医学图像分割综述
图像处理流程大致如下图所示：
图像分割的定义：
将一副图像g(x,y),其中0≤x≤Max_x,0≤y≤Max_y,进行分割就是将图像划分为满足如下条件的子区域：
1.基于区域的分割方法：
图像分割通常用到不同对象间特征的不连续性和同一对象内部特征的相似性。
基于区域的算法则侧重于利用区域内特征的相似性。
1.1阈值法：
阈值分割是最常见的并行直接检测区域的分割方法。
单阈值分割：将图像分为目标和背景。
多阈值分割：将图像分为多个目标区域和背景。为区分目标，还要对各个区域进行标记。
阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的。
但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。
选取的阈值应该位于两个峰之间的谷，从而将各个峰分开。
1.2 区域生长和分裂合并
区域生长和分裂合并是两种典型的串行区域分割方法。
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。
该方法首先要选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域内。
1.3 分类器和聚类
分类是模式识别领域中一种基本的统计分析方法。
分类的目的是利用已知的训练样本集在图像的特征空间找到点、曲线、曲面或超曲面，从而实现对图像的划分。
分类器分为两种：非参数分类器和参数分类器
聚类算法与分类器极为相似，只是它不需要训练样本。
1.4 基于随机场的方法
在MRF假设下，大多数像素和其临近的像素属于同一类。
1.5 其它基于统计学的方法
2. 基于边缘的图像分割方法
2.1 并行微分算子
2.2 基于曲面拟合的方法
2.3 基于边界曲线拟合的方法
2.4 基于反应—扩散方程的方法
2.5 串行边界查找
2.6 基于形变模型的方法
2.7 小波多尺度边缘检测
2.8 基于数学形态学的边缘检测
3. 结合区域与边界技术的方法
4. 基于模糊集理论的方法
- 模糊阈值分割方法
- 模糊聚类分割方法
- 模糊连接度分割方法
5. 基于神经网络的方法
神经网络模拟生物特别是人类大脑的学习过程，它由大量的节点构成。
每个节点都能执行一个基本的运算。
神经网络的出发点是将图像分割问题转化为诸如能力最小化、分类等问题，
从而借助神经网络技术来解决问题。
其基本思想是用训练样本集对ANN进行训练以确定节点间的连接和权值，
再用训练好的ANN去分割新的图像数据。
6. 图像分割中的其它方法和问题
6.1 图谱引导方法(Atlas-Guided)
图谱引导方法是利用已有标准模版对医学图像进行分割。
主要用于对脑部MR图像的分割。
优点：在分割的同时，分割出的每一类对应的解剖部位也就唯一的确定了。
缺点：考虑到人体解剖结构的千差万别，完全用简单的映射关系来对所有的图像进行分割在实现上是很困难的。
6.2 数学形态学
形态学图像处理以在图像中移动一个结构元素并进行卷积的方式进行，结构元素可以具有任意大小。
形态学理论在图像分割中比较有代表性的是水线算法。
6.3 尺度空间理论的应用
尺度空间理论的概念被引入到医学图像的分割问题中，强调医学图像特征呈现出多种级别的现象。
6.4 分割评估
图像分割中的另一重要问题是对分割算法的定性和定量评估。