（模式识别与智能系统专业论文）基于主动轮廓模型的医学图像中目标提取研究.pdf

弋。一i ad i s i np a r t a c t i v e c a n d i d a t e ： s h a n gy a n f e n g s u p e r v i s o r ：p r o f y a n gx i n m a j o r ：p a t t e r n r e c o g n i t i o na n di n t e l l i g e n ts y s t e m s i n s t i t u t eo f i m a g ep r o c e s s i n ga n dp a t t e mr e c o g n i t i o n s h a n g h a ij i a ot o n gu n i v e r s i t y j u n e ，2 0 0 9 本人郑重声 独立进行研究工作所取得的成果。除文中已经注明引用的内容外， 本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。 对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式 标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 苗妄峄 日期：2 0 1 0 年4 月1 6 日 保密口，在一年解密后适用本授权书。 本学位论文属于 不保密嘶 ( 请在以上方框内打“4 ) 一繇袱嶂一柩步 日期：2 0 1 0 年4 月1 6 日 日期：2 0 1 0 年4 月1 6 日 上海交通大学博士学位论文 摘要 基于主动轮廓模型的医学图像中目标提取研究 摘要 医学图像分割是辅助诊断、量化分析、手术规划导航等较高层次临床应用的基 础。但由于疾病的多样性，造成医学图像背景分布极其复杂、医学图像中病患器官 目标自身形状变化有相当的随机性、以及成像过程中各种噪声干扰和超大的数据量， 均增加了传统方法对医学图像中目标分割的难度。若要在这些复杂条件下准确、自 动、有效地提取特定医学目标，要着重以下两方面工作。第一，选择合适的分割模 型。主动轮廓模型作为一种有效的分割模型，在医学图像中，有了很多成功的应用， 这也正是本文研究的目标。第二，充分利用特定目标的先验知识。根据待提取目标 的不同特征，设计最有效的分割模型。本文正是在主动轮廓框架下，针对特定的医 学目标，从一般医学器官，到血管，到肝脏各组织，到心脏各组织等医学目标，设 计出多种不同的主动轮廓模型，包括区域竞争主动轮廓、血管主动轮廓、多主动轮 廓和基于先验形状的主动轮廓等模型，对这些医学目标进行有效提取，并在准确分 割的基础上，对部分组织器官进行自动量化分析。 本文首先对医学图像分割的研究背景进行了回顾，在基于先验知识目标分割的 一般框架下，按原始图像、分割指标函数和先验知识三要素对基于先验知识图像分 割的最新进展进行了综述，侧重于先验知识描述和其与分割准则函数的结合。对于 本文的研究重点目标主动轮廓模型，围绕s n a k e 模型和水平集模型以及二者本质上 的统一性，结合一些利用先验知识对特定目标提取的具体实例进行详细介绍。通过 对基于先验知识目标分割的有关问题进行的讨论分析，认为最优的主动轮廓模型， 是充分利用目标的先验知识，由这些先验知识指导主动轮廓演化从而提取特定医学 目标的模型，并对医学图像和主动轮廓的发展方向进行了展望。 本文介绍了一种通用性的分割模型：基于区域竞争的主动轮廓模型。这一基于 目标灰度统计概率和水平集的主动轮廓分割模型，把能量函数表示为在目标区域内 对象素点属于目标的概率的积分，并在水平集框架下对能量函数最小化，得到分割 的迭代方程。同时，通过附加的速度约束项，使得主动轮廓越过目标边缘的时候降 低速度，大大提高分割的收敛性和准确度。通过大量冠状动脉和二尖瓣分割试验， 表明该模型的有效性。 上海交通大学博士学位论文摘要 针对血管树结构的复杂性，研究了血管的提取模型：血管主动轮廓模型。这一 模型，充分利用一切和血管有关的信息，先验灰度分布、区域信息、多尺度血管矢 量场和曲率，能量方程最小化，得到包括三个主要速度项的迭代方程：基于区域竞 争和先验灰度的主动轮廓、血管矢量场、多曲率策略。该模型可以自动地对整个血 管树进行提取，不需要太多的预处理和后处理，是一种快速、准确、健壮和自动的 血管提取模型。 肝脏作为人体最重要的器官之一，若对c t 图像中的肝脏自动检测、分类和分 割出肝脏的解剖和病理结构，包括肿瘤、肝脏和血管，得到具体病例的肝脏模型， 在临床上是意义重大的。本文通过多种主动轮廓模型来对c t 图像肝脏有关的组织 结构进行提取，实现肝脏的模型化。其中，本文采用基于混合高斯分布的主动轮廓 模型用于肝脏和肿瘤的提取。该模型的主动轮廓在灰度图像的混合高斯分布模型的 驱动下，可以灵活机动地从复杂背景下提取出多重目标。对于肝脏内部的血管树状 结构，本文采用增强的血管主动轮廓模型。 最后，针对超声心动图中的瓣膜类疾病，本文采用一种把先验区域和形状知识 融入到几何主动轮廓模型的目标分割方法。各个层次的先验知识表示成速度场直接 指导水平集演化到理想轮廓。先验区域约束水平集的演化范围，先验形状驱使水平 集向特定形状收敛。在三维超声图像的应用表明该方法大大减少了手工干预，提高 了分割效率和精度。同时，在二尖瓣自动分割的基础上，对二尖瓣有关的参数进行 了量化，包括瓣膜开口面积、瓣环面积、左心室容积和瓣叶张开角度。 