劉雪芬，馬夏敏

（廣州市增城區(qū)人民醫(yī)院，廣東 廣州 511300）

近年來，我國(guó)數(shù)字化技術(shù)及微電子技術(shù)的持續(xù)發(fā)展為數(shù)字圖像處理提供了可靠的技術(shù)支持，使其逐漸成為國(guó)內(nèi)一門較為新穎的學(xué)科。圖像分割技術(shù)是圖像分析環(huán)節(jié)的關(guān)鍵步驟，目前，該技術(shù)在醫(yī)療、交通等領(lǐng)域中均有較廣泛的應(yīng)用，主要包括閾值分割法、區(qū)域生長(zhǎng)法、人工神經(jīng)網(wǎng)絡(luò)法、可變模型法及基于信息論的方法等。圖像分割可將原始圖像轉(zhuǎn)化為更加抽象、緊湊的形式，有助于更好地理解和分析更高層的圖像信息。核磁共振、超聲波等均為目前臨床常用的成像技術(shù)，這些技術(shù)可清晰顯示人體的解剖結(jié)構(gòu)，為多種疾病的診斷提供了重要參考依據(jù)。隨著醫(yī)學(xué)圖像數(shù)量的增多和尺寸的增大，使用計(jì)算機(jī)分析和處理這些圖像成為必然。

1 圖像分割技術(shù)的原理分析

所謂圖像分割是指根據(jù)圖像的灰度、顏色、紋理和形狀等特征，把圖像劃分成若干互不交迭的區(qū)域，并使這些特征在同一區(qū)域內(nèi)呈現(xiàn)出相似性，在不同區(qū)域間呈現(xiàn)出明顯的差異性，以提高影像的清晰度，優(yōu)化圖像質(zhì)量。對(duì)于重新分割的圖像部分，需采取適當(dāng)?shù)你暯哟胧?，且不可?duì)其進(jìn)行疊加與重整處理，并確保被分割的圖像有較好的連續(xù)性，以免畫面發(fā)生實(shí)質(zhì)性改變。

2 圖像分割在生物醫(yī)學(xué)工程中的應(yīng)用

2.1 閾值分割法

閾值分割法是一種將灰度圖像轉(zhuǎn)變?yōu)槎祱D像，以達(dá)到預(yù)期分割目的的方法，是一種并行區(qū)域法。在應(yīng)用閾值分割法的過程中，通常會(huì)設(shè)定一個(gè)合理的灰度值，用于辨別不同的類，并將這個(gè)灰度值稱為“閾值”。將灰度值高于閾值的像素歸為一類，將其他像素歸為另一類。

閾值分割法是一種操作過程較為簡(jiǎn)單、實(shí)效性強(qiáng)的圖像分割方法，尤其是當(dāng)不同物體或結(jié)構(gòu)間的強(qiáng)度對(duì)比較明顯時(shí)，取得的效果會(huì)更顯著。在大部分情況下，閾值法是交互式的，其原因?yàn)?，該分割法可?shí)時(shí)動(dòng)態(tài)操作，故可建立在用戶的視覺估計(jì)基礎(chǔ)上，優(yōu)化建立與應(yīng)用的效果。臨床通常將閾值分割法作為處理一系列圖像的第一步。不過，在應(yīng)用該圖像分割法的過程中，也暴露出一些不足，一是當(dāng)閾值法的形式極為簡(jiǎn)單時(shí)，僅能生成二值圖像去辨識(shí)不同的兩個(gè)類；二是該圖像分割法只考慮像素自身的價(jià)值，不重視圖像的空間特性，對(duì)噪聲表現(xiàn)出較高的敏感性。因此，為了彌補(bǔ)閾值分割法存在的不足，近年來，蔡軍杰等研究人員陸續(xù)提出了與經(jīng)典閡值分割法配套的更新算法。

2.2 區(qū)域生長(zhǎng)法

區(qū)域生長(zhǎng)法是參照事前設(shè)定的標(biāo)準(zhǔn)，提取圖像中相互銜接區(qū)域的方法。該標(biāo)準(zhǔn)可以是灰度信息、圖像邊界或兩者的聯(lián)合。再提取出與該種子點(diǎn)相同的灰度值，作為評(píng)估閾值，對(duì)全部像素進(jìn)行分析、評(píng)估與鑒別。

