大腦區(qū)域圖像分割

1、腦區(qū)域圖像分割、任務分析醫(yī)學領域中，為了滿病情診斷、治療案制定等需求，常常需要對病進掃描，從確定各內(nèi)部器官的情況。深度學習法出現(xiàn)以前，這個過程主要是由醫(yī)直接完成。盡管成熟醫(yī)的判斷精度較，但是培養(yǎng)這樣的醫(yī)需要很長的周期；且由于會受到諸如精限制、情緒波動等因素的影響，判斷的精度存在不穩(wěn)定性。因此，為了輔助診斷，減誤診的概率，現(xiàn)階段的醫(yī)學圖像分析中經(jīng)常會借助深度學習的法。醫(yī)學圖像分割主要處理的是醫(yī)學領域所涉及到的各種圖像的分割問題，如常見的核磁共振（MRI）掃描圖像。其主要任務是，從這些醫(yī)學圖像中分割出興趣區(qū)域，如特定器官部位、興趣標（如腫瘤）等。與?；钪谐Ｒ妶鼍暗姆指钊蝿詹煌t(yī)學圖像（如MRI圖

2、像）由于圖像獲取設備的影響，會出現(xiàn)對度低、信噪低、光強低等問題；且器官本存在運動和形變（如臟），個體之間也有差異。這些因素導致了醫(yī)學圖像分割的難度和其的算法設計特點。腦區(qū)域及形狀個體差異意圖下我們以腦區(qū)域分割為例，討論下該任務的難點，并通過個應實例來進步理解醫(yī)學圖像中的腦區(qū)域分割問題。、難點介紹1. 腦部區(qū)域分割中的第個難點是將腦與腦（如頭）區(qū)域區(qū)分開。在MRI圖像的分割中，腦組織的亮度是個常重要的特征。然，由于MRI圖像中存在的噪聲、部分容積效應（PVE）、偏壓場效應（bias field effect）等，使得基于亮度的分割算法很容易判斷失誤。 為了提升圖像質(zhì)量，種可的法是增加掃描時間。對

3、于MRI，掃描時間越長，分辨率越。然，在實際應中，成年腦MRI研究圖像的獲得時間在20分鐘左右，從影響空間分辨率。顯然，掃描時間越長（空間分辨率越）對分割效果的幫助越，但是這種操作需要考慮到病暴露在放射下的時間和對病的影響。3. /基于獨像素或體元亮度（第順序特征）的圖像分割是可的，但這種操作要求興趣標相對于背景的亮度存在較差異。最開始，通過迭代更新成員函數(shù)和聚類中實現(xiàn)標函數(shù)最化的表現(xiàn)不錯，對于醫(yī)療圖像中的噪聲圖像也可以順利應對。Fuzzy C-MeansFCM）算法但需要注意的是，這種成功是因為FCN算法只利了每個像素的灰度信息并忽略了空間紋理信息。4. 噪聲對于位置和空間約束是獨的，從可以

4、利噪聲的分布來實現(xiàn)降噪。但是，這種降噪過程中采的平滑操作同樣也會影響其他噪聲的空間信息，從使得處理后的圖像丟失原始圖像中的部分細節(jié)。因此，在抑制噪聲的同時也需要考慮圖像細節(jié)的保留問題。腦部MRI掃描圖像三、難點解決思路1. 為了實現(xiàn)相對準確的分割，有種常的MRI數(shù)據(jù)預處理段，其中個重要操作是背景體元移除。其的是提取腦部組織，并將其與可能與腦部區(qū)域存在亮度重疊的腦部組織（如脂肪、頭、脖等）分離，從幫助腦區(qū)域內(nèi)部的分割。2. 如前所述，當亮度值受到諸如噪聲、PVE、偏壓場效應等MRI誤差的影響時，基于亮度的圖像分割算法常容易出錯。因此，引并利待分割圖像的空間信息就常重要。此時，提取的結果可以個再送分割算法。來表述，也可以成張如下圖B所的只有腦部組織的新圖，腦部組織提取意圖。A.原始MRI圖像；B.腦組織提取結果從模型度來看，給定腦部切，可以通過將FCM與馬爾科夫隨機場（MRF）結合的法提升分割精度。其中，F(xiàn)CM善于分析和利圖像中的亮度信息，MRF則可以建模圖像中的空間和上下關系。當然，這種組合只是提供了種思路，如何將基于亮度的分割法與空間信息相結合。四、應實例有了上述分析，下給出個具體的分割實例。