醫(yī)學(xué)超聲影像三維目標(biāo)對(duì)象的分割方法論文
摘 要：探討醫(yī)學(xué)超聲影像三維目標(biāo)對(duì)象的分割方法。方法：針對(duì)我院目前使用的機(jī)型為GE730的實(shí)時(shí)三維超聲，將其總體的三維分割算法分為基于結(jié)構(gòu)的分割技術(shù)、基于統(tǒng)計(jì)學(xué)的分割技術(shù)和混合技術(shù)三大類。結(jié)果與結(jié)論：人體組織器官的三維圖像分割是醫(yī)學(xué)圖像分析和醫(yī)療診斷的重要前提，是醫(yī)學(xué)圖像三維可視化的重要研究?jī)?nèi)容。隨著醫(yī)學(xué)成像技術(shù)和三維可視化技術(shù)的飛速發(fā)展，計(jì)算機(jī)輔助診斷成為現(xiàn)實(shí)。計(jì)算機(jī)技術(shù)的發(fā)展使得醫(yī)生和研究者可以通過虛擬交互更好地理解人體的解剖結(jié)構(gòu)，對(duì)病人作出正確的診斷。在對(duì)人體組織器官和感興趣區(qū)域的分割中，三維分割發(fā)揮著十分重要的作用。
關(guān)鍵詞：醫(yī)學(xué)超聲影像；三維分割技術(shù)
醫(yī)學(xué)圖像三維分割一直是醫(yī)學(xué)圖像分析領(lǐng)域的一個(gè)研究重點(diǎn)。在這方面國(guó)內(nèi)外投入的研究很多，主要集中在三維CT和MRI圖像的分割上。筆者根據(jù)我院使用的機(jī)型為GE730的實(shí)時(shí)三維超聲，依照算法采用的分割依據(jù)將三維圖像分割算法分成三大類，即基于結(jié)構(gòu)的分割方法、基于統(tǒng)計(jì)學(xué)的分割方法和混合方法，現(xiàn)報(bào)告如下。
1 分割方法的分類
1.1 基于結(jié)構(gòu)的分割方法
1.1.1 三維邊緣檢測(cè)
邊緣檢測(cè)技術(shù)是通過檢測(cè)邊緣或體數(shù)據(jù)中的邊界面進(jìn)行圖像分割。三維邊緣檢測(cè)算法主要有兩個(gè)步驟：①通過區(qū)分不同屬性檢測(cè)出邊緣點(diǎn)；②將這些邊緣點(diǎn)組合成連續(xù)的輪廓，將感興趣區(qū)域的體素從其他體素中分離出來。邊緣檢測(cè)常借助空域微分算子進(jìn)行，通過將其模板與圖像卷積完成。目前已經(jīng)提出了許多邊緣檢測(cè)算子。三維邊緣檢測(cè)算法的優(yōu)點(diǎn)是：對(duì)于不同區(qū)域?qū)Ρ榷葟?qiáng)烈的數(shù)據(jù)的分割結(jié)果很好，能夠非常直觀地檢測(cè)出不同區(qū)域的邊緣；缺點(diǎn)是：它雖然檢測(cè)出了所有的邊緣，但是很難確定檢測(cè)出的邊緣與感興趣區(qū)域邊界的關(guān)系。另外，此類算法不適于對(duì)比度不明顯的數(shù)據(jù)，并且對(duì)噪聲十分敏感，大多數(shù)情況下邊緣檢測(cè)算法不單獨(dú)使用，而是與其他分割算法結(jié)合使用。
1.2 基于統(tǒng)計(jì)學(xué)方法
1.2.1 閾值分割方法
