醫(yī)學(xué)圖像分割方法綜述課件

醫(yī)學(xué)圖像分割方法綜述醫(yī)學(xué)圖像分割方法綜述1背景圖像分割是什么？用以區(qū)分物體和背景的圖像處理工具對輸入圖像進(jìn)行計(jì)算將圖像劃分到一個(gè)統(tǒng)一的區(qū)域中為什么要進(jìn)行圖像分割？獲得對圖像進(jìn)一步處理的數(shù)據(jù)用分割圖像進(jìn)行建模在醫(yī)學(xué)圖像中獲得感興趣的區(qū)域?qū)嵸|(zhì)3-D重建預(yù)處理和后處理指導(dǎo)圖像內(nèi)部處理背景圖像分割是什么？2醫(yī)學(xué)圖像分割醫(yī)學(xué)圖像：CT、正電子放射層析成像技術(shù)（PET）、單光子輻射斷層攝像（SPECT）、MRI、Ultrasound（超聲）及其它醫(yī)學(xué)影像設(shè)備所獲得的圖像；特殊性：成像復(fù)雜、干擾繁多、個(gè)體多樣性現(xiàn)狀：方法多，沒有統(tǒng)一的標(biāo)準(zhǔn)醫(yī)學(xué)圖像分割醫(yī)學(xué)圖像：CT、正電子放射層析成像技術(shù)（PET3圖像分割相似性兩者結(jié)合其他閾值法區(qū)域生長和分裂合并分類器和聚類基于神經(jīng)網(wǎng)路基于模糊集理論統(tǒng)計(jì)學(xué)區(qū)域分割基于數(shù)學(xué)形態(tài)學(xué)不連續(xù)并行微分算子曲面擬合串行邊界查找形變模型邊緣檢測圖像分割相似性兩者結(jié)合其他閾值法區(qū)域生長和分裂合并分類器和聚4閾值法原理：。閾值分割方法基于對灰度圖像的一種假設(shè)：目標(biāo)或背景內(nèi)的相鄰像素間的灰度值是相似的，但不同目標(biāo)或背景的像素在灰度上有差異，反映在圖像直方圖上，不同目標(biāo)和背景則對應(yīng)不同的峰。選取的閾值應(yīng)位于兩個(gè)峰之間的谷，從而將各個(gè)峰分開。單閾值，多閾值。優(yōu)點(diǎn):實(shí)現(xiàn)簡單，對不同類灰度值或其他特征相差很大時(shí)，能有效分割。常做醫(yī)學(xué)圖像的預(yù)處理。缺點(diǎn)：不適應(yīng)多通道和特征值相差不大的圖像；對噪聲和灰度不均勻很敏感；閾值選取困難。閾值法原理：。閾值分割方法基于對灰度圖像的一種假設(shè)：目標(biāo)或背5直方圖圖像區(qū)域由灰度值區(qū)分開直方圖圖像區(qū)域由灰度值區(qū)分開6基于閾值的圖像分割閾值：選擇灰度值作為閾值遍歷整幅圖像檢測像素是否在此區(qū)域內(nèi)基于閾值的圖像分割閾值：7基于閾值的圖像分割閾值的選擇通過圖像的直方圖來定義閾值（每一個(gè)峰值代表一個(gè)物體）選擇兩個(gè)峰值的中間值作為閾值缺點(diǎn)對于每幅圖像都要人為選擇閾值基于閾值的圖像分割閾值的選擇8exampleexample9區(qū)域生長和分裂合并原理：區(qū)域生長的基本思想是將相似性質(zhì)的像素集合起來構(gòu)成區(qū)域；首先選擇一個(gè)種子點(diǎn)，然后依次將種子像素周圍的相似像素合并到種子像素所在的區(qū)域中。研究重點(diǎn)一是特征度量和區(qū)域增長規(guī)則的設(shè)計(jì)，二是算法的高效性和準(zhǔn)確性。缺點(diǎn)：需要人工交互以獲得種子點(diǎn)；對噪聲敏感，導(dǎo)致抽取出的區(qū)域有空洞。原理：分裂合并的思想將圖像先看成一個(gè)區(qū)域，然后區(qū)域不斷被分裂為四個(gè)矩形區(qū)域，直到每個(gè)區(qū)域內(nèi)部都是相似的。研究重點(diǎn)是分裂和合并規(guī)劃的設(shè)計(jì)。缺點(diǎn)：分裂技術(shù)破壞區(qū)域邊界。