（计算机软件与理论专业论文）图像分割算法研究及其在孤立肺结节诊断中的应用.pdf

重庆大学硕士学位论文中文摘要 摘要 医学图像分割算法的研究是医学图像处理永恒的话题，是一个多学科交叉的 研究领域，它涉及数字图像处理、计算机图形学以及医学领域的相关知识。在 诊断医学、手术规划及模拟仿真、整形及假肢、外科放射治疗规划解剖教学等 方面都有重要应用。医学图像的分割结果直接关系到医疗诊断和治疗的效果。 因此对医学图像分割技术的研究具有重要的学术意义和应用价值。 本文对医学图像分割的理论方法和技术进行了深入研究。首先对医学图像分 割的方法进行了综述，然后深入研究了肺部c t 图像分割算法的关键技术。围绕 肺结节计算机辅助诊断这一课题，本文的研究工作主要包括以下几个方面： 1 ) 研究了现有的医学图像分割算法，并对现有的医学图像分割算法进行了对比， 并编码实现了区域生长法、k 均值聚类法、松弛迭代法等几种常用的医学图 像分割算法，最后分析了各种方法的优缺点。 2 ) 在分析了现有方法的基础上，利用二维s h a n n o n 熵和遗传模拟退火算法，提 出了一种改进的阈值分割方法。 3 ) 把阈值分割方法应用到肺部c t 图像，实现了r o i ( 感兴趣区域) 区域的自动提 取。主要经过以下几个步骤：图像预处理。用阈值分割方法对肺部c t 图像进行二值化。进行形态学运算。进行边缘检测。进行8 一邻域标记。 利用“三四”原则提取肺实质，对不完整的肺实质进行补偿。提取出r o i ( 感 兴趣区域) 区域。 4 ) 实现一个肺部c t 图像标注系统，用于对肺部c t 图像中的结节进行标注，为 肺结节计算机辅助诊断系统的分类器提供训练数据。 5 ) 实现一个肺结节计算机辅助诊断系统，用于辅助医生进行诊断。 论文最后对上述方法进行了实验验证，实验的结果表明，本文所提出的方 法是有效的，在一定程度上解决了肺结节的计算机辅助诊断问题。 关键词：医学图像分割，计算机辅助诊断，孤立肺结节，遗传模拟退火算法 重庆大学硕士学位论文 英文摘要 a b s t r a c t t h er e s e a r c ho na l g o r i t h m sf o rm e s c a li m a g es e g m e n t a t i o ni sa m u l t i d i s c i p l i n a r y s u b j e c t s e g m e n t a t i o nm e t h o d s a r e w i d e l yu s e d i n d i a g n o s t i cm e d i c i n e ，s u r g e r y p l a n n i n ga n ds i m u l a t i n g , p l a s t i ca n da r t i f i c i a ll i m bs u r g e r y ，r a d i o t h e r a p yp l a n n i n g ，a n d a n a t o m yt e a c h i n g i m a g e ss e g m e n t a t i o ni sa ni m p o r t a n tp r o c e s so fi m a g ea n a l y s i s s os t u d yo nt h es e g m e n t a t i o no nm e d i c a li m a g e sh a si m p o r t a n ts i g n i f i c a n c et o s c i e n c ea n dw o r t h i n e s si np r a c t i c a la p p l i c a t i o n s t h ec o m p u t e ra i d e dd i a g n o s i so fs p n sp r o b l e mi ss t u d i e di nt h i st h e s i s n em a i n a s p e c t so f r e s e a r c hi n c l u d e ： f i r s t ，f o u rs e g m e n t a t i o na l g o r i t h m sf o rm e d i c a li m a g e sa r ea n a l y z e di n t h i s d i s s e r t a t i o n a n dt h e s es e g m e n t a t i o na l g o r i t h m sa l er e a l i z e d t h e nt h ea d v a n t a g ea n d d i s a d v a n t a g eo f e a c hm e t h o da r ep r e s e n t e d s e c o n d ，an e wh y b r i da l g o r i t h m ，n a m e da sr e m e m b e r e dg e n e t i cs i m u l a t