（计算机软件与理论专业论文）脑部MR图像分割与可视化研究.pdf

山东师范大学硕士学位论文 摘要 图像分割是医学图像处理分析中的一个重要步骤。医学图像的多样性和复杂性，以及获取图 像时噪声的干扰，使医学图像的准确分割往往具有较大的难度。目前，研究者们提出了许多分割 方法，但现在还没有一种统一的分割方法能够适用于各类图像的分割，有时甚至完成某一分割任 务也需要综合多种算法来完成。当前，图像分割算法的发展趋势是提高算法的分割速度、分割精 度及自动化程度等。 医学图像可视化是医学图像处理的重要研究内容，也是科学计算可视化中最成功的应用领域 之一，己成为辅助疾病诊断和治疗的重要手段，并且己深入到医学的各个领域。目前已有很多可 视化方法，如面绘制、体绘制等等。借助于可视化技术，如何快速、高效地显示图像中的有价值 信息，这已成为目前医学图像可视化领域的研究热点。医学图像具有数据量大的特点，这导致可 视化算法绘制和交互的速度比较慢，因此当前可视化算法的发展趋势体现在提高绘制速度，增强 绘制精度等方面。 本文的主要工作表现在以下几个方面： 1 讨论了图像分割的一些常用方法及其优缺点，阐述了基于浸没模拟的水线变换的基本原 理与算法实现，并针对水线变换在图像分割中引起的过分割问题，分别讨论了基于标记 的水线变换方法以及通过区域合并来克服过分割问题的方法。 2 根据脑部图像的灰度分布特点，提出了一种脑部图像标记的提取方法。首先根据图像的 灰度分布获取目标区域的闽值，并选用r 0 b e r t s 算子计算梯度图像，然后检测梯度图像 中位于两阂值之间的极小值点，以这些极小值点作为标记点进行水线变换。试验结果表 明，该方法能够较好地将脑部图像分为各个标记区域，并且将脑部作为一个连通的区域 提取出来。 3 概述了医学图像可视化算法的分类，给出了面绘制算法及体绘制算法的基本思想及特 点，并对m a r c h i n gc u b e s 和光线投射法的算法原理及实现过程分别进行了讨论，给出了 相关的试验结果。 4 讨论了光线投射法在v r k 中的实现，概述了光线投射法的相关加速方案，对影响光线 投射法绘制速度与精度的若干因素进行了试验，并给出了相关的试验结果。 5 基于v r k 实现了等值面绘制算法，在基于图像组织分类的前提下根据o t s u 算法获取 各类组织的灰度均值，以此作为阈值进行等值面绘制。重建结果表明，该方法同依据经 验设定阈值相比较，更能考虑不同组织的灰度分布特点及不同成像设备的差异，绘制结 果更平滑，包含信息更丰富。 全文共分六章。第一章介绍了医学图像分割与可视化的研究意义，分析了当前国内外的研究 现状，给出了本论文的主要工作。第二章介绍了图像分割的基本概念，概述了图像分割的各种方 法及其优缺点，并总结了当前医学图像分割方法的主要发展趋势。第三章介绍了数字图像处理的 一些基本概念，讨论了基于浸没模拟水线变换的算法原理及实现过程，并对水线变换引起的过分 割问题的相应解决方案进行了阐述，最后提出了一种脑部图像标记的提取方案并应用于水线变 换，实现了脑部连通区域的提取。第四章介绍了医学图像可视化算法的分类，讨论了m a r c h i n g c u b e s 算法和光线投射法的绘制原理，总结了算法的特点。第五章介绍了可视化工具包乙 脑部m r 图像分割与可视化研究 给出了v t k 中3 - d 体数据的重构过程，对光线投射法的相关实现及影响绘制结果的几个因素进 行了研究，最后提出了一种医学图像的3 d 表面重建方法。第六章总结了本论文所做的主要工 作，并针对所作的研究当中存在的问题指出了进一步的研究方向。 关键词：图像分割可视化水线变换过分割m a r c h i n gc u b e s 光线投射法v t k 分类号：t p 3 9 1 山东师范大学硕士学位论文 a b s t r a c t i m a g es e g m e n t a t i o ni sav i t a ls t 印i nm e d i c a li m a g ep r o c e s s i n ga n da n a i ”i s t h ed i v e r s i t ya n d c o m p l c x i t yo fm e d i c a li m a g e s ，a n dt h cn o i s ei n 们d u c e di ni m a g ea c q u i s i t i o n ，m a k e 廿1 ep r e c i s e s e g m e n t a t i o ne x t r c m e l yd i 伍c u l ts of a lm 柚ys e g m e n t a t i o nm e t h o d sh a v eb e e np r o p o s e da n dt e s t e d ， y e tn oc o n m l o ns e g m 肌t a t i o nm e t h o d sh a v eb e e nf o u n dt ob es u i t a b l ef o ra 1 1k i n d so fi m a g e s ，a n d o c c a s i o n a l l ym a n ya l g o r i m m sa