醫(yī)學(xué)圖像分割進(jìn)展

李強(qiáng)

紹興第二醫(yī)院 設(shè)備科,浙江 紹興312000

醫(yī)學(xué)圖像分割進(jìn)展

李強(qiáng)

紹興第二醫(yī)院 設(shè)備科,浙江 紹興312000

圖像分割是解決醫(yī)學(xué)圖像在臨床上廣泛應(yīng)用的關(guān)鍵性問(wèn)題。本文簡(jiǎn)述了醫(yī)學(xué)圖像分割技術(shù)的進(jìn)展，綜述醫(yī)學(xué)圖像分割技術(shù)、發(fā)展趨勢(shì)，展望了醫(yī)學(xué)圖像分割的前景和面臨的挑戰(zhàn)。

醫(yī)學(xué)影像處理；醫(yī)學(xué)圖像分割

0 前言

信息技術(shù)的飛速發(fā)展和計(jì)算機(jī)應(yīng)用水平的不斷提高，促使了醫(yī)學(xué)成像技術(shù)的突飛猛進(jìn)，人們能夠獲得大量高分辨率的醫(yī)學(xué)圖像，如：計(jì)算機(jī)斷層成像（Computed Tomography,CT）、核磁共振成像（Magnetic Resonance Imaging，MRI）、超聲成像（Ultrasonography,US）等技術(shù)已經(jīng)廣泛應(yīng)用于醫(yī)療診斷、術(shù)前計(jì)劃、治療、術(shù)后監(jiān)測(cè)等各個(gè)環(huán)節(jié)，如何把這些成像技術(shù)中獲得的各種定量、定性數(shù)據(jù)進(jìn)行分析，是至關(guān)重要的問(wèn)題。只有把感興趣的目標(biāo)從圖像背景中提取出來(lái)，才能夠進(jìn)一步對(duì)它們進(jìn)行定量分析或識(shí)別，進(jìn)而對(duì)圖像進(jìn)行理解。目前，醫(yī)學(xué)圖像分割主要以各種細(xì)胞、組織和器官的圖像作為處理的對(duì)象或內(nèi)容。圖像分割是根據(jù)某種均勻性或一致性原則將圖像分成若干個(gè)有意義的部分，使得每一部分都符合某種一致性的要求[1]。

1 醫(yī)學(xué)圖像分割技術(shù)的發(fā)展

醫(yī)學(xué)圖像分割技術(shù)的發(fā)展是一個(gè)從人工分割到半自動(dòng)分割再到自動(dòng)分割逐步發(fā)展的過(guò)程。人工分割是指由經(jīng)驗(yàn)豐富的臨床醫(yī)生在原始膠片圖像上直接勾畫(huà)出有關(guān)組織的邊界，或者通過(guò)圖像編輯器用鼠標(biāo)在計(jì)算機(jī)監(jiān)視器上勾畫(huà)出有關(guān)組織的邊界成感興趣的區(qū)域[2]。目前，人工分割的精度在所有分割方法中是最高的，被視為金標(biāo)準(zhǔn)。雖然人工分割的精度極高，但該方法費(fèi)時(shí)、費(fèi)力，其分割結(jié)果的優(yōu)劣完全取決于操作者的經(jīng)驗(yàn)知識(shí)，且分割結(jié)果難以重現(xiàn)。半自動(dòng)分割方法是隨著計(jì)算機(jī)科學(xué)的發(fā)展而產(chǎn)生的，它是把計(jì)算機(jī)強(qiáng)大的數(shù)據(jù)處理、存貯和記憶能力與人的知識(shí)和經(jīng)驗(yàn)有機(jī)地結(jié)合起來(lái)，通過(guò)人機(jī)交互的形式完成圖像分割的全過(guò)程。半自動(dòng)方法與人工分割相比，分割速度明顯提高，但分割結(jié)果很大程度上仍然依賴(lài)于操作者的經(jīng)驗(yàn)知識(shí)，這種情況在一定程度上影響了半自動(dòng)分割技術(shù)在臨床上的推廣應(yīng)用。自動(dòng)分割是由計(jì)算機(jī)完成圖像分割的全過(guò)程，完全脫離了人為干涉。由于該方法不存在人為因素的影響，因此能夠很好地再現(xiàn)分割結(jié)果，為精確定量測(cè)量奠定了基礎(chǔ)。但自動(dòng)分割算法復(fù)雜，運(yùn)算量較大，在有些情況下，仍然需要人工干預(yù)。因此，研究新的自動(dòng)分割方法一直是近年來(lái)圖像分割方法研究的重點(diǎn)。從目前圖像分割技術(shù)的發(fā)展趨勢(shì)來(lái)看，新分割方法的研究大多以下列幾個(gè)方向?yàn)槠淠繕?biāo)：① 自動(dòng)，以最少的人機(jī)交互完成分割的全過(guò)程；② 精確，以最優(yōu)化的結(jié)果與解剖結(jié)構(gòu)接近；③快速，以實(shí)時(shí)處理為最終目標(biāo)；④ 自適應(yīng)性，對(duì)于不同的應(yīng)用可以自我學(xué)習(xí)，自我適應(yīng)；⑤ 魯棒性，對(duì)噪聲、模糊等干擾具有較強(qiáng)的免疫力。

