图像分割技术在医学图像处理中的应用方法

王志強

（川北医学院 四川省南充市 637000）

在医疗领域，运用多媒体技术，医学成像已经成为了医生诊断不可或缺的必要工具。而计算机技术的广泛普及，更是在现有基础上对医学成像技术实现了全面调整，达成了必要的治疗机制。作为带动医学诊断技术的变革，区域图像分割技术必须实现全面优化，根据灰度、色彩、空间、纹理、几何形状等将其划分为不同区域。就临床医学研究而言，图像分割技术可以对原始的三维图像分为不同性质，将医生需要集中处理的区域进行标记，以便于医生根据其展示结果分析病理原因，提供可靠的诊断治疗，最大程度的发挥其自身特性。

1 图像分割技术概述

对图像分割技术进行分析，可以得知图像分割技术可以将图像有效分为互不重叠且具有各自特征的区域技术。其自身具有有效的特征，根据分割后的区域以及整个图像，可以实现某种特征的融合。例如，以颜色、纹理或同一目标或相应区域实现全面连接[1]。在图像分割技术应用当中，为了实现医学图像处理，需要贴合实际情况，对处理过程进行图像目标设置。围绕相关的图像，按照情景以及背景，在诊断流程里对图像进行分割后，完成后续的识别流程，保证分割后的图像区域能够实现全面提取，完成有效分析。由此可见，图像分割在诊断过程当中具有非常重要的应用价值。

2 图像分割技术在医学图像处理的关键因素

基于图像分割技术，可以在相同的图像分割方法当中，对同一目标区域的图象实现全面分析，依照不同的图像属性划分图像区域，在分割技术当中进行最常见的分割操作。通过计算机处理性能，可以将相关图像分割为与周围图像或背景具有一定联系性的灰度图像[2]。阈值分割算法，对目标灰度相差的图像具有明显的应用性，经常被用于皮肤、骨骼等伤情诊断当中。在计算机算法里，可以根据图像之间的灰度差异有效判断出患者的病患部位，得到准确的治疗依据。

3 基于区域分隔方法

3.1 阈值法

作为一种常见的变形区域技术，阈值可以区分不同的目标值。阈值分割方法的基本操作原理主要依赖于相应阈值的选取，以确定分割处理的关键性流程。按照某个准则，求出阈值的最佳过程。通过阈值法计算，其优点非常简单，可以显著达到计算速度快、针对不同物体或结构具有强烈的对比、可以得到较好的分割效果[3]。通过分割方法以交互式为基准，实现实时操作，更易于建立在符合用户视觉估计的基础上。但阈值法通常具有一定缺陷，首先，最常见的便是阈值法只能产生一定值的图像来区分二者的不同区别。因此，在灰度值当中缺乏一定的空间分布率，导致阈值法对噪声非常敏感。为了弥补其自身的不足，在后续的改良过程当中提出了一些优化类型的算法。例如，采用局部阈值、模糊阈值、随机阈值等。由于阈值分割对于相应的CT 图像处理效果极好，在选取阈值时需要根据医生经验进行判断，如选取阀值时，先进行尝试性分割，再对阈值进行后续调整，直至达到用户满意。在后阶段分割过程中，可以通过阈值分割法检测螺旋CT 图像，对患者的肺结性病变可以实现灵敏检测，据相关数据分析，检测灵敏度高达96%，且并未出现假性效果（如图1 所示）。

图1：阈值法工作原理（图片来源：Bing 图库搜索）

图2：模糊聚类法原理（图像来源：Bing 图库搜索）

3.2 区域生长法

区域生长法可以根据定义的标准提取图像中关联区域，作为一种有效的分割方法，区域生长法可以对其种子点的位置、生长准则以及生长顺序实现全面分割。对于区域生长法，可以在分割时产生有效的效果，对于面积不大的区域能起到完美性的应用。但区域生长法对面积较大的区域进行分割时，则整体计算速度稍慢。此外，区域生长法在处理灰度值当中无法有效进行一次分割，仅单次分割区域，在使用当中呈现一定的不足。

4 基于边界分割方法

区别于区域分割法，边界分割法可以明显地利用不同区域之间的像素或灰度检测出区域边缘，实现有效的图像分割[4]。根据检测流程不同，通常会将边缘检测方法分为“串形边缘检测”以及“并行边缘检测”。

4.1 串行边缘检测法

串行边缘检测法可以检测出相应边缘，根据某一相似点寻找相同边缘点，此种方式在医学图像处理当中可以称之为“跟踪法”，根据跟踪模式的不同，串行边缘检测方法可以分为“轮廓跟踪”、“光棚跟踪”以及“全效跟踪”三种模式。

