一种基于集群系统的并行医学图像分割方法

一种基于集群系统的并行医学图像分割方法

摘要：针对三维医学图像的特点，在串行分割技术的基础之上，本文将一种基于活动轮廓模型的单幅医学图像分割算法并行化，首先将该算法做数值化处理，然后将图像数据分块分别发送给不同的处理机做数值计算，最后将分割结果合并起来。接着本文将三维医学图像初始轮廓预测分割模型并行化，设计了节点类型分配方法、任务分配方法以及负载平衡方法，对三维医学图像的分割速度的提升有着较好的效果。

关键词：三维医学图像，集群系统，并行，活动轮廓模型，图像分割

引言

医学图像分割技术是医学图像处理和分析中的关键步骤，它使得更高层的医学图像诊断与理解成为了可能，也是是三维重建的前提。随着医学显像技术的不断发展，医学数字图像的精度和分辨率获得了显著提高，这导致了三维医学图像数据集呈现爆炸式增长，这给医学图像分割速度带来了巨大的挑战，使得提升算法效率和计算机的处理速度变得非常有意义。

在三维医学图像初始轮廓预测分割模型基础之上，使用基于集群的并行计算系统，将原本串行的分割模型分两个步骤做并行化处理，这两个步骤分别是单幅和序列医学图像并行分割算法，以此来完成对三维医学图像分割速度的提高。初始轮廓预测分割模型是一种基于活动轮廓模型的三维序列医学图像分割算法，利用三维医学图像断层图像间的连续性解决了活动轮廓模型初始轮廓的初始化问题。

初始轮廓预测分割模型

活动轮廓模型的初始轮廓曲线一般会被初始化为方形或者圆形，初始轮廓预测模型将初始轮廓曲线初始化到目标边界附近，以此来减少迭代次数，提高分割速度。该预测方法首先将各个已知的轮廓线抽样成数量相同的点集合；然后利用各个相关点来预测下一幅轮廓线上的点，最后将各个点依次相连，得到预测的初始轮廓，然后再使用活动轮廓模型做进一步的分割。

三维医学序列图像中同一物体轮廓边界的变化可以归结为连续的平移和相似形变，因此我们将相邻两幅断层图像轮廓线上点的位移分解为轮廓线平移位移与法方向上的位移，更进一步，将点的位移转化为轮廓线质心的位移与各个点法方向上的位移。分别计算已有轮廓线的质心，记为集合

121

{,,,}

k k

C c c c c

-

= ，

其中{,}

i i i

c x y

=，1,2,3,,

i k

= 。已知前几幅轮廓线的质心，采用曲线拟合的方法来预测下一幅轮廓线

的质心

1

k

c

+

。对于质心

1

k

c

+

的横坐标与纵坐标，分别建立拟合多项式如下：

01

()m

m

x i a a i a i

=+++

(1)

01

()m

m

y i b b i b i

=+++

(2)

式中m为拟合多项式的次数，采用何种曲线拟合需要根据实际情况来定，可以采用一次线性拟合，也可以采用二次曲线拟合或者三次曲线拟合。在使用曲

线拟合的方法预测出质心

1

k

c

+

之后，便可以求取出相邻轮廓线上的相关点，接着对各个相关点之间法方向上的位移做曲线拟合，预测轮廓线上的点，最后再将预测出的这些点连接起来，组成预测轮廓曲线。

在获得了初始轮廓曲线之后，本文对测地活动轮廓模型做了改进，此活动轮廓模型添加了一个图像平滑项，使得轮廓模型在演化结束时会将图像细节的信息丢掉，并且也会模糊图像的边界，加强图像边界的信息。

2()() ()

g I v k g t

I div I φ

φεφφφ

λφφφ

?=??+-????-?++?--? (3)

式中，φ表示为水平集函数，t 表示时间，g 函数定义为二维高斯滤波器，v 、ε和λ为调节常量值。

单幅医学图像并行分割算法

本文首先将初始轮廓预测分割模型中的改进测地活动轮廓模型做并行化处理，但是基于水平集的几何活动轮廓模型分割算法属于一种串行边界图像分割技术，其演化轮廓曲线在迭代逼近目标边界时就是一种串行的演化步骤，Osher 、Sethian 等人在文献[27]中给出了一种完整迎风数值解决方案，这为给改进测地活动轮廓模型的并行化带来了希望。本文节在迎风数值算法基础之上，提出一种基于迎风数值解法的并行水平集算法。

对于式(3)中的第一项和第二项采用迎风差分方案，后三项则采用简单的中心差分来计算，可以得到完整数值方案如下：

102021/2{[max(,0)min(,0)]

