医学图像分割（一）

图像分割的动机

•基于内容的图像检索
•机器视觉•医学成像应用（肿瘤描绘，…）
•物体检测（人脸检测，…）
•三维重建•物体/运动跟踪
•基于物体的测量，如大小和形状
•物体识别（人脸识别，…）
•指纹识别
•视频监控

图像分割

将图片/图像划分为不同的子集称为分割。

图像分割需要将图像分割成具有相似属性的区域。

识别方法

基于模型•基于知识•基于图集 非交互

人类协助 有交互

划定方法

pI（纯基于图像的）方法

主要依赖给定图像中的可用信息。•识别：手动

SM 基于形状模型的方法

使用模型对对象族形状信息进行编码。•识别：基于模型/手动

Hybrid 混合方法

将PI和SM方法结合起来。•识别：基于模型，自动。

方法分类

pI方法

图像信息好的地方，精度就好；

-差/缺的地方不好；

-需要认可帮助；

能够很好地确定模型与图像的匹配程度；

-缺少对象形状&地理信息；

SM方法

-即使在图像信息良好的地方，准确性也会受到影响；

坏的地方，模型有帮助；

有助于识别；

-需要最佳匹配信息；

好的模型体现了obj形状&的地理信息；

纯基于图像的分割方法

阈值-简单分割

•区域增长算法

•同质性标准

•分割/合并算法

•CT、MRI、PET示例

•局限性

基于区域的分割算法

区域：一组具有相似属性的连通像素 闭合边界区域 计算是基于相似性区域可能对应于场景中的对象或部分对象的 空间接近相似性

区域增长优势

1. 区域生长通常能将具有相同特征的联通区域分割出来。

2. 区域生长能提供很好的边界信息和分割结果。

3. 区域生长的思想很简单，只需要若干种子点即可完成。

4. 在生长过程中的生长准则可以自由的指定。

5. 可以在同一时刻挑选多个准则。

劣势

1. 计算代价大。

2. 噪声和灰度不均一可能会导致空洞和过分割。

3. 对图像中的阴影效果往往不是很好。

与RG不同，区域分割从整个图像作为单个区域开始，并在不满足同质性条件的情况下递归地将其细分为子区域区域合并与分割相反，可以避免过度分割

创建同质区域时，会检查其相邻区域，如果新创建的区域具有相同的属性，则会将其与现有区域合并如果多个相邻区域满足相似性标准，则新区域将与最相似的区域合并。

1） 医学图像中的物体往往不均匀

2）对比度差导致泄漏

3）噪声