针对临近骨关节及类似的边界模糊的图像分割

1、医学图像特点：

医学图像通常对比度较低，组织特征的可变性、不同组织之间或者组织和病灶之间边界的模糊性以及微细结构（如血管、神经等）分布的复杂性。

2、目前使用的分割方向：

1、可变模型法

变形模板提供了一个把低层的图像信息和高层人体解剖结构先验知识结合的框架，比如活动轮廓模型（Snake）。

2、人工神经网络法（ANN）

3、基于小波变换的方法？

4、基于统计学的方法

5、基于分形的分割方法

6、基于数学形态学方法

3、灰度变化平缓的图像分割思路：

（1）增加高层信息，概括为基于知识的分割，可以考虑的信息有：

①临床知识，即某种疾病的症状及它们所处的位置；

②解剖学知识，即某器官的解剖学和形态学信息，以及其几何学与拓扑学的相互关系，这种知识通常是用图谱来表示的；

③成像知识，这类知识与成像方法及其具体的设备有关；

④统计知识，例如MRI的质子密度(PD)、T1和T2统计数据，并把它们与解剖学的有关数据联系起来。

例如：2002年，Boscolo等人提出了一种新颖的基于知识的分割方法。医学图像分割通常需要医学专家对感兴趣的解剖结构区域提供准确、持续的鉴定，而Boscolo等人的分割方法将基于知识的分割系统与一套熟练的主动轮廓模式(active contour model)相结合，此方法利用一种高级过程的引导对不同的解剖结构进行粗略的分割，使用者无需提供初始轮廓放置，而由高级过程自动执行必须的参数优化。关于被分割的解剖结构的知识，则用一个叫做可能性密度函数根据统计学规律定义成位置、大小、图像亮度等参数。目前，该方法正在进一步研究是否确实能够提供持续的高级分割。

（2）增加像素

增加像素可以使得已有的方法更好的区分开模糊的背景，同时方便前后景的选取。主要考虑的是像素细分，但我查询的资料一般都是三维中的面片细分，对于二维中的分辨率提高还有待寻找。

（3）随机漫步Random walk

利用用户输入的少量点，计算图片上每个像素到输入点的随机漫步，从中选择最优的路径，从而获得分割线。