2 醫(yī)學(xué)圖像分割方法

醫(yī)學(xué)圖像分割是正常組織和病變組織的三維重建、定量分析等后續(xù)操作的基礎(chǔ)，也是臨床醫(yī)學(xué)應(yīng)用的瓶頸，分割的準(zhǔn)確性對(duì)醫(yī)生判斷疾病的真實(shí)情況并做出正確的診斷計(jì)劃至關(guān)重要。由于醫(yī)學(xué)圖像具有極為繁雜的多樣性和復(fù)雜性，加上目前醫(yī)學(xué)影像設(shè)備（CT、MRI、PET等）成像技術(shù)上的特點(diǎn)，使得醫(yī)學(xué)圖像存在一定的噪聲，圖像中目標(biāo)物體邊緣也可能不清楚，這使得醫(yī)學(xué)圖像分割更加困難。因此，目前在醫(yī)學(xué)圖像分割方面仍然沒(méi)有可以通用的理論和方法。一般來(lái)說(shuō)，圖像分割主要可分為基于區(qū)域的分割方法和基于邊界的分割方法[3]?；趨^(qū)域的分割方法，依賴(lài)于圖像的空間局部特征，如：灰度、紋理及其它像素統(tǒng)計(jì)特性的均勻性等?；谶吔绲姆指罘椒ㄖ饕抢锰荻刃畔⒋_定目標(biāo)的邊界，這種方法不依賴(lài)于已處理像素的結(jié)果，適于并行化，缺點(diǎn)是對(duì)噪聲敏感，而且當(dāng)邊緣像素值變化不明顯時(shí)，容易產(chǎn)生假邊界或不連續(xù)的邊界，在實(shí)際應(yīng)用中往往需要把這兩種方法結(jié)合起來(lái)。

2.1 基于區(qū)域的分割方法

2.1.1 區(qū)域生長(zhǎng)法[4]

