醫(yī)學(xué)病理切片圖像中真皮區(qū)域分割算法研究 摘要

.緒論1.1引言圖像處理的目的應(yīng)是符合對(duì)圖像的正確理解，即對(duì)圖像中特定物體的正確認(rèn)識(shí)，以指導(dǎo)下一步的研究工作。如圖1-1所示，依據(jù)研究方法的不同，圖像技術(shù)具體可以分為三個(gè)層次：處理、分析和理解。在整個(gè)過程中，圖像分割（ImageSegmentation）是最關(guān)鍵的一步。圖1-1圖像技術(shù)的層次結(jié)構(gòu)圖像分割是一種關(guān)鍵的圖像技術(shù)，它不僅得到人們的廣泛重視，也在實(shí)際中得到大量的應(yīng)用。圖像分割能夠自動(dòng)或半自動(dòng)描繪出醫(yī)學(xué)圖像中的解剖結(jié)構(gòu)和其它感興趣的區(qū)域,從而有助于醫(yī)學(xué)診斷。圖像分割在不同領(lǐng)域中有時(shí)也用其它名稱，如閾值化技術(shù)、目標(biāo)輪廓技術(shù)、圖像區(qū)分或求差技術(shù)、目標(biāo)跟蹤技術(shù)、目標(biāo)識(shí)別技術(shù)、目標(biāo)檢測(cè)技術(shù)等，這些技術(shù)本身或核心實(shí)際上也是圖像分割技術(shù)。1.2課題研究的背景及意義在對(duì)圖像的研究和應(yīng)用中，人們往往只對(duì)每幅圖像中的某些部分感興趣，這些部分常常被稱為一幅圖像的目標(biāo)或者前景，它們一般對(duì)應(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。為了辨別和分析目標(biāo)，需要將這些有關(guān)區(qū)域分離提取出來，在此基礎(chǔ)上才有可能對(duì)目標(biāo)進(jìn)行進(jìn)一步的利用，如進(jìn)行特征提取和測(cè)量。圖像分割就是把圖像分割成各具特色、各有特點(diǎn)的區(qū)域，并從這些區(qū)域中提取出感興趣的目標(biāo)的技術(shù)和過程。根據(jù)需要的不同，提取的特征可以是一幅圖像的灰度、顏色、紋理等，而且分割的目標(biāo)可以對(duì)應(yīng)單個(gè)區(qū)域，也可以對(duì)應(yīng)多個(gè)區(qū)域。圖像分割是由圖像處理過渡到圖像分析的關(guān)鍵步驟，也是一種基本的計(jì)算機(jī)視覺技術(shù)。利用計(jì)算機(jī)進(jìn)行圖像處理有兩個(gè)目的:一是產(chǎn)生出適合人觀察和識(shí)別的圖像，二是希望能由計(jì)算機(jī)自動(dòng)識(shí)別和理解圖像。無論為了哪種目的，關(guān)鍵的一步就是能夠?qū)Π罅?、各式各樣景物信息的圖像進(jìn)行分解。分解的最終結(jié)果是一些具有某種特征的最小成分即圖像的基元。而這種基元，相對(duì)于整幅圖像來說，更容易被人或計(jì)算機(jī)快速處理。這是因?yàn)閳D像的分割、目標(biāo)的分離、特征的提取和參數(shù)的測(cè)量將會(huì)使原始圖像轉(zhuǎn)化為一種更為抽象更為緊湊的形式，使得更高層的分析和理解成為可能。同時(shí)圖像分割技術(shù)又是一個(gè)經(jīng)典難題，多年來一直吸引著國內(nèi)外科研人員為之努力，到現(xiàn)在己經(jīng)提出了上千個(gè)各種類型的分割算法。由于各種圖像分割算法都只利用了圖像信息中的部分特征，所以必然都帶有局限性，因此只能針對(duì)各種不同的領(lǐng)域、不同的用途來適當(dāng)?shù)倪x擇所需的分割算法。到目前為止還沒有一種通用的、適用于各種領(lǐng)域的分割算法。目前圖像分割的方法很多，但是由于人體具有解剖結(jié)構(gòu)的復(fù)雜性、組織器官的不規(guī)則、個(gè)體之間也存在較大的差異以及不同醫(yī)學(xué)成像模式成像特征不同、成像設(shè)備的不同也會(huì)給圖像分割帶來較大的麻煩，還有獲取的圖像的噪音、場(chǎng)偏移效應(yīng)、局部體效應(yīng)的影響等，這些都給醫(yī)學(xué)圖像的分割帶來了困難，使醫(yī)學(xué)圖像分割成為目前圖像處理與分析領(lǐng)域的一個(gè)極具挑戰(zhàn)性的課題。所以一般的圖像分割方法對(duì)醫(yī)學(xué)圖像的處理效果并不理想。醫(yī)學(xué)分割通常具有很強(qiáng)的針對(duì)性，沒有哪種分割方法能對(duì)所有的圖像模式都適用。圖像采集技術(shù)包括磁共振造影(MRI)、腦磁圖(MEG)、三維超聲成像、計(jì)算機(jī)斷層掃描(CT)，解正電子發(fā)射斷層照相(PET)、單光子發(fā)射計(jì)算機(jī)斷層(SPECT),功能磁共振(FMRI)、漫射加權(quán)成像(DWI)等。它們所產(chǎn)生的圖像各有所長(zhǎng)，能夠分別以不同的時(shí)空分辨率提供各種解剖信息和功能信息，用來協(xié)助醫(yī)生的診斷和治療。計(jì)算機(jī)斷層掃描(CT)對(duì)于骨組織、牙齒等具有很高的分辨率，而核磁共振圖像對(duì)于軟組織和腫瘤成像清晰，而PET圖像則能提供人體的功能信息。