（生物医学工程专业论文）基于模糊随机模型的磁共振脑部图像分割算法研究.pdf

下列成果：( 1 ) 针对f c m 算法存在的问题，提出了一种能够合理利用空间信息的改进的f c m 算法；( 2 ) 将模糊理论和m r f 结合，提出了一种模糊m r f 模型，并对模型的建立、参数估计和优化方法进行了深入的研究；( 3 ) 研究了多发性硬化症病灶的分割算法，分别提出了一种基于模糊连接度和一种基于m r f 模型的多发性硬化症病灶的分割算法；( 4 ) 研究了基于非齐次m r f 模型的图像分割算法，并提出了一种用模糊连接度对非齐次m r f 进亍参数估计的方法。这些方法在提高图像分割的精度和鲁棒性等方面具有显著的效果。第二章根据m r 脑部图像真实的灰度值具有分片常数的特性，按照合理利用图像空间信息的原则，提出了一种基于隶属度光滑约束的f c m 聚类算法。在传统f c m 的目标函数中增加了使隶属度趋向于分片光滑的约束项，提出了新的目标函数，得到了新的数学规划问题，并运用l a g r a n g e 乘数法，得到了该规划问题的解。以此提出了一种f c m 聚类算法的改进算法。通过对模拟和f 艋床m r脑部图像的分割实验，表明该算法在分割被噪声污染的图像时，比传统的f c m算法及其改进算法等多种图像分割算法具有更精确的图像分割能力，并且运算简单、运算速度快、稳健性好。第三章分析了基于模糊理论和基于m r f 模型的图像分割算法各自的优势和存在的问题。在传统m r f 模型的基础上，引入模糊概念，建立了一种模糊m r f模型，并运用m a p 方法将图像的分割问题转化为一个数学规划问题。通过对该规划问题的求解，得到了图像像素对不同组织的隶属度计算方法，提出了一种高效、无监督的图像分割算法，从而实现了对m r 脑部图像的精确分割。通过对模拟m r 脑部图像和临床m r 脑部图像分割实验，表明该基于模糊m r f 模型的图像分割新算法比基于传统m r f 模型的图像分割算法和模糊c 均值等图像分割算法能够更精确地分割图像。第四章和第五章研究了多发性硬化症病灶的分割方法。多发性硬化症是一种严重威胁中枢神经功能的疾病，对其病灶的分割方法研究正受到越来越多的关注。但由于实际的l 临床图像存在较严重的不确定噪声、不均匀性以及多发性硬化症病灶表现复杂等原因，使得现有的算法的分割效果不尽人意。第四章将多发性硬化症的m r 成像特点和解剖性质做为先验知识，提出了一种基于模糊连接度的多发性硬化症病灶的分割算法。模糊连接度用模糊关系描述了图像中两个像素之间的关联程度。通过选取种子像素，运用像素间的模糊连接度进行增长区域，能够实现对病灶的分割。但基于模糊连接度的分割算法需要人工选择种子点，这样就制约了该方法的应用。本章提出了一种实现种1 1子像素自动选取的方法，实现了多发性硬化症病灶的自动分割。作为多发性硬化症病灶分割的预处理，针对f l a i rm r 脑部图像的特征，还巧妙地提出了一种基于区域增长方法的脑部组织提取算法，能够自动地去除头骨、头皮等非脑部组织。通过对临床患者f l a i rm r 图像的分割实验，表明该分割算法能够比较准确地分割多发性硬化症病灶，其分割效果明显好于f c m 聚类算法和基于m r f 的分割算法。该算法还具有无监督、运算速度快、稳健性好等优点，能够应用于多发性硬化症的临床辅助诊断。第五章提出了一种基于m r f 模型，利用了多发性硬化症形态学特性的多发性硬化症病灶的分割算法。首先运用基于m r f 模型的分割算法和区域增长法，分割出脑白质所包围的区域。然后对脑白质所包围的区域再次分割，就实现了对m r 脑部图像的多发性硬化症病灶分割。通过对多发性硬化症模拟和临床t 2加权m r 脑部图像的分割实验，表明该算法能够比较准确地分割多发性硬化症病灶，并且具有稳健性好等优点，能够应用于多发性硬化症的临床辅助诊断。第六章提出了一种基于非齐次m r f 的图像分割算法，并运用模糊空间元素的模糊连接度模型，估计非齐次m r f 中控制像素对空间信息依赖程度的参数，改进了传统的基于m r f 模型的图像分割算法。在传统的基于m r f 模型的图像分割算法中，总是假设对应的m r f 具有齐次性，即像素对空间信息的依赖程度与其空间位置无关。由于图像中不同位置的像素对空间信息的依赖程度是不同，因此，运用非齐次m r f 来描述图像会更合理。通过对模拟m r 脑部图像和临床m r 脑部图像分割实验，表明该算法比传统的基于齐次m r f 模型的图像分割算法和f c m 聚类算法等图像分割算法有更精确的图像分割能力。