[()()][max(,0) min(,0)max(,0) min(,0)]() [(n n ij ij ij ij n x y x x

ij ij ij ij ij x x y y ij ij ij ij y y n n ij ij ij ij ij ij t v g g k D D g D g D g D g D I I φφελφφ++--+-+=+??+?++-++++--+0202)()]}

x y n ij ij ij D D k +-(4)

式中+?、-?、n ij k 、0x ij D 、0y ij D 、x ij D -、x ij D +、y

ij D -和y

ij D +分别由下列式子计算：

22221/2[max(,0)min(,0) max(,0)min(,0)]x x

ij ij y y ij ij D D D D +-+-+?=+++ (5)

22221/2[max(,0)min(,0) max(,0)min(,0)]x x ij ij y y ij ij D D D D -+-+-?=+++ (6)

020002

02023/2

()2()

(()())

y x y x xx ij ij ij xy yy ij n ij

x y ij ij D D D D k D D φφφ-+=

+ (7)

1,1,02n n

i j i j

x

ij D x

φφ+--=

?，,1,1

02n n

i j i j y

ij D y

φφ+--=

? (8)

1,,,n n i j i j

x

i j D x

φφ++-=

?，,1,,n n i j i j

x

i j D x

φφ---=? (9)

,1,,n n

i j i j

y

i j

D

y

φφ++-=

?，,,1

,n n

i j i j y

i j

D

y

φφ---=

? (10)

该轮廓模型数值解法将原本串行的一种算法转化为一种在图像平面上迭代计算的模型，分析式(4)和数值计算步骤可以得出该模型的三个个计算特征：第一，该数值计算模型的计算量非常大；第二，图像上每个数据点的计算形式是相同的(边界除外)；第三，计算具有局部性，图像上每一个点的计算只需要用到邻域内的值。计算形式相同和计算的局部性正是并行计算所要求的，而计算量大则是并行处理要解决的问题，因此，该数值计算模型使用并行计算是完全可行的。

并行系统是由一定数量的主从处理机组成，各个处理机之间通过MPICH 通讯，主处理机接收需要处理的图像，在做完前期处理之后，将整幅图像分割问题分为不同的小任务通过MPICH 发送到各个从处理机上，当从处理机将小任务计算完成之后，再将各个分散数据发送给主处理机进行合成。

图1 改进轮廓模型并行化结构

Fig. 1 The parallel structure of the improve contour model

任务划分的问题一直以来都是设计并行化系统中最重要的问题之一，根据改进测地活动轮廓模型数值算法的特点，本文选取矩形块任务划分方式。图2表

示的是对一幅图像采用3×4块任务划分的方式，其中

粗线划分的区域为子任务区域，阴影部分为通讯重叠部分，由于式(4.4)中的计算需要邻域内的值，因此是存在通讯重叠区域的。可以证明在处理机定量的情况下，矩形块任务划分方式中的通讯重叠部分是最小的。

图2 3×4任务块划分方式

Fig. 2 3×4 Task block partition

设并行系统中的从处理机的数量为p ，其中

4p ≥

N ，分割图像的大小为M N ?，

划分的子任务区域的大小为m n ?，通讯重叠区域的像素行或列的数量为k 。则子任务区域加通讯区域的大小为(2)(2)m k n k +?+(不记处在图像边缘的子任务区域)，此区域为从处理器完成子任务所必须的，记为扩展子任务区域。给定集群系统和图像，集群中从处理机的数量p 一定，图像大小一定，为M N ?，则子任务区域的大小是不一定的，其大小m n ?可由以下式子确定：

m n p M N ??=? (11)

式(4.16)是一个二元一次方程，拥有多组解。m 和n 为正整数，而且限定式(4.16)的解需要满足在所有可能的解中m n -的绝对值最小，这是为了保证子任务区域为近似正方形，可以证明当子任务区域为正方形时，通讯重叠区域最小。

在使用式(4)来迭代计算1

n φ

+时，需要上一次的

n φ，只有子任务区域大小的n

φ是无法将该子任务区域

的1

n φ

+计算出来的，扩展子任务区域大小的n

φ才能保

证子任务区域中所有的1

n φ

+可被计算出来。为了保证

这种计算的正确性，本文使用这种方法：在每一次迭

代运算完成之后，每一个从处理机将该子任务区域范围内的计算结果1

n φ

+发送给主处理机，主处理机在将

所有数据汇总之后，再将各个扩展子任务区域范围内的1

n φ

+分别发送给各个从处理机。图3为并行改进测

地活动轮廓模型数值算法的流程图。

图 3. 单幅医学图像并行分割算法流程图

Fig. 3 The single medical image parallel segmentation algorithm

flowchart

序列医学图像并行分割算法

本文对初始轮廓预测分割模型的序列图像进一步做并行化处理来提高分割速度和分割效率。前面已经详细讲述了对于单副图像的并行分割算法，这里则将整个三维医学图像分割算法的分割粒度定为一幅断层图像，并将这些断层图像分别派送到不同的单幅图像处理机(该结构即为上节所讲述的单幅图像并行分割

