【摘 要】医学图像分割是指在医学图像中，利用计算机视觉技术，根据区域内像素的相似特性（纹理等）以及区域间的不同特性，将图像中感兴趣的区域（ROI）提取出来，获取有关人体组织器官的有效信息，反馈给医生以及学者作为诊断依据。随着计算机技术的日新月异和医疗设备的快速发展，医疗图像分割技术在影像医学中的作用日益增大。本文首先介绍了医学图像分割的背景及其应用。接着，详细分析了相关图像分割算法。最后，总结了医疗图像分割技术在目前面临的困难与挑战，并提出了展望。
【关键词】医学影像；图像分割
【中图分类号】TP391.41 【文献标识码】A 【文章编号】1672-3783（2018）04-0281-01
1 引言
近几年来，随着计算机视觉技术和磁共振成像技术（MRI）、正电子放射层析成像技术（PET）、计算机断层成像（CT）、单光子辐射断层摄像（SPECT）、超声（Ultrasound）等医学影像设备的飞速发展，医学图像分割技术在影像医学中所发挥的作用越来越大。医学图像分割技术则是把医学图像分割成若干个具有不同特性的区域，区域内保持一定的相似性，区域间有一定的相异性，从而提取出感兴趣的部分。
医学图像分割在临床诊断中发挥着重要作用，如：
（1）生物医学图像分析：解剖结构的测量、心脏运动跟踪等。
（2）组织、器官定量分析：通过对人体器官或是病变器官容积的定量检测，为医生的临床诊断提供依据。
（3）医学图像3D重建：用于外科手术的仿真、药物治疗的评估等。
目前，医学图像分割技术的发展仍然面临一些困境，主要原因在于医学图像的多样性、复杂性及其采集的困难性。由于人体器官位置的特殊性，医学图像采集较为困难，图形容易受到组织运动等问题的影响，所采集的医学图像相交于普通图像而言，噪声较大。并且人体间存在个体差异，不同人体的组织和器官差异较大。因此，针对医学图像对图像分割技术进行研究，显得尤为重要。
2 医学图像分割算法
2.1 基于区域的分割方法
基于区域的分割方法要点在于利用区域内像素的相似特性（纹理等）和连续性以及区域间的不同特性进行医学图像分割，可以分为阈值法、区域生长和分裂合并法、分类器和聚类法等。
阈值分割法是最简单的一种图像分割方法。它按照选取的阈值个数分为单阈值分割和多阈值分割法。该方法建立在不同目标和背景在直方图上对应不同的峰值这个基础上。其优点是算法简单，对于灰度值相差大的物体分割效果好。其缺点是不适用于多通道图像和灰度值相差较小的物体。所以该方法一般用于图像预处理。
区域生长和合并是按照一定的顺序一步一步串行进行图像分割的算法。该方法先选取一个生长点，将该点附近的相似像素一步一步合并到生长点所在的区域中。这种方法的优点是计算简单，缺点是需要人工选择生长点。
分类器和聚类法是一种统计学习方法。分类器法是对已知的训练样本进行监督学习形成分类器，再用该分类器对检测样本进行分类。这种算法计算复杂度低并且可以运用于多通道图像的分割，但是其需要人工标定的训练集，对人力需求比较大。聚类法和分类器法类似，不同点在于聚类法不需要人工标定好的训练集，是一种无监督学习算法。常见的聚类法有K均值法、期望最大法（EM）。分层聚类法等。聚类法不需要人工参与，是一种自学习算法。但是需要为图像分割提供初始参数并且未考虑图像空间信息，对噪声敏感。
基于区域的分割方法除了上述方法之外还有基于随机场的分割方法、标记法、基于最小描述长度（MDL， minimum description length）法、混合分布法等一些统计学习方法。
2.2 基于边缘检测的分割方法
基于边缘检测的分割方法建立在区域边缘的灰度值变化剧烈这一理论基础上，通过检测不同区域的边缘来进行区域分割，分为串行边缘检测和并行边缘检测两大类。常见的边缘检测分割法包括：并行微分算子法、基于曲面拟合的方法、基于边界曲线拟合的方法等。