區(qū)域生長(zhǎng)法是將具有相似性質(zhì)的像素集中起來(lái)構(gòu)成區(qū)域，該方法需要先選取一個(gè)種子點(diǎn)，然后依次將種子像素周?chē)南嗨葡袼睾喜⒌椒N子像素所在的區(qū)域中。區(qū)域生長(zhǎng)法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，特別適用于描繪腫瘤和傷口等小而簡(jiǎn)單的結(jié)構(gòu)，區(qū)域生長(zhǎng)很少單獨(dú)使用，往往與其他分割方法一起并用。區(qū)域生長(zhǎng)法的缺點(diǎn)是：它需要人工交互以獲得種子點(diǎn)，這樣，使用者必須在每個(gè)需要抽取的區(qū)域中植入一個(gè)種子點(diǎn)。同時(shí)，區(qū)域生長(zhǎng)法對(duì)噪聲也敏感，導(dǎo)致抽取的區(qū)域有空洞，或者在局部體效應(yīng)的情況下將原本分開(kāi)的區(qū)域連接起來(lái)。為了克服這些缺點(diǎn)，陸劍鋒[5]提出了一種通過(guò)計(jì)算種子點(diǎn)附近領(lǐng)域統(tǒng)計(jì)信息，自適應(yīng)改變生長(zhǎng)標(biāo)準(zhǔn)參數(shù)用于頭骨CT、肝臟CT以及人腦MRI圖像的分割算法，在切片圖像預(yù)處理進(jìn)程中，考慮到體數(shù)據(jù)相鄰切片之間高度的相關(guān)性，在相鄰層之間采取高斯核濾波去除噪聲，并通過(guò)各向異性濾波算法對(duì)濾層切片進(jìn)行濾波，結(jié)果表明，該算法可有效地提取出圖像區(qū)域，具有較好的魯棒性。

2.1.2 基于統(tǒng)計(jì)學(xué)的方法[6,7]

隨機(jī)場(chǎng)的方法是空間像素點(diǎn)之間空間關(guān)聯(lián)的統(tǒng)計(jì)學(xué)方法，如基于馬爾科夫隨機(jī)場(chǎng)（MRF）方法。統(tǒng)計(jì)學(xué)方法的實(shí)質(zhì)是從統(tǒng)計(jì)學(xué)的角度出發(fā)對(duì)數(shù)字圖像進(jìn)行建模，把圖像中各個(gè)像素點(diǎn)的灰度值看作具有一定概率分布的隨機(jī)變量。MRF模型應(yīng)用的難點(diǎn)在于選取合適的參數(shù)，控制空間相關(guān)性的強(qiáng)度，強(qiáng)度過(guò)強(qiáng)將導(dǎo)致分割圖像邊緣過(guò)度平滑，從而丟失一些重要的解剖細(xì)節(jié)信息。另外，應(yīng)用MRF模型的算法計(jì)算量很大。盡管有這些缺點(diǎn)，MRF還是一種應(yīng)用廣泛的模型。MRF模型常被用于估計(jì)和校正核磁圖像中的局部體效應(yīng)和強(qiáng)度不均勻現(xiàn)象。另一種常用的基于統(tǒng)計(jì)學(xué)的方法為標(biāo)記法（Labeling），此方法就是將圖像分割成的幾個(gè)物體各以一個(gè)不同的標(biāo)號(hào)來(lái)表示，對(duì)圖像中的每一個(gè)像素，用一定的方式賦予其中一個(gè)標(biāo)號(hào)，標(biāo)號(hào)相同的像素就組成該標(biāo)號(hào)所代表的物體。Weian Deng[8]等人給出了一種以概率標(biāo)記法作為邊緣檢測(cè)后處理的迭代算法。2.1.3 人工神經(jīng)網(wǎng)絡(luò)法[9]

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種大規(guī)模并行連續(xù)處理系統(tǒng)。ANN具有模擬人類(lèi)信號(hào)處理能力并且非常擅長(zhǎng)解決模式識(shí)別領(lǐng)域中的模式分類(lèi)問(wèn)題，而醫(yī)學(xué)圖像分割問(wèn)題正是對(duì)圖像中的各個(gè)解剖結(jié)構(gòu)進(jìn)行分類(lèi)和標(biāo)記的問(wèn)題。ANN的主要特點(diǎn)有：具有通過(guò)實(shí)例學(xué)習(xí)的能力，并能利用前饋網(wǎng)絡(luò)概括所學(xué)內(nèi)容；對(duì)于隨機(jī)噪聲有很強(qiáng)的魯棒性，具有容錯(cuò)的能力和最優(yōu)搜索能力。因此，當(dāng)利用其它方法進(jìn)行圖像分割時(shí)，對(duì)于噪聲、組織不均勻性、生物形態(tài)的多變性等問(wèn)題，利用ANN技術(shù)可以得到很好的解決。但是，使用神經(jīng)網(wǎng)絡(luò)法時(shí)，因?yàn)榫W(wǎng)絡(luò)中有許多相互連接，所以空間信息就能很容易地包含在分類(lèi)過(guò)程中。此分割方法分為兩種：有標(biāo)準(zhǔn)圖像樣本集和無(wú)標(biāo)準(zhǔn)樣本集分割。有標(biāo)準(zhǔn)樣本集的分割方法是首先對(duì)標(biāo)準(zhǔn)樣本進(jìn)行訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)分類(lèi)器，待分割圖像時(shí)根據(jù)分類(lèi)器進(jìn)行分類(lèi)，沒(méi)有標(biāo)準(zhǔn)標(biāo)本集的分割方法是對(duì)像素特征設(shè)計(jì)一個(gè)非線(xiàn)性聚類(lèi)器，目前這種分割方法主要集中對(duì)神經(jīng)網(wǎng)絡(luò)的改進(jìn)上。