閾值分割算法是標(biāo)量體數(shù)據(jù)中最簡(jiǎn)單的分割方法。它利用閾值將體素分為兩部分：所有灰度值大于閾值的體素一起構(gòu)成一類；所有灰度值低于閾值的體素一起構(gòu)成另一類。該方法可以擴(kuò)展為應(yīng)用多重閾值，每個(gè)區(qū)域由兩個(gè)閾值來定義。輸入體數(shù)據(jù)中的每一體素根據(jù)灰度 值來判斷其屬于哪個(gè)區(qū)域。閾值分割方法盡管算法簡(jiǎn)單，但是對(duì)于不同區(qū)域間對(duì)比度明顯的體數(shù)據(jù)的分割卻十分有效。該算法的最大缺點(diǎn)是分割的結(jié)果在很大程度上依賴于閾值的選擇，即閾值的改變會(huì)導(dǎo)致分割結(jié)果(區(qū)域)的變化。
1.2.2 分類器算法
分類器算法是模式識(shí)別中的常用技術(shù)，其目的是利用已知的訓(xùn)練樣本集在圖像的特征空間中找出曲線或曲面，從而實(shí)現(xiàn)對(duì)圖像的劃分。
分類器算法是一種監(jiān)督性的算法，需要手工分割的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，然后以此為標(biāo)準(zhǔn)指導(dǎo)自動(dòng)分割。我們常把分類器分為參數(shù)分類器和非參數(shù)分類器兩大類：①參數(shù)分類器是指條件概率密度函數(shù)形式已知，但其中的一些參數(shù)(如均值、方差等)未知。常用的參數(shù)分類器是最大似然(分類器和Bayes分類器；②非參數(shù)分類器是指條件概率密度函數(shù)形式未知，必須從訓(xùn)練樣本集中估測(cè)，因此要求的數(shù)據(jù)量遠(yuǎn)大于參數(shù)分類器。常用的非參數(shù)分類器是K-最近鄰分類器和Parzen窗。
標(biāo)準(zhǔn)的分類器要求所要分割的結(jié)構(gòu)具有明顯的定量化特征，這是為了讓訓(xùn)練數(shù)據(jù)可以被作上標(biāo)記。只要特征空間能充分區(qū)分每個(gè)標(biāo)記，分類器就能將這些標(biāo)記數(shù)據(jù)轉(zhuǎn)換為新的數(shù)據(jù)，可以用于多通道圖像，但是計(jì)算量相對(duì)較小。分類器的缺點(diǎn)是它們通常不進(jìn)行任何空間建模，在分割強(qiáng)度不均勻的圖像時(shí)不能達(dá)到很好的效果。另外，在獲得訓(xùn)練數(shù)據(jù)時(shí)需要人工干預(yù)，費(fèi)時(shí)費(fèi)力；并且由于不同人體之間解剖上和生理上的差異，對(duì)大批掃描圖像使用同一訓(xùn)練集會(huì)導(dǎo)致分割結(jié)果的誤差甚至錯(cuò)誤。
1.3 混合分割方法
1.3.1 區(qū)域增長(zhǎng)算法
區(qū)域增長(zhǎng)算法是混合分割方法中最為簡(jiǎn)單的一種算法，該算法是一種根據(jù)預(yù)先定義的連接標(biāo)準(zhǔn)從三維體數(shù)據(jù)中提取連續(xù)區(qū)域的技術(shù)。一般地，區(qū)域增長(zhǎng)算法需要一個(gè)種子點(diǎn)作為算法的'起始點(diǎn)。從種子點(diǎn)開始，算法增長(zhǎng)至所有滿足連接標(biāo)準(zhǔn)的體素。與閾值算法一樣，區(qū)域增長(zhǎng)算法非常簡(jiǎn)單，一般不單獨(dú)使用。更多情況下，該算法只是作為分割任務(wù)中的一部分，作為最初的、更復(fù)雜的分割之前用來理解三維數(shù)據(jù)的方法。該算法最大的缺點(diǎn)是，需要人工交互選取種子點(diǎn)。而且，每一個(gè)待分割區(qū)域都需要一個(gè)種子點(diǎn)。另外，區(qū)域增長(zhǎng)算法對(duì)噪聲和局部體效應(yīng)敏感，使得提取出來的區(qū)域不連續(xù)(有空洞)。
