医学图像中肝脏分割算法的综述报告.pptVIP

医学图像中肝脏分割算法的综述报告 背景介绍 基于医学图像的计算机辅助诊断是当代医学的重要方法，图像分割算法是医学图像处理的主要研究方向之一。医学图像分割的目的就是辅助医生对患病部位的诊断和治疗，各种基于医学图像的诊断、分析、治疗和评估等等研究都是假设已经对图像做了精确的分割，或者说都是以图像分割为基础的。 磁共振MR(Magnetic Resonance)图像和CT图像是公认的确认肝脏有无肿瘤性质的病变的金标准检查方法，但是由于肝脏组织浸润和个体差异，在解决肝脏分割方面还没有通用的数字图像处理方法。 分割算法的分类 图像分割按原理主要分为三大类 1、阈值方法 2、聚类方法 3、可变模型 阈值分割方法 基于迭代四叉树的分割方法 四叉树区域分裂方法是一种典型的分割方法：先将整个图像看成一个区域，然后不断将图像分裂成4个矩形区域，直到每个区域内部都是相似的四叉树分割方法的特点是图像的灰度变化越大，子区域的面积越小，分割结果越精确。在用四叉树方法得到的肝脏分割图像中，存在一些问题：首先是肝脏区域内部灰度不均匀导致一些大的斑点；其次在肝脏区域及整个图像边缘处，由于灰度变化剧烈产生了孔洞，这两个因素影响了初步分割结果的准确性。同时，初步分割区域边缘的锯齿型结构，与人体组织的自然平滑状态不符。 自适应分割方法 方法通过构造频率图像自动选取序列中含有最大肝脏区域的图像切片，以此图像切片为起点，向上、向下对序列图像依次进行分割．在分割的过程中，将相邻图像的分割结果作为当前分割图片的掩膜图像，以表示当前图像中肝脏区域的大致轮廓，据此轮廓，统计当前图像中肝脏区域灰度值变化范围，进行自适应阈值分割，最后利用集合关系及质心位置合并阈值分割后的肝脏区域． 聚类分割方法 基于模糊C均值聚类的分割方法 模糊c均值聚类算法的步骤还是比较简单的，模糊c均值聚类（FCM），即众所周知的模糊ISODATA，是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。1973年，Bezdek提出了该算法，作为早期硬c均值聚类（HCM）方法的一种改进，这种方法是一种简单的迭代。 基于混合聚类分割 混合聚类方法。在对图像预处理后, 将每个像素的邻域特征向量送入自组织特征映射网络(SOM) 中进行训练。作为初步聚类的结果,SOM 的输出典型向量根据命中图过滤, 由层次合并聚类方法进一步处理。采用图像分割量化指数来确定聚类的最佳类别数; 可变模型分割方法 基于Snake 模型的分割方法 首先在图像的感兴趣区域附近定义一条带有能量的样条曲线( 轮廓) ，然后在曲线自身的内力和图像信息产生的外力共同作用下不断运动，最后使该样条曲线收敛到目标边缘，此时能量处于最小值。Snake 模型具有一些经典方法所无法比拟的优点，它将图像数据、初始估计、目标轮廓及基于知识的约束统一于一个特征提取过程中; 经适当地初始化后，它能够自主地收敛于能量极小值状态;尺度空间中由粗到精，可以极大地扩展捕获区域和降低计算复杂性。。但是Snake 模型也有其自身的缺点，该算法的结果依赖于曲线初始轮廓，如果初始轮廓选取不好的话，算法可能收缩到局部极值，不能正确地分割。 可变模型分割方法 基于分水岭变换的分割方法 分水岭变换方法是一种基于拓扑理论的数学形态学的分割方法，其基本思想来源于地形学，它将图像看做是地形学上被水覆盖的自然地貌，图像中的每一像素的灰度值表示该点的海拔高度，设想在各个局部极小值点打一个洞，将地形图逐渐浸入一个湖中，全局极小值点的盆地先进水，水位逐渐升高，当相邻两个盆地的水即将合并时，在两个盆地间建坝拦截。最终整幅图将被划分成许多山谷盆地。其每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则为分水岭，分水岭就是分割这些盆地的堤坝，作为各个区域的分隔线。分水岭算法的突出特点就是对图像微弱边缘具有良好响应，但因图像纹理或噪声造成的低对比度变化可能产生许多局部山峰或山谷，经分水岭算法处理后会形成许多小区域，由此导致图像的过分割。 可变模型分割方法 基于水平集的分割算法 水平集方法的基本思想是将闭合曲线C 作为零水平集x嵌入到高一维空间的水平集函数X中, 按照一定关系不断更新水平集函数来演化隐含在其中的闭合曲线, 通过检测演化过程中X的零水平集能得到曲线的演化结果。传统水平集方法仅利用了活动轮廓所在位置及其周围的局部梯度信息, 在图像弱边缘处容易出现边缘泄漏或分割不足等问题.