医学病理切片图像中真皮区域分割算法研究 摘要.docx

《医学病理切片图像中真皮区域分割算法研究 摘要.docx》由会员分享，可在线阅读，更多相关《医学病理切片图像中真皮区域分割算法研究 摘要.docx（26页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、医学病理切片图像中真皮区域分割算法研究摘要图像分割是一种重要的和关键的图像分析技术，也是当今医学领域备受研究人员关注的热点问题。医学图像分割是正常组织和病变组织的三维可视化、手术模拟、图形引导手术等后续处理的基础，分割的准确性对医生判断患者疾病的真实情况并做出相应的诊断计划至关重要。因此，图像分割在医学应用中具有特殊的重要意义，特别是对人类生命健康相关的人体切片图像分割研究成为医学图像可视化研究中的一个非常重要的部分，是科学计算可视化中研究的热点问题。本文在前人研究成果的基础上，简述了医学病理切片图像中真皮区域分割研究背景，研究意义，国内外在该领域的研究进展，并且展示了医学病理切片图像中真皮区

2、域分割的实现流程，分析K-means和LDA分类算法的原理，研究并实现基于K-means算法和基于LDA算法的医学病理切片图像中真皮区域分割算法，以及利用MATLAB编程语言对K-means算法和LDA分类算法做了大量的仿真实验，验证了以上两种算法的可行性和有效性。关键词：医学图像区域分割；K-means；LDA；重合率 Research on the segmentation algorithm for medical pathological section image of dermal regionAbstractImage segmentation is a key technolo

3、gy of image analysis, and it is also a popular issue in medical field. Medical image segmentation is the foundation of 3D visualization of both normal and diseased tissue, surgery simulation, graphics to guide the operation and follow-up treatment. the accuracy of the segmentation is important to do

4、ctors judge the real situation of the disease and make corresponding diagnosis . Therefore, image segmentation is specially important in the medical application, especially for human life and health related human slice image segmentation research has become an attractive part of medical image visual

5、ization, scientific computing visualization research hot issues.In this paper based on the previous research results, describes the dermal region medical pathological image segmentation research background, research significance, research progress in this field at home and abroad and show the medica

6、l pathological image in the dermal region segmentation process, understand the principle of kmeans and LDA classification algorithm. Research and implementation of based on kmeans algorithm and segmentation algorithm based on LDA Algorithm medical pathological image in dermal regions, and a large nu

7、mber of simulation experiments of K-means algorithm and LDA classification algorithm using MATLAB programming language to verify the feasibility and effectiveness of the above two algorithms.Keywords: medical image segmentation, K- means clustering, LDA, coincidence rate目录 1. 绪论11.1 引言21.2 课题研究的背景及意

8、义21.3 医学图像分割的研究现状41.4 本文的主要研究内容52. 医学图像分割概述62.1引言62.1.1 医学图像分割特点62.1.2 医学图像分割定义72.1.3图像分割算法评估标准72.2 医学图像分割典型算法82.2.1 区域生长和分裂合并法82.2.2 阈值分割法92.2.3 分类器和聚类102.3 本章小结113. 医学病理切片中真皮组织区域分割算法123.1引言123.2 基于K-means医学图像分割算法123.2.1 K-means算法简介123.2.2 K-means算法流程123.2.3 仿真结果133.2.4算法评估与分析163.3基于LDA医学图像分割算法183.

9、3.1 LDA算法简介183.3.2仿真结果193.4 本章小结204. 总结与展望214.1 总结214.2 展望21致谢23参考文献241. 绪论1.1 引言图像处理的目的应是符合对图像的正确理解，即对图像中特定物体的正确认识，以指导下一步的研究工作。如图1-1所示，依据研究方法的不同，图像技术具体可以分为三个层次：处理、分析和理解。在整个过程中，图像分割（Image Segmentation）是最关键的一步。图1-1 图像技术的层次结构图像分割是一种关键的图像技术，它不仅得到人们的广泛重视，也在实际中得到大量的应用。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域,

