第1章绪论
医学图像的分割、配准和可视化被称为医学图像处理与分析领域的三大主要研究内容，而医学图像分割又是其它两者的基础。本章首先对医学影像技术和医学图像的特点进行介绍，然后对医学图像分割这一问题的研究意义，发展现状及发展趋势进行阐述，并在此基础上引出本文研究的主要内容。
1.1医学影像技术及医学图像的特点
自从1895年伦琴发现X射线并将其用于医学成像以来，计算机X线断层摄影术(CT)，核磁共振成像(MRI)以及其他的成像技术也相继诞生，它们提供了对人体的解剖结构和功能结构高效的无创的成像，让临床医生能够依据这些图像来获取疾病信息以进行诊断和治疗。不仅如此，医学影像技术也成为制定外科手术计划、手术仿真、追踪疾病发展和放射线治疗等领域的重要工具。
医学成像模式繁多，如X光照相技术、计算机断层扫描(CT)、磁共振成像(MRI)、数字减影血管造影(DSA)、正电子发射断层显像 (PET)、单光子发射断层显像(SPECT)、超声成像 (UltrasoundImaging)、内窥镜(Endoseope)、组织切片的数字照相(DIHS)、热成像 (ThermalImaging)、显微镜成像(MicrograPh)、功能型核磁共振成像(FMRI)等等。这些设备产生的医学图像描述了人体各种器官、组织、结构、病灶的详细信息，大大提高了临床诊断的效率，使可视化和定量分析成为医学影像的重要特征。
按照成像机理的不同，医学图像可分为结构成像、功能成像和分子成像。结构成像主要描述人体的生理解剖结构，如切片图像、解剖图像、血管造影、内窥镜图像等，普通X光图像、超声图像、CT、MRI等也属于结构成像;功能成像主要描述人体组织器官在不同状态下的功能状况和新陈代谢，如功能型核磁共振成像FMRI，发射体层成像PET等;分子成像是以体内特定分子为成像对比度源，利用现有的一些医学影像技术(主要是PET、FMRI和光学CT)对人体内部生理或病理过程在分子水平上进行无损伤的、实时的成像。与传统医学主要从组织器官分析病理相比，分子成像可以从体内分子的变化、分布入手，对疾病的发生、发展进行远距离研究。
与普通图像相比，医学图像具有以下特点:(l)成像机理的复杂性:涉及到医学、生物学、物理学、电子技术等各方面的理论;易受成像物理过程、噪声和组织蠕动等随机因素的影响:(3)图像数据的特殊性:具有形状复杂、细节层次丰富、低信噪比、低对比度等特l占.(4)评判上的不确定性:需要具有临床经验的医师进行指导和反复甄别，给医学图像的全实时、全自动处理带来潜在的困难;(5)应用的实时:对算法的效率以及实现算法的硬件条件，都有较高的要求。医学图像的复杂性，决定了其处理方法的特殊性，也为图像处理领域的研究人员提供了广阔的施展舞台。
1.2医学图像分割及其研究意义
图像分割是按照某种特征(如灰度、频谱、纹理、彩色特征等)将图像分成一些有意义的区域。在这些区域内部，其特征往往是相同的或相似的，而相邻区域彼此特征则不相同，区域之间存在边界。图像分割技术是图像处理和分析中的关键技术。医学图像分割从本质上来说也是一个根据区域内特征的相似性以及相邻区域间特征的不同而把图像分割为若干区域的过程，主要就是对由CT、MRI和超声等医学成像技术获取的人体的ZD或3D解剖图像或功能图像的感兴趣区域的提取。
相对于一般的图像分割问题，医学图像分割问题面临着更多的难题，一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，使得图像的形成易受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免地具有模糊、不均匀性等特点。另外，人体解剖结构的复杂性、组织器官形状的不规则性、个体之间的差异性，都给医学图像分割带来了困难。传统的分割技术或者完全失败，或者需要进行一些特殊的改进。因此，医学图像分割研究发展30多年来，依然还是科学界的一个难题。
医学图像分割是图像分割的一个重要应用领域。它是医学图像处理、分析和理解的基础。医学图像分割是正常组织和病变组织定量分析、三维重建等后继操作的基础，也是临床医学应用的瓶颈。分割的准确性对医生判断疾病的真实情况并做出正确的诊断计划至关重要。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析、诊断、病变组织的定位、解剖结构的学习、治疗规划、功能成像数据的局部体效应校正和计算机指导手术等。它在临床诊断、病理分析以及治疗方面都具有重要的意义，具体表现在以下几个方面:
(1)解剖结构的测量分割结果有助于确定解剖结构位置的、形状的、分布的信息，进一步对解剖结构进行几何的、物理的、病理的测量和分析，为临床诊断、病理分析、治疗效果评估提供依据;(2)目标数据集的重建分割的结果用于医学图像的3D重建方面，实现数据的可视化，便于外科手术方案的制定和仿真、解剖参考、教学以及放疗计划中的3D定位等; (3)脏器运动的跟踪分割的结果有利于进行跟踪和观测，如对心脏运动的跟踪，显微结构中血液白细胞的观测等;(4)特定图像区域的配准和融合为基于轮廓的配准和融合问题提供有效参考边缘;(5)目标图像压缩和传输的预处理等在进行图像数据的压缩和传输以前需要对感兴趣区域进行分割提取，这对于提高在APCS、远程放射学和互联网中图像传输速度是至关重要的。1.3医学图像分割的发展现状及发展趋势