4.2 并行边缘检测

在并行边缘检测当中，可以根据单个像素点对单个图像进行检测，因此，可以极大增加搜索检测时间。在医学图像处理当中，常用检测方法包含了“Roberts 梯度算子”、“Kirsh 算子边缘检测”、“Wills 算子”。根据方向模板、统计模板等边缘检测方法，可以对相关图像完滑度、纹理边缘、斜度等处理，分析出最佳数据。虽然并行边缘检测法可以极大加快检测速度，但是其在使用当中，整体复杂图像边缘极容易出现灰度不连贯的情况。因此，边缘检测在推广过程里存在了一定的困难。在后续调整过程当中，医学图像处理必须对边缘检测法完成全面优化，增加其在几何分析当中的意义。

5 基于特定理论方法

5.1 模糊聚类法

在模糊聚类法当中，必须将像素灰度等性质完成映射，根据一定的规律将其划分为不同的区域空间，达成有效计算以及精简测试[5]。在后续的测试流程里，根据图像之间的性质进行判断，并对其进行标记以及分割。目前，最常用的聚类方法为均值算法，基于模糊头像理论进行衍生。在运用过程当中，该算法呈现寻优迭代，可以运用函数设计对整个模糊算法进行初始设置。由于在医学图像当中其本质上存在着一定的模糊性，因此模糊聚类法可以更适合对不确定性的图像产生良好的描述能力，进行模糊理论。在医学图像处理当中，通常将模糊距离法广泛用于心脏疾病的检测，可以实现良好的应用效果，以达成全面增长（如图2 所示）。

5.2 神经网络算法

在神经网络算法当中，可以根据分割图像的不同特性完成训练样本的采集，以便对神经网络以及相关节点实现全面连接。根据图像的权值，在训练过程当中依照神经网络实现有效分割。神经网络可以对图像数据完成良好的数值分析，但神经网络方法在运行当中必须提前吸收大量的训练数据，以保证其训练精准。目前，神经网络算法在我国医学图像处理当中拥有巨大的潜力，其自身极容易引入空间信息，可以全面解决图像中的噪声以及不均匀问题，对医学产生非常明显的提升。在医学图像分割当中，首先对原始图像进行提取，根据图像特征进行映射。在现有的医学图像当中，其大部分图像存在着一定的不确定因素，引入模糊技术可以全面减少图像的内在不确定性，实现分割结果的精简，降低分割结果对噪声敏感程度。通过神经网络以及其他技术结合，相关研究极多，因此在后续优化里，基于神经网络方法延伸了“模糊神经网络”、“小波神经网络”、“混沌神经网络”等新型检测方式。

5.3 小波变换算法

根据小波变换算法，可以利用函数之间的特性来对信号值实现全面提取。在进行二进制转换时，小波变换算法可以根据相关的变换值，依照指数、尺度参数等体现出检测点是否具有特异性，如出现特异性可以分析出特异性的大小[6]。基于图像处理而言，此类特异点可以构成图像边缘，因此选择小波函数可以有效提取图像边缘。小波变换方法可以对医学图像实现全面处理，建立小波多尺寸几何活动的曲线模式，根据采样变化分析图像自有特征。小波变换法通常采用矢量图，并基于矢量图的马尔可夫限制条件，建立小波空间分割统计模型。在对相关图像进行尺度分割下，其多图像的分析模式可以实现分辨率以及高位置分辨率的转换。由此可见，如何有效组合相关的跨度信息，恢复空间分辨率，可以将其算为多尺度分割算法的有效处理点。利用超声图像的不同区域，可以对过零点随尺度变化曲线函数实现医学超声图像的有效分割。

5.4 遗传算法

遗传算法可以有效模拟生物界的选择以及遗传规律，实现全面拟生。在算法当中，遗传算法可以完成随机化搜索，对计算机核心芯片实现连接，使其整体运作机制可以由计算机实现完美模拟。对基因串控制生物群体实现全面的分析，并将该分析过程应用到搜索算法当中。因此，遗传算法具有极高的速度以及有效质量遗传算法，对全局搜索具有较强的掌控能力，但其对于局部搜索能力不强。因此，在医学处理当中，可以将相关原理运用到搜索，并将其与其他算法结合应用。我国在2018年，将遗传算法应用到心脏超声波图像当中，将二者实现有效融合，成立了学习分割框架。用该方法对人工进行图像合成，可以完成试验，得到较好的应用效果及有效性，可以通过对方差异完成全面分析。此外，遗传算法对于前列腺检查也可以得到有效效果，根据我国某医院数据测量，在前列腺边界检查当中，遗传算法平均误差为6.2mm，远小于其他算法。

6 结束语

综上所述，随着科技的不断发展，图像分割技术将在医学图像处理当中得到全面应用。就现有的分割方法而言，我国目前常用于三大领域的分割方式，“基于区域分割方法”、“基于边界分割方法”以及“基于特定理论方法”。在各方法里，也延伸出了相应算法，可以对不同患者以及不同图像实现全面分析，实现有效构建。因此，在后续发展流程当中，图像分割技术将在现有基础上实现全面增强，为临床医疗诊断以及病理学研究提供切实可靠的依据，并根据其提供的数据完成全面试算，对我国医疗领域具有非常重要的提升性，增强我国居民的生活质量。