e d a n n e a l i n ga l g o r i t h m i sp r o p o s e d t i l i sa l g o r i t h mi sd e s i g n e db yc o m b i n gg e n e t i c s i m u l a t e da n n e a l i n ga l g o r i t h ma n dm a x i m u me n t r o p yt h e o r y t h i r d ，at h r e s h o l ds e g m e n t a t i o nm e t h o di sa p p l i e dt os e g m e n tl u n gc ti m a g e s a u t o m a t i c a l l y t h i sp r o c e s sc o n s i s t so ff o l l o w i n gs t e p s ：f i l t e r i n gt h ei m a g e s b i n a r i z i n g t h ei m a g e sb yc r e a t i n gt h et h r e s h o l dv a l u c s ，u s i n gt h em o r p h o l o g ym e t h o do nt h eb i n a r y i m a g e , u s i n gt h ee d g ed e t e c tm e t h o do nt h eb i n a r yi m a g e ，u s i n gt h e8 - n e i g h b o r h o o d l a b e la l g o r i t h mt ol a b e lt h ec o n n e c t e dc o m p o n e n t so f t h eb i n a r yi m a g e ，u s i n gt h er u l e s t oe x t r a c tt h ep u l m o n a r yp a r e n c h y m a ，m e n d i n gt h ep u l m o n a r yp a r e n c h y m ai f n e c e s s a r y , e x t r a c t i n gt h er e g i o n so f t h ei n t e r e s t ( r o i ) f o u r t h ，as y s t e mi si m p l e m e n t e df o rl a b e l i n gt h es p n sr e g i o n si np u l m o n a r yc t i m a g e s i tc a nh e l pt og e tt h et r a i n i n gd a t a s e tf r o mm e d i c a le x p e r t s f i 胁，ac o m p u t e r - a i d e dd i a g n o s i s ( c a d ) s y s t e mf o rs p n si sa c h i e v e d a tt h ee n do ft h i s d i s s e r t a t i o n ，e x p e r i m e n t sa r ec a r r i e do u tt oe v a l u m et h e p e r f o r m a n c eo ft h em e t h o d sa b o v e t h ee x p e r i m e n t a lr e s u l t ss t r o n g l ys u p p o s e dt h e f e a s i b i l i t yo ft h e s em e t h o d s a n dt h e yc a ns o l v et h ep u l m o n a r yc a dp r o b l e mi na c e r t a i ne x t e n t 。 k e y w o r d s ：m e d i c a li m a g es e g m e n t a t i o n ，c o m p u t e r - a i d e dd i a g n o s i s ， s o l i t a r yp u l m o n a r yn o d u l e s ，g e n e t i cs i m u l a t e da n n e a l i n ga l g o r i t h m i i 独创性声明 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，也不包含为获得重麽太堂 或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本 研究所做的任何贡献均己在论文中作了明确的说明并表示谢意。 学位论文作者签名：1 习促签字日期：2 0 。