杨柳 杨耀田
河南师范大学 河南省新乡市 453000
摘要：医学图像分割在临床诊断中发挥着重要作用，近年来，随着计算机技术的提高以及机器性能的改进，人们对医学图像分割技术的研究不断深入，越来越多的算法思想涌入。基于现阶段水平国内外研究，本文对常用的医学图像以及近年来医学图像分割技术进行论述，对各种方法的应用及特点展开讨论，分析和对比了近年来涌现的医学图像分割方法的优缺点，审视了该技术目前存在的问题，对未来该技术的发展进行了展望。
关键词: 医学图像；图像分割；图像处理
0 引言
现如今经济飞速发展，人们生活质量提高的同时更加关注自身的健康问题，医学发展迎来了巨大的挑战。医学图像能够反映解剖区域内部结构和功能，在临床医学上发挥着重要的作用。目前，医学上常用的医学成像技术，包括MRI图像、CT图像、超声成像等。
医学图像分割是医学图像处理与分析领域的复杂而关键的步骤,其目的是将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生作出更为准确的诊断。[1]医学图像分割对于临床医学、病理研究、医学图像处理、医学分析等医学研究方面有着广泛的应用。
1 目前常用的医学图像种类及其特点
MRI图像：MRI图像是细胞内氢原子核，在磁场作用下发生了共振现象，通过磁共振仪器把共振的轨迹记录下来，经过高能电子计算机对数据重建，形成磁共振影像用于临床诊断。[2]MRI图像可以精确地定位肿瘤，区分肿瘤和正常软组织器官，相比CT血管有创造影有很大的优势。
CT图像：CT图像以不同的灰度来表示，反映器官和组织对X线的吸收程度。[3]对密度高的组织现象清晰，
清晰的显示血管走向及血管病变。但是具有局限性，一方面受伪影的影响，在阅读检查部位时有一定的漏诊率，对较小关节清晰度不高，难以观察。另一方面，使用CT 影像时会产生辐射，对人体存在一定伤害。
超声成像：超声成像技术已在医疗检查方面获得普遍应用，该技术有高的软组织分辨力，安全且费用低，成像速度快，可确定人体器官组织的位置、大小、形态以及病灶的范围。但是容易受到骨骼与气体的阻碍，因此该方法不适合用于肺部及消化道的检查。
2 近年来出现的图像分割技术
2.1 区域生长法
区域生长法的目标是将具有相似性质的像素点合并，该方法的主要步骤：（1）指定一种子点作为起点（2）邻近种子点与原始种子点进行比较，性质相似合并在生长（3）直到没有合格的种子点时停止生长。区域生长法的核心是找到某种合适的标准将连续均匀的目标合并，其对面积不大的区域基本可以实现全面分割，具有较高的精确性，包括每一区域种子点的位置、种子生长准则以及种子何时停止生长。对于面积较大或者存在噪声的区域，则分割结果就可能出现错误。在处理图像过程中，若出现多个灰度值相似的区域，单次分割会呈现不足。实际应用中，区域生长法往往会与其他分割方法结合使用。
2.2 边缘检测法
边缘检测方法的核心是对目标区域边界的检测，主要步骤为：（1）检验图像的局部不连续即边界的反映（2）挑选出具有代表性的边界像素点（3）构成完整边界。目前常用的算法有Sobel算子和Laplacian算子。Sobel算子的基本思想是选取邻域内灰度变化超过阈值的像素点当做边缘点。这种方法速度快，运算简单，却只能检测两个方向的边缘，不适用于于纹理复杂的图像。Laplacian算子是根据图像f（x,力在x,少方向上的二阶偏导数定义的一种边缘检测算子，利用边缘邻近一阶或二阶方向导数变化规律,用简单的方法检测边缘。[3]是一个与方向无关的检测算子，算子对噪声敏感，图像往往需要平滑处理降噪。边缘检测方法速度快，常用于性质差别较大的目标区域检测，但在使用当中，要注意处理好抗噪声与检验精度的矛盾。
2.3 模糊聚类法
在很多情况下，事物的边界并不明显，我们无法将事物进行确定分类，只能进行模糊判断，这种不确定描述能更加精准的反映世界。如今，大部分的医学图像都具有不确定性和模糊性，适合使用模糊聚类算法。模糊聚类不但可以从原始数据中直接提取特征，还能对已经得到的特征进行优选和降维操作，以免造成“维数灾难”。目前最常用的模糊聚类算法为模糊C-均值算法，当我们遇到统计模型无法确定的情况时，该算法就是很好的选择，它通过两次迭代得到最优边界[4]，提供了更加灵活的聚类结果，在大型数据分析、图片处理等方面应用广泛。
