医学图像分割方法综述

医学图像分割方法综述医学图像分割方法综述1/36背景图像分割是什么？用以区分物体和背景图像处理工具对输入图像进行计算将图像划分到一个统一区域中为何要进行图像分割？取得对图像深入处理数据用分割图像进行建模在医学图像中取得感兴趣区域实质3-D重建预处理和后处理指导图像内部处理医学图像分割方法综述2/36医学图像分割医学图像：CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI、Ultrasound（超声）及其它医学影像设备所取得图像；特殊性：成像复杂、干扰繁多、个体多样性现实状况：方法多，没有统一标准医学图像分割方法综述3/36图像分割相同性二者结合其它阈值法区域生长和分裂合并分类器和聚类基于神经网路基于含糊集理论统计学区域分割基于数学形态学不连续并行微分算子曲面拟合串行边界查找形变模型边缘检测医学图像分割方法综述4/36阈值法原理：。阈值分割方法基于对灰度图像一个假设：目标或背景内相邻像素间灰度值是相同，但不一样目标或背景像素在灰度上有差异，反应在图像直方图上，不一样目标和背景则对应不一样峰。选取阈值应位于两个峰之间谷，从而将各个峰分开。单阈值，多阈值。优点:实现简单，对不一样类灰度值或其它特征相差很大时，能有效分割。常做医学图像预处理。缺点：不适应多通道和特征值相差不大图像；对噪声和灰度不均匀很敏感；阈值选取困难。医学图像分割方法综述5/36直方图图像区域由灰度值区分开医学图像分割方法综述6/36基于阈值图像分割阈值：选择灰度值作为阈值遍历整幅图像检测像素是否在此区域内医学图像分割方法综述7/36基于阈值图像分割阈值选择经过图像直方图来定义阈值（每一个峰值代表一个物体）选择两个峰值中间值作为阈值缺点对于每幅图像都要人为选择阈值医学图像分割方法综述8/36example医学图像分割方法综述9/36区域生长和分裂合并原理：区域生长基本思想是将相同性质像素集合起来组成区域；首先选择一个种子点，然后依次将种子像素周围相同像素合并到种子像素所在区域中。研究重点一是特征度量和区域增加规则设计，二是算法高效性和准确性。缺点：需要人工交互以取得种子点；对噪声敏感，造成抽取出区域有空洞。原理：分裂合并思想将图像先看成一个区域，然后区域不停被分裂为四个矩形区域，直到每个区域内部都是相同。研究重点是分裂和合并规划设计。缺点：分裂技术破坏区域边界。医学图像分割方法综述10/36example在想要分割部分选择一个或者多个种子相邻像素就会以某种算法进行检测将符合检测条件像素加入到区域中逐步生长为满足约束条件目标区域医学图像分割方法综述11/36分类器原理：分类是模式识别领域中一个基本统计分析方法。分类目标利用已知训练样本集在图像特征空间找到点（1D）、曲（2D）、曲面（3D）或超曲面（高维），从而实现对图像划分。分类器又分为两种：非参数分类器和参数分类器。优点：(1)不需要迭代运算，所以计算量相对较小。(2)能应用于多通道图像。缺点：未考虑空间信息，对灰度不均匀图像分割效果不好；需手工分类生成训练集，而手工分类工作量很大；未考虑解剖结构个体差异，会产生误差。医学图像分割方法综述12/36聚类原理：聚类算法与分类器算法极为类似，只是它不需要训练样本，所以聚类是一个无监督(unsupervised)统计方法。从某种意义上说，聚类是一个自我训练分类。其中，K均值、含糊C均值(FuzzyC-Means)、EM(Expectation-Maximization)和分层聚类方法是惯用聚类算法。缺点：聚类分析不需要训练集，不过需要有一个初始分割提供初始参数，初始参数对最终分类结果影响较大。其次，聚类也没有考虑空间关联信息，所以也对噪声和灰度不均匀敏感。医学图像分割方法综述13/36统计学方法原理：统计学方法中最惯用一个是将图像看作一个马尔科夫随机场MRF。统计学方法实质是从统计学角度出发对数字图像进行建模，把图像中各个像素点灰度值看作是含有一定概率分布随机变量。从观察到图像中恢复实际物体或正确分割观察到图像从统计学角度看就是要找出最有可能即以最大概率得到该图像物体组合来。从贝叶斯定理角度看，就是要求出含有最大后验概率分布。难点：参数选择、计算量大MRF模型常被用于预计和校正核磁图像中局部体效应和强度不均匀现象。MRF经常与聚类分割方法结合使用，比如K均值方法，用以提升聚类算法对噪声鲁棒性。医学图像分割方法综述14/36边缘检测基于边缘分割方法能够说是人们最早研究方法，基于在区域边缘上像素灰度值改变往往比较猛烈，它试图经过检测不一样区域间边缘来处理图像分割问题。串行边缘检测：要想确定当前像素点是否属于欲检测边缘上一点，取决于先前像素验证结果。并行边缘检测：一个像素点是否属于检测边缘上一点取决于当前正在检测像素点以及该像素点一些相邻像素点。医学图像分割方法综述15/36边缘检测怎样确定某一个像素在边缘呢？