7 年占月2 乒日 学位论文版权使用授权书 本学位论文作者完全了解重麽太堂有关保留、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。本人授权重庞太堂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() ，在年解密后适用本授权书。 本学位论文属于 不保密( ) 。 ( 请只在上述一个括号内打“”) 学位论文作者签名：) 习俊 导师签名： 签字日期：2 u 0 7 年岁月2 午日 蛔1 重庆大学硕士学位论文1 绪论 1 绪论 1 1 医学图像处理概述 现代医学离不开医学图像信息的支持。可视化技术在医学科研与教学、临床诊 断中均有极重要的应用，现代医学发展迫切需要加强对医学图像的处理和可视化 技术的研究。 先进的成像技术在医学上的广泛应用极大地提高了医疗服务的质量。医学影像 技术的应用已经覆盖了临床活动的各个方面。各种医学影像反映的信息模式可以 归结为解剖结构信息和生理功能信息两大类。各种医学成像模式如x 光( x 光照相 术) 、c t ( x 线计算断层扫描) 、m r i ( 核磁共振) 、d s a ( 数字减影血管造影) 、p e t ( 正 电子发射断层扫描) 、s p e t ( 单光子发射断层扫描) 、u l t r a s o n i ci m a g i n g ( 超声成 像) 、e n d o s c o p e s ( 内窥镜) 、d i h s ( 组织切片的数字照相) 、t h e r m a li m a g i n g ( 热成像) 、 m i c r o g r a p h ( 显微镜) 等提供了丰富的人体2 d 3 d 4 d 医学图像。这些医学图像描述了 人体各种器官组织结构病灶等实体的2 d 3 d 的静态信息，甚至是4 d 的随时间变化 的动态信息，为医生做出准确的诊断和精确的治疗方案提供了条件。 医学成像设备在医院和研究机构的广泛应用使医学图像数量大增。对图像常规 的分析方法是放在灯箱上仔细观察二维灰度胶片，显然其应用不仅限于此。目前 医学成像的作用已经远远地超出了对解剖结构的可视化观察和检查，已经成为手 术计划、手术模拟、术间导航、放射治疗、计划病情进展跟踪、计算机辅助手术 等的一种重要工具。例如，弄清楚解剖结构的确切形状位置和组合情况使得外科 医生可以在做人体手术之前设计出对目标结构的最佳手术方案；在放射治疗中医 学成像可以帮助控制放射剂量在足以杀死肿瘤的同时对健康组织的损害最小。作 为医学图像分析中的重要部分，图像分割在大量的医学影像应用中起着重要的作 用，比如组织体积的定量【1 1 、诊断【2 】、病灶的定位【3 1 、解剖结构的研究嗍、治疗【5 1 、 功能成像数据的部分容积校正【6 】以及结合计算机技术的外科手术【_ 日晡】等方面。图像 分割质量的好坏直接影响到图像分析的最终结果。 1 2 医学图像分割的重要意义 医学图像分割是高层次图像理解和解释的前提条件。在医学上的应用范围很 广，常成为应用中的瓶颈问题。它的应用包括： 1 ) - - - - 维可视化 医学图像的分割可用于创建三维表面模型来对病人解剖结构进行可视化。这样 我们可以得到解剖结构任意角度的视图，相对于原始的二维断层图像是一个提高。 重庆大学硕士学位论文 1 绪论 2 ) 体积测量 在对解剖结构正常或病态状态下的研究中需对其体积进行测量，由于从无法视 觉上准确测量解剖结构的体积，分割必不可少，例如：精神分裂症中体积测量可 用于量化病人神经结构的变化。目前使用手动分割得到准确测量是一个很耗时的 过程。 体积测量也可用于诊断如射血分数的测量。射血分数指在一次心跳中心脏左心 室泵出的血液率，它是心脏及其泵血能力健康状态的一个指标，通过分割一个心 跳周期中不同时刻左心室血液测量射血分数。 3 ) 解剖结构的形状表示 对形状的量化表示可用于数学上描述解剖结构的特征。这样做的第一步便是分 割因为要研究形状。我们要知道结构的位置和它的边沿。 4 ) 图像导引的外科手术 为了切除大脑肿瘤或者进行困难的活组织切片检查，医生必须选择复杂的手术 路径，以避免对像血管大脑的功能区等敏感和重要组织造成伤害。手术前，我们 可以结合术前的m r 或c t 切片和病人解剖结构的三维表面模型进行路径规划和可 视化。手术时，对术中产生图像的实时分割可用于量化地监督手术的进行。 5 ) 解剖结构随时间变化的检测 对感兴趣区域的分割可用于对随时间变化图像进行量化比较，如：多发性硬化 症，它随时间而变化。神经变化的准确测量可以帮助我们更好理解这种疾病。 1 3 国内外研究现状 在过去的二三十年间医学图像分析经历了很大的发展。从最初被视为将模式识 别和计算机视觉的技术应用于一组新的数据集，到由于问题的特殊性而作为一门 新学科发展，伴随于此医学图像分割新方法层出不穷，从简单的阈值技术到基于 数学模型的最优化方法；从二维图像到三维图像，并在实际中有了大量的应用。 由于人体解剖结构的复杂性，组织器官形状的不规则性，个体之间的差异性，以 及不同医学成像模式的成像特征，一般的图像分割方法对医学图像的处理效果并 不理想，医学图像分割是有针对性的。