为了解决目前医学图像分割中存在的诸多问题，学者们在不断改进传统的图像分割算法的基础上提出了许多新的分割算法。近年来，活动轮廓模型[7]在医学图像分割中得到了广泛的研究和应用。
活动轮廓模型(Aetivee。ntou:Model，AeM)分为参数活动轮廓模型(ParametrieACM，PACM)和几何活动轮廓模型 (GeometrieACM，GACM)。队cM由Kass[8]提出，基于Lagrange框架，以弧长等参数来表达模型，从动力学角度来研究曲线的演化过程，在由先验模型和图像数据构成的能量泛函的驱动下，轮廓线逐渐变形，直到轮廓线抵达分割区域的边界。该模型具有良好的交互性和直观的物理意义，但其致命的缺点就是难以处理变拓扑结构的曲线。而医学图像的结构一般较为复杂，需要活动轮廓线具备拓扑自适应性，以适应分割多个子区域的需要，PACM却很难满足这种需求。尽管近年来出现了可以自动处理变拓扑结构的队CM，但其处理的过程也非常复杂。对PAcM的改进主要包括外力形式的设计、拓扑结构自适应性等工作。但随着模型的演化，PACM所使用的参数必须不断进行重新参数化，这不但严重影响计算效率和稳定性，而且并不能从根本上消除其难以处理变拓扑结构的缺陷。GAeM又称曲线演化模型 (eurveEvolutionModel)，始于Malladi[”]、easellosl’‘]的研究，该模型基于Eule:框架，以水平集方法为基础，是一种非参数化的活动轮廓模型。水平集方法 (LevelsetMethod)[”l的提出极大地推动了图像分割技术的发展。该方法的基本原理是，将运动界面作为零水平集嵌入高一维的水平集函数中，由闭超曲面的演化方程可以得到水平集函数的演化方程，而嵌入的闭超曲面总是其零水平集，最终只要确定零水平集即可确定移动界面演化的结果。 GAcM的一大特点就是易于处理变拓扑结构，而水平集方法则以一种紧凑的方式表达了几何活动轮廓线演化，并且提供了稳定的数值算法。
在此后近二十年的发展中，众多学者相继提出了基于边界/边缘的几何活动轮廓模型、基于区域的几何活动轮廓模型、基于先验形状的几何活动轮廓模型、运动图像的分割模型及这些模型集成化的图像分割模型。目前国际上和国内对医学图像分割的研究大部分集中在对原有方法的改进以及两种以上方法的综合运用上。国际上，Jxie等提出一种改进的基于纹理和形状先验知识的方法对肾脏的超声图像进行分割。Rashindral33]等提出首先基于图像的梯度演化曲线，在曲线演化的过程中，通过分析中间结果的拓扑变化，然后加入拓扑形状约束对血管进行分割的方法。oost等基于活动表观模型，并结合心脏的密度和运动特性，通过构建能量函数并使其最小化的方法对心脏x一ray图像的左心室进行分割。Greenspan等提出了一种运用有约束的高斯混合模型来表达脑组织，对脑MRI图像进行自动分割的方法。Q.J.xie等提出一种改进的水平集方法对腹部MRI的肝脏进行分割。Kiilic等运用细胞的神经网络进行模板匹配，并采用遗传算法对其进行优化，提出一种分割结肠cT图像的方法。KimI38]等提出一种结合各向异性扩散和形态学算子的自动分割肺cT图像的方法。Roy等提出了一种基于血管壁灰度级的概率密度函数和快速行进法的WUS分割模型，对血管内超声图像进行三维分割。Wb.jciechl40]将Live一wire方法和模糊c一均值聚类相结合的方法对胸部三维cT图像的肺叶进行分割。Li通过向量场卷积外力模型驱动形变曲面演化，而且为了解决外力场向外部能量的转换问题，采用泊松逆梯度的方法进行初始化，提出了一种对三维前列腺分割的方法。Liu根据脑白质区域和脑灰质区域的概率密度划分模糊连接区域，利用体数据的概率密度和密度一致性自动的选择分割种子点，并用改进的区域增长算法选取最优阂值分离脑组织和背景区域，提出一种自动的分割三维脑MRI图像的方法。
国内，李海云等结合形变模型和模糊c一均值分割技术，提出了一种基于形变模型的医学图像解剖结构轮廓分割方法，对脊柱MRI图像进行了有效的分割。高杨等提出了一种基于复合矢量场的改进ACM模型分割算法，能在较大范围内捕获图像的特征，具有处理深度凹陷区域和大曲率边缘的能力，能有效的分割心脏MRI图像的左心室。彭进业[45l等提出了一种基于多尺度梯度矢量场GAc模型图像对象轮廓提取的MR图像分割方法，用多尺度梯度矢量取代GAC模型中单一尺度下平滑图像的梯度矢量，提高了GAc模型的收敛速度，有效地改善了局部极小值问题。程广斌等提出基于广义模糊算子(GFO)的边缘检测算法改进标一记点分水岭分割，在临床医学图像的分割中取得了很好的效果。吕回等提出应用最优小波包变换对磁共振颅脑图像做分解，以各子带小波包系数的能量形成纹理特征集，并运用基于核函数的模糊C均值聚类算法对所提取到的特征集进行聚类分析，实现了对磁共振颅脑图像的有效分割。钱海勇等从血管在MRA图像中的特性出发，提出了基于逆浓度扩散模型和直方图的Mumford一Shah模型的分割方法，实现了对二维及三维MRA图像中的血管分割。周旭等提出一种基于知识的三维医学图像自动分割方法，用于对人体颅内出血进行分割。王毅等借鉴模拟退火思想对三维医学图像的最佳嫡函数进行拉伸，构造出改进的遗传算法适应度函数，同时采用精英选择策略保留各代最优个体以加快算法收敛速度，从而提出了一种新的基于多阂值最佳嫡的三维医学图像分割遗传搜索算法，成功实现了三维医学脑部图像中脑白质、脑灰质、脑脊液的分割。孟令旗等提出高斯分布和瑞利分布相结合的方法进行概率密度函数的确定与分析，通过随机极大似然算法SEM把瑞利分布引入到水平集三维分割演化模型中，成功的分割了三维肺CT图像。
