CN106997592A - 具有实时性的模糊聚类医学图像分割方法 - Google Patents

Abstract

本发明公开了一种具有实时性的模糊聚类医学图像分割方法，属于医学图像处理技术领域。所述方法包括：对给定的医学图像提取灰度特征，得到医学图像的特征信息集；利用医学图像的特征信息和邻域信息，基于滤波技术对医学图像进行预处理；计算滤波后医学图像的特征直方图；从特征直方图上计算相应的特征区间；初始化滤波后医学图像中相应组织或器官的聚类中心，并对像素的隶属度进行计算；通过迭代过程，在最小化像素与聚类中心的加权函数的过程中，更新像素的隶属度以及聚类中心；基于最大隶属度原则去模糊化，实现医学图像的分割，提取相应的组织或器官。本发明既能较好地实现医学图像的分割，又能满足医学图像分割的实时性要求。

Description

具有实时性的模糊聚类医学图像分割方法

技术领域

本发明涉及医学图像处理技术领域，特别是指一种具有实时性的模糊聚类医学图像分割方法。

背景技术

医疗影像仪器的快速发展，为医疗诊断提供了X线、电子计算机断层扫描(CT)、核磁共振成像(MRI)、正电子发射型计算机断层显像(PET)、数字减影血管造影(DSA)和数字胃肠等丰富的图像信息。有效利用这些信息，可以有效帮助医生进行计算机辅助诊断、辅助介入式治疗、制定内外科手术规划、对相应医学组织或器官进行动态模拟并分析病变部位的结构和发生过程，提高疾病诊断的准确性。

为了有效利用医学图像提供的信息，需要对医学图像进行分割，将医学图像分割为不同的医学组织或器官。此外，分割技术是计算机视觉、机器学习等领域的共性技术，基于图像的分割结果，可以进一步对图像进行理解、分析和识别。

由于成像原理，医学图像中存在部分容积效应现象(partial volume effect，PVE)。具体而言，每一个像素的特征值是两相邻切片之间、该像素邻域中像素特征值的平均值。因而一个像素的特征应该是相邻的多个医学组织或器官的共同作用结果。目前处理这种现象的有效方式是采用模糊C-均值聚类方法(fuzzy C-means，FCM)。在FCM方法中，允许一个像素以不同的隶属度隶属于多个医学组织和器官，与K-means算法相比，可以从原图像中保留更多的信息，因而可以取得更好的效果。从本质上讲，模糊聚类算法是通过最小化像素与聚类中心的加权距离实现图像分割。目标函数形式化为：

其中C是预定义的医学图像中组织或器官的数目，n是医学图像中像素的数目，u_ij是第j个像素隶属于第i类医学组织或器官的隶属度，m＞1是模糊因子，d_ij＝|x_j-v_i|是像素与聚类中心之间的距离，v_i是第i个聚类中心。同时，像素的隶属度u_ij需要满足约束条件最小化(8)式的目标函数通常采用拉格朗日算子法。

传统的FCM方法应用于医学图像分割时存在几个明显的缺点：(1)分割结果受初始化聚类中心的影响，有时分割的结果集中在医学图像的细节部分，忽略了主要部分的分割；(2)分割的效率较为低下，当医学图像包含较多的像素时，分割效率低下，无法满足实时分割的要求。

发明内容

本发明提供一种具有实时性的模糊聚类医学图像分割方法，其既能较好地实现医学图像的分割，又能满足医学图像分割的实时性要求。

为解决上述技术问题，本发明提供技术方案如下：

一种具有实时性的模糊聚类医学图像分割方法，其特征在于，包括：

步骤1：对给定的医学图像提取灰度特征，得到所述医学图像的特征信息集；

步骤2：利用所述医学图像的特征信息和邻域信息，基于滤波技术对所述医学图像进行预处理；

步骤3：计算滤波后医学图像的特征直方图，以得到滤波后医学图像的统计信息；

步骤4：从所述滤波后医学图像的特征直方图上计算相应的特征区间；

步骤5：基于获取的特征区间，初始化所述滤波后医学图像中相应组织或器官的聚类中心，并对像素的隶属度进行计算；

步骤6：通过迭代过程，在最小化像素与聚类中心的加权函数的过程中，更新所述像素的隶属度以及聚类中心；

步骤7：基于最大隶属度原则对像素的隶属度去模糊化，实现对给定医学图像的分割，提取相应的组织或器官。

本发明具有以下有益效果：

本发明的具有实时性的模糊聚类医学图像分割方法，首先提取医学图像中像素的灰度特征，基于滤波技术对原始图像进行预处理，计算滤波后医学图像的特征直方图，然后基于特征直方图获取滤波后医学图像的特征区间，并在此基础上对医学组织器官隶属的聚类中心初始化，在目标函数最小化的迭代过程中，基于特征区间更新像素的隶属度和医学组织器官的聚类中心，最终通过最大隶属度去模糊化，实现医学图像的分割。本发明通过将特征的统计信息进行区间划分，将聚类中心限制在一定的范围内，可以经过较少的迭代次数达到迭代终止条件，满足医学图像分割的实时性要求；通过对聚类中心进行初始化，可以通过获取目标函数的全局最小值避免分割结果过于集中于细节，可以取得较好的分割结果；设计的医学图像分割方法可以较好地适用于灰度图像的分割。

