图像分割是一个经典难题，从七十年代期图像分割问题就吸引了很多研究人员付出巨大的努力，但是到目前为止还没有一个通用的方法。图像分割在医学应用中具有特殊的重要意义，本文从医学应用的角度出发，对医学图像分割方法做一个简单的汇总。
背景介绍
所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。也就是说，把感兴趣区域从一幅图像中分离出来，以便进一步处理。常用的医学影像技术包括：血管摄影 (Angiography)、心血管造影 (Cardiac angiography)、电脑断层扫描 (CT, Computerized tomography)、乳房摄影术(Mammography)、正子发射断层扫描 (PET, Positron emission tomography)、核磁共振成像 (NMRI, Nuclear magnetic resonance imaging)、医学超音波检查 (Medical ultrasonography)。
基于阈值的图像分割
阈值分割法是一种传统的图像分割方法 , 因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阈值分割法的基本原理是通过设定不同的特征阈值 ,把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图像, 已被应用于很多领域 , 其中阈值的选取是图像阈值分割方法中的关键技术。代表方法有 Otsu 提出的最大类间方差法, 它被认为是阈值分割中的经典算法。 Kaptur 等提出的最佳熵阈值方法。基于阈值分割法虽然简单 , 但在阈值的选取很大程度上影响图像分割的效果 , 它只考虑像素本身的灰度值 , 而不考虑图像的空间分布 , 这样其分割结果就对噪声很敏感，对图像工作人员的要求就比较高。
基于区域生长法的图像分割
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。采用区域生长法的关键在于种子点的位置选择、生长
准则和生长顺序。此方法最简单的形式是先人工给出一个种子点 , 然后提取出和此种子点具有相同灰度值的所有像素。
基于变形模型的图像分割
1987 年 ,Kass M 、 Witkin A 和 Terzopulos D 发表的论文“ Snakes : Active Contour Models ” 促使变形模型很快发展成为图像分割中最活跃和最成功的研究领域之一。变形模型可分为两类 , 即参数变形模型与几何变形模型。参数变形模型在变形过程中以显式参数的形式表达曲线或曲面 , 允许与模型直接交互 , 且表达紧凑 , 利于模型快速实时地实现。但是 , 该方法难以处理在变形过程中发生拓扑结构的变化。相反 , 几何变形模型可自然地处理拓扑结构的变化 , 该方法基于曲线演化理论和水平集方法。变形模型对噪声和对比度不是很敏感 , 能将目标从复杂背景中分割出来。但是 , 该模型存在天然缺点 : 一是变形模型对初始轮廓的选取很敏感 , 初始轮廓的选取能影响分割的效果 ; 二是能量函数的设定 , 即影响分割效果 ; 三是分割终止条件的设定。
基于图论的图像分割方法
基于图论的方法是一种自顶向下的全局分割方法，其主要思想是将整幅图像映射为一幅带权无向图 G=(V，E)，其中 V 是顶点的集合，E 是边的集合，图像每个像素对应图中一个顶点，像素之间的相邻关系对应图的边，像素特征之间的相似性或差异性表示为边的权值。将图像分割问题转换成图的划分问题，通过对目标函数的最优化求解，完成图像分割过程。常见的基于图论的分割算法有Normalized Cuts 算法、FH 算法、Graph Cuts 算法、Superpixel Lattice 算法、Seeds 算法。感兴趣的可以了解一下。
基于聚类的图像分割方法
聚类方法是将对象的集合分成由类似的对象组成的多个类的过程。聚类的思想可以应用到图像分割中，将图像中具有相似性质的像素聚类到同一个区域或图像块，并不断迭代修正聚类结果，直至收敛，从而形成图像分割结果。常见的基于聚类的分割算法有Meanshift 算法、Medoidshift 算法、Turbopixels 算法、SLIC 算法。感兴趣的可以了解一下。
基于分类的图像分割方法
常见的基于分类的分割算法有QEM 方法、FCN 方法、Zoom-out 方法。
结合聚类和分类的图像分割方法
分类方法是有监督的机器学习算法，需要大量的标注数据作为训练样本，事实上，这样的像素级(pixel-wise)的标注图像样本非常稀少，难以胜任分类器的训练任务。而聚类方法是一种无监督的学习算法，无须标注图像作为训练样本。因此结合无监督的聚类算法和有监督的分类算法各自优势，研究图像分割算法，也是近年的热点之一。这类方法的思路通常分为三个步骤:a)使用聚类算法生成目标候选区域集;b)使用分类算法对各区域分类;c) 根据区域分类结果构建全图标注，完成图像分割。
常见的结合聚类和分类的分割算法有O2P 方法、SDS 方法、Ｒ-CNN 方法。
基于神经网络的方法
随着科学技术的发展，在解决具体的医学问题时，出现了基于神经网络模型（ANN）的方法。神经网络模拟生物特别是人类大脑的学习过程，它由大量并行的节点构成。每个节点都能执行一些基本的计算。学习过程通过调整节点间的连接关系以及连接的权值来实现。神经网络技术的产生背景也许是为了满足对噪声的鲁棒性以及实时输出要求的应用场合而提出的，一些研究人员也尝试了利用神经网络技术来解决图像分割问题，并开始在医学图像处理方面崭露头角。在前列腺分割挑战赛PROMISE12中，2016年以前传统方法更占据主导地位。IMorphics提出的传统分割方法曾占据第一的位置达五年之久。而后基于深度学习的方法不断涌现。Cheng等人提出了一种基于卷积神经网络的方法，可生成二维切片的能量图并用于基于主动外观模型的分割。Guo等人采用级联的稀疏自动编码技术从局部像素块中提取特征，用于基于模板匹配和形变模型的分割。Milletari等人提出了一种基于三维U-net的卷积神经网络和一个可以直接优化Dice系数的目标函数，并在PROMISE12中取得了第五名的好成绩。Yu等人提出了一种三维CNN模型并在PROMISE12中取得了第一名的成绩。该方法采用了一种求和操作而不是传统U-net网络的级联操作该方法，使得该网络成为了一种ResNet网络和U-net网络的混合体。这些研究尚处于起步阶段，但深度学习在医学图像处理中的应用前景普遍被看好。
