光學相干層析醫學圖像分割研究現狀論文

　　前光學相干層析(OCT)技術具有分辨率高、成像快速等特點，自問世以來已被廣泛地應用于眼科疾病、牙科疾病、皮膚燒傷及心血管疾病的診斷中。近年來，隨著OCT成像技術和設備的發展日益成熟，越來越多的研究者集中于探索更加高效、穩定、通用的OCT醫學圖像分割方法。本文總結OCT醫學圖像的分割要求，并回顧和分析了近年來一些典型分割方法，最后對OCT醫學圖像分割方法的發展趨勢做出展望。

　　1 OCT醫學圖像分割要求

　　OCT醫學圖像分割是分離和提取具有相同特征的感興趣區域的技術。由于人體解剖組織結構和形狀比較復雜以及受散斑、高斯等各種噪聲的影響，OCT 醫學圖像具有模糊和不均勻的特點。此外，OCT成像速度快。所以，針對OCT醫學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時性。現有的分割方法并不能精確地完成OCT醫學圖像的分割，很多重要的圖像特征都需要醫生手動分割來獲取，在臨床上很難得到推廣。因此，研究出高效、魯棒的自動化分割方法對OCT圖像的臨床應用具有重大意義。

　　2 OCT醫學圖像分割方法概述 OCT醫學圖像分割方法概述

　　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劃分為不同區域。根據所有像素點采用相同閾值還是不同閾值可以劃分為全局閾值法和動態閾值法。由于OCT醫學圖像常常存在散斑噪聲多和整體對比度不均勻等特征，所以OCT醫學圖像的分割常常采用動態閾值分割方法。文獻基于修改直方圖的眼前節OCT圖像提出了動態閾值保邊去噪分割算法。該算法通過重構后直方圖的一階和二階差分確定了感興趣區域識別閾值和噪聲閾值，然后使用這兩個閾值對圖像進行動態閾值分割。分割后的圖像雖然含有一點散斑噪聲，但是眼前節的邊緣部分被很好地保留了下來。同一課題組在文獻中，通過二維離散小波變換對眼前節OCT 圖像進行分解，然后在低頻系數中選擇感興趣區域識別閾值和噪聲閾值，同樣獲得了較好的結果。今后，可以引入遺傳算法、神經網絡等理論來改進閾值的選擇方法。

　　2.2 區域生長法

　　區域生長法是通過在感興趣區域內選取種子點，然后根據特定生長準則將相似性質的像素點合并到種子點區域內，當達到生長終止條件后，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重的OCT醫學圖像。但通過與其他方法相結合，則可避開缺點，充分發揮優點。文獻通過采用標記分水嶺算法對圖像進行初步分割，然后利用不同區域的特征值進行最優化合并實現了視網膜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果，但對于病變區域部分還需要進一步改進。

　　2.3 基于統計學方法

　　統計學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。常用的統計學方法有分類器和聚類算法。

　　分類器是一種需要訓練樣本的有監督統計方法，根據訓練樣本對圖像的像素進行分類。傳統的分類器不需要迭代運算，運算速度快。文獻利用邊界像素對構造的隨機森林分類器進行訓練，可以有效地對黃斑中央的視網膜進行分層。但傳統分類器對大樣本的空間進行分類時容易產生誤差，而且其泛化能力差。支持向量機可以看作是傳統分類器的升級，它可以在模型的復雜度和學習能力之間尋求最佳折中，獲得更好的泛化能力。一些學者通過利用手動標記的樣本對其進行訓練后，對青光眼和正常眼的視網膜都取得了很好的分割結果。

　　聚類分割算法是一種不需要訓練樣本的無監督統計方法，根據圖像的某些特征，通過迭代計算圖像不同區域的特征值，將圖像劃分成不同的子區域，同一區域的相似度較大，不同區域間的相似度較小，從而達到圖像分割的目的。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合，精確、魯棒地對血管壁進行了分割。文獻通過增強的模糊C均值算法對圖像像素的平均值進行聚類，正確地對血管OCT圖像進行了分割。之后，Chou 等將該方法進行三維推廣。此外，Mandelias 等將模糊C 均值與小波變換相結合正確地提取了血管內壁的邊緣。