关键词：磁共振图像图像分割模糊马尔可夫场模糊连接度多发性硬化症1 1 1r e s e a r c ho ha l g o r i t h m sb a s e do nf u z z ya n dr a n d o mm o d e l sf o rm a g n e t i cr e s o n a n c eb r a i ni m a g es e g m e n t a t i o nn a m e ：l i b i ns u p e r v i s o r ：c h e nw u f a na b s t r a f tt h e r ea r et w op u r p o s e sf o r t h es e g m e n t a t i o no fm rb r a i ni m a g e s t h ef i r s to n ei st os e g m e n tm rb r a i ni m a g e si n t od i f f e r e n tt i s s u ec l a s s e s e s p e c i a l l yg r a ym a t t e r( g h 职w h i t em a t t e r ( w 的a n de e r e b r o s p i n a lf l u i d ( c s f ) ，w h i c hi sc r u c i a lt ot h ei m a g er e g i s t r a t i o n , 3 dr e c o n s t r u c t i o na n dm e d i c a li m a g ev i s u a l i z a t i o n t h es e c o n do n ei st oe x t r a c tt h ef o c a lr e g i o no fi n t e r e s t i n g ( r o df r o mo t h e rt i s s u e si no r d e rt oa s s i s tp h y 鳓a u si nm a k i n gr i g h td i a g n o s i s ，a n dw o r k i n go u tt h et h e r a p e u t i cs t r a t e g y t h er e s e a r c ho nm rb r a i ni m a g es e g m e n t a t i o nh a sb e e n 锄i m p o r t a n tf i e l di nm e d i c a li m a g ep r o c e s s i n ga n da n a l y s i s t h e r ea r ean u m b e ro ff a c t o r st h a t 伽s ec u r r e n ts e g m e n t a t i o na l g o r i t h m sf a i lt os a t i s f yt h en e e do f c l i n i c a lp r a c t i c e , i n c l u d i n g1 ) t h ei n d i v i d u a ld i f f e r e n c e si nt h et i s s u ea n a t o m y ；, 2 ) s l o wc a l c u l a t i n gs p c e da n di n a e e n r a e y ；a n d3 ) p o o ri m a g eq u a l i t ya f f e c t e db yn o i s e , i n t e n s i v ei n h o m o g e n e i t ya n dp a r t i a lv o l u m ee f f e c t ( p v e ) ，e t c m e d i c a li m a g e sb e h a v ef u z z i n e s sd u ot op v ea r t i f a c t sa n dt h eu n c e r t a i n t yi ns o m ef o c a lr e g i o l l 8 t h ei d e ao f u s i n gm e m b e r s h i pf u n c t i o na s s o c i a t e dw i mf b z 巧s 既t h e o r yt or e p r e s e n tp a r t i a lv o l u m ep r o p o r t i o n so fe a c h “p 哪c t i s s u eh a sb e e naq u i t ep o p u l a ra n dw i d e l yu s e dm o d e l i nw h i c hf u z z yc - m 啪s ( f c m ) c l u s t e r i n ga l g o r i t h mi st h ew e l l - e s t a b l i s h e da p p r o a c ht ot h ei m p l e m e n t a t i o no ft h ei m a g es e g m e n t a t i o n h o w e v e r , t h ec o n v e n t i o n a lf c mf a i l st oi n c o r p o r a t et h es p a t i a li n f o r m a t i o no ft h ei m a g el e a d i n gt oa b e r r a n tc o n s e q u e n c e si nt h ec a s eo fd e a l i n gw i t hl o ws i g n a