脑组织分割方法的研究现状综述

摘要：脑组织分割是医学图像处理最受欢迎的研究领域之一，为准确的疾病诊断、异常的检测和分类提供了详细的定量脑分析，在鉴别病变组织和健康组织起到了关键的作用。因此，准确的疾病诊断和治疗计划仅仅取决于所用分割方法的性能。在本文中，我们研究了脑组织分割方法的最新进展及其在神经科学研究中的最新研究现状。还强调了在脑组织分割中面临的主要挑战。对现有脑组织分割方法进行了一个有效的比较。并对不同分割方法的验证措施（有效性评价方法）进行了研究。本文提出的脑组织分割、方法学内容和实验足以吸引从事这一领域的研究人员。

关键词：脑组织分割，基于区域的方法，基于阈值的方法，聚类方法，基于特征提取和分类的方法，验证措施。

一 引言

脑组织分割方法大致可分为五类: 1、人工分割方法，2、基于区域的分割方法，3) 基于阈值的分割方法，4、基于聚类的分割方法，5、基于特征提取和分类的分割方法。

二 脑组织分割方法

1. 基于区域的方法

基于区域的分割方法依赖于图像中强度均匀性来检测目标边界。这种方法的流行技术有：1、基于轮廓和形状的方法，2、区域增长，3、基于区域的水平集方法，4、基于图的方法。基于轮廓和形状的方法采用T1加权的MR图像。基于区域的水平集方法和基于图的方法采用T2加权的MR图像。

  2.基于阈值的分割方法 

阈值分割是一种流行的分割方法，通过与一个或多个阈值进行强度值比较而将目标对象分割，它也被称为强度阈值法，阈值可以是全局的也可以是局部的。有固定阈值和自适应阈值两种类型。基于阈值的方法采用T2加权的MR图像。在固定阈值分割法中，阈值以上的像素分配给一组，阈值以下的像素作为背景。但是，MRI中感兴趣的对象存在很多伪影，因此，基于固定阈值的分割方法包括熵、类间方差等准则来检测感兴趣的对象。

3.聚类方法

聚类方法在脑组织分割中是基于像素的统计方法，该方法用诸如距离、连通性和强度的一些相似性度量将像素分成组或簇。聚类方法大致有硬聚类和软聚类两种方法。

4.基于特征提取和分类的方法

目前最先进的分类方法有k近邻（KNN）、支持向量机（SVM）、人工神经网络（ANN）、自组织映射（SOM）等。

D. 性能指标

使用性能指标来验证分割方法，方法的验证是应用于临床评估的必要步骤。在本节中，我们提出了用于评估脑组织分割方法的各种性能指标，不适用单一的指标来判断分割方法的性能。在脑组织分割中，对方法进行定量评价的不同措施如下：

Dice index（DI）- 这是一种用于评价分割方法的定量重叠测度，对每种组织类型、数据集和方法计算DI，测量分割图像与真实图像之间的重叠量。它被定义为：

划分系数（Vpc ）是模糊划分的一个重要指标，它的值介于0和1之间，1 表示最佳值。越高的值代表性能越好,模糊性越少。定义为：

其中，Z ij 是加权成员变量，C = 簇数，N = 数据模式的数目。

划分熵（Vpe ）-是指示模糊划分的另一种方法。Vpe 的最小值表示最佳群集，最佳值为0。定义为：

Jaccard指数（JI）也是测量分割图像与真实图像重叠的指标，如果JI为0，则表示不与真实图像重叠，1表示完全分割

其中S和G是由方法和真实图像生成的两段。

相似指数（ρ ）- 用于比较分割图像和真实图像。定义为：

其中，Ai 是通过分割得到的簇Ci 的像素数，Bi 是Ci 中的像素数，ρ 的范围是[0，1]，ρ =1是它的最优值。

分割精度（SA）是正确分类像素除以聚类图像中像素总数的总和。定义为：

M是一个簇中的像素总数， 是通过分割得到的属于 簇的像素数， 是地真实图像中 簇中的像素数，最优的SA值是1。

组织分割精度(TSA)定义为：

其中， 是通过给定方法被分配给组织k的正确地（在真实图像的模具内）像素的数目。 是分配给组织k的像素的总数(在真实图像的内部和外部)。 是在离散的解剖模型(真实图像模具)中属于组织k的像素的数量。对于理想的分割，TSA的最优值是1。

均匀度程度(UM)-衡量分割方法的有效性是一种定量的验证。定义为：

其中，p是阈值的个数， 是 个分割区域，N是图像中的像素总数， 是像素I的灰度级， 是 区域像素的平均值， 是图像中像素的最大灰度级， 是图像中像素的最小灰度级，UM的最优值是1。

假阳性(FP)和假阴性(FN) - 它代表了分段过程中错误分类的数量，此外，FPS和FNS，也使用了真阳性(TPS)和真阴性(TNS)，TPS和TNS代表正确的分段，在二值分割中，使用灵敏度和特异性测度来评估FPS和FNS对方法性能的影响。

上述两种测度的最优值为1。