从这些文章中可以看出，采用人机交互式的，有机结合多种方法的优点于一体的分割方法是目前研究的热点，此外，对图像进行自动分割也是医学图像分割发展的趋势。水平集方法从一个全新的角度来考虑图像边缘检测，它采用曲线演化理论，直接用连续曲线模型来定位图像边缘，且能够综合利用图像的区域信息和边界信息，近十多年来，引起了国外学者广泛的关注，对其进行了大量的研究，并提出了各种不同的模型和求解算法，取得了很多令人满意的结果，且在某些器官或组织的分割上，已经达到了临床的要求，甚至比专业医生手工分割的结果还要准确。而且，它可以自然地扩展到三维空间分割，因此，表现出极强的生命力和广阔的应用前景，已经引起了越来越多的关注，并己在图像处理和计算机视觉领域中得到了广泛应用，如sethian等利用水平集方法来去除图像噪声，既保留了目标边缘，又达到了消除噪声的目的;Malladi将水平集方法创造性地应用于图像分割，并在医学图像的分割与重建中达到了常规Snake模型难以获得的效果;ParogioS和oeriehe用 Levelset方法进行运动目标检测和跟踪，他们的方法同时结合了区域信息和边缘信息，因此得到了令人满意的结果。vazquez等人将运动目标分割转化为曲线演化问题，然后应用水平集方法进行求解。
近年来，国际上对应用水平集方法进行医学图像分割进行了更为深入的研究。通过EI检索，找到相关的论文500余篇，其中，Meihe等提出了一种基于自适应三角形网格的水平集方法并对其实现过程中的窄带的生成、符号距离函数的确定以及速度函数的构建等关键技术进行了说明。Liels91等对传统的水平集方法进行了改进，将演化曲线用一组不连续的常水平集函数表达，并且这些函数只能够取两个数值，通过求解在一个二次方程约束下的平滑的凸泛函的最小化，实现了对图像的分割。Lin等改进了基于边界信息的水平集方法，提出一个基于广义模糊算子的自适应速度项对医学图像进行分割。Li等改进了基于区域信息的水平集方法—C一v模型，其改进的能量函数包括一个内部能量项和一个外部能量项，内部能量项用于保持水平集函数为符号距离函数的性质，外部能量项用于驱动零水平集向目标区域演化，最后通过最小化这个能量函数，实现对仿真图像和医学图像的分割。Abdelmuni等提出一种将图像信息与形状先验信息相结合的水平集方法对肾DcE一MRI图像进行分割。Farzinfar等提出同时结合图像区域和统计特性来构建形状模型的水平集方法对脑MRI图像的脑室进行分割。Chan等为了解决在分割由于超声成像所造成的心脏弱边界时出现的边界泄露现象，提出一种将时间信息与水平集方法相结合的对超声心脏图像分割左心室的方法。chen等为了克服在分割腹部MRI图像时出现的边界泄露和过度分割现象，提出了先使用快速行进法对图像进行粗分割，然后再用全局水平集方法对粗分割的结果进行细分割的方法对腹部MRI图像的肝脏进行分割。Liu等通过研究肺的组织结构的密度分布，提出一种结合图像的密度信息和梯度信息分割三维肺cT图像的水平集分割方法。Ayse[67]等将专家人工分割的先验形状信息结合到水平集方法中，对三维心脏MRI图像进行了心内膜和心外膜的分割。相比之下，国内应用水平集方法对医学图像进行分割的并不多见。
通过对国内中文核心期刊的检索，找到相关文章30余篇，王怡等为解决传统图像分割方法受噪声和边界轮廓影响而使分割效果不佳问题，提出基于简化的Mumford一Shah模型的水平集图像分割算法将曲线嵌入水平集函数，利用函数的求解进行曲线演化和图像分割的方法对医学图像进行分割。秦安等针对传统的基于高斯模型的图像分割方法不能解决心脏超声图像分割中存在的非高斯分布的斑点噪声问题，提出一种新颖的小波多分辨率框架下的水平集曲线演化算法。首先对超声心脏图像做小波分解得到各层的低频图像，从小波分解的顶层低频图像开始，利用边界和区域复合约束动态轮廓线模型，寻找左心室内边界;然后通过插值将结果向下一尺度低频图像传递，并利用尺度间形状约束和边界约束复合动态轮廓线模型进一步细化曲线，使其符合局部图像特征，如此逐层重复直至原始图像，实现了对实际临床三维超声心脏图像的分割。陈健等针对以往的水平集算法都只有一个单一的速度函数，在零水平集的演化过程中，能量函数最小化是一个很复杂的过程这一问题，提出了一种具有多个速度函数的多个水平集分割算法:以不同的待分割区域构造多个不同的水平集函数，相应的构造多个不同的速度函数，实现了对医学MRI和cT图像的分割。