l - t o - n o i s er a t i o ( s n r ) m ri m a g e s t h em a r k o vr a n d o mf i e l d ( m r s ) s e g m e n t a t i o nh a sb e e ns u c c e s s f u l l ya p p l i e dt ovt h i si s s u ei nt h ep r e s e n c eo fn o i s eb yt a k i n gi n t oa c c o u n tap r i o r ik n o w l e d g eo ft h es p a t i a lc o r r e l a t i o n so ft h ei m a g eu s i n gg i b b sd i s t r i b u t i o na n dm a x i m u map o s t e r i o r i( m a p ) h o w e v e r , t h e r ea r es t i l lp r o b l e m sa s s o c i a t e dw i t hm r f , s u c ha st h ed i f f i c u l t yi nd e a l i n gw i t hf u z z yc h a r a c t e r i s t i c so fi m a g e s ，p a r a m e t e re s t i m a t i o n , a n dt h et e n d e n c yo f o v e r - s e g m e n t a t i o n i nt h i sp a p e r , w el o o ki n t ot h es e g m e n t a t i o na l g o r i t h m sb a s e do nf u z z ys e ta n dm r f , a n dt h em a i nc o n t r i b u t i o n st ow h i c ha r e 丛f o l l o w s ：nam o d i f i e df c mc l u s t e r i n ga l g o r i t h mi sp r o p o s e dt oi m p r o v et h es e g m e n t a t i o na c c u r a c yo ff c m ；2 ) af u z z ym a r k o vr a n d o mf i e l d ( f m r f ) m o d e li si n t r o d u c e db yc o m b i n i n gf u z z ys c ta n dm r f , a n dt h em o d e l i n g ，p a r a m e t e re s t i m a t e , o p t i m i z a t i o nm e t h o d sa n da l g o r i t h ma b o u tf m r fa r es t u d i e d ；3 1af u z z yc o n n e e t e d n e s s - b a s e ds e g m e n t a t i o nm e t h o do fm u l t i p l es c l e r o s i s ( m s ) l e s i o n sa n dam r _ f - b a s e ds e g m e n t a t i o nm e t h o do f m sl e s i o n sa r ed e v e l o p e d ；4 ) i n h o m o g e n e o u sm r f ( i m r f ) m o d e li ss t u d i e da n dt h ep a r a m e t e ri ni m r fi se s t i m a t e du s i n gf u z z yc o n n e c l e d n e s s t h ep e r f o r m a n c eo ft h e s ea l g o r i t h m si sr e m a r k a b l ys u p e r i o rt ot h ec o n v e n t i o n a lo n e si nt e r m so fa c c u r a c ya n dr o b u s t n e s s i nc h a p t e ri i ，w ep r e s e n tam o d i f i e df c mc l u s t e r i n ga l g o r i t h mf o rb r a i ni m a g es e g m e n t a t i o nw i t ham e m b e r s h i ps m o o t h i n gc o n s t r a i n t ( m c f c m ) t h er a t i o n a l eo fw h i c hi st h a ti ng e n