正电子发射断层(posiortnEmissionTomognar勿，pET)、单光子发射计算机断层(singlePhotonEmission一eT，sPEeT)等多种先进的影像技术己经成功地用于临床，正成为临床医学研究、诊断和治疗的必备和常
规手段，为人们提供了丰富宝贵的图像数据信息，同时也促进了医学图像分割研究的进一步发展，在手术导航(Imageouidedsusre)、模拟手术[，](susriealsimulation)、治疗评估(ThenaryEvaluation)、功能图像的局部容积校正(Partialvolmueeoerretion)和计算机辅助诊断[8](eomPuter一Aidedoiagnosis)等大量的生物医学影像应用方面取得巨大的成功。
针对图像分割领域的相关算法虽然种类繁多，且仍层出不穷，但依然无法完全满足人们的实际需求。其原因相当复杂，包括:无法完全用数学模型来简单描述人们所面临的实际问题;图像结构性质的千差万别:导致图像退化性质迥异以及人们对分割结果预期目标互不相同等。这些都决定了无法实现一种普适、通用的分割方法。只能针对特定问题和具体的需求给予合理选择，在精度、效率、稳定性和鲁棒性等关键性指标上做出均衡或侧重。医学图像分割面临的困难面对临床丰富的图像数据，如何根据不同的应用目的，在特定的成像模态(ImgaingModally)t下选择合适的分割算法，仍然让分割工作者感到棘手，尤其在有噪声困扰、局部容积效应P(artalivolmueEeffcts，PvE)、伪影(Artiafc)st等退化条件下将更为棘手[9J。即便是同一幅脑部MR图像，至少可以根据不同的分割目的将它们分为:脑组织的提取、脑组织的分类、特定脑组织结构的提取等三类，而它们之间的分割方法
却相差甚远。因此，根本无法要求一个分割算法对所有类型的医学图像都一样能奏效。医学图像分割与其它领域的分割算法一样，也在分割结果的精度、算法的鲁棒性、运算速度与人为参与程度等性能指标上给予关注，然而在不同临床应用中的侧重点却大不相同。在治疗计划中，对治疗的组织结构和病灶目标的自动化精确分割尤显重要，然而迄今为止，这部分工作仍依赖于手工描绘和少数功能极有限的半自动分割系统I’“〕，使得对于不同患者都将花费大量的人力，不仅精度得不到可靠保证而且可重复性极差，因此分割精度和自动化这两个指标就显得格外重要;而对于肿瘤患者而言，能否提高其存活率主要决定于疾病的早期发现，鉴于癌变所产生的生物医学信号较微弱且人眼分辨能力有限等诸多因素，极大地限制了疾病的早期发现，因此要求一个至少包含有图像增强与分割等技术为一体的高效图像分析系统却尤为迫切。纵观医学图像分割技术的发展历史，每一阶段成果的取得都充满艰辛。起初的医学图像分割主要依靠手工进行，对于一个具有高对比度、典型的软组织结构图像，解剖学专家要在近八百万体素下完成手工描绘，其工作强度是可想而知，进一步研究表明了五个不同专家对脑组织灰质进行手工分割，其差异在，而针对脑部肿瘤的差异在15一22%之间。解决手工标记不足的最佳方式就是设计自动分割算法，这是分割技术的发展方向之一。然而自动分割所面临的主要挑战来源于对该领域“知识(K力owldege)”的有效表达与运用。知识是通过专家们对大量医学图像训练所获得的关于组织的解剖结构和不同成像特性;而对知识的表达和运用将取决于医学图像形状与
表现的复杂程度，如不规则的解剖结构与同一种组织表现为不同灰度的失真程度等。这些不确定因素将制约着自动分割算法的可靠性与分割结果的精确性。与其它图像分割不同的是医学图像分割所处理的对象，即人体的组织结构图像有其自身特点:
(l)组织结构的相关性和拓扑关系的改变; (2)组织结构复杂。如脑部沟、回间的过度迁回;
