（模式识别与智能系统专业论文）医学影像分割算法平台的设计与实现.pdf

医学影像分割算法平台的设计与实现 摘要 医疗诊断设备极大地提高了人类获取自身信息的能力，推动了现代医学的 发展。这些设备获得的信息主要以图像的形式存在，因此对这些图像的处理就 成了充分发挥其效果的关键。由于其成像方式的共同特点，我们把这些来自各 种医疗诊断设备的图像统称为医学影像。 随着科技的发展，在医学影像技术研究的各个领域都出现了很多新方法， 本文主要针对医学影像处理中的分割算法，设计与实现了医学影像分割算法平 台，其目的在于：为分割算法的研究人员提供一个算法集成的平台以避免重复 工作：为工程技术人员提供一个接口统一、灵活易用的算法包；为医务人员提 供一个选择多样、简单易用的应用程序。 本文首先概要介绍了医学图像、以及医学图像分割的特点，然后介绍了医 学影像分割平台的总体框架设计及设计准则，最后重点描述了各个分割算法包 及其插件的设计与实现。本文主要有如下贡献： 1 ) 应用设计模式的思想，提出了一种开放的、统一的分割算法开发包设计 框架： 2 ) 实现了部分主流分割算法。目前分割算法包中提供的分割算法主要有： f a s tm a r c h i n g 算法、l e v e ls e t 算法、l i v ew i r e 算法、种子点生长算法、交 互式分割算法和阈值分割算法； 3 ) 实现了部分分割插件。分割算法包为用户提供了一个开发包，而与其相 对应的分割插件则为分割过程提供了一个用户界面和人机交互平台。目 前分割算法平台主要提供了与分割算法开发包中的分割算法相对应的 分割插件： 目前，医学影像分割算法开发包已经被集成在我们实验室近期研发的集成 化医学影像算法平台m i t k ( m e d i c a li m a g et o o l k i t ) 中；与分割算法包相对应的分 割插件也集成在了三维医学影像处理平台3 d m e d 中，它们都已经在i n t e m e t 网 上面向国内外免费发行，相关科研人员可以下载并进行二次开发。 关键词：医学图像，图像分割，算法开发包，插件 一 垦兰墅堡坌型墨鲨兰鱼塑堡生兰塞翌 a b s t r a c t t h em e d i c a li m a g e e q u i p m e n th a sg r e a t l yi n c r e a s eh u m a n b e i n g sa b i l i t yt og a i n i n f o r m a t i o no f t h e m s e l v e s ，a n di ta l s op u s ht h ei m p r o v e m e n to fm o d e mm e d i c i n e t h ei n f o r m a t i o nt h e s ee q u i p m e n t sa c h i e v e di s m a i n l ys t o r e da si m a g e s ，t h u sh o wt o p r o c e s st h e s ei m a g e sb e c o m e sak e yp r o b l e m b e c a u s eo ft h e i rc o m m o nw a y so f i m a g i n g ，w ec a l l a l lt h ei m a g e sc o m i n gf r o mav a r i e t yo fm e d i c a l e q u i p m e n ta s m e d i c a l i m a g e s w i t ht h e d e v e l o p m e n to fs i e n c e a n dt e c h n o l o g y ，t h e r e e m e r g em a n yn e w m e t h o r d si ne v e r yf i e l do ft h em e d i c a li m a g er e s e a r c h t h i sp a p e rm a i n l ya i m sa tt h e s e g m e n t a t i o n m e t h o r do fm e d i c a l i m a g ep r o c e s s i n g t h ea u t h o rd e s i g n a n d i m p l e m e n t t h es e g m e n t a t i o np l a t f o r mo fm e d i c a li m a g e s t h eg o l ao ft h ep l a t f o r mi s t o ：p r o v i d ea ni n t e g r a t e dp l a t f o r mf o rr e s e a r c h e r st oa v o i dr e d u n d a n tw o r k ；p r o v i d ea f l e x i b l et o o l k i to fu n i t e di n t e r f a c ef o rt h ee n g i n e e r s ；p r o v i d ea na p