没有哪一种分割方法对所有的图像模式都 适用，对某种特定模式的图像来说这些方法也并不全部有效。为一种类型的图像 设计的分割方法可能不适合分割另一种类型的图像。使用一种分割方法往往不可 能得到一个完全有效的结果。为了改善图像分割性能有时要组合使用几种分割方 法。 目前医学图像分割还处于一种半自动的水平，还没有一种完全自动的图像分割 工具。长久以来，医学图像分割一直停留在人机交互的水平上，费时费力，分割 2 重庆大学硕士学位论文 1 绪论 结果受人为因素的影响很大。因此，自动图像分割一直是医学图像处理的研究重 点。如何解决手动分割的局限性和自动分割的复杂性一直是医学图像分割的两个 难点。 手动图像分割是让解剖结构专家在医学图像中手工描绘出不同结构的边界，然 后提取出所要的解剖结构区域信息。这是一个工作量非常大，甚至令人厌烦的过 程。典型地，由约1 0 0 幅2 5 6 * 2 5 6 大小断层图像组成的具有良好软组织对比度的m r i 体积图像大约有6 5 0 万个体素。此外手动分割因专家的不同其分割结果存在很大差 异，甚至同一个专家在不同的时间和不同的状态下，对同一幅图像的分割结果也 会有很大差异。这些差异表明手动分割不适合分割精度要求很高的情况，比如： 神经科学研究等这就要求有一种重复性好，高效率高精度的自动图像分割方法。 自动图像分割对可重复性要求较低，因为所采用的许多算法都是决定性的算 法。一旦确定，对同一幅图像来说其分割结果就确定了。重复计算得到的结果不 会有变化。关键在于如何有效地描述和使用有关的解剖结果，以及获取断层图像 的不同成像过程等专业知识。这些专业知识是专家经过长期广泛的训练积累而成 的，对图像的自动分割非常重要。对专业知识的描述和使用是最具有挑战性的。 因为解剖结构在形状上和外观上都是非常复杂的，并且因人而异。形状复杂性是 指解剖结构不具有规则的几何形状，如：直线、园、方块等。外观复杂性是指由 于成像模式的特性使得解剖结构不同的组织在图像中可能表现出相同的灰度，比 如：在梯度反射m r i 中，头皮和白质这两种不同的组织都表现出中等灰度。甚至由 于成像设备引起的变形使得同一个组织在图像的不同区域也可能表现出不同的灰 度，比如：在m r i 中，由于射频的非均匀性，图像中一个区域的自质可能显得比 另一个区域的白质亮得多。 在实际应用中，我们一般要求分割算法具有很强的鲁棒性，但目前鲁棒性问题 还没有很好的解决。由于深受各种不定因素，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。由于没有唯一的标准来解释图像分割中存在的 不确定性和产生的噪声，应用不同的方法得到的结果往往不大相同。如何提高图 像分割算法的鲁棒性就成为医学图像分割中要解决的一个问题。经验表明图像分 割的结果还强烈依赖于人们对客观事物的先验知识。 1 4 本文的主要研究内容 本文主要开展了如下几个方面的研究工作： 1 ) 研究了现有的医学图像分割算法，并对现有的医学图像分割算法进行了对 比，得到各自的优缺点，并编码实现了几种常用的分割方法。 3 重庆大学硕士学位论文 1 绪论 2 ) 利用遗传模拟退火算法，提出了一种改进的阈值分割方法。 3 ) 把改进的阈值分割方法应用到肺部c t 图像中，自动从肺部c t 图像中提取 出肺实质，对不完整的肺实质进行补偿，在得到完整的肺实质的基础上， 进一步提取出a o i ( 感兴趣区域) 区域。 4 ) 实现一个肺部c t 图像标注系统，用于对肺部c t 图像中的结节进行标注， 为肺结节计算机辅助诊断系统的分类器提供训练数据。 5 ) 实现一个肺结节计算机辅助诊断系统，用于辅助医生进行诊断。 本文共分六章，文章结构及各章主要内容组织如下： 第一章，介绍了医学图像分割算法的背景及研究意义，分析了国内医学图像 分割算法研究的现状及存在的问题。并给出了本文的主要研究内容，最后给出了 本文的整体组织结构。 第二章，介绍主流的医学图像分割算法的算法和思想，在此基础上指出这些 医学图像分割算法的优缺点，并编码实现了其中几个分割算法。 第三章，在总结现有的医学图像分割算法的基础上，利用遗传模拟退火算法 对现有的阙值分割方法进行改进，提出了一种改进的阈值分割方法。并把改进的 阈值分割方法同几种经典的分割算法进行了对比，利用区域间对比度和区域内部 均匀性这两个指标对医学图像分割算法进行评价。 第四章，主要介绍了肺实质和r o i 区域的提取过程，具体介绍了用于提取肺 实质和提取r o i ( 感兴趣区域) 区域的算法，对算法的输入、输出以及算法的思 想和步骤进行了详细的介绍，最后利用本文提出的正确率和覆盖率指标对实验结 果进行评价。 第五章，主要介绍了肺结节计算机辅助诊断系统和肺部c t 图像标注系统的运 行环境以及运行过后的界面。 第六章，总结本文研究工作，提出进一步改进的方向及展望。 4 重庆大学硕士学位论文2 医学图像分割方法 2 医学图像分割方法 在对图像的研究和应用中，人们通常只对图像的某些部分感兴趣，这些部分 称为目标，一般对应于图像的特定区域。为了识别和分析目标，需要将这些区域 分离出来。图像分割就是把图像具有特殊涵义的不同区域区分开来，这些区域是 互不相交的，每一个区域都满足特定区域的一致性。