关键词：分割，主动轮廓模型，先验知识，s n a k e 模型，水平集，h e s s i a n 矩阵， 血管，肝脏，二尖瓣 a c t i v ec o n o u rm o d e l sf o ro b j e c te x t r a c t i o n i nm e d i c a li m a g e s a b s t r a c t m e d i c a li m a g es e g m e n t a t i o ni sap r e c o n d i t i o no fa i d e dd i a g n o s i s ，q u a n t i t a t i v e a n a l y s i sa n ds u r g i c a lp l a n n i n gi nc l i n i c a la p p l i c a t i o n d u et ot h ew i d ev a r i e t yo fs h a p e s ， t h ec o m p l e x i t yo ft h et o p o l o g y , t h ep r e s e n c eo fn o i s ei nac o m p l i c a t e db a c k g r o u n d ，a n d t h ed i v e r s i t yo fi m a g i n gt e c h n i q u e s ，i ti sav e r yd i f f i c u l tt a s kt oe x t r a c tm e d i c a lo b je c t a u t o m a t i c a l l ya n da c c u r a t e l y i no r d e rt oo v e r c o m e t h e s ed i f f i c u l t i e s ，t h e r ea r et w ot o p i c s c o u l db ed o n e o n ei st oc h o o s ea no p t i m i z e dm o d e l a sa ne f f i c i e n ts e g m e n t a t i o nt o o li n m e d i c a li m a g e ，a c t i v ec o n t o u rm o d e lh a sm a d eag r e a ts u c c e s si nm e d i c a la p p l i c a t i o n t h eo t h e ri st om a k ef u l lu s eo fo b j e c t sp r i o rk n o w l e d g ea n de m b e dt h e mi n t oa na c t i v e c o n t o u rm o d e l i nt h i sp a p e r , s e v e r a ls p e c i f i ca c t i v ec o n t o u rm o d e l sa r ep r o p o s e d a c c o r d i n gt os p e c i f i cc l i n i c a la p p l i c a t i o n ，w h i c ha r er e g i o nc o m p e t i t i o nb a s e da c t i v e c o n t o u rm o d e l ，v a s c u l a ra c t i v ec o n t o u rm o d e l ，m u l t ia c t i v ec o n t o u rm o d e l sf o rl i v e r m o d e l i n g ，a n dr e g i o na n ds h a p ep r i o rb a s eg e o d e s i ca c t i v ec o n t o u rm o d e l s a l lo f t h e ma r er e s u l t so fc o m b i n a t i o no fc e r t a i np r i o rk n o w l e d g ea n da c t i v ec o n t o u r o nt h e b a s eo ft h e s es e g m e n t a t i o nm o d e l s ，s o m eq u a n t i t a t i v ea n a l y s i si sm a d eo nc e r t a i no r g a n s a n dd i s e a s e s f i r s t l y , w er e v i e wt h er e c e n t a d v a n c e si np r i o r - b a s e di m a g es e g m e n t a t i o na n d a n a l y z et h e ma c c o r d i n gt o ag e n e r a lf r a m e w o r kw h i c hc o n s i s t so ft h r e ep a r t s ：o r i g i n a l i m a g ef e a t u