分割技术在医学影像处理中的应用

　　摘要：随着移动医疗新技术的进步与创新，例如人工神经网络分割算法以及基于知识的分割算法等数字图像处理分割技术，已经被日益多元地应用于诸多领域。而随着模糊技术的发展完善，相关图像分割领域中对分割技术的研究日益广泛。图像分割的含义指的是通过了解几何形状、空间纹理、彩色以及灰度相关特征，进行图像的分割，分割的各个部分之间都是相互独立的。所分割形成的图像特征在同一区域有着共同点，不同区域特征就不同。简而言之，分割侧重点是定位目标，提取感兴趣的区域。

　　关键词：移动医疗;数字图像处理;图像分割;分割算法;模糊技术

　　作为图像识别中的一个不可缺少的部分，图像分割的效果对特征提取结果的准确性有着很大的联系。本文介绍了几种高效的肝脏CT图像分割方法，随后对涉及的方法进行了有效分割，确定了基于阈值的分割方法，并以此作为相关医学影像处理的关键。

　　1医学图像分割概述

　　单就临床应用而言，不难发现，在相关领域的医学研究中，图像分割技术即对初期二维图像的处理，以使其被分割为各种不同种类的区域，进而为医学研究工作提供便利。同时提取出所需要的区域，进而在分析定量、定性中起到铺垫的作用。对其的研究能够给医学研究以及临床诊疗带来指导性的意见。

　　医学图像分割涉及领域的领域较多，例如人工神经网络分割算法等，此外还有病理分析、临床诊断等方面，具体的应用介绍如下：

　　1)采用医学图像分割技术后，可以对人体组织器官、病变部分进行有效界定，同时判断其大小与范围。随后通过对相关部位的变化分析，研究和确定疾病属性，进而为后续的医疗工作提供帮助。

　　2)借助医学图像分割技术，相关图像可以被有效分解与理解，有助于图像相互之间的融合校准工作的进展。此外，还可以与其他技术相衔接，例如对心肺运动的跟踪、解剖组织的测量等。这有助于真实头颅模型、病变组织进行仿生再造等技术的推广与实现。

　　3)可用于B超引导下的手术，在影像的引导下优化外科手术方案的模拟和制定，对病灶精确定位，将理论上的手术方案变得真实可行，并对切片病理研究、药品疗效进行有效评估等。

　　4)分割图像所得到的结果能够是基于有用信息不丢失的时候，从而完成图像数据的压缩以及传输等操作，在很大程度上使得医院PACS系统中图像的运用得到了很大的增强，互联网+与医疗读片相互远程连接从而对传输速度有着十分重大的作用。

　　因为医学图像的特点主要是围绕着复杂和变化多端，同时人体的各种表现方式而导致了不同的特征，此外在目前的医学影像相關的设备里面相关的应用成像技术以及医学图像里面所包含的噪声是很难阻止的，这样一来就容易导致图像中的目标物体会存在部分的边缘模糊的现象，从而给医学图像分割的实现造成了重大的限制。现在的很多是针对医学图像分割的技术，同时仍然不存在高效的理论知识。此外，由于理想化分割技术还难以实现，即便是研究人员能够随心所欲地分割相关图形，也很难将这种技术应用于实际领域中。在对评判分割的相关结果进行评判的过程中，评判准则依然没有实现统一化，现今的评判准则大都是根据具体的实际应用完成的。

　　图像分割方法的组成部分有：基于区域的分割方法，往往会选择利用均匀性原则，以实现对不同区域图形图像的均衡化识别。而基于边界的则更加注重图像中存在的边界线，一般以性质差异大、区域相对模糊发分界线为主要处理对象。

　　从现有的区域分割方法看，图形图像的区域性质各有不同，甚至于灰度、纹理有着十分密切的关系，彼此间是互相均匀的，根据相关的区域分割方法从而在生长方面是十分具有区域性甚至于是区域分裂的。所以通过这些方法甚至于图像灰度值的这些分别独立的关系，从而造成了这些内容之间优势的最大问题就是噪声方面不是很敏感。然而这些方法在很多的时候都会引发出图像分割现象十分恶劣的结果，此外分割的结果的运用场合中应该要充分地结合试点位置，同时以相关分割区域或图形的性质位置等进行分割法的选择，最终保证分割的连续有效。

　　经过边界分割方法处理后的图像，是具有梯度信息的图像。通过这类信息能够有效完成对边界的测定和确定，为下一步的工作提供便利。与此同时这里面的相关算法是能够涵盖局部微分算子。这些方法建立了与已处理像素之间独立的关系，然而其中存在两个弱势，一是其对噪声的敏感程度较高;而是边缘像素值连续性的问题。这些问题的解决与处理还需要相关技术的辅助与支持。一旦现有问题没有得到及时的解决，就容易出现不连续边界的问题，这会极大影响图像的处理，进而干扰医生的判断。鉴于此，要想获得意想不到的分割效果，在实际工作中需要边界分割方法与区域分割的有机结合。

　　2医学图像分割技术的分类

　　大部分的模糊分割技术逐渐地出现。图像分割里面关于模糊技术的应用可以概括为这个技术与现今所有的分割技术都是能够完全相互结合起来的，同时还能够出现了FCM、知识的分割等许多的新兴的分割技术。这些技术应用于实际领域，已经取得了初步的成效。除了以上两者之外，新近的集成模糊分割技术还包括模糊闭值、模糊边缘检测技术，这类技术均是由相关的分割技术或图形图像处理方法演变而来的，具有很强的时代性、针对性和适用性。多种多样分割方式的层出不穷，是我国医学图线处理分割取得进步的重要体现，对实际的医疗工作有着莫大的帮助。而随着医学图像分割技术的再发展、再创新，其在医学研究、医疗工作中的地位还将不断加强。

