CN107403438A - 改进模糊聚类算法的超声图像病灶区分割方法 - Google Patents
改进模糊聚类算法的超声图像病灶区分割方法 Download PDFInfo
- Publication number
- CN107403438A CN107403438A CN201710664817.2A CN201710664817A CN107403438A CN 107403438 A CN107403438 A CN 107403438A CN 201710664817 A CN201710664817 A CN 201710664817A CN 107403438 A CN107403438 A CN 107403438A
- Authority
- CN
- China
- Prior art keywords
- clustering algorithm
- fuzzy clustering
- image
- segmentation result
- segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 84
- 238000002604 ultrasonography Methods 0.000 claims description 24
- 230000003902 lesion Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000010339 dilation Effects 0.000 abstract 1
- 230000003628 erosive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000036039 immunity Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010024796 Logorrhoea Diseases 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，包括如下步骤：步骤1)在NSCT域对超声图像进行预处理；步骤2)使用改进的模糊聚类算法对预处理后的超声图像进行粗分割；步骤3)根据获得的粗分割结果计算MRF模型的约束条件；步骤4)利用预处理后图像各像素点邻域方差信息求MRF约束条件的权值；步骤5)利用融合MRF模型约束条件的改进模糊聚类算法对超声图像进行细分割；步骤6)利用膨胀腐蚀运算对分割结果进行优化；步骤7)根据分割结果提取出超声图像的病灶区。本发明提供的分割方法实现简单，能有效克服超声图像噪声严重，对比度低等问题，可以快速准确的分割出目标区域，具有较强的易用性和实用性。
Description
技术领域
本发明涉及一种改进模糊聚类算法的超声图像病灶区分割方法，属于超声波图像处理技术领域。
背景技术
超声成像由于具有实时性、无损性、廉价性、可重复性好和灵敏度高等优势而广泛应用于临床诊断和治疗中，它在人体内部组织器官的定量分析、实时监控和治疗规划等方面都有着广泛的应用。图像分割在医学超声图像处理中扮演着十分重要的作用，其分割结果直接影响到后续的分析、处理工作。正确的分割结果是临床定量、定性分析及计算机辅助诊断的基础，但受医学超声图像成像原理的影响，超声图像先天性地具有对比度低，信噪比低，斑点噪声强等特点，导致图像中大多存在模糊性及不确定性，增大了超声图像的分割难度。
近年来，随着计算机辅助诊断技术及图像分割技术的发展，越来越多的新理论、新方法被用到医学超声图像分割领域中，如神经网络、小波变换、图割法、马尔科夫随机场模型、模糊集理论等，此外，基于曲线演化理论的活动轮廓模型及水平集方法也得到了较快的发展。马尔科夫随机场由于其模型参数少，空间约束能力强，易于和其他算法结合等优点，被广泛应用于图像分割领域，近年来，人们对马尔科夫随机场模型已不是单一的研究与使用，更多的是与其他方法相结合，从而可以避免单一的MRF模型造成的过分割现象，使基于该模型的分割结果更精准。
在众多方法中，基于模糊集理论的模糊C均值聚类方法采用无监督的软性划分方法，允许样本点以不同的隶属度同时归属于所有的类，能真实地反应超声图像因噪声干扰导致的不确定性和模糊性，被广泛用于医学图像的分割中。然而，传统的模糊聚类算法仅考虑了单个像素点灰度值与各聚类中心的距离，忽略了图像中相连像素点间的相互影响，因此对噪声较为敏感，只适用于对无噪或低噪图像进行处理，不能直接用于包含大量斑点噪声的超声图像。为提高算法的抗噪性，国内外很多学者们不断对其进行改进，也取得了显著成效，但大多改进的模糊聚类算法都是通过在目标函数中直接加入额外的邻域约束项来实现的，该类方法虽然在一定程度上提高了算法的抗噪性，但是也大大增加了算法的计算复杂度。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种改进模糊聚类算法的超声图像病灶区分割方法，融合MRF约束条件用于快速准确地提取超声图像的病灶区。
