加入收藏 | 设为首页
 
知识创新的专业智力服务提供商 在线客服:467629937 电话咨询:18986146066
     
开题报告|论文答辩|经济管理专业毕业论文|行政管理毕业论文 护理论文|幼教论文|文学艺术论文|心理学论文|工作总结|应用文写作 伦理学论文|哲学论文|政治论文|行政公文指导|应用写作|保险论文 会计审计论文|公司治理论文|艺术学论文|体育论文|工科论文 政治经济学|战略管理论文|组织行为学论文|项目管理论文|市场营销论文 物流管理论文|电子商务论文|生产与运营管理论文|人力资源管理论文 论文选题|文献综述|参考文献|论文指导|科技论文发表|工商管理|法学论文 机械论文的标题|指导硕士论文|论文格式|医学论文指导|建筑论文指导 经济学毕业论文范文|硕士毕业论文格式|新闻论文开题报告范文|管理心理学论文 旅游管理专业毕业论文|硕士论文范文|毕业论文任务书范文|管理学论文范文
 
当前所在的位置 >> 首页 >> 医学论文
   
医学图像分割技术及其进展

     时间:2013-07-14  来源:本站原创

摘要:医学图像分割是医学图像处理中的一个经典难题。图像分割技术的发展不仅影响到医学图像处理中其它相关技术的发展,如可视化、3D重建、不同模式医学图像的配准和融合等,而且在生物医学图像的分析中也占有极其重要的地位。近年来,由于一些新兴学科在医学图像处理中的应用,医学图像分割技术取得了显著的进展。本文对近年来的医学图像分割技术、发展趋势、研究热点及其医学图像分割的评价等问题进行了综述和讨论。

关键词:医学图像分割;模糊分割技术;基于知识的分割技术;人工神经网络;图像分割评价

图像分割的目的和意义

医学图像分割技术是医学图像处理和分析中的关键技术。医学图像分割是一个根据区域内的相似性以及区域间的不同把图像分割成若干区域的过程。从图像中把有关结构(或感兴趣区)分离出来是图像分析与识别首要解决的问题,也是制约医学图像处理中其它相关技术发展和应用的瓶颈[1]。从医学研究和临床应用的角度来看[2],图像分割的目的是对原始的2D3D图像划分成不同性质(如灰度、纹理等)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。

医学图像分割在临床诊断、病理分析以及治疗方面具有重要意义,具体表现在以下几个方面:

(1)图像分割的结果常用于生物医学图像的分析,如不同形式图像的配准、融合,解剖结构的测量,获取先验知识用于图像重建以及心脏运动的跟踪等[3]

(2)用于测量人体器官、组织或病灶的体积。通过对这些体积在治疗前后的定量测量和分析,可以帮助医生进行诊断、预后和制定或修改对病人的治疗方案[4]

(3)用于医学图像的3D重建方面,便于可视化,外科手术方案的制定和仿真,病理研究,药物疗效的评估,解剖参考以及放疗计划中的3D定位等[5]

(4)图像分割结果可用于在不丢失有用信息的前提下进行数据的压缩和传输。这对于提高在PACS、远程放射学和Internet中的图像传输速度是至关重要的[6]

(5)分割后的图像与噪声的关系减弱,因此具有降噪功能,便于图像的理解。

医学图像分割技术的发展

医学图像分割技术的发展是一个从人工分割到半自动分割和自动分割的逐步发展过程。早期的图像分割完全是靠人工完成的。完全的人工分割方法是在原始图像上直接画出期望的边界[7]。例如,当医学专家检查病人脑图像时,有时要对数以百计的脑切片图像进行边界的人工描绘工作,根据边界的人工描绘结果构思病灶与其周围组织的三维结构及其空间关系,并以此作为制定治疗计划的基础。这种方法费时费力,分割结果完全依赖于分割者的解剖知识和经验,而且分割结果难以再现。半自动的分割方法是随着计算机技术的发展产生的,它把操作者的知识和计算机的数据处理能力有机地结合起来,从而完成对医学图像的交互分割[8]。与人工方法相比,半自动的分割方法大大减少了人为因素的影响,而且分割速度快,分割精度高,但操作者的知识和经验仍然是图像分割过程的一个重要组成部分。近年来,由于大量的新兴技术如模糊技术和人工智能技术在图像分割中的应用,图像分割领域中也涌现出一些自动的分割技术[5,9,10]。自动分割方法能完全脱离人为干预,由计算机实现医学图像分割的全过程。由于自动分割方法的运算量较大,目前大部分的自动分割方法都是在工作站上实现的。从目前图像分割技术在临床上的应用情况来看,自动分割方法并没有完全取代人工分割方法和半自动分割方法。在许多医院,图像分割仍然是由人工完成[2,6]。这是由于医学图像常表现为对比度低,组织特性的可变性及不同软组织之间或软组织与病灶之间边界的模糊性、以及形状结构和微细结构(血管、神经)分布的复杂性等,给研制自动分割技术造成了极大的困难。在实际应用中,为获得理想的分割效果,常常需要对分割过程进行人工干预。虽然文献[11,20]综述了许多自动的图像分割方法,但是目前大部分自动方法仍然停留在实验阶段,真正能用于临床的还为数不多[12]。尽管如此,研究实用的自动分割方法并最终取代繁琐的人工分割和主观性很强的半自动分割一直是人们追求的目标,也是近年来图像分割方法的研究重点。

六十年代以来,人们研制开发出众多的图像分割方法,许多方法最初都是采用单一的图像分割技术,如单纯利用各种微分算子进行边界探测的基于边界的分割技术,利用区域生长或区域分裂的基于区域的分割技术,利用概率统计理论的分割技术等。随着CTMRIPET成像模式的产生和普及应用,单一的分割技术已难以胜任对新的成像模式产生的复杂的医学图像的分割任务。为此,人们提出了集成(integrating)分割技术的概念[3],即把两个或两个以上的单一技术结合在一起,使它们扬长避短,互为补充。实际应用表明[3,12],集成分割技术比单一技术能够达到更理想的分割效果,是图像分割技术发展的一个重要方向。

医学图像从本质上是模糊的[9],在医学图像中存在许多不确定的因素,如灰度、纹理和区域的边界等。虽然这些不确定性给图像分割技术的研究带来了许多麻烦,但是却给模糊技术提供了用武之地,因为模糊技术非常适合处理事物的不确定性。近年来,随着模糊技术的不断成熟,它在图像分割中的应用也日益活跃,成了医学图像分割技术的一个研究热点,许多模糊分割技术也应运而生,如应用模糊子集理论的模糊分割技术[9],模糊C-均值聚类分割技术(FCM)[13],应用模糊逻辑的基于IF-THEN规则的模糊分割技术[14]等。目前,模糊技术在图像分割中一个显著的应用特点是它几乎能与所有现有分割技术结合使用,从而形成一系列的集成模糊分割技术,FCM与基于知识的分割技术结合形成了基于知识的模糊分割技术[12],FCM与人工神经网络结合形成了模糊人工神经网络分割技术[15]。诸如此类,模糊阈值,模糊聚类,模糊边缘检测技术等都是模糊技术与其它技术结合的产物。由此看来,模糊技术为医学图像分割技术展示了乐观的前景。随着人工智能在图像分割中的应用,基于知识的分割技术和基于人工神经网络的分割技术也成了近年来图像分割技术的研究热点。

医学图像分割技术概述

尽管图像分割方法众多,但大部分图像分割方法主要可分为基于区域的分割方法和基于边界的分割方法[3]。基于区域的分割方法,依赖于图像的空间局部特征,如灰度、纹理及其它像素统计特性的均匀性等。典型的基于区域的分割方法有区域生长、区域分裂以及区域生长与分裂相结合的方法等。由于这些方法直接依赖于图像的灰度值,因此它们的主要优点是对噪声不敏感。但是,这些方法常常造成图像的过分分割问题(oversegmented),而且,分割结果很大程度上依赖于种子点(seed points)的选择,分割所得到的区域的形状也依赖于所选择的分割算法。基于边界的分割方法主要是利用梯度信息确定目标的边界,包括局部微分算子,Roberts算子,Sobel算子,Prewitt梯度算子和Laplacian二阶差分算子等[2]。这些方法不依赖于已处理像素的结果,适于并行化,但缺点是对噪声敏感,而且当边缘像素值变化不明显时,容易产生假(false)边界或不连续的边界。在实际应用中,往往需要把这两类方法结合起来用以获得更好的分割效果。

传统的医学图像分割一直停留在人机交互水平,处理时间长,而且处理结果受人为因素的影响。因此,如何实现图像的自动分割一直是医学图像处理的研究重点。近年来,随着一些新兴技术(如模糊数学、数学形态学、数字拓朴学、人工智能等)在图像处理中的应用,使图像分割技术取得了显著的进展,一些全新的图像自动分割技术应运而生,如模糊分割技术[9,13],基于知识的分割技术[10,12],人工神经网络分割技术[15]等。这些技术代表了近年来医学图像分割的最新研究成果,也是今后若干年医学图像分割技术的研究方向[16]。由生物医学成像设备获取的图像数据具有内在的不确定性[9],这种不确定性的程度依赖于许多因素,包括在空间、时间和参数分辩率方面的局限性以及成像设备的其它物理限制等。这些不确定性是模糊技术在图像分割中得到广泛应用的一个决定性的因素,因为模糊技术正是为了处理事物的不确定性而诞生的。Jayaram等人[9]根据模糊子集理论和数字拓朴理论,提出了一整套模糊分割的理论、方法和算法,成功地解决了(1)在模糊集合里定义目标(ob-jects)的概念;(2)在模糊情况下处理一些拓朴概念,如连通性(connectedness)和边界等;(3)有效地提取模糊连接分量(fuzzy connected components)和模糊边界的算法等问题。模糊C-均值(FCM)算法用于图像分割时是一种非监督(unsupervised)模糊聚类后的标定过程[13],应用时可以减少人为干预,适合于灰度图像中存在不确定性和模糊性的特点。FCM具体的操作方法是,根据分类依据,n个样品出发,反复利用合并和迭代方法,得出一个聚类子集和聚类中心,然后根据每个像元与每个聚类中心的贴近度的大小,将其归于一个具体的类中(类是一个具有相同特征的区域)FCM算法也存在一些明显的不足(1)有时聚类的类数无法预先确定,使用时必须确定聚类的有效性准则;(2)类中心的位置和特性不一定事先知道,必须进行初始猜测;(3)对大的数据样本集进行聚类时,运算的开销太大。目前,单独使用FCM进行图像分割的情况已为数不多,一般情况下都是把FCM方法与其它的分割方法结合起来使用[12],这样做既可以弥补FCM的不足,又可以获得更好的分割结果。

4. 结语

医学图像分割技术在医学领域具有广泛的应用。医学图像分割是开展医学图像在临床和生命科学研究领域广泛应用的一个先行程序,如三维可视化、不同模式医学图像的配准(registration)和融合(fusion)、放疗计划的制定、外科手术计划的制定和仿真以及大脑的功能性研究等。因此,从六十年代以来,人们研究出了许多方法用于解决医学图像分割问题。值得指出的是,由于医学图像的复杂性,到目前为止,还没有一种对所有医学图像都能产生满意的分割效果的分割方法。各种算法都是为解决一些特定的成像物理模型中的分割问题而产生的。医学图像分割评价问题是一个与医学图像分割密切相关的重要课题,对分割算法能否作出正确地评价,直接影响到分割算法在临床上的推广应用。从目前国内外有关医学图像分割的文献来看,医学图像分割评价问题还远未得到很好地解决,大多数文献都回避了这个困难的问题,有些文献虽然对医学图像分割评价问题进行了讨论,但他们的出发点都是以主观评价为主。综合近年来国内外的有关文献可知,模糊分割技术、基于知识的分割技术以及基于人工神经网络的分割技术将是今后若干年医学图像分割技术的研究热点,经典分割技术与现代分割技术的综合利用(集成技术)是今后医学图像分割技术的发展方向。

参考文献:

[1] Huseyin Tek and Benjamin B.Kimia. Volumetric Segmentation ofMedical Images by Three-Dimensional Bubbles[J].Computer v-ision and Image Understanding,1997,65(2):246-258.

[2] 王合.医学图像边缘检测技术的研究[M].上海交通大学博士学位论文,199611-4.

[3] Amit Chakraborty,Lawrence H.Staib, James S.Duncan. De-formable Boundary Finding in Medical Images by IntegratingGradient and Region Informmation. IEEE Trans[J]. MedicalImaging,1996,15(6):859-870.

[4] B.Johnston, M.S. Atkins, B. Mackiewich,et al. Segmentationof Multiple Sclerosis Lesions in Intensity Corrected MultispectralMRI. IEEE Trans[J]. Medical Imaging, 1996,15(2):154-169.

[5] W.M.Wells,W.E.L.Grimson,R.Kikins,et al. Adaptive Seg-mentation of MRI Data. IEEE Trans[J]. Medical Imaging,1996,15(4):429-442.

[6] B.Mackiewich. Intracranial boundary detection and radio fre-quency correction in magnetic resonance images. M.S. thesis,S-imon Fraster Univ,Burnaby,B.C, Canada,Aug,1995.

[7] C. Tsai. Automated segmentation of brain MR images[J]. Pat-tern Recognition, 1995,28(12):1825-1837.

[8] Kevin P.Hinshaw. Shape-based models for interactive segmenta-tion of medical images. in Image Processing,Murray h[J].loew,editor,Proc.SPIE, 1995,2434:771-780.

[9] Jayaram K.Udupa and Supun Samarasekera. Fuzzy Connected-

ness and Object Defination: Theory,Algorithms,and Applicationsin Image Segmentation[J]. Graphical Models and Image Process-ing, 1996,58(3):246-241.

[10] Norberto Ezquerra and Rakesh Mullick. Knowledge-guided seg-mentation of 3D imagery[J]. Graphical Models and Image Pro-cessing,1996,58(6):510-523.

[11] L.P.Clarke,R.P.Velthuizen, M.A.Camacho, et al. MRI seg-mentation :methods and application[J]. Megnatic ResonanceImaging, 1995, 13(3):343-368.

[12] Matthew C. Clark, Lawrence O.Hall,Dmirty B.Goldgof,et al.Automatic Tumor Segmentation Using nowledge-Based Tech-nique. IEEE Trans[J]. Medical Imaging,1998,17(2):187-201.

[13] M.C.Clark. MRI segmentation using fuzzy clustering tech-niques[J]. IEEE Engineering in Medicine and Biology,1994,13(5):730-742.

[14] Sai prasad ramy. Low-Level Segmentation of 3D Magnetic Reso-nance ImagesA Rule-Based System[J]. IEEE Trans. Med-ical Imaging ,1990,9(3):327-337.

[15] J.C.Ma. Segmentation of multidimension MR images using afuzzy neural network[J]. proceedings of SPIE-the Internation-alSociety for optical Engineering,1994,2298:636-643.

[16] 自然科学基金委员会1自然科学学科发展战略调研报告生物医学工程学[M]1北京:科学出版社,1995.

[17] S.C.Amartur,D.Piraino,and Y.Takefuji. Optimization NeuralNetworks for the Segmentation of Magnetic Resonance Images[J]. IEEE Trans. Medical Imaging ,1992,11(2):215-220.

[18] Guido valli. Artificial neural networks for the segmentation ofmedical images[J]. Technical Report No.940702,July,1994.

[19] Y.J.Zhang. A survey on evaluation methods for image segmen-tation[J]1Pattern Recognition ,1996,29(8):1335-1346.

[20] J.C.Bezdek,L.O.Hall,L.P.Clarke. Review of MR image seg-mentation techniques using pattern recognition[J]. Med. Phys.1993,20(4):1033-1048.

[21] Vikram Chalana and Yongmin Kim. A methodology for evalua-tion of boundary detection algorithms on medical images[J].IEEE Trans.on Medical Imaging,1997,16(5):642-652.

[22] Ren†G. van Wijhe. A thesis in partial fulfillment of the require-ments for the degree of Medical electrotechnical engineer[J].McGill University Biomedical Engineering Montreal, Quebec,1st August 1997.

顶部】 【关闭
   
 上一篇: 我国集团公司完善管理体制探析
 下一篇: 军校任职教育的教学和考核方法探析
MBA论文|医学论文|EMBA论文|工程硕士论文|工商管理论文|指导博士论文
   
 
 
 
 
 
 
 
 
我们的优势

武汉论文网—精英学术团队--以“博士慎学,睿智处世”为经营理念,云集全国知名高校优秀博士以及高校教师等论文指导专家,集论文指导、国外文献服务、论文发表、论文检测于一体 ,以诚信第一、楷模服务的理念为您提供优质的论文服务。凭借多年来积淀的学术期刊合作资源及百名教授博士合作加盟,本团队目前用户量已突破10万人,是目前国内规模最大、服务人员最多的正规论文服务机构。近年来,以快捷、高效、可靠、诚信、的服务宗旨深受网民及广大客户的青睐,是论文辅助的最佳平台绿色通道。本团队采用公司化运作模式,具有清晰的经营理念,“诚信经营、铸就品牌”,为客户提供完善持续的服务。
热点论文
 
专业论文|论文修改|论文检测|论文下载|CSSCI论文发表|期刊论文 核心期刊发表|职称论文|经济论文|管理论文|公共管理论文 教育论文|法律论文|论文格式|大学生论文|毕业论文指导|论文创作 论文写作指导|开题报告|论文答辩|经济管理专业毕业论文|行政管理毕业论文 旅游管理专业毕业论文|硕士论文范文|毕业论文任务书范文|管理学论文范文|经济学毕业论文范文 指导硕士论文|指导毕业论文|论文指导价格|指导留学生论文|论文资料
   
 
武汉论文网—精英学术团队 copyrights 2006 all rights reserved. 鄂ICP备10203056号
地址: 武汉大学 邮编:430070 电话咨询:18986146066 ,QQ:467629937  ,467629937 (9:30-23:30) 邮箱: 467629937@qq.com
硕士论文-MBA论文-博士论文-论文辅导-职称论文发表
您是本站第 266076 位浏览者
 
业务咨询 
点击这里给我发消息
点击这里给我发消息
点击这里给我发消息
点击这里给我发消息