医学图像分割知识点总结

一、血管造影技术
1.1、数字减影血管造影（DSA）
相比于其他常规造影技术成像的图像，整体血管结构更加清晰、直观，背景噪声较少，对于一些精细血管都能较为准确的显示。特别适用于大血管的检查，对冠状动脉也是最好的成像方法之一。
1.2、基于超声的经颅多普勒成像（TCD）
能够测量相当重要的血液动力学信息。
1.3、磁共振血管造影（MRA）
图像清晰，血管的细微结构显示好、空间分辨率高，但是细小血管的灰度与周围脑灰质的灰度近似，这是其分割难点，常用于检查动脉血管
1.4、 计算机断层扫描血管造影（CTA）
图像整体成像清晰，骨骼显示尤为高亮，主要大动脉较为清楚，细小血管比较模糊且与周围组织灰度相近。

二、血管图像分割方法
2.1基于阈值的分割方法
（1）、首先选择一种图像特征作为比较标准，如图像的灰度值、像素点的梯度值等
（2）、通过相关操作选择合适的阈值和误差范围
（3）、将待分割区域内的所有像素点的特征值与阈值比较，如果再误差范围内，则是目标像素点，否则为背景像素点。
参考文献
Lee J Y, Chen CH , Tasai JM , et al. 3 2 D image reconstruction of brain vessels from angiogram. IEEE TENCON 2 Digital Signal Processing Applications , 1996 ,2(2) :547 2 552.

2.2、基于活动轮廓模型的分割方法
基本思想与神经网络的损失函数类似，使用一个函数定义模型的某种属性，然后求函数达到最小值时的参数。在活动轮廓模型中使用一条封闭曲线代表目标的轮廓，然后定义关于曲线的函数表示曲线的能量，当曲线从目标轮廓的两侧远离时，能量增大，当曲线靠近轮廓时，能量逐渐减小，以此判断曲线与轮廓的距离。活动轮廓模型也是一种基于迭代的方法，在其具体流程中，用户首先在感兴趣区域勾勒出一条处事的轮廓线，该轮廓线可初始化在目标轮廓的内部、外部或与轮廓相交，然后通过迭代算法修改能量函数的参数，使能量函数减小，同时轮廓线朝着目标轮廓逐渐靠近，当函数值在误差允许范围内，迭代结束，算法停止。

2.3、基于区域增长的分割方法
区域增长的基本原理就是通过某种准则将整体图像划分为不同的子区域，然后按照一定方式将具有相似性的子区域合并起来，不断重复这个过程直到到达停止条件。区域增长方法根据取种子点的方式分为区域生长方法和区域分裂合并方法，这两种方法在最后的合并阶段过程十分相似。
区域生长方法：根据待分割目标的某种性质选择合适的种子点，然后按照特定的搜索方式搜索种子点的邻近区域，选择的种子点可以是一个像素点也可以是一个图像子区域，将周围邻域内符合条件的像素点合并到种子点后形成新的种子点。
区域分裂合并方法：相对于区域生长方法增加了一个区域分裂的过程和减少了选择种子点的过程，其思想是按照某种准则将图像分割成许多一致性较强的子区域，再将这些小区域具备一定相似性规则的区域合并起来成为大区域，以此达到图像分割的目的。
参考文献
Tuduki Y, Murase K, Izumida M , et al. Automated seeded region growing algorithm for extraction of cerebral blood vessels from magnetic resonance angiographic data. Proceedings of the 22 ’ nd Annual EMBS International Conference , 2000 , (3) :1756 2 1759.

2.4、基于数学形态学的分割方法
基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状，以达到对图像分析和识别的目的。数学形态学是由一组形态学的袋鼠运算算子组成的，有4个基本运算：膨胀、腐蚀、开启和闭口。数学形态学的应用可以简化图像数据、保持其基本形状特征并除去不相干的结构。
参考文献
Passat N , Ronse C , Baruthio J , et al. Automatic parameterization of Grey - Level Hit 2 or 2 Miss Operators for brain vessel segmentation. IEEE International Conference on Acoustics , Speech , and Signal Processing , 2005 ,2 :737 2 740.

2.5、基于统计学的分割方法
基于阈值的传统图像分割方法不能反映空间邻域的信息和 图像统计学分布信息，对灰度差异小的图像效果差。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量，要正确分割图像，就是要找出以最大的概率得到该图像的物体组合，从而将分割问题转化为最优问题，同时很好地克服噪声和解决低对比度图像分割问题。
参考文献
Chung ACS , Noble JA , Summers P. Vascular segmentation of phase contrast magnetic resonance angiograms based on statistical mixture modeling and local phase coherence. IEEE Transactions on Medical Imaging , 2004 ,23(12) :1490 2 1507.

2.6、基于变形模型的分割方法
在血管分割的模型中使用最多的是椭圆模型，血管由一系列相互重叠的椭圆曲线组成，血管模型的参数根据血管图像估计给定。
参考文献
1、 Zhu HW , Liu YJ , Zeng YJ. Advances in vessel image segmentation technology. Beijing Biomedical Engineering , 2005 ,24 (2) :155 2 159.
2、 Kitamura K, Tobis JM , Sklansky J. Estimating the 3D skeletons and transverse areas of coronary arteries from biplane angiograms. IEEE Transactions on Medical Imaging , 1988 ,7 :173 2 187.
3、Pellot C , Herment A , Sigelle M , et al. A 3D reconstruction of vascular structures from two X 2 ray angiograms using an adapted simulated annealing algorithm. IEEE Transactions on Medical Imaging , 1994 ,13(1) :48 2 60.