r e s ，s e g m e n t a t i o nm o d e l sa n dp r i o rk n o w l e d g e t h ep r e s e n t a t i o n o fp r i o r k n o w l e d g ea n dh o wt oe m b e di ti nas e g m e n t a t i o nm o d e la r ee m p h a s i z e d t h e n ，a st h e m o s ti m p o r t a n ts e g m e n t a t i o nm o d e l ，a c t i v ec o n t o u rm o d e l sa r er e v i e w e di nd e t m l ，w h i c h i n c l u d es n a k ea n dl e v e ls e tm o d e l a tl a s t ，s o m ep o i n t s ，s u c ha sc h a r a c t e r i s t i co fp r i o r k n o w l e d g e ，c h a l l e n g e so f a c t i v ec o n t o u ra n dp r o m i s i n gr e s e a r c hd i r e c t i o n sa r ep r e s e n t e d s e c o n d l y ，ap r o b a b i l i s t i ca n dl e v e ls e tm o d e lf o rt h r e e d i m e n s i o n a lm e d i c a lo b j e c t e x t r a c t i o ni sp r o p o s e d ，w h i c hi sc a l l e dr e g i o nc o m p e t i t i o nb a s e da c t i v ec o n t o u r t h e a l g o r i t h m sa r ed e r i v e db ym i n i m i z i n gar e g i o nb a s e dp r o b a b i l i s t i ce n e r g yf u n c t i o na n d i m p l e m e n t e di nal e v e ls e tf r a m e w o r k a na d d i t i o n a ls p e e d c o n t r o l l i n gt e r mm a k e st h e i i i 上海交通大学博士学位论文 a b s t r a c t a c t i v ec o n t o u rq u i c k l yc o n v e r g e n tt ot h ea c t u a lc o n t o u ro ns t r o n ge d g e s ，w h e r e a sa p r o b a b i l i s t i cm o d e lm a k e st h ea c t i v ec o n t o u rp e r f o r m i n gw e l lf o rw e a ke d g e s p r i o r k n o w l e d g ea b o u tt h ei n i t i a lc o n t o u ra n dt h ep r o b a b i l i s t i cd i s t r i b u t i o nc o n t r i b u t e st om o r e e f f i c i e n te x t r a c t i o n t h ed e v e l o p e dm o d e lh a sb e e na p p l i e dt oav a r i e t yo fm e d i c a l i m a g e s f r o mc t aa n dm r a o ft h ec o r o n a r yt or o t a t i o n a l l ys c a n n e da n dr e a l - t i m e t h r e e d i m e n s i o n a le c h o c a r d i o g r a p h yi m a g e so ft h em i t r a lv a l v e a st h er e s u l t ss h o w , t h e a l g o r i t h mi sf a s t ，c o n v e r g e n t ，a d a p t e dt oab r o a dr a n g eo fm e d i c a lo b j e c t sa n dp r o d u c e s s a t i s f a c t o r yr e s u l t s t h i r d l y , an o v e la c t i v ec o n t o u rm o d e li sp r o p o s e df o rv e s s e l t r e es e g m e n t a t i o n w h i c hm a k e sf u l lu s eo