现有方法分类 - 细致分析与分层总结

采用数字图像处理的方法，对IVUS图像进行自动或半自动的分割时，由于IVUS图像一般受噪声污染严重，包括斑点噪声、伪像和部分血管壁钙化阴影等的影响，常规的灰度图像轮廓提取方法，如微分法等，难以获得满意结果。

按照方法的自动化程度，可将现有的IVUS图像分割方法分为以下四类：

1）全手动：由富有经验的医生用鼠标驱动画笔逐一在每一幅图像上绘出目标轮廓线。由于IVUS图像序列常包括上千帧，因而这项工作不仅费时，工作量大，对操作人员的技术水平和专业知识要求较高，而且结果不可避免的受到操作者技术和主观因素的影响，可重复性差。

2）自动获取近似形状，再手动修正：首先采用简单的图像处理技术（如阈值化、区域生长、边缘提取、形态学操作等）获取血管壁轮廓的初始形状。在手动修正时，操作者不仅要利用图像本身的特征信息，而且还要结合局部的解剖和病理知识。该方法同样很耗时，可重复性差。

3）手动粗略勾画，再自动修正：这种方法减少了操作者的参与，仅需手动勾画出轮廓的粗糙形状，后续的自动提取过程会对其进行修正，因此操作者的参与对最终结果的影响是间接的。在参数设置相同的情形下，轮廓初始形状一定程度上的变化不会影响最终结果，因此可重复性很高。现有的IVUS图像分割方法中很大一部分都属于此类。例如图搜索法^［7］、活动轮廓（snake）模型法及其相关改进算法^［8］等。这些方法的分割效果较常规方法有很大提高，但仍需操作者一定程度的手动参与，从而可能延长处理时间或引入误差。

4）全自动：图像分割的整个过程完全由计算机自动完成，分割的初始化和分割结果的修正都不需要人机交互。因此，该方法可重复性好，不受主观因素影响。但对图像质量要求较高。

全自动的分割方法目前已成为该领域的研究热点，已提出的方法包括：基于统计活动轮廓模型的方法^［9］、基于模糊聚类的方法^［10］、自动获得初始轮廓的snake方法^［11］、基于纹理分析的方法^［12］、形状驱动方法^［13］、多智能体方法^［14］、基于contourlet变换的snake方法^［15］、二值形态学重建方法^［16］、基于对中膜层整体解释的方法^［17］等。上述方法都是在二维空间中对横截面图像序列进行串行处理，即逐帧分割。(www.xing528.com)

近年来，三维分割技术^{［18，19］}成为该领域新的研究方向。与二维分割相比，三维分割的优势在于可以利用整个图像序列的信息，同时完成对各帧图像的分割，实现对整个序列的并行处理，从而提高处理效率。

按照方法的原理，现有的自动或半自动分割方法可以分为以下四类：

1）利用图像灰度统计信息的方法，典型的有一维直方图阈值化方法和二维直方图阈值化方法。

2）利用图像空间区域信息和光谱信息的分割方法，典型的包括区域分裂-合并、生长法和纹理分割等。

3）利用图像中灰度变化最强烈的区域信息方法（边缘检测方法），这一类方法是Marr理论中主要倡导的方法，它在IVUS图像分割研究领域中占的比例最大，其典型的有Canny算法、Marr-Hildreth算法和基于多尺度的边缘检测方法。

4）利用图像分类技术的像素分类法，典型的有统计分类法、模糊分类方法、神经网络分类方法等。