p l i c a t i o np r o g r a m f o rt h ed o c t o r ss ot h a tt h e yc a nc h o o s et h es e g m e n t a t i o nm e t h o r d t h e yw a n t a tt h ef i r s t l y t h ep a p e rg i v eab r i e fi n t r o d u c f i o nt ot h ec h a r i c t i s t i c so fm e d i c a l i m a g e a n dt h ed i f f e r e n c eb e t w e e nt h es e g m e n t a t i o no fm e d i c a li m a g e sa n dt h eg e n e r a l i m a g e s t h e nt h ep a p e rd e s c r i b e sh o w t h ef a m e w o r ko ft h ep l a t f o r mi sd e s i g n e da n d t h ed e s i g np r i n c i p l e s a tt h ee n d ，t h ep a p e re m p h a s i z eo nt h ei m p l e m e n t a t i o no fe a c h t o o l k i ta n dt h e i rp l u g i n t h ep a p e r sc o n t r i b u t i o ni s ： 1 ) p u t f o r w a r da no p e na n du n i t i e df r a m e w o r kf o rs e g m e n t a t i o nt o o l k i tb y a p p l y i n gs e v e r a ld e s i g np a t t e m s ； 2 )i m p l e m e n t s o m e s e g m e n t a t i o na r i t h m e t i c s t h e ya r e ，f a s tm a r c h i n g m e t h o r d ，l e v e ls e tm e t h o r d ，l i v ew i r em e t h o r d ，r e g i o ng r o wm e t h o r d ， i n t e r a c t i v em e t h o r da n dt h r e s h o l dm e t h o r d 3 )i m p l e m e n ts o m es e g n a e n t a t i o np l u g i n s w h i l et h es e g m e n t a t i o nt o o l k i t p r o v i d e sat o o l k i t f o rt h ec l i e n t s ，t h es e g m e n t a t i o np l u g i np r o v i d e sa w i n d o wa n dau s e ri n t e r f a c ef o rt h ec l i e n t s t h ep a p e ri m p l e m e n t st h e s e g m e n t a t i o np l u g i n sa c c o r d i n gt ot h es e g m e n t a t i o nm e t h o r d sp r o v i d e d b y t h es e g m e n t a t i o nt o o l k i t t h es e g m e n t a t i o nt o o l k i to fm e d i c a li m a g e sh a sb e e ni n t e g r a t e di nt h em e d i c a l i m a g et o o l k i t ( m i t k ) w h i c h i sd e v e l o p e db ym yl a b ；t h ep l u g i n sa r ea l s oi n t e g r a t e d i nt h e3 d m e dp l a t f o r m b o t ho ft h e ma r en o wp u b l i s h e do nt h ei n t e r n e t r e l a t e d s c i e n t i t s t sc a nd o w n l o a df o rf r e e k e y w o r d s ：m e d i c a li m a g e ，i m a g es e g m e n t a t i o n ，t o o l k i t ，p l u g i n l l 独创性声明 本人声明所成交的论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，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。