今天将分享使用快速行进算法（FastMarching）对医学图像分割案例。

1、FastMarching简介

快速行进方法（FastMarching）是水平集演化方法的一种简化形式，其仅使用正速度项来控制微分方程，生成的水平集轮廓随着时间增长。在实际中，FastMarching算法可以看作是由速度图像控制的高级区域增长分割方法。该算法具体推导请参考原文连接。

2、使用SimpleITK函数来实现FastMarching分割算法

用FastMarching算法分割有5个步骤：（1）、首先使用各向异性扩散方法对输入图像进行平滑处理；（2）、其次对平滑后的图像进行梯度计算，生成边缘图像，在梯度计算过程中可调节高斯sigma参数，来控制水平集减速到接近边缘；（3）、然后使用逻辑回归（Sigmoid）函数对边缘图像进行线性变换，保证边界接区域近零，平坦区域接近1，回归可调参数有alpha和beta；（4）、接着手动设置置FastMarching算法的初始种子点和起始值，该种子点是水平集的起始位置。FastMarching的输出是时间跨度图，表示传播的水平集面到达的时间；（5）、最后通过阈值方法将FastMarching结果限制在水平集面传播区域而形成分割的区域。

该例子既可以在C++中使用，也可以在Python中使用，下面将给出C++和Python的使用例子代码。

C++代码：