在醫(yī)學(xué)中用的最廣泛的圖像是計(jì)算機(jī)斷層掃描(CT)和核磁共振(MRI)圖像。醫(yī)學(xué)圖像的分割是當(dāng)前圖像分割方法研究領(lǐng)域一個(gè)非?；钴S的部分。醫(yī)學(xué)臨床實(shí)踐和研究經(jīng)常需要對(duì)人體某種組織和器官的形狀、邊界、截面面積以及體積進(jìn)行測(cè)量，從而得出該組織病理或者功能方面的重要信息。精確的測(cè)量對(duì)疾病的診斷和治療有重要的臨床意義。它不但能節(jié)省患者治療時(shí)的花費(fèi)，而且能使病人減少病情檢查時(shí)帶來的痛苦，如:虛擬內(nèi)窺鏡的使用可以使醫(yī)生不用再將攝像頭置入患者體內(nèi)就可以觀察患者體內(nèi)病灶部位的情況，給患者省掉不少痛苦，而且也能增加診斷的準(zhǔn)確性。1.3醫(yī)學(xué)圖像分割的研究現(xiàn)狀醫(yī)學(xué)圖像分割技術(shù)一直是醫(yī)學(xué)圖像領(lǐng)域研究的一個(gè)熱點(diǎn)課題。如圖1-2所示其發(fā)展過程經(jīng)歷了一個(gè)從人工分割到半自動(dòng)分割到現(xiàn)在的自動(dòng)分割。早期的人工分割是讓醫(yī)生利用手工描繪出所需部分的邊界，然后提取出所要解剖結(jié)構(gòu)的區(qū)域信息，這是一個(gè)工作量非常大，而且容易讓人厭煩，容易出錯(cuò)的過程。它的精確度也不容易保證。隨著計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算機(jī)硬件價(jià)格的逐漸降低以及圖像處理技術(shù)的發(fā)展，半自動(dòng)分割方法逐漸取代了人工操作。半自動(dòng)分割法是憑借醫(yī)生的經(jīng)驗(yàn)以及對(duì)圖像知識(shí)的理解，通過一定的人機(jī)交互，由計(jì)算機(jī)完成分割，具有較快的分割速度和比較高的分割精度，是人工分割技術(shù)后的一大突破，現(xiàn)在廣泛的應(yīng)用于各種大型醫(yī)院的臨床醫(yī)療中。但是半自動(dòng)分割技術(shù)受操作者的經(jīng)驗(yàn)與知識(shí)限制比較大。使得半自動(dòng)分割很難再實(shí)現(xiàn)比較大的突破。近年來，由于大量新興技術(shù)的興起，如：模糊技術(shù)、神經(jīng)網(wǎng)絡(luò)技術(shù)和人工智能技術(shù)在圖像分割中的應(yīng)用，醫(yī)學(xué)圖像分割領(lǐng)域也涌現(xiàn)出一些自動(dòng)分割技術(shù)，但是這些技術(shù)的復(fù)雜性較高，對(duì)算法要求比較高，運(yùn)算量也比較大，從一定程度上制約了自動(dòng)分割技術(shù)的發(fā)展，目前仍處在實(shí)驗(yàn)階段，真正用于實(shí)踐，造?；颊叩倪€不多。有鑒于此，一種可重復(fù)性好、效率高、精度高的自動(dòng)圖像分割方法已成為當(dāng)前應(yīng)用中的亟需。圖1-2圖像分割技術(shù)發(fā)展過程人們研制開發(fā)出了眾多的醫(yī)學(xué)圖像分割法，這些方法主要可分為基于邊界的分割法和基于區(qū)域的分割法兩大類別?；谶吔绲姆指罘椒ㄖ饕抢锰荻刃畔⒋_定目標(biāo)的邊界，包括局部微分算子，如Rboert算子，Sobel算子，Laplacian二階差分算子等。這些方法不依賴于已處理像素的結(jié)果，適合于并行化，但缺點(diǎn)是對(duì)噪聲敏感，而且當(dāng)邊緣像素值變化不明顯時(shí)，容易產(chǎn)生假邊界或不連續(xù)的邊界?；趨^(qū)域的分割法依賴于圖像空間的特征，如灰度、紋理及其它類型統(tǒng)計(jì)特征等，典型的基于區(qū)域的分割法有閾值分割、區(qū)域生長(zhǎng)與分裂、分類器和聚類等。目前醫(yī)學(xué)圖像分割的算法或者技術(shù)改進(jìn)大部分都集中在半自動(dòng)分割領(lǐng)域，研究的主要以下3個(gè)趨勢(shì):提高算法的自動(dòng)化程度，排除或盡可能減少人工干預(yù)。降低算法的復(fù)雜性，提高其執(zhí)行速度。因?yàn)獒t(yī)學(xué)數(shù)字圖像的數(shù)據(jù)量一般很大，算法越復(fù)雜，提取的特征就越多，計(jì)算量也就越大，對(duì)計(jì)算機(jī)的硬件要求也就越高，在實(shí)際應(yīng)用中就必然會(huì)受到一定的限制。提高算法的分割精度。這是圖像分割乃至整個(gè)圖像分割領(lǐng)域的一個(gè)經(jīng)典難題，提高算法分割精度將是研究領(lǐng)域一個(gè)主要的課題。1.4本文的主要研究?jī)?nèi)容本文的主要研究?jī)?nèi)容如下：首先介紹圖像分割的背景及發(fā)展現(xiàn)狀，分析了圖像分割典型分割算法和評(píng)估方法，為后續(xù)的算法研究提供理論基礎(chǔ)。其次概述了基于K-means和基于LinearDiscriminantAnalysis的醫(yī)學(xué)圖像分割算法，分析了這兩種算法原理及實(shí)現(xiàn)流程。最后，對(duì)K-means分割算法及LDA算法進(jìn)行Matlab仿真實(shí)驗(yàn)，與半自動(dòng)分割算法livewire比較，并對(duì)結(jié)果進(jìn)行分析。