医学图像自动分割技术研究及实现

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gxy(,)0≤≤xMaxx_,0≤≤yMaxy_，进行分割就是将图像划分为

满足如下条件的子区域...： g1g2g3

(a) ，即所有子区域组成了整幅图像。

(b) 是连通的区域。 gk

(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。 gk

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。

医学图像的分割技术及其新进展3楚存坤,李月卿,王昌元(泰山医学院,山东泰安　271000)关键词:医学图像分割;图像分割评价中图分类号:R319　文献标识码:A　文章编号:100427115(2007)0420315203 近几年,计算机断层成像(ComputedTomo2graphy,CT),核磁共振成像(MagneticResonanceIm2age,MRI),超声成像(ultrasoundimage,USI)等医学成像技术已经广泛应用在医疗的诊断、术前计划、术后监测等各个环节中,其目的是全面而精确地获得病人的各种数据,为诊断、治疗计划、手术和术后评估提供正确的数字信息。只有把感兴趣的目标从图像的复杂景物中提取出来,才有可能进一步对它们进行定量分析或者识别。目前,医学图像分割主要以各种细胞、组织与器官的图像来作为处理的对象或内容。图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求[1]。1　医学图像分割技术的发展111　传统图像处理领域中的医学图像分割技术11111　基于阈值的方法阈值分割法是将灰度图像变为二值图像以达到分割目的的方法,它是一种PR(并行区域)法。阈值法的过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”。把灰度值大于阈值的所有像素归为一类,小于阈值的所有像素归为另一类。阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间有很大的强度对比时,能够得到很好的效果。此分割法通常是交互式的。因为阈值法能够实现实时操作,所以它更能够建立在用户视觉估计的基础上。阈值法一般可以作为一系列图像处理过程的第一步。其主要局限是,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。另外,它只考虑像素本身的值[2],一般都不考虑图像的空间特性,这样就对噪声很敏感。针对它的不足,有许多经典阈值法的更新算法被提了出来[3,4]。11112　基于边缘检测的方法基于边缘检测的分割方法是通过检测相邻像素特征值的突变性来获得不同区域之间的边缘。边缘点的判定是基于所检测点的本身和它的一些邻近点,主要包括局部微分算子,如Roberts梯度算子,Sobel梯度算子和Canny算子等,当然,针对不同的图像,还有许多其它不同的算子、手段来检测出这些边缘点。例如,Fan等人[5]利用非线性小波阈值法对植入式超声图像中的腔内膜-内壁和外膜等形成的边界进行了检测,Sedelaar等人[6]利用非线性La2place滤波器实现了对前列腺超声图像的自动分割。一个好的边缘检测算子不仅具有微分特性以获得灰度变化信息,它还应该能够根据需要适合任何尺度下的边缘检测,因为图像中的灰度是以不同尺度发生变化的。实验发现,边缘检测方法获得的边缘信息往往会因这些信息不够突出而产生间隙,不能形成包围物体的封闭曲线,这就要求根据这些离散的边缘点采用一定的跟踪、连接算法勾勒出有意义的物体边界。另外,边缘检测分割方法对噪声较大的图像还会产生较多的伪边缘,为去除噪声提出了较高的要求。这个问题在医学超声图像分割中显得尤为突出[7]。112　近年新发展医学图像分割技术为解决上述传统图像分割技术中存在的问题,近年来,研究者们对于各种新的图像分割算法进行了广泛的研究和使用,并取得了许多令人鼓舞的成果。11211　基于活动轮廓模型的医学图像分割活动活动轮廓模型又称Snake模型,自Kass等人[8]于1988年提出以来,已广泛应用于数字图像分析和计算机视觉等领域。这种模型最显著的优点是将图像数据、初始轮廓的选取、目标轮廓特征以及知识的约束条件都集成在一个特征提取过程中。主动轮廓线的运动过程就是寻找能量函数最小点的过程,从人工定义的初始位置开始,在使能量函数递减的算法的驱使下产生形变,直到到达目标的边缘。近年来的大量研究表明,主动轮廓线模型具有良好的提取和跟踪特定区域内目标轮廓的能力,因此非常适用于医学图像如CT、MR和超声图像的处理,以获取特定器官及组织的轮廓。Yoshida等人[9,10]基于513泰　山　医　学　院　学　报JOURNALOFTAISHANMEDICALCOLLEGE　Vol128　No14　2007