2.7、基于水平集理论的分割方法
将水平集方法用于实现曲线的演化，首先提出依赖于时间的运动界面的水平集描述，与传统的形变模型相比，具有很大的灵活性，可以很容易地描述复杂的表面模型。
参考文献
1、 Dehmeshki J , Amin H , Valdivieso M , et al. Segmentation of pulmonary nodules in thoracic CT scans: a region growing approach. IEEE Transactions on Medical Imaging , 2008 ,27 (4) :467 2 480.
2、 Brieva J , Gonzalez E , Gonzalez F , et al. A level set method for vessel segmentation in coronary angiography. 27th Annual In ternational Conference of the IEEE , Engineering in Medicine and Biology Society , 2005 :6348 2 6351.

2.8、基于知识的分割方法
人体某些组织结构往往具有一定独特的规律性，通过建立知识模型，利用人体先验解剖知识来对传统的分割方法进行指导，给出分割对象的期望特征值，如体积、大小、位置等，可以大大提高分割过程的自动化程度和效率。
参考文献
Yang Y, Tannenbaum A , Giddens D. Knowledge 2 based 3D segmentation and reconstruction of coronary arteries using CT images. 26th Annual International Conference of the IEEE , Engineering in Medicine and Biology Society , 2004 ,1 :1664 2 1666.

2.9、基于聚类分割的分割方法
聚类分割法是最为直接和最实用的图像分割方法。阈值法实际上是聚类法的一个特例。为了弥补不使用训练数据所造成的缺陷 , 聚类算法在分割图像和确定每一类特征之间进行迭代计算。从这个角度而言 , 聚类算法是在用已存在的数据对自身进行训练。目前常用的聚类算法有 K 均值 ( 或 ISODATA) 算法、模糊 C 均值算法和最大期望值 (expection maximization , EM) 算法等。尽管聚类算法不要求训练数据 , 但需要预分割 ( 或初始
参数 ) 。由于聚类算法不需要直接包含空间建模 , 所以对初始化参数敏感、噪声和灰度不均匀性均比较敏感 ;
但这种缺乏空间模型的算法却带来了计算的快捷。
参考文献
1、 Ayala G, Leon T , Zapater V. Different averages of a fuzzy set with an application to vessel segmentation. IEEE Transactions on Fuzzy Systems , 2005 ,13(3) :384 2 393.
2、 Thanapong C , Watcharachai W , Somporn R , et al. Extraction blood vessels from retinal fundus image based on fuzzy C 2 Median clustering algorithm. Fourth International Conference on Fuzzy Systems and Knowledge Discovery , 2007 ,2 :144 2 148.

2.10、基于小波变换的分割方法
小波变换是近年来得到广泛应用的数学工具。用小波进行医学图像分割 , 是利用二进制小波变换将图像直
方图分解为不同层次的小波系数 , 依照给定的分割准则和小波系数选择阈值门限 , 由粗到细 , 由尺度进行控
制。小波变换能把图像中不同尺度大小的结构提取出来 , 并有效地控制分割过程 , 提取出目标的特征 , 其计
算复杂度较低 , 抗噪声能力强 , 适用于图像噪声较多的超声数据
参考文献
Zhu HQ , Shu HZ, Luo LM. Blood vessels segmentation in retina via wavelet transforms using steerable filters. Proceedings of the 17th IEEE Symposium on Computer 2 Based Medical Systems 2004 , 2004 :316 2 321.

2.11基于追踪的分割方法
此法由血管图像边界上的一个点出发 , 依次搜索并连接相邻边界点从而逐步检测出整个血管边界。主要包括如下步骤 :搜索起点的确定 , 搜索机制的选取 , 搜索结束的判定。根据算法的不同 , 搜索起点可有一个或数个。方法的缺点在于它不是全自动的 , 需要操作者给出初始点和结束条件。
参考文献
Menegaz G, Lancini R. Semantic segmentation of angiographic images. 18th Annual International Conference of the IEEE Engineering in Medicine and Biology Society , Amsterdam 1996 , 3. 1.4 : Cardiovascular Imaging and Image Processing.

2.12、基于模糊理论的分割方法
从某种意义上看 , 以概率形式提供的信息更接近于事物的真实情况在医学成像中 , 通过医疗仪器扫描得到的
图像由于受到各种时间、空间以及物理仪器等限制 , 本身就是模糊的 , 医学图像中有些组织之间并没有清晰
的界限 , 因此从图像中提取物体信息也应该尽可能地保留模糊性。
参考文献
Udupa J K, Samarasekera S. Fuzzy connectedness and object definition : theory , algorithms , and applications in image segmentation. Graphical Models and Image Processing , 1996 ,58 (3) :246 2 261.

三、各种分割方法的应用场景
3.1、脑血管图像的分割技术
基于阈值的分割方法、基于区域生长的分割方法、基于数学形态学的分割方法、基于统计学的分割方法 ；
3.2、冠状动脉的图像分割技术
基于变形模型的分割方法、基于水平集理论的分割方法、基于知识的分割方法；
3.3、视网膜血管图像的分割技术
基于聚类分割的分割方法、基于小波变换的分割方法
3.4、其他应用
基于追踪的分割方法、基于模糊理论的分割方法