r er e q u i r e dt od e a l 丽mo n es e g m e n t a t i o nt a s kni sw i d e l ya c c 印t e d t h a tt h e m a j o r 廿e n d so f i m a g es e g m e n t a t i o na l g o r i 1 m sa r es p e e d ，a c c u r a c ya n da u t o m a t i o n ， t h em e d i c a l i m a g ev i s u a l i z a t i o nt e c h n i q u ep l a pa ni m p o r t a mr o l ei nm e d i c a l i m a g ep m c e s s i n g a 1 1 da n a l y s i s ，a n di nf a c t i ti s0 n eo ft h em o s ts u c c e s s f u l 印p l i c “o n so fv i s u a l i z a t i o ni ns c i e n t i f i c c o m p u t i n g t ba s s i s td i a g n o s i s 肌dt h e r a p y m a n yv i s u a i i z a 石o nm e t h o d sc o u l db eu s e d ，s u c ha ss u 血c e r e n d e r i n ga n dv 0 1 u m er e n d e r i n g h o wt ov i s l l a l i z et h ev a l l l a b l ei n f b 衄a t i o nc o n t a i n e di nm e d i c a l i m a g e se 丘c c t i v d ya i l di n t e l l i 百b 1 h a sb e e nd e e m e da sam a j o ri s s u ei nm 。d i c a lv o l 啪ev i s u a l i z a t i o n w i mi t sl a 娼ed a t as e t ，m em e d i c a iv o l u m ei sb o mw i t hs l o wr e n d e r i ga n di t e r a c t i v ec o n t r 0 1s p e e d ，s o i 1 1 c r e a s i n gt 1 1 er e n d e r i n gs p e e da n di m p m v i n gt h ea c c u m c ya r et h ep r i m a r yg o a l so f l er c l a t e d a l g o r i t t h em a i nc o n m b u t i o n so ft h i st h e s i sa r el i s t e da sf 0 1 l o w s ： 1 a f t e ri n 缸o d u c i n gav a r i e 哆o fi m a g es e g m e n t a t i o nm e t h o d sa n d8 h o w i n gt l l e i ra d v a n t a g e sa n d d i s a d v a n t a g e s ，i te x p o u n d sm ep r i n c i p l eo fw a t c r s h e d 扛a n s f o mb a s e do ni m m e r s i o ns i m i l l a t i o na n d t c l l sm ea l g o r i t h mi m p l e m e n t a t i o np r o c e d u r e a i m i n ga tm eo v e r s e g m e n t a t i o np r o b l e mi nw a t e r s h e d 订a n s f o mw h e l la p p l i e dt oi m a g es e g m e n t a t i o n ，i te x p l o r e st h em a r k e r b a s e dw a t e r s h e dt r a n s f o ma n d t l l em e t h o db a s e do nr e g i o na d j a c e n c ym e 玛i n gs 印a r a t c l y 2 b a s e do nb r a i ni m a g e 乒a yd i s m b u t i o n ，i tp r 叩o s e sam e m o do fe x 仃a c 曲g b r a i nm a r k e lf i r s t l y ， t l l et 1 1 r e s h o l d sa r ea c q u j r e