1基于I1經(jīng)典分割方法1.1.1閾值腦組織分割方法閾值化的分割方法是R腦組織分割中最基本的方法根據(jù)閾值可分別顯示圖像中灰度級(jí)大于閾值和小于閾值的像素從而實(shí)現(xiàn)圖像分割但當(dāng)圖像中的目標(biāo)和背景灰度差異不明顯或灰度值范圍有重疊時(shí)單純的閾值法分割效果不佳，且閾值法只考慮像素本身的灰度值多不考慮空間特征因而對(duì)噪聲和灰度不均勻敏感，所以常與其它方法相結(jié)合。文獻(xiàn)[1提出先采用最大類別方差法自動(dòng)尋找閾值以去除顱腦和肌肉等非腦組織，然后通過(guò)K-最近鄰規(guī)則對(duì)腦白質(zhì)、腦灰質(zhì)和腦脊髓液進(jìn)行劃分提高了分割精度文提出基于多分辨率邊緣檢測(cè)、區(qū)域選擇和動(dòng)態(tài)閾值相結(jié)合的方法分割腦組織克服了模糊和不均勻影響文獻(xiàn)提出模糊最大熵結(jié)合遺傳算法的閾值法，能完全將腦白質(zhì)從三維腦組織圖像中分割出來(lái)，且抗噪性強(qiáng)。1.1.2基于區(qū)域生長(zhǎng)法腦組織法分割方法區(qū)域生長(zhǎng)法是以同一區(qū)域內(nèi)像素具有相似灰度顏色紋理等特征為假設(shè)條件的其基本思想是以一“種子點(diǎn)開(kāi)始將與其性質(zhì)相似的相鄰像素合并到種子像素所在的類中該方法充分利用了圖像的空間信息但需依賴先驗(yàn)知識(shí)選擇種子點(diǎn)且對(duì)噪聲敏感會(huì)造成孔狀甚至不連續(xù)區(qū)域因此使用區(qū)域生長(zhǎng)法分割腦實(shí)質(zhì)等連續(xù)簡(jiǎn)單較大的結(jié)構(gòu)效果理想但對(duì)于分割腦白質(zhì)腦灰質(zhì)或腦腫瘤這樣復(fù)雜的不連續(xù)結(jié)構(gòu)難以獲得滿意效果因此有學(xué)者提出首先利用改進(jìn)的水平集法提取骨組織和腦脊液然后使用區(qū)域生長(zhǎng)法實(shí)現(xiàn)腦白質(zhì)和腦灰質(zhì)的分離，提高了算法的魯棒性和準(zhǔn)確[4]。文獻(xiàn)將直方圖閾值法與區(qū)域生長(zhǎng)法相結(jié)合，準(zhǔn)確有效地分割出了腦白質(zhì)和大腦皮質(zhì)。1.2基于統(tǒng)計(jì)學(xué)腦組織分割方法基于統(tǒng)計(jì)學(xué)分割方法把圖像中各個(gè)像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量，找出最大概率的圖像組合就可以正確分割圖像。它是近年來(lái)流行的腦組織分割方法之一，常用的基于統(tǒng)計(jì)學(xué)分割方法如下。1.2.1分類器法分類器算法是一種監(jiān)督性算法需要為分割選擇訓(xùn)練樣本根據(jù)訓(xùn)練樣本對(duì)未分像素進(jìn)行分類它對(duì)于正常R腦組織圖像分割是比較成功的但是對(duì)于異常腦組織的分割效果還不太理想傳統(tǒng)分類器算法包括最大似然法貝葉斯模型、K近鄰法這些算法不需要迭代運(yùn)算但以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為出發(fā)點(diǎn)所以泛化能力差，且對(duì)大樣本空間進(jìn)行分類時(shí)易產(chǎn)生誤差。近十幾年發(fā)展起來(lái)的支持向量機(jī)（SupportectorMachine被看作是對(duì)傳統(tǒng)分類器的升級(jí)，它建立在C維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，在對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度和無(wú)錯(cuò)誤地識(shí)別任意樣本能力之間尋求最佳折衷，以獲得較好的泛化能力但當(dāng)訓(xùn)練樣本較大時(shí)訓(xùn)練時(shí)間長(zhǎng)所以有學(xué)者提出以近似圓形區(qū)域像素灰度特征為研究區(qū)域在該區(qū)域提取訓(xùn)練樣本對(duì)MR腦組織圖像進(jìn)行提分和精]。另有學(xué)者提出函的小波支持向量機(jī)和基于特征優(yōu)化算法能正確地分割出腦白質(zhì)腦灰質(zhì)和腦脊液，且提高了分割速[7]。