附图说明

图1为本发明的具有实时性的模糊聚类医学图像分割方法的流程示意图；

图2为本发明的具有实时性的模糊聚类医学图像分割方法的原理示意图；

图3为本发明应用于医学图像的分割结果；

图4为本发明应用于灰度图像的分割结果。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明提供一种具有实时性的模糊聚类医学图像分割方法，如图1-图4所示，包括：

步骤1：对给定的医学图像提取灰度特征，得到医学图像的特征信息集；

本步骤中，特征信息集为：

X＝{x₁，x₂，...，x_n}，x_i＝{x_i1，x_i2，...，x_is} (1)

其中，X是给定医学图像的特征信息集，x_i为医学图像的像素点，n为医学图像中像素点的个数，s为像素点x_i的维数。

本步骤提取像素的灰度特征，为后续的医学图像分割做好准备工作。

步骤2：利用医学图像的特征信息和邻域信息，基于滤波技术对医学图像进行预处理；

优选的，本步骤中，利用公式(2)对所述给定医学图像进行处理：

其中N_j代表第j个像素的邻域像素组成的集合，N_R代表集合N_j的势，α是像素与邻域像素之间的平衡因子，x_j和x′_j分别代表滤波前后第j个像素的灰度特征值，x_r代表N_j中第r个像素的灰度特征值。

本发明中，基于此方法对给定医学图像进行处理，可以有效提高算法的鲁棒性。

步骤3：计算滤波后医学图像的特征直方图，以得到滤波后医学图像的统计信息；

本步骤中，计算出的滤波后医学图像为特征直方图(表示为f^h)，可以极大地提高算法的运行效率。

为了有效提高算法的效率，减少参与运算的像素数目，本发明方法采取了预分割策略。为了有效避免阈值分割为获取阈值而采取的反复迭代，本发明方法采取了如下的处理策略，如步骤4和步骤5：

步骤4：从滤波后医学图像的特征直方图上计算相应的特征区间；

进一步的，本步骤包括：

步骤41：分以下三种情况计算出所述医学图像特征直方图上的局部极大值的集合L^M：

如果f^h(0)＞f^h(1)，则0∈L^M；

如果f^h(i)＞f^h(i-1)且f^h(i)＞f^h(i+1)，则i∈L^M，其中0＜i＜255；

如果f^h(255)＞f^h(254)，则255∈L^M；

步骤42：按公式(3)计算L^M中每一个局部极大值关联的像素数：

其中||·||表示集合的势；

步骤43：从L^M中删除具有最小g(i)值的极大值i，如果L^M中极大值的数目大于C，则利用公式(3)计算剩余极大值关联的像素数，重复该步骤，如果L^M中极大值的数目小于等于C，则执行下一步骤；

步骤44：基于剩余的C个极大值，以两个极大值之间的最小值为分界，将特征直方图分割为C个区间，表示为[l_i，h_i]，其中i＝1，2，...，C。

本发明中，将特征直方图分割为相应的区间，在后续的相关步骤中，可以将聚类中心限制在相应的区间内，减少参与计算的像素数目，进一步提高算法的运行效率。

步骤5：基于获取的特征区间，初始化滤波后医学图像中相应组织或器官的聚类中心，并对像素的隶属度进行计算；

本步骤中，基于获取的特征区间，优选将聚类中心限制在特征区间的下限和上限范围之内，按公式(4)初始化所述滤波后医学图像中相应组织或器官的聚类中心v_i：

本发明中，初始化滤波后医学图像中相应组织或器官的聚类中心，避免因初始化聚类中心导致的目标函数局部最小化问题，对分割过程进行指导，有效解决分割结果过于集中在图像的细节部分的问题。将聚类中心限制在相应的区间内部，这也符合医学图像的相关特性。