di nt e h n so fg r a yd i s t r i b u t i o n ；s c c o n d l y ，t h e 掣a d i e n ti m a g ei sc o m p u t e db y m e a n so fr o b e r t s 叩e r a t o r ；1 1 1 i r d ly ，t h em i n i m u mp o i n t sb e t w e e nt l l et w ot h r e s h o l d sa r ef o u n d ；a n d 1 a s n y ，w a t e r s h e d 仃a n s f o n no nm ei m a g ei sm a d eb yu s i n gt h e s em i n i m u mp o i n t sa b o v ea sm a r k e r s e x p e r i m e n t a lr e s u l t ss h o wt h a tt h i sm e t h o dc o u l ds 印a r a t eab r a i ni n t od i 丘b r e mr e g i o n sa n de x n a c t b m i na sac o 皿e c t e d c o m p o n e n t 3 nd e s c r i b e st h ec l a s s i f i c a t i o no fm e d i c a lv o l u m e 讥s u a l i z a t i o na l g o r i t h m s ，a n dd i s c u s s e st h e b a s i ci d e a sa n dc h a r a c t e r i s t i c so fb o t hs w f a c er e n d e r i n ga l g o r i t l l m sa n dv 0 1 l l i i l er c i l d e r i n ga l g 耐t l l m s ， t h e ni te x p o u n d st h ea l g o r i m mt h e o r i e s ，i m p l e m e n t a t i o np r o c e s sa n de x p 甜m e n t a lr e s u l t so fb o t h m a r c h i n gc u b e sa l g o r i t l l ma n dr a yc a s t i n ga 1 9 0 r i t h m 4 i td i s c u s s e st h ei m p l e m e n t a t i o no f r a yc a s t i n ga l g o r i t h mi nv t k a n dd e s c r i b e ss o m es p e e d u p s c h e m e s 1 1 1 e ni tp r o c e e d se x p e r i m e n t s0 ns o m ef a c t o r si n f l u e n c i n gt h er e n d 谢n g 印e e da n d a c c u t a c y ， a n ds h o w st h ec o r r e s p o n d i n gr e s u l t s 5 ，np r o p o s e sa3 一ds u r f 如er e c o n s t m c t i o na l g o r i i h mb a s e do nv t k i nt h ep r e m i s et h a ti 瑚a g e s h a v eb e e nc l a s s i n e di n t od i h b r e n tg r o u p s ，i to b t a i n st l l eg r a ym e a n so fa l lk i n d so ft i s s u e sb a s e do n 5 脑部m r 图像分割与可视化研究 o t s ua l g o r j t h m ，a n dr e n d e r st h ei s o s u r f a c eu s i n gm a tv a l u e r e c o n s 仃i l c t i o nr e s u l t ss h o wt 1 1 a ti tc o u l d t a k eb o t ht h eg r a yd i s 雠b u t i o no fd i 饪e r e n tt i s s u e sa n dd i 腧e n c e so fi m a g i n ge q u i p m e n ti n t oa c c o u n t ， a n d 百v eas m o o t h e ra n dm o r ea b u n d a n tr e n d e r i n gr e s u l tt h a ns e 砸n gi s o 一1 u eb ye x p e r i e