摘要：
肺部分割即计算机确定肺与周围胸部组织边界的过程，是图像分析的重要的一步。然而，几乎现在所有的图像分割方法仅适用于只有很少或没有病理情况。当中度或大量的疾病或异常的具有挑战性的形状或外观存在于肺部时，由于不准确的分割，计算机辅助检测系统可能是很可能无法描绘这些不正常的区域。特别是，如胸腔积液，实变，和大量的不准确分割，大大限制了在临床研究中使用图像处理方法。在本文中，提出了基于CT图像的肺实质分割方法的批判性总结，尤其对异常和典型的病理检查结果方法的精度和性能进行了特别强调。
现有的分割方法主要分为5类：①基于阈值的②基于区域的③基于形状的④邻近解剖指导(neighboring anatomy–guided)⑤基于机器学习的方法。每个类的可行性及其缺点利用CT图像上观察到最常见的肺异常进行说明和举例。 在概述中，详细介绍了结合实践放射科医师介绍的方法的实际应用和不断发展的技术。
Introduction:
图像分割在图像重建技术以及图像分析中的重要性：(1)肺图像分析的最基本步骤是感兴趣器官（肺）的分割; 在该步骤中，检测器官，并自动或手动地描绘其解剖边界；(2) 器官分割中的错误会产生关于患病区域的后续识别和各种其他临床定量的虚假信息，因此准确的分割是必需的。
what is object segmentation？
医学图像分割的目的是提取关于组织内的感兴趣器官或病变的定量信息（例如体积数据，形态学数据，结构模式等相关信息）。一般的，分割问题可以看作由两个关键的task组成：目标识别和目标轮廓。
目标识别即确定目标在图像中的位置的确定，目标轮廓即绘制目标在图像中的空间范围和组成。
肺部分割存在着巨大的挑战。例如空洞和实变导致边界的不精确地定位。同样的，在CT图像上存在气胸或胸腔积液可能使自动分割的结果大大扭曲，从而导致不正确的分割。
Image Segmentation Methods for Abnormal Lungs
在描述肺分割方法和评估其在不同病理状况下的表现情况下之前，首先介绍在肺CT图像上遇到的常见病理成像模式，以充分了解分割方法的性能，以及对特定类型和位置异常的成像模式的难度差异。
Thresholding-based Methods
基于阈值的分割方法是最简单和最容易理解的分割方法，阈值分割方法通常根据图像衰减值(image atenuation values)创建一个二值分割。阈值程序试图确定衰减值，称为阈值(S)，创建分区的所有图像元素的衰减值，满足阈值间隔。阈值分割的流程如图所示：
基于阈值的分割方法对于获取图像的特定区域之间的对比差异简单有效。而且这些方法对于CT图像的分割能够产生更好的效果(衰减值，在hounsfeld单位测量上，在CT图像的不同组织之间具有良好的定义范围。然而，基于阈值的分割技术通常不考虑目标对象的空间特征（肺）。此外，此技术与其他肺部分割方法相比对于噪声和成像伪影比较敏感)。
An overview of the thresholding-based segmentation method ：
对于细小病变或正常的肺部图像，只要选择合适的阈值就能对图像进行分割。然而，对于一些病变区域，虽然病变区域和肺部有相同的阈值，但是阈值区间通常将病变区域从肺部图像中剔除出去。Figure6 show了胸腔积液及实变的例子，可能需要各种形态学操作或人工假阳性删除过程以纠正生成的分割
Region-based Methods
基于区域的分割方法的基本条件是相邻像素和一个区域有着相似的灰度值。基于区域的分割方法最典型的可能就是区域生长方法，区域生长方法中将一个像素和它的相邻像素进行比较，如果满足预先定义的标准，则像素属于相同的分类。相比于阈值分割方法，区域生长方法由于包含区域准则(空间信息)能够产生更为精确和有效的分割。在CT图像的肺实质分割应用中，基于图像分割方法区（特别是区域增长）通过加强空间邻域信息和区域项，在处理效率和鲁棒性衰减的变化上是useful的（和成像伪影引起的轻度病理条件下）。基于区域的分割的一般方法如图7所示。
除了区域生长方法，其他基于区域的分割技术如分水岭变换，graph cut，random walks and fuzzy connectedness (不知该怎么翻译)也在大量的文献中有介绍。
分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。但分水岭分割却有一个致命的弱点，那就是容易产生过分割，对于噪声和细密纹理非常敏感，使其常常产生严重的过分割结果。因此很少选择分水岭分割方法来处理肺部分割。
相比较于分水岭方法，graph cut 和随机游走方法是基于图的分割方法。由于其较高的分割精度，被认为是全局最优分割。在graph cut算法中，边界和纹理信息用于创建一个最小能量函数以达到分割目的，每个像素的概率通过随机游走概念计算。尽管graph cut和随机游走方法对于肺部CT图像分割能够产生有效的和精确的分割，但是当中度的或大量的病理区域存在是，产生的分割效果并不好。
Five well-established region-based segmentation methods are brie?y summarized in Table 2, along with their most commonly used criteria for lung segmentation
基于区域的肺部分割，经常应用种子点scheme(figure 8)。在这种情况下，一个被认为最具有代表性的目标区域的种子点be first identified。种子点的选择可以是自动的也可以是手动选择的。一旦选定种子点，应用预定义的邻域准则来获得期望的区域。不同的方法对于肺部边界的确定有着不同的准则。一个可能的标准是生长区域，直到检测到肺边缘。另一个例子，区域均匀性，可用于收敛分割。
基于区域的方法用来描述空气和同质内容的病理条件的轮廓(如空洞)。
基于区域的肺部分割经常存在着假阴性，因此需要进一步的后处理。如下图。应用基于区域的分割而产生的失败案例。
一些后处理总结如下：控制基于区域分割的参数，并去除内在的噪声，在图像分割之间对图像进行平滑处理。另外，在进行轮廓算法之前手动消除伪影。另一个选择是去除肺临近区域的伪影和病变区域，对于从CT图像中裁剪肺部区域和在没有伪影的区域上定义新的感兴趣区域来进行轮廓算法似乎是更可行的。
fuzzy connectedness method 相比较于graph-cut, random walk and region-growing segmentation methods 具有更好的鲁棒性。
Shape-based Methods
先验形状信息在图像分割中得到了普遍的应用。基于形状技术需要利用基于atlas方法(图谱？图谱引导方法(Atlas-Guided)图谱引导方法是利用已有标准模版对医学图像进行分割。)和基于模型方法来确定肺部边界。
Atlas-based Methods
一个atlas包括一个CT图像模板和相应的胸腔区域的标签。
Model-based Methods
基于模型的方法也是利用先验形状信息，为了更好的适应形状的多变，基于模型方法采用优化过程来匹配统计形状和肺部图像的外观模型。基本上，图像中目标的预期的形状和局部灰度结构被用来推导出分割过程。当找到最好的模型匹配时分割结束，绘制出边缘轮廓。基于模型的方式是自顶向下的，它同时考虑形状和纹理的全局和局部变量，因此在处理异常的肺部分割问题上此方式是有效的。(模型的统计影响分割的结果)
Snakes, Active Contours, and Level Sets
Neighboring Anatomy–guided Methods
通过利用邻域目标的空间上下文信息对图像进行分割。利用邻域组织对肺部进行分割的基本思想限制了最优边界搜索的搜索空间并且自动去除了一些假阳性。
Machine Learning–based Methods
机器学习方法即建立一个系统并且能够从数据中进行学习。
基于机器学习的方法通过在数据中进行特征提取来预测肺部的异常。