2.醫(yī)學(xué)圖像分割概述2.1引言隨著影像醫(yī)學(xué)在臨床醫(yī)學(xué)的成功應(yīng)用，圖像分割在影像醫(yī)學(xué)中發(fā)揮著越來越大的作用。進(jìn)行圖像分割首先選擇合適的顏色模型，形成特征向量空間；然后，在此特征空間中，應(yīng)用提出的算法進(jìn)行區(qū)域分割；最后抽取圖像區(qū)域的特征。圖像分割是提取影像圖像中特殊組織的定量信息所不可缺少的手段，同時(shí)也是可視化實(shí)現(xiàn)的預(yù)處理步驟和前提。分割后的圖像正被廣泛應(yīng)用于各種場(chǎng)合，如組織容積的定量分析，診斷，病變組織的定位，解剖結(jié)構(gòu)的學(xué)習(xí)和計(jì)算機(jī)指導(dǎo)手術(shù)[6]。醫(yī)學(xué)圖像分割到今天仍然沒有獲得圓滿解決，一個(gè)重要的原因是醫(yī)學(xué)圖像的復(fù)雜性和多樣性。2.1.1醫(yī)學(xué)圖像分割特點(diǎn)隨著數(shù)字圖像技術(shù)的不斷發(fā)展，醫(yī)學(xué)圖像分割方法也層出不窮，但仍然無法滿足臨床醫(yī)學(xué)的實(shí)際要求。與一般的自然圖像比較，醫(yī)學(xué)圖像有以下特點(diǎn)：1)模糊性和不均勻性，主要來源于圖像灰度上的含糊性，在同一組織中灰度值會(huì)出現(xiàn)大幅度的變化，即使密度值相同也會(huì)出現(xiàn)分布不均勻的現(xiàn)象。2)不確定性，病態(tài)會(huì)導(dǎo)致出現(xiàn)一些正常組織或部位沒有的結(jié)構(gòu)。3)多模態(tài)性，不同的圖像模態(tài)反映了不同表現(xiàn)的圖像。原因是不同的醫(yī)學(xué)成像設(shè)備的成像原理各不相同。上述眾多因素給醫(yī)學(xué)圖像分割帶來了不可預(yù)知的難度，這就要求對(duì)醫(yī)學(xué)圖像的分割有較強(qiáng)的針對(duì)性。因此，對(duì)特定的醫(yī)學(xué)圖像分割任務(wù)提出切實(shí)可行的分割方法是當(dāng)前醫(yī)學(xué)圖像分割鄰域的主要策略。2.1.2醫(yī)學(xué)圖像分割定義圖像分割是指將圖像中具有特殊涵義的不同區(qū)域區(qū)分開來；這些區(qū)域是互相不交叉的，每一個(gè)區(qū)域都滿足特定區(qū)域的一致性。定義將一幅圖像，其中，,進(jìn)行分割就是將圖像劃分為滿足如下條件的子區(qū)域：(1)，即所有子區(qū)域組成了整幅圖像；(2)是連通的區(qū)域；(3)（k=1，2，...，N）；J=1，2，?，N；k≠7)，即任意兩個(gè)子區(qū)域不存在公共元素；(4)區(qū)域m滿足一定的均一性條件，均一性(或相似性)一般指同一區(qū)域內(nèi)的像素點(diǎn)之間的灰度值差異較小或灰度值的變化較緩慢。如果連通性的約束被取消,那么對(duì)像素集的劃分就稱為分類（pixelclassification），每一個(gè)像素集稱為類（class）。在下面的敘述中，為了簡(jiǎn)單，我們將經(jīng)典的分割和像素分類通稱為分割。2.1.3圖像分割算法評(píng)估標(biāo)準(zhǔn)醫(yī)學(xué)圖像分割質(zhì)量的高低直接影響著臨床的診斷結(jié)果；分割速度的快慢直接影響著分割算法是否符合臨床診斷對(duì)實(shí)時(shí)性的要求，從而能為臨床醫(yī)療工作者提供需要的實(shí)時(shí)交互。醫(yī)學(xué)圖像分割的評(píng)估標(biāo)準(zhǔn)的種類非常多，算法評(píng)價(jià)對(duì)指導(dǎo)圖像分割任務(wù)意義重大。通過對(duì)圖像分割算法的對(duì)比評(píng)價(jià)，可以針對(duì)特定的分割任務(wù)選擇最優(yōu)的分割算法；通過對(duì)圖像分割結(jié)果進(jìn)行評(píng)價(jià)，可以進(jìn)一步分析所選算法的有效性，以及評(píng)判新的圖像分割算法的分割性能。一般來說，對(duì)圖像分割的結(jié)果以人的主觀判斷作為評(píng)價(jià)準(zhǔn)則，盡管對(duì)大多數(shù)圖像處理問題而言，最后的住宿是人的視覺，但對(duì)不同圖像分割方法的處理結(jié)果作一定量的比較、評(píng)價(jià)也是必需的，如何對(duì)現(xiàn)有的圖像分割方法做一個(gè)全面系統(tǒng)的比較，并給出公正的評(píng)價(jià)，這是一個(gè)有意義但是比較困難的工作。到目前為止，已經(jīng)有研究專家在這方面做出了一些工作，他們認(rèn)為對(duì)圖像分割方法的評(píng)價(jià)可以通過分析和實(shí)驗(yàn)兩種方式來進(jìn)行。分析法是直接分析分割算法本身的原理及性能，在實(shí)踐中很少得到應(yīng)用。實(shí)驗(yàn)法是利用由分割算法得到的實(shí)際分割圖像與參考圖像進(jìn)行比較，根據(jù)實(shí)際分割圖像與參考圖像的符合程度來評(píng)價(jià)分割算法的優(yōu)劣，這是一個(gè)比較實(shí)際的方法。