医学图像分割方法综述林瑶，田捷1北京,中国科学院自动化研究所人工智能实验室,100080摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。

本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。

关键词：医学图像分割 综述1．背景介绍医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。

随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。

图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。

分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。

所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。

定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...：g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。

(b) 是连通的区域。

g k (c) ，即任意两个子区域不存在公共元素。

(d) 区域满足一定的均一性条件。

均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。

g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。

在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。

医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。

由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等特点。

另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。

这些都给医学图像分割的分割带来了困难。

传统的分割技术或者完全失败，或者需要一些特殊的处理技术。

因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。

为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。

本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。

需要指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的，而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),xg x 1 联系人：田捷 电话：82618465 E-mail:tian@的某一类。

2．基于区域的分割方法图像分割通常会用到不同对象间特征的不连续性和同一对象内部的特征相似性。

基于区域的算2.1 法是最常见的并行的直接检测区域的分割方法[5]。

如果只用选取一个阈值称为单阈值分同类的物体灰度值或其他特征值相差很大时，它能很有效大的图像，对于图像中不存在明显的灰的困难所在。

至今仍有.2 区域生长和分裂合并两种典型的串行区域分割方法。

其特点是将分割过程分解为顺序的多个，该方法需要先选取一个种子用者必须在每个需要抽取出的区域中法测重于利用区域内特征的相似性。

阈值阈值分割割，它将图像分为目标和背景两大类；如果用多个阈值分割称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。

阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰。

选取的阈值应位于两个峰之间的谷，从而将各个峰分开。

阈值分割的优点是实现简单，对于不的对图像进行分割。

阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。

它也常被用于CT 图像中皮肤、骨骼的分割。

阈值分割的缺点是不适用于多通道图像和特征值相差不度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。

另外，由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息，阈值分割对噪声和灰度不均匀很敏感。

针对阈值分割方法的缺点，不少学者提出了许多改进方法，如基于过渡区的方法[6]，还有利用像素点空间位置信息的变化阈值法[7]，结合连通信息[8]的阈值方法。

对于多目标的图像来讲，如何选取合适的阈值实在是基于阈值分割方法不少学者针对该问题进行深入的研究，提出了许多新方法。

在近年来的自动选取阈值方法中，基于最大熵原则选择阈值是最重要的方法之一，由T.Pun 首先在[9]中提出。

这种方法的目的在于将图像的灰度直方图分成两个或多个独立的类，使得各类熵的总值最大，从信息论角度来说就是使这样选择阈值获得的信息量最大。

J.N.Kapur 等人进一步发展了这种方法[10]，P.Sahoo等人提出了用Renyi熵代替常规熵的最大熵原则[11]。

Jui-Cheng Yen等人提出用最大相关性原则选择阈值[12]，这种方法其实只是用他们定义的一个最大相关性原则取代了一般用的最大熵原则。

2区域生长和分裂合并是步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。

区域生长的基本思想是将具有相似性质的像素集合起来构成区域点，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的区域中。

区域生长算法的研究重点一是特征度量和区域增长规则的设计，二是算法的高效性和准确性。

区域增长方式的优点是计算简单。

与阈值分割类似，区域增长也很少单独使用，往往是与其他分割方法一起使用，特别适用于分割小的结构如肿瘤和伤疤[13]。

区域生长的缺点是它需要人工交互以获得种子点，这样使植入一个种子点。

同时，区域增长方式也对噪声敏感，导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来。

为解决这些问题，J.F. Mangin 等提出了一种同伦的（homotopic ）区域生长方式[14]，以保证初始区域和最终抽取出的区域的拓扑结构相同。

Shu-Yen Wan 等提出的对称区域增长算法[15]有效地弥补了原算法对种子点敏感和占用内存多的弱点，而且对3D 连接对象标记和删除空洞的算法效率较高。

另外，模糊连接度方法与区域增长相结合也是一个发展方向[16]。

在区域生长或合并方法中，输入图像往往被分为多个相似的区域。

然后类似的相邻区域根据某种判断准则迭代地进行合并。

在分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。

分裂合并方法中[17]，区域从整幅图像进行分裂，然后将相邻的区域进行合并。

分裂合并方法不需要预先指定种子点，它的研究重点是分裂和合并规则的设计。

但是，分裂技术可能会使分割区域的边界被破坏。

2.3分类器和聚类分类是模式识别领域中一种基本的统计分析方法。

分类的目的利用已知的训练样本集在图像的特征空间找到点（1D）、曲线（2D）、曲面（3D）或超曲面（高维），从而实现对图像的划分。

用分类器[2]进行分割是一种有监督的统计方法，它需要手工分割得到的样本集作为对新的图像进行自动分割的参考。

分类器又分为两种：非参数（nonparametric）分类器和参数（parametric）分类器。

典型的非参数分类器包括K近邻（KNN）以及Parzen窗（一种投票分类器）。

它们对图像数据的统计结构没有要求。

参数分类器的代表是Bayes分类器,它假定图像的密度函数符合高斯独立分布。

分类器的有两个优点：(1) 不需要迭代运算，因此计算量相对较小。

(2) 能应用于多通道图像。

但是分类器同样没有考虑空间信息，因此对灰度不均匀的图像分割效果不好。

分类器还要求由手工分类生成训练集，而手工分类的工作量很大。

同时，用小量的训练集训练的分类器对大量的样本空间进行分类时会产生误差，因为它没有考虑到人体的解剖机构的个体差异。

聚类算法与分类器算法极为类似，只是它不需要训练样本，因此聚类是一种无监督的(unsupervised) 统计方法。

因为没有训练样本集，聚类算法迭代的执行对图像分类和提取各类的特征值。

从某种意义上说，聚类是一种自我训练的分类。

其中，K均值、模糊C均值(Fuzzy C-Means)、EM(Expectation-Maximization)和分层聚类方法[18][19]是常用的聚类算法。

K均值算法先对当前的每一类求均值，然后按新生成的均值对像素进行重新分类(将像素归入均值最近的类)，对新生成的类再迭代执行前面的步骤。

模糊C均值算法从模糊集合理论的角度对K均值进行了推广。

EM算法把图像中每一个像素的灰度值看作是几个概率分布（一般用Gaussian分布）按一定比例的混合，通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之间的混合比例。

分层聚类方法通过一系列类别的连续合并和分裂完成，聚类过程可以用一个类似树的结构来表示。

聚类分析不需要训练集，但是需要有一个初始分割提供初始参数，初始参数对最终分类结果影响较大。

另一方面，聚类也没有考虑空间关联信息，因此也对噪声和灰度不均匀敏感[2]。

八十年代以来，聚类方法开始被用于核磁图像多参数特性空间的分类，如脑白质和灰质的分割。

随着近十年来像数据保真度的提高，这类方法逐渐发展成熟起来，出现了一系列方法来提高聚类算法对图像灰度不均匀和噪声的鲁棒性，并在磁共振图像上取得了成功[1]。

不均匀的医学图像可以先用校正算法消除偏场效应，再运用标准的分割算法[20] [21]。

还有一些方法在分类的同时补偿偏场效应[22][23][24]，其中最有名的方法是Wells等提出的自适应分割方法[25]，在分类同时采用EM算法估计图像偏场。

用此方法能够得到基于后验概率的模糊分割，但对大多数数据集仍需要一些人工交互提供训练数据。

当然，并非所有人承认该方法是最好的解决方案，不少学者仍在继续研究其他解决方法。

2.4基于随机场的方法统计学方法中最常用的一种是将图像看作一个马尔科夫随机场MRF。