算法结构)上并行处理，最后再汇总起来，得到整个三维图像的分割结果，算法的并行总体结构设计如图

4

图4 并行算法集群系统总体结构

Fig. 4 Parallel algorithm cluster systems architecture

总机节点的主要工作之一是将整幅三维图像序列划分为多个分组序列图像，将这些分组序列图像发送给二级节点。将序列图像分割成组的目的是为了增加算法的并行性，算法需要初始轮廓预测算法的执行，再加上任务分配，这些工作对于一个总机节点的负担过重，因此需要将初始轮廓预测算法和任务分配的工作再分配到下层的机器上运行。为了达到最大的并行性，经过分析和总结，得到以下几个条件，设三维医学序列图像的断层图像的数量为N ，计算机集群系统的节点的数量为M ，假设二级节点的数量即划分的序列图像的组的数量为x ，三级节点的数量为y ，三级节点中并行处理机的数量为k ，一般定义为5k =。最总求解式(12)的线性规划。

(1) 3y x ≤?且2y x ≥? 为了达到较优的并行效果，三级节点的数量y 不能超过二级节点数量x 的三倍，同时也不能小于二级节点数量的二倍；

(2) 3N ≥ 二级节点所接收到的序列图像的图像数量不能小于3张；

(3) 为了达到最优的并行效果，所有二级节点下的三级节点的数量应保证尽最大可能的是相同的；

(4) N M > 序列图像的数值需要大于集群系统的节点的数量，否则，减少集群节点的数量；

(5) x k y M +?< 二级节点和三级节点的和需要小于集群节点的数量。

/ 3 2 3 min(2,3)

N M N x x y x k y M y x x y >??≥??

≤≤??+?≤?--?? (12) 式中，min(2,3)y x x y --表示为了满足方程组取这两个的最小值。

二级节点的主要工作是对分组好的图像做任务分配，即并行的负载平衡，其分配任务的基本策略是按照三级节点是否空闲来决定分配任务情况的，这种任务分配算法需要一种数据结构的支持，数据结构定义为：

typedef struct{ Bool SegDone; //是否完成分割 Vector Segresult; //分割结果 Bool SegIng; //是否正在分割

Vector PreContour; //预测轮廓曲线

ImageNode *Next; //指向下一个节点 }ImageNode

该任务分配算法流程伪代码如下：

input: a Linked list ImageList of the ImageNode output: an ImageNode for the Image segmentation begin

initialize the nodes’ coordinates

ImageNode *p,*q;

q = p = ImageList;

while p->SegDone

q = p;

p = p->Next;

if q->SegDone

p->PreContour = q->Segresult;

return p;

if p->Next->SegDone

p->PreContour = p->Next->Segresult;

return p;

p->PreContour = q->PreContour;

return p;

end

实验结果与分析

本文建立的集群系统的硬件系统由若干台PC机器(CPU 2.0GHz 2.0 GHz Intel Core2)通过100Mbps以太网连接而成，每个节点内存为 1.0GB，使用消息传递接口(MPI)，消息传递模型是采用的MPICH2，每台机器的操作系统都为Windows XP。

本文首先对单幅医学图像并行分割算法做实验对比，包括不同子任务区域划分方法对分割结果的影响和串行与并行分割算法的对比实验。分割目标为三幅512×384分辨率的不同灰度CT图像，分割目标为将肺部或结肠图像提取出来，CT图像来自于Visible- human。并行和串行算法中的参数为1

ε=，常值速度

0.5

v=-，调节参数1

λ=，迭代的次数都为1000次。串行算法也在与并行算法同样的一台机器上运算。图4.4a、b和c的第一列图像为常用的简单子任务划分方法分割结果，该子任务划分方法只是简单的将图像划分为各个子区域，没有扩展子任务区域，各个区域的分割计算是相互独立的，而第二列的图像则为本文提出的子任务划分方法，这两种方法使用的处理机的数量都为5台。然后实验不同数量的处理机对图像分割时间和效率的影响，分别选取5台、10台，17台处理机分别运算一次，分别记录运算时间,图4.4d的图像则分别表示了10台和17台处理机并行分割的结果。最终的运算时间如表4.1所示。

由图4.4的第二列可以看出，本文提出的并行分割方法与原来的串行分割方法的分割结果是相同的。而图4.4的第一列的简单子任务划分的并行方法则出现了分割错误，无法完成分割，这是由于活动轮廓模型是一种串行的分割方法，只是做简单的子任务划分是无法完成并行化的。图4.4d则可以看出本文的方法对于数量较多的处理机也同样是有效的。