實(shí)驗(yàn)法已經(jīng)提出了不少，目前定性實(shí)驗(yàn)準(zhǔn)則以及常用的定量實(shí)驗(yàn)準(zhǔn)則；根據(jù)臨床中的需求評(píng)估標(biāo)準(zhǔn)可以分為以下兩類：客觀評(píng)價(jià)圖像分割結(jié)束后算法花費(fèi)的時(shí)間，算法的魯棒性等等關(guān)鍵性指標(biāo)都是可以得到的，可以通過定性或者定量的實(shí)驗(yàn)給予評(píng)價(jià)，使用重合率以及錯(cuò)分率來評(píng)價(jià)評(píng)價(jià)圖像分割的精度。2）目標(biāo)檢測(cè)目標(biāo)檢測(cè)是主觀評(píng)價(jià)方法，可以使用一些相關(guān)領(lǐng)域的專家和學(xué)者進(jìn)行目測(cè)檢驗(yàn)。這種評(píng)估方法也是很重要的。因?yàn)樽龇指畹淖罱K目標(biāo)就是得到他們認(rèn)可的分割效果，從而在臨床中使用。 2.2醫(yī)學(xué)圖像分割典型算法 圖像分割算法的研究一直受到人們的高度重視，到目前為止，提出的分割算法已經(jīng)多達(dá)上千種，由于現(xiàn)有的分割算法非常多，所以將它們進(jìn)行分類的方法也提出了不少。圖像分割通常利用不同對(duì)象之間特征的不連續(xù)性，以及同一對(duì)象內(nèi)部的特征相似性。而基于區(qū)域的算法側(cè)重于利用區(qū)域內(nèi)特征的相似性。例如有把分割算法分成3類的：區(qū)域生長(zhǎng)和分裂合并法、閾值分割法、分類器和聚類。本章從實(shí)際應(yīng)用的角度考慮，詳細(xì)介紹了圖像分割的如下算法：區(qū)域生長(zhǎng)和分裂合并法、閾值分割法、分類器和聚類等。2.2.1區(qū)域生長(zhǎng)和分裂合并法基于區(qū)域的圖像分割算法[11]是以區(qū)域?yàn)閷?duì)象依照?qǐng)D像紋理特征、灰度值、換圖像的特征等共同屬性來劃分圖像區(qū)域。該方法給圖像中的每一個(gè)像素都賦予一個(gè)類別屬性，使具有預(yù)定義屬性的像素聚集在同類別中。最常見的基于區(qū)域分割法是區(qū)域生長(zhǎng)和分裂合并法。區(qū)域生長(zhǎng)的基本思想是將具有相似特性的像素合并到某個(gè)區(qū)域。首先為每個(gè)需要分割的區(qū)域確定一個(gè)種子像素作為生長(zhǎng)起點(diǎn)（見圖2-1），然后按一定的生長(zhǎng)準(zhǔn)則把它周圍與其特性相同或相似的像素合并到種子像素所在的區(qū)域中，把這些新像素作為種子繼續(xù)生長(zhǎng)（見圖2-2），直到?jīng)]有滿足條件的像素可被包括，這時(shí)一個(gè)區(qū)域就形成了。區(qū)域生長(zhǎng)法所要解決的主要問題是區(qū)域生長(zhǎng)準(zhǔn)則的設(shè)計(jì)。生長(zhǎng)準(zhǔn)則往往和具體問題有關(guān)，直接影響最后形成的區(qū)域，如果選取不當(dāng)，就會(huì)造成過分割或欠分割的現(xiàn)象。區(qū)域生長(zhǎng)法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，對(duì)于較均勻的連通目標(biāo)有較好的分割效果。它的缺點(diǎn)是需要人為確定種子點(diǎn)，對(duì)噪聲敏感，可能導(dǎo)致區(qū)域內(nèi)有卒洞；另外，它是一種串行算法，當(dāng)圖像目標(biāo)較大時(shí)，分割速度較慢，因此在設(shè)計(jì)算法時(shí)，要考慮盡量提高效率。圖2-1設(shè)定種子點(diǎn)圖2-2生長(zhǎng)過程分裂合并法的基本思想是從整幅圖像開始通過小斷分裂合并得到各個(gè)鄰域。這種方法對(duì)較復(fù)雜圖像的分割，效果比較好，但算法較復(fù)雜、計(jì)算量大，同時(shí)分裂還有可能破壞區(qū)域的邊界。2.2.2閾值分割法閾值法是一種較常見的、并行的、直接檢測(cè)區(qū)域的分割方法。該方法是基于對(duì)灰度圖像的一種假設(shè)，即目標(biāo)或背景內(nèi)相鄰像素間的灰度值是相似的，不同的目標(biāo)或背景的像素在灰度上有差異的，反映在直方圖上，不同的目標(biāo)或背景對(duì)應(yīng)不同的峰值。閾值是指用于區(qū)分不同目標(biāo)圖像的灰度值。如果圖像中只有目標(biāo)和背景兩類，那么只需要選取一個(gè)閾值，稱為單閾值分割（如圖2-3），這種方法是將圖像中每個(gè)像素的灰度值與該閾值進(jìn)行比較，灰度值大于該閾值的像素為一類，而小于閾值的像素為另一類。如果圖像中有多個(gè)目標(biāo)，就需要選取多個(gè)閾值將每個(gè)目標(biāo)分開，這種方法稱為多閾值分割（如圖2-4）。閾值法基于對(duì)灰度圖像的一種假設(shè)：目標(biāo)或背景內(nèi)的相鄰像素間的灰度值是相似的，但不同目標(biāo)或背景的像素在灰度上有差異，反映在圖像直方圖上，不同目標(biāo)和背景則對(duì)應(yīng)不同的峰。