潘曉航

摘要 隨著影像醫(yī)學在臨床醫(yī)學的成功應用，醫(yī)學圖像分割在臨床診療中起著越來越重要的作用。分割算法的精準性將影響診斷結果和治療方案，本文從醫(yī)學圖像分割幾種常用的方法出發(fā)，結合醫(yī)學圖像的應用，總結了每種方法的優(yōu)缺點，列舉了每種方法的改進算法。最后，進一步闡述了圖像分割技術的發(fā)展趨勢。

[關鍵詞]醫(yī)學圖像分割 醫(yī)學圖像應用 閾值模糊c-均值 活動輪廓模型 人工神經網絡

1 引言

醫(yī)學圖像分割是醫(yī)學圖像處理和分析中的重要步驟，其最終目標是使用一系列特征（如圖像灰度、紋理、顏色以及局部統(tǒng)計特征等）將圖像中“感興趣區(qū)域”提取出來，輔助醫(yī)生診斷、制定治療計劃和進行臨床研究。然而，成像過程中噪音、場偏移效應等因素使獲得的圖像模糊、不均勻，加上醫(yī)學圖像本身對比度低、組織與病灶之間邊界模糊，分割算法的結果受到很大影響?，F(xiàn)存的分割算法都存在一定的針對性和適用性，在臨床治療中，需要針對具體應用領域選擇適當?shù)姆指罘椒ā?/p>

2 常用醫(yī)學圖像分割方法

2.1 閩值法

閡值法是最常見、應用最廣泛的一種分割技術。閾值法基于圖像中目標物體與背景像素灰度的差異性，把圖像分為灰度值不同的目標和背景區(qū)域展現(xiàn)在直方圖中，直方圖中，不同的目標和背景呈現(xiàn)出不同的峰，選取一個或多個閩值對圖像進行分割，如圖1所示。對待分割圖像的灰度直方圖閾值的選取是整個分割過程中至關重要的一步，可通過直方圖灰度分布、雙峰法、迭代法、大津法等進行閩值的選取，很多學者對該問題進行了研究，申鉉京等人提出了三維直方圖重建和降維的Otsu閾值分割算法，該算法具有更強的抗噪性，分割效果較為理想，時間復雜度遠低于三維Otsu法。邸秋艷提出了基于Ts allis熵的閩值圖像分割方法，在閾值的選擇過程中，利用Tsallis熵的非延廣性提高了分割的準確性。

盡管閾值法處理直觀，計算量小，但在具體使用中存在如下問題：

（1）選取合適的閾值相對困難，不當?shù)拈撝颠x取難以得到準確的分割結果。

（2）對灰度差異不明顯或物體灰度值大量聚集在某一范圍的圖像分割效果較差。

2.2 模糊c-均值聚類算法

從生物學成像設備得到的圖像數(shù)據(jù)具有不確定性（即模糊性），模糊分割算法能保留更多的原始信息，這使得模糊技術在圖像分割中得到廣泛應用。模糊c-均值聚類算法，簡稱FCM算法，它根據(jù)分類依據(jù)，將樣本分成n個模糊組，求出每組的聚類中心，采用迭代法優(yōu)化目標函數(shù)，獲得全局最小值，從而得到最優(yōu)聚類。

傳統(tǒng)的模糊c-均值聚類算法在運用時不需要人為的干預，能夠克服灰度圖像中存在的不確定性和模糊性，適合自動分割應用領域。文獻對該方法分割復雜結節(jié)的準確性、穩(wěn)健性和重復性進行了考證。二者均以PET信息為線索，采用模糊分割在CT圖像上勾畫腫瘤輪廓，如圖2所示。然而，若PET信息與CT信息差異較大，算法中的折中機制會帶來較大的分割誤差。

模糊c.均值聚類算法在進行圖像分割時存在幾個難點：

（1）在對組織異常，區(qū)域未知的醫(yī)學圖像進行分割時，很難確定聚類的數(shù)目。

（2）初試聚類中心的確定沒有一定的標準。初始聚類中心的確定十分重要，但因為事先無法預測，只能進行猜測，限制了該算法發(fā)揮最大功效。

（3）算法開銷太大。如果樣本數(shù)量龐大，計算量會隨之增大，需要較長時間才能完成，難以實時處理數(shù)據(jù)。

在此基礎上，研究者提出了大量改進算法，齊淼等人提出了改進的模糊C一均值聚類算法，改進隸屬度函數(shù)等，使算法具有更好的健壯性和聚類效果。侯曉凡等人提出了一種快速的模糊局部c-均值聚類分割算法，該算法滿足了圖像分割有效性的需求，能更好地滿足實際場合圖像分割的需要。

