2024年6月14日发(作者：)

1 基于MRI的脑组织分割方法概述

1.1 经典分割方法

1.1.1 阈值脑组织分割方法

阈值化的分割方法是MR脑组织分割中最基本的方法。根据阈值，可分别显示图像中

灰度级大于阈值和小于阈值的像素，从而实现图像分割。但当图像中的目标和背景灰度差

异不明显或灰度值范围有重叠时，单纯的阈值法分割效果不佳，且阈值法只考虑像素本身

的灰度值，多不考虑空间特征，因而对噪声和灰度不均匀敏感，所以常与其它方法相结合。

文献[1]提出先采用最大类别方差法自动寻找阈值以去除颅脑和肌肉等非脑组织，然后通过

K-最近邻规则对脑白质、脑灰质和脑脊髓液进行划分，提高了分割精度。文献[2]提出基于

多分辨率边缘检测、区域选择和动态阈值相结合的方法分割脑组织，克服了模糊和不均匀

影响。文献[3]提出模糊最大熵结合遗传算法的阈值法，能完全将脑白质从三维脑组织图像

中分割出来，且抗噪性强。

1.1.2 基于区域生长法脑组织法分割方法

区域生长法是以同一区域内像素具有相似灰度、颜色、纹理等特征为假设条件的，其

基本思想是以一组“种子”点开始将与其性质相似的相邻像素合并到种子像素所在的类中。

该方法充分利用了图像的空间信息，但需依赖先验知识选择种子点，且对噪声敏感，会造

成孔状甚至不连续区域。因此使用区域生长法分割脑实质等连续、简单较大的结构效果理

想，但对于分割脑白质、脑灰质或脑肿瘤这样复杂的不连续结构，难以获得满意效果。因

此，有学者提出首先利用改进的水平集法提取骨组织和脑脊液，然后使用区域生长法实现

脑白质和脑灰质的分离，提高了算法的鲁棒性和准确性

[4]

。文献[5]将直方图阈值法与区域

生长法相结合，准确有效地分割出了脑白质和大脑皮质。

1.2 基于统计学脑组织分割方法

基于统计学分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变

量，找出最大概率的图像组合就可以正确分割图像。它是近年来流行的脑组织分割方法之

一，常用的基于统计学分割方法如下。

1.2.1 分类器法

分类器算法是一种监督性算法，需要为分割选择训练样本，根据训练样本对未分像素

进行分类。它对于正常MR脑组织图像分割是比较成功的，但是对于异常脑组织的分割效

果还不太理想。传统分类器算法包括最大似然法、贝叶斯模型、K近邻法。这些算法不需

要迭代运算，但以经验风险最小化为出发点，所以泛化能力差，且对大样本空间进行分类

时易产生误差。

近十几年发展起来的支持向量机（Support Vector Machine，SVM）模型，被看作

是对传统分类器的升级，它建立在VC维理论和结构风险最小原理基础上，在对特定训练

样本的学习精度和无错误地识别任意样本能力之间寻求最佳折衷，以获得较好的泛化能力。

但当训练样本较大时，训练时间长。所以有学者提出以近似圆形区域像素灰度特征为研究

区域，在该区域提取训练样本，对MR脑组织图像进行分类，提高了分割速度和分割精度

[6]

。另有学者提出基于小波核函数的小波支持向量机和基于特征优化算法，能正确地分割

出脑白质、脑灰质和脑脊液，且提高了分割速度

[7]

。

1.2.2 聚类法

聚类算法与分类器算法类似，但它不需要训练样本，是在没有先验知识的情况下，用

数学方法分析各模式向量之间的距离及分布情况，按照样本的距离远近划分类别。由于无

需人工干预，可很好再现分割结果，为正确判断全局性的还是区域性的脑萎缩和脑水肿等

病情奠定基础。常用的聚类算法有K-均值聚类（K-mean clustering, KMC）算法、模糊

C-均值（Fuzzy C-Means, FCM）聚类法和期望最大值（Expectation maximum, EM）

算法。

KMC算法是先计算每一类的灰度均值，然后按均值对像素进行重新分类，对新生成的

类迭代执行前面的步骤。FCM聚类算法采用迭代方法优化目标函数，最终获得对数据集的

模糊划分，非常适合脑组织图像中存在不确定性和模糊性的特点。EM算法是在图像数据

符合高斯混合模型的前提下，利用相同的聚类原则，在混合系数的最大似然估计之间进行

迭代。能很好地分离脑部不同组织成分，特别是不同成分之间重叠部分。

上述常用聚类算法虽然各具优点，但也存在不足：需要预先设定初始参数、对灰度不

均匀和噪声敏感、容易陷入局部极值等。近年来，出现了克服灰度不均匀和抗噪能力强的

改进聚类算法，并在脑组织图像分割中得到较好的发展。如文献[8]提出结合空间信息的

FCM算法，能正确分割出区域面积较小的脑脊液、脑灰质等。文献[9,10]提出改进的基于

灰度信息FCM算法，将偏移场模型、邻域控制信息和最小二乘曲面拟合法有机结合，能

较好地分割出存在于灰质中形状纤细的白质区域。文献[11]提出改进的粒子群算法，并结

合EM算法与水平集模型，有效地降低脑组织弱边界和强噪音的影响。

1.2.3 基于马尔科夫随机场模型

基于马尔科夫随机场模型（Markov Random Field Model，MRF）算法是根据统计

决策和估计理论中的最优准则确定目标函数，求解满足目标函数的最大可能分布。MRF因