資源描述:
《醫(yī)學(xué)圖像分割方法綜述》由會員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、醫(yī)學(xué)圖像分割方法綜述 摘要:隨著計(jì)算機(jī)技術(shù)的發(fā)展,圖像分割在很多領(lǐng)域都得到發(fā)展并被廣泛應(yīng)用,在醫(yī)學(xué)臨床上的應(yīng)用更是越來越明顯和重要。找到合適的醫(yī)學(xué)圖像分割方法對臨床診斷和治療都具有重大意義。文章針對近年來提出的圖像分割方法進(jìn)行了總結(jié)?! £P(guān)鍵詞:圖像分割;區(qū)域生長;聚類;水平集;圖割 1概述 圖像分割是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的基礎(chǔ)。分割結(jié)果直接影響著后續(xù)任務(wù)的有效性和效率[1]。圖像分割的目的就是把目標(biāo)從背景中提取出來,分割過程主要基于圖像的固有特征,如灰度、紋理、對比度、亮度、彩色特征等將圖像分成具有各自特性的同質(zhì)區(qū)域[2]。醫(yī)學(xué)圖像分割是
2、醫(yī)學(xué)圖像進(jìn)行后續(xù)操作的必要前提,學(xué)者通過大量的研究得到了很多自動快速的分割方法?! ?圖像分割方法分類 醫(yī)學(xué)圖像有各種成像模態(tài),比如CT、MRI、PET、超聲等。由于醫(yī)學(xué)圖像本身的復(fù)雜性和多樣性,如灰度不均勻、低分辨率、弱邊界和嚴(yán)重的噪聲,準(zhǔn)確分割是個(gè)相當(dāng)棘手的問題,分割過程中在目標(biāo)區(qū)域里出現(xiàn)的一些問題都將導(dǎo)致圖像分割結(jié)果不準(zhǔn)確。近年來,眾多圖像分割方法中沒有任何一種算法能適用于所有圖像。圖像分割方法一般是基于圖像的,即利用圖像梯度、亮度或者紋理等就能從圖像中獲得信息進(jìn)而對圖像進(jìn)行分割,主要有聚類法、區(qū)域生長、水平集、圖割等算法?! ?.1聚類法
3、 聚類算法簡單的包括K-Means算法和FuzzyC-Means(FCM)?! -Means算法是基于距離的硬聚類算法,通常采用誤差平方和函數(shù)作為優(yōu)化的目標(biāo)函數(shù),定義誤差平方和函數(shù)如下: 其中,K代表聚類的個(gè)數(shù),Cj(j=1,2,…,K)表示聚類的第j類簇,x表示類簇Cj中的任意一個(gè)數(shù)據(jù)對象,mi表示簇Ci的均值。從公式中看出,J是數(shù)據(jù)樣本與簇中心差異度平方的總和,K個(gè)類聚類中心點(diǎn)決定了J值的大小。顯然,J越小表明聚類效果越好?! -Means算法的核心思想為:給定一組含有n個(gè)數(shù)據(jù)對象的數(shù)據(jù)集,從其中?S機(jī)選取K個(gè)數(shù)據(jù)對象作為初始中心,然后計(jì)算
4、剩余的所有數(shù)據(jù)對象到各個(gè)初始中心之間的距離,根據(jù)最近鄰原則,把所有數(shù)據(jù)對象都劃分到離它最近的那個(gè)初始中心的那一類簇,再分別計(jì)算這些新生成的各個(gè)類簇中數(shù)據(jù)對象的均值,以此作為新類簇的中心,比較新的中心和初始中心的誤差平方和函數(shù)J的大小,上述過程反復(fù)迭代,直到J收斂到一定值算法就結(jié)束,此時(shí)每個(gè)簇中的中心點(diǎn)和均值也不再發(fā)生改變?! uzzyC-Means即模糊C均值,此算法是硬聚類的一種改進(jìn),很適合應(yīng)用于存在不確定性和模糊性的圖像聚類。模糊聚類就是讓數(shù)據(jù)集的隸屬度在[0,1]之間取值,一個(gè)數(shù)據(jù)樣本可能同時(shí)屬于好多類,最后結(jié)果都是通過計(jì)算隸屬度的大小來分類