基于深度学习的医学图像分割方法研究共3篇

基于深度学习的医学图像分割方法研究1

基于深度学习的医学图像分割方法研究

医学影像分析在临床诊断和治疗中扮演着重要的角色。医学影像分析从图像中提取医学信息，帮助医生更好地诊断患者并制定治疗方案。然而，大量医学影像数据需要分析，而且这些数据通常包含大量噪声和复杂的结构，因此对医学影像进行分析和诊断是一项具有挑战性的任务。为了解决这个问题，深度学习技术已经被引入到医学图像处理中。

深度学习通过学习复杂函数来提取高级特征，已经在许多领域取得了卓越成果。在医学图像处理中，深度学习技术能够自动提取和学习大量的特征，提高医学图像分割的准确性和速度。在深度学习的基础上，研究人员提出了各种医学图像分割方法。

卷积神经网络（CNN）是深度学习中最常用的模型之一，已经被广泛用于医学影像分割。CNN模型能够学习到图像的局部特征，并将它们组合成更高级的特征，从而实现对图像的精细分割。例如，一种基于CNN的医学影像分割方法是U-Net，该方法使用CNN网络进行学习和训练，并将输出的结果与输入的结果进行比较，再进行调整和优化，以实现更准确的分割。

此外，还有许多其他的深度学习模型被应用于医学图像分割中，例如递归神经网络（RNN）、长短期记忆网络（LSTM）、深度置信网（DBN）等，这些模型在医学图像分割中也表现出了很好的效果。

然而，采用深度学习方法进行医学图像分割时还存在一些问题。首先，在医学图像分割中，显著的不均衡性是一个普遍的问题。因为病变区域只占总体图像的一小部分，而正常区域则占大多数，导致算法倾向于错误地将病变区域划分为正常区域。为了解决这个问题，研究人员提出了各种方法，如加权交叉熵损失函数、Dice系数等。

除此之外，还存在一些问题，如样本缺乏和容易受到噪声和图像质量的影响等。针对这些问题，研究人员在医学图像分割中采用了数据增强、自适应模型优化等方法，以提高模型的鲁棒性和稳定性。

第1章 绪 论

1.1 引言

当今社会，是知识经济的社会，高新科技飞速发展。入们在迅速发展

新科技的同时，也越来越关注自身的生活环境与医疗条件。健康，越来越成为每一个入倾心关注和孜孜追求的意境。然焉，群学技术是一把双刃剑，它带给人们得到的同时也在破坏着我们赖以生存的环境，从而严重威害人类的健康。堪愧的环境，沉重的压力以及激烈的竞争，都侵入们的健康走入低餐，从而健康成为全人类共同关注的目标。因此医学的发展面临严重的挑战，作为医生诊断和治疗重要手段的医学影像学也得到了相应的发展。现今，医学图像在医疗诊断中起着不可低估的重要作用。计算机断层扫描、核磁共振(Magnetic Resonance，MR)、超声(Ultras叫nd)以及其它成像技术等，都是无侵害性的器宫体外成像的有力手段。但是，医学图像还有一个显著的特点，由于受成像设备的影响、局部体效应(同一个体素中包含多种组织)、患者的体位运动和检查床的匀速直线运动，使得医学图像不可避免地盘现噪声和伪影，边缘模糊和信号强度不均匀现缓，例如信号强度在同一种组织中会出现大幅度的变化或在同一个物体中也不均匀。此外，在图像形成和传输的过程中，图像的像质也会受到一定的影响，这些都给医生下达准确的诊断造成了一定的障碍。为了提高医学图像的可读性，使得医生可以对人体的解割结构以及病变部位进行更有效的观察和诊断，提离诊断的准确率，医学图像处理从而成为了一门应用性很强的学科而且得到了长足的发展。

1.2 医学图像分割的意义、分类及其研究现状

1.2.1 医学图像分割的意义

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。