为了实现上述目标，本发明采用如下的技术方案：
一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，包括如下步骤：
步骤1)在NSCT域对超声图像进行预处理；
步骤2)使用改进的模糊聚类算法对预处理后的超声图像进行粗分割；
步骤3)根据获得的粗分割结果计算MRF模型的约束条件；
步骤4)利用预处理后图像各像素点邻域方差信息求MRF约束条件的权值；
步骤5)利用融合MRF模型约束条件的改进模糊聚类算法对超声图像进行细分割；
步骤6)利用膨胀腐蚀运算对分割结果进行优化；
步骤7)根据分割结果提取出超声图像的病灶区。
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤1)在进行预处理时，为降低噪声对分割结果的影响，使用如下公式对获取到的超声图像在NSCT变换域进行预处理：其中，为信号的估计值，为NSCT分解所得的第r个尺度的第o个方向子带的高频系数，β是瑞利分布衰减参数，为信号的方差。
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤1)中预处理公式进行求解时，将β和的估计值选择为 并进行求解，其中，σ为噪声的标准差，为包含噪声的高频系数的方差估计值，为噪声系数的方差估计值。
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，在所述步骤(2)中，使用改进的模糊聚类算法获取超声图像的粗分割结果，改进模糊聚类算法迭代时采用的目标函数为约束条件为
其中，L-1是最大灰度级，K为分类数，uki为灰度级i对第k类的隶属度；dki＝||i-vk||表示灰度级为i的点到第k类聚类中心vk的距离，H(i)为具有灰度级i的像素个数，Ni表示以灰度级i为中心的所有邻域点集合，j为i的某一邻域点，dij表示i与j间的欧式距离，ukj为点j对第k类的隶属度，dkj＝||j-vk||为点j到第k类聚类中心的距离；
利用uki＝max{u1i,u2i,…,uKi}标记出最终隶属度矩阵中各灰度级所属的类，并在原图中找出各灰度级所处的位置，用相应的类标进行表示得到超声图像的粗分割结果。
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述目标函数迭代求解时设置分类数K＝2，模糊指数m＝2，迭代终止条件ε＝10-4，初始化迭代次数iter＝0以及隶属度矩阵U0＝{uki (0)}，并执行以下步骤直至隶属度矩阵在两次迭代前后的改变量小于ε；
i)用更新聚类中心矩阵V；
ii)用更新隶属度矩阵U。
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤3)中根据粗分割结果求取MRF模型的约束条件，其采用公式如下其中，对大小为M×N的超声图像f，f＝{(x,y)|x∈[1,M],y∈[1,N]},R＝{1,2,…K},fxy为图像f中位于位置(x,y)的像素点，能量函数Vc(fxy)是基团c的势函数，基团c定义为邻域系统上单个像元或像元与其邻点组成的子集，(x',y')是(x,y)的邻域点，且
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤4)中，利用预处理后图像f'各像素点邻域方差的变化情况计算MRF模型约束条件的权重ω，其采用公式如下：ω＝(wl|l∈n)，其中，n为超声图像的总像素点数，xl为去噪图像中任一像素点xj的某一邻域点，所有的邻域像素点构成邻域系统集合，σj为集合内像素的方差，为集合内像素的均方值，σf'＝(σj|j∈n)。
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤5)中利用MRF模型约束下的改进模糊聚类算法对超声图像进行细分割，其采用公式为F＝(1-ω)U+ωP，U为改进模糊聚类算法的模糊场，P为MRF模型的约束条件。
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤6)中使用膨胀腐蚀运算对细分割的公式的分割结果进行优化，其采用公式如下：FΘB＝{a|(B)a∈F}，其中，F为步骤5)获得的细分割结果，B为结构元素，a为F内某一点，膨胀记为腐蚀记为FΘB，(B)a是B平移a后的结果，若(B)a与F的交集不为空，则记下点a，所有满足上述条件的a点构成的集合就为F被B膨胀的结果，若(B)a包含于F，则记下点a，所有满足上述条件的a点构成的集合就为F被B腐蚀的结果。