在處理圖像時(shí)，通常不建議單獨(dú)使用區(qū)域生長(zhǎng)法，而是將其放在一系列的處理過程中，多用其勾畫腫瘤、傷口等小而簡(jiǎn)單的結(jié)構(gòu)。在該分割法的應(yīng)用階段，其暴露出來的不足主要為，在每個(gè)需要提取的區(qū)域，都必須人工設(shè)定一個(gè)種子點(diǎn)，這意味著，在多個(gè)區(qū)域，就必須給出相應(yīng)的種子數(shù)。該方法對(duì)噪音也表現(xiàn)出較高的敏感性，可引起孔狀或不連貫的區(qū)域。但特別之處在于，局部且重大的影響可使最初處于分離狀態(tài)的區(qū)域?qū)崿F(xiàn)銜接。為避免區(qū)域生長(zhǎng)法存在的上述不足，近年來，有學(xué)者提出例如模糊分類的區(qū)域增長(zhǎng)法及其他方法。

2.3 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)法是采用大批量的平行式神經(jīng)網(wǎng)絡(luò)去分割圖像。這些神經(jīng)網(wǎng)絡(luò)的主要組成部分為模擬生物學(xué)習(xí)機(jī)理的節(jié)點(diǎn)或元素，網(wǎng)絡(luò)內(nèi)的每個(gè)節(jié)點(diǎn)均能執(zhí)行最基礎(chǔ)的運(yùn)算過程。通過科學(xué)調(diào)整不同節(jié)點(diǎn)之間的權(quán)值，可幫助神經(jīng)網(wǎng)絡(luò)順利學(xué)習(xí)生物機(jī)理。例如，可采用該方法檢測(cè)圖像的邊緣。

局部興奮全局抑制振蕩網(wǎng)絡(luò)（locally excitatory globally inhibitory oscillator network，LEGION）是一種以人類視覺特性為基礎(chǔ)形成的人工神經(jīng)網(wǎng)絡(luò)方法。LEGION是一個(gè)由張弛振子構(gòu)建的網(wǎng)絡(luò)，每個(gè)振子均由一個(gè)興奮單元x與一個(gè)抑制單元y共同構(gòu)成。通過觀察LEGION的分割圖像結(jié)果不難發(fā)現(xiàn)，與單閾值分割法相比，LEGION分割獲得的圖像區(qū)域更加豐富，能較清晰地表現(xiàn)出一些微小結(jié)構(gòu)。有學(xué)者對(duì)LEGION方法進(jìn)行了完善，基于自適應(yīng)原理設(shè)計(jì)了神經(jīng)網(wǎng)絡(luò)內(nèi)的參數(shù)，并將其用于彩色圖像的分割領(lǐng)域。

在應(yīng)用神經(jīng)網(wǎng)絡(luò)法分割圖像時(shí)，由于網(wǎng)絡(luò)內(nèi)有很多結(jié)構(gòu)之間相互銜接，故而部分空間信息易被包涵在分類階段。盡管神經(jīng)網(wǎng)絡(luò)法具有平行繼承屬性，但其處理圖像的過程與標(biāo)準(zhǔn)化的串行計(jì)算機(jī)有較大的相似之處，在很大程度上埋沒了其在運(yùn)算方面的潛能。

2.4 可變模型法

可變模型法是一種以模型為基礎(chǔ)、采用閉合參數(shù)曲線或曲面勾畫邊界的分割方法。該分割法的原始構(gòu)想出自物理學(xué)相關(guān)的概念：即為了更真切地勾畫出實(shí)物體的邊緣，先設(shè)定一個(gè)與實(shí)際曲線或曲面較近的原始曲面或曲線，在外力與內(nèi)力的共同作用下，驅(qū)動(dòng)這個(gè)曲面或曲線移動(dòng)，最終停留在圖像能量最低處。由于該曲線或曲面的移動(dòng)過程與蛇移行過程相似，故也將該模型稱為Snake模型，將該曲線或曲面稱為Snake。在圖像的輪廓處，灰度變化率最大，故將該位置定義為能量最低處，則Snake停留的位置為實(shí)際邊界。