選取的閾值應(yīng)位于兩個(gè)峰之間的谷，從而將各個(gè)峰分開。閾值分割的優(yōu)點(diǎn)有計(jì)算簡(jiǎn)單、算法效率較高、速度快等，當(dāng)不同類物體的灰度值或其它特征值相差很大時(shí)，能有效地對(duì)圖像進(jìn)行分割。該方法經(jīng)常用于醫(yī)學(xué)圖像中目標(biāo)區(qū)域和背景區(qū)域的分割，如骨骼和皮膚等不同組織的分割。論文就是針對(duì)真皮區(qū)域圖像的分割法。圖2-3單閾值分割圖2-4多閾值分割2.2.3分類器和聚類分類是模式識(shí)別領(lǐng)域中一種基本的統(tǒng)計(jì)分析方法。分類的目的是利用已知的訓(xùn)練樣本集在圖像的特征空間找到點(diǎn)（一維）、曲線（二維）、曲面（三維）或超曲而（高維），從而實(shí)現(xiàn)對(duì)圖像的劃分。用分類器進(jìn)行分割是一種有監(jiān)督的統(tǒng)計(jì)方法，它需要用手工分割得到的樣本集作為對(duì)新的圖像進(jìn)行自動(dòng)分割的參考。分類器有兩個(gè)優(yōu)點(diǎn)：不需要迭代運(yùn)算，故計(jì)算量相對(duì)較?。荒軕?yīng)用于多通道圖像。但是分類器同樣沒有考慮空間信息，因此對(duì)灰度不均勻的圖像分割效果不好，分類器還要求由手工分類生成訓(xùn)練集，而手工分類的工作量很大，同時(shí)用小量的訓(xùn)練集訓(xùn)練的分類器對(duì)大量的樣本空間進(jìn)行分類時(shí)會(huì)產(chǎn)生誤差。聚類法是將圖像空間中的像素用對(duì)應(yīng)的特征空間點(diǎn)表示，通過將相似的特征點(diǎn)聚集成團(tuán)，然后再將它們映射到原圖像空間，得到分割結(jié)果。而圖像分割可看成是目標(biāo)對(duì)象的分類問題，可以借助于模式識(shí)別中的模式分類技術(shù)。聚類算法與分類器算法極為類似，只是它不需要訓(xùn)練樣本，因此聚類是一種無監(jiān)督的（unsupervised）統(tǒng)計(jì)方法，聚類算法迭代地執(zhí)行圖像分類和提取各類的特征值，是一種自我訓(xùn)練的分類。聚類算法包括K均值法、模糊C均值（FCM）法。K均值算法先對(duì)當(dāng)前的每一類求均值，然后按均值對(duì)像素進(jìn)行重新分類（將像素歸入均值最近的類），對(duì)新生成的類再迭代執(zhí)行前面的步驟。聚類分析不需要訓(xùn)練集，但是聚類時(shí)需要有一個(gè)初始分割提供初始參數(shù)，即聚類的數(shù)目，初始參數(shù)對(duì)最終分類結(jié)果影響較大。此外，聚類也沒有考慮空間關(guān)聯(lián)信息，因此也對(duì)噪聲和灰度不均勻敏感。2.3本章小結(jié)本章對(duì)醫(yī)學(xué)應(yīng)用領(lǐng)域中一些有代表性的圖像分割方法做了一個(gè)比較全面的綜述，并分析了幾類方法的特點(diǎn)和局限性。近幾年來雖然仍然有很多研究人員致力于醫(yī)學(xué)圖像分割的研究，發(fā)表了很多的研究成果，但由于問題本身的困難性，目前的方法多是針對(duì)某個(gè)具體任務(wù)而言的，還沒有一個(gè)通用的解決辦法。3.醫(yī)學(xué)病理切片中真皮組織區(qū)域分割算法3.1引言圖像分割即圖像分類，圖像分類學(xué)是人類認(rèn)識(shí)世界的基礎(chǔ)科學(xué)。聚類分析和判別分析是研究事物分類的基本方法，廣泛地應(yīng)用于自然科學(xué)、社會(huì)科學(xué)、工農(nóng)業(yè)生產(chǎn)的各個(gè)領(lǐng)域。本文是對(duì)醫(yī)學(xué)病理切片中的真皮組織區(qū)域進(jìn)行分割，若事先已經(jīng)建立類別，則使用線性鑒別分析法（LinearDiscriminantAnalysis，LDA）；若事先沒有建立類別，則使用K-means聚類分析。3.2基于K-means醫(yī)學(xué)圖像分割算法3.2.1K-means算法簡(jiǎn)介1967年，JamesMacQueen提出“K-Means”（K均值），這個(gè)被應(yīng)用得最廣泛的基于劃分的聚類算法，其實(shí)是一種硬聚類算法，屬于典型的局域原型的目標(biāo)函數(shù)聚類的代表，K-means分割算法在圖像分割中得到廣泛應(yīng)用，屬于無監(jiān)督分類的一個(gè)分支。其主要目的是對(duì)具有相同數(shù)據(jù)類型的樣本數(shù)據(jù)按距離最短規(guī)則進(jìn)行集合的劃分,最終獲取各等價(jià)類。K-means算法是典型的基于原型的目標(biāo)函數(shù)聚類方法的代表，它是數(shù)據(jù)點(diǎn)到原型的某種距離作為優(yōu)化的目標(biāo)函數(shù)，利用函數(shù)求極值的方法得到迭代運(yùn)算的調(diào)整規(guī)則。K-means算法以歐式距離作為相似度測(cè)度，它是求對(duì)應(yīng)某一初始聚類中心向量V最優(yōu)分類，使得評(píng)價(jià)指標(biāo)J最小。算法采用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則函數(shù)。