CN106570880A - 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法 - Google Patents

Abstract

本发明公开了一种结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法。利用模糊聚类方法在多尺度分解的低频图像上提取灰度信息，并通过马尔科夫随机场模型的单点基团势能函数综合该灰度信息进行图像分割，提高了对图像噪声的抗干扰能力。本发明充分利用了图像自身包含的灰度信息和各相邻像素之间的空间信息，信息利用更充分，使得最终的图像分割性能得到提高。

Description

结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法

技术领域

本发明涉及图像处理领域，针对脑组织MRI图像的自动分割方法。

背景技术

近年来医学成像技术快速普及，核磁共振成像(MRI)是目前应用的最多的医学成像技术之一。它对不同组织能够提供非常好的对比度和分辨率，尤其是对脑部成像而言，其相对于其它成像技术优势明显。随着MRI的广泛应用，产生了越来越多的医学图像，目前急需新的方法对这些图像进行自动处理，对脑组织MRI图像自动处理的第一步就是在图像上对各脑组织进行自动分割。

脑组织MRI图像的自动分割是将图像分割成互不重叠的区域，各区域对应不同的脑组织。脑组织里，脑脊液、灰质、白质是颅内的三大主要组织，它们是临床上需要观察的主要目标，也是脑组织MRI图像分割的主要目标。在临床应用中，脑组织的精确分割有利于搜索、分析颅内组织各组织生理变化的位置、类型和范围。精确的脑组织分割甚至能用来量化脑组织生理变化，极大地方便临床医生的工作。

目前有许多基于模糊聚类的方法(FCM)被提出用来进行脑组织MRI图像分割，如FCM、FCM_S、FGFCM和FLICM等方法，由于未充分利用空间信息，这些基于模糊聚类的方法进行脑组织MRI分割对噪声的抗干扰能力不足，而在具体的脑组织MRI成像中，最易发生的干扰就是噪声污染。

发明内容

本发明的目的是解决噪声对脑组织MRI图像分割的干扰，得到更好的图像分割结果。

本发明提出一种结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法，利用模糊聚类提取图像中的灰度信息，利用马尔科夫随机场建模图像的空间信息，以达到加强抗噪声干扰、提高分割效果的目的。具体采用的技术方案是这样的：一种结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法，其特征在于，包括以 下步骤:

1)获取脑组织MRI图像，对每一层逐一进行处理；

2)设定模糊聚类方法：

模糊聚类通过最小化式(1)中的目标函数J(U,V)，得到隶属度矩阵U＝{u_ij}；

式中，X＝{x₁,x₂,...,x_N}为图像所有像素组成的数据集，c为聚类的类别数，u_ij是x_i属于第j^th个类别的隶属度，m是权重指数，v_j是类别j的中心，d²(x_i,v_j)是x_i到v_j的距离，N为自然数。

3)以步骤1)获得的其中一层脑组织图像I作为输入，通过步骤2)所述方法进行模糊聚类，获得图像中的每一个像素属于各组织类别的隶属度矩阵U₁(令输出的U＝U₁)；

4)对所述的脑组织图像I进行多尺度分解，得到其低频图像，以该低频图像作为输入，通过步骤2)所述方法进行模糊聚类，获得低频图像在各个像素点位置上属于各组织类别的隶属度矩阵U₂(令输出的U＝U₂)；

5)定义马尔科夫随机场模型：

其中：单点基团势能函数为μ(i,j)、μ_filtered(i,j)分别为U₁和U₂第(i,j)个元素，x_i为当前像素，v_j是类别j的模糊聚类中心；

双点基团势能函数为：N_i为i的邻域集合，d_ij为在隶属度矩阵中i到类别j的距离，其中δ(i,i′)定义为：L_i为i的类别标签；abs()为计算绝对值；

最终势能函数为单点基团函数与双点基团函数之和。

6)利用迭代条件模型算法求解马尔科夫随机场模型，从最终解即可得到对该层MRI图像中各脑组织的分割结果。

值得说明的是，马尔科夫随机场模型是一个非常好的图像建模工具，马尔科夫随机场能够通过势能函数表示图像像素间的相互关 系，对图像空间信息建模。可利用此优点可结合模糊聚类方法，利用模糊聚类提取图像的灰度信息，利用马尔科夫随机场模型提取利用图像的空间信息抑制噪声的干扰，达到更优的脑组织MRI图像分割效果。

本发明提出的一种结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法，其优越性在于：

1.脑组织分割的抗噪声性能得到提高。

利用模糊聚类方法在多尺度分解的低频图像上提取灰度信息，并通过马尔科夫随机场模型的单点基团势能函数综合该灰度信息进行图像分割。低频图像上的灰度信息与本发明定义的马尔科夫随机场模型势能函数均能有效降低噪声干扰，提高了在噪声图像中进行图像有效分割的性能。