图像分割的定义如下【9 】： 集合i 表示整个图像区域，p 是定义在一个相邻像素集上的逻辑谓词，对图像i 的分割即是把i 划分成这样的一些互不重叠的非空子集( 子区域) 置恐r ，满足： n ( 1 ) u 足= ， l f f i l ( 2 ) 冠是连通的区域，f = 1 , 2 ，万 ( 3 ) 以r 1 ) = t r u e ，i = 1 , 2 ，以 ( 4 ) p ( r ，) = f a l s e ，i ，j = 1 , 2 ，疗，i ，且马胄，是相邻的。 z u c k e r x 寸以上四条总结后认为：第一个条件指出应将图像中的每个像素都分进 子区域，即所有的子区域组成了整幅图像，分割是完全的。第二个条件指出同一 子区域内的像素应是连通的。第三个条件指出分割后得到的属于同一区域的像素 应具有某些共同的特性。第四个条件指出分割后得到的子区域的应具有一些不同 特性，任意两个子区域不存在公共元素。这些条件并不导致分割算法的唯一性， 而是指出了算法的重要方面。 目前各种文献中提到的分割算法大致分为以下几大类【】： ( 1 ) 灰度阙值分割方法利用简单的阈值把图像分割成两个区域。 ( 2 ) 基于区域的分割方法利用区域内特征的相似性把图像划分成一系列有意 义区域的处理方法。 ( 3 ) 基于边缘检测的分割方法利用不同区域间像素灰度不连续的特点检测出 区域间的边缘，从而实现图像分割。 ( 4 ) 基于特定理论的分割方法利用一些特定理论和方法对图像进行分割，例 如数学形态学方法，神经网络方法等等。 医学图像是由器官及其所处的背景组成的。对医学图像进行处理，首先都必 须进行精确的分割，即利用人体器官或病灶特有的性质，将病变的器官从其所处 的背景中提取出来，以便于后期的诊断和治疗。另外，对医学图像的分割需要较 好的实时性，因为医学图像中需要的数据量很大，对处理速度要求较高，所以分 割算法应在保证相当的精度之下尽快完成器官和病灶的分割。图像分割是所有图 5 重庆大学硕士学位论文2 医学图像分割方法 像处理、分析和理解系统的关键技术之一。只有在图像分割的基础上才能对目标 进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。但是，由于 图像分割问题所面向领域的特殊性，而且问题本身具有一定的难度和复杂性，到 目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准。 对于寻求一种能够普遍适用于各种复杂情况的准确率很高的分割算法，还有很大 的搜索空间。 迄今为止，在各种文献中已提出了百余种图像分割的方法，本章概括地将这 些图像分割方法分类，然后介绍这些算法的思想以及在医学图像中的应用【1 0 1 。 2 1 灰度阈值分割方法 阈值法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度 直方图分成几个类，认为图像中灰度值在同一类中的像素属于同一物体。目前， 已有很多阈值分割方法，例如直方图阈值分割、类间方差阈值分割、最大熵阈值 分割、o t s u 阈值分割、用最大相关性原则选择阈值的方法等1 2 】【1 3 】【1 4 】。 1 ) 基于直方图分割 基于图像直方图分析的阙值分割法最直观，应用最普遍。主要是根据图像的 直方图来求出多个门限，然后完成对图像的分割。首先我们要画出图像的直方图， 原始图像是一张肺部c t 图片，如图2 1 所示，原始图像的直方图如图2 2 所示： 图2 1 原始图像( 肺部c t 图片) f i g u r e2 1t h eo r i g i n a li m a g e ( t h el u n gc ti m a g o 图2 2 原始图像的直方图 f i g u r e2 2t h eh i s t o g r a mo f o r i g i n a li m a g e 如加摩銎锦 6 重庆大学硕士学位论文 2 医学图像分割方法 其中( g o ，g 1 ，q 。，q ) 为指定的灰度值，由于处理的都是灰度值为2 5 5 的灰度 图像，因此我们取g 0 为0 ，q 为2 5 5 ，其中厂o ，y ) 表示原始图像，g “j ，) 表示分割 过后的图像。直方图阈值分割法具有简单、直观、速度快的特点。但是医学图像 直方图变换非常丰富，很少表现为明显的多峰。因此直接采用直方图阈值分割法 的分割效果通常不太理想。 2 ) 分水岭算法 分水岭算法【删的思想来源于洼地积水的过程：首先，求取梯度图像；然后， 将梯度图像视为一个高低起伏的地形图，原图上较平坦的区域梯度值较小，构成 盆地，原图上的边界区域梯度值较大，构成分割盆地的山脊；接着，水从盆地内 最低洼的地方渗入，随着水位不断长高，有的洼地将被连通，为了防止两块洼地 被连通，就在分割两者的山脊上筑起水坝，水位越涨越高，水坝也越筑越高：最后， 当水坝达到最高的山脊的高度时，算法结束，每一个孤立的积水盆地对应一个分 割区域。分水蛉算法有着较好的鲁棒性，但是却往往会形成过分割。 2 2 基于区域的分割方法 基于区域的分割方法是利用区域内特征的相似性把图像划分成一系列有意义 区域的处理方法。目前，基于区域的分割方法也有很多，例如区域增长法、分裂 合并法、聚类分割法、松弛迭代分割法等1 5 j f l 6 】【1 7 】。 