3.2.2K-means算法流程假設(shè)有一組包含K個(gè)聚類的數(shù)據(jù),其中第k個(gè)聚類可以用集合來表示,假設(shè)包含個(gè)資料（，），此聚類中心為，則該聚類的平方差可以定義為:(3-1)其中是屬于第k類的資料點(diǎn)。而這K個(gè)聚類的總和平方差E便是每個(gè)聚類的平方差總和：(3-2)K-means算法聚類其算法步驟如圖3-1所示，通過迭代的方式,設(shè)法降低E的值，以使得各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。開始開始從數(shù)據(jù)中隨機(jī)去K個(gè)樣本點(diǎn)為聚類中心從數(shù)據(jù)中隨機(jī)去K個(gè)樣本點(diǎn)為聚類中心將各個(gè)對(duì)象分配到距離最近的聚類中將各個(gè)對(duì)象分配到距離最近的聚類中計(jì)算新的聚類中心計(jì)算新的聚類中心中心收斂？中心收斂？輸出聚類結(jié)果輸出聚類結(jié)果結(jié)束結(jié)束圖3-1算法基本流程3.2.3仿真結(jié)果本文隨機(jī)選取醫(yī)學(xué)真皮區(qū)域切片圖作為實(shí)驗(yàn)的材料，在實(shí)現(xiàn)彩色圖像聚類分割后進(jìn)一步基于紋理特征實(shí)現(xiàn)區(qū)域描述，根據(jù)真皮切片選定聚類的種類k=4,如圖3-2，3-3中給出了兩組實(shí)驗(yàn)結(jié)果。其中圖(a)是原始真皮病理切片圖像，可以看出該圖像可以分為白色背景區(qū)域，紫色部分為真皮區(qū)域，其他淺粉色部分為組織區(qū)域，圖（b）是基于空間、顏色和紋理特征進(jìn)行聚類分割的結(jié)果，灰色部分為背景區(qū)域，黑色區(qū)域?yàn)檎嫫^(qū)域，白色區(qū)域?yàn)榻M織區(qū)域。為了標(biāo)記分割區(qū)域，分區(qū)域顯示，圖（c)的紫色部分為真皮區(qū)域，也是本文的感興趣區(qū)域。圖（d）和圖（e）中的粉色區(qū)域?yàn)榻M織區(qū)域，圖（f）黑色部分為去背景的區(qū)域。（a）原始圖像（b）聚類結(jié)果圖（c）分割區(qū)域一（d）分割區(qū)域二（e）分割區(qū)域三（f）分割區(qū)域四圖3-2仿真實(shí)驗(yàn)組1（a）原始圖像（b）聚類結(jié)果圖(c)分割區(qū)域一（d）分割區(qū)域二(e)分割區(qū)域三(f)分割區(qū)區(qū)域四3-3仿真實(shí)驗(yàn)組2實(shí)驗(yàn)表明，不同的醫(yī)學(xué)病理圖片，分割的效果不同，聚類K的選擇對(duì)K-means算法分類結(jié)果影響很大，若K取小了就會(huì)有的區(qū)域不能分割出來，若K取大了就會(huì)出現(xiàn)過分割。所以在分割圖像前K值的大小一般都由先驗(yàn)知識(shí)判斷得出，當(dāng)需要處理大量圖像時(shí)，由人為判斷給出K值是不現(xiàn)實(shí)的。K-means算法計(jì)算復(fù)雜度低，仍作為一種廣泛應(yīng)用的分割算法所分割的結(jié)果仍無法滿足有待今后進(jìn)一步研究和改進(jìn)。3.2.4算法評(píng)估與分析K-means聚類法在圖像分割中得到廣泛應(yīng)用，基于K-means聚類法進(jìn)行圖像分割是通過找到特征空間中像素值的空間聚類，并把每一個(gè)像素劃分到不同的聚類中來實(shí)現(xiàn)圖像的分割。作為一種經(jīng)典的聚類算法，K-means算法有其優(yōu)越性,當(dāng)然也有其局限性，如聚類數(shù)K值必須依據(jù)先驗(yàn)知識(shí)提前設(shè)定、最初的類中心是隨機(jī)選取的（這常常導(dǎo)致每次聚類產(chǎn)生不同的分類結(jié)果）、聚類效果的好壞依賴于距離判定公式、圖像特征值等條件的選取。為了比較分析分類算法的優(yōu)缺點(diǎn)，在這里作為對(duì)比選用了由ArturChodorowskia提出的ColorLesionBoundaryDetectionUsingLiveWire的半自動(dòng)分割算法進(jìn)行了仿真實(shí)驗(yàn)，用于評(píng)估K-means聚類算法。如圖3-4，3-5所示對(duì)仿真實(shí)驗(yàn)組1分別用K-means和livewire分割后的真皮區(qū)域分進(jìn)行位置標(biāo)注，并坐標(biāo)歸一化為500×800mm。(a)K-means區(qū)域標(biāo)注（b）評(píng)估livewire區(qū)域標(biāo)注圖3-4分割區(qū)域標(biāo)注(c)K-means坐標(biāo)標(biāo)注（d）livewire坐標(biāo)標(biāo)注圖3-5區(qū)域坐標(biāo)歸一如圖3-6，3-7所示對(duì)仿真實(shí)驗(yàn)組2分別用K-means和標(biāo)準(zhǔn)livewire分割后的真皮區(qū)域進(jìn)行位置信息標(biāo)注，并坐標(biāo)歸一550×500mm。