n c e t h i st h e s i sm a i n l yc o n s i s t so fs i xc h a p t e r s c h a p t e r1p r e s e n t sr e s e a r c hv a l u ea n ds t a t i l so f m e d i c a l i m a g es e g m e n t a t i o na n dv i s u a l i z a t i o n ，柚dd e s c 抽e sm a i nw o r ko f 廿1 i st h e s i s ，c h a p t c r2 百v e s a d i s c u s s i o no f i m a g es e g m e n t a t i o n ，d c s c r i b e sa l ll d n d so fs e g m e n t a t i o nm e m o d sa n dt 1 1 e i rc h a m c t e r i s t i c s a n ds u m m 捌z e sp r e s e n tt r c n do fi m a g es e g m e n t a t i o n c h a p t e r3d i s c u s s e st h eb a s i cc o n c e p t so fd i g i “ i m a g es e 粤n e n t a t i o n ，e x p o u n d sm ea l g o d t l l mt h e o r y a n di m p l e m e n t a t i o np r o c e s so fw a t e r s h e d t r a n s f b 珊b a s e do ni m m e r s i o ns i m u l “o n ，n l e nd e s c i i b e st h es o l u t i o nt om eo v e r - s e g m e l l t a t i o n p r o b l e mc a u s e db yw a t e r s h e dt r a n s f o m ，f i n a l l yp r e s e n t sa n e wm e t h o do f e x t m c t i n gb r a i nm a r k e r sa n d e x t r a c t st h ew h 0 1 eb r a i nr e 百o n c h a p t e r4d e s c r i b e st l l ec l a s s i f i c a t i o no fm e d i c a li m a g ev i s u a l i z a t i o n a l g o r i m m ，d i s c u s s e st 1 1 et h e o r i e sa n dc h a r a c t e r i s t i c so fm a r c h i n gc u b e sa l g o r i t h ma n dr a yc a s t i n g “g 嘶m m c h a p t e r5d i s c u s s e sv i s u “i z a t i o nt 0 0 憾ta n dc o n s t r u c t i o np r o c e d l l r eo f3 dv 0 1 u m ed a t a ， a n a l y z e st h ej 瑚p l e m e n t a t i o no f r a yc a s t i n ga l g o r i t h ma n dt h ef a c t o r sa f 话c t i n gr e l l d e r i n gr e s u l t ，f i m l l y p r e s 即t sam e m o do f3 - ds u r f a c ec o n s 乜c t i o n c h a p t e r6s u m m e r i z e st 1 1 em a i nc o n t e mo ft h i st h e s i s ， a n dp o i n t so u tt h es t u d yd i r e c t i o na i m i n ga tt h ep r o b l e m st h a te x i s t si nt h ec u r r e l l tr e s e a r c h k e yw o r d s ：i m a g es e g m e n t a t 岫v i s u a l i z a t i o n ；w a t e r s h e dt m n s f o 咖；o v * s e g r n e i l t a t i 0 1 1 ； m a r c h i n gc u b e s ；r a yc a s 曲吕v t k c j a s s i 6 c a t i o n ：t p 3 9 l 6 独创声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成 果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得 ( 注：如没有其他需要特别声 明的，本栏可空) 或其他教育机构的学位或证书使用过的材料。