步骤6：通过迭代过程，在最小化像素与聚类中心的加权函数的过程中，更新像素的隶属度以及聚类中心；

进一步的，本步骤包括：

步骤61：更新像素的隶属度，按公式(5)计算所有像素的隶属度u_ij：

步骤62：更新所述滤波后医学图像中每一类医学组织或器官对应的聚类中心，按公式(6)计算相应医学组织或器官对应的聚类中心：

步骤63：在迭代过程中不断更新像素的隶属度以及聚类中心，直至两次迭代过程中像素隶属度的最大差值小于预设的阈值ε或者迭代次数达到预设的最大迭代次数时，迭代过程结束，否则，转至步骤61。

本发明通过不断地对聚类中心和像素隶属度进行更新，可以在迭代过程中最小化目标函数。

步骤7：基于最大隶属度原则对像素的隶属度去模糊化，实现对给定医学图像的分割，提取相应的组织或器官。

本步骤中，按公式(7)将第j个像素划归为第i类医学组织或器官，实现医学图像的分割：

本发明中，对像素的隶属去模糊化，形成最终的分割组织器官。

本发明的具有实时性的模糊聚类医学图像分割方法，首先提取医学图像中像素的灰度特征，基于滤波技术对原始图像进行预处理，计算滤波后医学图像的特征直方图，然后基于特征直方图获取滤波后医学图像的特征区间，并在此基础上对医学组织器官隶属的聚类中心初始化，在目标函数最小化的迭代过程中，基于特征区间更新像素的隶属度和医学组织器官的聚类中心，最终通过最大隶属度去模糊化，实现医学图像的分割。本发明通过将特征的统计信息进行区间划分，将聚类中心限制在一定的范围内，可以经过较少的迭代次数达到迭代终止条件，满足医学分图像分割的实时性要求；通过对聚类中心进行初始化，可以通过获取目标函数的全局最小值避免分割结果过于集中于细节，可以取得较好的分割结果；设计的医学图像分割方法可以较好地适用于灰度图像的分割。

本发明可以通过以下的仿真结果进一步进行说明。

1.仿真内容：应用本发明方法与FCM方法，对医学图像和灰度图像进行分割。

2.仿真结果

图3为本发明方法应用于医学图像。其中图3(a)为第一幅医学图像，图3(b)与图3(c)分别为图3(a)的FCM方法的分割结果和本发明方法的分割结果；图3(d)为第二幅医学图像，图3(e)与图3(f)分别为图3(d)的FCM方法的分割结果和本发明方法的分割结果；图3(g)为第三幅医学图像，图3(h)与图3(i)分别为图3(g)的FCM方法的分割结果和本发明方法的分割结果。

图4为本发明方法应用于灰度图像。其中图4(a)为第一幅灰度图像，图4(b)与图4(c)分别为图4(a)的FCM方法的分割结果和本发明方法的分割结果；图4(d)为第二幅灰度图像，图4(e)与图4(f)分别为图4(d)的FCM方法的分割结果和本发明方法的分割结果。

表1是图3、图4中相关图像分割时的运行时间。

从图3可以看出，相对于FCM方法，本发明的方法可以分割出图像的主要部分，取得令人满意的分割效果。例如，本发明方法可以区分出图3(a)中胸阔的肌肉组织和脂肪韧带软组织，而FCM算法却无法分割出。同时，由于本发明的方法由于预先计算了区间信息，将聚类中心的计算限制在区间内部，使得方法可以在较短的时间内达到终止条件，极大提高方法的效率。

从图4可以看出，本发明方法对灰度图像进行分割时，同样可以取得和FCM方法相媲美的分割结果。

从表1可以看出，本发明的发方法可以在不到1秒的时间内完成医学图像或灰度图像的分割，算法的运行效率可以满足实时性分割的要求，远高于传统的FCM算法的分割效率。

综上，本发明通过基于像素的特征直方图来构造区间，提出了一种实时性的模糊聚类医学图像分割方法。本发明的方法通过利用图像的统计信息，可以经过较少的迭代次数取得理想的图像分割结果，极大提高方法的效率，满足图像分割的实时性要求。

表1运行时间比较(单位：秒)

	FCM	本发明的方法
			图3(a)	188.901611	0.312002
图3(d)	31.325001	0.280802
			图3(g)	13.275685	0.265202
图4(a)	171.663500	0.436803
			图4(d)	107.562690	0.452403

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种具有实时性的模糊聚类医学图像分割方法，其特征在于，包括：

步骤1：对给定的医学图像提取灰度特征，得到所述医学图像的特征信息集；

步骤2：利用所述医学图像的特征信息和邻域信息，基于滤波技术对所述医学图像进行预处理；

步骤3：计算滤波后医学图像的特征直方图，以得到滤波后医学图像的统计信息；

步骤4：从所述滤波后医学图像的特征直方图上计算相应的特征区间；

步骤5：基于获取的特征区间，初始化所述滤波后医学图像中相应组织或器官的聚类中心，并对像素的隶属度进行计算；

步骤6：通过迭代过程，在最小化像素与聚类中心的加权函数的过程中，更新所述像素的隶属度以及聚类中心；

步骤7：基于最大隶属度原则对像素的隶属度去模糊化，实现对给定医学图像的分割，提取相应的组织或器官。

2.根据权利要求1所述的具有实时性的模糊聚类医学图像分割方法，其特征在于，所述步骤1中，所述特征信息集为：

X＝{x₁，x₂，...，x_n}，x_i＝{x_i1，x_i2，...，x_is} (1)