fa l la v a i l a b l ev a s c u l a ri n f c i r m a t i o n f i r s t l y , w ei n t r o d u c ear e g i o n c o m p e t i t i o nb a s e da c t i v ec o n t o u re x p l o i t i n gp r i o ri n t e n s i t yd i s t r i b u t i o ni n f o r m a t i o nt o s e g m e n tt h i c kv e s s e l sr o b u s t l ya n da c c u r a t e l y s e c o n d l y , w ed e f i n e av e c t o rf i e l d ， r e s u l t i n gf r o mt h ee i g e na n a l y s i so f t h eh e s s i a nm a t r i xo fi m a g ei n t e n s i t ya n du s e db yt h e a c t i v ec o n t o u rt oe v o l v ei n t ot h e t h i nv e s s e l s t h ev e c t o rf i e l di sa l s os p e c i f i e di n a m u l t i s c a l ef r a m e w o r k f i n a l l y , av a s c u l a rs m o o t h e n e dt e r mt a k e sas t r a t e g yc o m b i n e d w i t hm i n i m a lp r i n c i p a lc u r v a t u r ea n dm e a nc u r v a t u r e ，w h i c hm a k ei ts m o o t h e ss u r f a c e w i t h o u tc h a n g i n gt h es h a p eo ft h ev e s s e lt r e e t h ed e v e l o p e dm o d e lh a sb e e na p p l i e dt o l i v e rv e s s e lt r e e ，c o r o n a r ya r t e r ya n dl u n gv e s s e le x t r a c t i o n s o m ec o m p a r i s o n sa r em a d e b e t w e e ng e o d e s i ca c t i v ec o n t o u r , c u r v e s ，c - va n do u rm o d e l t h ee x p e r i m e n t ss h o w t h a tt h em o d e li sf a s t ，a c c u r a t e ，r o b u s ta n ds u i t e df o ra na u t o m a t i cp r o c e d u r ei nv e s s e l t r e ee x t r a c t i o n f o u r t h l y , i no r d e r t oe x t r a c tt h el i v e r , i t st u m o r sa n dv e s s e l s ，w ed e v e l o p e da na c t i v e c o n t o u rm o d e lw i t ha ne m b e d d e dc l a s s i f i e r , b a s e do nag a u s s i a nm i x t u r em o d e lf i t t e dt o t h ei n t e n s i t yd i s t r i b u t i o no ft h em e d i c a li m a g e 。t h ed i f f e r e n c eb e t w e e nt h em a x i m u m m e m b e r s h i po ft h ei n t e n s i t i e sb e l o n g i n gt ot h ec l a s s e so ft h eo b j e c ta n dt h o s eo ft h e b a c k g r o u n d ，i si n c l u d e da sa l le x t r as p e e dp r o p a g a t i o nt e r mi nt h ea c t i v ec o n t o u rm o d e l a na d d i t i o n a ls p e e dc o n t r o l l i n gt e r ms l o w sd o w nt h ee v o l u t i o no ft h ea c t i v ec o n t o u r w h e ni ta p p r o a c h e sa ne d g e ，m a k i n gi tq u i c