并行微分算子法首先对图像滤波得到降噪图像，然后通过求一阶导数的极值点或者二阶导数的零点来锁定区域边缘。该算法计算量相对较小，对边缘信息敏感。
2.3 结合区域与边界技术的方法
由于基于区域的分割法具有过度分割等缺点，所以人们将区域分割法和边缘检测法相结合，研究出了结合区域与边界技术的方法。该算法融合了区域分割法和边缘检测法的优点，但是在缺乏先验知识的情况下，应用效果较差。
2.4 基于模糊集理论的方法
基于模糊集理论的分割法是将模糊集理论引入图像分割领域中，具有计算量小，操作简便等优点。该算法包括模糊熵阈值分割方法、模糊测度阈值分割方法等。其中模糊熵阈值分割方法在1983年由Pal等人提出，用不同的S型隶属函数来定义模糊目标，选取有最小不确定性的S函数来帮助选取合适的阈值。该算法的缺点在于所选的S型隶属函数和窗宽对阈值影响较大，并且对于噪声污染较为严重的医学图像而言，分割效果不尽人意。随后Murthy、陈果、H.D.Cheng等人对该算法进行了进一步的优化。模糊测度阈值分割则是根据像素隶属于目标和背景的程度或者各个像素对于背景的隶属函数定义一种模糊测度，通过最小化模糊测度来进行阈值分割。
模糊聚类方法中最为常见的是由Bezdekdek提出的C均值算法（FCM）。该算法通过迭代计算样本和聚类中心的相似性函数，选取最小值作为最优聚类。其对初值的选择具有鲁棒性。但相似性函数可能存在多个局部最小值，使得优化结果收敛到局部最小值而不是全局最小值。为此，Mohamed等人对该算法进行了优化与改进。
2.5 基于神经网络的方法
基于神经网络的医学图像分割方法是伴随着人工智能的发展出现的一种较为新的图像分割算法。该算法通过模拟人脑神经元网络建立大量神经节点，仿照人脑思维过程通过学习构建神经節点之间的连接以及权重来实现医学图像分割。该算法针对噪声的鲁棒性较好。但是需要大量的训练样本对神经网络模型进行训练，这些样本的获取存在一定的困难，并且计算量较大。
2.6 其他方法
除了上述方法之外，针对医学图像分割还有其他方法，包括图谱引导（Atlas-guided）方法、数学形态学方法、尺度空间理论方法等。
3 总结与展望
本文介绍了医学图像分割技术的基本定义和应用背景，从基于区域的分割方法、基于边缘检测的分割方法、结合区域与边界技术的分割方法、基于模糊集理论的分割方法、基于神经网络的分割方法和其他方法等方面归纳总结了医学图像分割算法，详细分析了各个算法的优缺点。
目前，生物医学工程和计算机视觉领域相结合，已经成为一大研究热点。并且随着医疗技术的发展，人们对医学图像分割技术的精密度等要求也日益变高。无数研究员们致力于研究更为先进复杂的医学图像分割算法。医学图像分割的研究道路充满了挑战。
参考文献
[1]田捷等，实用图像处理技术，电子工业出版社，1994.
[2]田捷，罗希平，基于Live-Wire的交互式分割及其在医学图像中的应用，《中国学术期刊文摘》，2000，Vol.6，No.9，pp.1174-1175
[3]王合.医学图像边缘检测l技术的研究[M].上海交通大学博士学位论文.1996.1-4.
[4]JamesS.Duncan，and Nicholas Ayache， Medical Image Analysis： Progress over Two Decades and the Challenges Ahead， IEEE Transaction on patter analysis and machine intelligence， 2000， 22（1）：181-204.