（a）K-means區(qū)域標(biāo)注（b）評(píng)估livewire區(qū)域標(biāo)注圖3-6分割區(qū)域標(biāo)注(c)K-means坐標(biāo)標(biāo)注（d）livewire坐標(biāo)標(biāo)注圖3-7區(qū)域坐標(biāo)歸一評(píng)估基本思想是如式（3-3）所示，通過計(jì)算分割區(qū)域的重合比例評(píng)估K-means。（3-3）其中A分別代表K-means算法分割區(qū)域，livewire算法分割區(qū)域。B代表醫(yī)生手動(dòng)分割區(qū)域，通過實(shí)驗(yàn)組1，實(shí)驗(yàn)組2仿真實(shí)驗(yàn)結(jié)果如表3-1所示：表3-1算法評(píng)估算法實(shí)驗(yàn)組1實(shí)驗(yàn)組2K-means0.64850.7062Livewire0.67810.7554實(shí)驗(yàn)數(shù)據(jù)如表3-1所示，可以看出在同一實(shí)驗(yàn)組livewire算法相比K-means算法具有更高的精確度，K-means分割算法是一種無監(jiān)督的學(xué)習(xí)方法，從K-means聚類的算法看，K-means聚類是個(gè)持續(xù)迭代的過程，影響聚類結(jié)果的主要因素就是劃分的類數(shù)K、初始聚類中心C的選擇和對(duì)象間的距離d（X，C)。實(shí)際上從人眼的視覺特性出發(fā)，人眼能夠直接分辨的色階一般不會(huì)超過60個(gè)，對(duì)醫(yī)學(xué)彩色圖像分割處理而言，分類的類數(shù)會(huì)遠(yuǎn)遠(yuǎn)小于此數(shù)，實(shí)際類數(shù)的選擇可以依賴具體的應(yīng)用環(huán)境和圖像分割的目的人為確定。由于K-means聚類采用目標(biāo)函數(shù)最小化作為聚類結(jié)束的條件，并且初始聚類中心采用隨機(jī)選擇,，所以比較容易陷入局部最優(yōu)，K-means對(duì)初始聚類中心有很強(qiáng)的敏感性，不同的初始聚類中心可能導(dǎo)致完全不同的聚類效果。K-means聚類算法簡(jiǎn)潔，具有很強(qiáng)的搜索力，適合處理數(shù)據(jù)量大的情況，在數(shù)據(jù)挖掘領(lǐng)域中得到廣泛的應(yīng)用。而livewire是一種半自動(dòng)分割算法，算法精度相比自動(dòng)分割算法在特殊的人體真皮組織要高。3.3基于LDA醫(yī)學(xué)圖像分割算法3.3.1LDA算法簡(jiǎn)介線性判別式分析(LinearDiscriminantAnalysis,LDA)，也叫做Fisher線性判別(FisherLinearDiscriminant,FLD)，是模式識(shí)別的經(jīng)典算法，它是在1996年由Belhumeur引入模式識(shí)別和人工智能領(lǐng)域的。線性鑒別分析的基本思想是將高維的模式樣本投影到最佳鑒別矢量空間，以達(dá)到抽取分類信息和壓縮特征空間維數(shù)的效果，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類內(nèi)距離，即模式在該空間中有最佳的可分離性。因此，它是一種有效的特征抽取方法。使用這種方法能夠使投影后模式樣本的類間散布矩陣最大，并且同時(shí)類內(nèi)散布矩陣最小。它能夠保證投影后模式樣本在新的空間中有最小的類內(nèi)距離和最大的類間距離，即模式在該空間中有最佳的可分離性。3.3.2仿真結(jié)果本文隨機(jī)選取醫(yī)學(xué)真皮區(qū)域切片圖作為實(shí)驗(yàn)的材料，在對(duì)圖像進(jìn)行顏色正則化，去背景等預(yù)處理之后，進(jìn)一步利用LDA算法進(jìn)行MATLAB仿真處理，如圖如圖3-8，3-9中給出了兩組實(shí)驗(yàn)結(jié)果。所示，其中圖(a)是原始真皮病理切片圖像，圖(b)是分割后的圖像。圖(a)原始圖像圖(b)分割結(jié)果圖圖3-8仿真實(shí)驗(yàn)組1圖(a)原始圖像圖(b)分割結(jié)果圖圖3-9仿真實(shí)驗(yàn)組2如圖3-10，3-11所示對(duì)仿真實(shí)驗(yàn)組1分別用LDA和livewire分割后的真皮區(qū)域分進(jìn)行位置標(biāo)注。(a)LDA區(qū)域標(biāo)注（b）評(píng)估livewire區(qū)域標(biāo)注圖3-10分割區(qū)域標(biāo)注(a)LDA區(qū)域標(biāo)注（b）評(píng)估livewire區(qū)域標(biāo)注圖3-11分割區(qū)域標(biāo)注3.4本章小結(jié)本章主要通過在對(duì)基于K-means醫(yī)學(xué)圖像分割算法和基于LDA醫(yī)學(xué)圖像分割算法原理的深入學(xué)習(xí)后，在Matlab平臺(tái)下實(shí)現(xiàn)了仿真，將livewire半自動(dòng)分割算法用于實(shí)現(xiàn)醫(yī)學(xué)病理切片真皮區(qū)域分割，與K-means算法進(jìn)行比對(duì)，對(duì)于兩種分割算法，首先運(yùn)用分割算法進(jìn)行分割并提取出感興趣區(qū)域，對(duì)區(qū)域進(jìn)行描述。