医学图割方法

写这篇文章，主要是为了给自己来个总结，也方便以后自己回顾，顺便和大家一起学习。
  随着医院图像的数量大量增加，用电脑进行图像的处理和分析成了一种必要，图像分割领域的方法也很多，各有优异，今天来说说医学图像分割常用的各种方法吧。

  我们将分割的方法分为8类：（1）阈值分割 （2）区域增长  （3）分类器   （4）聚类方法   （5）马尔科夫随机场模型   （6）人工神经网络   （7）可变形模型   （8）图谱引导算法。在这些方法中，基于像素分类的方法有阈值分割、分类器、聚类和马尔科夫随机场方法。

  下面我们再来大概的了解下这些方法：

   1、阈值分割（Thresholding）
  原理：阈值分割法是一种基于区域的图像分割技术。简单来说，就是通过设定不同的特征阈值，把图像象素点分为若干类。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现，例如在图像的灰度直方图上选取一个值作为阈值，灰度值小于这个阈值的一部分像素点作为一个类，灰度值大于这个阈值的像素点作为另一个类。

  优点：阈值分割计算简单、运算效率较高、速度快，它特别适用于目标和背景占据不同灰度级范围的图像。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。在医学应用中，有血液细胞图像的分割、磁共振图像的分割。

  缺点：由于它的计算简单，只能产生较少的分类，而且不能用于多通道图像的处理，通常它还没有考虑图像的空间特征，对噪声极其敏感。

  2、区域增长（region growing）

  原理：区域生长是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。形象的说来就是从一个种子点开始，通过迭代将相似的点合并在一起，慢慢长大的过程。像阈值分割一样，区域增长也不会单独的使用，它们可用在进行图像分析、特征提取与模式识别之前的图像预处理过程中。

  优点：区域增长的思想相对来说也比较简单，只需要若干种子点即可完成。它能将具有相同特征的联通区域分割出来，同时也能提供很好的边界信息和分割结果。在其生长过程中的生长准则可以自由的指定。可以在同一时刻挑选多个准则。

  缺点：计算代价大，对图像中的阴影效果往往不是很好， 噪声和灰度不均一可能会导致空洞和过分割，对噪声问题，通常可以用一些平滑滤波器，或是diffusion滤波器做预处理来解决，所以通常噪声问题并不是很严重。所以实际上，区域生长的最严重的问题就是效率低下，处理图像需要的时间较长。

 3、分类器（Classifiers）

  原理：分类器方法是一种模式认知技术，通过学习，能够自动将图像数据划分到已知的类别。分类器是作为机器学习中的有监督方法，它需要训练数据进行手动分割，然后才能够自动的对新数据进行分割。

  优点：因为它是非迭代的方法，它不像阈值方法那样计算量大，因此是非常有效的，而且它还可应用于多通道图像中。

  缺点：它通常不能使用任何的空间模型，另外它还需要人工交互来获取训练数据，训练集可来自于任何需要切割的图像，但是这样是非常耗时和浪费人力。另一方面，在大量的试验中使用相同训练集，会因为没有考虑不同目标之间可变性，导致最后的结果会有偏差。

   4、聚类方法(Clustering)

  原理：聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。它和分类器很像，但它是一个非监管学习方法，不需要训练数据。由于不需要训练数据，所以它得在切割图像和获取每个类的特征两个过程中不断迭代，实际上，聚类方法就是在用自己的数据训练自己。常用的聚类算法有K-means、ISODATA、fuzzy c-means、expectation-maximization(EM)。

  优点：聚类分析简单、直观，不需要训练数据，由于不能使用空间模型，能够快速的计算。

  缺点：需要初始化分割，有些算法对初始分割很敏感，和分类器一样，不能直接使用空间模型，对噪声很敏感。

5、马尔科夫随机场（MRF）

原理：MRF是一个统计学的模型，并不是分割方法，但是它可用于分割方法当中。它认为一个像素应该与其相邻的像素同属一个类，这也意味着在MRF中出现仅含一个像素的类别的概率是相当低的。

优点：对噪声具有鲁棒性，能够模拟磁共振图像中出现的强度不均一。

缺点：难以选择控制空间交互强度的参数，设置的太高会导致过度平滑分割，使得失去一些重要的结构细节。

6、人工神经网络（ANNs）

原理：就是能够对多个节点实行并行处理，可以用下图进行形象的描述，输入层的每个节点对应一个个的预测变量。输出层的节点对应目标变量，可有多个。在输入层和输出层之间是隐含层（对神经网络使用者来说不可见），隐含层的层数和每层节点的个数决定了神经网络的复杂度，调整节点间连接的权重就是在建立（也称训练）神经网络时要做的工作。

如图中节点4输出到节点6的值可通过如下计算得到：W14*节点1的值+W24*节点2的值。

优点：容易在并行计算机上实现，可以把他的节点分配到不同的CPU上并行计算；可以充分逼近任意复杂的非线性关系，所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；采用并行分布处理方法，使得快速进行大量运算成为可能，还能学习和自适应不知道或不确定的系统。

缺点：神经网络会学习过度，除非问题非常简单，训练一个神经网络可能需要相当可观的时间才能完成。当然，一旦神经网络建立好了，在用它做预测时运行时还是很快得。总的来说，建立神经网络需要做的工作量是很大的。

7、可变性模型（Deformable models）

原理：可变形模型可视为能量极小化的样条模型，内力约束它的形状，外力引导它的行为，将其吸引至显著的
图像特征。能量最小化模式就是寻找一条参数化的曲线使已加权的内能和势能之和取最小值的过程。曲线在内力和势能力的共同作用下，从初始值逐步趋向我们感兴趣物体的边界。

优点：能够直接产生临近参数边界或表面，对噪声和模糊边界具有鲁棒性。

缺点：需要手动的给一个初始化模型和选择合适的参数，所以减小对初始化的敏感度是研究的一个课题。

8、图谱引导算法(Atlas-guided approaches)

原理：图谱引导算法在医学图像分割中是一个很强大的工具，但是前提条件是需要一个标准图谱或一个模板。这个图谱将成为分割新的图像的指导框架。这个方法和分类器很类似，不同之处在于图谱引导方法是应用在图像的空间领域，而分类器是应用在特征空间。

优点：如同分割一样，标签是可传递的。它为学习形态学特性提供了一个标准系统。

缺点：由于解剖可变性，难以准确的分割复杂的结构。

以上只是简单的介绍了一些在医学上常用的方法，想要深入的了解的话还得去看大牛们详细的讲解！