图像分割技术在医学图像处理中的应用综述

陈菲 涂春 周琪 苏秦 王亚乾 唐鸿俊

摘 要：图像分割是将图像划分为若干个具有独特性质区域的过程，分割结果直接影响着后续任务的有效性。研究分析、信息收集等都需要图像分割。DICOM是目前医学图像最常见的图像格式，对DICOM图像的分割与处理是诊断和治疗的关键技术，能够提供准确可靠的诊断依据。本文对GACV人机交互模型、区域生长、基于深度学习的U-Net和FCN算法以及模糊C均值的图像分割方法进行综述。最后进行总结和展望图像分割技术在医学图像处理上的应用价值。

关键词：图像分割技术;医学图像;DICOM

图像分割是指将图像中在某种标准下的不同区域区分开来。分割所得到的不同区域是互不交叉的，每个区域都满足特定区域的一致性[2]。医学图像分割是医学建模的主要组成部分，由于图像的复杂性与多样性，医学图像分割较一般的图像分割有着更大的难度[3]。本文主要介绍目前半自动分割和自动分割方法在医学图像上的应用。

1 半自动分割

半自动分割是一种结合手工和计算机的交互方式，允许人工交互式操作提供一些有用的信息，然后由计算机进行分割处理。

1.1 交互式GACV模型

选择需要处理图像的ROI区域，利用高斯函数进行去噪平滑，采用结合了CV模型（对平滑区域进行全局分割）和GAV模型（利用梯度和曲率进行边缘检测）的GACV模型在ROI区域上进行分割，得到感兴趣区域的粗分割结果。为精确地得到感兴趣区域的轮廓[4]，选取了一种无损边缘的膨胀搜索算法，既精确地提取了轮廓信息，又使图像的其他重要数据信息尽可能保留。……