光學(xué)相干層析醫(yī)學(xué)圖像分割研究現(xiàn)狀_優(yōu)秀論文

1、 光學(xué)相干層析醫(yī)學(xué)圖像分割研究現(xiàn)狀 前光學(xué)相干層析(OCT)技術(shù)具有分辨率高、成像快速等特點(diǎn), 自問世以來已被廣泛地應(yīng)用于眼科疾病、牙科疾病、皮膚燒傷及心血管疾病的診斷中。近年來, 隨著OCT成像技術(shù)和設(shè)備的發(fā)展日益成熟, 越來越多的研究者集中于探索更加高效、穩(wěn)定、通用的OCT醫(yī)學(xué)圖像分割方法。本文總結(jié)OCT醫(yī)學(xué)圖像的分割要求, 并回顧和分析了近年來一些典型分割方法, 最后對OCT醫(yī)學(xué)圖像分割方法的發(fā)展趨勢做出展望。 1 OCT醫(yī)學(xué)圖像分割要求 OCT醫(yī)學(xué)圖像分割是分離和提取具有相同特征的感興趣區(qū)域的技術(shù)。由于人體解剖組織結(jié)構(gòu)和形狀比較復(fù)雜以及受散斑、高斯等各種噪聲的影響, OCT 醫(yī)學(xué)圖像具

2、有模糊和不均勻的特點(diǎn)。此外, OCT成像速度快。所以, 針對OCT醫(yī)學(xué)圖像的分割不僅需要精確度高, 還需要具有很高的抗噪性和實(shí)時(shí)性?，F(xiàn)有的分割方法并不能精確地完成OCT醫(yī)學(xué)圖像的分割, 很多重要的圖像特征都需要醫(yī)生手動(dòng)分割來獲取, 在臨床上很難得到推廣。因此, 研究出高效、魯棒的自動(dòng)化分割方法對OCT圖像的臨床應(yīng)用具有重大意義。 2 OCT醫(yī)學(xué)圖像分割方法概述 OCT醫(yī)學(xué)圖像分割方法概述 2.1 閾值分割方法 閾值分割法的基本思想是將圖像中所有像素的灰度值以閾值為分界點(diǎn)劃分為不同區(qū)域。根據(jù)所有像素點(diǎn)采用相同閾值還是不同閾值可以劃分為全局閾值法和動(dòng)態(tài)閾值法。由于OCT醫(yī)學(xué)圖像常常存在散斑噪聲多和

3、整體對比度不均勻等特征, 所以O(shè)CT醫(yī)學(xué)圖像的分割常常采用動(dòng)態(tài)閾值分割方法。文獻(xiàn)基于修改直方圖的眼前節(jié)OCT圖像提出了動(dòng)態(tài)閾值保邊去噪分割算法。該算法通過重構(gòu)后直方圖的一階和二階差分確定了感興趣區(qū)域識(shí)別閾值和噪聲閾值, 然后使用這兩個(gè)閾值對圖像進(jìn)行動(dòng)態(tài)閾值分割。分割后的圖像雖然含有一點(diǎn)散斑噪聲, 但是眼前節(jié)的邊緣部分被很好地保留了下來。同一課題組在文獻(xiàn)中, 通過二維離散小波變換對眼前節(jié)OCT 圖像進(jìn)行分解, 然后在低頻系數(shù)中選擇感興趣區(qū)域識(shí)別閾值和噪聲閾值, 同樣獲得了較好的結(jié)果。今后, 可以引入遺傳算法、神經(jīng)網(wǎng)絡(luò)等理論來改進(jìn)閾值的選擇方法。 2.2 區(qū)域生長法 區(qū)域生長法是通過在感興趣區(qū)域內(nèi)

