扫盲：医学图像分割类型和应用

扫盲：医学图像分割类型和应用

图像分割是一种从医学图像和视频中分离出感兴趣区域（ROI）的技术。当您训练计算机视觉模型来解决医疗问题时，它可以帮助您更高效地标注和注释数据。这可以提高模型的质量和性能。

通过应用图像分割技术，您可以检测和隔离物体，将像素分成若干组，并将这些组作为计算机视觉模型的标签。

在本文中，您将了解医学成像中的图像分割、它如何使您的医疗计算机视觉项目受益、它有哪些应用以及如何实施。

什么是医学分割

图像分割是从医学图像和视频中分离出感兴趣区域（ROI）的技术。它是标注和标记数据的关键步骤，而标注和标记数据是训练用于医疗诊断的计算机视觉模型（CV、AI、ML 等）所必需的。

图像分割可应用于各种类型的医学图像，如 DICOM 和 NIfTI 图像、CT 扫描、X 射线和 MRI 图像。它可以帮助你识别和隔离图像中的对象和区域。

图像分割的方法有很多，从传统方法到基于深度学习的方法都有。所有这些方法都需要很高的准确性和精确度，因为注释或模型建立阶段的任何错误都会对患者、治疗和医疗服务提供者造成严重影响。

例如以下案例

放射学

放射学是一个创造大量图像（X 光、乳腺 X 光、CT、PET 和 MRI）的医学专业，医疗机构正在使用基于人工智能的模型来提高诊断质量和速度。

为了训练这些模型，以发现医疗专业人员可能没有注意到的问题，或更正确地诊断健康问题，他们需要对大型数据集进行标注和注释。图像分割可以帮助他们做出更好的标注，这样他们的模型就能更快地准备就绪，并取得医疗机构所期望的结果。

胃肠病学

肠胃病学的肠胃病模型开发与此类似。我们可以训练机器学习和计算机视觉模型，以更精确地大规模检测癌症息肉、溃疡、肠易激综合征和其他病症。这对异常值和边缘病例尤其有用，即使是最有经验的医生和实践专家也可能无法发现这些异常值和边缘病例。

病理学

医学影像注释对组织学也很有帮助，尤其是当人工智能模型能够正确使用常见染色协议（如苏木精和伊红染色（H&E）、KI67 和 HER2）时。图像分割有助于医学人工智能团队训练算法模型、进行大规模标记，并从基于图像的数据集中得出更精确的组织学诊断结果。

超声学

超声图像分割技术可帮助医疗专业人员更精确地标记超声图像，以检测胆囊结石、胎儿畸形和其他发现。

癌症检测

当癌细胞难以发现或扫描结果不清晰时，计算机视觉模型可以帮助诊断过程。图像分割方法可以训练计算机视觉模型自动扫描最常见的癌症，使医疗团队能够加强检测和治疗计划。

医学图像分割类型

实例分割

与物体检测一样，实例分割（instance segmentation）也是对图像中的每个物体进行检测、标记和分割。这意味着你要分割物体的边缘，你可以手动或使用人工智能来完成，也可以分割重叠的物体。当你需要识别和跟踪单个物体时，这是一种很有用的方法。

语义分割

语义分割（Semantic segmentation）是为图像中的每个像素分配一个标签的过程。这样就得到了一张标签密集的图像，然后人工智能辅助标签工具就可以利用这些输入创建分割图，将像素值（0,1,…255）转换为类别标签（0,1,…n）

全景分割

Panoptic Segmentation 结合了上述语义和实例两种方法。每个像素都有一个类标签，可以识别图像中的每个物体。这种技术提供了大量细节，有助于医疗成像中对准确性要求极高的计算机视觉。

没懂？举个例子

想象一下，你正在看一张有很多不同物体的照片，比如一张城市街景的照片。照片中可能有行人、汽车、树木、建筑物等等。

语义分割

如果我们要进行语义分割，我们会将照片中的每个像素都标记上它所代表的物体类别，比如“人”、“汽车”、“树”等。这样，我们就能知道照片中的每个部分都是什么，但我们会失去关于具体哪个像素属于哪个具体物体的信息。

实例分割

实例分割则更细致，它不仅告诉我们每个像素是什么，还会区分出同一类别中的不同物体。比如，它能够识别出照片中的每辆车，并给它们分别编号，这样我们就知道哪些像素属于第一辆车，哪些属于第二辆车。

全景分割

全景分割则结合了语义分割和实例分割的优点。它不仅告诉我们每个像素是什么（语义信息），还能区分出同一类别中的不同物体（实例信息）。但是，它对不同类别的物体处理方式有所不同：

1. 常见类别：对于常见的物体类别（比如车、人、建筑物等），它会像实例分割一样，区分出每个物体的实例。
2. 不常见类别：对于不常见的物体类别（比如不同的树木、街灯等），它则像语义分割一样，只区分类别，不区分具体实例。

这样，Panoptic Segmentation既能提供丰富的语义信息，又能区分出常见的不同实例，同时避免了对所有类别都进行实例区分所带来的计算复杂性。

为什么这样做？

因为并不是所有的物体都需要区分出具体实例。比如，我们可能不需要区分出每一棵树，但通常需要区分出每一辆车，因为车辆的识别对于自动驾驶等应用来说非常重要。

总结

所以，Panoptic Segmentation是一种更灵活的图像分割方法，它根据物体的类别和重要性来决定是否需要区分具体实例。这使得它在实际应用中更加高效和实用。

阈值分割

阈值分割（Thresholding Segmentation）是一种相对简单的图像分割技术，它根据符合固定值或阈值的直方图强度将像素分成不同的类别。

当图像噪点较少时，阈值可以保持不变。但当图像噪点较多时，采用动态方法选择阈值会更好。

在大多数情况下，灰度图像会根据其与阈值的关系被分成两段。

• 全局阈值处理：将图像分为前景和背景区域，并用一个阈值来区分它们。
• 自适应阈值法：根据图像特征，使用本地设置的阈值来分割前景和背景。
  

基于区域的分割

基于区域的分割（Region-based segmentation）是利用一种像素分组方法，将图像分割成具有相似特征（如颜色、纹理或强度）的区域。有了这些数据，就可以对区域或群组进行分割或组合，直到达到所需的分割水平。

标注软件和基于人工智能的工具可以使用常见的分割和合并方法或基于图形的分割方法来实现这一点。

基于边缘的分割

基于边缘的分割用于检测图像边缘并将其从背景中分离出来。人工智能工具可用于发现强度或颜色值的变化，并以此来绘制图像中物体的边界

其中一种方法是 Canny 边缘检测法，即使用高斯滤波器，应用非最大抑制来缩小边缘，并使用滞后阈值来消除弱边缘。

另一种方法称为索贝尔（Sobel），包括使用索贝尔算子计算图像的梯度大小和方向，索贝尔算子是一种卷积核，可分别提取水平和垂直边缘信息。

原文地址：https://abdulkaderhelwan.medium.com/medical-image-segmentation-types-and-alications-017c75e1f88f