(a)

(b)

(c)

(d)

图5 并行分割结果示例

Fig. 5 The parallel segmentation results

表1 串行与并行算法分割时间

Table 1 Serial and Parallel segmentation algorithm

Type Preprocessing

time

Iteration

time

Total

time

Speedup

Pic1-Simp 16.9257 236.5847 253.5104 3.71 Pic1-Comp 17.3968 272.2543 289.6511 3.25 Pic2-Simp 15.9237 224.6281 240.5518 3.87 Pic2-Comp 16.1027 268.2165 284.3192 3.31 Pic3-Simp 16.3258 243.8697 260.1955 3.61 Pic3-Comp 16.0265 285.6254 301.6519 3.12 Parallel(5) 17.3968 272.2543 289.6511 3.25 Parallel(10) 15.7514 156.1649 171.9163 5.47 Parallel(17) 14.5946 108.8549 123.4495 7.62 接着对医学图像并行分割算法做实验，实验的分

割目标为40张分辨率为300×200的胸部CT图像。

为了使并行三维医学图像分割算法的分割时间有一个

客观的比对标准，将三维医学图像串行分割方法在同

样的机器上对序列图像执行一次分割。对于串行分割

方法，初始轮廓预测模型中，对于轮廓线的抽样方法

是对分割结果上边界线上的点全部选取，对这一副图

像对质心的x和y坐标分别使用三次曲线拟合和线性

曲线拟合，对于轮廓边界上的点的x和y坐标都使用

线性拟合，活动轮廓模型的迭代次数为200次。

表2 串行分割与并行分割时间

Table 2 The time of the serial segmentation and parallel

segmentation

Type Number of

images

Time-consuming

(s)

Serial algorithm 40 2409.4652

Parallel algorithm 40 574.4044

Switchboard node ---- 7.2546

Level two node 1 20 192.3245

Level three node 1 10 374.8253

Level three node 2 10 368.3541

Level two node 2 20 186.8457

Level three node 3 10 372.2158

Level three node 4 10 376.6247

串行分割的时间为2409秒，而并行分割方法的时间为574秒，则可以计算出算法加速比为4.2，并行算法相比较于串行算法，分割速度提升了76%。

结论

活动轮廓模型分割方法是一种串行的分割方法，本文提出了一种基于集群系统的并行活动轮廓模型医学图像分割算法，不仅可以对单幅图像做并行分割，还可以对序列三维医学图像分割做并行化，实验证明了该方法对分割速度的提升是非常有效的。

参考文献

[1] Kass M, Witkin A Snakes: Active Contour Models[J], International Journal of Computer Vision, 1987, USA, 321-331

[2] Chan T, Vese L. Active contours without edges[J]. IEEE Trans Image Process, 2001, 10(2): 266-277

[3] L D Cohen On Active Contour Models and Balloons[J], CVGIP: Image Understanding, 1991, 53(2): 211~218

[4] Caselles V, Kimmel R, Sapiro G Geodesic active contours[J]. International Journal of Computer Vision, 1997, 22(1): 61-79

[5] Osher S, Sethian J A Fronts propagating with curvature dependent speed: algorithms based on Hamilton-Jacobi formulations [J], Journal of Computational Physics, 1988, 79(1): 12-49

[6] C Xu, J L Prince Snakes, Shapes, and Gradient Vector Flow[J], IEEE Transactions on Image Processing, 1998, 7(3): 359~369

[7] Wenbing T Iterative Narrowband-Based Graph Cuts Optimization for Geodesic Active Contours with Region Forces[J], IEEE Trans. Image Process., 2011, 21(1): 284-296

[8] Yuanquan W, Lixiong L, Hua Z Image Segmentation Using Active Contours With Normally Biased GVF External Force[J], IEEE Signal Process. Letters, 2010, 17(10): 875-878

[9] Al-Diri B, Hunter A, Steel D An Active Contour Model for Segmenting and Measuring Retinal Vessels[J], IEEE Trans. Medical Image., 2009, 28(9):1488-1497 [10] Muralidhar G S, Bovik A C, Snakules A Model-Based Active Contour Algorithm for the Annotation of Spicules on Mammography[J] IEEE Trans. Medical Image., 2010, 29(10): 1768-1780

医学图像分割方法综述

医学图像分割方法综述 林瑶，田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题，随着影像医学的发展，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，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。 关键词：医学图像分割 综述 1．背景介绍 医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。 定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...： g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。 (b) 是连通的区域。 g k (c) ，即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。 医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等特点。另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的，而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x g x 1 联系人：田捷 电话：82618465 E-mail:tian@https://www.sodocs.net/doc/c31005346.html,

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可

医学图像分割方法汇总

医学图像分割方法汇总 本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像（图 1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。 图1.1原始脑部图像

图1.2 使用不同阈值分割后的结果 从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理： 对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。 假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)

医学图像处理综述

医学图像处理综述 墨南-初夏2010-07-24 23:51:56 医学图像处理的对象是各种不同成像机理的医学影像。广泛使用的医学成像模式主要分为X射线成像(X—CT) ，核磁共振成像(MRI)，核医学成像(NMI)和超声波成像(UI) 这四类。 （1）x射线成像：传统x射线成像基于人体不同器官和组织密度不同。对x射线的吸收衰减不同形成x射线影像。（例如人体中骨组织密度最大，在图像上呈白影，肺是软组织并且含有气体，密度最低，在照片上的图像通常是黑影。）常用于对人体骨骼和内脏器官的疾病或损伤进行诊断和定位。现代的x射线断层成像(x—cT) 发明于20世纪70年代，是传统影像技术中最为成熟的成像模式之一，其速度已经快到可以对心脏实现动态成像。其缺点是医生要在病人接收剂量和片厚之间进行折衷选择，空间分辨率和对比度的还需进一步提高。 （2）核磁共振成像(MIR) 发展于20世纪70年代，到80年代才进入市场，这种成像设备具有在任意方向上的多切片成像、多参数和多核素成像、可实现整个空问的真三维数据采集、结构和功能成像，无放射性等优点。目前MRI的功能成像(fMRI) 是MIR设备应用的前沿领域，广泛应用于大脑功能性疾病的诊断,并为肿瘤等占位性病变提供功能信息。MRI 受到世人的广泛重视，其技术尚在迅速发展

过程中。 （3）核医学成像(NMI ) ，目前以单光子计算机断层成像(SPECT) 和正电子断层成像(PET) 为主，其基本原理是向人体注射放射性核素示踪剂，使带有放射性核素的示踪原子进入人体内要成像的脏器或组织通过测量其在人体内的分布来成像。NMI不仅可以提供静态图像，而且可提供动态图像。 （4）超声波成像(Ultrasonic Imaging ) ，属于非电离辐射的成像模态，以二维平面成像的功能为主，加上血液流动的彩色杜普勒超声成像功能在内，在市场上已经广泛使用。超声成像的缺点是图像对比度差、信噪比不好、图像的重复性依赖于操作人员。但是，它的动态实时成像能力是别的成像模式不可代替的 在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体．这往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小、几何形状及与周围 生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图像处理技术对二维切片图象进行分析和处理。实现对人体器官，软组织和病变体的分割提取，三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分

医学图像的分割

第六章医学图像分割 医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍，接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后，较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。 第一节医学图像分割的意义、概念、分类和研究现状 医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析，将有助于医生诊断、随访或修订对病人的治疗方案； (3)用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等；(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值；(5)用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。 所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关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，也就是说在区域边界上的像素存在某种不连续性。一般说来，有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。

图像分割技术在医学图像处理中的应用研究

２００７年３月第期 ３ＴＡＩＹＵ ＡＮＳＣＩ－ＴＥＣＨ 图像分割是指将图像分割成各具特征的区域并提取出感兴趣的目标的技术和过程，是图像处理到图像分析的关键步骤。在医学领域中，图像分割常常用于病变区域提取，特定组织测量以及实现三维重建研究，因此研究图像分割技术在医学图像处理过程中具有十分重要的意义。 １基于区域的分割方法 基于区域的分割方法是利用区域内的特征的相 似性把图像划分为一系列有意义的区域。 １．１阈值法 阈值法是一种最常用的并行区域技术，阈值是 用于区分不同目标的灰度值。阈值分割方法的结果依赖于阈值的选取，确定阈值是阈值分割的关键，阈值分割实质上就是按照某个准则求出最佳阈值的过程。 阈值法的优点是计算简单、运算速度快，特别是不同物体或结构之间有较大的强度对比时，能够得到很好的分割效果，此分割方法通常是交互式的，由于阈值法能实现实时操作，所以它更易于建立在用户视觉估计的基础上。 阈值法的缺陷是：最简单形式的阈值法只能产 生二值图像来区分两个不同的类别。此外，阈值法在考虑像素本身灰度值的同时并不考虑图像的空间分布，这样其分割结果就对噪声很敏感。针对它的不足，一些学者提出了许多经典的算法，如局部阈值、模糊阈值，随机阈值等方法。阈值分割对于 ＣＴ图像的效果较好，但在选取阈值时需要用户依 经验判断，或者先做多次尝试性分割后再对阈值进行调整，直至用户满意为止。Ｋｉｍ等用多次阈值分割法检测螺旋ＣＴ图像中的肺结性病变，共检测了 ２４例病人的８２７张图像，检测结果灵敏度为９６％， 并且没有出现假阳性结果［１］。 １．２区域生长法 区域生长法是根据预先定义的标准，提取图像 中相连接的区域的一种分割方法。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。 区域生长法对面积不大的区域进行分割时，效果显著，如果对面积较大的区域进行分割，则计算速度就会减慢。另外，对于图像中不相邻而灰度值相同或相近的区域，不能一次分割出来，只能一次分割一个区域。 ２基于边界的分割方法 基于边界的分割方法是利用不同区域间像素灰 度不连续的特点检测出区域间的边缘，从而实现图像分割。根据边缘检测方法的不同，通常把边缘检测方法分成串行边缘检测和并行边缘检测两大类。 ２．１串行边缘检测法 串行边缘检测法首先要检测出一个边缘起始 点，然后根据某种相似性准则寻找与前一点同类的 边缘点，这种确定后续相似点的方法称为跟踪。根据跟踪方法的不同，这种串行边缘检测方法又可分为轮廓跟踪、光棚跟踪和全向跟踪３种。 图像分割技术在医学图像处理中的 应用研究 马春梅１，刘贵如２，王陆林３ 文章编号：１００６－４８７７（２００７）０３－００６４－０２ 收稿日期：２００７－０１－１９；修回日期：２００７－０２－１０ 作者简介：马春梅（１９７８－），女，山西朔州人。２００５年９月就 读于山西大学，攻读硕士学位，助教。 （１．山西忻州师范学院数学系，山西 忻州 ０３４０００；２．云南师范大学计算机科学与信息技术学院，云南 昆明６５００９２； ３．西南交通大学，四川 成都 ６１００３１） 摘 要：图像分割是图像处理、图像分析的关键步骤，而医 学图像分割是图像分割的一个重要的应用领域，也是一个经典难题。从应用的特定角度，论述了医学图像处理中图像分割的几种算法，对近年来医学图像分割的新方法或改进算法进行了阐述，并简要介绍了每种算法的特点及应用。关键词：图像分割；医学图像处理；边缘检测中图分类号：ＴＰ３９１．４１ 文献标识码：Ａ 应用技术

医学图像分割综述

医学图像分割综述 郭爱心 安徽大学 摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。 关键字：医学图像分割意义方法评估标准发展前景 A Review of Medical Image Segmentation Ai-Xin Guo Anhui University Abstract:Image segmentation is the key of image processing and analysis.With the development of medical image,image segmentation is of great significance in medical applications.From the perspective of medical applications,this paper made a simple review of the medical image segmentation on it’s significance、methods、evaluation standards and development prospects. Key words:medical image,segmentation,significance,methods,evaluation standards,development prospects 1.医学图像分割的意义 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超声）及其它医学影像设备所获得的图像[2]。医学图像分割是将原始的2D或3D图像划分成不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来[1]。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。 医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，由于人与人之间有很大的差别，且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 2.医学图像分割的方法 2.1.基于区域的分割方法 基于区域的分割方法有阈值法，区域生长和分裂合并，分类器与聚类和基于随机场的方法等。 阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开[2]。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围

医学图像分割方法综述

医学图像分割方法综述 随着计算机技术的发展，图像分割在很多领域都得到发展并被广泛应用，在医学临床上的应用更是越来越明显和重要。找到合适的医学图像分割方法对临床诊断和治疗都具有重大意义。文章针对近年来提出的图像分割方法进行了总结。 标签：图像分割；区域生长；聚类；水平集；图割 1 概述 图像分割是图像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率[1]。图像分割的目的就是把目标从背景中提取出来，分割过程主要基于图像的固有特征，如灰度、纹理、对比度、亮度、彩色特征等将图像分成具有各自特性的同质区域[2]。医学图像分割是医学图像进行后续操作的必要前提，学者通过大量的研究得到了很多自动快速的分割方法。 2 图像分割方法分类 医学图像有各种成像模态，比如CT、MRI、PET、超声等。由于医学图像本身的复杂性和多样性，如灰度不均匀、低分辨率、弱边界和严重的噪声，准确分割是个相当棘手的问题，分割过程中在目标区域里出现的一些问题都将导致图像分割结果不准确。近年来，众多图像分割方法中没有任何一种算法能适用于所有图像。图像分割方法一般是基于图像的，即利用图像梯度、亮度或者纹理等就能从图像中获得信息进而对图像进行分割，主要有聚类法、区域生长、水平集、图割等算法。 2.1 聚类法 聚类算法简单的包括K-Means算法和Fuzzy C-Means（FCM）。 K-Means算法是基于距离的硬聚类算法，通常采用误差平方和函数作为优化的目标函数，定义误差平方和函数如下： 其中，K代表聚类的个数，Cj（j=1，2，…，K）表示聚类的第j类簇，x 表示类簇Cj中的任意一个数据对象，mi表示簇Ci的均值。从公式中看出，J是数据样本与簇中心差异度平方的总和，K个类聚类中心点决定了J值的大小。显然，J越小表明聚类效果越好。 K-Means算法的核心思想为：给定一组含有n个数据对象的数据集，从其中隨机选取K个数据对象作为初始中心，然后计算剩余的所有数据对象到各个初始中心之间的距离，根据最近邻原则，把所有数据对象都划分到离它最近的那个初始中心的那一类簇，再分别计算这些新生成的各个类簇中数据对象的均值，以此作为新类簇的中心，比较新的中心和初始中心的误差平方和函数J的大小，上

医学图像分割综述

龙源期刊网 https://www.sodocs.net/doc/c31005346.html, 医学图像分割综述 作者：王益东 来源：《健康必读（上旬刊）》2018年第04期 【摘要】医学图像分割是指在医学图像中，利用计算机视觉技术，根据区域内像素的相 似特性（纹理等）以及区域间的不同特性，将图像中感兴趣的区域（ROI）提取出来，获取有关人体组织器官的有效信息，反馈给医生以及学者作为诊断依据。随着计算机技术的日新月异和医疗设备的快速发展，医疗图像分割技术在影像医学中的作用日益增大。本文首先介绍了医学图像分割的背景及其应用。接着，详细分析了相关图像分割算法。最后，总结了医疗图像分割技术在目前面临的困难与挑战，并提出了展望。 【关键词】医学影像；图像分割 【中图分类号】TP391.41 【文献标识码】A 【文章编号】1672-3783（2018）04-0281-01 1 引言 近几年来，随着计算机视觉技术和磁共振成像技术（MRI）、正电子放射层析成像技术（PET）、计算机断层成像（CT）、单光子辐射断层摄像（SPECT）、超声（Ultrasound）等医学影像设备的飞速发展，医学图像分割技术在影像医学中所发挥的作用越来越大。医学图像分割技术则是把医学图像分割成若干个具有不同特性的区域，区域内保持一定的相似性，区域间有一定的相异性，从而提取出感兴趣的部分。 医学图像分割在临床诊断中发挥着重要作用，如： （1）生物医学图像分析：解剖结构的测量、心脏运动跟踪等。 （2）组织、器官定量分析：通过对人体器官或是病变器官容积的定量检测，为医生的临床诊断提供依据。 （3）医学图像3D重建：用于外科手术的仿真、药物治疗的评估等。 目前，医学图像分割技术的发展仍然面临一些困境，主要原因在于医学图像的多样性、复杂性及其采集的困难性。由于人体器官位置的特殊性，医学图像采集较为困难，图形容易受到组织运动等问题的影响，所采集的医学图像相交于普通图像而言，噪声较大。并且人体间存在个体差异，不同人体的组织和器官差异较大。因此，针对医学图像对图像分割技术进行研究，显得尤为重要。 2 医学图像分割算法

医学图像处理技术

医学图像处理技术 摘要：随着医学成像和计算机辅助技术的发展，从二维医学图像到三维可视化技术成为研究的热点，本文介绍了医学图像处理技术的发展动态，对图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。在比较各种技术在相关领域中应用的基础上，提出了医学图像处理技术发展所面临的相关问题及其发展方向。关键词：医学图像处理；图像分割；图像配准；图像融合；纹理分析 1．引言 近20 多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对 人体内部病变部位的观察更直接、更清晰，确诊率也更高。20 世纪70 年代初，X-CT 的发明曾引发了医学影像领域的一场革命，与此同时，核磁共振成像象(MRI :Magnetic Resonance Imaging)、超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很大的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。 在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图象是很难实现的。因此,利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可以大大提高医疗诊断的准确性和可靠性。此外,它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。 本文对医学图像处理技术中的图像分割、纹理分析、图像配准和图像融合技术的现状及其发展进行了综述。 2．医学图像三维可视化技术 2.1 三维可视化概述 医学图像的三维可视化的方法很多，但基本步骤大体相同，如图.。从#$ /&’(或超声等成像系统获得二维断层图像，然后需要将图像格式（如0(#1&）转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各向同性处理，获得体数据。经过三维滤波后，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。 2.2关键技术： 图像分割是三维重构的基础，分割效果直接影像三维重构的精确度。图像分割是将图像分割成有意义的子区域，由于医学图像的各区域没有清楚的边界，为了解决在医学图像分割中遇到不确定性的问题，引入模糊理论的模糊阀值、模糊边界和模糊聚类等概念。快速准确的分离出解剖结构和定位区域位置和形状，自动或半自