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地说明并表示了谢意。 签名：越 导师签名 日期：出z = ， 关于论文使用授权的说明 本人完全了解中国科学院自动化研究所有关保留、使用学位论文的规定， 即：中国科学院自动化研究所有权保留送交论文的复印件，允许论文被查阅和 借阌：可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段 保存论文。 ( 保密的论文在解密后应遵守此规定) 签名：邀导师签名：逻终日期：，! ! 兰12 兰一 第一章引言 第一章引言 1 1 医学影像处理与分析的产生 自伦琴1 8 9 5 年发现x 射线以来，医学的诊断方式发生了翻天覆地的变化。 x 射线透视设备的诞生，使我们能够以无创的方式探察物体( 包括人体) 的内部。 1 9 6 8 年，英国工程师h o u n s f i e l d 成功设计出计算机辅助大脑扫描器 ( c o m p u t e r a s s i s t e d b r a i ns c a n n e r ) ，可以产生清晰的大脑断层扫描图像。计算机 辅助大脑扫描器奠定了现代断层摄影术( t o m o g r a p h y ) 的基础，它的出现带动 了整个影像技术发生了全面根本性的改变。七十年代，c t 技术在医学临床中开 始了成功应用，开创了影像医学的新纪元，使得对人体进行无创检查以及诊断 成为现实。8 0 年代以来，磁共振成像、超声u s 、正电子辐射断层摄像p e t 和 单光予辐射断层摄像s p e c t 等影像技术不断出现并逐步趋向成熟，更使得医学 工作者可以以无创的方式在三维空间上多层次地、多方位地观察人体的生物组 织解剖结构及其病变。 c t 和m r 等成像技术能够获得人体某一断层的影像数据，然后医生通过胶 片进行诊断或者通过显示屏幕进行观察。但是无论是胶片还是屏幕显示，医务 人员所观察到的仍然是二维图像，并且只能以固定方式对图像进行观察，所碍 到的诊断结果带有医生的主观判断，这在很大程度上取决于医生的临床经验。 计算机技术的应用可以改变这种状况。通过图像图形技术，可以对影像数据进 行任意放大、缩小、旋转、对比调整、三维重建等处理，使得医务工作者可以 从多方位、多层次的观察角度对影像数据进行详细的观察，从而辅助医生对病 变体及其它感兴趣的区域进行定性直至准确的定量分析，这无疑对提高影像数 据的利用价值有深远的意义，而且对提高临床诊断的准确性和正确性也大有裨 益。近年来，借助于图形和图像技术，增强医学影像的质量，改善医学影像的 显示方法，分割医学影像的病变区域，从而辅助医生进行诊断和治疗一直是国 内外学者研究和应用的热点，也逐渐的形成了具有特色的一门学科医学影 像处理与分析。 医学影像处理与分析是近几年兴起的新兴学科，如今正是方兴未艾。借助 于图形和图像技术，医学影像的质量和显示方法得到了极大的改善，从而大大 的提高了医学工作者的诊断水平，同时也能为医学培训、医学研究与教学、计 】 医学影像分割算法平台的设计与实现 算机辅助临床外科手术等提供电子实现手段。医学影像处理与分析为医学的研 究与发展提供坚实的基础，具有十分广阔的发展前景和无可估量的应用价值。 基于此，目前世界上也有不少国家的研究机构开始致力于这一领域的研发工作， 并且研究出了一些面向临床的、功能简单的医学影像处理与分析系统。著名的 有麻省理工和卡奈基一梅隆进行的图像引导手术的研究，约翰霍普金斯大学进 行的计算机辅助神经医学方面的研究，纽约州立大学石溪分校的虚拟内窥镜等。 另外，西方主要发达国家在c t 、m r i 等医学成像设备的处理软件方面也取得了 相当的成果。除了通用电气、西门子、东芝等医学成像设备制造商开发的配套 软件产品外，比较成熟的医学影像处理软件包还包括美国宾州大学开发的 3 d v i e w n i x 系统、美国生物动力学研究中心( b i o d y n a m i c sr e s e a r c hu n i t ) 开 发的a n a l y s e 系统、德国汉堡大学开发的v o x e l - m a n 系统等。这些系统虽然仅 能提供少数有限的临床所需的功能，但在临床研究中已经发挥了重要的作用。 我国人口众多，医疗和诊断水平的高低直接关系到我国十几亿人口的切身 利益，提高我国的医疗水平势在必行。我国的医院在过去十多年间，引进了大 批先进的医学成像设备，对提高诊断水平起了重要的积极作用。但由于多方面 的原因，大多数医学影像设备通常只配置一部打印机或x 光胶片作影像记录， 医生通过肉眼观察仪器屏幕的图像进行诊断，一方面由于图像质量不好，另一 方面一些医生缺乏临床经验和专业知识，诊断水平仍令人堪忧。如何利用医学 影像处理与分析技术来改善临床诊断的方法，提高临床诊断的准确率在我国十 分重要而迫切。 1 2 医学影像相关研究的内容简介 医学影像生成 医学影像的生成包括从影像设备获取生数据，以及采用某种重构算法将数 据转化为图像的两个过程。医学影像的数据获取不同于光学图像的数据获取手 段，目前医学影像数据的获取基本上是通过以下主要途径：磁共振成像m r j 、 电子计算机断层扫描摄影c t 、 数字血管减影d s a 、正电子放射层析成像技术 p e t 、和单光子辐射断层摄像s p e c t 、x 射线和超声成像等。 