10、从而有助于医学诊断。图像分割在不同领域中有时也用其它名称，如阈值化技术、目标轮廓技术、图像区分或求差技术、目标跟踪技术、目标识别技术、目标检测技术等，这些技术本身或核心实际上也是图像分割技术。1.2 课题研究的背景及意义 在对图像的研究和应用中，人们往往只对每幅图像中的某些部分感兴趣，这些部分常常被称为一幅图像的目标或者前景，它们一般对应图像中特定的、具有独特性质的区域。为了辨别和分析目标，需要将这些有关区域分离提取出来，在此基础上才有可能对目标进行进一步的利用，如进行特征提取和测量。图像分割就是把图像分割成各具特色、各有特点的区域，并从这些区域中提取出感兴趣的目标的技术和过程。根据需要的不同

11、，提取的特征可以是一幅图像的灰度、颜色、纹理等，而且分割的目标可以对应单个区域，也可以对应多个区域。图像分割是由图像处理过渡到图像分析的关键步骤，也是一种基本的计算机视觉技术。利用计算机进行图像处理有两个目的:一是产生出适合人观察和识别的图像，二是希望能由计算机自动识别和理解图像。无论为了哪种目的，关键的一步就是能够对包含大量、各式各样景物信息的图像进行分解。分解的最终结果是一些具有某种特征的最小成分即图像的基元。而这种基元，相对于整幅图像来说，更容易被人或计算机快速处理。这是因为图像的分割、目标的分离、特征的提取和参数的测量将会使原始图像转化为一种更为抽象更为紧凑的形式，使得更高层的分析和理

12、解成为可能。同时图像分割技术又是一个经典难题，多年来一直吸引着国内外科研人员为之努力，到现在己经提出了上千个各种类型的分割算法。由于各种图像分割算法都只利用了图像信息中的部分特征，所以必然都带有局限性，因此只能针对各种不同的领域、不同的用途来适当的选择所需的分割算法。到目前为止还没有一种通用的、适用于各种领域的分割算法。 目前图像分割的方法很多，但是由于人体具有解剖结构的复杂性、组织器官的不规则、个体之间也存在较大的差异以及不同医学成像模式成像特征不同、成像设备的不同也会给图像分割带来较大的麻烦，还有获取的图像的噪音、场偏移效应、局部体效应的影响等，这些都给医学图像的分割带来了困难，使医学图像

13、分割成为目前图像处理与分析领域的一个极具挑战性的课题。所以一般的图像分割方法对医学图像的处理效果并不理想。医学分割通常具有很强的针对性，没有哪种分割方法能对所有的图像模式都适用。 图像采集技术包括磁共振造影(MRI)、脑磁图(MEG)、三维超声成像、计算机断层扫描(CT)，解正电子发射断层照相(PET)、单光子发射计算机断层(SPECT ) ,功能磁共振(FMRI)、漫射加权成像(DWI)等。它们所产生的图像各有所长，能够分别以不同的时空分辨率提供各种解剖信息和功能信息，用来协助医生的诊断和治疗。计算机断层扫描(CT)对于骨组织、牙齿等具有很高的分辨率，而核磁共振图像对于软组织和肿瘤成像清晰，

14、而PET图像则能提供人体的功能信息。在医学中用的最广泛的图像是计算机断层扫描(CT)和核磁共振(MRI)图像。医学图像的分割是当前图像分割方法研究领域一个非常活跃的部分。医学临床实践和研究经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量，从而得出该组织病理或者功能方面的重要信息。精确的测量对疾病的诊断和治疗有重要的临床意义。它不但能节省患者治疗时的花费，而且能使病人减少病情检查时带来的痛苦，如:虚拟内窥镜的使用可以使医生不用再将摄像头置入患者体内就可以观察患者体内病灶部位的情况，给患者省掉不少痛苦，而且也能增加诊断的准确性。1.3 医学图像分割的研究现状医学图像分割技术一直是

15、医学图像领域研究的一个热点课题。如图1-2所示其发展过程经历了一个从人工分割到半自动分割到现在的自动分割。早期的人工分割是让医生利用手工描绘出所需部分的边界，然后提取出所要解剖结构的区域信息，这是一个工作量非常大，而且容易让人厌烦，容易出错的过程。它的精确度也不容易保证。随着计算机技术的发展，计算机硬件价格的逐渐降低以及图像处理技术的发展，半自动分割方法逐渐取代了人工操作。半自动分割法是凭借医生的经验以及对图像知识的理解，通过一定的人机交互，由计算机完成分割，具有较快的分割速度和比较高的分割精度，是人工分割技术后的一大突破，现在广泛的应用于各种大型医院的临床医疗中。但是半自动分割技术受操作者的