k l yc o n v e r g e n tt ot h e i d e a lo b j e c t t h e d e v e l o p e dm o d e lh a sb e e na p p l i e dt ol i v e rs e g m e n t a t i o n s o m ec o m p a r i s o n sa r em a d e b e t w e e ng e o d e s i ca c t i v ec o n t o u r , c - va n do u rm o d e l a st h ee x p e r i m e n t ss h o w , o u r m o d e li sa c c u r a t e ，f l e x i b l ea n ds u i t e dt oe x t r a c to b j e c t ss u r r o u n d e db yac o m p l i c a t e d b a c k g r o u n d a tl a s t ，w ep r e s e n ta na u t o m a t e d3de c h o c a r d i o g r a p h yi m a g ep r o t o c o l f o r q u a n t i t a t i v ea n a l y s i so fm i t r a lv a l v e ar e g i o na n ds h a p ep r i o ro f t h ec a r d i a cv a l v ei s p r e s e n t e di nf o r mo fs p e e df i e l da n di n c o r p o r a t ei t i n t oi m a g es e g m e n t a t i o nw i t h i nl e v e l s e tf r a m e w o r k r e g i o np r i o rc o n s t r a i n st h ez e r ol e v e ls e te v o l v i n gi nc e r t a i nr e g i o na n d i v 占童奎望奎兰堡主堂篁鲨壅a b s t r a c t 一 ：= = ：= ：= ： s h o ep r i o rp u l l st h ec u r v et ot h ei d e a lc o n t o u r o nt h eb a s eo fa u t o m a t i cm i t r a ld e t e c t i o n m e t h o d ，w eq u a n t i t a t es o m ei m p o r t a n tg e o m e t r i c a lp a r a m e t e r so fm i t r a lv a l v ei 1 1 锄 a u t o m a t i cw a y , w h i c hi n c l u d em e t a lv a l v eo r i f i c ea r e a ，a n n u l a ra r e a ，l vv o l u m e a n d l e a f l e t o p e n i n ga n g l e s o m ec o m p a r i s o n sw i t hs n a k em e t h o da n dm a n u a l p a r a m e t e r i z a t i o nr e s u l t ss h o wt h ev a l i d i t yo fo u rm e t h o d s k e yw o r d s s e g m e n t a t i o n ，a c t i v ec o n t o u rm o d e l ，p r i o rk n o w l e d g e ，s n a k em o d e l ，l e v e ls e t ，h e s s i a n m a t r i x ，v e s s e l s ，l i v e r , m i t r a lv a l v e v 上海交通大学申请博士学位论文 目录 目录 摘要”i a b s t r a c t i i i 目录v 符号说明 第一章绪论1 1 1 引言l 1 2 分割算法简单综述4 1 2 1 分割准则函数4 1 2 2 目标的先验知识6 1 3 主动轮廓模型8 1 3 1 图像偏微分方程9 1 3 2s n a k e 模型1 0 1 3 3l e v e ls e t 模型1 2 1 4 主动轮廓图像分割的特点及挑战1 4 1 4 1 基于先验知识目标分割整体特点1 4 1 4 2 两种主动轮廓模型的区别和选择1 5 1 4 3 有关先验知识的一些问题1 5 1 5 本文的研究工作和内容安排1 6 第二章基于区域竞争的主动轮廓模型1 8 2 1 引言1 8 2 2 研究的有关背景1 9 v l 上海交通大学 申请博士学位论文目录 2 3 区域竞争主动轮廓模型和分割系统2 0 2 3 1 区域竞争主动轮廓模型2 0 2 3 1r c a c 分割系统框架2 3 2 4 试验和评测2 5 2 4 1 冠状动脉的提取2 5 2 4 2 二尖瓣的分割2 9 2 5 小结3 l 第三章血管主动轮廓模型3 