医学影像获取 从影像设备获取医学图像是进行各种处理以及存储、管理等的基础。国外 医学影像设备生产厂商出于商业垄断性考虑，均对设备产生的影像数据进行了 2 第一章引言 加密处理，使得数据不具备开放性，而且这些厂商一般不提供解密方法，对数 据的处理必须使用厂商提供的软硬件，从而使得医学研究人员在研究和应用方 面受制于影像设备的生产商。因此，在对影像数据进行富有成效的后处理工作 前，必须解决影像数据的计算机获取问题。d 1 c o m ( d i g i t a li m a g i n ga n d c o m m u n i c a t i o n si nm e d i c i n e ) 是医疗设备的国际标准通讯协议，目前国外的医疗 设备厂商一般都以许可证方式提供符合d i c o m 标准的医疗设备，以解决不同厂 商的各种医疗设备的互联问题。 医学影像预处理 医学影像数据在计算机上实现无误读取后，如何从中提取我们所关心的数 据并实现数据的计算机显示是该学科的另外一个关键问题。图像预处理技术对 影像数据进行各种处理，以期得到最好的显示效果。常用的预处理技术有滤波、 增强、恢复、插值，以及缩放、旋转、平移等几何变换技术。 医学影像配准 医学图像配准是指对于一幅医学图像寻求一种( 或一系列) 空间变换，使 它与另一幅医学图像上的对应点达到空间上的致。这种一致是指人体上的同 一解剖点在两张匹配图像上有相同的空间位置。配准的结果应使两幅图像上所 有的解剖点，或至少是所有具有诊断意义的点及手术感兴趣的点都达到匹配。 几幅图像信息综合的结果称作图像的融合( i m a g ef u s i o n ) 。从方法上来说，主要有 两种：刚性配准，弹性配准。 医学影像分割 在医学应用中，图像分割具有特殊的重要意义。图像分割是提取医学图像中 特殊组织的定量信息的不可缺少的手段，它也为三维可视化实现提供基础数据。 常用的分割方法有：基于闽值的图像分割、基于模糊连接度的分割、交互式图 像分割、基于二元特征的分割、基于主动轮廓或形变模型的分割等 2 】。针对不 同种类的医学图像和待分割对象的特点，可以选择合适的分割方法。 医学影像三维可视化 医学图像的三维可视化就是指利用一系列的二维切片图像重建三维图像模 型并进行定性、定量的分析。该技术可以从二维切片中获取三维的结构信息， 而且为医生提供更逼真的显示手段和定量分析工具。三维医学图像可视化技术 作为有力的辅助手段能够弥补影像成像设备在成像上的不足，便于医生从多角 度、多层次地观察图像，并且能够使医生有效地参与数据的处理分析过程，在 辅助医生诊断、手术仿真、引导治疗等方面都可以发挥重要的作用a 3 医学影像分割算法平台的设计与实现 医学影像分析 在对医学图像分割和可视化的基础上，可以提取出对临床应用有用的定量信 息。定量信息通常以参数形式表示，最简单的分析技术是直接基于切片显示的 测量。在二维图像中可以测量距离、面积、角度，并统计密度分布( 如均值、 方差和中值等) 。在显示的三维模型基础上可测量两点阃距离、曲线长度、角度、 表面积和体积等。在基本的特征提取和测量操作基础上，可以进行更深层次的 解剖结构和生理现象的测量分析，如运动分析、结构形态分析和功能分析等。 医学影像存储与管理 影像存档及通讯系统( p i c t u r ea r c h i v i n g a n dc o m m u n i c a t i o n s y s t e m ，p a c s ) 是 由医学图像采集、大容量数据存储、图像显示和处理、数据库管理及局域或广 域的影像传输网络等部分组成。其主要功能主要是完成数字化成像设备产生的 图像的网络传输、数字化存储和管理、医学影像的在线查询调取和软拷贝( 工 作站屏幕) 显示。其发展趋势是取代现在使用的各种胶片，导致“无胶片影像医 院”及“无胶片影像室”的出现，并通过小型p a c s 影像传输网络即时将图像和诊 断传送给医院有关科室，使影像诊断科对其他科室的服务模式进入一个新纪元， 1 3 医学影像分割算法平台研究与开发的意义 随着医学影像处理技术的发展，近年来，在上述各个领域都出现了很多新 的算法，为将各种算法加以集成，为用户提供一个统一的平台，我们实验室研 发了m i t k ，而本文的工作是它的部分，主要侧重于医学影像研究中的分割部 分，其意义及目标如下： 是m i t k 的重要组成部分 m i t k ( m e d i c a l i m a g i n gt o o l k i t ) 是我们实验室近期研发的集成化的医学影 像处理与分析算法平台，它的特点是： 1 ) 在一个统一的框架里面实现了医学影像处理与分析的三大研究领域的算法， 包括医学影像分割、医学影像配准以及三维可视化，而国际上相同类型的平 台如v t k 和i t k 均只实现了一部分功能，并且它们还具有完全不同的框架 和风格。 2 1m i t k 是专门针对医学影像这一特定领域的，遵循“小而精”的原则，对一 些重要算法作了特定的优化，支持新的c p u 指令集s s e 的优化以及新的显 卡中的g p u 的利用。 为了最大限度地使m i t k 得到使用，其在i n t e r n e t 上面向国际免费发行，相 4 第一章引言 关科研人员可以免费地下载并在自己的科研工作中进行二次开发。