早在1988年，國(guó)外學(xué)者Bezdek JC率先提出，經(jīng)典Snake的外力場(chǎng)捕獲區(qū)很小，這在很大程度上增加了原始化與進(jìn)入凹陷區(qū)的難度。為解除以上困難，很多科學(xué)家試圖通過實(shí)踐改進(jìn)這一算法。1998年，研究人員嘗試用梯度矢量流取代經(jīng)典外力場(chǎng)，即著名的GVF理論。該理論較好地解決了傳統(tǒng)Snake內(nèi)存在的原始化與凹陷區(qū)兩大難題。

2.5 基于信息論的方法

基于信息論的方法可借助信息論中熵的理論去分割醫(yī)學(xué)圖像。熵是平均信息量的表征，在信息論中，可采用（1）式定義熵：

式中，ρ（x）是隨機(jī)變量x對(duì)應(yīng)的概率密度函數(shù)。對(duì)于數(shù)字圖像，x可以是灰度、梯度等特性。將熵用于閾值分割過程等于通過求算熵的極值，去設(shè)定最佳的分割閾值。比如，對(duì)于二維最大熵閾值分割法，可做出如下闡述：選擇閾值矢量（T，S）是二維最大熵閾值選擇階段遵循的最基本思想，使目標(biāo)類和背景類的后驗(yàn)熵達(dá)到峰值。定義以上兩類中的各事件對(duì)灰度值、局部均值的概率如（2）式所示：

兩類熵H0（T，S）與H1（T，S）可做出如下定義：，選擇適宜的閾值，使H（T,S）=H0（T,S）+H1（T,S）達(dá)到峰值，此時(shí)的（T，S）就是最佳二維閾值。有文獻(xiàn)中探討了采用一種極小極大熵公式去分割處理醫(yī)學(xué)圖像的過程。按照最大熵原則去選擇閾值是一種常用的閾值分割方法。該方法的應(yīng)用宗旨在于，將圖像的灰度值方圖細(xì)化為兩個(gè)或數(shù)個(gè)獨(dú)立的類，以促使各類熵的總量達(dá)到峰值。從信息論的角度出發(fā)，使用該方法選擇出的閾值去獲得最大的信息量富有一定的內(nèi)涵。

在實(shí)踐中，基于最大熵原則去選擇多閾值時(shí)最主要不足之處為，檢索空間范圍較大、收斂速度過度遲緩，針對(duì)細(xì)節(jié)繁多、噪聲較大的圖像，難以取得較為滿意的分割處理效果。

3 展望

作為一種特別的圖像分割領(lǐng)域，在未來的數(shù)年間，圖像分割將會(huì)朝著更加準(zhǔn)確、更加快捷的方向發(fā)展，并將在臨床上得到廣泛的應(yīng)用。在輔助診斷與放射療法中，計(jì)算機(jī)分割法已表現(xiàn)出良好的效能。雖然全自動(dòng)分割方法無法取代臨床醫(yī)師地位和作用，但其逐漸成為醫(yī)學(xué)圖像分析中的重要組成部分。

目前，在圖像分割領(lǐng)域，還面臨著眾多的挑戰(zhàn)。例如，我們期望這些分割方法不僅能分割正常的組織結(jié)構(gòu)，而且能辨別器官組織的病理狀態(tài)。該問題在實(shí)際的研究過程中往往不被重視。其次，隨著基因工程的發(fā)展，對(duì)微觀結(jié)構(gòu)的分割也將逐漸被提上日程，而不僅僅限于目前“器官”層面上的圖像分析和處理。

4 結(jié)語

總而言之，影響生物醫(yī)學(xué)圖像分割效果的因素較多，不僅局限于分割方法這樣的軟件因素上，也與成像儀器、成像方法、外界環(huán)境等硬件因素具有一定的相關(guān)性。相信隨著對(duì)專業(yè)分割算法研究的不斷深入和發(fā)展，硬件設(shè)備的不斷完善和更新，圖像分割技術(shù)將會(huì)在生物醫(yī)學(xué)領(lǐng)域取得更大的發(fā)展和更優(yōu)秀的應(yīng)用成果。