周小舟等为了提高图像分割的速度和精度，提出了一种新的基于Chan一Vese水平集模型(C一V模型)的梯度加速分割模型。首先，在c一v模型的能量函数中加入一个内部能量项，抵消演化过程中水平集函数和符号距离函数的偏差，从而消除分割中周期性重新初始化的过程;其次，提出了梯度加速项，通过感兴趣区域的图像特征，快速得到该区域的边界，且能够提高弱边界的分割精度。实验证明，提出的方法不仅能够加速特定区域的分割、提高分割精度，还能保持分割过程的稳定性。罗嘉等为了解决水平集方法在构造速度函数时仅使用了图像的梯度信息，对于MRI这类含有强噪音、弱边界等现象的图像很难取得理想的分割结果这一问题。提出将图像的区域信息和梯度信息相结合，构造新的基于K一均值聚类的水平集速度函数，实现了对医学图像的分割。段先华等针对左心室外轮廓类似椭圆的特点，提出基于椭圆约束的水平集模型，该模型在C一V模型的基础上增加椭圆形状约束项，来控制曲线的演化，将水平集的演化曲线作为对轮廓新的位置预测，并用椭圆对预测结果进行修正，把预测结果和修正结果分别作为新的水平集曲线和椭圆信息。直到曲线停止演化，实现了对左心室外轮廓的分割。何传江等为了克服Lil等所提出的距离保持水平集方法对初始轮廓线敏感的缺点，提出一种初始曲线可以置于图像任何地方的自适应距离函数保持水平集方法，实现了对脑MRI图像的分割。余瑞星等针对现今的停止项采用全局阂值法很难使水平集算法得到较准确的分割效果这一问题，构建了一个新的停止项函数，使水平集方法在医学图像分割中取得更好的效果。陈志彬等利用混合高斯模型对MRI图像直方图进行分析，将拟合获得的特征参数作为水平集曲线进化的约束条件，对医学图像进行分割。郑是等为了解决C一v模型在表示三维子目标上的局限，首先将二维c一v模型拓展为三维模型;其次，依据同时明度对比提出了背景填充技术，理论上保证了轮廓曲面仅收敛于目标内部;再次，将该技术与三维C一V模型相结合提出了塔式多相水平集算法;最后，实现三维医学图像多目标分割，并且能够检测由弱边缘构成的子目标。
综上所述，水平集方法在医学图像分割中已经表现出其无可比拟的优势和广阔的应用前景，采用自动或手动方法首先确定目标初始轮廓，然后采用水平集方法精确定位目标边缘是实现几何活动轮廓模型分割的基本方法。
第2章曲线演化理论与水平集方法........................... 11
2.1曲线演化理论............................................................................ 11
2.2水平集方法............................................................................... 14
2.2.1水平集方法概述.................................................................. 14
2.2.2水平集方法的函数表示.................................................................... 14
2.2.3水平集函数的数值解法..................................................................... 18
2.2.4水平集方法的关键问题.................................................................. 19
2.3仿真实验.............................................................................................. 21
2.4结果分析............................................................................................... 22
2.5本章小结................................................................................................... 23
第3章结合图像边界和区域信息的水平集混合分割方法.........................25
3.1基于图像边界信息的水平集分割方法....................................................... 26
3.1.1基于边界的分割模型............................................................................. 26
3.1.2仿真实验......................................................................................... 26