16、经验与知识限制比较大。使得半自动分割很难再实现比较大的突破。近年来，由于大量新兴技术的兴起，如：模糊技术、神经网络技术和人工智能技术在图像分割中的应用，医学图像分割领域也涌现出一些自动分割技术，但是这些技术的复杂性较高，对算法要求比较高，运算量也比较大，从一定程度上制约了自动分割技术的发展，目前仍处在实验阶段，真正用于实践，造福患者的还不多。有鉴于此，一种可重复性好、效率高、精度高的自动图像分割方法已成为当前应用中的亟需。图1-2 图像分割技术发展过程人们研制开发出了众多的医学图像分割法，这些方法主要可分为基于边界的分割法和基于区域的分割法两大类别。基于边界的分割方法主要是利用梯度信息确定目标

17、的边界，包括局部微分算子，如 Rboert 算子，Sobel算子，Laplacian 二阶差分算子等。这些方法不依赖于已处理像素的结果，适合于并行化，但缺点是对噪声敏感，而且当边缘像素值变化不明显时，容易产生假边界或不连续的边界。基于区域的分割法依赖于图像空间的特征，如灰度、纹理及其它类型统计特征等，典型的基于区域的分割法有阈值分割、区域生长与分裂、分类器和聚类等。目前医学图像分割的算法或者技术改进大部分都集中在半自动分割领域，研究的主要以下3个趋势:l 提高算法的自动化程度，排除或尽可能减少人工干预。l 降低算法的复杂性，提高其执行速度。因为医学数字图像的数据量一般很大，算法越复杂，提取的特

18、征就越多，计算量也就越大，对计算机的硬件要求也就越高，在实际应用中就必然会受到一定的限制。l 提高算法的分割精度。这是图像分割乃至整个图像分割领域的一个经典难题，提高算法分割精度将是研究领域一个主要的课题。1.4 本文的主要研究内容本文的主要研究内容如下：首先介绍图像分割的背景及发展现状，分析了图像分割典型分割算法和评估方法，为后续的算法研究提供理论基础。其次概述了基于K-means 和基于Linear Discriminant Analysis的医学图像分割算法，分析了这两种算法原理及实现流程。最后，对K-means分割算法及LDA算法进行Matlab仿真实验，与半自动分割算法live wi

19、re比较，并对结果进行分析。2. 医学图像分割概述2.1引言随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用。进行图像分割首先选择合适的颜色模型，形成特征向量空间；然后，在此特征空间中，应用提出的算法进行区域分割；最后抽取图像区域的特征。图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习和计算机指导手术6。医学图像分割到今天仍然没有获得圆满解决，一个重要的原因是医学图像的复杂性和多样性。2.1.1 医学图像分割特点随着数字图像技

20、术的不断发展，医学图像分割方法也层出不穷，但仍然无法满足临床医学的实际要求。与一般的自然图像比较，医学图像有以下特点：1) 模糊性和不均匀性，主要来源于图像灰度上的含糊性，在同一组织中灰度值会出现大幅度的变化，即使密度值相同也会出现分布不均匀的现象。2) 不确定性，病态会导致出现一些正常组织或部位没有的结构。3) 多模态性，不同的图像模态反映了不同表现的图像。原因是不同的医学成像设备的成像原理各不相同。上述众多因素给医学图像分割带来了不可预知的难度，这就要求对医学图像的分割有较强的针对性。因此，对特定的医学图像分割任务提出切实可行的分割方法是当前医学图像分割邻域的主要策略。2.1.2 医学图像

21、分割定义图像分割是指将图像中具有特殊涵义的不同区域区分开来；这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。定义将一幅图像，其中 ， ,进行分割就是将图像划分为满足如下条件的子区域：(1)，即所有子区域组成了整幅图像；(2)是连通的区域；(3)（k=1，2，.，N）；J=1，2，N；k7)，即任意两个子区域不存在公共元素；(4) 区域 m 满足一定的均一性条件，均一性(或相似性)一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。如果连通性的约束被取消,那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。在下面的叙

22、述中，为了简单，我们将经典的分割和像素分类通称为分割。2.1.3图像分割算法评估标准医学图像分割质量的高低直接影响着临床的诊断结果；分割速度的快慢直接影响着分割算法是否符合临床诊断对实时性的要求，从而能为临床医疗工作者提供需要的实时交互。医学图像分割的评估标准的种类非常多，算法评价对指导图像分割任务意义重大。通过对图像分割算法的对比评价，可以针对特定的分割任务选择最优的分割算法；通过对图像分割结果进行评价，可以进一步分析所选算法的有效性，以及评判新的图像分割算法的分割性能。一般来说，对图像分割的结果以人的主观判断作为评价准则，尽管对大多数图像处理问题而言，最后的住宿是人的视觉，但对不同图像分割