与我一同工作的同志对 本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名：谢术瘩 导师签字 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，有权保留并向 国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权堂 垄蔓可以将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、汇编学位论文。( 保密的学位论文在解密后适用本授权书) 导师签字 签字日期：2 0 0 ，笞面书 日博邮 一 柑 文 山东师范大学硕士学位论文 第1 章绪论 1 1 图像分割与可视化的研究意义 随着医学影像技术的发展，现代医学己经越来越离不开医学影像的信息处理。医学影 像在临床诊断、教学科研等方面正发挥着越来越重要的作用。利用现代化的医疗设备，如 心电图( e c g ) ，脑电图( e e g ) ，断层扫描成像( c t ) ，核磁共振成像( m r i ) 等，人们可以获 得人体组织的一维、二维、三维或更高维的影像信息。这些信息极大的丰富了临床诊断技 术，帮助医生能够准确地区分病变组织与正常组织，提高了临床诊断的准确性与正确性。 图像分割一直是图像处理领域研究的热点与难点。它是指将原始2 d 或3 d 图像划分为 不同性质( 如灰度，纹理等) 的区域，提取出目标区域，为后续操作提供可靠的依据 1 】。针 对医学图像而言，图像分割是正常组织和病变组织的三维可视化、手术模拟、图形引导手 术等后继操作的基础，分割的准确性对疾病的诊断以及手术治疗计划的制定等具有重要的 影响【”。 由于人体组织结构的复杂性以及设备噪声、场偏移效应、局部体效应【3 】的影响，成像 设备获取的图像不可避免地具有模糊、不均匀等特性。此外，不同个体间的解剖组织结构 还存在着一些差别，这些都给医学图像的分割带来了困难，使医学图像分割成为目前图像 处理与分析领域的一个极具挑战性的课题。 可视化技术已经广泛地应用于工业制造、医疗技术、虚拟现实、科学观察以及电子商 务等诸多领域。在医学领域中，可视化技术是一项利用二维切片序列重建三维图像模型并 进行定性定量分析的技术。它能够从二维图像序列中获取三维结构信息，并且为用户提供 具有真实感的三维医学图像，便于用户从多角度、多层次进行观察和分析，在临床诊断、 手术仿真、引导治疗等方面发挥了重要的作用 4 】。因此，面向医学领域的可视化研究在国 内外得到了广泛的关注。 在临床上，医生通过核磁共振扫描获取的病人胶片信息来检测人体内部组织的病变、 损伤以及软组织的变异，对于大脑的研究也是如此。m r 图像能够提供高分辨率数据，具 有软组织对比度高和信噪比高的优点1 5j 。通过m r j 检测，医生能够从信号强度上观察到软 组织及病变体在解剖学上的大小和形状，并能对软组织损伤及病变进行定位。脑部解剖图 像是临床诊断及功能成像的重要参考，脑部图像的分割能够提取出准确的、可重复的、量 化的病理生理数据，满足不同的生物医学研究和临床应用的需要。三维重建和可视化，则 有助于选择最佳手术路径、减少手术损伤和对临近组织的损害，提高病变体定位精度，完 成复杂外科手术和提高手术成功率。 1 2 国内外研究现状分析 图像分割是计算机图像处理与分析中的一个经典研究问题，其本质问题至今尚未圆满 解决，即现在还没有一个通用而且有效的分割方法能够满足不同目的的需要，也不存在一 个判断分割是否成功的客观标准6 1 。这一问题在医学图像分析中显得尤为突出。医学图像 脑部m r 图像分割与可视化研究 是反映人体生物组织的复杂图像，信息量大，组织器官形状不规则、个体之间的差异性以 及不同医学图像成像模式的成像特征等诸多因素使得一般的图像分割方法对医学图像的处 理效果并不十分理想，尤其是脑部图像。 关于医学图像的分割，目前已经作了大量的研究，这些工作大多集中在以下几个方面 【7 l ： 1 ) 提高算法的自动化程度【8 9 】，排除或尽可能减少人工干预。 2 ) 降低算法的复杂性，提高其执行速度【l l 幢 。医学图像的数据量一般很大，算法越复 杂，提取的特征越多，计算量就越大，对计算机的存储量、计算精度、计算速度等性能的 要求就越高，导致其在实际应用中受到定的限制。 3 ) 提高算法的分割精度口。这是医学图像分割领域一直受到关注的课题，医学组织 的多样性、形状不规则性以及个体之间的差异性导致分割结果的精度受到很大影响。因此， 在现有的基础上进一步提高算法的分割精度是目前许多研究者一直致力解决的问题。 4 ) 提高算法的鲁棒性【1 4 ”j 。算法鲁棒性是指算法的稳定性，即在一定参数条件下能够 维持稳定分割结果的性能，它是医学图像分割中还没有得到很好解决的问题。由于深受个 体不定因素，如图像模式、特征参数、计算方法、阈值设置、分析步骤、初始化处理、人 为因素等的影响，要在图像分割中获得非常好的鲁棒性是非常困难的。 