醫(yī)學(xué)超聲影像三維目標(biāo)對象的分割方法論文
摘 要：探討醫(yī)學(xué)超聲影像三維目標(biāo)對象的分割方法。方法：針對我院目前使用的機(jī)型為GE730的實時三維超聲，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內(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，計算機(jī)輔助診斷成為現(xiàn)實。計算機(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)，對病人作出正確的診斷。在對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)域的一個研究重點。在這方面國內(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的實時三維超聲，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)計學(xué)的分割方法和混合方法，現(xiàn)報告如下。
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
邊緣檢測技術(shù)是通過檢測邊緣或體數(shù)據(jù)中的邊界面進(jìn)行圖像分割。三維邊緣檢測算法主要有兩個步驟：①通過區(qū)分不同屬性檢測出邊緣點；②將這些邊緣點組合成連續(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算子。三維邊緣檢測算法的優(yōu)點是：對于不同區(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出不同區(qū)域的邊緣；缺點是：它雖然檢測出了所有的邊緣，但是很難確定檢測出的邊緣與感興趣區(qū)域邊界的關(guān)系。另外，此類算法不適于對比度不明顯的數(shù)據(jù)，并且對噪聲十分敏感，大多數(shù)情況下邊緣檢測算法不單獨使用，而是與其他分割算法結(jié)合使用。
1.2 基于統(tǒng)計學(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，每個區(qū)域由兩個閾值來定義。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區(qū)域。閾值分割方法盡管算法簡單，但是對于不同區(qū)域間對比度明顯的體數(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，從而實現(xiàn)對圖像的劃分。
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，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，但是計算量相對較小。分類器的缺點是它們通常不進(jìn)行任何空間建模，在分割強(qiáng)度不均勻的圖像時不能達(dá)到很好的效果。另外，在獲得訓(xùn)練數(shù)據(jù)時需要人工干預(yù)，費(fèi)時費(fèi)力；并且由于不同人體之間解剖上和生理上的差異，對大批掃描圖像使用同一訓(xùn)練集會導(dǎo)致分割結(jié)果的誤差甚至錯誤。
1.3 混合分割方法
1.3.1 區(qū)域增長算法
區(qū)域增長算法是混合分割方法中最為簡單的一種算法，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)域增長算法需要一個種子點作為算法的'起始點。從種子點開始，算法增長至所有滿足連接標(biāo)準(zhǔn)的體素。與閾值算法一樣，區(qū)域增長算法非常簡單，一般不單獨使用。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。該算法最大的缺點是，需要人工交互選取種子點。而且，每一個待分割區(qū)域都需要一個種子點。另外，區(qū)域增長算法對噪聲和局部體效應(yīng)敏感，使得提取出來的區(qū)域不連續(xù)(有空洞)。
2 分割算法的性能評價
上述的大多數(shù)算法通常是針對某一類問題提出的,如果給定一個具體問題去選擇一種適合的分割方法仍是個難題,這就要研究分割評價。醫(yī)學(xué)圖像影像三維目標(biāo)分割算法的評價應(yīng)具有一般性、客觀性和定量性。一般性是指該方法應(yīng)適用于多個分割算法的評價,客觀性是指該方法不包含人為因素, 定量性是指評價結(jié)果是定量的。對分割算法評價要基于一定的評價準(zhǔn)則( 評價指標(biāo)或測度)，在分割技術(shù)的評價中,評價準(zhǔn)則是最重要的因素。常用的評價準(zhǔn)則有：①區(qū)域間對比度，根據(jù)區(qū)域之間特性對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。對基于不同數(shù)據(jù)采集方式的超聲三維成像技術(shù),一個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分割或基于內(nèi)嵌軟件的半自動分割,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。超聲仿真圖像和實際圖像的實驗結(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)對象的分割方法論文】相關(guān)文章：