医学图像分割方法研究
摘要：医学图像分割属于图像分割技术领域，它能把医生感兴趣的图像提取出来，从而进行定量分析或识别。医学图像分割方法众多，但是没有一种通用的方法可以适应于任何医学图像。本文详细研究了两种实用的医学图像分割方法：阈值法和区域生长法。
关键词：医学图像分割，阈值法，区域生长法
近年来，随着信息技术和计算机技术的飞速发展，医学成像技术也迈上了一个新的台阶，人们能够获得大量高分辨率的医学图像，如：计算机断层成像（computed tomography,ct）、核磁共振成像（magnetic resonance imaging，mri）、超声成像（ultrasonography,us）等技术已经广泛应用于医疗诊断、术前计划、治疗、术后监测等各个环节。但是，各种医学成像设备得到的图像包含了大量多余的信息，而医生往往只对图像中的一部分感兴趣，于是医学图像分割技术应运而生，它实质上属于图像分割技术领域。目前，医学图像分割主要以各种细胞、组织和器官的图像作为处理的对象或内容。
1 医学图像分割
所谓图像分割，就是把不同的区域块分开，这些区域块之间不能出现交集。医学图像分割具有重要的现实意义，因为医学成像设备拍摄的图像中含有大量的器官或组织等结构，而医生只需要其中的某一部分结构进行病灶分析，所以需要借助分割技术提取出重要信息。为了区分开不同的区域块，在医学图像分割时可以借助灰度、
颜色、纹理、局部统计等特征。尽管人们根据自己的需求不同，对图像分割给出了多种不同的定义，但是用集合的概念进行定义使它具有统一性。
整个图像区域构成一个集合，把集合划分成若干个非空子集的过程，就是实现分割的过程。这些非空子集(即子区域)r1，r2，…，rn必须同时满足以下五个条件：
(1) ；
(2) 任何i和j，i≠j，有ri∩rj=φ；
(3) 当i=1，2，…，n时，有p(ri)=true；
(4) 若i≠j，则p(ri∪rj)=false；
(5) 如果i=1，2，…，n，则ri是连通区域。其中p(ri)是对所有存在于集合ri中的元素的逻辑谓词，φ代表空集。
2 医学图像分割方法
自上世纪六十年代以来，人们就开始了图像分割方法的研究，成果颇多，至今已经出现了上百种的分割算法，几乎每一种算法在医学图像分割中都有相关的应用，而且分割算法的数量还在逐年增加[1]。
尽管人们在医学图象分割方面做了很多研究工作，由于尚无通用的分割理论，因此现已提出的分割算法大都只是针对具体的问题，并没有一种适合于所有图像的通用的分割算法。也尽管有人试图对分割目标建立模型并利用模型来进行分割，但并不太成功。此外，给定一个实际的图象分析问题，要选择合适的分割算法也还没有一种
标准的方法。这些都给医学图像分割技术的应用带来了许多实际问题。最近几年又出现了许多新思路、新方法以及新的改进算法。按照经典理论可以将医学图像分割方法分为阈值分割方法、边缘检测方法、区域生长方法和结合特定理论工具的分割方法等四大类[2]。
2.1 阈值分割法
阈值分割方法，在图像分割领域，一直占有重要的地位，它是首先发展起来的几个经典方法之一。它由两类组成，即单阈值分割和多阈值分割。阈值分割法的最大优势是实现简单，由于不同类型的物体，它们的灰度值或其它特征值都存在非常大的差异，在这种情形下，它能够实现有效的分割。很多研究者发现，阈值分割方法对ct 图像分割效果非常好，特别适用于ct图像中的皮肤和骨骼的提取。
2.1.1 单阈值分割
通过阈值化处理将多灰度图像转化成目标图像，单阈值分割公式表示如下2.1所示：
(2.1)
式中：f(x,y)是原始图像，g(x,y)是目标图像，t是阈值，g0和gb表示灰度值，它们分别是单阈值化后的目标像素灰度和背景灰度值。在实际的ct图像分割应用中，ct值大于阈值t的情况按原灰度值输出，即g0保留原图像的灰度值；其值小于阈值t的时候，设置成背景灰度值，即gb被赋值为黑色[3]。下图1分别给出了按不同单阈值分割后的效果。
2.1.2 多阈值分割
多阈值分割的目的是将多灰度图像分成只有目标和背景区域[4]。用一个双阈值分割的例子说明，定义如下：
(2.2)
式中：f(x，y)是原始图像，g(x，y)是经双阈值操作后的三值目标图像，t1和t2还是表示阈值，g0、g1、g2三个分别表示目标像素灰度。应用在本论文中，小于t1的时候，按背景色输出，即g0是黑色。
下图2是将ct图像进行多阈值分割的结果图，其中，图a 是原始图像，图b是设置不同多阈值的分割效果。
(a) 原始ct图像 (b) t1=1152，t2=1926时的分割效果
图2 多阈值分割结果图
2.2 区域生长法
区域生长法将分割过程分解为顺序的多个步骤，其中前后步骤之间有关联，后续步骤的进行依赖于前面步骤的结果[5]。它能有效的分割出复杂的图像，特别是当得不到足够的先验知识时。同时，区域生长法在分割小的结构时占有相当高的优势。
首先在待分割的区域中选出要作为生长的起始像素点，即种子。种子根据生长规则p把它周围邻域中与自己有相同或相似性质的像素点合并到其所在的区域，把这些新合并进来的像素点当作新的种子点继续进行上面的过程，到不再有符合生长规则的像素包括进来为
止。此时，形成的各区域便是待求的最终分割结果，生长规则p可以自己制定，一般形式如2.3所示[6]： (2.3)
式子表示的意义是，在每一次的生长过程中，对任何一个区域
ri(i=1,......n)，检测其区域边界邻域上的像素x是否已经被划分；若无，则判断上式的真假性；若成立，就将x纳入区域ri。
式中的生长规则p决定了像素如何并入区域的过程，通常采用∣
f(x)-mr3 总结
由于医学图像本身的复杂性，要从中提取出医生感兴趣的区域更非易事。尽管人们在医学图像分割方面做了很多研究工作，由于尚无通用的分割理论，因此现已提出的分割算法大都只是针对具体的问题，并没有一种适合于所有图像的通用的分割算法。阈值法和区域生长法属于比较经典的理论，目前这两种方法一般不单独使用，往往和一些新方法联合使用。经过多年的发展，阈值法和区域生长法在原有理论的基础之上进行了创新，分割效果越来越理想。
[1] 杨云峰，苏志勋，胡金燕．一种保持边缘特征的图像插值方法[j]
[2] kenneth r，castleman．digital image processing [m]
[3] sahoo p. k, soltani s.．a survey of thresholding techniques[j]
[4] 韦洪力，于新波，赵文仓．基于多小波的医学图像阈值分割算
