基于传统方法的医学图像分割

阈值法：

  • 阈值法具有计算量小、实现简单、稳定性较好等优点，成为医学图像分割领域中运用最广泛的分割技术。
  • 基本原理是通过设定阈值的不同，把像素点分为不同灰度级的背景区和目标区，所以它更适用于背景和目标灰度相差较大的图像。
  • 如果图像只有目标和背景两大类，就只需要设置一个阈值。
  • 如果图像中有多个目标需要分割，就要设置多个阈值， 所以其分割的准确度多依赖于阈值的选择。
  • 这种方法就是运用像素点灰度值的特征，并没有考虑其空间特性，此方法对噪声也比较敏感，但是目前出现了许多基于阈值法的改进算法，分割准确度有了进一步提高。

区域生成法：

  • 区域生长法是根据像素的相似性质来聚集像素点所形成的区域，这种方法是从单个像素出发，逐步合并形成所需要的区域。
  • 区域生长是从待分割区域中选取种子像素开始，作为生长起点，将种子像素邻 域里符合条件的像素合并到种子像素里，形成新的种子像素，继续合并，直到找不到符合条件的像素，其关键是种子像素的选择、确定生长规则和终止条件。
  • 区域生长法计算简单，对分割具有相同特征的连通区域效果较好，但是由于噪声和灰度不均的问题，容易产生空洞和过分割。

边缘检测法

  • 通过检测包含不同区域的边缘来解决问题，不同区域之间边界的灰度值变化比较剧烈，一般利用一阶导数的极大值或二阶导数的过零点信息来判断边缘点。
  • 在医学图像领域中，最简单常用的检测方法包括：Roberts 梯度算子、Wills 算子、 Prewitt 算子、Canny 算子等。
  • 不同的算子有不同的提取效果，但两大难点限制了其在医学图像分割中的应用，一个是不能保证边缘的连续性和封闭性；另一个是在高细节区容易出现大量碎边缘，难以形成一个大区域。

聚类法

  • 将图像中相似灰度合并的方法称为聚类，通过聚类将图像表示为不同的区域即聚类分割方法.
  • 由于多数医学图像具有模糊性、图像质量 低等特性，所以在医学分割领域最常用的聚类算法是模糊 C-均值算法（FCM），该方法将模糊集理论和聚类算法结合，通过“隶属度”来确定像素点属于某个聚类的程度。
  • 模糊集(很快，快，慢，很慢)–>隶属度函数–>隶属度

基于深度学习方法的医学图像分割

全卷积神经网络

  • 将经典 CNN 模型中的全连接层替换成了卷积层，整个网络由卷积层和池化层组成。

  • FCN 可以看成一个编码器-解码器的结构，编码部分是进行高维特征提取的过程，解码部分利用反卷积进行上采样，使得到的分割结果图像大小和输入图像大小相同，实现了像素级的分类。

  • FCN 模型对输入图像的大小没有要求，但其缺点是没有考虑全局上下文信息且只采用一次上采样操作，容易忽视细节信息。

    经过多次卷积后，图像的分辨率越来越低，为了从低分辨率的热图heatmap恢复到原图大小，以便对原图上每一个像素点进行分类预测，需要对热图heatmap进行反卷积，也就是上采样。

    论文中首先进行了一个上池化操作，再进行反卷积（上述所提到的上池化操作和反卷积操作，其实可以理解为上卷积操作），使得图像分辨率提高到原图大小。

    1. 反卷积上采样

    2. 反池化上采样

    参考:全卷积网络FCN详细讲解

U-net 网络结构

  • 在小规模数据集下有良好的表现，更适合于医学图像的分割。
  • 是由卷积、下采样、上采样和拼接操作组成的编码器—解码器对称网络。
  • 应用于视网膜血管图像、肺部计算机断层扫描 (computed tomography,CT)图像和脑肿瘤的磁共振成像(MRI)图像分割。

  • U-Net 网络收缩路径提取图像的重要特征并降低图像分辨率。

    U-Net 网络对输入尺寸 388 × 388 像素的图像进行镜像边缘操作。 镜像操作是给图像边缘添加一圈与边缘像素镜像对称的边,优点是网络能更好地处理图像边缘信息。 经过这一操作,输入图像尺寸变为 572 × 572 像素。

  • U-Net 网络扩展路径逐步修复图像细节,精确定位病灶位置,将图像恢复输入图像尺寸大小。

  • 收缩路径和扩展路径之间添加了跳跃连接用于像素点的定位,U-Net 使用拼接操作(concatenation) ,将同一层收缩路径的特征图裁剪到与扩展路径大小相同,然后进行拼接操作,有助于还原下采样过程中的信息损失。

[1]周涛,董雅丽,霍兵强,刘珊,马宗军.U-Net网络医学图像分割应用综述[J].中国图象图形学报,2021,26(09):2058-2077.

https://www.sohu.com/a/533482881_455817