23、方法的处理结果作一定量的比较、评价也是必需的，如何对现有的图像分割方法做一个全面系统的比较，并给出公正的评价，这是一个有意义但是比较困难的工作。到目前为止，已经有研究专家在这方面做出了一些工作，他们认为对图像分割方法的评价可以通过分析和实验两种方式来进行。分析法是直接分析分割算法本身的原理及性能，在实践中很少得到应用。实验法是利用由分割算法得到的实际分割图像与参考图像进行比较，根据实际分割图像与参考图像的符合程度来评价分割算法的优劣，这是一个比较实际的方法。实验法已经提出了不少，目前定性实验准则以及常用的定量实验准则；根据临床中的需求评估标准可以分为以下两类：1) 客观评价图像分割结束后算法花

24、费的时间，算法的鲁棒性等等关键性指标都是可以得到的，可以通过定性或者定量的实验给予评价，使用重合率以及错分率来评价评价图像分割的精度。2）目标检测目标检测是主观评价方法，可以使用一些相关领域的专家和学者进行目测检验。这种评估方法也是很重要的。因为做分割的最终目标就是得到他们认可的分割效果，从而在临床中使用。2.2 医学图像分割典型算法图像分割算法的研究一直受到人们的高度重视，到目前为止，提出的分割算法已经多达上千种，由于现有的分割算法非常多，所以将它们进行分类的方法也提出了不少。图像分割通常利用不同对象之间特征的不连续性，以及同一对象内部的特征相似性。而基于区域的算法侧重于利用区域内特征的相似

25、性。例如有把分割算法分成3类的：区域生长和分裂合并法、阈值分割法、分类器和聚类。本章从实际应用的角度考虑，详细介绍了图像分割的如下算法：区域生长和分裂合并法、阈值分割法、分类器和聚类等。2.2.1 区域生长和分裂合并法基于区域的图像分割算法11是以区域为对象依照图像纹理特征、灰度值、换图像的特征等共同属性来划分图像区域。该方法给图像中的每一个像素都赋予一个类别属性，使具有预定义属性的像素聚集在同类别中。最常见的基于区域分割法是区域生长和分裂合并法。区域生长的基本思想是将具有相似特性的像素合并到某个区域。首先为每个需要分割的区域确定一个种子像素作为生长起点（见图2-1），然后按一定的生长准则把它

26、周围与其特性相同或相似的像素合并到种子像素所在的区域中，把这些新像素作为种子继续生长（见图2-2），直到没有满足条件的像素可被包括，这时一个区域就形成了。区域生长法所要解决的主要问题是区域生长准则的设计。生长准则往往和具体问题有关，直接影响最后形成的区域，如果选取不当，就会造成过分割或欠分割的现象。区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有卒洞；另外，它是一种串行算法，当图像目标较大时，分割速度较慢，因此在设计算法时，要考虑尽量提高效率。 图2-1 设定种子点 图2-2 生长过程分裂合并法的基本思想是从整幅图像开

27、始通过小断分裂合并得到各个邻域。这种方法对较复杂图像的分割，效果比较好，但算法较复杂、计算量大，同时分裂还有可能破坏区域的边界。2.2.2 阈值分割法阈值法是一种较常见的、并行的、直接检测区域的分割方法。该方法是基于对灰度图像的一种假设，即目标或背景内相邻像素间的灰度值是相似的，不同的目标或背景的像素在灰度上有差异的，反映在直方图上，不同的目标或背景对应不同的峰值。阈值是指用于区分不同目标图像的灰度值。如果图像中只有目标和背景两类，那么只需要选取一个阈值，称为单阈值分割（如图2-3），这种方法是将图像中每个像素的灰度值与该阈值进行比较，灰度值大于该阈值的像素为一类，而小于阈值的像素为另一类。如