医学图像分割方法综述16/36边缘是改变发生地方理想数字边缘模型斜坡数字边缘模型一阶倒数二阶倒数医学图像分割方法综述17/36图像梯度一幅图像梯度梯度方向边界强度医学图像分割方法综述18/36怎样得到每个像素梯度Roberts算子、Prewitt算子、Sobel算子、Canny算子等Sx=(I(i-1,j+1)-I(i-1,j-1)+2*I(i,j+1)-2*I(i,j-1)+I(i-1,j-1)-I(i+1,j-1))/8Sy=(I(i-1,j-1)-I(i+1,j-1)+2*I(i-1,j)-2*I(i+1,j)+I(i-1,j+1)-I(i+1,j+1))/8Sobel算子介绍：医学图像分割方法综述19/36example Original sobel canny医学图像分割方法综述20/36并行微分算子原理：对图像中灰度改变进行检测，经过求一阶导数极值点或二阶导数过零点来检测边缘。阶导数算子有梯度算子、Prewitt算子和Sobel算子，二阶导数算子有Laplacian算子，还有Kirsch算子和Wallis算子等非线性算子。缺点：对噪声敏感，所以在求导前先对图像进行滤波。医学图像分割方法综述21/36原图阈值处理边缘检测起始点终止点医学图像分割方法综述22/36不是边界上全部点都要提取，而只是提取其中一部分。提取点能够基本带便边界走向。pt1x1,y1pt2x2,y2x3,y3pt3…xn,ynptn储存分割点矩阵：重建拟合医学图像分割方法综述23/36exampleSobel算子医学图像分割方法综述24/36医学图像分割方法综述25/36基于曲面拟合方法原理：这种方法基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内数据，然后依据该曲面来决定边缘点。一维曲面来拟合局部窗口中数据：先预计该窗口中边缘方向，再用该方向上一维曲面来拟合数据，决定边缘点。二维三次多项式来拟合小窗口内图像数据：为得到该多项式系数，他先用离散正交多项式线性组合来拟合数据，求得线性组合系数后在据以得到三次多项式系数；然后，求该多项式二阶方向导数，以其过零点来决定边缘点。医学图像分割方法综述26/36串行边界查找原理：串行边界查找方法通常是查找高梯度值像素，然后将他们连接起来形成曲线表示对象边缘。串行边界查找方法在很大程度上受起始点影响，以前检测像素结果对下一像素判断也有较大影响。缺点：怎样连接高梯度像素，因为在实际图像中它们通常不相邻；噪声影响。医学图像分割方法综述27/36基于形变模型方法介绍：基于形变模型方法综合利用了区域与边界信息，是当前研究最多、应用最广分割方法。他们经过使用从图像数据取得约束信息（自底向上）和目标位置、大小和形状等先验知识（自顶向下），可有效地对目标进行分割、匹配和跟踪分析。从物理学角度，可将形变模型看成是一个在施加外力和内部约束条件下自然反应弹性物体。分类：形变模型包含形变轮廓(deformablecontour)模型（又称snake或activecontour），三维形变表面（deformablesurface）模型。医学图像分割方法综述28/36形变轮廓模型：使轮廓曲线在外能和内能作用下向物体边缘靠近，外力推进轮廓运动，而内力保持轮廓光滑性。形变表面模型：以更高效、更加快地利用三维数据，而且更少地需要用户交互或指导。优点：能够直接产生闭合参数曲线或曲面，并对噪声和伪边界有较强鲁棒性。还有一些形变模型利用了形状先验知识和标识点集合（pointsets）等先验知识能够使分割结果更为健壮和准确。缺点：参数形变模型固定参数与内部能量约束限制了其几何灵活性，不能随意改变拓扑形状，而且对初始形状敏感。改进：提升算法自动化程度，同时维持形变模型原有优点；气球理论，梯度矢量流（GVF）概念等。医学图像分割方法综述29/36Snakefunctiona代表弹性势能b代表弯曲能医学图像分割方法综述30/36example医学图像分割方法综述31/36example医学图像分割方法综述32/36基于结合区域和边界技术方法介绍：基于区域分割方法往往会造成过分分割，即将图像分割成过多区域。人们往往将基于区域信息方法与别方法，主要是边缘检测方法结合起来，研究结合区域与边界技术方法。采取什么方式结合，怎样结合才能充分发挥各自优势，取得好分割结果是研究重点。路径：先用基于区域分裂合并方法分割图像，然后用边界信息对区域间轮廓进行优化；先在梯度幅值图像中检测屋脊点和波谷点,经过最大梯度路径连接奇异点取得初始图像分割，然后采取区域合并技术取得最终止果等医学图像分割方法综述33/36其它分割方法基于含糊理论:图像分割问题是经典结构不良问题，而含糊集理论含有描述不良问题能力。基于含糊理论图像分割方法包含含糊阈值分割方法、含糊聚类分割方法和含糊连接度分割方法等。基于神经网络（ANN）：神经网络模拟生物尤其是人类大脑学习过程，它由大量并行节点组成。每个节点都能执行一些基本计算。学习过程经过调整节点间连接关系以及连接权值来实现。方法是将图像分割问题转化为诸如能量最小化、分类等问题，从而借助神经网络技术来处理问题，其基本思想是用训练样本集对ANN进行训练以确定节点间连接和权值，在用训练好ANN去分割新图像数据。基于数学形态学：大多数系统都采取形态学算子来对图像进行预处理或后处理，