e r a la l li d e a lm ri m a g ei sa s s u m e dt ob ep i e e e w i s ec o n s t a n t ，am e m b e r s h i ps m o o t h i n gc o n s t r a i n ti st h e r e f o r ea p p e n d e dt ot h eo b j e c tf u n c t i o no fc o n v e n t i o n a lf c ms oa st oi n c o r p o r a t et h es p a t i a li n f o r m a t i o no f t h ei m a g e t h en e 、 ，m a t h e m a t i c a lp r o g r a m m i n gf o r m u l ac a nt h u sb es o l v e db yt h el a g r a n g em u l t i p l i e r t h ev a l i d i t yo ft h i sa l g o r i t h mi se v a l u a t e du s i n gs i m u l a t e db r a i nm ri m a g e sw i md i f f e r e n tn o i s el e v e la n dr e a lb r a i nm ri m a g e t h er e s u l t ss h o wt h a tm c - f c mi so v e r p e r f o r m e dt h a nt h ec o n v e n t i o n a lc o u n t e r p a r t s ，a n di sa sw e l la ss i m p l e , f a s t ，a n dr o b u s t i nc h a p t e ri l l ，w ei n s p e c tt h ep r o p e r t i e so fb o t hf u z z ys e ta n dm r f , t h e ni n t r o d u c et h en o t i o no ff u z z ym e m b e r s h i pt ot h ec o n v e n t i o n a lm r fm o d e l t h e r e f o r ef o r m saf u z z ym a r k o vr a n d o mf i e l d ( f m r f ) m o d e l a p p l y i n gm a pm e t h o dt ot h es e g m e n t a t i o np r o b l e ml e a d st oam a t h e m a t i c a lp r o g r a m m i n gp r o b l e m ，w h i c hc a nb es o l v e db yd e r i v i n gt h ef o r m u l ao fd e t e r m i n i n gt h em e m b e r s h i pv a l u e sf o re a c hv o x e lt oi n d i c a t et h ep a r t i a lv o l u m ed e g r e e t h er e s u l t so b t a i n e db yt e s t i n gv ib o t hs i m u l a t e da n dc l i n i c a ld a t a , s h o wt h a tf m r fc a l ls e g m e n tt h e mn l o l r ca c c u r a t e l yt h a nt h ec o n v e n t i o n a lm o d e l - b a s e da n df c md o 勰w e l l i nc h a p t e ri va n dv w ei n v e s t i g a t et h es e g m e n t a t i o no fm sl e s i o n s 一觚i n f l a m m a t o r yd e r n y e l i n a t i n gd i s e a s et h a tw o u l dd a m a g ec e n l r a li l i c r i ，o i l i ss y s t e m t h e r ei sag r o w i n ga t t e n t i o nt ot h i s 却嘲f o rt h ec o n v e n t i o n a ls e g m e n t a t i o na l g o r i t h m s鼬n o tw o r k i n gw e l ld u et ot h ee f f e c t so fn o i s e s , i n t e n s i v ei n h o m o g e n e i t i e s 。