图像分割技术在医学图像处理中的应用综述

2021-01-05陈菲涂春周琪苏秦王亚乾唐鸿俊

科技风 2021年36期

陈菲涂春周琪苏秦王亚乾唐鸿俊

摘要：图像分割是将图像划分为若干个具有独特性质区域的过程，分割结果直接影响着后续任务的有效性。研究分析、信息收集等都需要图像分割。DICOM是目前医学图像最常见的图像格式，对DICOM图像的分割与处理是诊断和治疗的关键技术，能够提供准确可靠的诊断依据。本文对GACV人机交互模型、区域生长、基于深度学习的U-Net和FCN算法以及模糊C均值的图像分割方法进行综述。最后进行总结和展望图像分割技术在医学图像处理上的应用价值。

关键词：图像分割技术;医学图像;DICOM

图像分割是指将图像中在某种标准下的不同区域区分开来。分割所得到的不同区域是互不交叉的，每个区域都满足特定区域的一致性[2]。医学图像分割是医学建模的主要组成部分，由于图像的复杂性与多样性，医学图像分割较一般的图像分割有着更大的难度[3]。本文主要介绍目前半自动分割和自动分割方法在医学图像上的应用。

1 半自动分割

半自动分割是一种结合手工和计算机的交互方式，允许人工交互式操作提供一些有用的信息，然后由计算机进行分割处理。

1.1 交互式GACV模型

选择需要处理图像的ROI区域，利用高斯函数进行去噪平滑，采用结合了CV模型（对平滑区域进行全局分割）和GAV模型（利用梯度和曲率进行边缘检测）的GACV模型在ROI区域上进行分割，得到感兴趣区域的粗分割结果。为精确地得到感兴趣区域的轮廓[4]，选取了一种无损边缘的膨胀搜索算法，既精确地提取了轮廓信息，又使图像的其他重要数据信息尽可能保留。

算法步骤包括人机交互、粗分割和利用无损边缘的膨胀搜索算法的后处理。

首先在图像中选取ROI区域，利用计算机人工选取包含了初始曲线中心点、初始曲线半径、ROI区域中平均灰度相近的任意数据点。该算法分割图像的计算量和分割时间与人工数据信息量的选取和待分割图像的大小有关。因此所选的曲线中心点、半径等大小和位置的信息量对减少计算量有较大的帮助。人工选取的ROI区域将作为下一步精确分割的初始对象。

粗分割的结果图像显示轮廓较为粗糙，包括了较多的不相关组织区域。对粗分割的结果进一步后处理，移除不相关组织区域并尽可能保留感兴趣区域的轮廓。在教学过程中，经实验模拟，这种模型算法能较为精确的分割出不同磁共振图像序列或CT图像序列的感兴趣区域轮廓[5]，能较好地应用在医用图像的分割处理中。

1.2 区域生长

区域生长是根据预先给定的生长准则，把像素或子区域合并成较大区域的处理方法。基本的处理方法是以一组“种子”点开始来形成生长区域，按照一定的准则逐步加入邻近像素，当满足终止条件时，区域生长终止。区域生长基本的处理方法是以一组“种子”点开始来形成生长区域，按照一定的准则逐步加入邻近像素，当满足终止条件時，区域生长终止[6]。

在某个序列层面切片上勾画出ROI，依据病灶与周围正常组织图像灰度值具有对比度明显的知识，运用大津阈值算法对整个层面进行分割;对其相邻的切片也进行同样的ROI内大津阈值分割，依据阈值判断本张切片是否存在与正常组织明显不同的灰度值区域;依据已经准确分割的切片和进行连通域检测的层面切片确定种子点，选取阈值在种子的8邻域内进行判断，与种子的差值小于阈值的点划分为和种子一类;重复上面的过程直到区域不能再扩张为止，利用其区域生长算法来分割相邻切片，分割完成后重新更改感兴趣区方便下一次分割层面切片[7]。