區(qū)域生長和分裂合并原理：區(qū)域生長的基本思想是將相似性質(zhì)的像素10example在想要分割的部分選擇一個(gè)或者多個(gè)種子相鄰像素就會以某種算法進(jìn)行檢測將符合檢測條件的像素加入到區(qū)域中逐漸生長為滿足約束條件的目標(biāo)區(qū)域example在想要分割的部分選擇一個(gè)或者多個(gè)種子11分類器原理：分類是模式識別領(lǐng)域中一種基本的統(tǒng)計(jì)分析方法。分類的目的利用已知的訓(xùn)練樣本集在圖像的特征空間找到點(diǎn)（1D）、曲（2D）、曲面（3D）或超曲面（高維），從而實(shí)現(xiàn)對圖像的劃分。分類器又分為兩種：非參數(shù)分類器和參數(shù)分類器。優(yōu)點(diǎn)：(1)不需要迭代運(yùn)算，因此計(jì)算量相對較小。(2)能應(yīng)用于多通道圖像。缺點(diǎn)：未考慮空間信息，對灰度不均勻圖像分割效果不好；需手工分類生成訓(xùn)練集，而手工分類工作量很大；未考慮解剖結(jié)構(gòu)的個(gè)體差異，會產(chǎn)生誤差。分類器原理：分類是模式識別領(lǐng)域中一種基本的統(tǒng)計(jì)分析方法。分類12聚類原理：聚類算法與分類器算法極為類似，只是它不需要訓(xùn)練樣本，因此聚類是一種無監(jiān)督的(unsupervised)統(tǒng)計(jì)方法。從某種意義上說，聚類是一種自我訓(xùn)練的分類。其中，K均值、模糊C均值(FuzzyC-Means)、EM(Expectation-Maximization)和分層聚類方法是常用的聚類算法。缺點(diǎn)：聚類分析不需要訓(xùn)練集，但是需要有一個(gè)初始分割提供初始參數(shù)，初始參數(shù)對最終分類結(jié)果影響較大。其次，聚類也沒有考慮空間關(guān)聯(lián)信息，因此也對噪聲和灰度不均勻敏感。聚類原理：聚類算法與分類器算法極為類似，只是它不需要訓(xùn)練樣本13統(tǒng)計(jì)學(xué)方法原理：統(tǒng)計(jì)學(xué)方法中最常用的一種是將圖像看作一個(gè)馬爾科夫隨機(jī)場MRF。統(tǒng)計(jì)學(xué)方法的實(shí)質(zhì)是從統(tǒng)計(jì)學(xué)的角度出發(fā)對數(shù)字圖像進(jìn)行建模，把圖像中各個(gè)像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量。從觀察到的圖像中恢復(fù)實(shí)際物體或正確分割觀察到的圖像從統(tǒng)計(jì)學(xué)的角度看就是要找出最有可能即以最大的概率得到該圖像的物體組合來。從貝葉斯定理的角度看，就是要求出具有最大后驗(yàn)概率的分布。難點(diǎn)：參數(shù)的選擇、計(jì)算量大MRF模型常被用于估計(jì)和校正核磁圖像中的局部體效應(yīng)和強(qiáng)度不均勻現(xiàn)象。MRF經(jīng)常與聚類分割方法結(jié)合使用，比如K均值方法，用以提高聚類算法對噪聲的魯棒性。統(tǒng)計(jì)學(xué)方法原理：統(tǒng)計(jì)學(xué)方法中最常用的一種是將圖像看作一個(gè)馬爾14邊緣檢測基于邊緣的分割方法可以說是人們最早研究的方法，基于在區(qū)域邊緣上的像素灰度值的變化往往比較劇烈，它試圖通過檢測不同區(qū)域間的邊緣來解決圖像分割問題。串行邊緣檢測：要想確定當(dāng)前像素點(diǎn)是否屬于欲檢測邊緣上的一點(diǎn)，取決于先前像素的驗(yàn)證結(jié)果。并行邊緣檢測：一個(gè)像素點(diǎn)是否屬于檢測邊緣上的一點(diǎn)取決于當(dāng)前正在檢測的像素點(diǎn)以及該像素點(diǎn)的一些相鄰像素點(diǎn)。邊緣檢測基于邊緣的分割方法可以說是人們最早研究的方法，基于在15邊緣檢測如何確定某一個(gè)像素在邊緣呢？邊緣檢測如何確定某一個(gè)像素在邊緣呢？