28、果图像中有多个目标，就需要选取多个阈值将每个目标分开，这种方法称为多阈值分割（如图2-4）。阈值法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。阈值分割的优点有计算简单、算法效率较高、速度快等，当不同类物体的灰度值或其它特征值相差很大时，能有效地对图像进行分割。该方法经常用于医学图像中目标区域和背景区域的分割，如骨骼和皮肤等不同组织的分割。论文就是针对真皮区域图像的分割法。 图2-3 单阈值分割 图2-4 多阈值分割2.2.3 分类器和

29、聚类分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用已知的训练样本集在图像的特征空间找到点（一维）、曲线（二维）、曲面（三维）或超曲而（高维），从而实现对图像的划分。用分类器进行分割是一种有监督的统计方法，它需要用手工分割得到的样本集作为对新的图像进行自动分割的参考。分类器有两个优点： 不需要迭代运算，故计算量相对较小； 能应用于多通道图像。但是分类器同样没有考虑空间信息，因此对灰度不均匀的图像分割效果不好，分类器还要求由手工分类生成训练集，而手工分类的工作量很大，同时用小量的训练集训练的分类器对大量的样本空间进行分类时会产生误差。聚类法是将图像空间中的像素用对应的特征空间点表示，

30、通过将相似的特征点聚集成团，然后再将它们映射到原图像空间，得到分割结果。而图像分割可看成是目标对象的分类问题，可以借助于模式识别中的模式分类技术。聚类算法与分类器算法极为类似，只是它不需要训练样本，因此聚类是一种无监督的（unsupervised）统计方法，聚类算法迭代地执行图像分类和提取各类的特征值，是一种自我训练的分类。聚类算法包括K均值法、模糊C均值（FCM）法。K均值算法先对当前的每一类求均值，然后按均值对像素进行重新分类（将像素归入均值最近的类），对新生成的类再迭代执行前面的步骤。聚类分析不需要训练集，但是聚类时需要有一个初始分割提供初始参数，即聚类的数目，初始参数对最终分类结果影响

31、较大。此外，聚类也没有考虑空间关联信息，因此也对噪声和灰度不均匀敏感。2.3 本章小结 本章对医学应用领域中一些有代表性的图像分割方法做了一个比较全面的综述，并分析了几类方法的特点和局限性。近几年来虽然仍然有很多研究人员致力于医学图像分割的研究，发表了很多的研究成果，但由于问题本身的困难性，目前的方法多是针对某个具体任务而言的，还没有一个通用的解决办法。3. 医学病理切片中真皮组织区域分割算法3.1引言图像分割即图像分类，图像分类学是人类认识世界的基础科学。聚类分析和判别分析是研究事物分类的基本方法，广泛地应用于自然科学、社会科学、工农业生产的各个领域。本文是对医学病理切片中的真皮组织区域进行

32、分割，若事先已经建立类别，则使用线性鉴别分析法（Linear Discriminant Analysis ，LDA）；若事先没有建立类别，则使用K-means聚类分析。3.2 基于K-means医学图像分割算法3.2.1 K-means算法简介1967年，James MacQueen提出“K-Means”（K均值），这个被应用得最广泛的基于划分的聚类算法，其实是一种硬聚类算法，属于典型的局域原型的目标函数聚类的代表，K-means分割算法在图像分割中得到广泛应用，属于无监督分类的一个分支。其主要目的是对具有相同数据类型的样本数据按距离最短规则进行集合的划分,最终获取各等价类。K-means算法

33、是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。3.2.2 K-means算法流程假设有一组包含K个聚类的数据,其中第k个聚类可以用集合来表示,假设包含个资料（，. ），此聚类中心为，则该聚类的平方差可以定义为: (3-1)其中是属于第k类的资料点。而这K个聚类的总和平方差E便是每个聚类的平方差总和： (3-2)K-means算法聚类其算法步骤如图3-1所示，通过

34、迭代的方式, 设法降低E 的值，以使得各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。开始从数据中随机去K个样本点为聚类中心将各个对象分配到距离最近的聚类中计算新的聚类中心中心收敛？输出聚类结果结束图3-1算法基本流程3.2.3 仿真结果本文随机选取医学真皮区域切片图作为实验的材料，在实现彩色图像聚类分割后进一步基于纹理特征实现区域描述，根据真皮切片选定聚类的种类k=4,如图3-2，3-3中给出了两组实验结果。其中图(a)是原始真皮病理切片图像，可以看出该图像可以分为白色背景区域，紫色部分为真皮区域，其他浅粉色部分为组织区域，图（b）是基于空间、颜色和纹理特征进行聚类分割的结果，灰色部分为背