4、選取種子點(diǎn), 然后根據(jù)特定生長準(zhǔn)則將相似性質(zhì)的像素點(diǎn)合并到種子點(diǎn)區(qū)域內(nèi), 當(dāng)達(dá)到生長終止條件后, 即完成圖像分割。該方法對噪聲十分敏感, 所以, 并不適用于分割散斑噪聲嚴(yán)重的OCT醫(yī)學(xué)圖像。但通過與其他方法相結(jié)合, 則可避開缺點(diǎn), 充分發(fā)揮優(yōu)點(diǎn)。文獻(xiàn)通過采用標(biāo)記分水嶺算法對圖像進(jìn)行初步分割, 然后利用不同區(qū)域的特征值進(jìn)行最優(yōu)化合并實(shí)現(xiàn)了視網(wǎng)膜OCT圖像的分層。雖然該算法對于平滑部分取得了良好的分割結(jié)果, 但對于病變區(qū)域部分還需要進(jìn)一步改進(jìn)。 2.3 基于統(tǒng)計(jì)學(xué)方法 統(tǒng)計(jì)學(xué)的分割方法是指把圖像的像素灰度值看作符合某一概率分布的隨機(jī)變量, 圖像的分割過程可以看作是求取概率極值的過程。常用的統(tǒng)計(jì)學(xué)方

5、法有分類器和聚類算法。 分類器是一種需要訓(xùn)練樣本的有監(jiān)督統(tǒng)計(jì)方法, 根據(jù)訓(xùn)練樣本對圖像的像素進(jìn)行分類。傳統(tǒng)的分類器不需要迭代運(yùn)算, 運(yùn)算速度快。文獻(xiàn)利用邊界像素對構(gòu)造的隨機(jī)森林分類器進(jìn)行訓(xùn)練, 可以有效地對黃斑中央的視網(wǎng)膜進(jìn)行分層。但傳統(tǒng)分類器對大樣本的空間進(jìn)行分類時(shí)容易產(chǎn)生誤差, 而且其泛化能力差。支持向量機(jī)可以看作是傳統(tǒng)分類器的升級(jí), 它可以在模型的復(fù)雜度和學(xué)習(xí)能力之間尋求最佳折中, 獲得更好的泛化能力。一些學(xué)者通過利用手動(dòng)標(biāo)記的樣本對其進(jìn)行訓(xùn)練后, 對青光眼和正常眼的視網(wǎng)膜都取得了很好的分割結(jié)果。 聚類分割算法是一種不需要訓(xùn)練樣本的無監(jiān)督統(tǒng)計(jì)方法, 根據(jù)圖像的某些特征, 通過迭代計(jì)算圖像

6、不同區(qū)域的特征值, 將圖像劃分成不同的子區(qū)域, 同一區(qū)域的相似度較大, 不同區(qū)域間的相似度較小, 從而達(dá)到圖像分割的目的。目前常用的聚類算法包括K均值、模糊C均值、期望最大化算法。Tung 等將期望最大化算法和圖割理論相結(jié)合, 精確、魯棒地對血管壁進(jìn)行了分割。文獻(xiàn)通過增強(qiáng)的模糊C均值算法對圖像像素的平均值進(jìn)行聚類, 正確地對血管OCT圖像進(jìn)行了分割。之后, Chou 等將該方法進(jìn)行三維推廣。此外, Mandelias 等將模糊C 均值與小波變換相結(jié)合正確地提取了血管內(nèi)壁的邊緣。 2.4 基于活動(dòng)輪廓模型的方法 基于活動(dòng)輪廓模型的分割方法是近年來研究較熱的一種圖像分割方法。該方法綜合利用圖像的區(qū)

7、域和邊界信息, 根據(jù)圖像中目標(biāo)的位置、大小、形狀等先驗(yàn)知識(shí)有效地對目標(biāo)進(jìn)行分割。主要分為兩類：參數(shù)活動(dòng)輪廓模型和幾何活動(dòng)輪廓模型。 參數(shù)活動(dòng)輪廓模型的典型代表是Snake 模型。該模型需要先在感興趣區(qū)域的附近初始化一條可形變的輪廓線, 然后構(gòu)造包括輪廓線自身內(nèi)力和圖像信息外力的能量函數(shù), 當(dāng)能量函數(shù)極小化時(shí), 輪廓線就會(huì)收斂到目標(biāo)邊界, 完成對目標(biāo)的分割。Snake 模型的收斂效果受到目標(biāo)形狀的影響, 比較狹長的目標(biāo)會(huì)導(dǎo)致輪廓線收斂失敗。針對該缺點(diǎn), 文獻(xiàn)提出在平行約束條件下同時(shí)演化兩條輪廓線的參數(shù)活動(dòng)輪廓模型能夠有效地分割狹長的目標(biāo)。 幾何活動(dòng)輪廓模型的基礎(chǔ)理論是水平集方法和曲線演化理論,