5、的。該算法類似K-Means,也是先給初始聚類中心,更新一次結(jié)果后再分別計(jì)算各個(gè)類別的聚類中心,還有其他像素點(diǎn)屬于這些聚類中心的隸屬度,然后計(jì)算目標(biāo)函數(shù),直到目標(biāo)函數(shù)收斂到給定值為止?! ?.2區(qū)域生長 區(qū)域生長是一種基于傳統(tǒng)的區(qū)域生長機(jī)制、利用區(qū)域內(nèi)像素的相似性進(jìn)行圖像分割的圖像處理算法。區(qū)域生長的算法思想是,對于給定的區(qū)域,我們選取一個(gè)或者多個(gè)像素作為種子點(diǎn),以4鄰域或8鄰域的方式遍歷種子點(diǎn)周圍的像素點(diǎn),把那些與種子點(diǎn)相似的像素合并到該種子點(diǎn)所在的區(qū)域,接著把那些新加入種子點(diǎn)所在區(qū)域的像素作為新的種子點(diǎn)繼續(xù)進(jìn)行上述過程,直到所有相似的像素都合并
6、到種子區(qū)域?yàn)橹?,這樣區(qū)域生長的過程就完成了并停止生長。區(qū)域生長的特點(diǎn)就是初始化簡單、執(zhí)行速度快,執(zhí)行過程中可以人工參與調(diào)節(jié),終止易控制,適用于灰度均勻的目標(biāo)區(qū)域提取。但是該算法對噪聲敏感,需要人工指定種子點(diǎn),并且對于復(fù)雜圖像很可能產(chǎn)生過分割和欠分割?! ?.3水平集 水平集算法是一種隱式的表示曲線的方法,就是低維目標(biāo)用比它高一維的水平集函數(shù)的零水平集表示,在圖像分割方面主要用于活動輪廓模型的求解。算法的主要思想是將平面閉合曲線隱含地表達(dá)為三維連續(xù)函數(shù)曲面?準(zhǔn)(x,y,t)在?準(zhǔn)=0時(shí)的同值曲線集合,稱為零水平集,?準(zhǔn)=0為水平集函數(shù)。給定水平集函數(shù)
7、滿足的發(fā)展方程,水平集函數(shù)將進(jìn)行演化或迭代,對應(yīng)的零水平集也隨之發(fā)生變化,即三維連續(xù)函數(shù)表示的曲面發(fā)生運(yùn)動,則平面閉合曲線也跟著產(chǎn)生形變,直到曲線演化到理想狀態(tài)就停止?! ?.4圖割 圖割是基于圖論的能量優(yōu)化算法,它在目標(biāo)分割領(lǐng)域應(yīng)用比較廣泛。圖是由邊和頂點(diǎn)組成,在圖割中構(gòu)建的圖有兩個(gè)終端頂點(diǎn):源點(diǎn)S和匯點(diǎn)T,分別表示目標(biāo)和背景。算法的主要思想是將一幅圖像映射到一幅加權(quán)圖上,圖像的像素點(diǎn)看作是圖的普通頂點(diǎn),相鄰像素之間的關(guān)系作為圖的邊,而相鄰像素之間的相似性或差異性作為邊的權(quán)值;每個(gè)像素都會與源點(diǎn)S和匯點(diǎn)T相連,形成另一類邊,表示像素點(diǎn)與圖像目標(biāo)和
8、背景之間的聯(lián)系;設(shè)定能量函數(shù),最后對能量函數(shù)求最小解,此時(shí)就是圖像分割的最優(yōu)解。Boykov和Jolly最先