2 全自动分割

全自动分割脱离人工交互，完全依靠计算机对图像进行分割。计算机可以承担大量计算工作，分割速度快，效率高。实现全自动分割，是未来重要的研究方向。

2.1 卷积神经网络

卷积神经网络（CNN）最早用作分类器，用于图像的识别[8]。基本结构主要由输入层、卷积层、池化层（下取样层）、全连接层及输出层组成，亦可将CNN划分为两部分，分别为特征提取器（输入层、卷积层、池化层）和分类器（全连接层和输出层）[9]。在CNN结构中，输入层经过多次卷积层和池化层的特征提取后，卷积层输出高级特征的神经元与其输入层进行局部连接，然后对相应的连接权值和局部输入进行加权求，再加上偏置值得到该神经元的输入值，即为卷积过程[10]。

Stefano Trebeschi等人提出了基于MRI序列图像通过CNN来实现感兴趣区域的自动分割。CNN接受了多参数核磁共振成像的训练，将每个单元分类为ROI或非ROI。Trebesch等人的研究中采用CNN的架构：提取固定大小的体素V;通过CNN训练每个V并进行分类;收集由此产生的结果概率;将结果概率分配给V。对每个图像的每个体素V重复以上操作后可以生成一个概率图，其中P（v）是体素V所代表感兴趣组织的概率，通过概率图的阈值划分（P（v）≥0.5为“ROI组织”否则为“非ROI组织”）。

相较于传统手动分割，CNN分割结果能与手动分割相媲美，能正确分类感兴趣区域与非感兴趣区域，分割速度快，耗时短。

2.2 全卷积神经网络

近年来深度学习技术愈来愈成熟，计算机视觉的应用范围逐渐扩大。它在许多领域都取得了较好的成绩，并为图像检测技术的发展提供了更加多样化的研究方向计算机视觉的应用范围逐渐扩大。它在许多领域都取得了较好的成绩，并为图像检测技术的发展提供了更加多样化的研究方向。基于深度学习技术的智能处理大量图像数据的技术，也成为计算机视觉领域的研究热点之一[13]。全卷积神经网络（FCN）基本架构为：输入、卷积、池化和输出[14]。FCN网络模型在Faster RCNN网络基础上加入预测目标掩饰的并行分支，提高了检测精度，实现了实例分割，具有高速、高准确率、简单易用等特点。但是该算法分割的结果不够精确，缺乏有效的空间信息。

2.3 U-Net

最初的U-Net结构由卷积层、最大池化层（下采样）、反卷积层（上采样）以及Re LU函数（线性整流函数）组成。U-Net网络框架结构图如下图所示。

由左图看出该U-Net网络由28个卷积层包含4次卷积、4次上采样和4次下采样，每个卷积层后使用修正线性单元确保特征图的稳定输出。首先，利用卷积使输出的特征通道数量增加1倍，经最大值运算向下采样。为使特征图增大，采取了上采样;为使特征通道数目减半采取下采样，最终使特征图恢复到输入图像的大小。因卷积会使得特征图像丢失部分信息，需将卷积过程中所提取的特征信息传递给采样过程中提取的图像部分，尽可能使图像信息的丢失量减少。

在叶远伊等人的研究中，采用U-Net模型在直肠CT检查的图像中分割感兴趣区域前，需对图像进行预处理，包括将CT值转化为标准的HU值、窗口化操作、直方图均衡化、图像归一化、裁剪CT图像。构建的U-net中，每个卷积层采用步长为1的3*3的卷积核，上采样采用步长为2的3*3的卷积核，下采样采用步长为2的2*2的卷积核。卷积后，输出图像尺寸减小到8*8，使用一个1*1的卷积层将特征数量缩减为1，经sigmoid函数处理后输出图像。采用Dice系数，作相似度分析，使利用该算法结构分割的准确率达到93.61%，分割效果较为理想。U-net算法能实现自动化准确分割出目标图像，相比FCN有所需样本少、分割速度快的优势。但在采用U-net时，若目标特征图像占图像范围区域小，提取的特征数太多易导致过拟合。

3 模糊C均值聚类

聚类的图像分割在日常的分割有两种区分：硬聚类例如K-means聚类图像分割算法;模糊聚类例如模糊C均值聚类算法或者均值漂移算法等。

硬聚类的图像分割是指所要处理的数据是属于其中的一个分组，在硬聚类图像处理中每个要处理的数据的隶属度是0和1两个数值。而模糊类图像分割的隶属度是在[0，1]这个区间内的数，一个样本是同时属于所有的类，根据隶属度的不同来区分它们的差异。