本文所 提供的分割算法开发包是m i t k 的重要组成部分。 对于算法研究人员的意义 对于各大高校以及研究院中对分割算法进行研究、改进的人员来说，研发 分割算法平台的意义及目标在于： 1 ) 搭建研究平台，减少重复工作 分割算法开发包提供了一些基本的算法和数学运算，分割算法研究人员可以 在此基础上，对算法进行改进，或直接利用算法开发包提供的基本算法，而 不必将过多经历花费在前期算法平台的搭建上； 2 ) 提供一个开放的平台，集成算法 分割算法开发包被包含在m i t k 中，在l n t e m e t 上面向国内外免费发行，世 界各地的科研人员可以自由下载，并遵循m i t k 和分割算法开发包的开发准 则，通过重载部分基类的方法，将自己的分割算法加入到分割算法包中，为 以后的研究工作打下基础： 对于工程技术人员的意义 对于应用分割算法开发包来编写自己的应用程序的工程技术人员来流，分 割算法开发包 1 ) 提供了一个接口统一、灵活易用的算法包 对于比较复杂、需要多个类协作完成的算法，分割算法包在内部遵循统一 的接口原则，为他们提供了个统一的封装。工程技术人员不需要过多了 解算法的数学原理及相关类在算法开发包内部的组织情况，便可以直接应 用算法包。 对于医务工作者的意义 对于医院中的医生或医学院的学生来说，他们主要是应用带有人机交互界 面的分割平台，来完成各种分割任务。对于这类人员来说，医学影像分割算法 平台 1 ) 提供了一个灵活多样、易学易用的分割平台 医务人员可以根据具体医学影像的需要，选择合适的算法，完成分割任务。 1 4 论文的主要内容和组织 医学影像分割通常是三维可视化、虚拟现实技术、图像引导手术的预处理 步骤和基础，更是医学影像处理与分析系统应用的瓶颈，因此，本文首先介绍 5 医学影像分割算法平台的设计与实现 了一下医学图像分割的特点以及常用的医学图像分割方法，然后其体阐述了医 学影像分割平台的设计与实现。作者的主要工作有以下三部分： 1 ) 应用设计模式的思想，提出了一种开放的、统一的分割算法丌发包设计 框架； 任何一个软件或系统的框架设计都是至关重要的，它关系剑软件的生命 力，及软件总体质量的好坏。本文结合各种设计模式，为分割算法开发 包设计了一种开放的、接口统一、易于扩充、模块间保持较大相对独立 性的框架； 2 ) 实现了部分主流分割算法； 目前分割算法包中提供的分割算法主要有：f a s t m a r c h i n g 算法、l e v e ls e t 算法、t i v ew i r e 算法、种子点生长算法、交互式分割算法和阅值分割算 法。所提供的分割算法还很有限，有待继续充实： 3 ) 实现了部分分割插件： 分割算法包为用户提供了一个开发包，而与其相对应的分割插件则为分 割过程提供了一个用户界面和人杌交互平台。目前分割算法平台主要提 供了与分割算法开发包中的分割算法相对应的分割插件； 论文的组织结构如下：第二章主要从医学应用的角度阐述了医学图像分割的 特点及常用的医学图像分割方法；第三章介绍了分割算法平台的总体设计，主 要包括两部分，分割算法开发包的设计和分割插件的设计；第四章具体论述各 个分割算法的实现，主要包括四部分，理论概述、算法包的实现、插件的实现 和实验结果；最后章归纳和总结本文的主要贡献，并且提出了下一步研究工 作的重点和展望。 6 第二章医学影像中的图像分割 第二章医学影像中的图像分割 图像分割是计算机视觉领域的经典难题。对医学图像进行分割，由于作为 分割对象的医学图像的复杂性，如噪音、场偏移效应、局部体效应等，具有很 大的难度。因此现在还没有通用的分割理论，没有哪种方法适合所有图像的分 割，人们提出的各种分割方法都具有一定的针对性，结合具体问题的特点进行 分割【4 5 。因此在本章中，将首先分析医学图像分割的特点，然后介绍几种常 用的医学图像分割方法。 2 1 医学图像分割的特点 医学图像包括从c t 、p e t 、s p e c t 、m r 、超声及其它医学影像设备所获得 的图像，相对于其他图像，医学图像分割有其自身的特点： 2 1 1 医学图像的特点 由于医学图像的成像原理和机体本身的特性差异，医学图像与普通图像比 较，本质上具有模糊性和不均匀的特点： ( 1 ) 同一种组织的信号强度不是恒定不变和均匀的，往往会出现大幅度的变 化：如骨骼中股骨、鼻窦骨骼和牙齿的密度就有很大差别，从而造成c t 值的不 同；m r 图像由于成像过程中不均匀的射频场 d a w a m1 9 9 3 和其他因素 s i m m o n s 1 9 9 4 l u d e k e1 9 8 5 也会造成灰度不均匀( i n h o m o g e n e i t i e s ) 。 ( 2 ) 出于在m 融成像过程中脉冲编码方向上梯度磁场的不断变化，造成了 图像在脉冲编码方向的伪影( a r t i f a c t s ) 。c t 设备由于成像技术的原因也会产生 较严重的伪影和噪声信号。而人体内部组织的蠕动等生理现象也可能导致伪影 的产生和边缘模糊。 ( 3 ) 在不同组织的边界上的成像单元中常常同时包含两种物质，使得边界体 元的信号强度受到影响，这种现象称为局部体效应。它会导致不同组织的边缘 被模糊，拐角及区域间的关系都难以精确地描述。 ( 4 ) 通常在病变情况下会出现正常组织器官没有的结构，如脏器表面的肿 物，骨骼表面的骨刺。