3.1.3结果分析................................................................................... 30
3.2基于图像区域信息的水平集分割方法..................................................... 30
3.2.IC一V模型.................................................................................................. 30
3.2.2仿真实验............................................................................................... 33
3.2.3结果分析................................................................................ 35
3.3结合图像边界和区域信息的混合分割方法................................................ 36
3.3.1混合分割方法的基本流程.................................................................... 36
东北大学硕士学位论目录
3.3.2初始化水平集函数必(x，y，0)............................................................ 36
3.3.3构建初始化速度函数F................................................................................ 36
3.3.4设计能量函数.......................................................................................... 36
3.3.5基于区域信息的修正速度函数................................................................. 38
3.4仿真实验与结果评估...................................................................................... 39
3.4.1数据来源.......................................................................................................... 39
3.4.2不同算法分割结果的比较.............................................................................. 40
3.4.3差异实验评估方法.......................................................................................... 41
3.5本章小结......................................................................................................... 43
第4章结合先验形状的水平集混合分割方法.......................... 45
4.1初始先验形状模型..................................................................................... 45
4.1.1形状配准.......................................................................................................... 45
4.1.2形状建模.......................................................................................................... 46
4.2更新先验形状模型......................................................................................... 49
4.3结合先验形状的能量函数........................................................................... 50