2.2 基于邊緣的分割方法

2.2.1 基于形變模型的方法[10]

此類(lèi)方法目前在醫(yī)學(xué)圖像分割中應(yīng)用最廣,它的特點(diǎn)是將圖像數(shù)據(jù)、初始輪廓、目標(biāo)輪廓和基于知識(shí)的約束統(tǒng)一于特征提取的進(jìn)程中。形變模型包括二維形變輪廓模型（又稱(chēng)Snake）和三維形變曲面模型，還有一些利用形狀先驗(yàn)知識(shí)和使用點(diǎn)集合先驗(yàn)知識(shí)的改進(jìn)模型。形變曲面模型是活動(dòng)輪廓在三維空間的推廣形式。三維形變曲面模型可以更高效、更快捷地利用三維數(shù)據(jù)，而且更少地需要用戶(hù)交互或指導(dǎo)。形變模型分為兩大類(lèi)：參數(shù)形變模型和幾何形變模型?；趨?shù)形變模型分割過(guò)程就是使模型在外能和內(nèi)能作用下向物體邊緣靠近，外力推動(dòng)輪廓曲線(xiàn)運(yùn)動(dòng)，而內(nèi)力保持輪廓的光滑性。幾何形變模型方法利用曲線(xiàn)演化理論來(lái)實(shí)現(xiàn)。輪廓對(duì)應(yīng)于一個(gè)更高維曲面的演化函數(shù)的零水平集，演化函數(shù)可用某種形式的偏微分方程來(lái)表示，利用圖像信息（如邊緣）來(lái)控制曲面演化過(guò)程的停止。形變模型的主要優(yōu)點(diǎn)是能夠直接產(chǎn)生閉合曲線(xiàn)或曲面，并對(duì)噪聲和偽邊界有很強(qiáng)的魯棒性；缺點(diǎn)是：它對(duì)初始邊界位置十分敏感，有時(shí)要求人工選擇合適的參數(shù)。

2.2.2 基于數(shù)學(xué)形態(tài)學(xué)的方法[11,12]

