医学图像分割方法



源于：医学图像分割方法综述

定义:图像中具有特殊含义的不同区域分开，这些区域互相不交叉，每个区域满足特定区域的一致性（连通），这些区域的总和构成整幅图像。

分类：

基于区域的分割方法

不同对象见特征的不连续性和同一对象内部的特征相似性。

阈值分割

分割原理：基于对灰度的假设：目标或背景内的相邻像素见的灰度级相似，不同目标或背景的像素在灰度上有差异。直方图反映：不同目标和背景对应不同峰，阈值为两峰之间的谷。

优点：对于物体灰度值与其他特征值相差很大时能进行有效分割，实现简单。

缺点：不适用于多通道和特征值相差不大的图像，对噪声和灰度分布不均匀很敏感。

困难：如何选取阈值，最大熵原则（）选取阈值应用广泛。

区域生长和分裂合并（典型串行区域分割方法）

特点:将分割过程分解为顺序的多个步骤，后续步骤根据前面步骤结果进行判定而确定。

分割原理：选取一种子点，然后依次将种子像素周围的相似像素合并到种子像素所在区域中。

研究重点：(1)特征度量和区域增长规则(2)算法高效性、准确性

有点：计算简单

缺点：人工交互获得种子点，对噪声敏感

改进：(1)T.F.Mangin同伦区域增长保证初始区域和最终抽出区域的拓扑结构相同
(2)Shu-YenWan对称区域增长，弥补元算法对种子点敏感和占用内存多,对连接对象和删除空洞效率较高。

分类器和聚类

分类器（）

实现原理：用已知的训练样本集在图像的特征空间找到点、曲线、曲面、超曲面，从而实现对图像的划分。（有监督的统计方法，需手工分割得到的样本作为对新的图像的自动分割的参考）

分类：(1)参数分类器(2)非参数分类器

优点：不需迭代运算，能应用与多通道图像。

缺点:没有考虑空间信息，对灰度不均匀的图像分割效果不好，需手工分类，手工工作量大。

聚类：自我训练的步骤(1)对当前每类计算均值(2)新生成的均值对像素重新分类
循环(1)(2)

随机场（MRF）

实现原理：统计学角度出发对数字图像进行建模，把图像中各个像素点的灰度值看作具有一定概率分布的随机变量。从观察到的图像中恢复实际物体或正确分割观察到的图像，统计学角度看就是找到以最大概率得到该图像的物体组合。贝叶斯角度：求最大后验概率分布。

问题：邻域系统的定义；能量函数的选择及参数估计；极小化能量函数从而获得最大后概率的策略。

统计学

标记法是较常用的基于统计学的方法，这种方法就是将图像欲分割成的几个物体各以一个标号来表示，对图像中的每个像素，用一定的方式赋之以这些标号中的某一个，标号相同的物体就组成该标号所代表的物体。随机标记法、松弛标记法

二
边缘检测

实现原理：基于在区域边缘上像素灰度值往往变化剧烈。以此进行分割。

分类:串行边缘检测（想检测一像素点是否属于欲检测边缘上的像素点，取决于先前像素验证结果）、并行边缘检测(取决于当前像素点及相邻像素点)（获得先验知识）

并行微分算子

通过一阶极值点或二阶导数过零点来进行边缘检测。

常用一阶导数有梯度算子、Prewitt算子、Soble算子，二阶导数：Laplacian算子、Kirsch算子、Wallis算子

为减少噪声影响，先进行滤波处理

基于曲面拟合

实验原理:将灰度看成高度，用去面拟合一个小窗口内的数据，根据该曲面来决定边缘点

方法步骤：

一维：1、估计窗口边缘方向2、用该方向上的一维曲面来拟合数据。决定边缘点。

二维：1、离散正交多项式拟合数据、2、得到三次多项式的系数3、求该多项式的二阶方向导数，以其零点决定边缘点4、用松弛标记法对找出的边缘点进一步判断

边界曲线拟合

实验原理：用平面曲线表示不同区域之间的图像边界线，试图根据图像梯度等信息找出能正确表示边界的曲线从而得到图像分割的目的。

方法步骤：根据同类图像的分割经验，给出一条初始曲线2、根据图像数据优化目标数据函数来改变初始曲线

基于反应-扩散方程的方法

实验原理：

串行边界查找

实验原理:查找高梯度值的像素，后将他们连接起来形成曲线表示对象的边缘

问题：1、高梯度像素的查找（一般不相邻）2、噪声影响（算子的高通特性、噪声高频、错误检测到边缘）

串行边缘检测：转化为寻求最小代价路径的问题。方法：一：贪婪法：在图像全局进行搜索寻找，计算量大。二、动态规划的优化方法：live wire算法，人机交互、保证分割的准确性（将模糊连接都的区域增长同live wire结合，提高算法速度和分割可靠性）

基于形变模型的方法

综合利用边界和区域信息，可将形变模型看作一个在施加外力和内力约束条件下的自然反应的弹性物体。

区域与边界技术结合的方法

结合原因：仅区域分割造成过度分割、噪声边界、对象内部空洞

方法种类：

1、分裂合并分割图像，后用边界信息对区域间的轮廓进行优化

2、梯度幅值图像昂中检测屋脊点和波谷点，通过最大梯度路径链接额奇异点获得初始化图像分割，后采用区域合并技术获得最最终结果。

3、游戏方法：边界和基于区域的方法分别扮演游戏参与者，分割：迭代法，根据上一布结果更换策略，设法脱离噪声和局部最小影响，同时逼近正确边界，

4、框架结构：分割结果看成区域、梯度、曲率的最大匹配形式，高级匹配函数是各个特征匹配的乘积。使得各个特征相关性最大。

5、能量函数：某点不能直接计算梯度(能量)，使用基于梯度的能量函数让模型边界朝着已知对象的边界的方向运动。

6、区域竞争法：结合形变轮廓模型、区域增长、最小描述长度方法的优点，保证收敛到一个局部最小值，并在一个统一的统计学理论架构实现。

7、区域增长和边界技术结合：用户在被分割的对象中选择一种子点，再使用zffinity算子估计图像最有可能位于对象边界上的像素，最后采用形变模型，使模型边界和对象边界一致

边界曲线的Fourier表示的参数估计结合起来，构成目标函数，通过该目标函数的优化得到分割的目的。

模糊集理论

方法：模糊阈值、模糊聚类、模糊连接度

模糊阈值：不同的S型隶属函数的选择，（1、模糊测度函数概念引入最大熵原则，2、极小化图像的某种测度来测量灰度阈值）

均值聚类：通过优化表示图像像素点与C类中心之间的相似性的目标函数来获得局部最大值，从而优化聚类（文献16）

9
基于神经网络

实现原理：调整节点之间的连接关系以及连接的权值实现。

面向三层网络来解决问题，输入层的各个节点对应像素的各种属性，输出层节点为分割的类别数，

多层网络并且用反向传播方法对网络进行训练，输入为灰度直方图，输出为阈值分割的阈值

构造大规模网络，并在此基础上从噪声环境中提取目标物体。

边缘检测转化为能量最小化问题，利用神经网络提取边缘。