其中，X是给定医学图像的特征信息集，x_i为医学图像的像素点，n为医学图像中像素点的个数，s为像素点x_i的维数。

3.根据权利要求2所述的具有实时性的模糊聚类医学图像分割方法，其特征在于，所述步骤2中，利用公式(2)对所述给定医学图像进行处理：

$x_j^{\′}=\frac{1}{1+\mathrm{\α}}(x_j+\frac{\mathrm{\α}}{N_R}\underset{x_r\∈N_j}{\Σ}{x}_r)---\left(2\right)$

其中N_j代表第j个像素的邻域像素组成的集合，N_R代表集合N_j的势，α是像素与邻域像素之间的平衡因子，x_j和x′_j分别代表滤波前后第j个像素的灰度特征值，x_r代表N_j中第r个像素的灰度特征值。

4.根据权利要求3所述的具有实时性的模糊聚类医学图像分割方法，其特征在于，所述步骤3中，特征直方图为f^h；

所述步骤4包括：

步骤41：分以下三种情况计算出所述医学图像特征直方图上的局部极大值的集合L^M：

如果f^h(0)＞f^h(1)，则0∈L^M；

如果f^h(i)＞f^h(i-1)且f^h(i)＞f^h(i+1)，则i∈L^M，其中0＜i＜255；

如果f^h(255)＞f^h(254)，则255∈L^M；

步骤42：按公式(3)计算L^M中每一个局部极大值关联的像素数：

$g\left(i\right)=\left|\right|\{j,|j-i|=\arg \underset{k\∈L^M}{min}|j-k\left|\right\}\left|\right|---\left(3\right)$

其中||·||表示集合的势；

步骤43：从L^M中删除具有最小g(i)值的极大值i，如果L^M中极大值的数目大于C，则利用公式(3)计算剩余极大值关联的像素数，重复该步骤，如果L^M中极大值的数目小于等于C，则执行下一步骤；

步骤44：基于剩余的C个极大值，以两个极大值之间的最小值为分界，将特征直方图分割为C个区间，表示为[l_i，h_i]，其中i＝1，2，...，C。

5.根据权利要求4所述的具有实时性的模糊聚类医学图像分割方法，其特征在于，所述步骤5进一步为：

基于获取的特征区间，将聚类中心限制在特征区间的下限和上限范围之内，按公式(4)初始化所述滤波后医学图像中相应组织或器官的聚类中心v_i：

$v_i=\frac{{\mathrm{\Σ}}_{k=l_i}^{h_i}{\mathrm{kf}}^h\left(j\right)}{{\mathrm{\Σ}}_{k=l_i}^{h_i}{f}^h\left(j\right)}---\left(4\right).$

6.根据权利要求5所述的具有实时性的模糊聚类医学图像分割方法，其特征在于，所述步骤6包括：

步骤61：更新像素的隶属度，按公式(5)计算所有像素的隶属度u_ij：

$u_{ij}=\frac{{\left(x_j^{\′}-v_i\right)}^{-\frac{2}{m-1}}}{{\mathrm{\Σ}}_{k=1}^C{(x_j^{\′}-v_k)}^{-\frac{2}{m-1}}}---\left(5\right);$

步骤62：更新所述滤波后医学图像中每一类医学组织或器官对应的聚类中心，按公式(6)计算相应医学组织或器官对应的聚类中心：

$v_i=\frac{{\mathrm{\Σ}}_{k=l_i}^{h_i}{\mathrm{ku}}_{ij}^m{f}^h\left(j\right)}{{\mathrm{\Σ}}_{k=l_i}^{h_i}{u}_{ij}^m{f}^h\left(j\right)}---\left(6\right);$

步骤63：当两次迭代过程中所有像素的隶属度最大差值小于预设的阈值ε或迭代次数达到预设的最大次数时，迭代过程结束，否则，转至步骤61。

7.根据权利要求6所述的具有实时性的模糊聚类医学图像分割方法，其特征在于，所述步骤7中，按公式(7)将第j个像素划归为第i类医学组织或器官，实现医学图像的分割：

$i={\arg }_k\underset{k=\mathrm{1..}C}{max}{u}_{kj}---\left(7\right).$