利用重合率參數(shù)fraction，對(duì)比K-means和livewire算法進(jìn)行比較，實(shí)驗(yàn)取得了比較好的效果。4.總結(jié)與展望4.1總結(jié)圖像分割是圖像處理技術(shù)中的關(guān)鍵，對(duì)于圖像分割的研究，現(xiàn)已提出了數(shù)以千計(jì)的不同算法。雖然這些算法都在不同程度上取得了一定的分割效果，但圖像分割研究仍然面臨著極大的挑戰(zhàn)。至今，不但沒有一個(gè)算法能夠?qū)λ袌D像都可以給出很好的分割結(jié)果，而且沒有一個(gè)方法能夠?qū)τ刹煌惴ǖ玫降姆指罱Y(jié)果給出與主觀感覺一致的評(píng)價(jià)，也沒有一個(gè)統(tǒng)一的理論標(biāo)準(zhǔn)來指導(dǎo)如何根據(jù)不同的圖像選擇合適的分割算法。所以，在解決一些實(shí)際的圖像分割問題時(shí)，往往還是依賴于自己的知識(shí)和經(jīng)驗(yàn)，這必將限制了圖像分析和理解研究的發(fā)展。醫(yī)學(xué)圖像由于其與人類生命健康息息相關(guān)，對(duì)其進(jìn)行圖像分割研究更加引起了人們的廣泛關(guān)注。醫(yī)學(xué)圖像分割是人體組織及器官的三維可視化、手術(shù)模擬、圖形引導(dǎo)手術(shù)等后續(xù)處理的基礎(chǔ)，分割的準(zhǔn)確性對(duì)醫(yī)生判斷患者疾病的真實(shí)情況并做出相應(yīng)的診斷計(jì)劃至關(guān)重要。因此，圖像分割在醫(yī)學(xué)應(yīng)用中具有特殊的重要意義。雖然對(duì)于復(fù)雜的醫(yī)學(xué)圖像分割，目前已有學(xué)者研究出不少邊緣檢測(cè)、區(qū)域分割及目標(biāo)提取的方法，但也沒有一種普遍適用圖像分割方法，只能針對(duì)某一具體應(yīng)用而采用相對(duì)行之有效的算法。由于人體組織及其分割技術(shù)的復(fù)雜性，圖像分割成為醫(yī)學(xué)圖像處理技術(shù)發(fā)展的瓶頸。本文針對(duì)醫(yī)學(xué)病理真皮區(qū)域圖像，對(duì)圖像分割問題進(jìn)行了深入研究及詳細(xì)討論，而且首先概述了基于K-means和基于LDA的醫(yī)學(xué)圖像分割算法，分析了這兩種算法原理及實(shí)現(xiàn)流程，其次對(duì)K-means分割算法及LDA算法進(jìn)行Matlab仿真實(shí)驗(yàn)，利用重合率參數(shù)fraction，對(duì)比K-means和livewire算法進(jìn)行比較，最后對(duì)下一步工作做出展望。4.2展望通常將醫(yī)學(xué)圖像分割面向具體的臨床應(yīng)用，因此圖像分割的準(zhǔn)確性更為重要。圖像分割一直是一個(gè)很困難的問題，目前的自動(dòng)分割方法雖然在一些方面取得了一定的成功，但還遠(yuǎn)遠(yuǎn)不能滿足醫(yī)學(xué)圖像處理的實(shí)踐中對(duì)分割結(jié)果準(zhǔn)確性的要求因而，近年來由用戶參與控制、引導(dǎo)的交互式分割方法在醫(yī)學(xué)圖像分割中正受到越來越多的關(guān)注。目前人們?nèi)栽诶^續(xù)研究更先進(jìn)的成像技術(shù)和更復(fù)雜的圖像處理算法圖像分割方法的研究與分析與影像數(shù)據(jù)的物理成像原理、圖像形成和重構(gòu)算法的關(guān)系更為密切，而且圖像分割與其它圖像處理分析任務(wù)（如圖像增強(qiáng)、匹配、可視化）在識(shí)別對(duì)象結(jié)果和功能上是相關(guān)的，因此將它們結(jié)合起來若同研究是未來研究的一種趨勢(shì)。圖像分割結(jié)束后算法花費(fèi)的時(shí)間，算法的魯棒性等等關(guān)鍵性指標(biāo)都是可以通過定性或者定量的實(shí)驗(yàn)給予評(píng)價(jià)，由于時(shí)間的關(guān)系本文只針對(duì)分割評(píng)價(jià)指標(biāo)中的重合率對(duì)K-means和livewire進(jìn)行評(píng)價(jià)，在以后的研究中將繼續(xù)拓展利用錯(cuò)分率來評(píng)價(jià)評(píng)價(jià)圖像分割的精度。醫(yī)學(xué)圖像的分割算法的驗(yàn)證和評(píng)估方法仍需進(jìn)一步研究?？傊?，醫(yī)學(xué)圖像的分割算法的研究道路曲折而充滿挑戰(zhàn)。致謝在論文完成之際，我要特別感謝我的指導(dǎo)老師毛力老師的熱情關(guān)懷和悉心指導(dǎo)。在我撰寫論文的過程中，毛力老師傾注了大量的心血和汗水，無論是在論文的選題、構(gòu)思和資料的收集方面，還是在論文的研究方法以及成文定稿方面，我都得到了毛力老師悉心細(xì)致的教誨和無私的幫助，特別是他廣博的學(xué)識(shí)、深厚的學(xué)術(shù)素養(yǎng)、嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神和一絲不茍的工作作風(fēng)使我終生受益，在此表示真誠地感謝和深深的謝意。在論文的寫作過程中，也得到