基于水平集的医学图像分割算法

房巾莉，吕毅斌，王樱子，唐胜男，武德安

(1.昆明理工大学 理学院,云南 昆明 650500;2.昆明理工大学 计算中心,云南 昆明 650500;3.电子科技大学 数学科学学院,四川 成都 611731)

目前，图像分割[1-2]广泛应用于工程学、计算机科学、统计学、物理、化学、医学、遥感等领域。在医学中，通过对图像感兴趣区域的定位和分割，可以得到更多更准确的医疗数据，有助于开展后续诊断治疗研究等。

经过多年的研究，国内外研究者提出大量的图像分割方法，并将其应用到医学图像处理领域。随着人工智能的发展，基于深度神经网络的医学影像分割方法[3]被提出，并在很多图像处理领域取得了较好的结果，成为目前主流的图像分割方法。然而，在处理超精细图像中，基于图像信息的传统分割算法能得到更有效的结果。目前，研究者们提出了很多结合机器学习和传统分割模型的方法[4-6]。尽管人工智能、大数据等现代技术在医疗分割领域的应用已成大势所趋，但传统分割模型依然扮演着重要角色。

在传统模型中，活动轮廓模型(Active Contour Model，ACM)是一种具有良好性能的分割算法。Caselles等人[7-8]于1993年和1995年将水平集理论[9]和ACM结合提出几何活动轮廓模型，即水平集方法。该方法在分割过程中将轮廓曲线作为零水平集隐式地包含在水平集函数中，从而很自然地处理曲线的拓扑结构变化。水平集方法中，由Chan和Vese在2001年提出的Chan-Vese (C-V)模型[10]最具有代表性。该模型对噪声有一定的鲁棒性，但仍然存在缺点，例如水平集对初始轮廓敏感，重新初始化数值步骤较复杂，无法分割一些灰度不均的图像等。……