3 3 1 引言3 3 3 2 研究背景3 4 3 2 1 血管增强滤波器3 4 3 2 1 测地主动轮廓模型3 5 3 2 1c u r v e s 模型3 5 3 3 血管主动轮廓模型3 6 3 3 1 基于区域竞争和先验灰度的主动轮廓3 7 3 3 2 血管矢量场驱动的主动轮廓3 9 3 3 3 曲率平滑项4 2 3 3 4 最终迭代方程和分割系统4 3 3 4 试验结果和分析4 6 3 4 1 肝脏血管的分割4 7 3 4 2 冠状动脉和肺血管的分割4 9 3 5 血管主动轮廓模型有关的数值算法补充5 0 3 5 1 隐含曲面的几种曲率5 0 3 5 2 三维隐含曲面的最小主曲率的三种数值计算方法5 2 3 6 小结5 4 第四章基于多主动轮廓的肝脏建模5 5 4 1 引言5 5 4 2 基于混合高斯分布的主动轮廓线模型5 6 v i i 5 3 2 数据获取7 2 5 3 3 基于先验形状的主动轮廓模型7 2 5 3 4 旋转扫描图像的三维重建7 6 5 3 5 二尖瓣的参数化7 7 5 4 应用和结果7 9 5 5d 、结8 5 第六章工作总结及展望8 6 6 1 本文的工作总结8 6 6 2 主动轮廓模型在医学目标提取的进一步研究8 7 i 咐录8 9 附录a 基于区域主动轮廓能量方程到迭代方程的推导8 9 附蜀之b 9 1 参考文献9 2 致 射1 0 0 攻读博士期间发表或录用的论文i v i i i 上海交通大学博士学位论文 主要符号与缩写语说明 符号说明 ，或“n 维数字图像 n 维象素坐标 主要符号和缩写语说明 扩散方程时间变量 高斯函数尺度 梯度算子 散度算子 符号距离函数 能量函数 n 维实空间里的图像区域 区间的边界 内部能量 外部能量 曲线一阶导数 曲线二阶导数 曲面的平均曲率 曲面的高斯曲率 曲面的最大最小主曲率 单调递减函数 灰度图像的h e s s i a n 矩阵 符号距离函数的h e s s i a n 矩阵 i x ) p 2 毗 ? ， ， 仃 v ；砉 矽 层c ；讹 日足g 研 以 上海交通人学博士学位论文主要符号与缩写语说明 缩略写 c v c u r v e s e v a c g a c g m m a c r c a c r o i v a c a c t i v ec o n t o u rw i t h o u te d g e ，c v 模型 c u r v e s 模型 e n h a n c e dv a s c u l a ra c t i v ec o n t o u r , 改进的血管主动轮廓模型 g e o d e s i ca c t i v ec o n t o u rm o d e l ，测地轮廓线模型 g a u s s i a nm i x t u r em o d e lb a s e da c t i v ec o n t o u r ，基于混合高斯分布的主动 轮廓线模型 r e g i o nc o m p e t i t i o nb a s e da c t i v ec o n t o u rm o d e l ，区域竞争主动轮廓模型 r e g i o no f i n t e r e s t ，感兴趣区域 v a s c u l a r a c t i v ec o n t o u rm o d e l ，血管主动活动轮廓线模型 x 上海交通大学博士学位论文 第一章绪论 1 1 引言 第一章绪论 近二十多年来，生物医学成像技术得到了快速发展，医学成像也已经成为一种重 要的常规检查手段，在临床检查、诊断、研究分析和手术规划导航中发挥着重要作用。 各种成像方式发展迅猛，主要有利用x 光原理的x 光成像和计算机断层扫描技术 ( c t ) ，利用超声反射的超声成像( u s ) ，利用核磁共振技术的磁共振成像( m r i ) ，以及 正电子发射断层扫描( p e t ) 等等。这些最新成像技术的发展给临床医生提供了更丰富， 更准确的有关病患器官的组织、结构和病理等方面的信息。同样，愈发成熟的临床应用， 例如，手术室的实时扫描，大脑区域的功能分析，血管量化和肿瘤检测，心功能的图 像分析等等，也大大推动了成像技术的发展。 这些最新的成像技术在临床诊断上不仅极大地减少了侵入性和提高了准确度，而 且，我们可以从图像中提取更多的诊断信息，尤其是量化的组织信息。目前，医学图 像研究的热点是对组织、器官和病灶等进行量化分析，但现今对图像相关参数的量化 是以某二维切面上的测量为主，然而，很多非常有价值的量化参数只能从分割好的三 维图像中求得。分割是通过提取组织器官的边缘、轮廓和形状来实现客观量化。这些 器官轮廓在临床上非常有价值。例如，只有对血管分割后，才能得到血管直径和形状 变化，从而对血管通畅和阻塞程度进行分析。再如，对不同阶段的肿瘤进行准确分割 后，可以对肿瘤大小进行比较，从而判断某种治疗手段是否有效。还有，手术规划中， 准确地分割出血管和神经，可以合理的设计手术方案，。避开大的血管和神经，减少血 管迸裂和神经损伤。图1 1 是肝脏的分割模型。这样的结果，对于诊断、治疗和手术， 是有极大帮助的。因此，分割是临床较高层次量化分析的前提。 图像分割一直是医学图像处理的研究热点。由于医学图像本身的噪声，待提取目 标形状复杂性，组织机构的个体差异性，以及细微目标在临床上量化的重要性( 例如小 的肿瘤，乳房的钙化点，神经等等) ，所有这些，使分割仍然是个充满挑战的课题。在 实际临床应用中，专家用手工或者半手工提取依然是最重要的量化分析手段。