医学中最常用图像分割方法

⑴ 医学图像分割及应用

截至目前，我们已经学习了很多关于图像分割的相关算法，就此，对图像的分割算法做以下总结：

基于能量的分割 方法，有一些显着的缺点，如：

水平集算法的提出可以有效解决上述缺点，所谓水平，即指同一高度的一些像素点，将水平集的算法引入到图像分析的领域，水平集算此氏法提出了一个更高的维度来表达这些曲线。

水平集算法对图像的活动轮廓分割有一些新的术语表达：
contour front
contour energy forces
image energy speed function

为了避免3D 轮廓计算的复杂性，提出一个 零水平集（zero level set）的概念，并且提出了一个动态的坐标平面 表达front的演化，如下图所示，我们总能带链总结出当前 时刻的水平面，根据曲面的函数表达，总能总能计算出下一时刻的轮廓演化。与图像能量表达的轮廓不同，水平集算法多了一个平面的维度对轮廓施加影响。

水平集算法通过零水平集的设置和初始轮廓的约束求解偏微分方程的方式实现。

如下图所示，形象地表示了一个水平集算法的原理示意图，在front里面的点小于0，而front外面的点大于0，零水平面所对应的点设为0

不需要移动轮廓，仅仅通过改变图片中的一些值就可以很容易地实现图像地分割。

水平集算法的运算流程如下：

水平集算法的一个重要概念是速度函数（speed function）,而对速度函数
有以下三个概念：

front通过迭代实现繁衍，而迭代的过程必有一个停止条件，此条件是由森行散图像本身的性质决定的，gradient函数来表示这一停止条件，如 ,有以下三种常用的函数：

而

水平集算法的扩展可以从两个方向进行:

为了改进水平，提出了一个快速行进算法（Fast Marching）

Fast Marching 算法使得front朝着一个方向前进，要么扩展，要么收缩，避免了分割轮廓的抖动，提高了算法的运行速度，同时，为了避免轮廓的碰撞，每个网路与轮廓点只交叉一次。

在实际的算法应用中，通常将Fast Marching算法和 水平集算法结合来完成图像的分割，用Fast Marching 算法高效的实现轮廓线的行进，完成一个粗分割，当算法趋向于收敛时，用水平集算法完成更为精准的分割。

如下图所示，任意一个时刻点轮廓线网格点交叉的坐标 ,并且在任意高度处，表面会给出在 时刻所到达点的集合。

⑵ 图像分割的分割方法

灰度阈值分割 法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换：
其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图像元素g(i,j)=0。
由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。
阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。
人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。
全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。
在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。
阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。
图1(a)和(b)分别为用全局阈值和自适应阈值对经典的Lena图像进行分割的结果。
区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。 区域生长 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。
区域生长需要选择一组能正确代表所需区域的种子像素，确定在生长过程中的相似性准则，制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。大部分区域生长准则使用图像的局部性质。生长准则可根据不同原则制定，而使用不同的生长准则会影响区域生长的过程。区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。
区域分裂合并
区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。分裂合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以后，把前景区域或者像素合并就可得到前景目标。
在这类方法中，最常用的方法是四叉树分解法(如图3所示)。设R代表整个正方形图像区域，P代表逻辑谓词。基本分裂合并算法步骤如下：(1)对任一个区域，如果H(Ri)=FALSE就将其分裂成不重叠的四等份；
(2)对相邻的两个区域Ri和Rj，它们也可以大小不同（即不在同一层），如果条件H(Ri∪Rj)=TRUE满足，就将它们合并起来。
(3)如果进一步的分裂或合并都不可能，则结束。
分裂合并法的关键是分裂合并准则的设计。这种方法对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。 图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。
图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。
由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LoG算子和Canny算子是具有平滑功能的二阶和一阶微分算子，边缘检测效果较好，如图4所示。其中loG算子是采用Laplacian算子求高斯函数的二阶导数，Canny算子是高斯函数的一阶导数，它在噪声抑制和边缘检测之间取得了较好的平衡。关于微分算子的边缘检测的详细内容可参考文献 。 与其他图像分割方法相比，基于直方图的方法是非常有效的图像分割方法，因为他们通常只需要一个通过像素。在这种方法中，直方图是从图像中的像素的计算，并在直方图的波峰和波谷是用于定位图像中的簇。颜色和强度可以作为衡量。
这种技术的一种改进是递归应用直方图求法的集群中的形象以分成更小的簇。重复此操作，使用更小的簇直到没有更多的集群的形成。
基于直方图的方法也能很快适应于多个帧，同时保持他们的单通效率。直方图可以在多个帧被考虑的时候采取多种方式。同样的方法是采取一个框架可以应用到多个，和之后的结果合并，山峰和山谷在以前很难识别，但现在更容易区分。直方图也可以应用于每一个像素的基础上，将得到的信息被用来确定的像素点的位置最常见的颜色。这种方法部分基于主动对象和一个静态的环境，导致在不同类型的视频分割提供跟踪。