1.2.2聚類法聚類算法與分類器算法類似但它不需要訓(xùn)練樣本是在沒(méi)有先驗(yàn)知識(shí)的情況下用數(shù)學(xué)方法分析各模式向量之間的距離及分布情況按照樣本的距離遠(yuǎn)近劃分類別由于無(wú)需人工干預(yù)可很好再現(xiàn)分割結(jié)果為正確判斷全局性的還是區(qū)域性的腦萎縮和腦水腫等病情奠定基礎(chǔ)。常用的聚類算法有K-均值聚類（Kmancutrng,MC）算法、模糊C-均值（y,）聚類法和期望最大值（n,）算法。KMC算法是先計(jì)算每一類的灰度均值，然后按均值對(duì)像素進(jìn)行重新分類，對(duì)新生成的類迭代執(zhí)行前面的步驟FCM聚類算法采用迭代方法優(yōu)化目標(biāo)函數(shù)，最終獲得對(duì)數(shù)據(jù)集的模糊劃分非常適合腦組織圖像中存在不確定性和模糊性的特點(diǎn)M算法是在圖像數(shù)據(jù)符合高斯混合模型的前提下利用相同的聚類原則，在混合系數(shù)的最大似然估計(jì)之間進(jìn)行迭代能很好地分離腦部不同組織成分特別是不同成分之間重疊部分。上述常用聚類算法雖然各具優(yōu)點(diǎn)，但也存在不足：需要預(yù)先設(shè)定初始參數(shù)、對(duì)灰度不均勻和噪聲敏感容易陷入局部極值等近年來(lái)出現(xiàn)了克服灰度不均勻和抗噪能力強(qiáng)的改進(jìn)聚類算法并在腦組織圖像分割中得到較好的發(fā)展如文獻(xiàn)提出結(jié)合空間信息的FCM腦灰質(zhì)等文獻(xiàn)提出改進(jìn)的基于灰度信息FCM算法將偏移場(chǎng)模型鄰域控制信息和最小二乘曲面擬合法有機(jī)結(jié)合能較好地分割出存在于灰質(zhì)中形狀纖細(xì)的白質(zhì)區(qū)域。文獻(xiàn)提出改進(jìn)的粒子群算法，并結(jié)合M算法與水平集模型，有效地降低腦組織弱邊界和強(qiáng)噪音的影響。1.2.3基于馬爾科夫隨機(jī)場(chǎng)模型基于馬爾科夫隨機(jī)場(chǎng)模MarkovRandomFieldModeMRF算法是根據(jù)統(tǒng)計(jì)決策和估計(jì)理論中的最優(yōu)準(zhǔn)則確定目標(biāo)函數(shù)求解滿足目標(biāo)函數(shù)的最大可能分布。F因其充分考慮空間信息故而能較好地解決腦組織部分容積效應(yīng)，但不能有效地處理圖像的模糊性，且易產(chǎn)生過(guò)分割。近幾年出現(xiàn)了改進(jìn)的F算并成功地應(yīng)用于腦組織的分割文獻(xiàn)提出基于模糊隸屬度的非均值F算法，有效降低了腦組織過(guò)分割。文獻(xiàn)提出引入大尺度約束，在貝葉斯框架和最大后驗(yàn)準(zhǔn)則下利用改進(jìn)的M算法將三維腦組織圖像分割成白質(zhì)白質(zhì)灰質(zhì)、灰質(zhì)、灰腦脊液和腦脊液5種類型，同時(shí)估計(jì)MR圖像偏移，達(dá)到分割結(jié)果與解剖學(xué)的一致。1.3基于形變模型腦組織分割方法基于形變模型的方法綜合利用了區(qū)域與邊界信息根據(jù)約束信息目標(biāo)位置、大小和形狀等先驗(yàn)知識(shí)有效地對(duì)目標(biāo)進(jìn)行分割匹配和跟蹤分析因此非常適合于R腦組織圖像的處理。主要分為：參數(shù)形變模型和幾何形變模型。參數(shù)形變模型的典型代表是動(dòng)態(tài)包絡(luò)模Snak該模型在圖像感興趣區(qū)域附近定義一條帶有能量的樣條曲線在曲線自身的內(nèi)力和圖像信息產(chǎn)生的外力共同作用下不斷運(yùn)動(dòng)最后收斂到目標(biāo)邊緣是一種高效的輪廓探測(cè)模型在基于R腦組織分割方面取得較好的效果缺點(diǎn)是容易收斂到局部極值抗噪能力提出先采用改進(jìn)的區(qū)域生長(zhǎng)法對(duì)MR腦組織圖像邊為e梯流e模型較好地識(shí)別出腦腫瘤的輪廓文獻(xiàn)[15提出改進(jìn)的貪婪Snake算法，提高了處理弱邊界和深度凹陷區(qū)域的能力，成功勾勒出胼胝體的輪廓。幾何形變模型的基礎(chǔ)是水平集方法它將運(yùn)動(dòng)界面作為零水平集嵌入高一維的水平集函數(shù)中由于嵌入的閉超曲面總是其零水平集所以最終確定零水平集就確定了移動(dòng)界面的演化結(jié)果，可處理拓?fù)浣Y(jié)構(gòu)的變化。但其依賴于梯度信息，所以受噪聲等影響較大在R腦組織的分割中常使用水平集剔除顱骨和腦