医学超声影像三维目标对象的分割方法论文

　　摘 要：探讨医学超声影像三维目标对象的分割方法。方法：针对我院目前使用的机型为GE730的实时三维超声，将其总体的三维分割算法分为基于结构的分割技术、基于统计学的分割技术和混合技术三大类。结果与结论：人体组织器官的三维图像分割是医学图像分析和医疗诊断的重要前提，是医学图像三维可视化的重要研究内容。随着医学成像技术和三维可视化技术的飞速发展，计算机辅助诊断成为现实。计算机技术的发展使得医生和研究者可以通过虚拟交互更好地理解人体的解剖结构，对病人作出正确的诊断。在对人体组织器官和感兴趣区域的分割中，三维分割发挥着十分重要的作用。

　　关键词：医学超声影像；三维分割技术

　　医学图像三维分割一直是医学图像分析领域的一个研究重点。在这方面国内外投入的研究很多，主要集中在三维CT和MRI图像的分割上。笔者根据我院使用的机型为GE730的实时三维超声，依照算法采用的分割依据将三维图像分割算法分成三大类，即基于结构的分割方法、基于统计学的分割方法和混合方法，现报告如下。

　　1 分割方法的分类

　　1.1 基于结构的分割方法

　　1.1.1 三维边缘检测

　　边缘检测技术是通过检测边缘或体数据中的边界面进行图像分割。三维边缘检测算法主要有两个步骤：①通过区分不同属性检测出边缘点；②将这些边缘点组合成连续的轮廓，将感兴趣区域的体素从其他体素中分离出来。边缘检测常借助空域微分算子进行，通过将其模板与图像卷积完成。目前已经提出了许多边缘检测算子。三维边缘检测算法的优点是：对于不同区域对比度强烈的数据的分割结果很好，能够非常直观地检测出不同区域的边缘；缺点是：它虽然检测出了所有的边缘，但是很难确定检测出的边缘与感兴趣区域边界的关系。另外，此类算法不适于对比度不明显的数据，并且对噪声十分敏感，大多数情况下边缘检测算法不单独使用，而是与其他分割算法结合使用。

　　1.2 基于统计学方法

　　1.2.1 阈值分割方法

　　阈值分割算法是标量体数据中最简单的分割方法。它利用阈值将体素分为两部分：所有灰度值大于阈值的体素一起构成一类；所有灰度值低于阈值的体素一起构成另一类。该方法可以扩展为应用多重阈值，每个区域由两个阈值来定义。输入体数据中的每一体素根据灰度 值来判断其属于哪个区域。阈值分割方法尽管算法简单，但是对于不同区域间对比度明显的体数据的分割却十分有效。该算法的最大缺点是分割的结果在很大程度上依赖于阈值的选择，即阈值的改变会导致分割结果(区域)的变化。

　　1.2.2 分类器算法

　　分类器算法是模式识别中的常用技术，其目的是利用已知的训练样本集在图像的特征空间中找出曲线或曲面，从而实现对图像的划分。

　　分类器算法是一种监督性的算法，需要手工分割的数据作为训练数据，然后以此为标准指导自动分割。我们常把分类器分为参数分类器和非参数分类器两大类：①参数分类器是指条件概率密度函数形式已知，但其中的一些参数(如均值、方差等)未知。常用的参数分类器是最大似然(分类器和Bayes分类器；②非参数分类器是指条件概率密度函数形式未知，必须从训练样本集中估测，因此要求的数据量远大于参数分类器。常用的非参数分类器是K-最近邻分类器和Parzen窗。

　　标准的分类器要求所要分割的结构具有明显的定量化特征，这是为了让训练数据可以被作上标记。只要特征空间能充分区分每个标记，分类器就能将这些标记数据转换为新的数据，可以用于多通道图像，但是计算量相对较小。分类器的缺点是它们通常不进行任何空间建模，在分割强度不均匀的图像时不能达到很好的效果。另外，在获得训练数据时需要人工干预，费时费力；并且由于不同人体之间解剖上和生理上的差异，对大批扫描图像使用同一训练集会导致分割结果的误差甚至错误。

　　1.3 混合分割方法

　　1.3.1 区域增长算法