由于缺乏对病变的先验知识，而且由于病变对周围组织 的侵袭，病变的边缘也难以明确界定。 7 医学影像分割算法平台的改计与实现 2 1 2 医学图像分割的特点 由于诸如噪音、场偏移效应、局部体效应等的影响，获取的医学图像不可 避免的具有模糊、不均匀性等特点。另外，人体的解剖组织结构和形状复杂， 而且入与入之问有相当大的差别。因此，医学图像分割是一项困难的任务，经 过研究人员多年的努力，至今仍然没有获得圆满的解决。传统的分割技术或者 完全失败，或者需要一些后处理技术从分割结果中去掉无效的对象边界。 我们认为，医学图像分割问题的研究有四个显著的特点，其思想始终贯穿 于本文的研究工作中： f 1 ) 人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图 像取得令人满意的分割结果，因而人们在继续致力于将新的概念，新的方法引 入图像分割领域的同时，更加重视多种分割算法的有效结合，近几年来提出的 方法大多数是结合了多种算法的。采取什么样的结合方式才能体现各种方法的 优点，取得好的效果成为人们关注的问题，这可以说是近年来人工智能领域中 综合集成的方法论在图像分割领域的体现。 ( 2 ) 医学图像的分割需要利用医学中的大量领域知识，如心室的大致形状， 颅内白质和灰质的含量和相对位置关系等等。t i n a k a p u r 将分割可用的医学领域 知识归纳为四种 k a p u t1 9 9 9 ：一是图像中不同对象的灰度分布情况，二是不同 影像设备的成像特点，三是对象的形状特征即解剖知识，四是不同对象间的空 间几何关系。根据知识的不同表示方式，通常将基于知识的分割方法分为基于 规则的方法和基于模型的方法。本文提出的分割方法主要用到了前两种先验知 识。另外，各种成像技术都有其优势与不足，同一成像技术( 如m i u ) 采用不 同的扫描参数则可突出不同的组织特性，因此在医学图像的分割中，可以将同 一对象的多种影像数据融合起来加以利用，以提高算法的准确性。 ( 3 ) 医学图像分割通常采用三维分割的方式。这是因为一般的图像中仅仅具 有二维数据，即三维景物通过摄像机或其它成像设备得到的二维投影，而医学 图像中则直接给出了以二维切片形式组织的三维数据，这就为三维分割提供了 可能。有两种三维分割方式：一种是直接在三维数据空间中分割，提取出感兴 趣对象包含的体素；另一种是对每张二维切片独立进行分割，再将每张切片中 提取的轮廓组合起来用于三维重建。 f 4 ) 医学图像分割面向具体的临床应用，分割算法的准确性将影响诊断结果 8 第二章医学影像中的图像分割 和治疗方案，因此算法的准确性尤其重要。图像分割一直是一个经典难题，目 前的自动分割方法虽然在一些方面取得了一定的成功，但还远远不能满足医学 图像处理的实践中对分割结果准确性的要求。因而，近年来由用户参与控制、 引导的交互式分割方法在医学图像分割中正受到越来越多的关注 l u o1 9 9 9 1 。交 互式分割方法的研究中有两个基本的目标，一是要能为用户提供对分割过程的 有效控制，使用户能在必要的时候方便地干预及影响分割的过程，从而保证分 割的准确性。二是要使用户必须干预的次数和每次干预的时间尽可能少，既要 发挥人的判断力，又要充分利用计算机的运算性能，从而使分割方法具有实用 性。交互式图像分割方法主要包括：手工分割；基于种子点的区域分割方法； 交互式边缘检测和形变模型方法。由于医学图像的数据量通常较大，手工分割 的任务量相当繁重，而且分割结果与操作者的经验很有关系，结果不具有可重 用性，其应用受到一定的限制。 2 2常用的医学图像分割方法 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是 互相不交叉的，每一个区域都满足特定区域的一致性。从处理对象角度来讲分 割是在图像矩阵中确定所关心的目标的定位。显然，只有用这种方法把“感兴 趣的目标物体”从复杂的景象中提取出来，才有可能进一步对各个子区域进行 定量分析或者识别，进而对图像进行理解。图像分割可用的特征包括图像灰度、 颜色、纹理、局部统计特征或频谱特征等，利用这些特征的差别可以区分图像 申不同目标物体。 借助集合概念，可将分割定义如下： 定义将一幅图像g ( x ，y ) ( 其中0 芏s 。，o s y 。) 进行分割就是将图 像g ( x ，y ) 按照一定准则划分为不同的不相关联的、非空的子区域g ，g ：，9 3 ， 准则如下： 1 ) u g a x ，y ) = g ( x ，力，即所有子区域的并集组成了整幅图像，不存在不属 芋j 某个子区域的像素。 2 ) 既是连通的区域。对于广义的图像分割，此条件不是必需的。 3 ) g k ( 工，y ) f l g ，( x ，y ) = ，即任意两个子区域不存在公共像素，没有重叠。 4 ) 区域甑满足某种一致性条件。区域内的像素应该是同质的。 显然，同质性准则的选择在很大程度上影响了图像分割的结果，虽常用的同 9 医学影像分割算法平台的设计与实现 质性准则是区域乳内像素灰度的相似性。如果连通性的约束被取消，那么对像 素集的划分就称为分类( c l a s s i f i c a t i o n ) ，每一个像素集称为类( c l a s s ) 。在下 面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。 