像分割中具有一定的局限性。

近几年，有许多阈值法的改进算法被提了出来，如Tang，Xu-Dong等人[1]提出了一种新的基于阈值的快速图像分割算法，在传统阈值方法的基础上通过简化隶属函数，同时结合一个新的递归策略，从而降低了计算的复杂性，加快了运算速度，较传统算法相比其具备较好的实时时序和噪声抑制性能。

1.2 区域生长法

这种方法要求先选取种子像素点，随后将与其相似的像素合并到它所在的区域，其基本原理就是将相似像素集合成区域。区域生长法的3个步骤：(1)选出合适的种子点。(2)确定在生长过程中能将像素合并进来的准则。(3)制定出能让生长停止的条件。

区域生长法对噪声敏感，如果种子像素点选取不当，分割结果就会出现错误，并且对于图像中灰度值相近但不相邻的多个区域不能一次全部分割出来。在医学图像分割中进行病灶分割时，如果种子点选取得当，这种方法可以自动找到病灶的边界，能为医生的诊断提供定量及定性的依据。在医学图像分割中，区域生长法与阈值法一样，一般不单独使用，多与其他分割方法相结合。如Jiang，Hui-Yan等人[2]将区域生长算法和OSTU算法相结合对30个边缘模糊的腹部MRI图像进行了有效分割；Wu，Hai-Shan和Gil，Joan等人[3]使用一个迭代的区域生长算法对卵巢细胞内染色质进行了有效分割；Angelina，S.等人[4]在2012年提出了一种新的区域生长及合并算法与遗传算法相结合的医学图像分割算法，用于对恶性黑色素瘤等皮肤癌进行早期诊断，和其他常规算法相比提高了分割效率，解决了利用非侵入性诊断工具皮肤镜对皮肤癌进行早期诊断耗时长等问题。

1.3 边缘检测法

边缘检测法通过对目标区域边界的检测来进行分割，先找到图像中灰度值不连续的部分，通过对不均匀的区域间交集的检测实现对图像的分割。它包括串行和并行两种方法：(1)串行方法：该方法首先检测出起始点，设置相似性准则，然后根据它来寻找与上一点归属于同一类别的下个轮廓点，即确定后继相似点。使用该方法进行分割可得到连续的边缘，但分割结果比较依赖初始边缘点，不合适的初始边缘点可能导致错误的边缘。(2)并行方法：该方法通常利用空域微分算子，将相应模板与图像进行卷积最后完成图像的分割。该方法可同时在各个像素上进行卷积，所以大大减少了运行时间。常用的并行方法有Canny算子、Sobel算子、Laplacian算子、Prewitt算子、LOG算子等。并行方法对噪声敏感，且当边缘的像素值变化较小时，可能会得到不连续或虚假边界。在实际应用中。由于并行方法比串行方法分割时间短，所以并行边缘检测法在医学图像分割中更为常用。如2012年Park，J.等人[5]使用并行边界与区域相结合的方法对不同医学图像进行分割，实验结果表明，该方法能可靠准确地分割低对比度的复杂医学图像。

1.4 基于活动轮廓模型的方法

活动轮廓模型，又称Snake模型，由Kass在1987年提出。由于Snake模型有着高效的数值方案以及严谨的数学基础，且应用广泛，提出后即成为图像分割领域所研究的热点。原始的Snake模型其基本思想是通过能量最小化，将一条带有能量函数的初始曲线朝着待检测的目标轮廓方向逐步变形与运动，最终收敛到目标边界，得到一个光滑并且连续的轮廓。

原始Snake模型首先在目标区域附近手动设置一条闭合曲线作为Snake模型的初始轮廓线，初始轮廓线随时间不断演化，越来越逼近目标边界，当演化停止时即获得最终结果。Snake算法的3个主要步骤为：(1)读取数据；(2)数据的预处理，如图像的去噪、求梯度，求外力场等；(3)确定模型的参数与迭代次数，然后开始迭代。

原始的Snake模型存在难以捕捉目标凹陷边界及对初始轮廓线敏感等不足，针对这些不足，学者们进行了相应的改进，如气球Snake模型、GVF Snake模型等与其他理论相结合的Snake模型。Qian Zhang等人[6]对Snake原始算法进行了改进，对肝脏MRI进行识别，通过对曲率的求取及对轮廓线的设置、收敛及校正，提高了识别效率，并减少了后处理成本；MatsakouA.I等人[7]提出了一种基于梯度向量流GVF Snake模型的自动分割方法，用于检测B超图像中的纵向颈动脉壁，准确率达到98%；Hui-Yan Jiang等人[8]提出了一种改进的基于GVF Snake模型的半自动肝脏分割方法，通过与阈值法和形态学运算相结合，获取肝脏的初始轮廓，继而创建外力场，在GVF场的影响下，初始轮廓线收敛到精确的目标轮廓位置。