⑶ 图象分割有哪三种不同的途径

图象分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。

图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。下面是分别对每一项做简单的介绍。

⑷ 医学影像分割名词解释

定义

把影像分成若干个特定的、具有独特性质的区域的影像处理技术。是影像分析前的关键步骤。

所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域表现出一致性或相似性，而在不同区域表现出明显的不同，也就是说在区域边界上像素存在某种不连续特性。

区域作为图像分割中像素的连通集合和基本分割单位，可以按照不同的连通性来定义：4连通区域和8连通区域。区域的连通性是指在一个区域中任意两个像素之间，都存在一条完全属于这个区域的像素所构成的连通路径。如果只依据处于四正位(上、下、左、右)或四角位（左上、左下、右上、右下）的相邻像素确定区域的连通性，就称为4连通；如果同时依据处于四正位和四角位相邻的像素确定区域的连通性则称为8连通。

(1)需要适当的滤波算法处理的伪影，如噪声伪影、敏感性伪影、存在非清晰边缘的伪影；(2)需要适当图像修复算法的伪影，如运动伪影；(3)需要特定算法的伪影，如部分容积和灰度不均匀性。图像处理领域尽管在已存在很多算法处理上述问题，但是医学图像分割仍然是个复杂和具有挑战性的问题。从医学图像处理过程的角度来看，基于灰度和基于纹理特征技术的分类是常规的分类方式。此外，用机器学习的工具去优化这些图像分割算法是当前较受关注的技术．

4、CT图像分割常用的一些方法有：基于阈值、基于区域、基于形变模型、基于模糊及基于神经网络。

5、影响因素：

（1）噪声：由于成像设备、成像原理以及个体自身差异的影响，医学图像一般会含有很多噪声。由于噪声对于位置和空间的约束是独立的，从而搜帆可以利用噪声的分布来实现降噪。

（2）伪影：伪影一般是在图像配准和三维重建时产生（如CT），从原理上来说，只能较少，无法消除。CT成像中的伪影包括：部分容积效应、条形伪影、运动伪影、束硬化伪影、环状伪影、金属伪影等。由于这些伪影的存在给CT图像分割带来了一定的难度，不同组织部位分割精度也不一样。

⑸ 医学图像处理

图像分割是前期的团茄宴工作重点，主要使用了现成的软件来完成图像分割任务：3DMed（中国科学院自动化医学图像处理研究所）。

该软件集成了6种分割算法插件，按照官方文档的说法，区域生长算法特别适合于分割小的结构如肿瘤和伤疤，下面是使用3DMed加载的原始29189000016.dcm图像：

下面是使用区域生长算法对肿瘤的分割结果：

其中Different Value和Change Value为控制区域增长的两个参数，通过实验发现选取2和10效果较好。

下面是分割后的保存结果：

3DMed中会自动将结果文件名保存为29189000016_segmented.dcm。

但是该算法需要人工交互获得种子节点，自动化程度不高。同时区域增长算法对噪声敏感，导致抽取出的区域有空洞或者无法正确抽取出感兴趣区域。

特征提取就是从分割的区域中提取出描述该区域特征的一些数据，这一步的工作使用了两种方法进行探索。

使用MATLAB进行常用的基本统计特征的提取，该方法可以提取出 一阶统计特征 （描述感兴趣区域内各提速参数的分布，通常是基于直方图进行分析），在MATLAB中简单的区域描绘如下：

l 周长：区域边界的长度， 即位于区域边界上的像素数目．

l 面积：， 区域中的像素总数．

l 致密性：（周长） 2/面积．

l 区域的质心．

l 灰度均值： 区域中所有像塌银素的平均值．

l 灰度中值： 区域中所有像素的排序中值．

l 包含区域的最小矩形．

l 最小或最大灰度级．

l 大于或小于均值的像素数．

l 欧拉数： 区域中的对象数减去这些对象的孔洞数。

MATLAB中的regionprops(L, properties)函数可以用来计算区域描绘特征：首先使用bwlabel(I, n)对图像I进行n（4或者8）连通标号，然后使用regionprops()进行统计计算。