1 ) 区域生长法 区域生长法的基本思想是将具有相似特性的像素集合起来构成区域。首先为 每个需要分割的区域确定一个种子像素作为生长起点，然后按一定的生长准则把 它周围与其特性相同或相似的像素合并到种子像素所在的区域中。把这些新像素 作为种子继续生长，直到没有满足条件的像素可被包括，这时生长停止，一个区 域就形成了。区域生长法要解决的主要问题是区域生长准则的设计和算法的高效 性。生长准则往往和具体问题有关，直接影响最后形成的区域，如果选取不当， 就会造成过分割和欠分割的现象。区域生长法的优点是计算简单，对于较均匀的 连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可 能导致区域内有空洞。另外，它是一种串行算法，当目标较大时，分割速度较慢， 因此在设计算法时，要尽量提高效率。 2 ) 分裂合并法 分裂合并算法则是先从整个图像开始不断的分裂得到各个区域，再将相邻的 具有相似性的区域合并以得到分割结果。这种方法虽然没有选择种子点的麻烦， 但也有自身的不足。一方面，分裂如果不能深达像素级就会降低分割精度；另一 方面，深达像素级的分裂会增加合并的工作量，从而大大提高其时间复杂度。 7 重庆大学硕士学位论文 2 医学图像分割方法 3 ) 聚类分割法 聚类分割法把图像分割问题看成是对象的分类问题，所以可以使用模式识别 中的模式分类技术。特征空间聚类法进行图像分割是将图像空间中像素用对应的 特征空间点表示，根据它们在特征空阎的聚集对特征空间进行分割，然后将它们 映射回原图像空间，得到分类结果。其中，k 均值、模糊c 均值聚类( f c m ) 是 最常用的聚类算法。k 均值算法先选k 个初始类均值，然后将每个像素归入均值 离它最近的类，并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小 于某一阈值。模糊c 均值算法是在模糊数学基础上对k 均值算法的推广，是通过 最优化一个模糊目标函数实现聚类，它不像k 均值聚类那样认为每个点只能属于 某一类，而是赋予每个点一个对各类的类属度，适合处理事物内在的不确定性。 f c m 算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优 解，提高分割速度。另外传统f c m 算法没有考虑空间信息，对噪声和灰度不均匀 敏感。 4 ) 松弛迭代法 松弛迭代分割法以像素为操作对象( 不仅可以基于灰度值进行，也可基于梯 度值进行) ，借助迭代逐步确定各像素的归类，在每次迭代中，需要用到称为相容 性的准则，根据这个准则松弛迭代法可以分为离散松弛法，模糊松弛法，概率松 弛法等。松弛迭代分割法预先选择一种分割方案，然后通过迭代运算，逐步逼近 最佳分割结果的一种分割技术。在这种方法中对于每个像素的分类判决可以并行 实现。本次迭代中对于某一像素的分类，要依据其邻域像素和上一次迭代的对应 该点像素情况来确定。 2 3 基于边缘检测的图像分割方法 通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈，这是边缘检 测方法得以实现的主要假设之一。边缘检测方法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。 目前，已有较多的边缘检测方法，如c a n n y 算子、彩色梯度算子、二维二进 小波算法、松弛标签技术算法，主动轮廓方法、多尺度方法、多分辨率方法、边 界曲线拟合法等等。还有一些文献则试图将几种方法结合起来，以取长补短，提 取理想的图像边缘，并藉此对图像进行高品质的分割【l ”j 。 虽然边缘检测的优点是边缘定位准确、运算速度快，但它有两大难点限制了 其在图像分割中的应用，即：不能保证边缘的连续性和封闭性；在高细节区存在 大量的碎边缘，难以形成一个大区域，但又不宜将高细节区分为小碎片。由于上 述两个难点，因此无论采用什么方法，单独的边缘检测只能产生边缘点，而不是 8 重庆大学硕士学位论文 2 医学图像分割方法 完整意义上的图像分割过程。这也就是说，边缘点信息需要后续处理或与其它相 关算法相结合，才能完成分割任务。常见的方法是用边缘生长技术最大程度的保 证边缘的封闭性，或用有向势能函数( d p f ) 将有缺口的两边缘强制连接，得到封闭 边缘图。 2 4 基于特定理论的分割方法 随着各学科许多新理论和方法的提出，出现了许多与一些特定理论、方法相 结合的图像分割技术。 1 ) 数学形态学分割法 数学形态学是一门建立在m i n k o w s k i 和差基础上的学科，它是几何形态学分析 和描述的有力工具。近年来，数学形态学已发展为一种新型的数字图像处理方法 和理论，在边缘检测和图像分割中得到了广泛的研究和应用。它的基本思想是利 用膨胀、腐蚀、开启和闭合四个基本运算进行推导和组合，可以产生各种形态学 实用算法，其中结构元素的选取很重要。腐蚀和膨胀对于灰度变化较明显的边缘 作用很大，可用来构造基本的形态学边缘检测算子( 形态学梯度) 2 4 1 。开启操作可 以去掉被分割图像中小于结构元素的区域，切断大块的区域之间细长的连接带。 