1.5 模糊聚类法

大多数的医学图像具有模糊性，图像质量低、噪声大。模糊聚类法将模糊集理论与聚类算法相结合，模糊集理论对图像的不确定性具备较好描述能力，将此特点结合到分类中，应用到医学图像分割领域。该方法不是以“一刀切”的方式将像素点硬性分到某一区域，而是引入模糊理论中“隶属度”的概念，将像素点分到隶属程度高的区域中去，提高了分割的准确率。目前最常用的是模糊C-均值算法（FCM），该算法通过两次迭代得到最优边界。

模糊C-均值算法（FCM）是一种无监督算法，易于应用，但其中各像素点的数据是相互独立的，没有利用图像的空间信息，所以可以将空间信息引入算法当中以提高分割算法的准确率。近年来，基于模糊聚类的图像分割方法及其改进算法在医学领域得到了广泛应用，如Kaur，P.等人[9]在2012年提出了一种自动的直观模糊聚类方法，在模拟和真实的脑部MRI图像中进行实验，对比传统的模糊C-均值、噪声聚类、核化模糊C-均值等方法，实验结果显示Kaur，P.等人提出的方法更为可靠有效；Liu，Y.等人[10]提出一种带有双边滤波的模糊C-均值（FCM）聚类方法进行医学图像分割，通过实验结果和定量分析表明，与传统的FCM相比，该方法具备更高标准的抑制噪声能力和细节保护；Christ，M.C.J.等人[11]提出根据不同类型的模糊C-均值算法改进的医学图像分割技术，并将模糊C-均值和其他聚类算法如KM、EM和KNN相比较，实验证明模糊C-均值可提供更好的结果。

1.6 基于遗传算法的方法

遗传算法依据“物竞天择，适者生存”这一自然界规则，模拟生物在自然环境中的遗传和进化过程，从而形成一种遵循自然选择机制的随机化搜索方法。求解过程大致为：从一个初始变量群开始，通过对染色体中的基因进行操作来完成逐代寻优，直到算法收敛找到最佳分割阈值，最终完成不同区域的分割。该算法善于全局搜索，局部搜索能力不足，无需给出所求问题的任何信息，只需要目标函数的信息即可，大大缩短了算法的运行时间。有时在进化过程中会产生一些异常的个体，尤其是噪声干扰较大的时候，这些个体因竞争力太强会对算法的选择运算过程产生负面影响，导致算法得到某个局部最优解。这些不足可从编码方式、遗传算子、控制参数、执行策略等方面得到改进。

单独使用遗传算法对医学图像进行分割的效果并不理想，它常与神经网络和形态学理论等其他智能计算方法相互结合使用。如Guan，X.-W.等人[12]在2011年提出一种遗传算法，用全局搜索能力和类间最大变化作为适应度函数，算法结合形态学理论提取图像边缘，实现分割。实验结果表明，这种遗传算法性能稳定，融合结果理想；Jaffar，M.A.等人[13]在2009年提出一种结合支持向量机的遗传算法，在肺部CT图像中对肺结节进行检测，分割效果理想；Liu，J.等人[14]提出了一种遗传神经网络算法来分割皮肤癌图像，执行基于遗传算法的神经网络的权重和阈值优化来改进BP神经网络的收敛速度，由该方法分割的皮肤癌图像可得到连续的边缘和清晰的轮廓，可以用于皮肤癌的定量分析和鉴定。

1.7 基于小波变换的方法

小波变换是对Fourier分析的继承与发展，利用小波变换进行医学图像分割的基本方法是通过小波变换将图像直方图分解成不同级别的系数，用尺度控制并依照小波系数和给定的分割准则来选择阈值。小波变换在较大尺度上由噪音引起的细小突变较少，容易描述医学图像信号的整体行为，可检测出医学图像灰度值变化较大的轮廓，因此可以通过在不同尺度下逐步确定阈值来处理医学图像。Bindu，Ch.Hima1等人[15]在2011年提出了一种基于小波变换的全自动医学图像分割方案。整个计划分为3个阶段。在第一阶段中，计算图像的小波变换，随后融合LH，HL和HH系数；在第二阶段中，通过计算全局阈值来确定初始点；在第三阶段中，从每个初始点开始进行搜索程序，得到闭环轮廓；Alzubi，S.等人[16]在2011年使用小波、脊波和曲波变换的多分辨率分析建立了一个医学图像分割系统。在不同的医学图像如PET，CT或MRI图像进行实验研究，对曲波变换的医疗数据集进行了测试，并与从其他变换所得到的结果进行了比较。试验表明，使用曲波扫描显著提高了异常组织分类，并减少了噪声。

2 结语

随着医学成像和计算机辅助技术的发展，图像分割技术已经成为医学图像处理的研究热点。研究人员一边致力于新的医学图像分割算法研究，一边又不断尝试着将不同的方法进行巧妙的结合，以达到对医学图像更有效的分割。一些全新的医学图像自动分割技术应运而生，如图割图论、基于知识的分割方法等，这是近几年医学图像分割领域新成果的代表，也是未来医学图像分割技术的研究方向。

[1]Tang,Xu-Dong,Pang,Yong-Jie,et al.Fast image segmentation method based on threshold[C]//Chinese Control and Decision Conference,2008:3281-3285.

[2]Jiang,Hui-Yan,Si,Yue-Peng.Medical image segmentation based on improved Ostu algorithmand regional growth algorithm[J].Journal ofNortheastern University,2006,27(4):398-401.

[3]Wu,Hai-Shan,Gil,Joan,et al.Region GrowingSegmentation ofChromatin Clumps ofOvarian Cells UsingAdaptive Gradients[J].Journal ofImagingScience and Technology,2004,48(1):22-27.

[4]Angelina,S.,Suresh,L.Padma,et al.Image segmentation based on genetic algorithmfor region growth andregion merging[C]//2012 International Conference on Computing,Electronics and Electrical Technologies,ICCEET,2012,E95-D(8):970-974.

[5]Park,Jonghyun,Park,Soonyoung,et al.Medical image segmentation usinglevel set method with a newhybrid speed function based on boundaryand region segmentation[J].IEICE Transactions on Information and Systems,2012,E95-D(8):2133-2141.

[6]Qian Zhang,Sung-JongEun,Hyeonjin Kim,et al.An Object Recognition Method Usingthe Improved Snake Algorithm[C]//Proceedings ofthe 6th International Conference on Ubiquitous Information Management and Communication,2012.

[7]Matsakou AI,Golemati S,et al.Automated detection ofthe carotid arterywall in longitudinal B-mode images usingactive contours initialized bythe Hough transform[C]//IEEE Engineeringin Medicine and BiologySociety,2011:571-4.

[8]Hui-Yan Jiang,X-He Gao.Semi-Automatic Liver Segmentation UsingImproved GVF Snake Model[J].Advanced Materials Research,2010(121-122):435-440.

[9]Kaur,Prabhjot,Soni,A.K.,et al.Arobust kernelized intuitionistic fuzzyc-means clusteringalgorithminsegmentation ofnoisymedical images[J].Pattern Recognition Letters,2012,34(2):163-175.

[10]Liu,Yuchen,Xiao,Kai,et al.FuzzyC-means clusteringwith bilateral filteringfor medical image segmentation[C]//Hybrid Artificial Intelligent Systems-7th International Conference,HAIS,2012,7208 LNAI(PART1):221-230.

[11]Christ,M.C.Jobin,Parvathi,R.M.S.Fuzzyc-means algorithmfor medical image segmentation[C]//ICECT2011-2011 3rd International Conference on Electronics Computer Technology,2011(4):33-36.

[12]Guan,Xiao-Wei,Zhu,Xia,et al.Medical image segmentation based on Genetic Algorithm[C]//2011 International Conference on Information Technology,Computer Engineeringand Management Sciences,ICM2011,2011:359-362.

[13]Jaffar,M.Arfan,Hussain,Ayyaz,et al.GA-SVMbased lungs nodule detection and classification[C]//Communications in Computer and Information Science.Signal Processing,Image Processingand Pattern Recognition:International Conference,SIP 2009,Held as Part ofthe Future Generation Information TechnologyConference,FGIT2009,Jeju Island,2009(61):133-140.

[14]Liu,Jianli,Zuo,Baoqi.The segmentation ofskin cancer image based on genetic neural network[C]//2009 WRI World Congress on Computer Science and Information Engineering,CSIE 2009,2009(5):594-599.

[15]Bindu,Ch.Hima,Prasad,K.Satya.Afullyautomatic scheme for medical image segmentation with wavelet based image fusion[C]//Proceedings ofthe 2011 International Conference on Image Processing,Computer Vision,and Pattern Recognition,IPCV 2011,2011(1):230-235.

[16]Alzubi,Shadi,Islam,Naveed,et al.Multiresolution analysis usingwavelet,ridgelet,and curvelet transforms for medical image segmentation[J].International Journal ofBiomedical Imaging,2011:4.