图像分割
图像分割是一种将图像像素分类为解剖区域的技术，例如骨骼、肌肉和血管，或病理区域，如肿瘤、组织畸形或多发性硬化病变(1). 在某些应用中，图像分割的目标是提取感兴趣结构的边界。图像分割通常作为进一步图像处理任务（如特征提取、图像配准和定量测量）的预处理步骤。
根据所需人机交互程度，医学图像分割方法可分为三类：手动分割、半自动分割和全自动分割。手动分割涉及手动绘制感兴趣结构的边界或使用不同标签绘制解剖结构的区域。在手动分割中，人类操作员不仅应用所提供的图像信息，还利用其他知识，如解剖学和复杂、理解不足的心理认知能力。手动分割是劳动密集型的，很难复制，而且还受到单个操作员的偏见。然而，它仍然被广泛应用于临床试验，尤其是在需要大量人类知识和专业知识来区分组织的情况下。在半自动方法中，操作员通常需要为分割提供初始起点和/或手动调整计算机分割的结果。目前的大多数研究都是针对半自动分割，目的是尽可能少的人机交互。在全自动方法中，计算机在没有任何人机交互的情况下确定分割。全自动方法通常将人类智能和先验知识纳入算法中。在处理大批量图像时，需要全自动方法。目前，全自动分割方法主要局限于研究环境。图像分割的临床应用通常需要某种人机交互。
本节重点介绍了半自动和全自动图像分割技术。流行的图像分割技术包括基于阈值的技术、区域生长技术、像素分类技术和基于模型的技术。然而，单一的分割技术无法在所有设置中产生可接受的结果。在特定的医学成像模式中，通常会对方法进行优化，以分割特定的解剖结构，例如CT结肠成像中的结肠息肉或脑MR中的脑肿瘤。
基于阈值的方法
阈值分割是一种简单有效的区域分割方法（2）。在该方法中，通过将图像中的对象的强度与一个或多个强度阈值进行比较来对对象进行分类。如果图像的直方图表示双峰模式，则可以通过单个阈值将对象与图像中的背景分离。如果图像包含两种以上的区域，可以通过应用多个单独的阈值或使用多阈值技术对其进行分割。阈值的值通常由图像的先验知识或强度直方图来估计。阈值可以是全局的，也可以是本地的。在像素周围的局部区域中自适应地确定局部阈值。图1显示了使用基于阈值的技术从胸部CT提取肺部区域。肺区充满空气，因此Hounsfield数（HU）较低。图1A是胸部CT图像，图1C显示了分割的肺部区域。阈值T=-500 HU被选为直方图上两种模式之间的中间值（图1B）。
-
- 图1基于阈值的分割。（A） 肺部CT图像；（B） 直方图；（C） 分段肺区。阈值为-500 HU。
图2区域，不断增长的细分。（A） 脑磁共振成像；（B） 节段性脑肿瘤。（A）中的箭头指向种子。
区域增长方法
区域生长是一种从图像中提取相似体素连接区域的分割方法（3）。区域生长从属于感兴趣结构的种子开始。访问种子的邻居，并将满足相似性标准的邻居添加到区域中。相似度标准由图像中的一系列像素值或其他特征确定。种子可以手动选择或通过自动种子查找程序提供。该过程将迭代，直到无法向该区域添加更多像素。区域生长的优点是能够正确分割具有相似属性的区域并生成连通区域。图2展示了从对比增强MRI图像分割脑肿瘤的过程。将种子放置在脑肿瘤内，并应用区域生长技术提取肿瘤区域（图2B）。
分水岭分割是一种结合区域生长和图像形态学的基于区域的技术（4）。它旨在同时分割多个区域。它要求在每个对象内选择至少一个种子。然后应用形态学分水岭变换将每个种子生长到一个区域。
像素分类方法
另一种类型的分割方法是基于像素分类的。可以使用像素属性（如强度和梯度）在特征空间中表示图像中的像素。采用有监督或无监督分类器对特征空间中的像素进行聚类。基本分类器包括无监督方法，如模糊c-均值、k-均值，以及有监督方法，如贝叶斯和神经网络（5）。像素簇被分为多个区域，并显示为分割结果。
模糊c均值聚类（FCM）是非监督图像分割中常用的像素聚类技术，用于像素分类，尤其是多光谱图像的分类
图3基于像素分类的分割中的模糊c均值聚类。（A） CT结肠成像；（B） 息肉组织成员图；（C） 非息肉组织成员图；（D） 流明空气成员映射。
MRI等图像，其中Tl加权、T2加权和质子密度加权图像可用（6）。在FCM方法中，首先确定一组组织类别。然后根据每个像素的像素属性为组织类指定成员值。某一类的隶属度值表示像素属于该类的可能性。图3显示了CT结肠造影中的FCM。图3B、3C和3D分别显示了三种组织类型，即管腔空气、息肉组织和非息肉组织。然后，可以在成员关系图上应用基于阈值的方法来分割感兴趣的区域。
基于模型的细分
在基于模型的分割中，为特定的解剖结构建立一个连接的连续模型。该模型通常包含结构的先验知识来指导分割。一些模型包含从大量训练数据集中提取的先验统计信息，例如主动外观模型（7）。统计参数化提供全局约束，并允许模型仅以训练集暗示的方式变形。
在基于模型的分割中，首先确定刚性变换（平移和旋转）以使模型和图像全局对齐。然后应用非刚性变换（如弹性扭曲）来最大化模型与图像中相应区域之间的相似性。生成的模型就是分割结果，它代表了解剖结构的边界。模型的固有连续性和平滑性可以补偿结构边界中的噪声、间隙和其他不规则性。
活动轮廓模型是2D图像中分割结构的一种广泛使用的技术（8）。在这种技术中，给定初始轮廓，多个力共同作用，将活动轮廓驱动到其目标。驱动活动轮廓模型的力可以表示为
F=winFinternal ^ wimFimage ^ wexFexternal（1）
其中Finternal是轮廓的样条线力，Fimage是图像力，Fexternal是外力，win、wim和wex是各自的权重参数。内力Finternal可以写成，其中x（s）是表示轮廓的曲线，x’（s）是x（s）的一阶导数，x“（s）是x（s）的二阶导数. 一阶项使轮廓像弹性薄膜，二阶项使其像刚性薄板。图4显示了活动轮廓模型在结肠息肉分割中的应用。模型中使用的图像力是FCM聚类中隶属函数的梯度，如“像素分类方法”一节所述。
另一种基于模型的技术称为“带电导线”（9）。当用户在图像上移动计算机鼠标时，这种半自动边界跟踪技术以交互方式计算和选择最佳边界。当鼠标移近对象边界时，带电导线边界将捕捉并环绕所需对象。
基于模型的分割的一个限制是模型可能会收敛到错误的边界。在某些应用中，需要手动将模型的初始位置放置在离所需边界足够近的位置。
肿瘤影像学相关性
在肿瘤影像学研究中，一个主要目标是准确定位巨蟹座. 一些肿瘤可以通过其图像强度与正常组织区分开来，因此可以采用基于阈值或区域生长的技术。一些肿瘤可以通过其形状来识别，因此基于模型的技术可以应用于肿瘤成像。一些肿瘤可能与正常组织没有解剖学差异，但在PET和动态对比增强MRI（DCE MRI）等功能成像中表达不同。在这些情况下，首先生成功能图（在下一节中讨论），并且可以对这些图而不是原始图像执行分割。
分割技术的临床接受程度取决于计算的容易程度和用户监督的程度。交互式或半自动方法包括
继续阅读此处：传送
这篇文章有用吗？