Mazda是一个图像纹理分析的工具，可以自动对图像进行特征提取。下面是使用Mazda加载分割好的结果：

下面是对分割结果进行特征提取的结果：

对于Feature name的表示现在还没有完全搞明白，正在研究。

Mazda还可以进行 高阶统计量 的提取（就是进一步加入了过滤器），小波分析纳贺就是高阶统计量的一种，下面是小波分析的结果：

同时可以手动对Features进行feature selection，然后保存选择的结果。

⑹ 图像分割算法总结

       图像处理的很多任务都离不开图像分割。因为图像分割在cv中实在太重要(有用)了，就先把图像分割的常用算法做个总结。

        接触机器学习和深度学习时间已经不短了。期间看过各种相关知识但从未总结过。本文过后我会尽可能详细的从工程角度来总结，从传统机器学习算法，传统计算机视觉库算法到深度学习目前常用算法和论文，以及模型在各平台的转化，量化，服务化部署等相关知识总结。

        图像分割常用算法大致分为下面几类。由于图像的能量范函，边缘追踪等方法的效果往往只能解决特定问题，效果并不理想，这里不再阐述。当然二值化本身也可以分割一些简单图像的。但是二值化算法较多，我会专门做一个文章来总结。这里不再赘述。

        1.基于边缘的图像分割算法：

            有利用图像梯度的传统算法算子的sobel，roberts，prewitt,拉普拉斯以及canny等。

            这些算法的基本思想都是采用合适的卷积算子，对图像做卷积。从而求出图像对应的梯度图像。(至于为什么通过如图1这样的算子卷积，即可得到图像的梯度图像，请读者复习下卷积和倒数的概念自行推导)由于图像的边缘处往往是图像像素差异较大，梯度较大地方。因此我们通过合适的卷积核得到图像的梯度图像，即得到了图像的边缘图像。至于二阶算子的推导，与一阶类似。优点：传统算子梯度检测，只需要用合适的卷积核做卷积，即可快速得出对应的边缘图像。缺点：图像边缘不一定准确，复杂图像的梯度不仅仅出现在图像边缘，可以能出现在图像内部的色彩和纹理上。

             也有基于深度学习方法hed，rcf等。由于这类网络都有同一个比较严重的缺陷，这里只举例hed网络。hed是基于FCN和VGG改进，同时引出6个loss进行优化训练，通过多个层输出不同scale的粒度的边缘，然后通过一个训练权重融合各个层的边缘结果。hed网络结构如下：

可以得到一个比较完整的梯度图像，可参考github的hed实现。优点：图像的梯度细节和边缘完整性，相比传统的边缘算子要好很多。但是hed对于边缘的图像内部的边缘并不能很好的区分。当然我们可以自行更改loss来尝试只拟合外部的图像边缘。但最致命的问题在于，基于vgg的hed的网络表达能力有限，对于图像和背景接近，或者图像和背景部分相融的图片，hed似乎就有点无能为力了。

        2.基于区域分割的算法：

            区域分割比较常用的如传统的算法结合遗传算法，区域生长算法，区域分裂合并，分水岭算法等。这里传统算法的思路是比较简单易懂的，如果有无法理解的地方，欢迎大家一起讨论学习。这里不再做过多的分析。

            基于区域和语意的深度学习分割算法，是目前图像分割成果较多和研究的主要方向。例如FCN系列的全卷积网络，以及经典的医学图像分割常用的unet系列，以及rcnn系列发展下的maskrcnn，以及18年底的PAnet。基于语意的图像分割技术，无疑会成为图像分割技术的主流。

            其中，基于深度学习语意的其他相关算法也可以间接或直接的应用到图像分割。如经典的图像matting问题。18年又出现了许多非常优秀的算法和论文。如Deep-Image-Matting，以及效果非常优秀的MIT的 semantic soft segmentation(sss).