医学图像可视化的目的是辅助医生了解生物内部组织的信息，因此，可视化要突出特 定诊断所需要的信息，忽略无关信息。目前，医学图像可视化的两种主要技术是面绘制和 体绘制。面绘制的基本思想是提取感兴趣物体的表面信息，利用绘制算法根据光照、明暗 模型等进行消隐和渲染后得到显示图像，代表算法有m a r c h i n gc u b e s 算法、d i v i d i n g c u b e s 算法等。体绘制将数据场中的体素看成一种半透明物质，并赋予其一定的颜色和阻 光度，由光线穿过数据场，进行颜色合成，代表算法有光线投射法【1 7 】、投影成像法等。面 绘制通过对物体的表面进行拟合而忽略内部信息，因此绘制速度较快；体绘制需要对数据 场中的每个体素进行处理，能够保留体素的细节信息，但由于处理数据量比较大，并且不 能灵活地改变外部光照及视角，这样每一次变化都意味着整个绘制过程需重新开始，因此 绘制与交互速度较慢，不适于实时要求较高的场合【l 引。近年来，随着计算机性能的不断提 高，三维医学图像的体绘制算法也渐趋流行，国内外很多学者从不同角度提出了体绘制的 加速算法，使体绘制的速度有了明显的提高，表现出了很大的发展潜力。 目前，医学图像可视化技术的研究主要有以下几个趋势： 1 1 提高图像可视化质量，如提高等值面的光滑程度、改进插值算法等旧2 0 】。 2 ) 加快可视化速度。医学图像数据量大，直接体绘制算法计算量大，耗费时间长，绘 制速度较慢，因此快速体可视化是目前的一个重要研究方向【2 0 】。 3 ) 三维图像内部信息的可视化研究，如开窗操作、切片提取等【2 “。 1 3 本论文所做的主要工作和章节安排 脑部图像分割是医学图像处理的重要内容，本论文选用水线算法作为脑部图像分割的 工具，基于脑部图像的灰度分布特点，提出了一种标记提取方案。首先根据图像的灰度分 2 山东师范大学硕士学位论文 布获取目标区域的阈值，并选用r o b e r t s 算子计算梯度图像，然后检测梯度图像中位于两闽 值之间的极小值点，以这些极小值点作为标记点进行水线变换。实验结果表明，该方法能 够较好地将脑部图像分为各个标记区域，并且将脑部作为一个连通的区域提取出来。 医学图像可视化的目的是显示器官组织的三维信息，速度和绘制精度是制约其应用的 瓶颈。本文在概述了医学图像可视化的原理之后，对影响光线投射法绘制速度与绘制精度 的几个因素进行了试验，试验表明，插值方式、采样步长、阈值大小等对绘制结果都有很 大的影响。等值面绘制算法是医学图像可视化的重要方法之一，因其绘制交互速度快而经 常被采用。通常，根据经验来设定等值面闽值进行绘制，以显示感兴趣的区域。本论文根 据对已有图像数据的统计信息，在基于图像组织分类的前提下利用o t s u 算法获取各类组 织的灰度均值作为等值面阈值，同依靠经验设定阈值相比较，更能考虑不同组织的灰度分 布及不同成像设备的成像特点。在v t k 中的重建实例表明，该方法的重建结果表面更平滑， 包含信息更丰富。 本论文共分六章，具体安排如下： 第一章是绪论，简要介绍了图像分割与可视化的研究意义，然后对当前国内外的研究 现状进行了简要分析，并给出了本论文的创新之处。 第二章首先简要介绍了图像分割的基本概念，然后概述了图像分割的各种方法及其优 缺点，最后总结了当前医学图像分割方法的主要发展趋势。 第三章首先介绍了数字图像处理的一些基本概念，然后讨论了基于浸没模拟水线变换 的算法原理及实现过程，并对水线变换引起的过分割问题的相应解决方案进行了阐述，最 后提出了一种脑部图像标记的提取方案并应用于水线变换，实现了脑部连通区域的提取。 第四章首先简要介绍了医学图像可视化算法的分类，然后分别讨论了m a r c h 缸gc u b e s 算法和光线投射法的绘制原理，并总结了算法的特点。 第五章首先介绍了可视化工具包v t k ，并给出了v t k 中3 一d 体数据的重构过程，然 后对光线投射法的相关实现及影响绘制结果的几个因素进行了研究，最后提出了一种医学 图像的3 d 表面重建方法。 第六章是总结和展望，总结了本论文所做的主要工作，并针对所作的研究当中存在的 问题指出了进一步的研究方向。 脑部m r 图像分割与可视化研究 2 1 图像分割概述 第2 章医学图像分割方法研究 多年来人们对图像分割提出了多种不同的解释和表述，借助集合概念可对图像分割给出如下 比较正式的定义【2 2 】： 令集合月代表整个图像区域，可将分割看作将尺分成 个子区域r 。，足，兄的过程： u g = r t = 1 冠是一个连通的区域，f - 1 ，2 ，n 。 足n 胄，= 中，对所有的f 和，辞，。 p ( r ) = 豫匠，江l ，2 ，n 。 ( 9 尸( 月u r ) = 剐l 譬e ，f ，。 其中，p ( r ) 是定义在集合足上的逻辑谓词，中代表空集。 条件说明分割是完全的，即每个像素必须属于一个区域。条件要求区域中的点必须与某 个预定义的准则相联系。条件说明不同区域必须是不相交的。条件涉及在分割区域内的像素 必须满足一定的性质，例如，如果所有r 内的像素具有相同的灰度级，则p ( 足) = 豫旧。条件 说明区域足和曰对于谓词尸是不同的。 图像分割是低级计算机视觉中最基本、最重要的研究内容，是成功进行图像分析、理解与描 述的关键技术，因为图像分割的结果直接影响后续的图像分析、对象识别等操作。