8、所以也被稱為水平集方法。水平集方法的思想是把可形變的邊界輪廓視作高一維水平集函數(shù)的零水平集, 這樣就把邊界輪廓的演化過程轉(zhuǎn)變?yōu)樗郊瘮?shù)的演化, 最終只要確定了零水平集就可以確定邊界輪廓的演化結(jié)果。水平集方法具有很強(qiáng)的處理拓?fù)渥兓哪芰? 能夠?qū)⒏鞣N復(fù)雜的目標(biāo)分割出來, 非常適用于解剖組織結(jié)構(gòu)和形狀比較復(fù)雜的OCT醫(yī)學(xué)圖像。文獻(xiàn)利用基于形狀信息的水平集分割模型自動(dòng)地對角膜的前部和后部進(jìn)行了分割。Carass 等利用可分割多對象的水平集模型在其提出的平坦空間域內(nèi)對視網(wǎng)膜黃斑區(qū)OCT圖像進(jìn)行了分割。 2.5 基于圖論的分割方法 基于圖論的分割技術(shù)也是近年來研究的一個(gè)熱點(diǎn), 其基本思想是將圖像映射為

9、一個(gè)帶權(quán)無向圖, 這樣圖像分割問題就轉(zhuǎn)化為求解圖的最優(yōu)劃分問題。文獻(xiàn)通過利用像素亮度、曲率和形狀知識(shí)將待分割的眼前節(jié)OCT圖像映射為一個(gè)帶權(quán)無向圖, 然后基于圖割理論提出快速和高效的分割方法。Yang等基于雙梯度信息和最短路徑搜索策略實(shí)現(xiàn)了視網(wǎng)膜深層OCT圖像的自動(dòng)分割算法;徐肅仲等通過利用圖論和基于動(dòng)態(tài)規(guī)劃的最短路徑算法提出了一種新的視網(wǎng)膜層次自動(dòng)分割算法;牛四杰等在傳統(tǒng)的三維圖搜索模型上引入多尺度思想, 提出了應(yīng)用多尺度三維圖搜索的視網(wǎng)膜圖像分割方法。 2.6 其他方法 除了上述幾種常用的分割方法, 還有很多有效的方法。如Yousefi 等結(jié)合形狀和灰度信息提出了一種混合的血管OCT圖像分割方法。樊魯杰等綜合利用視網(wǎng)膜的邊界方法、圖像強(qiáng)度峰值等信息提出了一種OCT視網(wǎng)膜體數(shù)據(jù)的三維分割方法;Chen等通過改進(jìn)的二維圖形與曲線平滑約束搜索方法對原圖像轉(zhuǎn)換后的漸進(jìn)強(qiáng)度距離圖像進(jìn)行分割, 進(jìn)而獲得原圖像的分割結(jié)果。此外, 通過組合不同方法也可獲得較好的分割結(jié)果, 如Wu 等將形態(tài)學(xué)方法、強(qiáng)度變換等技術(shù)綜合應(yīng)用到眼前節(jié)OCT圖像的分割, 提高了分割結(jié)果的精確度。 3 總結(jié) OCT 醫(yī)學(xué)圖像具有成像快、散斑噪聲嚴(yán)重等特點(diǎn), 傳統(tǒng)的醫(yī)學(xué)圖像分割方法并不能滿足精確、抗噪、實(shí)時(shí)的分割要求。近年來, 學(xué)者們提出了許多快速、