2 分割算法的性能評(píng)價(jià)
上述的大多數(shù)算法通常是針對(duì)某一類問題提出的,如果給定一個(gè)具體問題去選擇一種適合的分割方法仍是個(gè)難題,這就要研究分割評(píng)價(jià)。醫(yī)學(xué)圖像影像三維目標(biāo)分割算法的評(píng)價(jià)應(yīng)具有一般性、客觀性和定量性。一般性是指該方法應(yīng)適用于多個(gè)分割算法的評(píng)價(jià),客觀性是指該方法不包含人為因素, 定量性是指評(píng)價(jià)結(jié)果是定量的。對(duì)分割算法評(píng)價(jià)要基于一定的評(píng)價(jià)準(zhǔn)則( 評(píng)價(jià)指標(biāo)或測(cè)度)，在分割技術(shù)的評(píng)價(jià)中,評(píng)價(jià)準(zhǔn)則是最重要的因素。常用的評(píng)價(jià)準(zhǔn)則有：①區(qū)域間對(duì)比度，根據(jù)區(qū)域之間特性對(duì)比度的大小可以判別分割圖像的質(zhì)量,也可由此推出所用分割算法的優(yōu)劣；②區(qū)域內(nèi)均勻度，圖像分割就是把一幅原始圖像分割成若干個(gè)具有相似特性的區(qū)域,可以用分割圖像中各區(qū)域內(nèi)部特性均勻的程度來描述分割圖像的質(zhì)量。
3 討論
當(dāng)今醫(yī)學(xué)超聲成像技術(shù)的發(fā)展趨勢(shì)主要表現(xiàn)為數(shù)字化、多功能化和多維化。其中,超聲三維或四維成像技術(shù)與常規(guī)二維超聲成像相比,不僅可以實(shí)現(xiàn)更加直觀形象的立體顯示,而且可以減小常規(guī)B超掃描層厚,提高B超掃描圖像質(zhì)量。對(duì)基于不同數(shù)據(jù)采集方式的超聲三維成像技術(shù),一個(gè)重要制約因素是三維體數(shù)據(jù)的有效分割,分割算法的性能直接影響后續(xù)的三維重建和可視化。目前臨床上使用的圖像分割方法主要是基于人工提取輪廓的手動(dòng)分割或基于內(nèi)嵌軟件的半自動(dòng)分割,在分割速度和分割效果方面還存在許多問題。 本文結(jié)合超聲三維成像的研究背景,對(duì)基于多平面掃描的三維成像技術(shù)中的圖像分割算法展開研究。在深入分析、研究已有超聲圖像分割算法的基礎(chǔ)上,綜合考慮分割速度和分割效果等因素,對(duì)兩種廣泛應(yīng)用于醫(yī)學(xué)超聲圖像分割的算法提出改進(jìn)方案。超聲仿真圖像和實(shí)際圖像的實(shí)驗(yàn)結(jié)果表明,改進(jìn)算法得到了較為理想的分割效果。
【參考文獻(xiàn)】
[1]宋麥玲；楊小紅；圖像分割技術(shù)研究[J]；軟件導(dǎo)刊；2007年07期
[2]石峰；三維醫(yī)學(xué)圖像精準(zhǔn)分割算法研究[D]；上海交通大學(xué)；2009年
[3]謝儀；常用數(shù)字圖像分割算法研究[J]；電腦開發(fā)與應(yīng)用；2008年06期
[4]魏巍；醫(yī)學(xué)超聲圖像的三維重建技術(shù)研究[D]；山東科技大學(xué)；2010年
【醫(yī)學(xué)超聲影像三維目標(biāo)對(duì)象的分割方法論文】相關(guān)文章：