医学图像处理 中使用的分割方法同般的图像分割方法没有本质的区别。 2 2 图像分割算法分类 医学图像分割的研究多年来一直受到人们的高度重视，分割算法也层出不穷，对于医学图像 分割算法的分类依据也不统一，下面分别阐述使用不同理论方法的分割算法。 2 2 1 阈值分割 图2 - l 图像分割方法( a ) 闽值分割方法( b ) 区域生长( c ) 分类 阈值分割是最常见的、并行的直接检测区域的分割方法。如果只选取一个闽值称为单阂值分 割，它将图像分为目标和背景两大类；如果选取多个阈值进行分割称为多阂值方法，图像将被分 4 山东师范大学硕士学位论文 割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度 图像的一种假设：目标或背景内的相邻像素间的灰度是相似的，但不同目标或背景的像素在灰度 上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰。如图2 一l ( a ) 所示，选取的阈 值应位于两个峰谷处，从而能将各个峰分开。 阈值分割优点是简单，同时对于不同种类物体的灰度值或其他特征值相差很大时，它能很有 效地对图像进行分割。阈值分割通常作为预处理，在其后应用其他一系列方法进行处理，它常被 用于c t 图像中皮肤、骨骼的分割。其缺点是不适用于多通道图像和特征值相差不大的图像，对 于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题，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不考虑图像的空间信息，阈值分割对噪声和 灰度不均匀很敏感，因此不适用于超声等医学图像的分割【4 1 。 2 2 2 区域生长 区域生长方法的基本思想是，将具有相似性质的像素集中起来构成区域，该方法需要先选取 一个种子点，然后依次将种子像素周围的相似区域合并到种子像素所在的区域中，如图2 1 ( b ) 所示。区域生长方法基于预定义的准则从图像中提取某个区域，可以基于图像的灰度信息或者纹 理信息等。区域生长的一种简单情形如下：通过人工设定种子点，然后从图像中将所有与种子点 灰度值相同的像素点提取出来。这种方法的关键在于种子点的位置、生长准则和生长顺序。 与阈值分割类似，区域生长方法很少单独使用，通常与其它的分割方法一起使用。区域生长 方法的优点是计算简单，特别适用于分割小的结构，如肿瘤和伤疤。缺点是它需要人工交互以获 得种子点，因此使用者必须在每个需要抽取的区域中植入一个种子点。同时，区域生长方法对噪 声敏感，导致抽取的区域含有空洞，或者在局部体效应的情况下将原本分开的区域连接起来。为 了克服这些缺点，j f m a n 百n 等提出一种同伦的( h o m o t o p i c ) 区域生长方法，以保证初始区域和最 终抽取的区域的拓扑结构相刚”l 。另外，模糊连接理论与区域生长相结合也是一个发展方向 2 4 。 2 2 3 分类器 分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用已知的训练样本集在图 像的特征空间找到一维点、二维曲线、三维曲面或高维超曲面，实现对图像的划分，图2 1 ( c ) 给 出了利用二维直线将两个类别分开的情形。分类器是一种有监督的统计方法，它需要手工分割得 到的样本集，作为对新图像进行自动分类的参考。分类器又分为非参数分类器和参数分类器。最 简单的分类器形式是最近邻分类器，每个像素根据训练数据，具有最接近灰度值的像素点归为一 类。五近邻分类器是这一类分类器的一般形式，像素根据k 种最接近的形式进行分类。另一个 分类器是p a r z e n 窗，它依据预定义的窗口内进行投票来确定。这两种分类器都不需要参数，因 此不需要对图像的统计特征进行任何假设。参数分类器的代表是贝叶斯分类器，它假定图像的密 度函数符合高斯独立分布。 分类器算法有两个优点：不需要迭代运算，因此计算量相对较小。能应用于多通道图像。 标准分类器需要待分割结构具有可被区分的特征，因为训练数据是已经作好标记，分类器能够将 这些标记应用到新数据上，只要特征空间足够大能够区分出每个标记即可。分类器的一个缺点在 脑部m r 图像分割与可视化研究 于分类器不考虑空间模型特征，对灰度不均匀的图像分割效果不好；另一个缺点是需要人工交互 以获取训练数据，导致耗时较长，并且训练数据不考虑不同对象之间解剖结构和物理上的差异， 在对大数据集进行分割时会导致错误的分割结果。 2 2 4 聚类算法 聚类算法不需要训练样本，是一种无监督的统计方法。它通过不断地分割数据和进行特征归 纳来完成最终的分割，即通过对现有数据的自身学习来完成特征的归纳。从某种意义上说，聚类 是一种自我训练的分类，其中，墨均值、模糊c 均值、e m 算法和分层聚类方法 25 是常用的聚 类算法。k 均值聚类算法将输入作为维向量，而不需要该数据集的任何先验知识。算法处理 之后，将产生置个独立的非空子集，每个子集中的不同点降低到最低。在将子集内部的不同点 降低到最低的过程中，该算法在所有子集之间也会产生最大的差异。模糊c 均值算法从模糊集合 理论的角度对k 均值算法进行的推广。