隨著數(shù)學(xué)形態(tài)學(xué)理論的不斷完善和發(fā)展，數(shù)學(xué)形態(tài)學(xué)在圖像邊緣檢測(cè)中得到廣泛的研究和應(yīng)用。數(shù)學(xué)形態(tài)是一門(mén)新興科學(xué)，它建立在嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)上，其基本思想和方法對(duì)圖像處理的理論和技術(shù)產(chǎn)生了重大影響，數(shù)學(xué)形態(tài)學(xué)已經(jīng)構(gòu)成一種新興的圖像處理方法和理論。形態(tài)學(xué)圖像處理以在圖像中移動(dòng)一個(gè)結(jié)構(gòu)元素并進(jìn)行卷積的方式進(jìn)行，結(jié)構(gòu)元素可以任意大小。形態(tài)學(xué)的基本操作是膨脹、腐蝕、開(kāi)閉運(yùn)算，它們算法簡(jiǎn)單，同時(shí)能較好地保持圖像的細(xì)節(jié)特征，很好地解決邊緣檢測(cè)精度與抗噪聲性能的協(xié)調(diào)問(wèn)題，缺點(diǎn)是算法的適應(yīng)性差。形態(tài)學(xué)理論在圖像分割中的應(yīng)用有代表性的是Luc Vincent[13]等人提出的分水嶺方法（Watershed）[14]。該算法的思想來(lái)源于地理學(xué)。經(jīng)過(guò)分水嶺方法處理后，將輸出原始圖像的過(guò)度分割圖（分割的區(qū)域數(shù)目超過(guò)圖像中包含的實(shí)際對(duì)象數(shù)），過(guò)度分割的區(qū)域數(shù)目取決于參數(shù)的大小。雖然這些方法已成功用于圖像分割，但它們需要用戶(hù)的交互或準(zhǔn)確的關(guān)于圖像結(jié)構(gòu)的先驗(yàn)知識(shí)。為改進(jìn)早期方法的這些問(wèn)題，分水嶺算法往往與其他方法結(jié)合使用。

2.2.3 基于小波變換的方法[15]

近年來(lái)，在低頻和高頻分析時(shí)有“變焦”特征的小波變換在醫(yī)學(xué)圖像分割中，得到廣泛應(yīng)用。用小波進(jìn)行醫(yī)學(xué)圖像閾值分割的思想是利用二進(jìn)制小波變換將圖像直方圖分解為不同層次的小波系數(shù)，依照給定的分割準(zhǔn)則和小波系數(shù)選擇閾值門(mén)限，整個(gè)過(guò)程由粗到細(xì)，由尺度來(lái)控制。如果分割不理想，則可利用直方圖在精細(xì)的子空間上的小波系數(shù)逐步細(xì)化圖像分割；用小波進(jìn)行邊緣檢測(cè)，則是利用小波系數(shù)模的極大值。文獻(xiàn)[16]提出了一種小波多尺度幾何活動(dòng)的曲線(xiàn)模型，就是小波邊緣檢測(cè)的方法；采用間隔采樣的離散小波變換提取圖像特征，在矢量量化聚類(lèi)的基礎(chǔ)上，通過(guò)增加馬爾可夫隨機(jī)場(chǎng)的限制條件，建立起小波空間內(nèi)的分割統(tǒng)計(jì)模型。在小波最高層空間簡(jiǎn)單設(shè)置初始聚類(lèi)情況，經(jīng)過(guò)優(yōu)化迭代過(guò)程以及相鄰空間內(nèi)的分割結(jié)果的遺傳，使其逐層自適應(yīng)地收斂到最佳聚類(lèi)狀態(tài)。在多尺度分析下，圖像的類(lèi)別信息和位置信息是一對(duì)矛盾，兩者之間存在不確定性[17]。因此，必須充分考慮各尺度之間的拓?fù)潢P(guān)系和對(duì)稱(chēng)性，如此會(huì)大大提高分割算法的計(jì)算效率。

3 醫(yī)學(xué)圖像分割新技術(shù)

3.1 基于模糊技術(shù)分割[18]

模糊技術(shù)是建立在模糊集合理論基礎(chǔ)上的，能很好地處理三維醫(yī)學(xué)圖像內(nèi)在的模糊性，而且對(duì)噪聲不敏感。由生物醫(yī)學(xué)成像設(shè)備獲取的圖像數(shù)據(jù)具有內(nèi)在的不確定性，這種不確定性的程度依賴(lài)于許多因素，包括在空間、時(shí)間和參數(shù)分辨率方面的局限性以及成像設(shè)備的其它物理限制等。這些不確定性是模糊技術(shù)在圖像分割中得到廣泛應(yīng)用的一個(gè)決定性的因素，因?yàn)槟：夹g(shù)正是為了處理事物的不確定性而誕生的。