下面我们主要从医学应用的角度，介绍一些有代表性的图像分割方法，并 分析各种方法的特点和存在问题。现有的文献和书籍中常常对各种分割方法进 行分类，由于从不同的角度可得到不同的分类结果，而且许多分割方法还是多 种简单方法的综合体，另外近来还出现了一些难以按照传统分类标准划分的方 法，本文中我们只按照大致方法进行介绍，而不进行分类。 边缘检测 边缘检测的结果往往作为其它复杂的分割算法的基础。边缘检测方法是人们 研究得最多的方法之一，它试图通过检测包含不同区域的边缘来解决图像分割 问题，基于在不同区域之间的边缘上象素灰度值的变化往往比较剧烈。这类方 法大多是基于局部信息的，一般利用图像一阶导数的极大值或二阶导数的过零 点信息来提供判断边缘点的基本依据。 边缘检测技术可以按照处理顺序分为串行边缘检测以及并行边缘检测。在串 行边缘检测技术中，当前像素是否属于欲检测的边缘取决于先前像素的检测结 果；而在并行边缘检测技术中，一个像素是否属于检测的边缘只与当前像素及 其相邻像素有关，这样可同时对图像中的所有像素进行检测，因而称之为并行 边缘检测技术。 常用的边缘检测方法有： 并行微分算子法 并行微分算予用于检测图像中的灰度变化，通过求一阶导数极值点或二阶导 数过零点来检测边缘。常用的一阶导数算予有梯度算子、p r e w i t t 算子和s o b e l 算子，二阶导数算子有l a p l a c i a n 算子，k i r s c h 算子，以及w a l l i s 算子等非 线性算子 1 。 曲面拟合法 这种方法的基本思想是将灰度看成高度，用一个曲面来拟合个小窗1 2 1 内的 数据，然后根据该曲面来决定边缘点。具体方法有：用曲面来拟合局部窗口 中的数据的方法【6 ，先估计该窗口中的边缘方向，再用该方向上的曲面来拟 合数据，决定边缘点。还有一种用二维三次多项式来拟合小窗口内的图像数 据的方法 7 ，为得到该多项式的系数，先用离散正交多项式的线性组合来拟 1 0 第二：章医学影像中的图像分割 合数据，求得线性组合的系数后再据此得到三次多项式的系数，然后求该多 项式的二阶方向导数，以其过零点来决定边缘点。 边界曲线拟合法 这种方法用平面曲线来表示不同区域之间的图像边界线，试图根据图像梯度 等信息找出能正确表示边界的曲线从而达到图像分割的目的，而且由于它直 接给出的是边界曲线而不像一般的方法找出的是离散的、不相关的边缘点， 因而对图像分割的后继处理如物体识别等高层次分析有很大的帮助。即使是 用一般的方法找出的边缘点，用曲线来描述它们以便于高层次分析也是常被 采用的一种有效方法。 串行边界查找 串行边界查找方法通常是查找高梯度值的像素，然后将他们连接起来形成表 示对象边缘的曲线。串行边界查找方法在很大程度上受起始点的影响，以前 像素的检测结果对下一像素的判断也有较大影响。由于检测到的边缘像素在 实际图像中通常不相邻困难，如何将他们连接起来也是一个问题。另一个问 题是噪声的影响。由于梯度算子具有高通特性，噪声通常也是高频的，因此 可能造成些错误边缘像素的检测。 阈值分割 闽值分割方法选取单个或多个阈值，将图像分为单个或多个目标以及背景为 区分不同目标，还需要对各个区域进行标记。阂值分害4 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阃的灰度值是相似的，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。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。 阈值分割方法的优点是简单易于实现，并且当不同类的物体灰度值或其他特 征值相差很大时，它能很有效地对图像进行分割。对于海量医学图像数据，其 极高的运算速度也是在实际应用中受欢迎的原因之一。 由于只依赖灰度信息，灰度阈值分割方法的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，难以得到准确的分割结果。另外，由于它仅仅考虑了图像的 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。对 于单一阂值的选取问题，其解决方法较为简单，但是对于多目标的图像来讲， 如何选取合适的阈值是基于闽值分割方法的困难所在。至今仍有不少学者针对 该问题进行深入的研究，提出了许多新方法。 医学影像分割算法平台的设汁与实现 区域增长 区域增长有两种方式，一种是先给定图像中要分割的目标物体内的一个小块 或者说种子区域，再在种子区域的基础上不断将其周围的象紊点以一定的规则 加入其中，达到最终将代表该物体的所有象素点结合成一个区域的目的，另一 种是先将图像分割成很多的一致性较强，如区域内象素灰度值相同的小区域， 再按一定的规则将小区域融合成大区域，达到分割图像的目的，后者也成为区 域分裂与合并法。典型的区域增长法如t i n g c h u e n p o n g 等人提出的基于小方面 f f a c e t ) 模型的区域增长法 8 。区域增长法固有的缺点是往往会造成过度分割， 即将图像分割成过多的区域。但是，作为一种经典的分割方法，区域增长方法 广泛应用在各种新近提出的分割方法中 9 1 0 1 11 1 2 1 3 ，作为这些方法的一部 分与其它算法结合在一起。 