　　2.1基于统计学的方法

　　该方法是以图像中全部像素点灰度值为处理核心的，通过对相关对象的模型和，使之成为一种概率上的随机变量。关于图像的观察具体的公式如下所示：

　　G=φ(H(F))ON (1)

　　公式里面的F具体指的是实际景物，其中的H指的是涂污，而φ的含义代表的是非线性交换，N代表的是噪声，O代表的是噪声加入的方式。从公式(1)中可以看出，由F获得G是唯一的，反之由G获得F是无解的。分割图像必须要保证正确，如果基于统计学角度，则可以得出这样的结论：概率的最大值能够作为图形图像有机呈现的重要依据。Markov随机场是相关统计学分析中最为基础、最为常见的一种处理方式。作为统计学的代表，Markov能够有效呈现出条件概率，并不受场中点性质、位置等的影响。与此同时，借助Markov还可以实现对点的基本信息、相互位置信息的表达。Gibbs和Markov两类函数是Markov统计中使用较多的，前者能够表达出势函数，从而促使条件概率的确定，后者则可以展现图像像素之间的关系。由此，相关图像的处理与统计建立了有机联系，通过数学模型的转化，达到了使图像精准化、专业化、清晰化的特点，大大有利于医疗从业者的分析。

　　2.2基于模糊分割的方法

　　模糊分割技术是以模糊集合理论为重要的依据的，模糊分割技术具体是能够分为以下几点。一是图像之中的模糊性处理，这种方式具有一定的目的性和准确性;二是不确定性处理，这种处理就显得较为模糊;三是噪声的不敏感性处理，力图通过对干扰图像区域清晰度的噪声进行处理，从而改善图像的整体清晰程度;四是以模糊聚类代表的分割。而实际向，在各类行业中，应用最为广泛、频率最高的是模糊均值聚类技术，因此对FCM的研究就显得十分重要。FCM在图像分割里面的运用主要是一个没有监督模糊聚类后的具体实现过程，该项技术的使用场合主要是有包含着不确定性以及模糊性的时候。FCM方法的优点最大的一个就是非监督分割方法里面的一个，另外实现的过程中完全没有外人的干扰。由于该方式具有一定的智能性，能够借助先进的计算机和数据处理技术，实现对分割中存在噪声的处理，同时解决由二维转化至三维时出现的体积确定问题。当然，这种处理方式也存在一定的劣势，例如局部极小值的问题，很容易影响局部的清晰度，这对于全局最优解的解答是很难的。

　　这些年以来，越来越多的相关分割方法如雨后春笋般地涌向出来，而在其他领域FCM也获得了尤为普遍的应用。

　　2.3基于小波变换的方法

　　小波分析的特点是时频局部特性良好，在很多的模式识别领域以及图像处理中都有着广泛的运用。通过小波变换从而完成医学图像的分割，小波系数的分解实现用到的原理是二进制小波变换，根据所给出的分割准则以及小波系数从而对闭值门限进行选择，从粗到细，通过尺度控制。基于小波小波变换，能够对图像实现基于尺度的分化，有助于图像的合理化分割。

　　为了防止滤除噪声中影响边缘检测的正确性，人们逐渐更倾向于选择多尺度的方法进行边缘的检测。医学图像涉及信息鳞次栉比、车载斗量，不是一种分析方式就能够完全应对的。因此在尺度边缘的划分中，还高频率地使用到了以梯度形式进行的划分，这极大地提高了分析和检测的精准度，有助于边缘图像的凸显，并且最大限度解决噪声干扰问题。此外。精确的阈值的自动确定则是通过多尺度小波变换实现的。3医学图像分割算法性质分析

　　过去数十年间，学术界对图像分割的研究从未中断，也催生出大量的分割方法。但是实际医疗工作中，要应对人体解剖结构复杂多变等问题，以及实际操作中的技术难点。因此并没有建立起一种准确的，可行的相关处理方式。每一种算法的针对性都比较强，一般都是针对一些相关的领域或者是相关的成像物理模型。所以，在具体的应用里面采用恰当的分割算法并且针对已经有的分割算法进行改进是离不开定量评估分割算法的。分割算法中另一個重要的内容是定量评估。客观地定量评价分割算法是不太容易的，有些比较复杂的医学图像比如MRI、PET、CT等，找到一个合适的标准是很难的。而且相关的试验证明了，人在相关分割技术中扮演着主导性的地位，这是机器所无法取代的。

　　医学图像分割算法评价主要有以下三个重要特征。一是客观陛，即相关分割的客观评定;二是一般性，一般性评价是一种尤为普遍的评价方式，能够使用于多种算法的评价，具有很强的通用性;三是定量性，定量性是以相关结果为依据的，通过对相关结果的有效评价实现对分割技术与质量的识别，定量性具体而言，又分为以下三种评价方式：一是区域内均匀度该图像分割指对相关对象的一次处理，已获得多个性质趋同的区域，分割的精细化程度较高。通过以特性均衡为判断依据的方法，就能够对相关技术进行精准化的识别;二是区域间对比度，该评价手段是以相关图像质量为主要局准点的，能够有效判别分割的到位程度;三是，算法收敛鲁棒性准则，就及时以收敛概率和扩散系数为主的组合。

　　总而言之，现今评价医学图像分割算法的很多方式都较为主观化，虽然主观评价有着很多的缺点，然而因为图像分割理论中的不完善因素和医学图像的繁琐性，人们无法通过客观评价方法进而评价医学图像分割算法。