　　2.4 基于活動輪廓模型的方法

　　基于活動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域和邊界信息，根據圖像中目標的位置、大小、形狀等先驗知識有效地對目標進行分割。主要分為兩類：參數活動輪廓模型和幾何活動輪廓模型。

　　參數活動輪廓模型的典型代表是Snake 模型。該模型需要先在感興趣區域的附近初始化一條可形變的輪廓線，然后構造包括輪廓線自身內力和圖像信息外力的能量函數，當能量函數極小化時，輪廓線就會收斂到目標邊界，完成對目標的分割。Snake 模型的收斂效果受到目標形狀的影響，比較狹長的目標會導致輪廓線收斂失敗。針對該缺點，文獻提出在平行約束條件下同時演化兩條輪廓線的參數活動輪廓模型能夠有效地分割狹長的目標。

　　幾何活動輪廓模型的基礎理論是水平集方法和曲線演化理論，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的零水平集，這樣就把邊界輪廓的演化過程轉變為水平集函數的演化，最終只要確定了零水平集就可以確定邊界輪廓的演化結果。水平集方法具有很強的處理拓撲變化的能力，能夠將各種復雜的目標分割出來，非常適用于解剖組織結構和形狀比較復雜的OCT醫學圖像。文獻利用基于形狀信息的水平集分割模型自動地對角膜的前部和后部進行了分割。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對視網膜黃斑區OCT圖像進行了分割。

　　2.5 基于圖論的分割方法

　　基于圖論的分割技術也是近年來研究的一個熱點，其基本思想是將圖像映射為一個帶權無向圖，這樣圖像分割問題就轉化為求解圖的最優劃分問題。文獻通過利用像素亮度、曲率和形狀知識將待分割的眼前節OCT圖像映射為一個帶權無向圖，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現了視網膜深層OCT圖像的自動分割算法;徐肅仲等通過利用圖論和基于動態規劃的最短路徑算法提出了一種新的視網膜層次自動分割算法;牛四杰等在傳統的三維圖搜索模型上引入多尺度思想，提出了應用多尺度三維圖搜索的視網膜圖像分割方法。

　　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膜的邊界方法、圖像強度峰值等信息提出了一種OCT視網膜體數據的三維分割方法;Chen等通過改進的二維圖形與曲線平滑約束搜索方法對原圖像轉換后的漸進強度距離圖像進行分割，進而獲得原圖像的分割結果。此外，通過組合不同方法也可獲得較好的分割結果，如Wu 等將形態學方法、強度變換等技術綜合應用到眼前節OCT圖像的分割，提高了分割結果的精確度。

　　3 總結

　　OCT 醫學圖像具有成像快、散斑噪聲嚴重等特點，傳統的醫學圖像分割方法并不能滿足精確、抗噪、實時的分割要求。近年來，學者們提出了許多快速、魯棒的分割方法，如基于統計學的方法、基于活動輪廓的方法、基于圖論的方法等，但這些方法都具有局限性，而且并沒有完全實現全自動和高實時性。現在，OCT 醫學圖像分割方法的研究重點仍然是通過考慮多種醫學圖像特性，結合多種分割理論，研發實時、抗噪、自動的分割方法，并注重提高方法的適應性、魯棒性和精確性。

【光學相干層析醫學圖像分割研究現狀論文】相關文章：

醫學研究論文評語11-06

企業資金管理的現狀及對策研究論文10-12

元代醫學教育研究的論文10-09

俄羅斯護理醫學研究論文10-09

農業推廣研究生教育現狀思考論文10-12

放射腫瘤醫學科技研究論文10-09

兒童重癥醫學臨床模擬醫學教育研究論文10-09

淺議電子商務安全現狀及對策研究論文10-09

旅游電子商務發展現狀與對策研究論文10-10

我國醫學檢驗發展的現狀及展望論文10-17