论文部分内容阅读
摘要：通过图像分割技术在医学图像处理中的应用研究，深入理解各种分割方法的理论基础、应用价值以及优缺点，着重研究基于变形模型的分割方法在医学图像分割中的应用，研究该方法的优缺点并提出相应的改进算法。
关键词：图像；分割方法
中图分类号：TP399 文献标识码：A 文章编号：1007-9599 (2011) 22-0000-01
Picture Partitions Technology Application Study in the Medical Science Picture Processing
Yang Jiaping
(Wuxi Teachers’ College,Wuxi 214000,China)
Abstract:Pass a picture partition technique in the medical science picture application study within processing,go deep into to comprehend various theory foundation,applied value and merit and shortcoming that partition a method and emphasize research according to transform the partition method of model partitions in the medical science picture in of application,study the merit and shortcoming of the method and put forward homologous improvement calculate way.
Keywords:Picture;Partition a method
随着多媒体技术的迅速发展，在现代医学中，医学成像技术已成为其重要分支和不可或缺的诊断、治疗及研究工具。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断技术产生着深刻的变革。图像分割技术是医学图像处理和分析中的关键技术之一，图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域内表现出明显的不同；从医学研究和临床应用的角度来看，图像分割的目的是对原始的二维或三维图像划分成不同性质（如灰度、纹理、形状等）的区域，从而把感兴趣的区域提取并显示出来，并使它尽可能地接近解剖结果，为临床诊疗和病理学研究提供可靠的依据，提高医生对疾病诊断的准确性。因此，最大限度地利用医学图像数据提供的有用信息，对于促进医学科学和临床事业的发展具有重大的意义，对辅助医生进行医学图像临床诊断具有重要的实用价值。根据图像分割的定义，人们提出了许多种图像分割的分类方法，大致可以把医学图像的分割技术分为以下几类：
一、基于区域的图像分割方法
基于区域的图像分割方法是利用同一对象区域内部的均匀性，依照共同的图像属性来划分图像区域。阈值分割技术是最常见的、并行分割方法。它是通过阈值化操作直接把图像分割成不同的区域，常用于分割对象区域与周围对象或背景区域具有显著不同灰度级的图像。阈值分割算法实现简单，对于目标灰度值相差很大的图像很有效，常被用于CT图像中皮肤、骨骼的分割。但是该算法对于目标与背景或目标之间灰度差异不明显的情况，或者目标与背景的灰度值范围有较大重叠的图像，则难以得到准确的结果，而且阈值分割算法对噪声非常敏感。
二、基于边缘检测的图像分割方法
基于边缘检测的图像分割方法通过检测相邻像素特征值的突变性来获得不同区域之间的边缘，能检测出图像存在的所有边缘。人们为边缘检测设计了各种检测算子，包括提升算子、Sobel算子、Kirsh算子等。基于边缘检测的方法定位精度比较高，但受噪声影响比基于区域的方法却要大得多，所以对于医学图像而言，仅仅利用基于边缘检测的分割技术是难以达到目的的，绝大部分边缘检测技术要与其它模型结合才能得到满意的结果。
三、基于数学形态学的分割方法
数学形态学是建立在积分几何和随机集理论基础上的一整套变换、概念和算法。基于数学形态学的分割方法利用膨胀和腐蚀两种数学形态学基本运算及其不同逻辑组合构成的开运算和闭运算对图像进行处理，然后再通过边缘强度算子就可以检测出图像的边缘。
四、基于人工神经网络模型的方法
神经网络是一种大规模的并行连接处理系统，它模拟生物，特别是人类大脑的学习过程，具有强大的自学习能力和非线性表达能力。基于神经网络的分割方法的基本思想是将图像影射为某种网络，然后把边缘己知的图像及其边缘作为先验知識对网络进行训练，直到训练过程收敛为止。