在区域分裂合并方法中，输入图像往往先被分为多个相似的区域，然后类 似的相邻区域根据某种判断准则迭代地进行合并。在区域分裂技术中，整个图 像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内 部都是相似的。在区域的分裂合并方法中，先从整幅图像进行分裂，然后将相 邻的区域进行合并。分裂合并方法不需要预先指定种子点，它的研究重点是分 裂和合并规则的设计。但是，分裂可能会使分割区域的边界被破坏。 统计学方法 统计学方法的实质是从统计学的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是具有一定概率分布的随机变量。例如，观察到的噪声 图像是对实际物体做了某种变换并加入噪声的结果： g = ( h ( f ) ) 0 n( 3 1 ) 其中f 表示实际景物，h 表示涂污( b l u r ) ，中为非线性变换，表示噪声， o 表示加入噪声的方式，可以是加性噪声，乘性噪声等。由( 3 1 ) 式的变换可见， 从f 得到g 是难一的，但反过来从g 得到，却是典型的没有唯一解的结构不良 问题。因此，要从观察到的图像中恢复实际物体或正确分割观察到的图像，从 统计学的角度看，就是要找出最有可能即以最大的概率得到该图像的物体组合 来。从贝叶斯定理的角度看，就是要求出具有最大后验概率的分布。 基于随机场的方法是类考虑空间像素点之间空间关联的纯粹统计学方法， 如基于马尔科夫随机场( 啪旺) 方法以及基于吉布斯随机场( g r f ) 的方法。 使用m r f 模型进行图像分割需要解决的问题包括：邻域系统的定义；能量函数 的选择及其参数的估计；极小化能量函数从而获得最大后验概率的策略。m r f 1 2 第二章医学影像中的图像分割 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，过强将导致对分 割图的边缘过度平滑，从而丢失一些重要的解剖细节信息。另外，应用m r f 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办法是由最大后验概 率准则( m a p ) 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。 标记法( 1 a b e l i n g ) 是较常用的一种基于统计学的方法，这种方法就是将图像 欲分割成的几个物体各以一个不同的标号来表示，对图像中的每一个像素，用 一定的方式赋予其中一个标号，标号相同的像素就组成该标号所代表的物体。 另一种较常用的基于统计学的方法是混合分布法，这种方法把图像中每一 个像素的灰度值看作是几个概率分布( 一般用g a u s s i a n 分布) 按一定比铡的混 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。 分类和聚类 分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用己知的 训练样本集在图像的特征空间找到点( 1 d ) 、曲线( 2 d ) 、曲面( 3 d ) 或超曲面 ( 高维) ，实现对图像的划分。用分类器进行分割是一种有监督的( s u p e r v i s e d ) 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。 分类器又分为两种：非参数( n o n p a r a m e t r i c ) 分类器和参数( p a r a m e t r i c ) 分类 器。典型的非参数分类器包括k 近邻( 融心) 以及p a r z e n 窗( 一种投票分类器) 。 它们对图像数据的统计结构没有要求。参数分类器的代表是b a y e s 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：( 1 ) 不需要迭代 运算，因此计算量相对较小；( 2 ) 能应用于多通道图像。但是分类器同样没有考 虑空间信息，因此对灰度不均匀的图像分割效果不好。 聚类算法与分类器算法极为类似，只是它不需要训练样本，因此聚类是- - , e e 无监督的( u n s u p e r v i s e d ) 统计方法。因为没有训练样本集，聚类算法迭代地进行 图像分类并提取各类的特征值。从某种意义上说，聚类是一种自我训练的分类。 其中，k 均值、模糊c 均值( f u z z yc m e a l l s ) 、e m ( e x p e c t a t i o n m x i m i z a t i o 曲和分 层聚类方法是常用的聚类算法。k 均值算法先对当前的每一类求均值，然后按新 均值对像素进行重新分类( 将像素归入与均值最近的类) ，对新生成的类再迭代执 行前面的步骤。模糊c 均值算法扶模糊集合理论的角度对k 均值算法进行了推 广。e m 算法把图像中每一个像素的灰度值看作是几个概率分布( 一般用g a u s s i a n 分布) 按一定比例的混合，通过优化基于最大后验概率的目标函数来估计这几 1 3 医学影像分割算法平台的硬计与实现 个概率分布的参数和它们之问的混合比例。分层聚类方法通过一系列连续合并 和分裂完成，聚类过程可以用一个类似树的结构来表示。聚类算法不需要训练 集，但是