闭合操作可以消除区域中的小孔，弥合相邻区域之间的缝隙，使两非常接近的非 连通区域成为连通的。基本的形态学算子简单，易于实现，但对噪声敏感，适用 于噪声较小的图像。 通常形态学操作并不独立使用，而是作为分析系统的一种手段或一个步骤。 如i p l l r 等对w e l l 分类器的分割结果用形态学处理以去掉连接的非脑成分。v e r a r d 等使用数学形态学工具和区域生长算法进行区域分割，以得到活动轮廓线模型的 初始值。 2 ) 基于模糊理论的分割方法 模糊理论具有描述事物不确定性的能力，适合于图像分割问题。近年来，出 现了许多模糊分割技术，在图像分割中的应用日益广泛。目前，模糊技术在图像 分割中应用的一个显著特点就是它能和现有的许多图像分割方法相结合，形成一 系列的集成模糊分割技术。例如模糊聚类、模糊阈值、模糊边缘检测技术等 2 5 1 1 2 棚。 3 ) 基于人工神经网络的分割方法 基于人工神经网络的分割方法主要是利用神经网络模拟生物特别是人类大脑 的学习机理，并能概括所学内容。它由大量的并行节点构成，每个节点都能执行 一些基本计算。人工神经网络方法分割图像的思想是用训练样本集对神经网络进 行训练以确定节点间的连接和权值，再用训练好的神经网络分割新的图像数据， 这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空问信息， 9 重庆大学硕士学位论文2 医学图像分割方法 能较好地解决图像中的噪声和不均匀问题。 选择何种网络结构是这种方法要解决的主要问题【2 7 】。目前主要采用多层前馈 n n ，多层误差反传( b p ) n n ，自组织n n ，h o p f i e l dn n 以及满足约束的n n 。b l a n z 和g i s h 用一个三层前馈n n 进行图像分割。输入层神经元数等于每个像素输入的特 征数，输出层神经元数等于分类数，通过训练网络便可对图像进行分类和分割。 b a b a g u c h i 等人用一个多层b p 网来门限化一幅图像。该n n 的输入是图像的直方图。 输出是期望的门限。 g h l o h 利用自组织n n 的模糊集理论，通过极小化系统模糊度，修正网络权值 来分割目标及背景。这一分割方法的优点是即利用了n n 的实时性和鲁棒性，又利 用了模糊判断克服图像中边界信息的不确定性。y a hz h u 等用h o p f i e l d 神经网络实 现了m r i 中的脑部肿瘤边缘的自动检测，他们先选一个初始层对其作低通滤波器去 噪声，再用腐蚀和膨胀算子进行肿瘤的初始边界探测，最后，再用h o p f i e l d 神经网 络基于初始边界作自动探测，它的输出准确地定出了肿瘤的边缘。 也还可采用人工神经网络模型中的联想记忆来进行异常组织的识别。m r 图像 的异常组织检测工作一直为放射科医生所关注，其定性分析通常由有经验的放射 科医生目测确定感兴趣区( r 0 1 ) ，定量处理使用计算机运用数字图像处理技术来实 现。m r 图像中的病变部分是组织实质结构的变异。不同病例中病变的大小、位置、 形状与周围组织的对比度等方面都有很大的区别。统计学噪声、系统噪声以及部 分体积效应会使检测工作复杂化。由多幅正常的m r 图像构成联想存储器。当把一 幅新的m r 图像输入时。它所包含的一些该联想存储器不具备的特征经过运算作为 系统的输出，从而达到识别导常组织的目的。 4 ) 基于知识的分割方法 医学图像的识别特别需要掌握解剖和病理细节的知识，以及获取方法等。有 时仅仅认识也不够。对于反差小的物体的识别需要专家，这不可避免使识别过程 带有个人的色彩。因此不管系统是全自动还是半自动的都需要某些类型的知识。 因此，随着人工智能技术的发展，出现了基于知识的医学图像分割方法它包含两 个方面的内容：归纳及提取相关的医学知识和图像处理知识，建立知识库；有效 地利用知识实现图像自动分割。 n a z i f l e v i n 提出了一种基于规则的图像分割的方法。该方法将基于区域和基 于边界的图像分割方法表示为产生式规则，存入知识库中，系统的控制策略也以 产生式规则表示。控制规则按一定的顺序调用知识库中的分割规则，完成对原始 图像的分割。a t a np d h a w a n 提出了一种模型驱动”的医学图像分割理解方法。该 方法通过低级分割，中级特征提取，高级匹配及反馈三个阶段完成腹部c t 图像的 分割和理解。谢逢等在归纳提取人脑解剖结构知识的基础上，以框架为主要知识 l o 重庆大学硕士学位论文2 医学图像分割方法 表示手段，构造了与视点无关的人脑三维知识模型。在模型知识的指导下采用智 能光线跟踪方法提取和显示脑内各主要解剖结构。 基于知识的医学图像分割显示方法将人工智能技术与图像处理相结合，在图 像分割中引入专家知识，较好地解决了医学图像的自动分割问题，是一种很有前 途的新方法。 重庆大学硕士学位论文3 基于遗传模拟退火算法的图像分割 3 基于遗传模拟退火算法的图像分割 3 1 遗传模拟退火算法 3 1 1 遗传算法的基本原理 它最早由美国m i c h i g a n 大学的j o l l i lh o l l 锄d 教授在7 0 年代提出，8 0 年代由g o l d b e c g 瞄喜 式中，x = 【而，而，】r 为决策变量，八幻为目标函数，s t x r 和rc x u 为约 种新的全局优化搜索算法。