t h eb e h a v i o ro f m sl e s i o n se r e i ne l a a p t e ri v ，a na u t o m a t i cs e g m e n t a t i o na l g o r i t h mo fm sl e s i o n sf o rm rf l a i ri m a g e si sp r e s e n t e db a s e do i lf i l 召yc o n n e e t e d n e s sb yu s i n gap r i o r ik n o w l e d g eo fc h a r a c t e r i s t i c so fm sl e s i o n sa n da n a t o m i c a ls t r u c t u r e s t h ec o n n e c t e d n e s se m p l o y sf u z z yr e l a t i o n s h i pt od e s c r i b et h ea n a l o g yo f t w on e i g h b o r i n gp i x e l s t h es e g m e n t a t i o no ff o c a lr e g i o n si sa e e o m p l i s h e db yc h o o s i n gp i x e l - s e e d s ，a n dt h e ne x p a n d i n gr e g i o n su s i n gc o r m e e t e d n e 嚣b c t w e e nt h ep i x d s 1 1 赡p i x e l - s e e ds e l e c t i o ni sd o n ca u t o r n a t i e a l l yt of a c i l i t a t ep r a c t i c a la p p l i c a t i o n s an o v e lb r a i nt i s s u ee x t r a c t i o na l g o r i t l m li sa l s op r e s e n t e du s i n gr e g i o ne x p a n d i n gm e t h o da st h ep r e p r o c e s s i n g , w h i c hi sa b l et oa u t o m a t i c a l l yr e m o v et i s s u e so t h e rt h a nt h o s eo f b r a i n ,s u c ha ss l a d l ，s c a l pe r e t h et e s t i n gr e s u l t su s i n gc l i n i c a lm rf l a i rb r a i ni m a g e sd e m o n s l r a t et h a tt h ep e r f o r m a n c eo f t h ep r o p o s e da l g o r i t h mi ss i g n i f i c a n t l yi m p r o v e do v e rt h ec o n v e n t i o n a lf c mc l u s t e r i n ga n dm r fm o d e l - b a s e da l g o r i t h m s t h i si m s u p e r v i s e da l g o r i t h m 伽lb eu s e di nc l i n i c a lp r a c t i c ew i ma d e q u a t ec a l c u l a t i n gs p e e d , a n dr o b u s t n e s s i ne 1 1 a p t e rv 。w ed e v e l o pam r f - b a s e da l g o r i t h mf o rm sl e s i o n ss e g m e n t a t i o nb yu t i l i z i n g1 1 1 em o r p h o l o g i c a lc h a r a c t e r i s t i c so fm sl e s i o nt i s s u e s t h er e g i o n se i r e m n s e r i b e db yw h i t em a t t e r 淝e x t r a c t e da tf i r s tb ym r fs e g m e n t a t i o na n dl e g i o ng r o w i n gm e t h o d s ；t h ea b s t r a c t e dr c g i o n sa l et h e ns e g m e n t e da g a i nu s i n gm r fa l g o r i t h m t h et e s t i n gr