2.4 基于遗传算法的图像分割方法
遗传算法是由物竞天择，适者生存的进化规律逐步演化而来的拟自然选择算法。遗传算法是基于种群的算法，即每次迭代生成多个解。当不存在确定性方法或确定性方法计算复杂时，使用遗传算法通过搜索不断接近最优解。它拥有隐含并行性和对全局信息的有效利用两大显著优点，有助提高算法搜索速度和增强鲁棒性[5]。基于遗传算法的图像分割方法局部搜索能力有所欠缺，更适合于全局搜索。当噪声干扰较大时，进化过程中有时会产生一些异常个体，从而对进化结果产生影响，只能产生局部最优解。这些影响可以从编码方式、执行策略、参数控制等方面得到改进。其难点在于适应度函数的选择以及交叉概率和变异概率的确定[6]。
2.5 基于数学形态的图像分割方法
数学形态学拥有完整的基于集合运算的方法，为图像研究和处理提供了强大的工具，在进行图像处理时，该方法主要对原图形进行交、并等运算，通过几何特征描述图像间的关系。该方法基本的形态运算是腐蚀与膨胀。[6]其中经典算法为分水岭算法，其基本思想是把图像看作是测地学上的拓扑地貌, 图像中每一点像素的灰度值表示该点的海拔高度, 每个区域都有它的局部极小值, 每一个局部极小值及其影响区域称为集水盆地, 该盆地的边界形成分水岭。[7]该方法计算量小、边界分割精度高，因此常应用于各类图像的分割。但是这种方法也存在一些缺点（1）易受噪声的干扰，导致局部极小值的增加，形成无用盆地。（2）容易产生远离目标的区域和孤立点，降低整体运算速度。
2.6 基于神经网络的图像分割方法
基于神经网络图像分割是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。[8]神经网络图像分割在临床医学上具有巨大的发展潜力，在原有的样本集中很容易引入新的信息，再次训练得到新的神经网络，极大地解决了图像中常见的噪声和不均匀问题。其目前面临的最大问题就选择何种网络结构，完成数值分析。其在运行过程中必须提前吸收大量的数据，以保证结果的精确性，结构复杂，分割的速度较慢，且数据量越大，分割精度越大。
3 结束语
本文从常用医学图像的种类及特点，近年来出现的图像分割技术方面总结了医学图像分割的发展进程。可以发现，在拥有巨大发展潜力的同时，该技术也面临着前所未有的挑战。在今后的发展过程中，应该致力于把图像分割技术的各种方法巧妙结合起来，趋利避害，实现对不同患者的全方位分析，为临床医学提供坚实可靠的依据，这对我国医疗水平的提高有着深远影响。
参考文献
[1]汪国强,曲晶莹.改进分水岭医学图像分割方法的研究[J].计算机工程与应用,2013,49(08):185-187.
[2]蒋秉梁,王晓堂.磁共振成像基本原理及临床应用[J].中国医学装备,2013,10(01):49-51.
[3]李想. CT图像的应用研究[D].哈尔滨工程大学,2004.
[4]张丹丹, 赵双. 图像分割技术综述[J]. 科技创新与应用, 2013, 000(010):36-36.
[5]唐春菊,刘衍平.基于遗传算法的类间方差图像阈值分割[J].攀枝花学院学报,2012,29(05):123-125.
[6]张爱华,雷小亚,陈晓雷,陈莉莉.基于细胞神经网络的快速手语视频分割方法[J].计算机应用,2013,33(02):503-506.
[7]马子睿.基于数学形态学的医学图像分割方法研究[J].电脑与信息技术,2009,17(02):4-6.
[8]孙欢欢,程耀瑜,冀钰.改进OTSU算法和边缘检测的图像分割算法研究[J].山西电子技术,2014(02):82-84.
[9]胡钦瑞. 基于粗糙集和MRF的彩色图像分割方法[J]. 西南师范大学学报(自然科学版), 2014, 39(4):110-116.
[10]裘意娜. 医学图像配准和融合的若干研究[D]. 宁波大学.