遗传算法中，将n 维决策向量石= 【而，x 2 ，r 用n 个记 重庆大学硕士学位论文3 基于遗传模拟退火算法的图像分割 反之，适应度越小。 遗传算法中，决策变量x 组成了问题的解空间，对问题最优解的搜索是通过对 染色体x 的搜索过程来完成的，从而所有染色体x 就组成了问题的搜索空间【2 8 】【2 9 1 。 3 1 2 模拟退火算法的基本原理 s a 通过模拟金属退火的机理而寻找全局或近似全局最优解，它是基于m o n t e c a r l o 迭代求解法的一种启发式随机搜索算法，其基本思想是： 随机产生一个初始点x ，以它作为当前最优点，将厂( 功看成该点的内能；用r 类 比温度，让丁遵循，：敢矗) ( 五为迭代次数，五增大，丁则减小) 由某一高温写 2 回 时进行退温，x c 每- - c t ，使x 作随机扰动，得到新的一点，如果厂，则 将y 视为当前点洳果( 曲 八y ) ，则以概率p ：c x p f 丛堕二型1 接受j ，为当前点； l z j 固定r ，反复进行多次类似操作。接收概率p 将服从c d b b s 分布，而该分布告诉我 们，随着r 的减小，系统会收敛于某一能量最小的点，该点可视为八柳的全局最 小点【州。 3 1 3 遗传模拟退火算法的基本原理 虽然理论上已经证明g a 是一种有效的求最优解的方法，然而，单用简单的 g a 在许多情况下并不十分有效，会产生一些不尽人意的问题，这些问题中最主要 的是它容易产生早熟现象、局部寻优能力较差等。而另一方面，s a 、剃度法、爬 山法、列表寻优法等一些优化算法却具有很强的局部搜索能力。 g a s a 就是将g a 和s a 相结合而构成的一种优化算法，是一个双层并行搜索 结构：在逐渐进行降温操作的各温度下串行地依次进行g a 和s a 搜索，其中g a 的进化结果为s a 提供了初始解，而s a 经随机扰动后的结果又成为g a 进一步进 化的新的初始种群。该混合算法结合g a 的并行搜索和s a 的概率突跳性，丰富了 优化中的搜索行为，同时增强了全局和局部意义下的搜索能力和效率3 1 删。 3 2 基于遗传模拟退火算法的二维最大熵阈值法 3 2 。ls h a n n o n 熵的性质及二维最大熵阈值法原理 设工是取有限个值的随机变量，p l = p x = x a ，i = l ，2 ，以，则z 的s h a n n o n 熵 定义为【3 5 】： 1 3 重庆大学硕士学位论文 3 基于遗传模拟退火算法的图像分割 h ( = p f l 0 9 2 i 1 = 一p ，l 0 9 2 p i ( 3 1 ) 扣l，t f f i l 其中，p ，2o p l = l ，并规定当p ，= o 时，p j l 0 9 2 ( 1 p ，) = o ，式( 3 1 ) 的一个 t = 1 重要性质就是等概率场具有最大熵，即日( j ，) l o g ：以，等号当且仅当p ；= l n ， i = 1 , 2 一一成立。上述给出了s h a n n o n 熵的性质，接下来介绍二维最大熵闽值法原 理。 将s h a n n o n 熵的概念应用于图像分割时，依据是使图像中目标与背景分布的 信息量最大。二维最大熵阈值法利用图像中各像素的灰度值分布及其邻域的平均 灰度值分布所构成的二维直方图进行阈值分割，具体过程如下： 设有一副大小为m x n 灰度级为三，( o 本文改进的阈值法( 均值0 7 1 6 7 ) 区域扩张法( 均值0 5 9 5 1 ) 2 ) 对区域内部均匀性的稳定性而言，四种算法的稳定性从好到坏的顺序为： ( 方差越小稳定性越好) 松弛迭代法( 方差6 9 7 4 6 x 1 0 _ 。) 特征空间聚类法( 方差4 8 8 1 7 x 1 0 4 ) 松弛迭代法( 均值0 4 3 4 3 ) 特征空间聚类法( 均值o 0 4 0 0 ) 4 ) 对区域间对比度的稳定性而言，四种算法的稳定性从好到坏的顺序为( 方差 越小稳定性越好) ： 特征空间聚类法( 方差4 3 3 3 3 x 1 0 “) 松弛迭代法( 方差2 3 6 5 6 x 1 0 。) e x p o r t w i z a r d ，如图4 3 ： 重庆大学硕士学位论文 4 肺实质及r o i 区域的提取 图4 3 图像格式转换 f i g u r e4 3i m a g ef o r m a tc o n v e r s i o n 在弹出的对话框中，s o u r c e 下拉列表框中选择a l l p a t i e n t s ，f i l e f o r m a t 项选择 b m p 或j p g ，d e s t i n a t i o a n 项选择al o c a ld i r e c t o r y 。如图4 4 所示： 图4 4 选择导出图像的格式 f i g u r e4 4c h o o s et h ef o r m a to f t h eo u t p u ti m a g e 点击s o u r c e 框下方的