模糊C均值（FCM）聚类方法相对于其他同类型算法更加简明、灵活，在日常的运用中更为广泛，相对于其他算法也更加完善。在大多数的图像处理中，所需要处理的对象绝大部分不可以归类于很明显分离的簇，同理去指派一个对象对应到一个特定的簇也是很容易出现错误的，对所有的对象以及所有的簇赋予一个权值，来指明各个对象所对应簇的程度。即便非常便捷的FCM算法，在图像分割的过程中依旧存在着一些缺点：图像中相接的像素没有涉及;聚类的中心是不确定的，会影响到算法的时长以及分割结果相差比较大;噪声对FCM算法的影响特别大。

对于医学图像来说，运用FCM聚类算法首先对图像进行聚类的粗分割，分割出感兴趣区以及附近的组织，然后再运用形态学算法对分割出来的组织图像进行边缘细化，空洞填充等操作，使需要处理的图像变得连续，更加平滑。再采用区域增长算法对已分割出来的图像组织进行提取，使组织周围的区域清除，最后根据对比法，从提取出来的组织中获得感兴趣区域。根据由大到小，由粗到细的原则，使得感兴趣区的干扰不断减小，将目标所在的范围锁定，在感兴趣区域内的图像同时也是比较光滑，对目标进行精准的定位。

结语

本文从半自动分割和自动分割定义出发，详细介绍了GACV人机交互模型、区域生长、基于深度学习的U-Net和FCN算法以及模糊C均值。利用圖像分割技术处理医学图像病灶或者病变组织提取方面的问题已经取得了较大进步，但在以下方面还有待进一步研究。

（1）如何进一步简化对图像的预处理、提升检测精度和速率、降低训练误差、如何改进U-Net网络模型使得提取的特征数量不会导致过度拟合。

（2）如何实现用小样本完成训练获得分割精确的图像、如何将不同算法合并，有便于将特定结论推广到不同患者群体上。

（3）对于图像分割，目前还没有研究出一种通用的并且有效的自动分割方法，很多方法只是针对某种特殊的图像，具有局部性。

参考文献：

[1]时贺，赵于前，王小芳.交互式GACV模型的肿瘤图像分割[J].中国医学物理学杂志，2011，28（03）：2624-2627+2667.

[2]Gonzalez，R.C.“Image Enhancement and Restoration.”In Handbook of Pattern Recognition and Image Processing，Young，T.Y.，andFu，K.S.（eds.），Academic Press，New York，1979（6）：177-248.

[3]李旭冬，叶茂，李涛.基于卷积神经网络的目标检测研究综述[J].计算机应用研究，2017，34（10）：2881-2886+2891.

[4]李炳臻，刘克，顾佼佼，姜文志.卷积神经网络研究综述[J].计算机时代，2021（04）：8-12+17.

[5]周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40（06）：1229-1251.

[6]王颢.深度学习在图像识别中的研究与应用[J].科技视界，2020（24）：37-38.

[7]郭亚男.基于全卷积神经网络的图像语义分割技术的发展及应用综述[J].数码世界，2019（07）：10.

[8]曾文献，张淑青，马月，李伟光.基于卷积神经网络的图像检测识别算法综述[J].河北省科学院学报，2020，37（04）：1-8+28.

[9]袁兵.基于全卷积神经网络的图像分割算法的研究及应用[D].电子科技大学，2018.

[10]李亚军.基于U-Net的结直肠癌CT图像分割方法的研究[D].华南理工大学，2020.

[11]程立英，高宣爽，申海，黄丹阳，覃文军.基于U-Net网络的肺部组织分割[J].沈阳师范大学学报（自然科学版），2020，38（03）：278-282.

[12]叶远伊，林仁波，李东，黎柱，许应军，王龙鑫.基于U-net的直肠癌肿瘤的智能分割[J].电子制作，2019（22）：45-47.

[13]周鲁科，朱信忠.基于U-net网络的肺部肿瘤图像分割算法研究[J].信息与电脑（理论版），2018（05）：41-44.

[14]何颖，何晓菊，张钢.基于小波变换与FCM的甲骨文字图像分割[J].天津科技大学学报，2018，33（06）：62-66.