前述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤7)中，使用边缘检测方法提取出最终分割图中病灶区域的轮廓。
本发明所达到的有益效果：本发明基于NSCT变换的边缘表示优势和平移不变特性，在NSCT变换域去除超声图像中的噪声；利用改进的模糊聚类算法快速获取超声图像的粗分割结果，改进的模糊聚类算法通过加入邻域约束条件来提高算法的抗噪性能，并融入直方图信息对聚类数据空间进行压缩，从而减少聚类算法的运算量，提高算法的分割速度；根据粗分割的结果计算MRF模型约束条件的权值，利用融合MRF约束条件的改进模糊聚类对超声图像进行细分割，进一步提高了算法的抗噪性，有能效克服超声图像中斑点噪声对分割结果的影响。由上述方法所得的分割结果，可能会存在细碎的区域，不利于病灶区的准确提取，可进一步通过膨胀腐蚀方法对分割结果进行优化，最后再使用边缘检测算法将超声图像中病灶区的轮廓提取出来。本发明提供的分割方法实现简单，能有效克服超声图像噪声严重，对比度低等问题，并可以快速准确的分割出目标区域，具有较强的易用性和实用性。
附图说明
图1为本发明的实施示意图；
图2(a)(b)(c)(d)(e)(f)为本发明提取超声图像病灶区轮廓时各处理阶段的结果图；
图3(a)(b)(c)(d)为各算法对不同大小的超声图像的分割结果图；
图4(a)(b)(c)(d)为本发明在图3相同条件下，对不同大小的超声图像的分割结果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的实施示意图如图1所示，其具体步骤依次为：
步骤1)超声图像的预处理：由于成像环境及原理等复杂因素，超声图像先天性地具有斑点噪声强、对比度低等特征，严重影响图像的质量，不利于图像分割及进一步处理。
因此，对超声图像进行分割之前，有必要对其进行预处理，抑制斑点噪声带来的影响。为消除噪声的影响，很多学者对斑点噪声的统计特征进行了深入的研究和分析，研究结果表明，超声图像固有的斑点噪声服从瑞利分布的特性，它是一种乘性噪声。为降低计算复杂度，可对图像进行对数变换，将乘性噪声转变为加性噪声处理。
本实施例中，预处理阶段具体包含以下步骤：
11)对超声图像进行对数变换，并进行NSCT分解；
12)利用权2中的公式，对NSCT分解所得的各高频子带系数c进行阈值处理；
13)对上述步骤12)的处理结果进行NSCT重构及指数变换得到去噪后的图像f'。
步骤2)利用改进的模糊聚类算法对预处理后的超声图像进行粗分割。
改进的模糊聚类算法考虑了图像中空间相连像素点间的相互影响，同时又引入了直方图信息，与传统模糊聚类相比，改进后的模糊聚类算法多了邻域约束项，且聚类数据的个数得到了大大压缩，极大地提高了算法的抗噪性及分割速度。
改进的模糊聚类算法目标函数的约束条件为超声图像粗分割阶段具体包含以下步骤：
21)计算超声图像的直方图；
22)初始化参数设置，具体包括分类数K，模糊指数m，迭代终止条件ε，迭代次数iter，及隶属度矩阵U0＝{uki (0)}；
23)利用前述式(3)更新V，V＝{vk}为聚类中心矩阵；
24)根据前述式(4)更新U，U＝{uki}为隶属度矩阵；
25)若||Uiter-U(iter+1)||＜ε，则转至26)，否则iter＝iter+1，转至23)；
26)利用uki＝max{u1i,u2i,…,uKi}将图像中任一灰度级i划分到第k类，并用k标记该灰度级；
27)根据26)的结果在原图中标记出所有灰度级归属的类，即得到超声图像的粗分割结果。
步骤3)求粗分割结果的MRF模型约束条件。对任一超声图像f,MRF模型的约束条件P可描述为：图像中任一像素点fxy(原图像中位置为(x,y)的点)被划分为哪一类仅与其邻域(不包括(x,y)点本身)内像素属于哪一类相关。
步骤4)获取MRF模型约束条件的权值ω，计算预处理图像f'中任一像素点xj的某一邻域点xl和邻域系统集合内所有像素的均方值间的绝对距离，若该距离大于σj，则说明xl是邻域集合内孤立的噪声点或者边缘点，此时，wl为0；反之，则为区域内部点，可通过邻域方差的变化情况进行描述。
步骤5)对超声图像进行细分割，ω用来调节改进的模糊聚类与MRF模型约束条件对分割结果的影响程度，U为改进模糊聚类算法的模糊场，P为MRF模型的约束条件，ω越小，模糊聚类算法对分割结果的影响越大，可以避免MRF产生过分割的现象；ω越大，MRF模型对分割结果的影响较大，可有效提高算法的抗噪性能。
步骤6)利用膨胀腐蚀运算对分割结果进行优化，由上述方法所得的分割图，可能存在细碎的区域，不利于病灶区的精确提取，因此可以通过膨胀腐蚀方法对上述分割结果进行优化。
步骤7)利用边缘检测的方法提取出分割图中病灶区域的轮廓，所述边缘检测的方法可以包括：canny，sobel等，本发明优选canny算子来获取病灶区域的边界轮廓。
