【摘 要】：图像的分割技术占据了医学超声图像中定性、定量分析领域中十分重要的地位，预计在今后的几年三维超声图像分割技术将成为医学超声图像分割技术的主力军，对病情的分析、诊断起到直接影响作用。在对医学的超声图像特性进行分析的基础上，分别对医学的超声图像进行了分割方法的介绍及评价，并对其发展的方向、趋势进行了简单的探讨。而三维的超声图像分割技术正快速发展着，其在医学诊断的过程中可以帮助医生更好的分析、诊断病情。
【关键词】：医学；图像分割技术；方向
1 引 言
随着医学超声图像分割技术的迅猛发展，动态规划模型以及水平集模型等技术使得三维图像的分割技术以飞快的速度发展着。图像分割是计算机进行临床辅助诊断的重要方式，可以用于病情的实时监控以及疾病的准确定位等环节。为保证从超声图像中获取准确的临床诊断信息，先进的图像分割技术是不可或缺的。
2 图像分割的目的和意义
传统医学超声图像的分割技术主要有两类，以边缘检测为基础的方法和以区域生长为基础的方法。通常为了能够取得更好的分割效果，在实际的应用中，往往将这两种方法结合在一起使用。以区域生长为基础的法，这种图像的分割方法，则是将象素按照一些规定的特征，分类划分到不同的区域中去，因此每个相邻的区域都具有不同的均匀性。主要的基础技术有：合并技术、分裂技术以及随机场技术。以合并、分裂技术为基础的区域生长法，主要分为：合并、分裂、合并-分裂结合这三种方法。合并的方法：首先将整幅图像划分成多个相同的基础区域，然后分辨各个区域的均匀性，将均匀性相近的进行合并，使得最终所得的区域达到一定的均匀性；分裂的方法：将整幅图像均分为四份，然后以分裂的结果作为下一次的分裂模板，只要区域的分割结果不能达到一定均匀性，就不断对区域进行下一次分裂，直到各个区域的均匀性都得到满足；合并-分裂相结合的方法：将相邻并且特征相似的区域进行合并，不均匀的区域不断进行分裂。
这些方法对图像有一个共同的基本要求：高像素。高像素保证了图像的清晰度和质量，这样可在进行图像合并或分裂的处理时，不会处理过度，导致结果的失真。通常这些方法都只是作为其它超声图像分割技术的辅助来应用的，因此在这方面可用借鉴的资料少之又少。以随机场技术为基础的图像分割法，相互作用模型在随机场中是利用空间区域的相关知识，再结合模拟退火及一些概率论的知识等优化方法对图像加以分割。但这种方法非常容易导致误分类的产生，纹理边界极难进行分割，因此，在医学超声图像分割技术中的应用也并不是太广泛。
3 医学图像分割技术的发展
近几年来，出现了许多新兴的图像分割技术，研究者们围绕其进行防范研究，并取得了不小成就。以形变模型中的动态规划模型为例，以动态规划模型为基础的分割方法，首先应人工选择原始图像的起点、终点，求算出最初代价阵。之后再用选择的初始点与最初的代价阵，求得累积代价阵，然后由终点向着起点进行反向记录，画出最后的边界线。
本文依据此分割法进行实验，实验结果显示该算法能够取得最优解，噪音对图像分割的影响也不明显，只是还需要注意几个方面：
复杂的计算过程，累积代价阵的计算过程十分复杂，因此会耗费大量时间，可以说是整个运算过程中的重点、难点；
初始点、终止点的选择，极大的影响着分割结果，因初始点、终止点的不同可以形成不同的分割结果。（其中a为原始图像，标志点位临床医生所标；b、c、d为不同初始点、终止点情况下的不同分割结果）如图1所示
4 医学图像分割技术概述
划分医学图像的区域有时候并不十分容易，由于医学成像系统具有其自身独特的物理特征，还有机体不同的组织吸收能量的能力略有不同表现在图像上为成像时会有一定的差异即医学图像具有的不确定性、模糊性。在描述医学图像中的目标物体时应用图像的模糊性，
以边缘检测为基础的法，以边缘检测为基础进行分割的方法，是根据图像的像素特征进行检测，由于其局部特征具有突变性、不连续性，由此可以描绘出几条边界，最后将图像分割成为几个不同的区域。因此，选出一个基础点作为检测点，根据检测点以及检测点的相邻点检测的象素作为特征值，再根据其检测值来获得不同区域间的边界。但是，有时根据图像的像素进行边界描绘时，由于相邻点的像素检测的信息并不匹配，使得描绘的图像边界不完整、封闭，故无法成功将图像进行区域分割。这时，为了勾画出有意义的图像边界，对于那些间断不连续的边缘点就要采用一定的算法将其连接起来。此外，有较大噪声音的图像会有一定误差，主要体现在图像边缘的真实性上，这一点对以边缘检测为基础的分割方法的结果影响极大，尤其是在医学超声图像的分割上，因此，这个问题亟需得到解决。应用以模糊集理论为基础的图像分割技术可以解决医学图像中的部分结构不良的问题，因此，发展、应用此技术在医学超声图像的分割工作中，可对医学图像的分析有很大的帮助。
5 医学图像分割技术的评价
以人工的神经网络为基础的图像分割技术是近几年刚刚发展起来的被广泛应用的新技术。这项技术具有一个十分优越的条件，它分割图像的方式不需要依靠图像的概率函数也就是说即使在图像数据出现严重的偏差时也可以进行图像的分割。事实上，这个分割技术是以图像的形状为基础进行图像的分割的。
这个分割技术主要有两个操作过程：首先是进行图像特征的提取；然后就是进行神经网络的分割。提取医学超声图像特征的过程对于整个图像的分割具有决定性的作用，因为提取的数据是进行神经网络的计算时的基础数据。如果能提取到正确的图像特征数据便能够尽可能的削减计算过程，提高分割算法的准确性。
6 结 语
本文系统的通过对医学的超声图像进行了介绍与评价，虽然形变模型分割技术能获得不错的效果，但仍有许多还未解决的问题。因此，医学超声图像分割技术的研究方向应根据这些还未解决的问题，向以下几个方面发展，能量模型的建立分析；噪声对超声图像分割影响的处理；多种模型结合应用，从而提高分割效果、加快分割速度。将二维分割技术往三维分割技术上发展以及推广；分割序列的图像，不仅对层间轮廓线形状的相似性进行利用，还要对层间的对应边缘处灰度的相关性与相似性进行利用。
【参考文献】
[1]严勇 《医学超声图像分割技术的研究及发展趋势》 [J]，北京生物医学工程.2008.6-05．
[2]费晓红 《基于改进粒子群的模糊聚类超声图像分割》[J]，科学技术与工程．2010.2．
[2]敖文贵 《医学超声影像三维目标对象的分割方法》[J]，中国医学影像技术．2011.7．
原创文章，作者：sowenn，如若转载，请注明出处：https://www.diyilunwen.com/lwfw/yixue/6049.html