16邊緣是變化發(fā)生的地方理想數(shù)字邊緣模型斜坡數(shù)字邊緣模型一階倒數(shù)二階倒數(shù)邊緣是變化發(fā)生的地方理想數(shù)字邊緣模型斜坡數(shù)字邊緣模型一階倒數(shù)17圖像梯度一幅圖像的梯度梯度的方向邊界強(qiáng)度圖像梯度一幅圖像的梯度梯度的方向邊界強(qiáng)度18如何得到每個(gè)像素的梯度Roberts算子、Prewitt算子、Sobel算子、Canny算子等Sx=(I(i-1,j+1)-I(i-1,j-1)+2*I(i,j+1)-2*I(i,j-1)+I(i-1,j-1)-I(i+1,j-1))/8Sy=(I(i-1,j-1)-I(i+1,j-1)+2*I(i-1,j)-2*I(i+1,j)+I(i-1,j+1)-I(i+1,j+1))/8Sobel算子簡介：如何得到每個(gè)像素的梯度Roberts算子、Prewitt算子19example Original sobel cannyexample Original sobel can20并行微分算子原理：對圖像中灰度的變化進(jìn)行檢測，通過求一階導(dǎo)數(shù)極值點(diǎn)或二階導(dǎo)數(shù)過零點(diǎn)來檢測邊緣。階導(dǎo)數(shù)算子有梯度算子、Prewitt算子和Sobel算子，二階導(dǎo)數(shù)算子有Laplacian算子，還有Kirsch算子和Wallis算子等非線性算子。缺點(diǎn)：對噪聲敏感，因此在求導(dǎo)前先對圖像進(jìn)行濾波。并行微分算子原理：對圖像中灰度的變化進(jìn)行檢測，通過求一階導(dǎo)數(shù)21原圖閾值處理邊緣檢測起始點(diǎn)終止點(diǎn)原圖閾值處理邊緣檢測起始點(diǎn)終止點(diǎn)22不是邊界上所有的點(diǎn)都要提取，而只是提取其中一部分。提取的點(diǎn)能夠基本帶便邊界的走向。pt1x1,y1pt2x2,y2x3,y3pt3…xn,ynptn儲存分割點(diǎn)的矩陣：重建擬合不是邊界上所有的點(diǎn)都要提取，而只是提取其中一部分。提取的點(diǎn)能23exampleSobel算子exampleSobel算子24醫(yī)學(xué)圖像分割方法綜述ppt課件25基于曲面擬合的方法原理：這種方法的基本思想是將灰度看成高度，用一個(gè)曲面來擬合一個(gè)小窗口內(nèi)的數(shù)據(jù)，然后根據(jù)該曲面來決定邊緣點(diǎn)。一維曲面來擬合局部窗口中的數(shù)據(jù)：先估計(jì)該窗口中的邊緣方向，再用該方向上的一維曲面來擬合數(shù)據(jù)，決定邊緣點(diǎn)。二維三次多項(xiàng)式來擬合小窗口內(nèi)的圖像數(shù)據(jù)：為得到該多項(xiàng)式的系數(shù)，他先用離散正交多項(xiàng)式的線性組合來擬合數(shù)據(jù)，求得線性組合的系數(shù)后在據(jù)以得到三次多項(xiàng)式的系數(shù)；然后，求該多項(xiàng)式的二階方向?qū)?shù)，以其過零點(diǎn)來決定邊緣點(diǎn)?；谇鏀M合的方法原理：這種方法的基本思想是將灰度看成高度，26串行邊界查找原理：串行邊界查找方法通常是查找高梯度值的像素，然后將他們連接起來形成曲線表示對象的邊緣。串行邊界查找方法在很大程度上受起始點(diǎn)的影響，以前檢測像素的結(jié)果對下一像素的判斷也有較大影響。缺點(diǎn)：如何連接高梯度像素，因?yàn)樵趯?shí)際圖像中它們通常不相鄰；噪聲影響。串行邊界查找原理：串行邊界查找方法通常是查找高梯度值的像素，27基于形變模型的方法簡介：基于形變模型的方法綜合利用了區(qū)域與邊界信息，是目前研究最多、應(yīng)用最廣的分割方法。他們通過使用從圖像數(shù)據(jù)獲得的約束信息（自底向上）和目標(biāo)的位置、大小和形狀等先驗(yàn)知識（自頂向下），可有效地對目標(biāo)進(jìn)行分割、匹配和跟蹤分析。