2.3 基于活動輪廓模型分割方法

基于活動輪廓模型（Active ContourModel，ACM）分割病灶區(qū)域的核心思路是利用病灶和正常組織之間的區(qū)域一致性信息，具體思路如下：

其中，μ，λi+，λi-分別為正則項（第一項）和擬合項（第二、三項）的參數(shù)，通常情況下設定μ= 0.5，λi+=λi-=1。I，I，i，j為PET/CT中的任意圖像，Ci為第i幅圖像中ACM的演化曲線，Length（Ci）為曲線Ci的長度，Qj和Qi分別代表演化曲線的內外部區(qū)域，n_表示區(qū)域Q‘所包含的像素數(shù)目，N代表所有圖片的像素數(shù)目和，表示內外部區(qū)域的特征描述。其中，f1項由圖像Ii的目標像素與其它圖像Ii的內部區(qū)域ft的相似程度的積分組成，稱為全局項。該項用于描述圖像的前景一致性，以提取共同對象?！觏梽t為背景項，其由圖像Ii中的目標像素與背景區(qū)域Qi相似程度的積分組成，使得圖像分割的目標和背景差異較大，對應的設計思路如圖3所示。

ACM有成熟的偏微分方程和能量泛函理論基礎，模型運算速度較快，適合簡單特征的任務，但也存在幾個缺點：

（1）所利用特征單一，不適合復雜圖像。

（2）存在大量的局部最優(yōu)點，容易收斂到局部最優(yōu)。

（3）依賴更多先驗知識。

（4）適合處理低中層特征。

龔勛等人提出了基于混合能量活動輪廓模型的人臉分割方法，該方法的定位精度明顯優(yōu)于傳統(tǒng)的全局能量模型和局部能量模型。祝世平等人提出了基于Snake活動輪廓模型的視頻跟蹤分割方法，該法克服了手動繪制初試輪廓的缺點，在空域對Snake貪婪方法進行了改進而且精確度高，速度快。

2.4 人工神經網絡法

人工神經網絡（artificial neural networks，簡稱ANN）是一種模擬人腦神經元對輸入信號進行處理的模型，其結構思路如下：

其中輸入xi與權值wi一一對應，傳遞函數(shù)f0計算出權重和，其數(shù)學模型如圖4所示。

ANN由大量相互連接的節(jié)點構成，每一個節(jié)點都可以完成基本的運算，大量的連接和空間的信息，能夠較好地處理一圖像的噪聲以及不均勻的問題。德國SIMENS公司研制的Syngo Lung CAD在對大量的胸部數(shù)據(jù)進行訓練的基礎上得到肺部腫瘤圖像的處理和模式識別算法，可以自動識別整個胸部位置的直徑為3mm以上的肺部結點，同時對疑似結點的輪廓進行分割，計算疑似結點的體積等。鞏萍等人提出了基于灰度共生矩陣和人工神經網絡的肺癌CT圖像的分類研究，研究中，人工神經網絡能達到分類目的，輔助臨床治療。目前，ANN技術常與模糊技術的結合，形成模糊神經網絡系統(tǒng)，使得ANN技術在圖像分割中的應用更為廣泛。

ANN技術具有自學習、自適應的能力，它的應用可以減少臨床治療中醫(yī)生的干預，并得到較為準確的分割結果。ANN技術可以用大量的訓練圖像數(shù)據(jù)解決復雜問題，但在現(xiàn)實應用中，收集用于訓練的圖像有一定的困難。

3 醫(yī)學圖像的應用

目前，醫(yī)院應用較為廣泛的醫(yī)學圖像包括計算機斷層掃描成像（Computed Tomography，CT）、正電子發(fā)射斷層成像（PositronEmission Tomography， PET）和PET/CT成像。

3.1 PET圖像的臨床應用

PET成像技術通過正電子示蹤劑的聚集情況反應組織和病變區(qū)域的代謝率，進而鑒別其惡化程度。PET成像靈敏度高和特異性高，能在人體出現(xiàn)代謝異常時發(fā)現(xiàn)病灶，這一特點使之廣泛用于腫瘤、神經系統(tǒng)疾病和心血管疾病，PET成像也有一定的局限性，如果患者對顯像劑的病理性吸收和生理性吸收區(qū)別不大，PET圖像中的癌性組織與其周圍的正常組織易混淆。大量科研人員和臨床醫(yī)生開展了自動辨別及勾畫腫瘤區(qū)域等相關研究。歐洲立項的SALOME系統(tǒng)通過分析PET圖像，綜合多種分割算法得到腫瘤描記結果，獲得具有最大共識的腫瘤區(qū)域。

3.2 CT圖像的臨床應用

CT成像技術利用人體各種組織對X線的吸收能力不等的特性，用X射線對人體某一部位進行掃描，經由光電轉換器轉變?yōu)殡娦盘?，再經模擬/數(shù)字轉換器轉為數(shù)字信號。CT成像速度快，得到的解剖形態(tài)結構信息清晰，但CT圖像對病灶信息的顯示較差，不能在早期檢出病變，很多專家學者對此進行研究改進，美國R2 Technology公司推出的肺癌早期診斷系統(tǒng)ImageChecker CT LN-1000能夠檢測CT圖像上直徑4mm-20m的肺結節(jié)，為放射科醫(yī)生“閱讀”圖像、篩選候選結節(jié)、處理信息、展示資料提供幫助。

