医学图像分割是医学图像分析的重要基础,它是指根据一定的准则把医学图像划分为若干个不相交的区域,使得同一区域内像素的特征相似并且不同区域内像素的特征不同,并对感兴趣的区域(Region of Interest, ROD进行提取,其目的是将医学图像中某些具有特殊含义的区域、器官、解剖结构分割出来,并对目标进行特征提取和参数测量,为临床和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。图像分割技术是医学图像处理向图像分析过渡的关键步骤,它在很多方面都有重要应用,如损伤组织的量化、手术模拟、计算机引导手术、图像配准等。然而由于不同图像之间的特征包括结构、强度、纹理、轮廓等信息的差异导致医学图像多样而复杂,并且不同类型的医学图像所需分割要求的不同,使得没有一种医学图像分割方法能够满足所有类型的分割要求。针对医学图像分割这个困难而又重要的问题,近几年来,科学工作者做了大量的研究与探索,分别以灰度信息、纹理信息、区域信息等为标准建立起多种分割算法,图像分割方法也层出不穷。阈值分割法是一种最简单、基础的图像分割算法,在待分割图像中不同区域之间像素的灰度对比度比较大时,容易得到较好的分割结果。但阈值分割法的关键是阈值的选择,在不同区域之间像素的灰度相差不大或有重叠时,阈值难以选择,往往会产生错误的分割结果。并且阈值分割法通常只采用了图像中像素的灰度信息,没有利用像素的空间信息,因此阈值分割法容易受噪声和图像非均匀性的影响。区域生长法是一种计算简单、分割速度快、鲁棒性强的分割方法。区域生长法对每一个需要提取的目标都必须手动指定一个种子点,如果种子点选取不当,就容易出现错误的分割结果。并且由于受噪声和偏移场的影响,可能会导致区域内有空洞甚至是根本不连续的区域。边缘检测法通过边缘检测算子对目标的边界进行检测来完成分割,边缘检测法简单易实现,但由于噪声及非均匀性的影响,边缘检测法得到的边缘常是不连续的或分小段连续的,为了得到连续的目标边缘,还需要进行边界闭合处理。并且边缘检测法对灰度变化复杂和细节较丰富的图像进行检测时,边缘检测法很难检测出正确的边缘；而对边缘不明显的图像,可能会得到不连续的边界。聚类算法的分割理论是在特征空间将像素聚集起来,聚类算法不需要训练样本,是一种无监督的统计方法。聚类算法简单有效,但聚类算法没有考虑图像的空间信息,对图像噪声及不均匀性敏感,并且聚类算法需要初始聚类数目、聚类中心。基于神经网络的分割思想是通过样本训练出神经网络,再由神经网络对新输入的图像数据进行分割。神经网络模型中空间信息参数的选择是神经网络方法的主要问题。基于小波变换的分割思想是利用小波变换多尺度的特性,对图像的边缘像素点进行检测,然后利用一定的准则把这些边缘像素点连接起来形成轮廓,从而完成对图像的分割。水平集方法计算稳定、规划容易、可灵活的加入先验信息。但水平集方法需要周期性的初始化水平集函数来获得稳定的演化曲线,而初始化水平集函数计算量大,并且很难确定何时和如何重新初始化水平集函数。磁共振图像分辨率高、具有良好的软组织对比度、信噪比高,因此脑部磁共振图像是临床上对脑功能研究及脑组织疾病预测、诊断的主要手段,而对脑组织进行研究和诊断必须要准确地分割出这些脑部结构。虽然传统的分割方法在许多应用中都能很好的完成分割要求,但由于医学图像结构复杂、边缘模糊,传统的分割方法无法准确地分割,并且磁共振图像由于受强度的非均匀性及噪声的影响使得用传统的分割方法分割出的结果不鲁棒、边界过于光滑而丢失大量结构结节。脑部磁共振图像分割最初由专家手动分割,手动分割精度高被视为所有分割方法的金标准,但手动分割耗时费力,重复性低,且非常依赖分割者的经验及解剖学知识。因此实现脑部磁共振图像的自动分割非常有意义。然而,磁共振图像因受噪声、强度非均匀性产生的伪影及不同组织强度相同的影响使得脑部磁共振图像的自动分割非常困难,因此,引入形状先验信息来简化分割问题是必不可少的。基于图谱配准的分割方法充分利用手动分割的形状先验知识,通过配准将图谱中存储的形状先验信息直接映射到待分割图像中,实现一种全自动的“专家”(图谱)指导下的图像分割,此时,图像分割问题就变成了图像配准问题。图谱由图谱灰度图像及其对应的专家手动分割好的图谱标号图像组成。基于图谱配准的分割方法引入了形状先验信息,无需手动设置初始边界、对噪声及偏移场不敏感,因而获得了广泛的应用与认可。Rohlfing等人用基于图谱配准的分割方法来分割蜜蜂的脑部结构。Heckemann等人用29组图谱分割出了67个脑部结构。Klein等人利用弹性配准分割出3D磁共振图像的前列腺。图谱数据的设计引起了广大关注,最简单的方法是使用一个图谱,但考虑到人体解剖结构的差异及配准精度的局限性,单图谱分割难以适应不同个体脑部结构的差异,容易产生错误分割,特别是边界处的分割。基于多图谱配准的分割方法采用更多的医学图谱来降低图谱选择的不确定性,分别将图谱灰度图像与待分割图像进行配准,得到多个变形场,然后利用变形对相应的图谱标号图像进行变形,得到多个变形后的图谱标号图像,最后对形变后的图谱标号图像进行融合,得到最终的分割结果。因此,基于多图谱配准的分割方法主要包括两个部分：图像配准和标号融合。标号融合是基于多图谱配准分割的关键步骤,标号融合算法也是近几年基于多图谱配准分割的研究重点。多数表决法(Major Voting)是最简单最直接的融合算法,它按照少数服从多数的方法对标号图像进行融合。考虑到图谱的不同,加权表决法按照某种相似性准则,对标号进行加权。Warfield等人设计的STAPLE算法将每一个图谱看作为一个弱分类器,然后利用最大期望算法对每一个分类器设置权重,以迭代的方式完成标号的融合,从而得到最终的分割结果。并在STAPLE算法的基础上,引入空间变化性能参数,提出Spatial STAPLE算法。SIMPLE算法考虑不同数量的图谱会对融合的结果造成影响,通过选择性迭代的方法实现标号的融合。传统的基于多图谱配的分割方法通过配准将图谱中存储的形状先验信息映射到待分割图像中。但在标号融合时,只利用了图谱的标号信息,没有利用待分割图像自身的灰度信息,必然会造成信息的损失与浪费。考虑传统标号融合算法的不足,本文提出了一种基于多权重概率图谱的脑部图像分割方法。首先,通过利用配准的局部相似性测度作为权重来计算局部权重概率图谱；其次通过利用标号图像的距离场作为权重,引入图谱标号图像暗含的位置先验信息；然后,通过利用待分割图像中像素与其局部邻域内像素的自相似性作为权重对概率图谱进行优化,自相似性引入了待分割图像提供的灰度与结构信息,保证了信息的完整性,降低噪声的影响,同时考虑邻域像素的分割情况,提高分割精度。对大量脑部磁共振图像中的海马进行分割实验,并与国际上主流的基于多图谱配准的分割算法进行了比较,实验结果表明了本文提出的分割算法能有效地提高分割精度