醫(yī)學(xué)圖像分割方法綜述

《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