圖像分割是一個經典難題，從七十年代期圖像分割問題就吸引了很多研究人員付出巨大的努力，但是到目前爲止還沒有一個通用的方法。圖像分割在醫學應用中具有特殊的重要意義，本文從醫學應用的角度出發，對醫學圖像分割方法做一個簡單的彙總。
背景介紹
所謂圖像分割是指根據灰度、彩色、空間紋理、幾何形狀等特徵把圖像劃分成若干個互不相交的區域，使得這些特徵在同一區域內，表現出一致性或相似性，而在不同區域間表現出明顯的不同。也就是說，把感興趣區域從一幅圖像中分離出來，以便進一步處理。常用的醫學影像技術包括：血管攝影 (Angiography)、心血管造影 (Cardiac angiography)、電腦斷層掃描 (CT, Computerized tomography)、乳房攝影術(Mammography)、正子發射斷層掃描 (PET, Positron emission tomography)、核磁共振成像 (NMRI, Nuclear magnetic resonance imaging)、醫學超音波檢查 (Medical ultrasonography)。
基於閾值的圖像分割
閾值分割法是一種傳統的圖像分割方法 , 因其實現簡單、計算量小、性能較穩定而成爲圖像分割中最基本和應用最廣泛的分割技術。閾值分割法的基本原理是通過設定不同的特徵閾值 ,把圖像像素點分爲具有不同灰度級的目標區域和背景區域的若干類。它特別適用於目標和背景佔據不同灰度級範圍的圖像, 已被應用於很多領域 , 其中閾值的選取是圖像閾值分割方法中的關鍵技術。代表方法有 Otsu 提出的最大類間方差法, 它被認爲是閾值分割中的經典算法。 Kaptur 等提出的最佳熵閾值方法。基於閾值分割法雖然簡單 , 但在閾值的選取很大程度上影響圖像分割的效果 , 它只考慮像素本身的灰度值 , 而不考慮圖像的空間分佈 , 這樣其分割結果就對噪聲很敏感，對圖像工作人員的要求就比較高。
基於區域生長法的圖像分割
區域生長是指將成組的像素或區域發展成更大區域的過程。從種子點的集合開始，從這些點的區域增長是通過將與每個種子點有相似屬性像強度、灰度級、紋理顏色等的相鄰像素合併到此區域。採用區域生長法的關鍵在於種子點的位置選擇、生長
準則和生長順序。此方法最簡單的形式是先人工給出一個種子點 , 然後提取出和此種子點具有相同灰度值的所有像素。
基於變形模型的圖像分割
1987 年 ,Kass M 、 Witkin A 和 Terzopulos D 發表的論文“ Snakes : Active Contour Models ” 促使變形模型很快發展成爲圖像分割中最活躍和最成功的研究領域之一。變形模型可分爲兩類 , 即參數變形模型與幾何變形模型。參數變形模型在變形過程中以顯式參數的形式表達曲線或曲面 , 允許與模型直接交互 , 且表達緊湊 , 利於模型快速實時地實現。但是 , 該方法難以處理在變形過程中發生拓撲結構的變化。相反 , 幾何變形模型可自然地處理拓撲結構的變化 , 該方法基於曲線演化理論和水平集方法。變形模型對噪聲和對比度不是很敏感 , 能將目標從複雜背景中分割出來。但是 , 該模型存在天然缺點 : 一是變形模型對初始輪廓的選取很敏感 , 初始輪廓的選取能影響分割的效果 ; 二是能量函數的設定 , 即影響分割效果 ; 三是分割終止條件的設定。
基於圖論的圖像分割方法
基於圖論的方法是一種自頂向下的全局分割方法，其主要思想是將整幅圖像映射爲一幅帶權無向圖 G=(V，E)，其中 V 是頂點的集合，E 是邊的集合，圖像每個像素對應圖中一個頂點，像素之間的相鄰關係對應圖的邊，像素特徵之間的相似性或差異性表示爲邊的權值。將圖像分割問題轉換成圖的劃分問題，通過對目標函數的最優化求解，完成圖像分割過程。常見的基於圖論的分割算法有Normalized Cuts 算法、FH 算法、Graph Cuts 算法、Superpixel Lattice 算法、Seeds 算法。感興趣的可以瞭解一下。
基於聚類的圖像分割方法
聚類方法是將對象的集合分成由類似的對象組成的多個類的過程。聚類的思想可以應用到圖像分割中，將圖像中具有相似性質的像素聚類到同一個區域或圖像塊，並不斷迭代修正聚類結果，直至收斂，從而形成圖像分割結果。常見的基於聚類的分割算法有Meanshift 算法、Medoidshift 算法、Turbopixels 算法、SLIC 算法。感興趣的可以瞭解一下。
基於分類的圖像分割方法
常見的基於分類的分割算法有QEM 方法、FCN 方法、Zoom-out 方法。
結合聚類和分類的圖像分割方法
分類方法是有監督的機器學習算法，需要大量的標註數據作爲訓練樣本，事實上，這樣的像素級(pixel-wise)的標註圖像樣本非常稀少，難以勝任分類器的訓練任務。而聚類方法是一種無監督的學習算法，無須標註圖像作爲訓練樣本。因此結合無監督的聚類算法和有監督的分類算法各自優勢，研究圖像分割算法，也是近年的熱點之一。這類方法的思路通常分爲三個步驟:a)使用聚類算法生成目標候選區域集;b)使用分類算法對各區域分類;c) 根據區域分類結果構建全圖標註，完成圖像分割。
常見的結合聚類和分類的分割算法有O2P 方法、SDS 方法、Ｒ-CNN 方法。
基於神經網絡的方法
隨着科學技術的發展，在解決具體的醫學問題時，出現了基於神經網絡模型（ANN）的方法。神經網絡模擬生物特別是人類大腦的學習過程，它由大量並行的節點構成。每個節點都能執行一些基本的計算。學習過程通過調整節點間的連接關係以及連接的權值來實現。神經網絡技術的產生背景也許是爲了滿足對噪聲的魯棒性以及實時輸出要求的應用場合而提出的，一些研究人員也嘗試了利用神經網絡技術來解決圖像分割問題，並開始在醫學圖像處理方面嶄露頭角。在前列腺分割挑戰賽PROMISE12中，2016年以前傳統方法更佔據主導地位。IMorphics提出的傳統分割方法曾佔據第一的位置達五年之久。而後基於深度學習的方法不斷涌現。Cheng等人提出了一種基於卷積神經網絡的方法，可生成二維切片的能量圖並用於基於主動外觀模型的分割。Guo等人採用級聯的稀疏自動編碼技術從局部像素塊中提取特徵，用於基於模板匹配和形變模型的分割。Milletari等人提出了一種基於三維U-net的卷積神經網絡和一個可以直接優化Dice係數的目標函數，並在PROMISE12中取得了第五名的好成績。Yu等人提出了一種三維CNN模型並在PROMISE12中取得了第一名的成績。該方法採用了一種求和操作而不是傳統U-net網絡的級聯操作該方法，使得該網絡成爲了一種ResNet網絡和U-net網絡的混合體。這些研究尚處於起步階段，但深度學習在醫學圖像處理中的應用前景普遍被看好。