35、景区域，黑色区域为真皮区域，白色区域为组织区域。为了标记分割区域，分区域显示，图（c)的紫色部分为真皮区域，也是本文的感兴趣区域。图（d）和图（e）中的粉色区域为组织区域，图（f）黑色部分为去背景的区域。 （a）原始图像 （b）聚类结果图 （c）分割区域一 （d）分割区域二 （e）分割区域三 （f）分割区域四图3-2仿真实验组1 （a）原始图像 （b）聚类结果图 (c) 分割区域一 （d）分割区域二 (e) 分割区域三 (f) 分割区区域四3-3 仿真实验组2实验表明，不同的医学病理图片，分割的效果不同，聚类 K 的选择对K-means算法分类结果影响很大，若K取小了就会有的区域不能分割出来，

36、若K取大了就会出现过分割。所以在分割图像前K值的大小一般都由先验知识判断得出，当需要处理大量图像时，由人为判断给出K值是不现实的。K-means算法计算复杂度低，仍作为一种广泛应用的分割算法所分割的结果仍无法满足有待今后进一步研究和改进。3.2.4算法评估与分析K-means聚类法在图像分割中得到广泛应用，基于K-means聚类法进行图像分割是通过找到特征空间中像素值的空间聚类，并把每一个像素划分到不同的聚类中来实现图像的分割。作为一种经典的聚类算法，K-means算法有其优越性, 当然也有其局限性，如聚类数K 值必须依据先验知识提前设定、最初的类中心是随机选取的（这常常导致每次聚类产生不同的

37、分类结果）、聚类效果的好坏依赖于距离判定公式、图像特征值等条件的选取。为了比较分析分类算法的优缺点，在这里作为对比选用了由Artur Chodorowskia提出的Color Lesion Boundary Detection Using Live Wire的半自动分割算法进行了仿真实验，用于评估K-means聚类算法。如图3-4，3-5所示对仿真实验组1分别用K-means和live wire分割后的真皮区域分进行位置标注，并坐标归一化为500800mm。 (a) K-means区域标注 （b）评估live wire区域标注 图3-4 分割区域标注 (c) K-means坐标标注 （d）li

38、ve wire坐标标注图3-5 区域坐标归一如图3-6，3-7所示对仿真实验组2分别用K-means和标准live wire分割后的真皮区域进行位置信息标注，并坐标归一550500mm。 （a）K-means区域标注 （b）评估live wire区域标注图3-6 分割区域标注 (c) K-means坐标标注 （d）live wire坐标标注图3-7 区域坐标归一评估基本思想是如式（3-3）所示，通过计算分割区域的重合比例评估K-means。 （3-3）其中A分别代表K-means算法分割区域，live wire算法分割区域 。B代表医生手动分割区域，通过实验组1，实验组2仿真实验结果如表3-1

39、所示：表3-1 算法评估算法实验组1实验组2K-means0.64850.7062Live wire0.67810.7554实验数据如表3-1所示，可以看出在同一实验组live wire算法相比K-means算法具有更高的精确度，K-means分割算法是一种无监督的学习方法，从K-means聚类的算法看，K-means聚类是个持续迭代的过程，影响聚类结果的主要因素就是划分的类数K、初始聚类中心C 的选择和对象间的距离d（X ，C )。实际上从人眼的视觉特性出发，人眼能够直接分辨的色阶一般不会超过60 个，对医学彩色图像分割处理而言，分类的类数会远远小于此数，实际类数的选择可以依赖具体的应用环境

40、和图像分割的目的人为确定。由于K-means聚类采用目标函数最小化作为聚类结束的条件，并且初始聚类中心采用随机选择,，所以比较容易陷入局部最优，K-means对初始聚类中心有很强的敏感性，不同的初始聚类中心可能导致完全不同的聚类效果。K-means聚类算法简洁，具有很强的搜索力，适合处理数据量大的情况，在数据挖掘领域中得到广泛的应用。而live wire是一种半自动分割算法，算法精度相比自动分割算法在特殊的人体真皮组织要高。3.3基于LDA医学图像分割算法3.3.1 LDA算法简介线性判别式分析(Linear Discriminant Analysis, LDA)，也叫做Fisher 线性判别