但手工 分割有三个主要缺点：不精确性、不可重复性和高成本。例如，仅仅提取一个肝脏的 血管，可能就要花费医学专家半天的时间，这还必须在特定的软件辅助下完成。目前， 也缺乏一个能够客观评价手工或半手工分割的准确性的标准，也就无法估计专家分割 上海交通大学博士学位论文第一章绪论 的可信程度。实验室里，普遍采取多个专家反复提取得到最客观准确的分割效果，这 也仅仅在实验室才能实现。并且，伴随成像技术提高的是超大的数据量，实时三维超 声心脏动态扫描，一个心动周期内有至少1 5 0 0 幅二维图像，这么庞大的数据量，是 无法依赖手工分割的。因此，临床应用迫切地需要自动化的、准确的和高效的图像分割 技术。 图1 1 肝脏的c t 图像分割g m m a c 模型分割的结果( 参考第四章) f i g 1 1s e g m e n t e dl i v e r - - e x t r a c t e db yg m m a cm o d e l ( r e f e rt os e c t i o n4 ) 在计算视觉和图像处理领域，结合具体的图像特点，大量的分割模型层出不穷。 按照特征和知识的利用程度，图像分割可分为三个层次：基于局部特征( l o c a l b a s e d ) 、 基于全局特征( g l o b a l b a s e d ) 和基于先验知识( p r i o r - b a s e d ) ： 1 ) 基于局部特征：最基本的图像分割方法。在图像局部范围内求边缘实现对图像 分割。常见的多种滤波算子【啦】、c a n n y 边缘检测【3 】和阀值化【4 】等方法均属于基 于局部特征的图像分割。图像分割早期的研究主要集中在此类方法上。 2 ) 基于全局特征：以各种优化和搜索技术为基础的，在图像全局范围内搜索最优 轮廓的分割方法。典型代表是m u m f o r d s h a h 模型5 ，6 1 、以及在此基础上改进的 c - v 模型【6 ，7 】。其它方法还有很多，象e m ( e x p e c t a t i o nm a x i m i z a t i o n ) 模型下的区 域合并、区域增长【4 】和某些主动轮廓线模型( a c t i v ec o n t o u rm o d e l ) t s , 9 , 1 0 l 、水平 集( l e v e ls e t ) 1 1 , 1 2 , 1 3 j 框架下的基于全局特征的图像分割。 3 ) 基于先验知识：以先验知识为基础，在先验知识的指导下对图像进行分割。先 验知识的参与，使受到模糊、遮挡和噪音等干扰而难以处理的目标分割问题成 为可能，针对特定目标的分割也达到前所未有的准确和高效。虽然多年前就可 以看到基于先验知识目标分割的一些原始原型，但近几年才成为研究的热点并 2 上海交通大学博士学位论文 第一章绪论 取得令人鼓舞的成梨1 抛0 1 。 在以上分类中，大部分模型可以应用于医学图像的分割，但医学图像由于不同的 成像原理，又有其本身的特点： 1 1 灰度。不同于普通的光学图像，医学图像的灰度是和人体的组织联系的，例如， c t 反映的是密度、超声反映的声波穿透性、p e t 反映细胞代谢活性等等。灰 度拥有较强的物理特性，使其成为分割最有力的特征； 2 ) 噪声。不同的成像方式，均有其特有的噪声，如超声图像的斑点噪声、m r 图 像的偏置场噪声、c t 图像的热噪声等。要根据不同的图像设计降噪模型。 3 ) 多维。常见的有二维的b 超和x 片，三维的c t 和m r ，三维+ 时间的实时三 维超声。再如，临床上需要对同一目标的不同成像方式进行综合诊断分析，产 生了c t + u s 、c t + p e t 等高维数据； 4 ) 形状和运动复杂。组织和器官因个体的不同而存在差别。比如，儿童和成人的 声透性差别就比较大；器官形状个体间差异很大；心脏等变形器官运动复杂。 医学图像分割，就是要根据医学图像本身的特点( 特征图像) ，针对特定的分割 对象，利用近可能多的关于对象的先验知识，设计最优的目标提取准则函数，实现对 目标的提取。图1 2 是医学图像分割的一般框架。 图1 2 图像分割的一般框架 f i g 1 2f r a m e w o r ko fp r i o r - b a s e di m a g es e g m e n t a t i o n 在本章的以下小节中，首先对图像分割模型进行简单的概述，主要集中在基于全 局特征和先验知识的模型，随后，对关于主动轮廓面模型进行介绍。 1 2 分割算法简单综述 传统的m a r r 理论2 1 】采用各自独立的分层视觉模型，而实际在图像理解过程中， 底层事件的理解依赖于高层先验知识【6 ，2 2 1 。同样，在目标提取过程中，图像的正确分 割也依赖于先验知识。这就恰如人眼在分割复杂物体时，依据视野中边缘、纹理等特 征图像，在大脑中找到特定目标，由大脑中目标的先验模型指导图像的正确分割。这 3 上海交通大学博上学位论文 第一章绪论 样，人眼对图像分割是底层图像特征结合大脑中目标先验模型，由大脑根据一定准则， 搜索、匹配和重构目标对象的过程。 基于以上思想和流程，我们认为：特定目标的图像分割，就是在目标先验知识的 指导下，依据一定的准则函数，对原始图像中的目标进行分割提取。通过对分割准则 函数的全局优化，在特征图像中搜索理想轮廓，而先验知识既可以对搜索过程优化和 加速，也可以对不完备的目标轮廓进行重构。这一过程涉及到三要素：原始特征图像、