e s u l t sf o rt 2 - w e i g h t e dm rb r a i ni m a g e ss h o wt h ep r o p o s e da l g o r i t h mi sr o b u s ta n da c c u r a t ee n o u g hf o rc l i n i c a lu s e oi ne l a a p t e rv i ，ai m p r o v e du n s u p e r v i s e da l g o r i t h mf o ri m a g es e g m e n t a t i o ni sp r o p o s e du s i n ga l li n h o m o g e n e o u sm r fm o d e l , i nw h i e l at h ep a r a m e t e ri se s t i m a t e di nf u z z ye o n n c e l e d n c s s r 1 1 圮c o n v e n t i o n a lm r f - b a s e ds e g m e n t a t i o na l g o r i t h m sa l w a y s 越；s 啪et h em r fi sh o m o g e n e o u s ，i e 。t h ep i x e i sa r ei m e o r r e l a t e ds p a t i a l l y t h i sa s s u m p t i o ni su s u a l l yn o ts a t i s f i e di np r a c t i c e , w h i c hr e q u i r e sam o l l 。p r e c i s ev l lm o d e ll i k ei n h o m o g e n e o u sm r ft or e p r e s e n tt h ec o n t e x ti n f o r m a t i o n s i m u l a t e db r a i nm ri m a g e sw i 也d i f f e r e n tn o i s el e v e la n dr e a lb r a i nm ri m a g e sa r et e s t e d t h er e s u l t ss h o wt h a tt h ep r o p o s e da l g o r i t h mi sm o r ea c c u r a t ei nc o m p a r i s o nw i t ho t h e r s k e y w o r d s ：m a g n e t i cr e s o n a n c ei m a g e ；s e j g n e n t a t i o mf u z z ym a r k o vr a n d o mf i e l d ；f u z z yc o n n e c t e d n e s s ；m u l t i p l es c l e r o s i sl e s i o n sv l | i第一军医大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。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。除与外单位合作项目将予以明确方式规定外，本研究已发表与未发表成果的知识产权均归属第一军医大学。本人承诺承担本声明的法律效果。作者签名毒彤吼细哆年多月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权第一军医大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文本学位论文属于( 请在以下相应方框内打“了” ：l 、保密口，在一年解密后适用本授权书。2 、不保密z作者签名：香耐歹日期：加司年6 月1 日导师签名讼如盯日期力b 7 年占月日博士学位论文第一章概述磁共振成像( m a g n e t i cr e s o n a n c ei m a g i n g , m m ) 是现代重要的医学成像技术，能够提供丰富的三维人体软组织解剖信息，具有其他影像设备无法比拟的下列优势：( 1 ) 对软组织的分辨力高；( 2 ) 多个成像参数能提供丰富的诊断信息，使得医疗诊断和对人体内代谢和功能的研究更加方便、有效；( 3 ) 通过调节磁场可任意选择方位断层；( 4 ) 对人体没有电离辐射损伤。m i l l 在医学诊断中具有广泛地应用。特别是对头颈部位的应用最为广泛，如脑肿瘤、多发性硬化症，还有脑的炎症、血管损伤、出血、水肿、脱髓鞘疾病、栓塞、小脑扁桃体畸形等f l 。1 。图像分割( i m a g es e g m e n t a t i o n ) 是一种重要的图像分析技术，就是指把图像分成各具特性的不同区域并提取出感兴趣目标的技术和过程。这些特性可以是像素的灰度、颜色、纹理等，感兴趣目标可以对应单个区域，也可以对应多个区域。