五、基于模糊集理论的分割方法
医学图像通常具有模糊和不均匀特性，图像中的区域并非总能被明确地划分。是模糊图像分割实施起来非常复杂，对于医学超声图像的分割，因为图像质量较差，所以更是难以运用模糊理论来实现。
六、基于分形理论的分割方法
分形分割方法是近年来新出现的图像分割方法。自Mandelbrot于1975年系统地提出了分形几何学的理论，它已经成为研究和处理具有复杂和不规则图形的有力工具。遗憾的是，基于纹理分析的图像分割一般分辨率比较低，分形理论的应用还是比较少的。
七、基于变形模型的分割方法
自二十世纪八十年代Kass等提出基于变形模型（Snake）的分割方法以来，对变形模型的研究和改进工作在近十几年中广泛地展开：如Mclnemey和Terzopoulos从医学图像分析的角度考察了可变形模型，Brown从配准的角度考察可变形模型，Audete则纯粹从算法的角度考察配准中的可变形模型，Montagnat则对可变形表面模型的数学描述以及拓扑结构的变化做了详尽的考察。从最近十几年的研究成果来看，变形模型已经由最初的Snake模型衍生出具有各种不同特点的变形模型，如气球模型、T-Snake模型、梯度矢量流（Gradient Vector Flow，GVF）变形模型、测地线模型、基于水平集的变形模型等等。
而主动轮廓线模型（Active Contour Model），又称蛇（Snake）模型，是一条由若干个点连接起来的能量最小化的样条，该样条同时受到内外力和图像力的引导而趋向图像的形状边缘。它的一个很突出的缺点是只能检测到图像的外在轮廓而无法检测图像的内在轮廓，而在医学图像处理中，很多医学图像需要我们分割出不同的区域，而这些区域可能是相互嵌套的，在这种情况下，必须得到图像的内在轮廓。基于Snake模型的一系列方法，使用Matlab编程实现并应用到医学图像数据库上进行测试，并提出对Snake模型的改进算法。希望提出一种新的方法，使得改进后的snake模型能够识别待检测图像的内在轮廓，从而更好的达到图像分割的目的。
参考文献：
[1]聂斌等.医学图像分割技术及其进展[J].泰山医学院学报,2002,23(4):422-426
[2]林瑶,田捷.医学图像分割方法综述[J].模式识别与人工智能,2002,15(2):192-204
关键词：图像；分割方法
中图分类号：TP399 文献标识码：A 文章编号：1007-9599 (2011) 22-0000-01
Picture Partitions Technology Application Study in the Medical Science Picture Processing
Yang Jiaping
(Wuxi Teachers’ College,Wuxi 214000,China)
Abstract:Pass a picture partition technique in the medical science picture application study within processing,go deep into to comprehend various theory foundation,applied value and merit and shortcoming that partition a method and emphasize research according to transform the partition method of model partitions in the medical science picture in of application,study the merit and shortcoming of the method and put forward homologous improvement calculate way.
Keywords:Picture;Partition a method