41、(Fisher Linear Discriminant ,FLD)，是模式识别的经典算法，它是在1996 年由Belhumeur引入模式识别和人工智能领域的。线性鉴别分析的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。因此，它是一种有效的特征抽取方法。使用这种方法能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。它能够保证投影后模式样本在新的空间中有最小的类内距离和最大的类间距离，即模式在该空间中有最佳的可分离性。3.3.2仿真结果本

42、文随机选取医学真皮区域切片图作为实验的材料，在对图像进行颜色正则化，去背景等预处理之后，进一步利用LDA算法进行MATLAB仿真处理，如图如图3-8，3-9中给出了两组实验结果。所示，其中图(a)是原始真皮病理切片图像，图(b)是分割后的图像。 图(a) 原始图像 图(b) 分割结果图图3-8 仿真实验组1 图(a) 原始图像 图(b) 分割结果图图3-9 仿真实验组2如图3-10，3-11所示对仿真实验组1分别用LDA和live wire分割后的真皮区域分进行位置标注。 (a) LDA区域标注 （b）评估live wire区域标注 图3-10 分割区域标注 (a) LDA区域标注 （b）评估

43、live wire区域标注图3-11 分割区域标注3.4 本章小结本章主要通过在对基于K-means医学图像分割算法和基于LDA医学图像分割算法原理的深入学习后，在Matlab平台下实现了仿真，将live wire半自动分割算法用于实现医学病理切片真皮区域分割，与K-means算法进行比对，对于两种分割算法，首先运用分割算法进行分割并提取出感兴趣区域，对区域进行描述。利用重合率参数fraction，对比K-means和live wire算法进行比较，实验取得了比较好的效果。4. 总结与展望4.1 总结图像分割是图像处理技术中的关键，对于图像分割的研究，现已提出了数以千计的不同算法。虽然这些算法

44、都在不同程度上取得了一定的分割效果，但图像分割研究仍然面临着极大的挑战。至今，不但没有一个算法能够对所有图像都可以给出很好的分割结果，而且没有一个方法能够对由不同算法得到的分割结果给出与主观感觉一致的评价，也没有一个统一的理论标准来指导如何根据不同的图像选择合适的分割算法。所以，在解决一些实际的图像分割问题时，往往还是依赖于自己的知识和经验，这必将限制了图像分析和理解研究的发展。医学图像由于其与人类生命健康息息相关，对其进行图像分割研究更加引起了人们的广泛关注。医学图像分割是人体组织及器官的三维可视化、手术模拟、图形引导手术等后续处理的基础，分割的准确性对医生判断患者疾病的真实情况并做出相应的

45、诊断计划至关重要。因此，图像分割在医学应用中具有特殊的重要意义。虽然对于复杂的医学图像分割，目前已有学者研究出不少边缘检测、区域分割及目标提取的方法，但也没有一种普遍适用图像分割方法，只能针对某一具体应用而采用相对行之有效的算法。由于人体组织及其分割技术的复杂性，图像分割成为医学图像处理技术发展的瓶颈。本文针对医学病理真皮区域图像，对图像分割问题进行了深入研究及详细讨论，而且首先概述了基于K-means 和基于LDA的医学图像分割算法，分析了这两种算法原理及实现流程，其次对K-means分割算法及LDA算法进行Matlab仿真实验，利用重合率参数fraction，对比K-means和live

46、wire算法进行比较，最后对下一步工作做出展望。4.2 展望通常将医学图像分割面向具体的临床应用，因此图像分割的准确性更为重要。图像分割一直是一个很困难的问题，目前的自动分割方法虽然在一些方面取得了一定的成功，但还远远不能满足医学图像处理的实践中对分割结果准确性的要求因而，近年来由用户参与控制、引导的交互式分割方法在医学图像分割中正受到越来越多的关注。目前人们仍在继续研究更先进的成像技术和更复杂的图像处理算法图像分割方法的研究与分析与影像数据的物理成像原理、图像形成和重构算法的关系更为密切，而且图像分割与其它图像处理分析任务（ 如图像增强、匹配、可视化）在识别对象结果和功能上是相关的，因此将它们结合起来若同研究是未来研究的一种趋势。图像分割结束后算法花费的时间，算法的鲁棒性等等关键性指标都是可以通过定性或者定量的实验给予评价，由于时间的关系本文只针对分割评价指标中的重合率对K-means和live wire进行评价，在以后的研究中将继续拓展利用错分率来评价评价图像分割的精度。医学图像的分割