            基于语意的图像分割效果明显要好于其他的传统算法。我在解决图像分割的问题时，首先尝试用了hed网络。最后的效果并不理想。虽然也参考github，做了hed的一些fine-tune,但是还是上面提到的原因，在我多次尝试后，最终放弃。转而适用FCN系列的网络。但是fcn也无法解决图像和背景相融的问题。图片相融的分割，感觉即需要大的感受野，又需要未相融部分原图像细节，所以单原FCN的网络，很难做出准确的分割。中间还测试过很多其他相关的网络，但都效果不佳。考虑到感受野和原图像细节，尝试了resnet和densenet作为图像特征提取的底层。最终我测试了unet系列的网络：

                unet的原始模型如图所示。在自己拍照爬虫等手段采集了将近1000张图片。去掉了图片质量太差的，图片内容太过类似的。爬虫最终收集160多张，自己拍照收集200张图片后，又用ps手动p了边缘图像，采用图像增强变换，大约有300*24张图片。原生unet网络的表现比较一般。在将unet普通的卷积层改为resnet后，网络的表达能力明显提升。在将resnet改为resnet101，此时，即使对于部分相融的图像，也能较好的分割了。但是unet的模型体积已经不能接受。

                在最后阶段，看到maskrcnn的实例分割。maskrcnn一路由rcnn,fasterrcnn发展过来。于是用maskrcnn来加入自己的训练数据和label图像进行训练。maskrcnn的结果表现并不令人满意，对于边缘的定位，相比于其他算法，略显粗糙。在产品应用中，明显还不合适。                

        3.基于图的分割算法

            基于深度学习的deepgrab,效果表现并不是十分理想。deepgrab的git作者backbone采用了deeplabv2的网络结构。并没有完全安装原论文来做。

论文原地址参考： https://arxiv.org/pdf/1707.00243.pdf

整体结构类似于encode和decoder。并没有太仔细的研究，因为基于resent101的结构，在模型体积，速度以及deeplab的分割精度上，都不能满足当前的需求。之前大致总结过计算机视觉的相关知识点，既然目前在讨论移动端模型，那后面就分模块总结下移动端模型的应用落地吧。

由于时间实在有限。这里并没有针对每个算法进行详细的讲解。后续我会从基础的机器学习算法开始总结。

⑺ 逐张连续和麦凯分割法的优缺点分别是

逐张连续法和麦凯分割法都是常见的图像分割方法，它们各有优缺点：

1. 逐张连续法

逐张连续法是一种常用的图像分割算法，其主要思想是将图像分成若干个区域，通过对每张图像的分割与处理，最终得到完整的分割结果。这种方法的优点是：

- 适应性强，可以银闭用于各种类型和颜色的图像。
- 可以进行自适应分割和动态更新，保证分割效果的持久性和精度。
- 可扩展性好，易于进行复杂的分割操作。

然而，逐张连续法也存在一些缺点：

- 难以处理大规模的数据集，计算时间较长。
- 算法过于简单，难以处理复杂的背景和噪声干扰问题。
- 对图像质量的要求较高，处理效果与图像质量密切相关。

2. 麦凯分割法

麦凯分割法是一种基于像素点区域生长的图像分割算法，其主要思想是通过选择合适的像素种子点进行区域生长，可以得到比较准确的图像分割结果。这种方法的优点是：

- 分割准确度高，可以有效地减少图像噪声和其他不需要的信息。
- 分割速度较快，可以处理大规模的数据集。
- 适应性强，可以通过修改参数和调整实验设计，实现对不同情况的应用。

然而，该方法也存在一些缺点：

- 对图像质量的要辩如求较高，对噪声敏感。
- 分割结果可能受到种子点位置和数目的影响，锋灶裂在比较复杂的图像中容易出现失误。
- 算法本身比较复杂，调参过程需要具有一定的经验。

⑻ 图像分割最好方法

1.基于阈值的分割方法

阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。因此，该方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。

阈值法特别适用于目标和背景占据不同灰度级范围的图。图像若只有目标和背景两大类，那么只需要选取一个阈值进行分割，此方法成为单阈值分割；但是如果图像中有多个目标需要提取，单一阈值的分割就会出现作物，在这种情况下就需要选取多个阈值将每个目标分隔开，这种分割方法相应的成为多阈值分割。
2.基于区域的图像分割方法

基于区域的分割方法是以直接寻找区域为基础的分割技术，基于区域提取方法有两种基本形式：一种是区域生长，从单个像素出发，逐步合并以形成所需要的分割区域；另一种是从全局出发，逐步切割至所需的分割区域。
分水岭算法

分水岭算法是一个非常好理解的算法，它根据分水岭的构成来考虑图像的分割，现实中我们可以想象成有山和湖的景象，那么一定是水绕山山围水的景象。

分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。