2.图像自身信息得到利用充分，分割性能得到提高。

图像是二维信号，它不仅包含灰度信息，还包含了各相邻像素之间的空间信息，如能充分利用图像自身包含的所有信息，将提高最终的图像分割性能。本发明：(1)利用模糊聚类提取图像的灰度信息；(2)通过马尔科夫随机场提取利用图像空间信息。在最大后验马尔科夫随机场框架下集成灰度和空间信息，实现对图像本身信息充分利用的情况下进行目标分割，提升分割性能。

附图说明

图1图像分割算法处理流程；

图2为实例1实验结果；

图3为实例2实验结果。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

基于本发明的发明内容部分公开的技术内容，本发明公开两个实例。值得说明的是，在本发明的分割方法中，首先利用MAP-MRF将图像分割问题转化为标记问题P(f)＝P(f₁,...,f_M×N),f_i∈S∈{1,...,L}，L为 分割类别数。通过最大化后验概率得到分割结果。在本发明的步骤5)中，利用单点基团势能函数建模灰度隶属度信息，采用双点基团势能函数建模图像空间约束，最终势能函数为单点基团函数与双点基团函数之和。

求解步骤5)已经建立的马尔科夫随机场模型的算法有ICM(IteratedConditional Modes)、松弛标记(Relaxation Labeling)和最大置信传播(Max-productBelief Propagation)等。本发明的实例中，步骤6)采用ICM法求解该MRF模型。ICM算法中首先赋予初始标记，然后通过在标签集{背景＝0,灰质＝1，白质＝2，脑脊液＝3}(L＝4)中穷举计算U(f_i)，用使U(f_i)最小的标记更新循环迭代，直到

初始标记的确定是ICM算法求解的一个重要步骤，本发明的选择是最大似然估计：而对于本发明中的脑组织MRI分割，前一层的分割结果作为当前层初始值，可减少计算且该值与模型真实解较为接近而显著减少迭代次数。

实例1：

参见图2，(a)部分为IBSR数据库含噪MRI图像。

(b)部分为FCM方法分割结果。

(c)部分为FCM改进方法FLICM分割结果。

(d)部分为本发明的分割方法实验结果。

实例2：

参见图3，(a)部分为brainWeb数据库包含3％噪声的原始图像。

(b)部分为FCM方法分割结果。

(c)部分为FGFCM方法分割结果。

(d)部分为本发明的分割方法实验结果。

Claims (1)

1.一种结合模糊聚类和马尔科夫随机场的脑组织MRI图像分割方法，其特征在于，包括以下步骤:

1)获取所述脑组织MRI图像，对每一层逐一进行处理；

2)设定模糊聚类方法：

模糊聚类通过最小化式(1)中的目标函数J(U,V)，得到隶属度矩阵U＝{u_ij}；

$J(U,V)=\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{c}{\Σ}}{u}_{ij}^m{d}^2(x_i,v_j),U=\left\{u_{ij}\right\},V=\left\{v_j\right\}---\left(1\right)$

式中，X＝{x₁,x₂,...,x_N}为图像所有像素组成的数据集，c为聚类的类别数，u_ij是x_i属于第j(j＝1,2,...,c)个类别的隶属度，m是权重指数，v_j是类别j的中心，d²(x_i,v_j)是x_i到v_j的距离，N为自然数。

3)以步骤1)获得的其中一层脑组织图像I作为输入，通过步骤2)所述方法进行模糊聚类，获得图像中的每一个像素属于各组织类别的隶属度矩阵U₁；

4)对所述的脑组织图像I进行多尺度分解，得到其低频图像，以该低频图像作为输入，通过步骤2)所述方法进行模糊聚类，获得低频图像在各个像素点位置上属于各组织类别的隶属度矩阵U₂；

5)定义马尔科夫随机场模型：

其中：单点基团势能函数为μ(i,j)、μ_filtered(i,j)分别为U₁和U₂第(i,j)个元素，x_i为当前像素，v_j是类别j的模糊聚类中心；

双点基团势能函数为：N_i为i的邻域集合，d_ij为在隶属度矩阵中i到类别j的距离，其中δ(i,i′)定义为：L_i为i的类别标签；abs()为计算绝对值；i′∈N_i，L_i′为i′处的类别标签，x_i′为i′处的图像灰度值；

最终势能函数为单点基团函数与双点基团函数之和。

6)利用迭代条件模型算法求解马尔科夫随机场模型，从最终解即可得到对该层MRI图像中各脑组织的分割结果。