(3)不同原因产生图像的退化现象。如噪声、伪影及不均匀场; (4)不同成像模态所提供的信息差异。如Tl加权像，TZ加权像，质子密度(PorotnDnesi，ytpD)像所提供的信息不同，
这些因素都直接或间接地增加医学图像分割算法实现的难度。 医学图像分割方法分类
由于成像的原理和设备不同，存在有多种成像模式(Mutlimodaliyt)。依据其揭示的信息来分类，可以将医学图像分为解剖性成像模式和功能性成像模式两大类。其中，解剖性成像模式包括X光成像术、CT计算机断层成像术、MRJ磁共振成像、US超声成像、DSA数字减影血管造影术、MRA磁共振血管造影术、光纤内窥镜图像以及各种组织切片图像等;功能性成像模式包括SPECT单光子发射断层扫描像、PET正电子发射断层扫描像以及月吐班功能磁共振成像等。
根据成像模式的不同，以及分割过程中的依据不同，存在许多关于医学图像分割的分类方法。
下面就简单介绍各种医学图像分割分类方法以及各种类别里所包含的具体医学图像分割方法。
按所使用知识的特点与层次，可以粗略将图像分割方法分为数据驱动与模型驱动两类。其中数据驱动的主要特点是利用图像数据本身，直接对图像进行相关操作，包括特征提取和灰度变换等。虽然数据驱动也不排除利用有关的先验知识，但却不依赖于先验知识。数据驱动分割方法主要可分为边缘检测和基于区域分割，前者包括Per侧tt算子、sboel算子、Lpalacina算子等，后者包括闭值分割、区域生长、聚类方法等。而模型驱动则直接建立在先验知识基础上，是以获得图像及分割目标的某种先验知识为指导来设计分割方法，最常见的模型算法如:基于动态轮廓方法、组合优化、目标几何及统计模型算法等。而基于动态轮廓方法又可分为参数型变形模型S(nkae)和几何型变形模型L(veelS)et;基于组合优化包括最大后验估计、最大似然法、最小二乘法、期望值最大等。按分割所基于类型特点不同，将分割方法分成基于模型算法和基于特征算法两类。基于模型算法是利用一些常用的数学或统计模型来描述图像数据间的相关关系，这种类型的分割方法一旦满足模型能很好地贴近数据本质特征，将大大地降低分割问题的难度且精度高，因此这类型的分割算法或多或少都将涉及到先验知识的利用;基于特征的方法是一类从图像数据本身出发，取得关于图像灰度统计特性或局部纹理特征，并运用到如聚类或某种能量函数的优化问题中，这类算法由于涉及到特征量的获取，将与特征空间窗口大小的选择和特征位置的采样有密切的关系，因此很难得到问题的最
优解。按分割区域是否允许有“重叠”现象，如上一节概述中所讨论的分割定义是否严格，可将分割方法大体分类为软分割与硬分割两类。其中硬分类可视为软分类中的一种特殊形式。两种分类的主要差别在于分割过程中是否允许为每一体素分配不同的类型，且以一定的概率或某种隶属度形式存在。硬分类是传统的确定性分割算法，在分割中类型最多，软分类常与统计模型、概率模型或随机场模型相结合的方式存在。
另外，人们也可以根据不同的分割目的、不同的寻优方法等标准对分割方法进行分类，本文将不再做具体的阐述。
1.4医学图像分割的评估准则
医学图像分割是一个非常特殊的研究领域。分割质量的好坏直接关系到临床的诊断效果和放射治疗的精度，同时也为医学图像其它相关处理领域提供可靠的技术支持;分割的速度直接关系到分割算法能否符合临床实时需求，为临床医生提供实时的交互手段;分割的鲁棒性直接关系到在临床复杂环境下，分害d算法能否保持其良好的分割精度和可靠性;分割的自动化程度则直接关系到算法在临床中应用的效率，同时也为分割精度提供可靠的保证。然而医学图像分割算法的这些关键性指标在实际复杂的临床环境下，通常不可能兼得且被充分考虑到，这是因为它们之间有时彼此就是一对不可调和的矛盾，应根据实际情况和侧重点不同，给予适当的折衷，以满足临床的实际需求。对于医学图像分割评价准则的研究，由于其种类多、仍没有一个统一的标准，因此，本文不作详细的探讨，只给出一些与本文相关的不同