运用图像处理解决基于MRI的脑肿瘤图像分割问题

电子科技大学 格拉斯哥学院 2017级谭茗珊
1.背景：
医学图像分割技术的发展是一个从人工分割到半自动分割和自动分割的逐步发展过程。早期的图像分割完全是靠人工完成的。完全的人工分割方法是在原始图像上直接画出期望的边界。这种方法费时费力，分割结果完全依赖于分割者的解剖知识和经验，而且分割结果难以再现；半自动的分割方法大大减少了人为因素的影响，而且分割速度快，分割精度高，但操作者的知识和经验仍然是图像分割过程的一个重要组成部分。近年来，由于大量的新兴技术如模糊技术和人工智能技术在图像分割中的应用，图像分割领域中也涌现出一些自动的分割技术。自动分割方法能完全脱离人为干预，由计算机实现医学图像分割的全过程。由于自动分割方法的运算量较大，目前大部分的自动分割方法都是在工作站上实现的。
2.摘要：
医学图像处理中图像分割是最具挑战性和最富有挑战性的课题，结构分析，运动分析，三维可视化等一系列操作均是以准确的图像分割为基础。由于医学影像设备成像技术的特点，使得图像存在噪声，导致图像中目标物体部分边缘不清晰，给图像分割造成一定难度。通过运用ITK-SNAP软件对图像进行预处理，使用python并搭建tensorflow环境，对图像加以训练和测试，不断改进算法改进现有MRI脑肿瘤图像分割算法,利用模糊C均值算法、区域增长算法、以及结合模糊相似度理论和区域结构识别技术的分割算法实现脑肿瘤MRI图像的分割，使其能够对图像进行准确识别，定性，定量分析，结果的准确性依据分割评价体系得以判断。

3.图像分割处理
3.1非线性平滑处理
由于磁共振图像在采集过程中，有脉冲干扰，因此图像具有较强的噪声，为了消除噪声，选用非线性平滑中值滤波预处理图片；
中值滤波是一种去除噪声的非线性处理方法。其基本思想是把数字图像中一点的值在该点的一个领域中各值的中值替代。
3.2全局阈值分割
一般图像分割是基于图像二值化的基础上进行的，其目的是可减少图像的灰度分布范围，简化运算，从而大大提高分割速度。
但如遇到特殊情况，例如脑部的头骨，高密度，灰度值高，处于亮区域，而我们感兴趣的区域（肿瘤）的灰度是软组织，灰度值低，处于暗区域。而肿瘤周围的软组织也是灰度值低的暗区域，与肿瘤的区别很小。此时，原始方法已不再能分辨。所以在程序中，必须舍弃。现有的二值化自动分割函数，改为手动的全局阈值分割。通过观察，设置特定的阈值点，从而进行有效手动分割，将处于亮区域的头骨和其他组织分割开，又保留了其他组织的原有特性。将其作为预处理图像

3.3肿瘤分割
经过手动的全局阈值分割后的图片，虽然消除了头骨的部分，但由于我们感兴趣的部分（肿瘤）并没有从周围组织里面分割出来，因此还需要进一步的处理。由于肿瘤和周围的组织灰度值比较接近，我们分别选用最大方差阈值法和形态学两种方法来处理。
3.3.1最大方差阈值法分割
最大方差阈值也叫大津阈值，他是在差别域最小二乘法原理的基础上推导出来的，不管是图像的直方图有无明显的双峰，此方法都能取得很好的效果。其原理是把直方图在某一阈值处分割成为两组，当被分成的两组间的方差为最大时，决定阈值。
3.3.2形态学分割
区域生长的基本思想是将具有相似性质的像素结合起来构成区域，具体是先对每个需要分割的区域找一个种子像素作为生长起点，然后将种子像素周围区域中与种子像素有相同或相似性质的像素种子合并到种子像素所在区域中，将这些新像素当作种子像素继续进行上面的过程，直到再也没有满足条件的像素可以被包括进来，这样，一个区域就生成了。经实验显示，采用形态学进行分割之后，脑部的肿瘤可以清晰地显示出来，但与此同时一些血管同时也显示出来了。
具体的算法步骤为：
求出图像的梯度；
采用圆形结构元素执行形态学开操作运算；
进行腐蚀运算；
采用圆形结构元素执行形态学闭运算操作；
进行膨胀运算；
经过开闭运算后，图像进行重建；
将重建的图像叠加在原有图像上。

4.结论：
由于医学图像的复杂多样性和分割问题的困难性，通常针对某项任务选用合适的算法，目前没有一个分割方法能适用于不同的任务，医学图像的分割方法有很多，最常用的方法是阈值分割法和形态学分割法。但通常，直接采用普通的阈值分割和形态学分割法，很难提取到满意的目标图像。本文分别对这两种方法稍作改进，采用图像阈值法时，先进行手动的阈值分割，然后再使用最大方差阈值法，效果更好；采用形态学分割时，圆形结构元素作为种子，也得到了目标图像。因此尽管医学图像分割比较复杂，只要灵活采用图像分割方法，可以得到比较满意的分割图像。

5.参考文献
[1]李彦东.卷积神经网络研究综述
[2]田捷.医学图像与医学分析[M].
[3]陈灵娜.一种新的肝肿瘤CT图像分割方法[J]
[4]马子睿.基于数字形态学的医学图像分割研究方法[J]
[5]俞海平.MRI脑肿瘤图像分割与矩特征研究[J]