医学图像分割综述

医学图像分割综述 楼琼，11106109 摘要: 图像分割是一个经典难题，随着影像医学的发展，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，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。 1．背景介绍 医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像处理的意义越来越重大，其一般流程如下图： 而图像分割技术是图像分析环节的关键技术，其在影像医学中发挥着越来越大的作用 [1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析， 诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开，这些区域是互相不交叉 的，每一个区域都满足特定区域的一致性。 定义 将一幅图像，其中(,)g x y 0_x Max x ≤≤,0y Max y _≤≤，进行分割就是将图像划分为满足如下条件的子区域：

a) ，即所有子区域组成了整幅图像。 1(,)(,)N k k g x y g x y ==∪b) 是连通的区域。 k g c) (,)(,)k j g x y g x y φ=∩，即任意两个子区域不存在公共元素。 d) 区域满足一定的均一性条件。其中均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 k g 如果连通性的约束被取消，那么对像素集的划分就称为分类，每一个像素集称为类。简便起见，在下面的叙述中将经典的分割和像素分类通称为分割。 医学图像分割至今仍然没有获得很好的解决，其中一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，人体组织结构形状复杂，而且人与人之间有很大的差别。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论、偏微分方程理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程、水平集方法等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中的新方法或对原有方法的新改进。 2．基于区域的分割方法 图像分割通常会用到不同对象间特征的不连续性和同一对象内部特征的相似性。基于区域的算法侧重于利用区域内特征的相似性。 2.1 阈值法 阈值分割是最常见的并行直接检测区域的分割方法[5]。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。 阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。 阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。另外，由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息，阈值分割对噪声和灰度不均匀很敏感。针对阈值分割方法的缺点，不少学者提出了许多改进方法，如基于过渡区的方法[6]，还有利用像素点空间位置信息的变化阈值法[7]，结合连通信息[8]的阈值方法。 对于多目标的图像来讲，如何选取合适的阈值实在是基于阈值分割方法的困难所在。至

医学图像分割文献综述

前言 随着科学技术的发展，生物切片图像在生命科学、医学、农业等领域得到越来越广泛的应用。通过对切片图像进行图形、图像处理，可以从图像中提取有意义的目标．并重建出三维模型．为人们提供便利。与其他图像相比，生物切片图像具有颜色相近、灰度不均匀、边缘复杂等特点，增加了图像分割的难度。 常用的图像分割方法有阈值法、基于边缘的方法、基于区域生长的方法等。对于生物切片图像，传统的分割技术或失败，或需要特殊的处理技术?。新兴的数学形态学技术在滤波去噪、保持轮廓信息等方面有着明显的优势。因此， 形态学常与分割方法相结合，如用形态学改进边缘检测效果，应用于生物组织的纹理分割I，以及生物切片的交互式区域分割等。本文探讨形态学与阈值方法相结合的模板法。以实现医学病理切片图像中真皮区域分割 2．2医学图像分割概述算法应用与研究 图像分割是图像处理中的关键问题，分布的区域，得到的图像称为分割图像， 可以给出如下图像分割的定义[1】：它把图像分成若干个按照一个或几个特征均匀表示的是区域信息。借助集合概念对图像分割令集合R代表整个图像区域，对R的分割可以看着将R分成N个满足以下五个条件的非空子集；Ⅳ ①lJRi=R f=l ②Rin母=a，对所有的i和j，f≠J ③P(Ri)=TRUE，i--1，2一·N ④P(RiA母)=FALSE，i≠J ⑤Rf是连通的区域，i=l，2···N 条件①指出在对一幅图像的分割应将图像中的每个像素都分进某个子区域中；条件②指出在分割结果中各个子区域是互补重叠的；条件③指出在分割结果中每个子区域都有独特的特性；条件④指出在分割结果中，各个子区域具有不同的特性，没有共同元素；条件⑤指出分割结果中同一个子区域内的像素应该是连通的。 医学图像中包含的内容很多，有些是临床诊断所关心的有用区域，称之为感兴趣区域(Region Of Interest，ROI)，有些是不感兴趣的周围环境区域，称之为不感兴趣区域(Region Of Uninterested，ROU)。为了识别和分析医学图像感兴趣区域，就必须将这些区域分离出来。在医学图像处理中，自动识别有特定意义的图像成分，解剖结构和其他感兴趣的区域，是图像分割技术的一个根本任务。图像分割技术极大的推动了可视化和特定组织结构处理的发展。而这往往是决定着整个临床和研究分析结果的关键一步。 图像分割的研究多年来一直受到人们的高度重视，至今提出了各种类型的分