用数学语言定义，可叙述如下【4 】：令集合r 代表整个图像区域，对r 的分割可看作将r 分成n 个满足下列条件的非空子集曷，恐，目：o ) u p 、f = r ：i = l( 2 ) 足n 碍= o ，v i , j ，且f ，；( 3 ) p ( 置) = t r u e , v i ；双r u r = l s e i j 鱼i j ；( 5 ) r 是连通区域，其中p ( 墨) = t r u e ，v i 是对所有属于集合置的元素的逻辑谓词。下面分别对上述条件予以解释。条件( 1 ) 是指图像的分割结果中全部子区域第一章概述的总和应等于原图像；条件( 2 ) 是指分割结果中各个子区域互不重叠；条件( 3 )是指分割结果中同一个子区域的像素具有相同的特性；条件( 4 ) 是指分割结果中分属不同子区域的像素具有不同的特性；条件( 5 ) 要求分割结果中同一个子区域的任意两个像素在本子区域内相互连通。医学图像分割是医学图像处理和分析的重要手段和关键步骤。从医学研究和临床应用的角度来讲，医学图像分割的目的就是对采集到的图像数据集划分成不同性质( 如灰度、纹理等) 的区域，从而把感兴趣的区域提取出来。也就是要将图像按解剖性质准确地分割为不同的组织类别”1 。医学图像分割在临床诊断、病理分析及治疗等方面具有重要意义，具体表现在下列几个方面睁“】：( 1 ) 常作为医学图像分析的前处理，如不同模态的医学图像的配准、融合，心脏的运动估计等；( 2 ) 对人体组织、器官或病灶的边界、截面面积以及体积等进行测量。通过在治疗前后对这些指标的测量和分析，帮助医生进行诊断、制定和修改对病人的治疗方案：( 3 ) 是图像三维重建和医学图像可视化的基础，可用于外科手术方案的制定和仿真，病理研究，药物疗效的评估，解剖参考以及放疗计划的三维定位等：( 4 ) 还可以用于在不丢失感兴趣区域信息的前提下，对图像进行压缩和传输。这对p a c s 、远程诊断等网络数据传输具有重要意义，能够有效地提高网络的数据传输能力。磁共振( m r ) 脑部图像的分割主要包括两个方面的内容：一是对正常脑组织的分割，就是要将m r 脑部图像分割为灰质、白质和脑脊液等组织部分。这是医学图像配准、三维重建和可视化的基础：另一方面就是对包含有病灶的m r脑部图像的分割，即将感兴趣的病灶从其它组织中分割出来。医学图像的分割一直是医学图像处理和分析研究的热点问题。但由于人体解剖的个体差异较大，临床应用对医学图像分割的准确度和分类算法的速度要求较高，又由于图像本身受噪声、偏移场效应和部分容积效应等的影响，使得分割算法远未达到理想的效果。因此，医学图像分割算法的研究仍是当前医学图像处理和分析的热点。m r 脑部图像具有一些特殊的性质，例如无纹理、组织类别较少、每种组织中像素的灰度值差别较小、不同组织间的对比度较大等。针对m r 脑部图像的分割是医学图像分割中的熟点。2博士学位论文本文着重研究m r 脑部图像的分割算法，具体组织如下：第一章对分割算法进行综述；第二章提出了一种基于隶属度光滑约束的模糊c 一均值聚类算法；第三章提出了一种基于模糊马尔可夫场模型的图像分割算法；第四章提出了一种基于模糊连接度方法的多发性硬化症病灶分割算法；第五章提出了一种基于马尔可夫场模型的多发性硬化症病灶分割算法。第六章提出了一种基于非齐次马尔可夫场模型的图像分割算法；第七章是本文的总结与工作展望1 1 医学图像分割算法综述医学图像分割是医学图像处理和分析最重要的研究内容之一，是成功进行图像分析和图像理解的前提。医学图像分割长期以来一直是图像处理的研究热剧协，涌现了大量的分割算法。但是，由于人体解剖结构的复杂性、组织器官形状的不规则性、不同个体的差异性等原因，还有医学图像本身受噪声、偏移场效应、部分容积效应等的影响等原因，使得到目前为止，还无法得到一种能对所有图像都能进行有效分割的分割算法。各种算法往往是基于特定的领域、特定的成像物理模型等，具有很强的针对性。图像分割方法大致可以分为三类，即基于边界、基于区域以及两者混合的方法。基于边界的方法就是在图像中标识目标的边界；基于区域的方法就是在图像中标识目标所占有的区域；两者混合的方法就是将基于边界和基于区域的方法混合，取两者之优势避免其劣势的方法。分割方法也可分为硬分割和软分割，即非模糊分割和模糊分割两类。分割方法具体如何分类，还没有统一的标准。下面基本按照各种算法基于的理论或技术进行分类评述。1 1 1 基于边界分割技术的方法这是通过对目标边界的检测即边缘检测来实现图像分割的方法。边缘检测是基于图像灰度值不连续性的一种分割方法。它通过检测不同匀质区域之间的边界来实现对图像的分割【临1 9 1 。其方法和原理与人的视觉过程有些相似。人对场景中亮度或其他性质变化较快的部位比较敏感，一般当人观察场景时总先注意到其中不同物体的相交处，并得出每个物体各自的轮廓。边缘检测的方法主要有微分算子、边界拟合、边界跟踪、哈夫( h o u g h ) 变换、曲线( 面) 拟合等方法【4 】。3第一章概述1 i 2 基于阈值的方法基于阈值的分割方法是一种简单的分割方法。它根据图像的整体和局部的灰度信息，选择一个或几个阈值，比较各像素灰度值与阈值的大小，将图像分割为目标与背景或多个目标与背景的区域1 4 1 。阈值分割的缺点是，对于灰度差异较小或目标的灰度值范围有较大重叠的图像分割难以得到准确的结果。