陳菲* 岑淑梅

(中山大學(xué)新華學(xué)院生物醫(yī)學(xué)工程學(xué)院,廣東 廣州 510520)

1 概述

圖像分割的目的就是把目標(biāo)從背景中提取出來, 或?qū)D像劃分為若干個(gè)具有獨(dú)特性質(zhì)區(qū)域的過程,在計(jì)算機(jī)視覺領(lǐng)域諸多分支中獲取了廣泛的應(yīng)用。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, 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。圖像分割方法一般是利用圖像梯度、亮度或者紋理等就能從圖像中獲得信息進(jìn)而對(duì)圖像進(jìn)行分割, 主要有聚類法、區(qū)域生長(zhǎng)、水平集、圖割、分水嶺等算法[1]。

2 圖像分割方法分類

2.1 基于邊緣檢測(cè)方法對(duì)胃部病灶進(jìn)行檢測(cè)

圖像的灰度級(jí)變化可以通過圖像灰度分布的梯度來表示,可使用微分算子進(jìn)行邊緣檢測(cè)。圖1 為胃癌CT圖邊緣檢測(cè)處理效果,以分析邊緣檢測(cè)呈現(xiàn)胃癌CT 圖像輪廓。

圖1 五種邊緣檢測(cè)結(jié)果的對(duì)比

上述算子中,Canny 算子采用雙閾值算法檢測(cè)和連接邊緣,具有多尺度檢測(cè)和定向搜索等優(yōu)點(diǎn)[2]。

2.2 基于梯度圖像和控制標(biāo)記符分水嶺算法

分水嶺分割把圖像比擬成地理學(xué)上的地形,并且化成高地模式。首先進(jìn)行局部操作,提取分界線,不斷將其布成形網(wǎng)絡(luò)形式[7]海拔最低的灰度點(diǎn)作為影響區(qū)域,所謂盆地,山脊即灰度值變化劇烈的像素點(diǎn)區(qū)域。

分水嶺算法具有計(jì)算速度快、定位準(zhǔn)確的特點(diǎn)。對(duì)于醫(yī)學(xué)圖像,由于人體組織和器官的復(fù)雜、圖像對(duì)比度不高和易受噪聲污染的特點(diǎn),分水嶺算法存在過分割問題,容易把有價(jià)值的信息分割掉。本文使用標(biāo)記分水嶺算法,運(yùn)用巧妙的方法來刪掉深度小于閾值的區(qū)域,可以解決過度分割問題,不會(huì)形成多個(gè)區(qū)域,這有利于胃癌病灶所處的腹腔部位機(jī)構(gòu)復(fù)雜進(jìn)行的分割。標(biāo)記符是屬于圖像的連接組件,在每個(gè)目標(biāo)區(qū)域的對(duì)象內(nèi)有標(biāo)記集,而外部的標(biāo)記集在背景中。這些標(biāo)記用來標(biāo)記控制的分水嶺分割所描述的過程來改變梯度圖像,如圖2。

圖2 實(shí)驗(yàn)結(jié)果

圖2 標(biāo)識(shí)的部分為胃部病灶。在控制符標(biāo)記分水嶺分割之后,顯示的是不同灰度值的區(qū)域不同的顏色鮮明劃分范圍,提高了形狀提取的精確性。

2.3 基于區(qū)域生長(zhǎng)的醫(yī)學(xué)圖像分割

區(qū)域生長(zhǎng)運(yùn)用的范圍較廣泛,運(yùn)用在鼻咽癌圖像、血管分割、冠狀動(dòng)脈和支氣管三維分割、細(xì)胞分割、胃癌病灶分割等。首先設(shè)定種子點(diǎn),把相鄰像素屬性與所選的種子比較,相似則合并。在分割的圖像中,于感興趣部位人為選取種子點(diǎn),把種子點(diǎn)附近的相同或相似的灰度值合并到種子灰度值所在的范圍內(nèi)。影響該方法的分割效果三個(gè)較關(guān)鍵的問題:種子點(diǎn)位置的確定,將相鄰像素包括進(jìn)來的生長(zhǎng)準(zhǔn)則的確定,停止生長(zhǎng)準(zhǔn)則的確定。

圖3 選擇同一個(gè)人不同橫斷面的2 張?jiān)紙D像進(jìn)行最終效果顯示。

圖3 四組實(shí)驗(yàn)結(jié)果

3 實(shí)驗(yàn)效果比較與分析

3.1 圖4 是選擇同一橫斷面運(yùn)用三種單一的方法進(jìn)行對(duì)胃癌病灶預(yù)處理及顯示。

圖4 實(shí)驗(yàn)結(jié)果

標(biāo)記分水嶺圖顯示分割成多個(gè)不同的區(qū)域,效果較差,但胃部病灶分割效果較好;單一的區(qū)域生長(zhǎng)由于胃部病灶與周圍組織灰度相近,被劃分為同一個(gè)區(qū)域。如果先人工標(biāo)記病灶部分,再進(jìn)行區(qū)域生長(zhǎng),能準(zhǔn)確提取病灶,不會(huì)將非病灶部分錯(cuò)誤地提取出來。

3.2 針對(duì)不同大小和不同病灶形狀紋理,分割出來的效果也不同,圖5 是先運(yùn)用梯度邊緣檢測(cè)和標(biāo)記分水嶺的算法,再運(yùn)用區(qū)域生長(zhǎng)算法提取出來的效果。

圖5 實(shí)驗(yàn)結(jié)果

結(jié)束語(yǔ)

本文結(jié)合了胃癌病灶所處的位置和特征,在一定程度上解決了在胃癌圖像中的過度分割問題,準(zhǔn)確地提取了胃部病灶。實(shí)驗(yàn)表明了該方法在某些病灶圖是可行的。在傳統(tǒng)的區(qū)域生長(zhǎng)的基礎(chǔ)提出來基于閾值分割的區(qū)域生長(zhǎng)方法。醫(yī)生可以運(yùn)用先前的經(jīng)驗(yàn),利用人機(jī)交互的方式,基于上述的標(biāo)記分水嶺方法作為圖像前提,人為地選取種子點(diǎn),這對(duì)于準(zhǔn)確地進(jìn)行病灶分割,判別病人的胃癌病灶診斷處在某個(gè)階段具有實(shí)際意義。本文最后對(duì)比了單一的分割方法對(duì)復(fù)雜的病灶圖進(jìn)行分割,效果不利于判別也難以查找胃癌并在所在位置和大小,佐證了本文所提到的改進(jìn)的分水嶺算法和閾值分割的區(qū)域生長(zhǎng)的方法。

采用多種分割方法相結(jié)合, 進(jìn)行多次處理, 是圖像分割方法研究的主要趨勢(shì)。研究圖像分割算法對(duì)提高胃部病灶計(jì)算機(jī)輔助診斷和治療的精度與效率有重大意義。