從物理學(xué)角度，可將形變模型看成是一個(gè)在施加外力和內(nèi)部約束條件下自然反應(yīng)的彈性物體。分類：形變模型包括形變輪廓(deformablecontour)模型（又稱snake或activecontour），三維形變表面（deformablesurface）模型?；谛巫兡Ｐ偷姆椒ê喗椋夯谛巫兡Ｐ偷姆椒ňC合利用了區(qū)域與邊28形變輪廓模型：使輪廓曲線在外能和內(nèi)能的作用下向物體邊緣靠近，外力推動輪廓運(yùn)動，而內(nèi)力保持輪廓的光滑性。形變表面模型：以更高效、更快地利用三維數(shù)據(jù)，而且更少地需要用戶交互或指導(dǎo)。優(yōu)點(diǎn)：能夠直接產(chǎn)生閉合的參數(shù)曲線或曲面，并對噪聲和偽邊界有較強(qiáng)的魯棒性。還有一些形變模型利用了形狀先驗(yàn)知識和標(biāo)記點(diǎn)集合（pointsets）等先驗(yàn)知識可以使分割結(jié)果更為健壯和準(zhǔn)確。缺點(diǎn)：參數(shù)形變模型的固定參數(shù)與內(nèi)部能量約束限制了其幾何靈活性，不能隨意改變拓?fù)湫螤?，并且對初始形狀敏感。改進(jìn)：提高算法自動化程度，同時(shí)維持形變模型的原有優(yōu)點(diǎn)；氣球理論，梯度矢量流（GVF）概念等。形變輪廓模型：使輪廓曲線在外能和內(nèi)能的作用下向物體邊緣靠近，29Snakefunctiona代表彈性勢能b代表彎曲能Snakefunctiona代表彈性勢能b代表彎曲能30exampleexample31exampleexample32基于結(jié)合區(qū)域和邊界技術(shù)的方法簡介：基于區(qū)域的分割方法往往會造成過度分割，即將圖像分割成過多的區(qū)域。人們往往將基于區(qū)域信息的方法與別的方法，主要是邊緣檢測的方法結(jié)合起來，研究結(jié)合區(qū)域與邊界技術(shù)的方法。采用什么方式結(jié)合，怎樣結(jié)合才能充分發(fā)揮各自的優(yōu)勢，獲得好的分割結(jié)果是研究的重點(diǎn)。途徑：先用基于區(qū)域的分裂合并方法分割圖像，然后用邊界信息對區(qū)域間的輪廓進(jìn)行優(yōu)化；先在梯度幅值圖像中檢測屋脊點(diǎn)和波谷點(diǎn),通過最大梯度路徑連接奇異點(diǎn)獲得初始圖像分割，然后采用區(qū)域合并技術(shù)獲得最終結(jié)果等基于結(jié)合區(qū)域和邊界技術(shù)的方法簡介：基于區(qū)域的分割方法往往會造33其它分割方法基于模糊理論:圖像分割問題是典型的結(jié)構(gòu)不良問題，而模糊集理論具有描述不良問題的能力?；谀：碚摰膱D像分割方法包括模糊閾值分割方法、模糊聚類分割方法和模糊連接度分割方法等。基于神經(jīng)網(wǎng)絡(luò)（ANN）：神經(jīng)網(wǎng)絡(luò)模擬生物特別是人類大腦的學(xué)習(xí)過程，它由大量并行的節(jié)點(diǎn)構(gòu)成。每個(gè)節(jié)點(diǎn)都能執(zhí)行一些基本的計(jì)算。學(xué)習(xí)過程通過調(diào)整節(jié)點(diǎn)間的連接關(guān)系以及連接的權(quán)值來實(shí)現(xiàn)。方法是將圖像分割問題轉(zhuǎn)化為諸如能量最小化、分類等問題，從而借助神經(jīng)網(wǎng)絡(luò)技術(shù)來解決問題，其基本思想是用訓(xùn)練樣本集對ANN進(jìn)行訓(xùn)練以確定節(jié)點(diǎn)間的連接和權(quán)值，在用訓(xùn)練好的ANN去分割新的圖像數(shù)據(jù)?；跀?shù)學(xué)形態(tài)學(xué)：大多數(shù)系統(tǒng)都采用形態(tài)學(xué)算子來對圖像進(jìn)行預(yù)處理或后處理，如形態(tài)學(xué)分水嶺算法等