总结 23

参考文献 24

致谢 25

附录 26

1 绪论

1。1 研究背景与意义

医学图像分割是正常组织和病变组织的三维重建，定量分析等后续操作的基 础，也是临床医学应用的瓶颈。分割的准确性对医生判断疾病的真实情况并做出 正确的诊断计划至关重要。医学图像常表现为对比度低，组织特征的可变性、不 同软组织之间或软组织与病灶之间边界的模糊性、以及形状结构和微细结构(血 管、神经)分布的复杂性等，因此给研究医学图像分割技术造成了极大的困难。 颅脑是人体的一个重要器官，它拥有支配和控制人的任何一项思维活动的中 枢神经系统，也是肿瘤、炎症和多发性硬化症等疾病的好发部位。但是，因为颅 脑与人体的其它器官不同，它是由颅骨、肌肉、血管、脑膜、脑白质、脑灰质和 脑脊液等不同的组织组成，这些组织相互交织在一起。由于大部分的脑结构是由 这些组织的边界定义的，对这些组织进行分割在对大脑进行定量形态学的分析方 面是极其重要的。精确的进行脑组织分割是进行以下几个方面应用研究的先决条论文网

件。

(1)探测影响脑实质的不同的病理条件。 (2)放疗和治疗计划的制定。 (3)外科手术计划的制定和仿真。 (4)脑结构的 3D 可视化和定量测量。 (5)研究人脑的发育和老化机理。 (6)对大脑进行功能性研究。

因此，在临床上要实现对医学图像的定量测量和自动分析，首先就要解决图 像的分割问题。

1。2 国内外研究现状

图像分割技术是图像工程中的一项重要技术，从 20 世纪 70 年代开始，人类 就对图像分割进行了大量的研究和实验，至今己出现了上千种关于图像分割的各 类算法。针对不同的图像分割问题，图像分割方法大致分为阂值分割、区域分割、 边界分割、基于特定理论的分割方法等。阂值分割是一种简单有效的方法，当原 始图像中的不同物体或结构间有较大灰度差别时，能够得到很好的效果。但它忽 略了图像的空间特性，因此对噪声很敏感，实际操作中的效果往往不尽如人意。 区域分割利用区域相似性提取图像中相连接的区域，受噪声影响较大。边缘分割

通过从图像中不同区域的边缘上提取信息、差异实现对图像的分割，这些差异信 息包括颜色的差异、灰度值的差异、纹理的差异等等，这种方法计算复杂且受噪 声干扰明显。基于特定理论的方法利用某种已经相当成熟的理论，包括聚类分析、 模糊理论、神经网络、遗传算法、粗糙集等，来实现图像分割。将新的科学思想 和理论成果应用在图像处理中，有助于图像分割技术取得更多突破性进展。

2 图像分割方法

2。1 阈值分割法

阈值分割的原理非常简单，而且在实际操作中容易执行。它主要利用图像中 像素的灰度值，分割之前需要预先确定一个合适的阈值 M，然后将所有的像素灰 度值与 M 进行比较，大于或等于 M 的像素点归为目标类，小于 M 的像素点归为背 景类。完成像素点的划分以后，两类像素点便分别形成了代表目标和背景的两个 图像区域，分割完成。

通常情况下，用灰度值“255"表示目标，用灰度值“0”表示背景。所以， 当原始图像中目标与背景灰度相差较为明显时，使用阈值分割最为方便。阈值分 割的数学描述如下: