CN106997593A - 基于医学组织器官自身特性的模糊聚类医学图像分割方法 - Google Patents

Abstract

本发明公开了一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，属于图像处理技术领域。所述方法包括：提取给定医学图像的灰度特征，得到医学图像的特征信息集；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；对医学图像中的医学组织器官进行预分割；对医学组织器官的聚类中心和像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；通过迭代过程对能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；输出最终的医学图像分割结果。本发明既能较好地实现医学图像的分割，又能提高分割算法的运行效率。

Description

基于医学组织器官自身特性的模糊聚类医学图像分割方法

技术领域

本发明涉及图像处理技术领域，特别是指一种基于医学组织器官自身特性的模糊聚类医学图像分割方法。

背景技术

医疗影像仪器为医疗诊断提供了丰富的图像信息。有效利用这些医学图像信息，可以有效帮助医生进行计算机辅助诊断、实施介入式治疗、制定内外科手术规划、对相应医学组织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。

利用医学图像提供的信息时，首先要做的工作是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，通过分析不同医学组织器官的形状、灰度等特性，对医生辅助诊断、治疗提供必要的帮助。

在医学图像中，存在难以处理的部分容积效应现象(partial volume effect，PVE)和强度不一致现象(intensity inhomogeneity，IIH)，这主要是由医学图像的成像原理组成的。为了确定病灶位置的需要，医生需要从不同的方向观察不同位置的医学图像切片。形成的医学图像中，每一个像素的灰度值是其邻域中多个像素灰度值的共同反映，往往涉及多个组织或器官。因而，在传统的基于K-means的医学图像分割中，直接把某一个像素分类到某一特定的医学组织器官，无法取得较好的分割效果。同时，由于部分容积效应现象的存在，使隶属于同一医学组织器官的像素灰度特征不同，即强度不一致现象。目前有效处理这两种现象的图像分割方法是模糊C-均值方法(fuzzy C-means，FCM)。在基于FCM方法的医学图像分割中，像素以不同的隶属度同时隶属于多个医学组织器官，从而可以在分割过程中从原医学图像保留尽可能多的信息，因而FCM方法可以取得较好的分割效果。FCM方法是通过最小化像素与聚类中心的加权距离函数实现医学图像分割，其中加权距离函数定义为：

其中C是预定义的医学组织器官的数目，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个医学组织器官的隶属度，m＞1是模糊因子，d_ij＝|x_j-v_i|是像素与聚类中心之间的欧氏距离，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(10)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两个明显的缺点：(1)分割结果受初始化聚类中心的影响，随机化的聚类中心初始化容易使加权距离函数陷入局部最小值，无法取得理想的分割结果；(2)聚类中心的计算涉及图像中的所有像素，当应用到医学图像分割时，某一医学组织器官的强度由医学图像中所有像素来决定，这显然是不合理的，同时由于所有像素参与计算，也降低了分割算法的运行效率。

发明内容

本发明提供一种基于医学组织器官自身特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，又能提高分割算法的运行效率。

为解决上述技术问题，本发明提供技术方案如下：

一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，包括：

步骤1：提取给定医学图像的灰度特征，得到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：基于所述滤波后医学图像的特征直方图，对所述医学图像中的医学组织器官进行预分割；

步骤5：基于所述预分割的医学组织器官，对医学组织器官的聚类中心进行初始化；

步骤6：基于所述预分割的医学组织器官，对像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；

步骤7：通过迭代过程对所述能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；

步骤8：输出最终的医学图像分割结果。

本发明具有以下有益效果：

本发明的基于医学组织器官自身特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，基于滤波技术对给定医学图像进行预处理，计算滤波后医学图像的特征直方图，基于特征直方图对医学图像进行预分割，将医学图像粗略分割为相应的医学组织器官。基于粗略的分割，对医学组织器官隶属的聚类中心初始化，并定义相应的能量函数。在能量函数最小化的过程中，更新当前分割的医学组织器官，在能量函数最小化后，最终实现医学图像的分割。本发明在医学图像的分割过程中仅利用医学组织器官的自身特性，具体地，医学组织器官的聚类中心由隶属于该组织器官的像素决定，与其他器官组织无关；在计算聚类中心和能量函数的过程中，只考虑与相应的医学组织器官相关的像素，减少了计算量，可以从一定程度上提高算法的效率；本发明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为本发明的基于医学组织器官自身特性的模糊聚类医学图像分割方法的流程示意图；

图2为本发明的基于医学组织器官自身特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。

本发明提供一种基于医学组织器官自身特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：提取给定医学图像的灰度特征，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)对给定医学图像进行处理：

其中N_j代表第j个元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，计算出滤波后医学图像的特征直方图(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：基于滤波后医学图像的特征直方图，对医学图像中的医学组织器官进行预分割；

进一步的，本步骤包括：

步骤41：分以下三种情况计算出图像特征直方图上的极大值的集合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，重复本步骤，如果L^M中极大值的数目等于C，则执行下一步骤；

步骤44：基于剩余的C个极大值，以相邻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；

步骤45：基于分割的区间，对医学图像进行初始化分割，第i类医学组织器官包括的像素为：

T_i＝{j|l_i≤x′_j≤h_i} (4)。

本发明中，基于特征直方图对医学图像进行预分割，将聚类中心限制在相应的器官和组织内部，不仅符合医学组织器官的特性，还可以减少参与运算的像素数目，提高算法的效率。

步骤5：基于预分割的医学组织器官，对医学组织器官的聚类中心进行初始化；

本步骤中，按公式(5)对医学组织器官的聚类中心进行初始化：

步骤6：基于预分割的医学组织器官，对像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；

进一步的，本步骤优选包括：

步骤61：初始化像素的隶属度：按公式(6)计算所有像素的隶属度u_ij：

步骤62：定义医学图像分割的能量函数：按公式(7)定义医学图像分割的能量函数E：

步骤7：通过迭代过程对能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；

进一步的，本步骤中，在一个迭代过程中，按公式(8)对医学组织器官的聚类中心进行更新：

按公式(6)对像素的隶属度进行更新：

按公式(9)对医学组织器官进行修正：

当两次迭代过程中能量函数的差的绝对值小于预设的阈值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。

本步骤在能量函数最小化的过程中，不断更新聚类中心和像素的隶属度，并对当前得到的医学组织器官进行修正，以便取得较好地分割效果。

步骤8：输出最终的医学图像分割结果。

本步骤中，输出的最终的医学图像分割结果为T＝{T₁，T₂，...，T_C}。

本发明的基于医学组织器官自身特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，基于滤波技术对给定医学图像进行预处理，计算滤波后医学图像的特征直方图，基于特征直方图对医学图像进行预分割，将医学图像粗略分割为相应的医学组织器官。基于粗略的分割，对医学组织器官隶属的聚类中心初始化，并定义相应的能量函数。在能量函数最小化的过程中，更新当前分割的医学组织器官，在能量函数最小化后，最终实现医学图像的分割。本发明在医学图像的分割过程中仅利用医学组织器官的自身特性，具体地，医学组织器官的聚类中心由隶属于该组织器官的像素决定，与其他器官组织无关；在计算聚类中心和能量函数的过程中，只考虑与相应的医学组织器官相关的像素，减少了计算量，可以从一定程度上提高算法的效率；本发明的医学图像分割方法可以较好地适用于灰度图像的分割。

本发明的内容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)和图3(i)是图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；图4(g)为第三幅医学图像，图4(h)和图4(i)是图4(g)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和图4可以看出，相对于FCM方法，本发明的方法可以取得令人满意的分割效果。每一种医学组织器官内灰度值相对平均，分割后图像中的小区域也较少。在灰度图像的分割结果中，本方法得到的结果中小区域也同样较少，这可以从图4(i)中明显看出来。从表1可以看出，由于本发明的方法利用医学组织器官的信息指导，因而本发明的方法可以取得比传统FCM算法更高的效率。

综上，本发明基于医学组织器官的自身特性，提出了一种模糊聚类的医学图像分割算法。医学组织器官的灰度值仅取决于相应的医学组织器官，符合医学图像的特性，同时可以降低参与运算的像素数目，有效提高算法的运行效率。

表1运行时间比较(单位：秒)

图像	FCM	本发明的方法
			图3(a)	153.005781	79.248508
图3(d)	12.136878	10.639268
			图3(g)	13.072884	9.391260
图4(a)	159.526623	98.655032
			图4(d)	125.830407	82.664930
图4(g)	62.587601	27.736978

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 (8)

1.一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，其特征在于，包括：

步骤1：提取给定医学图像的灰度特征，得到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：基于所述滤波后医学图像的特征直方图，对所述医学图像中的医学组织器官进行预分割；

步骤5：基于所述预分割的医学组织器官，对医学组织器官的聚类中心进行初始化；

步骤6：基于所述预分割的医学组织器官，对像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；

步骤7：通过迭代过程对所述能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；

步骤8：输出最终的医学图像分割结果。

2.根据权利要求1所述的基于医学组织器官自身特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所述的基于医学组织器官自身特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个元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所述的基于医学组织器官自身特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图像特征直方图上的极大值的集合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，重复本步骤，如果L^M中极大值的数目等于C，则执行下一步骤；

步骤44：基于剩余的C个极大值，以相邻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；

步骤45：基于分割的区间，对医学图像进行初始化分割，第i类医学组织器官包括的像素为：

T_i＝{j|l_i≤x′_j≤h_i} (4)。

5.根据权利要求4所述的基于医学组织器官自身特性的模糊聚类医学图像分割方法，其特征在于，所述步骤5中，按公式(5)对医学组织器官的聚类中心进行初始化：

$v_i=\frac{\underset{j\∈T_i}{\Σ}{x}_j^{\′}}{\left|\right|T_i\left|\right|}---\left(5\right).$

6.根据权利要求5所述的基于医学组织器官自身特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：初始化像素的隶属度：按公式(6)计算所有像素的隶属度u_ij：

$u_{ij}={\[\underset{k=1}{\overset{C}{\Σ}}{\left(\frac{|x_j^{\′}-v_i|}{|x_j^{\′}-v_k|}\right)}^{\frac{2}{m-1}}\]}^{-1}---\left(6\right);$

步骤62：定义医学图像分割的能量函数：按公式(7)定义医学图像分割的能量函数E：

$E=\underset{i=1}{\overset{C}{\Σ}}\underset{j\∈T_i}{\Σ}{u}_{ij}^m|x_j^{\′}-v_i{|}^2---\left(7\right).$

7.根据权利要求6所述的基于医学组织器官自身特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，在一个迭代过程中，按公式(8)对医学组织器官的聚类中心进行更新：

$v_i=\frac{\underset{j\∈T_i}{\Σ}{u}_{ij}^m{x}_j^{\′}}{\underset{j\∈T_i}{\Σ}{u}_{ij}^m}---\left(8\right);$

按公式(6)对像素的隶属度进行更新：

$u_{ij}={\[\underset{k=1}{\overset{C}{\Σ}}{\left(\frac{|x_j^{\′}-v_i|}{|x_j^{\′}-v_k|}\right)}^{\frac{2}{m-1}}\]}^{-1}---\left(6\right);$

按公式(9)对医学组织器官进行修正：

$T_i=\left\{j\right|u_{ij}=\underset{k=\mathrm{1..}C}{max}\left\{u_{ik}\right\}\}---\left(9\right);$

当两次迭代过程中能量函数的差的绝对值小于预设的阈值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。

8.根据权利要求7所述的基于医学组织器官自身特性的模糊聚类医学图像分割方法，其特征在于，所述步骤8中，输出的最终的医学图像分割结果为T＝{T₁，T₂，...，T_C}。