区域生长法肺实质分割

《区域生长法肺实质分割》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、肺实质分割方法研究王晓飞1226016721.近年来国内外研究现状近年来，医学图像处理领域得到了惊人的发展。医学图像处理是目前一个热门的研究方向，也是一个富有挑战性的领域，而医学图像处理中的一个关键性的问题就是图像分割。图像分割被广泛地应用到临床诊断和科学研究中的应用分析中。分割方法主要包括阂值法、区域生长法、基于模式分类的分割方法、分水岭分割法等几种。但是这些方法仍然得不到令人满意的效果。最近几年来，随着各学科领域都得到了飞速的发展，面对传统图像分割方法中存在的很多问题，医学图像研究人员不断改进传统方法，并且将其他学

2、科的一些理论知识和方法加入到图像分割中，提出了不少新的图像分割方法。总体来说，医学图像分割技术的发展是从人工分割到半自动分割再到自动分割这样一个顺序。由于早期技术的落后，医生和研究人员只能依靠手动在源图像上画出需要的边界，完成图像分割的目的。例如，当临床医生检查病人脑图像时，往往要对成百上千的脑切片图像进行手动边界描绘工作，根据得到的信息推断病变区域的结构信息以及与周围组织的关系，然后以此决定如何诊断疾病。人工方法不仅是费时费力，而且分割出来的结果往往是依赖于操作者的知识水平，并且多人对同一图像多次分害」，甚至同一人不

3、同时间对同一图像分割的结果往往也会不同。随着计算机技术的发展产生了半自动的分割方法，它将操作者的知识与计算机的快速数据处理能力结合在一起，从而达到对医学图像分割的目的。相比人工分割方法，半自动的分割不但分割速度快，而且分割精度也高。半自动分割方法一定程度上减少了人工干预的影响，但是有的步骤仍然需要人工参与其中。近年来，随着大量的新兴技术如人工智能和小波变换等在图像分割中的应用，在图像分割领域中也出现一些自动的分割技术。自动分割方法的处理过程完全不需要人为的干预，整个医学图像分割过程完全计算机独自实现。就目前情况来看，图

4、像分割技术在临床上的应用，自动分割方法并没有完全取代人工分割方法与半自动分割方法，甚至有医院，仍然采用人工方法来进行图像分割。造成这种现象的原因是医学图像通常表现为对比度低，不同软组织之间或病灶与软组织之间存在边界的模糊性、组织特性的可变性以及形状结构和微细结构（如血管、神经）分布的复杂性等，而计算机在处理这些信息时还没有很好的解决方案，使得自动分割技术有极大的困难。自动分割得出的结果并不令人满意，在实际临床应用中，往往需要人工来干预分割过程来得到比较理想的分割效果。虽然目前已经产生了很多自动的图像分割方法，但是诊断准

5、确率仍然不是很高，在临床上的应用效果仍然不理想。尽管如此，研究出方便、准确、实用的自动分割方法来取代繁杂的人工操作一直是医学图像领域研究的热门，也是图像分割领域目前以及今后一定时期内的研究重点。几十年来，广大学者和研究人员对医学图像分割做了大量的研究工作，并且取得了丰富的研究成果。传统的医学图像分割方法一般包括基于阂值的方法、基于边缘检测的方法以及区域生长法等。闽值分割法是最简单、最常用的分割方法。闽值分割法分为单闽值分割和多闽值分割，它的优点就是实现简单，对于具有不同特性的物体灰度值或者是灰度值相差很大的情况下，能够

6、非常有效的对图像进行分割。阂值分割法一般不单独使用，而是和其他方法结合起来作为医学图像分割系统的预处理过程。闽值分割法的缺点是在处理图像中物体特征值差别不大或者是多通道图像时效果不好，对于图像中灰度差别不明显以及灰度值范围内有较大重叠的图像分割问题，得不到准确的结果。基于边缘检测的方法，是根据相邻像素灰度值的突变性来检测获得不同区域之间的边缘。而边缘点的判断是基于检测点的本身和与它临近的一些点，一般是包括局部微分算子，如canny算子、sobel梯度算子和RobertS梯度算子等。边缘检测方法对噪声比较敏感，抗噪性和检

7、测精度之间存在矛盾，若提高检测精度，则噪声会影响产生不合理的边缘；若提高抗噪性，则可能得不到需要的轮廓。区域生长方法，在医学影像分割中应用的非常广泛，该方法的原理是先选取一个像素作为种子点，然后将种子点周围的相似像素依次加入到种子点像素所在的区域中，这样就将图像划分成了不同的区域。这种方法的优点是简单，对分割小的结构非常适用。它的缺点是需要人工手动的获取种子点。目前也有专家学者通过研究提出了一些自动获取种子点的方法，从一定程度上解决了需要人工干预的问题，但是在效果上仍然需要进一步研究。为解决传统医学图像分割技术中存在的

8、难题，近年来，研究者们将其他学科的一些理论知识加入到图像分割中来，取得了很大的进展。一些新理论如模糊集理论、形态学理论、小波理论等在图像分割技术中的应用日趋广泛。如模糊均值聚类（FCM,FuzzyC-means）方法，这种方法通过优化图像像素点和C类中心之间的相似的目标函数来获取局部极大值,以此得到最优聚类。这种方法的缺点是计算量