3.3 PET/CT圖像的臨床應用

PET/CT將PET與CT融為一體，PET提供組織和病變區(qū)域的代謝信息，CT提供解剖形態(tài)結構信息，二者的結合提高了診斷的準確性。PET/CT醫(yī)學圖像分割在臨床應用方面有著重大的意義，分割結果方便醫(yī)生更充分的發(fā)掘醫(yī)學圖像反映的解剖、病理等信息，為后續(xù)制定或修改病人的治療方案提供依據(jù)。另外，在放療計劃中，通過病變區(qū)域的分割，為醫(yī)生的診斷和治療提供了更快捷、形象手段，提高了診療效率。圖5為2017年9月分別以“PET/CT and （medical image or segmentation）” 和“PET/CT醫(yī)學圖像分割”作為檢索句在Webof Science和中國知網上查詢到的文獻統(tǒng)計結果。雖然關于PET/CT醫(yī)學圖像分割的研究尚處于起步階段，發(fā)表的文獻數(shù)量不多，但是近幾年（2012-2017）的逐年加速增長趨勢非常明顯，可見PET/CT圖像處理已經為愈來愈多的研究者所重視。

4結語

隨著醫(yī)學圖像和計算機輔助技術的發(fā)展，醫(yī)學圖像分割技術在醫(yī)學領域被越來越廣泛的應用著。然而，病灶區(qū)域的病理過程具有不可預測性，且形狀無規(guī)律，邊界不規(guī)則，病灶內部有時也會出現(xiàn)灰度異質的情況，這些因素使得設計一套完全自動的分割方法非常困難。綜合不同的方法以達到對醫(yī)學圖像更有效的分割成為研究的趨勢。充分考慮一些新技術如人工神經網絡的方法和某些傳統(tǒng)分割方法的特性，依據(jù)實際情況組合是提高圖像分割精度的重要策略。

參考文獻

[1]申鉉京，龍建武，陳海鵬等.三維直方圖重建和降維的Otsu閾值分割算法[J].電子學報，2011，39 （05）：1108-1114.

[2]邸秋艷，基于Tsallis熵的閾值圖像分割方法研究[D].燕山大學，2009.

[3]羅杰，孔韋韋，劉睿.基于NSST和區(qū)域生長的紅外與可見光圖像融合算法[J].中國科技論文，2016，11 （14）：1673-1678.

[4]陶彬嬌，陳倩，潘中良等，基于GrabCut和區(qū)域生長的服裝圖像前景提取算法[J]，華南師范大學學報（自然科學版），2017 （05）：122-127.

[5] Mu W，ChenZ， ShenW， etal.A SegmentationAlgorithm for Quantitative Analysisof Heterogeneous Tumors of theCervix with 18F-FDG PET/CT [J]. IEEETransactions on Biomedical Engineering， 2015， 62 （10）： 2465-2479.

[6] Xu Z，BagciU， Udupa J K，etal. FuzzyConnectedness Image Co-segmentationfor HybridPET/MRI and PET/CTScans [M]. Computational Methodsfor Molecular Imaging， SpringerInternational Publishing， 2015： 15-24.

[7]齊淼，張化祥，改進的模糊C一均值聚類算法研究[J].計算機工程與應用，2009， 45 （20）：133-135.

[8]侯曉凡，吳成茂，一種快速的模糊局部c-均值聚類分割算法[J].計算機科學，2016， 43 （10）： 297-303.

[9]龔勛，王國胤，李天瑞等.基于混合能量活動輪廓模型的人臉分割方法[J]，軟件學報，2013 （03）： 623-638.

[10]祝世平，郭智超，高潔等，基于Snake活動輪廓模型的視頻跟蹤分割方法[J].光電子·激光，2013 （01）：139-145.

[11] AshrafH， De H B，DirksenA， etal.Evaluation of Siemens Syngo LungCARE CT and Lung CAD VolumetricLung Nodule Measurements[J]. Journal of ThoracicOncology， 2009，4 （09）： 733-742.

[12]鞏萍，王阿明，基于灰度共生矩陣和人工神經網絡的肺癌CT圖像的分類研究[J].生物醫(yī)學工程與臨床，2013 （06）： 552-556.

[13]Lee I J，GamsuG，Czumj，etal.Lung Nodule Detection on ChestCT： Evaluation of a Computer-Aided Detection

（CAD）SystemLJl.Korean Journal ofRadiology， 2005，6 （02）： 89-93.

[14]邱明，張二虎，醫(yī)學圖像分割方法[J].計算機工程與設計，2005， 26 （06）：1557-1559.