2003年，Hiew等人[19]提出了一種應(yīng)用于對(duì)三維MR圖像進(jìn)行分割的自適應(yīng)空間FCM算法[20]。輸入的圖像可能由于噪聲和強(qiáng)度的不均勻而渾濁，該算法考慮了空間連續(xù)性的約束，采用相異索引(dissimilarity index)的方法，使獲得的局部空間連續(xù)性約束能夠減少噪聲的影響和分類(lèi)的不明確性。與其它已公開(kāi)的算法比較，該算法的有效性在廣義模糊試驗(yàn)中用模擬和實(shí)際的MR圖像都得到了證實(shí)。

3.2 基于知識(shí)的分割[21,22]

基于知識(shí)的分割是所有圖像分割方法中最重要的方法之一。近年來(lái)隨著人工智能技術(shù)的發(fā)展，基于知識(shí)的分割方法也得到了廣泛地研究和應(yīng)用?；谥R(shí)的分割方法主要包括兩個(gè)方面的內(nèi)容：知識(shí)的獲取，即歸納及提取相關(guān)的知識(shí)，建立知識(shí)庫(kù)；知識(shí)的應(yīng)用，即有效地利用知識(shí)實(shí)現(xiàn)圖像的自動(dòng)分割?；谥R(shí)的分割，其知識(shí)來(lái)源主要有：① 臨床知識(shí)，即某種疾病的癥狀及它們所處的位置；② 解剖學(xué)知識(shí)，即某器官的解剖學(xué)和形態(tài)學(xué)信息，以及其幾何學(xué)與拓?fù)鋵W(xué)的相互關(guān)系，這種知識(shí)通常是用圖譜來(lái)表示的；③ 成像知識(shí)，這類(lèi)知識(shí)與成像方法及其具體的設(shè)備有關(guān)；④ 統(tǒng)計(jì)知識(shí)，例如MRI的質(zhì)子密度(PD)、T1和T2統(tǒng)計(jì)數(shù)據(jù)，并把它們與解剖學(xué)的有關(guān)數(shù)據(jù)聯(lián)系起來(lái)。

2002年，Boscolo等人[23]提出了一種新穎的基于知識(shí)的分割方法。醫(yī)學(xué)圖像分割通常需要醫(yī)學(xué)專(zhuān)家對(duì)感興趣的解剖結(jié)構(gòu)區(qū)域提供準(zhǔn)確、持續(xù)的鑒定，而B(niǎo)oscolo等人的分割方法將基于知識(shí)的分割系統(tǒng)與一套熟練的主動(dòng)輪廓模式(active contour mode1)[24]相結(jié)合，此方法利用一種高級(jí)過(guò)程的引導(dǎo)對(duì)不同的解剖結(jié)構(gòu)進(jìn)行粗略的分割，使用者無(wú)需提供初始輪廓放置，而由高級(jí)過(guò)程自動(dòng)執(zhí)行必須的參數(shù)優(yōu)化。關(guān)于被分割的解剖結(jié)構(gòu)的知識(shí)，則用一個(gè)叫做可能性密度函數(shù)根據(jù)統(tǒng)計(jì)學(xué)規(guī)律定義成位置、大小、圖像亮度等參數(shù)。目前，該方法正在進(jìn)一步研究是否確實(shí)能夠提供持續(xù)的高級(jí)分割。

3.3 基于仿生模式識(shí)別的分割[25]

近年來(lái)出現(xiàn)的仿生模式識(shí)別方法，一經(jīng)提出便受到了廣泛的關(guān)注，該方法以多維空間幾何分析理論為基礎(chǔ)，利用特征空間同類(lèi)樣本的連續(xù)性規(guī)律，對(duì)一類(lèi)事物的“認(rèn)識(shí)”，實(shí)際上是對(duì)這類(lèi)事物的全體在特征空間中形成的無(wú)窮點(diǎn)集合的“形狀”的分析和認(rèn)識(shí)，再根據(jù)這種規(guī)律性建立起“多維空間中非超球復(fù)雜幾何形體覆蓋”，將簡(jiǎn)單的點(diǎn)劃分轉(zhuǎn)換為點(diǎn)的覆蓋過(guò)程，從而從根本上改變傳統(tǒng)模式識(shí)別的弊端，將誤識(shí)率基本降為零，避免由于誤識(shí)而產(chǎn)生的嚴(yán)重后果。仿生模式識(shí)別已成功應(yīng)用于多個(gè)領(lǐng)域并取得了一定的成果[26,27]，也為醫(yī)學(xué)圖像分割開(kāi)辟了一個(gè)嶄新的研究方向。