五m 算法把图像中每一个像素的灰度值看作几个概率分布 ( 一般看作高斯分布) 按一定比例混合，通过优化基于最大后验概率的目标函数来估计这几个概率 分布的参数和它们之间的混合比例。 聚类算法不需要训练集，但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。另一方面，聚类算法也没有考虑空间关联信息，因此对噪声和灰度不均匀比较敏感。 2 2 5 随机场模型方法 随机场模型方法用概率模型来描述纹理特征，它把纹理的灰度信息看作随机数据，通过统计 运算估计纹理模型的参数，一般采用的参数估计方法有最大似然估计、最小二乘估计等。这种方 法通常对图像采用分块处理，在每个分块中估计模型参数，然后对一系列的模型参数进行聚类， 形成和纹理类型数一致的多组模型参数，根据估计的模型参数对灰度图像进行逐点的最大后验概 率估计，确定像素点及其邻域情况下该像素点最可能归属的概率。常用的模型有胁m d v 、g f 6 撕口6 j 模型两种。 马尔科夫随机场是一种考虑空间像素点之间空间关联的统计学方法，它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的灰度值看作具有一定概率分布的随机变量。m 矿模 型能够区分不同的纹理分布，特别适用于纹理图像的分割。膨r f 模型应用的难点在于选取合适 的参数，控制空间相关性的强度，强度过强将导致分割图像的边缘过度平滑，从而丢失一些重要 的解剖细节信息。另外，应用m r ，模型的算法计算量很大，根据这些方法提出的解决图像分割 的方法是由最大后验概率准则推导得出的，为了减少计算量而不得不简化模型的假设前提而得到 次优解。g 西胁模型通过集簇势能的概念，可以通过局部的计算获得全局性的结果。 随机场模型的一个困难是参数的正确选择，另外，随机场模型的计算量非常大。 2 2 6 人工神经网络 人工神经网络由于其并行性、实时性和分布式存储与处理带来的系统冗余能力等优点，使它 在模式识别、图像处理等领域受到了广泛的重视。 山东师范大学硕士学位论文 人工神经网络是由模仿生物学习的大量并行节点构成的网络，每个节点都可以执行基本的运 算，节点之间的权值可以通过学习进行不断调整。人工神经网络是机器学习的范例，能够应用到 图像分割的很多方面2 ”。在医学图像处理中，人工神经网络可用作分类器，节点之间的权值可 通过训练数据获得，然后应用到图像分割中。在聚类算法以及形变模型中，也可以运用人工神经 网络来完成分割。把人工神经网络引入到图像分割中，可大大提高图像分割的实时性和对噪声的 鲁棒性。 人工神经网络中存在巨量的连接，所以很容易引入空间信息。但是使用目前的串行计算机去 模拟人工神经网络的并行操作，计算时间往往达不到要求。并且，人工神经网络需要大量的训练 样本集，但收集这些样本在实际中是非常困难的。 2 2 7 形变模型 形变模型提供了一种高效的图像分析方法，它结合了几何学、物理学和近似理论的相关方法。 该类方法通过使用从图像数据获得的约束信息和目标的位置、大小及形状等先验知识，可有效地 对目标进行分割、匹配和跟踪分析口”。从物理学角度看，可将形变模型看成一个在施加外力和 内部约束条件下自然反应的弹性物体。形变模型分为两大类：参数形变模型和几何形变模型。基 于参数形变模型的分割过程就是使模型在外能和内能的作用下向物体边缘靠近，外力推动轮廓曲 线运动，而内力保持轮廓的光滑性。几何形变模型方法通过利用曲线演化理论来实现，轮廓对应 于一个更高维曲面的演化函数的零水平集，演化函数可用某种形式的偏微分方程来表示，通过利 用图像信息来控制曲面演化过程的停止。 形变模型的主要优点是能够直接产生闭合的曲线或曲面，并对噪声和伪边界有很强的鲁棒 性；缺点是对初始边界位置十分敏感，有时还要求人工选择合适的参数【2 9 】。 2 2 8 图谱引导 图谱引导方法是利用已有标准模板对医学图像进行分割，当有大量标准图谱或样本可用时， 它是一种有效的医学图像分割方法。图谱是通过对大量的相同解剖部位的医学图像整理得到的， 图谱引导分割就是用模板作参考对新的该解剖部位的图像进行分割 3 0 】。图谱引导分割主要用于 脑部矗缎图像的分割。另外，图谱引导分割可以方便地用作形态学特征的分析。 图谱引导分割的优点是在分割的同时，分割出来的每一类对应的解剖部位也惟一确定了，但 是考虑到人体解剖结构的千差万别，完全用简单的映射关系来对所有的图像进行分割，在实现上 是很困难的。 2 3 医学图像分割算法的发展趋势 由于医学图像结构的复杂性与多样性，要想选择一种算法能够解决所有的分割问题是不现实 的。往往是针对某一特定问题，选择一种或几种算法结合起来完成图像的分割。当前图像分割算 法的发展趋势表现在以下几个方面： 2 3 1 提高算法的分割精度 脑部m r 图像分割与可视化研究 这是医学图像分割领域一直关注的一大难题，分割结果的好坏会影响后续步骤的操作。不正 确的分割结果如果应用于可视化，则得到的绘制结果不是人们所期望的。分割精度越高，图像绘 制的耩度就越高。因此，在现有的基础上进一步提高算法的分割精度是目前许多研究者一直致力 解决的问题。 2 3 2 提高算法的自动化 医学图像分割经历了一个从人工分割到半自动分割最后到自动分割的发展过程。早期的人工 分割是从医学图