随着多媒体技术的迅速发展，在现代医学中，医学成像技术已成为其重要分支和不可或缺的诊断、治疗及研究工具。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断技术产生着深刻的变革。图像分割技术是医学图像处理和分析中的关键技术之一，图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域内表现出明显的不同；从医学研究和临床应用的角度来看，图像分割的目的是对原始的二维或三维图像划分成不同性质（如灰度、纹理、形状等）的区域，从而把感兴趣的区域提取并显示出来，并使它尽可能地接近解剖结果，为临床诊疗和病理学研究提供可靠的依据，提高医生对疾病诊断的准确性。因此，最大限度地利用医学图像数据提供的有用信息，对于促进医学科学和临床事业的发展具有重大的意义，对辅助医生进行医学图像临床诊断具有重要的实用价值。根据图像分割的定义，人们提出了许多种图像分割的分类方法，大致可以把医学图像的分割技术分为以下几类：
一、基于区域的图像分割方法
基于区域的图像分割方法是利用同一对象区域内部的均匀性，依照共同的图像属性来划分图像区域。阈值分割技术是最常见的、并行分割方法。它是通过阈值化操作直接把图像分割成不同的区域，常用于分割对象区域与周围对象或背景区域具有显著不同灰度级的图像。阈值分割算法实现简单，对于目标灰度值相差很大的图像很有效，常被用于CT图像中皮肤、骨骼的分割。但是该算法对于目标与背景或目标之间灰度差异不明显的情况，或者目标与背景的灰度值范围有较大重叠的图像，则难以得到准确的结果，而且阈值分割算法对噪声非常敏感。
二、基于边缘检测的图像分割方法
基于边缘检测的图像分割方法通过检测相邻像素特征值的突变性来获得不同区域之间的边缘，能检测出图像存在的所有边缘。人们为边缘检测设计了各种检测算子，包括提升算子、Sobel算子、Kirsh算子等。基于边缘检测的方法定位精度比较高，但受噪声影响比基于区域的方法却要大得多，所以对于医学图像而言，仅仅利用基于边缘检测的分割技术是难以达到目的的，绝大部分边缘检测技术要与其它模型结合才能得到满意的结果。
三、基于数学形态学的分割方法
数学形态学是建立在积分几何和随机集理论基础上的一整套变换、概念和算法。基于数学形态学的分割方法利用膨胀和腐蚀两种数学形态学基本运算及其不同逻辑组合构成的开运算和闭运算对图像进行处理，然后再通过边缘强度算子就可以检测出图像的边缘。
四、基于人工神经网络模型的方法
神经网络是一种大规模的并行连接处理系统，它模拟生物，特别是人类大脑的学习过程，具有强大的自学习能力和非线性表达能力。基于神经网络的分割方法的基本思想是将图像影射为某种网络，然后把边缘己知的图像及其边缘作为先验知識对网络进行训练，直到训练过程收敛为止。
五、基于模糊集理论的分割方法
医学图像通常具有模糊和不均匀特性，图像中的区域并非总能被明确地划分。是模糊图像分割实施起来非常复杂，对于医学超声图像的分割，因为图像质量较差，所以更是难以运用模糊理论来实现。
六、基于分形理论的分割方法
分形分割方法是近年来新出现的图像分割方法。自Mandelbrot于1975年系统地提出了分形几何学的理论，它已经成为研究和处理具有复杂和不规则图形的有力工具。遗憾的是，基于纹理分析的图像分割一般分辨率比较低，分形理论的应用还是比较少的。
七、基于变形模型的分割方法
自二十世纪八十年代Kass等提出基于变形模型（Snake）的分割方法以来，对变形模型的研究和改进工作在近十几年中广泛地展开：如Mclnemey和Terzopoulos从医学图像分析的角度考察了可变形模型，Brown从配准的角度考察可变形模型，Audete则纯粹从算法的角度考察配准中的可变形模型，Montagnat则对可变形表面模型的数学描述以及拓扑结构的变化做了详尽的考察。从最近十几年的研究成果来看，变形模型已经由最初的Snake模型衍生出具有各种不同特点的变形模型，如气球模型、T-Snake模型、梯度矢量流（Gradient Vector Flow，GVF）变形模型、测地线模型、基于水平集的变形模型等等。
而主动轮廓线模型（Active Contour Model），又称蛇（Snake）模型，是一条由若干个点连接起来的能量最小化的样条，该样条同时受到内外力和图像力的引导而趋向图像的形状边缘。它的一个很突出的缺点是只能检测到图像的外在轮廓而无法检测图像的内在轮廓，而在医学图像处理中，很多医学图像需要我们分割出不同的区域，而这些区域可能是相互嵌套的，在这种情况下，必须得到图像的内在轮廓。基于Snake模型的一系列方法，使用Matlab编程实现并应用到医学图像数据库上进行测试，并提出对Snake模型的改进算法。希望提出一种新的方法，使得改进后的snake模型能够识别待检测图像的内在轮廓，从而更好的达到图像分割的目的。
参考文献：
[1]聂斌等.医学图像分割技术及其进展[J].泰山医学院学报,2002,23(4):422-426
[2]林瑶,田捷.医学图像分割方法综述[J].模式识别与人工智能,2002,15(2):192-204