4.4仿真实验........................................................................................................ 51
4.5本章小结............................................................................................................ 56
第5章结论............................................................................ 57
5.1本文工作总结............................................................................................ 57
5.2未来工作展望................................................................................................ 58
参考文献........................................................................................ 59
第5章结论
本文围绕医学图像分割这一医学影像处理与分析领域的基本问题，重点研究了基于水平集的分割方法。下面将对本文做一下总结，并结合本文基于水平集方法的研究工作，特别是临床应用的实际需求，对今后的进一步研究提一些看法。
5.1本文工作总结
本文首先在参阅大量国内外医学图像分割领域的文献基础上，对国内外较为流行的医学图像的分割方法作了比较全面的总结，并将研究目标定位在基于水平集的医学图像分割上。总体而言，本文具体工作主要包括以下几方面内容:
(l)在充分研究水平集的相关理论、基于图像边界信息的水平集分割方法和基于图像区域信息的水平集分割方法的基础上，编程实现了各方法，并将其应用于人工合成图像和医学图像分割中。
(2)为了克服基于边界的水平集方法在分割具有较大噪声、弱边界等特点的医学图像时出现的边界泄露现象，以及基于区域的水平集方法分割医学图像时造成的过度分割问题。本文基于水平集方法，提出一种结合图像的边界和区域信息的混合分割方法。主要贡献是修正基于梯度的速度函数和设计一个新的能量函数作为停止项。在演化的过程中，根据分割区域的统计特性不断修正速度函数，以便于带有弱边界和凹陷区域的医学图像能够被分割;停止项不仅依赖于图像的边界信息，还依赖于分割区域的统计特性，这就有效地避免了过度分割的现象。而且，混合分割方法使水平集函数在演化的过程中逼近于符号距离函数，因此消除了复杂的重新初始化的过程，降低了由于重新初始化所带来的副作用。最后，通过对仿真图像和临床图像的实验对比和差异实验评估方法证明了所提出的结合图像边界信息和区域信息的混合分割方法的有效性和准确性。
(3)在分析所提出的基于图像边界信息和区域信息的混合分割方法的不足的基础上，提出一种结合改进的先验形状项作为形状约束的混合分割方法。通过仿真实验证明，引入先验形状约束后的混合分割方法具有更广泛的应用范围。将配准技术运用到初始先验形状模型的建立中，把配准后的训练样本叠加再取其平均值就是初始先验形状模型。由于初始先验形状模型与分割目标的形状姿势并不是完全相同的，因此，在分割过程中不断更新先验形状模型。在获取先验形状模型后，采用改进的水平集方式的先验形状能形状与基于图像的边界和区域信息的混合分割方法相结合进行分割。通过仿真实验证明，结合先验形状的混合分割方法具有如下优点:一、在分割准确性上优于基于图像边界和区域信息的方法;二、能够克服基于图像边界和区域信息的混合分割方法存在的三个缺陷:不能分割被遮挡的感兴趣区的边界，对初始轮廓线敏感不能处理与感兴趣区域相连且具有与感兴趣区域相似灰度的局部区域所造成的过度分割问题;三、对医学图像进行有效、准确的分割，而且有更广泛的应用范围。
5.2未来工作展望
医学图像分割是一个传统而具有挑战性的课题。结合本文基于水平集方法的研究工作，特别是临床应用的实际需求，今后的研究任务应着眼于以下方面:
(l)水平集方法的优点在于它能够处理变拓扑结构，形状非常复杂的目标，一该方法的缺点是计算量非常大，特别是在结合图像边界、区域和先验形状信息后，计算量变得更大，虽然Adalsteinsson等提出了窄带法以及快速行进法来提高运算速度，但其实现比较复杂，而且对结构非常复杂的图像，计算量并不比原来的小多少。所以要寻求其他的能够加快水平集演化的更有效的方法。
(2)本文的研究基于二维图像，但是本文提出的方法可以直接扩展到三维图像。对三维体数据图像直接进行分割是一项很有意义的工作，未来的研究将致力于此方面的工作。
(3)本文对新方法的研究工作还处于探索性的阶段，近几年来提出的算法大多数是多种算法相结合，但是采取什么样的结合方式才能充分利用各种算法的优点，取得准确的分割效果是人们关注和研究的问题，有待于今后继续研究，以得到更加成熟和适用临床的分割方法。