另外，由于它仅仅考虑图像的灰度信息而没有考虑图像的空间信息，阈值分割方法对噪声和灰度不均匀性很敏感。这使得该方法的运用受到了很大的局限。因此，阔值分割通常作为其它图像分割方法的预处理。阈值分割方法的关键在于最佳分割阈值的选择。阈值的选择主要有统计学方法、信息论方法等。统计学方法是通过对图像灰度分布一维或二维直方图的分析处理，选取最佳分割阈值凹1 ；信息论方法是借助于熵的理论，通过求熵的极值来确定最佳分割阈值 2 1 , 2 2 。1 1 3 基于特征空问聚类的方法特征空间聚类是指将一组目标以测得的特征值将其划分到各类中的技术。它将图像空间用对应的特征空间表示，通过将特征空间的点聚类，再映射回原图像以得到分割结果。一般来讲，特征值不仅包括图像的灰度信息，还包括纹理和从图像灰度派生的其它统计参数。聚类算法是一种无监督的统计方法。其中，k _ 均值，模糊c 均值( f c m ) 是常用的聚类算法1 2 3 - 2 7 虽然聚类算法不需要训练样本，但是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。另外，传统的聚类没有利用图像的空间信息，因此对噪声和灰度不均匀性比较敏感。1 1 4 基于模糊集理论的方法模糊性是医学图像固有的特性。首先，医学图像的部分容积效应( p a r t i a lv o l u m e e f f e c t s ，p v e ) 决定了医学图像的模糊性；其次，医学图像中的有些目标有时不能被确定地分割。部分容积效应就是由于m r 等成像技术分辨率的限制，使得不同组织边界上的像素会由多种组织成分组成。模糊技术建立在模糊理论的基础上，能有效地刻划图像模糊性，非常适合处理医学图像分割中的不确定问题。近年来随着模糊技术的不断成熟，它在图像分割中的应用也日益活跃，成为了医学图像分割技术研究的一个热点。模糊分割技术主要有模糊阈值、模4博士学位论文糊聚类、模糊边缘检测等。特别是模糊d 均值( f c m ) 聚类方法应用最为广泛。模糊c 一均值是将模糊理论与k 均值聚类方法结合的产物，是一种无监督的图像分割算法，具有简单、高效、准确等特点。但传统的f c m 算法也存在着明显的缺点。那就是它认为图像数据是独立的，未能利用图像的空间信息，不能有效分割噪声图像和退化图像。因此，改进f c m 算法，使其合理地利用空间信息，就成为当前研究的一个热点 2 4 - 2 6 。另外，f c m 快速算法也是一个研究热点【2 7 l 。1 1 5 区域生长和分裂合并方法区域生长方法的基本思想是将具有相似性质的像素集合起来构成区域。该方法需要先对每个需要分割的区域选取一个种子像素，然后将种子像素邻域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域中。区域生长算法的关键在于确定生长过程中将相邻像素包括进来的准则。区域生长方法已广泛地应用到医学图像分割瞄】，如血管、肿瘤、多发性硬化症等的分割。a r o s e n f e l d 在1 9 7 9 年把模糊连接度的概念引入到图像处理中 2 9 , 3 0 。j 1 【u d u p a 在此基础上提出了基于模糊连接度理论的图像分割框架1 3 1 , 3 2 j ，能够较好地解决医学图像分割中的模糊性、不均匀性和噪声污染等问题，推动了区域生长方法在医学图像分割中的运用。区域生长的缺点是需要为每个待分割的区域选择一个种子像素，难以实现全自动的图像分割。与区域生长相反的分割思想就是先从整幅图像开始，通过不断的分裂得到各个区域。实际中常先将图像分成任意大小且不重叠的区域，然后再合并或分裂这些区域以满足分割的要求，这就是图像分割的分裂合并方法1 3 叭。1 1 6 基于随机场的算法s g e m a n 和d g e m a n 在1 9 8 4 年提出了图像处理的马尔可夫随机场( m r f )模型唧l ，详细讨论了m r f 模型的邻域系统、能量函数和g i b b s 抽样方法等相关问题，提出了模拟退火算法来极小化能量函数的方法，并给出了模拟退火算法收敛性的证明，为基于m r f 模型的图像处理提供了理论基础。m r f 模型因其能有效刻划图像的空间信息和其理论完善而广泛应用于被噪声破坏的图像的恢复、分割和纹理分析等领域【3 5 - 3 5 。但基于m r f 的分割算法也存在一些问题，例如不能有效地处理图像的模糊性、存在过分割现象、参数5第一章概述估计困难等。i i 7 基于形变模型的方法基于形变模型的方法主要有两类。一类是以s n a k e 模型为基础的参数化主动轮廓模型1 3 9 ，侧重于模型内外力的研究，外力推动轮廓曲线运动，而内力保持轮廓的光滑性。这类方法是通过某种形式的目标函数的最小化，实现目标轮廓的提取和分割。目标函数最基本的形式就是在某种基于图像的能量项和另一个与内部能量或形状模型相关项之和。另一类是以水平集( 1 e 、，e 1 s e t ) 方法为基础的几何主动轮廓模型【帅】，提供了一种将曲线( 面) 演化的问题转换成高一维的水平集演化的隐含方式求解的方法。基于水平集方法的曲线( 面) 演化方法，广泛应用于在m r 肺部图像、m r 心脏图像、扩散张量成像( d i f f u s i o nt e n s o rm r j ，d t o m r i ) 等医学图像的目标提取