2024年5月13日发(作者：索尼股价)
图像与多媒体技术
•
Image & Multimedia Technology
医学图像分割方法
文/潘晓航
阈值选取难以得到准确的分割结果。
随着影像医学在临床医学的
（2）对灰度差异不明显或物体灰度值大
摘
成功应用，医学图像分割在临床
量聚集在某一范围的图像分割效果较差。
要
诊疗中起着越来越重要的作用。
分割算法的精准性将影响诊断结
2.2 模糊c-均值聚类算法
果和治疗方案，本文从医学图像
分割几种常用的方法出发，结合
从生物学成像设备得到的图像数据具有
医学图像的应用，总结了每种方
不确定性（即模糊性），模糊分割算法能保留
法的优缺点，列举了每种方法的
改进算法。最后，进一步阐述了
更多的原始信息，这使得模糊技术在图像分割
图像分割技术的发展趋势。
中得到广泛应用。模糊c-均值聚类算法，简
称FCM算法，它根据分类依据，将样本分成
n个模糊组，求出每组的聚类中心，采用迭代
法优化目标函数，获得全局最小值，从而得到
【关键词】医学图像分割 医学图像应用 阈值
最优聚类。
模糊c-均值 活动轮廓模型 人工神经网络
传统的模糊c-均值聚类算法在运用时不
需要人为的干预，能够克服灰度图像中存在的
不确定性和模糊性，适合自动分割应用领域。
1 引言
文献[5,6]对该方法分割复杂结节的准确性、
稳健性和重复性进行了考证。二者均以PET
医学图像分割是医学图像处理和分析中
信息为线索，采用模糊分割在CT图像上勾画
的重要步骤，其最终目标是使用一系列特征（如
肿瘤轮廓，如图2所示。然而，若PET信息
图像灰度、纹理、颜色以及局部统计特征等）
与CT信息差异较大，算法中的折中机制会带
将图像中“感兴趣区域”提取出来，辅助医生
来较大的分割误差。
诊断、制定治疗计划和进行临床研究。然而，
模糊c-均值聚类算法在进行图像分割时
成像过程中噪音、场偏移效应等因素使获得的
存在几个难点：
图像模糊、不均匀，加上医学图像本身对比度
（1）在对组织异常，区域未知的医学图
低、组织与病灶之间边界模糊，分割算法的结
像进行分割时，很难确定聚类的数目。
果受到很大影响。现存的分割算法都存在一定
（2）初试聚类中心的确定没有一定的标
的针对性和适用性，在临床治疗中，需要针对
准。初始聚类中心的确定十分重要，但因为事
具体应用领域选择适当的分割方法。
先无法预测，只能进行猜测，限制了该算法发
挥最大功效。
2 常用医学图像分割方法
（3）算法开销太大。如果样本数量庞大，
计算量会随之增大，需要较长时间才能完成，
2.1 阈值法
难以实时处理数据。
在此基础上，研究者提出了大量改进算
阈值法是最常见、应用最广泛的一种分
法，齐淼等人[7]提出了改进的模糊C-均值
割技术。阈值法基于图像中目标物体与背景像
聚类算法，改进隶属度函数等，使算法具有更
素灰度的差异性，把图像分为灰度值不同的目
好的健壮性和聚类效果。侯晓凡等人[8]提出
标和背景区域展现在直方图中，直方图中，不
了一种快速的模糊局部C-均值聚类分割算法，
同的目标和背景呈现出不同的峰，选取一个或
该算法满足了图像分割有效性的需求，能更好
多个阈值对图像进行分割，如图1所示。对待
地满足实际场合图像分割的需要。
分割图像的灰度直方图阈值的选取是整个分割
过程中至关重要的一步，可通过直方图灰度分
2.3 基于活动轮廓模型分割方法
布、双峰法、迭代法、大津法等进行阈值的选取，
很多学者对该问题进行了研究，申铉京等人
基于活动轮廓模型（Active Contour
[1]提出了三维直方图重建和降维的Otsu阈值
Model, ACM）分割病灶区域的核心思路是利
分割算法，该算法具有更强的抗噪性,分割效
用病灶和正常组织之间的区域一致性信息，具
果较为理想,时间复杂度远低于三维Otsu法。
体思路如下：
邸秋艳[2]提出了基于Tsallis熵的阈值图像分
割方法，在阈值的选择过程中，利用Tsallis熵
的非延广性提高了分割的准确性。
尽管阈值法处理直观，计算量小，但在
具体使用中存在如下问题：
（1）
（1）选取合适的阈值相对困难，不当的
其中，分别为正则项（第一项）
和拟合项（第二、三项）的参数，通常情况下
84 •
电子技术与软件工程
发布者：admin，转转请注明出处：http://www.yc00.com/num/1715575328a2639100.html
评论列表（0条）