什么是医学图像分割？

医学图像分割是将一个二维或三维医学图像分割成多个片段或提取感兴趣区域的过程，每个片段表示一个特定类别或组织类型（例如，正常组织或肿瘤组织）。通过区分图像的不同部分，医学图像分割有助于更准确的后续诊断、治疗计划和疾病监测。医学图像分割是现代医学实践中不可或缺的工具。

通常，医学图像分割是工作流的一部分，涉及以下步骤：

• 访问医学图像
• 图像预处理
• 分割
• 分析和解释

MATLAB^®、Image Processing Toolbox™、Computer Vision Toolbox™ 和 Medical Imaging Toolbox™ 提供支持医学图像分割的功能以及上述每个步骤的应用示例。

医学图像分割工作流

访问医学图像

在 MATLAB 中，您可以使用 DICOM 浏览器或易于使用的函数导入和导出 DICOM、DICOM-RT、HDF5、Interfile、NIfTI 和 Tif 格式的医学图像。

对于无法载入内存且难以处理的大图像，例如病理图像，blockedImage 目标可以将图像表示为可独立加载和处理的较小数据块的集合。这种方法可加速大图像和多分辨率图像的读取和处理。blockedImage 目标还支持利用多核 CPU 或 GPU 的并行计算。

图像预处理

医学图像预处理和增强的主要目标是减少图像采集伪影，以及标准化整个数据集的图像。您可以通过背景去除、去噪、重采样、配准和强度归一化来提高分割的图像质量，从而最大限度地减少伪影并提高分割准确性。

分割

医学图像分割的核心步骤是将图像分割成对应于不同组织、器官和骨骼的有意义区域。分割后，您可以使用后处理来去除噪声、平滑边界和填充间隙，以提高准确度和可靠性。后处理任务的示例包括形态学和滤波。

检测像素值的不连续性是一种常用方法，因为像素灰度值的不连续性通常表示目标的边缘。

另一种常见方法基于相似性检测，例如区域生长和聚类。

MATLAB 中的色彩分割器、图像分割器或三维体分割器可让您无需查阅参考文档、记住语法或编写代码即可快速对图像运用不同图像分割算法。一旦结果满足您的需求，您就可以一键将算法导出到一个 MATLAB 函数中。您还可以在图像分割算法中使用 MATLAB 函数进行边缘检测、基于特征的分割和聚类。

深度学习也用于语义图像分割。这种方法可以帮助您将图像的每个像素与一个类标签相关联。

对于深度学习应用，传统的手动标注容易出错。医学图像标注器和图像标注器使您能够高速、准确地手动或半自动标注您的数据集。然后，您可以使用深度网络设计器来构建、可视化和训练深度学习网络。您还可以使用试验管理器来管理多个深度学习试验，分析和比较结果与代码。

分析和解释

目标分析，或量化地分析和解释分割区域以获得面积、体积和形态学特征，对于疾病诊断、治疗计划和疗效评估至关重要。

有关设计和测试诊断成像应用的更多医学图像处理相关 App、函数和工作流，请参考 Medical Imaging Toolbox。