吳海珍等人[28]提出一種基于仿生模式識(shí)別的醫(yī)學(xué)圖像分割算法，該算法以仿生模式識(shí)別為基礎(chǔ)，采取先覆蓋后分割的方法。以核磁共振(MRI)腦圖像分割為例，并與神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法進(jìn)行了分割效果比較。實(shí)驗(yàn)結(jié)果表明，該方法有效地提高了分割精度，改善了分割性能，具有更強(qiáng)的魯棒性和實(shí)用性。

4 醫(yī)學(xué)圖像分割方法評(píng)價(jià)

醫(yī)學(xué)圖像分割評(píng)價(jià)通過(guò)對(duì)圖像分割算法性能的研究達(dá)到優(yōu)化分割的目的。通過(guò)評(píng)價(jià)可以掌握各個(gè)算法在不同分割任務(wù)中的表現(xiàn)，以通過(guò)選擇算法參數(shù)來(lái)適應(yīng)不同類(lèi)型圖像的需要。另外，通過(guò)比較多個(gè)算法分割特定圖像的性能，有助于在具體分割任務(wù)中選取合適的算法。這對(duì)于醫(yī)學(xué)圖像的分割尤為重要，因?yàn)榉指畹臏?zhǔn)確度直接關(guān)系到臨床應(yīng)用效果?，F(xiàn)有的評(píng)價(jià)方法可分為兩類(lèi)：直接分析法和間接實(shí)驗(yàn)法。分析法直接研究分割算法本身的原理特性，通過(guò)分析得到算法性能；實(shí)驗(yàn)法則根據(jù)分割圖像的質(zhì)量間接地評(píng)判算法的性能。分析法得到的結(jié)果比較客觀，但許多算法直接分析比較困難，且分析法不可能獲得分割算法的所有性質(zhì)，常與其他算法結(jié)合使用。但是，由于人體解剖結(jié)構(gòu)的復(fù)雜性、組織器官形狀的不規(guī)則性及不同個(gè)體間的差異等原因，目前還沒(méi)有一種能對(duì)所有圖像都產(chǎn)生滿(mǎn)意分割效果的分割方法。各種算法都具有很強(qiáng)的針對(duì)性，往往是基于特定的領(lǐng)域、特定的成像模型。如今對(duì)醫(yī)學(xué)圖像分割算法的評(píng)價(jià)還是以主觀評(píng)價(jià)為主，盡管主觀評(píng)價(jià)存在很多缺點(diǎn)，但是由于醫(yī)學(xué)圖像的復(fù)雜性以及圖像分割理論的不完善，目前還不能完全用客觀評(píng)價(jià)的方法對(duì)醫(yī)學(xué)圖像分割算法進(jìn)行評(píng)價(jià)，所以今后對(duì)醫(yī)學(xué)圖像分割算法的主觀評(píng)價(jià)仍將占主導(dǎo)地位。

5 展望

新的圖像分割方法的研究主要以自動(dòng)、精確、快速、自適應(yīng)性等幾個(gè)方向作為研究目標(biāo)。醫(yī)學(xué)圖像分割作為一種特殊的圖像分割領(lǐng)域，除了有上述的趨勢(shì)外，圍繞它的另一重要發(fā)展是臨床上的應(yīng)用。計(jì)算機(jī)分割方法在輔助診斷和放射療法中已顯示出它的作用。雖然全自動(dòng)分割方法永遠(yuǎn)不會(huì)取代醫(yī)生的地位，但它漸漸成為了醫(yī)學(xué)圖像分析中至關(guān)重要的部分。隨著基因工程的發(fā)展，微觀結(jié)構(gòu)的分割也提上了日程，而不能僅僅局限于現(xiàn)在的“器官”層次上的處理和分析。相信隨著各種理論的不斷完善和成熟，以及新理論在圖像分割領(lǐng)域的嘗試應(yīng)用，醫(yī)學(xué)圖像分割的方法也會(huì)更先進(jìn)、更成熟。

[1] 羅述謙,周果宏.醫(yī)學(xué)圖像處理與分析[M].北京:科學(xué)出版社,2003:65.

[2] Atkins MS,Mackiewich BT.Fully automatic segmentation of the brain in MRI[J].IEEE Trans Med Imaging,1998,17(1):98.

[3] 田捷,包尚聯(lián),周明全.醫(yī)學(xué)影像處理與分析[M].北京:電子工業(yè)出版社,2003:9.

[4] Kenneth R.Castleman. Digital Image Processing [M]. Upper Saddle River:Prentice Hall,1996.

[5] 陸劍鋒,林海,潘志庚,等.自適應(yīng)區(qū)域生長(zhǎng)算法在醫(yī)學(xué)圖像分割中的應(yīng)用[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2005,17(10):2168－2173.

[6] Held K,Kops E R,Krause BJ. Markov random field segmentation of brain MR images[J].IEEE Trans. Med.Imag, 1997,16(6):878－886.

[7] Leemput K V, Maes F, Vandermeulen D. Automated modelbased bias field correction of MR image of the brain [J].IEEE Trans.Med.Imag,1999,18:885-896.

[8] Weian Deng,S.Sitharama Iyengar.A new probabilistic relaxation scheme and its application to edge detection[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1996,18(4):432-437.

[9] Guido Valli.Neural networks and prior knowledge help the segmentation of medical image[R]. Florence:University of Florence,1994.

[10] Kass M,Witkin A,Terzopoulos D.Snakes:active contour models[J].Int J Computer Vision, 1988,1(4):321 -331.

[11] Gerig G, Kuoni W, Kikinis R.Medical imaging and computer vision: an integrated approach for diagnosis and planning [M].London: Springer-Verlag,1989: 425 -432.

[12] Cline H E,Lorensen W E,Kikinis R.Three dimensional segmentation of MR images of the head using probability and connectivity[J].JCAT,1990,14(6):1037- 1045.

[13] Lue Vincent,Pierre Soille.Watersheds in digital spaces:an efficient algorithm based on immersion simulations[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1991,13(6):583- 598.

[14] F.Meyer,S.Beucher.Morphological segmentation[J].Journal of Visual Communication and Image Representation,1990,1:21-46.

[15] Leith D J, Leithead W E.Survey of gain scheduling analysis and design[J].Int.J.control,2000,73(11):1001- 1025.

[16] 陳武凡.小波分析及其在圖像處理中的應(yīng)用[M].北京:科學(xué)出版社,2002.

[17] 楚存坤.醫(yī)學(xué)圖像的分割技術(shù)及其新進(jìn)展[J].泰山醫(yī)學(xué)院學(xué)報(bào),2007,28(4):315.

[18] MontBeny E,Sobrevilla P,Romani S.A fuzzy approach to white blood cells segmentation in color bone marrow images[J].Fuzzy Systems,2004,1:178．

[19] Liew A.W.,et al.An adaptive spatial fuzzy clustering algorithm for 3-D MR image segmentationl[J].IEEE Trans Med

General Review of Medical Image Segmentation

LI Qiang
Equipment Department,Shaoxing Second Hospital,Shaoxing Zhejiang 312000,China

R445

A

10.3969/j.issn.1674-1633.2010.05.051

1674-1633(2010)05-0121-04

2009-09-07

作者郵箱：sxlq163.com@163.com

Abstract: Image segmentation is a key factor to solve medical image segmentation in clinic.In this paper the development of medical image segmentation techniques was sketched, and a review of the medical image segmentation techniques was given. The prospects and the challenge of medical image segmentation was discussed.

Key words: medical image processing;medical image segmentation