本发明效果可通过以下仿真结果进一步说明。
仿真条件：
本文的实验环境为Intel(R)Core(TM)i3处理器，4GB内存，CPU主频为2.3GHz，windows 7系统的PC机，采用MATLAB(R2010b)编译语言实现。
仿真内容：
采用传统模糊聚类算法，马尔科夫随机场模型和本发明提供的方法对大小不同的超声图像分别进行了实验。实验中各种模糊聚类算法的模糊加权指数m，迭代终止阈值ε，聚类数c均设为相同值，分别为m＝2，ε＝10-4，c＝2。
仿真结果：
1、对于实际的超声图像，本发明提供的超声图像病灶区分割方法在各处理阶段的实验结果图如图2所示：
图2(a)为真实肿瘤超声图像，图像大小为128×219像素；图2(b)为超声图像经预处理后的结果图，在用matlab进行仿真实验时，NSCT分解层数设为3，各层方向数分别为1,2,2，去噪只对分解所得的高频部分系数进行处理；图2(c)为改进后的模糊聚类算法的分割结果；图2(d)为融合MRF模型约束条件的改进模糊聚类算法的分割结果；图2(e)是经形态学优化后的分割结果图；图2(f)表示肿瘤区域轮廓提取，即最终的分割结果图，本发明优先采用canny算子对病灶区轮廓的边缘进行提取，为保证分割区域的连贯性和完整性，在使用canny算子进行边缘检测之前需先对图2(e)的分割结果进行孔洞填充。
将图2(a)(b)进行对比，可以发现经预处理后的图像对比度增大了，即图2(b)中目标区域和背景区域间的差异更明显。对比图2(c)和图2(d)可以发现，图2(c)中包含很多杂碎的点，并且目标区域内部有很多孔洞，分割结果较图2(d)差，从实验结果图中，不难发现将MRF模型约束条件融入改进后的模糊聚类方法能更好地提高算法的抗噪性能；图2(e)是采用膨胀腐蚀方法优化后的分割结果图，从图中可以看出，利用膨胀腐蚀方法可有效去除分割图像中细碎的区域并进行孔洞填充；图2(f)是最终肿瘤区域的边缘轮廓图，从图中可以看出，肿瘤区域基本被包括在红色的轮廓线内部。综上可得，对于分辨率低、对比度低、斑点噪声强的超声图像，本发明提供的分割算法能很好地提取出超声图像的病灶区域，且算法的分割速度快、抗噪性能强。
2、对于大小不同的真实肿瘤超声图像，图3中第一排图像大小为184×223，第二排图像大小223×226，本发明提供的超声图像病灶区分割方法与其他分割方法分割效果对比图如图3所示：
图3(a)为专家人工分割结果图，图3(b)为传统模糊聚类算法的分割结果图，图3(c)为马尔科夫随机场模型的分割结果图，图3(d)为本发明的实验结果图，从图中可以发现本发明的分割结果明显优于传统模糊聚类算法及马尔科夫随机场模型，最接近专家人工分割结果。综上可得，本发明提供的分割算法能很好地应对超声图像固有的斑点噪声强、分辨率及对比度低等问题，在保证较高分割效果的同时能快速提取出超声图像中的病灶区域。
以上所述仅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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，包括如下步骤：
步骤1)在NSCT域对超声图像进行预处理；
步骤2)使用改进的模糊聚类算法对预处理后的超声图像进行粗分割；
步骤3)根据获得的粗分割结果计算MRF模型的约束条件；
步骤4)利用预处理后图像各像素点邻域方差信息求MRF约束条件的权值；
步骤5)利用融合MRF模型约束条件的改进模糊聚类算法对超声图像进行细分割；
步骤6)利用膨胀腐蚀运算对分割结果进行优化；
步骤7)根据分割结果提取出超声图像的病灶区。
2.根据权利要求1所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤1)在进行预处理时，为降低噪声对分割结果的影响，使用如下公式对获取到的超声图像在NSCT变换域进行预处理：其中，为信号的估计值，为NSCT分解所得的第r个尺度的第o个方向子带的高频系数，β是瑞利分布衰减参数，为信号的方差。
3.根据权利要求2所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤1)中预处理公式进行求解时，将β和的估计值选择为并进行求解，其中，σ为噪声的标准差，为包含噪声的高频系数的方差估计值，为噪声系数的方差估计值。
4.根据权利要求1所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，在所述步骤(2)中，使用改进的模糊聚类算法获取超声图像的粗分割结果，改进模糊聚类算法迭代时采用的目标函数为约束条件为
其中，L-1是最大灰度级，K为分类数，m为模糊指数，uki为灰度级i对第k类的隶属度；dki＝||i-vk||表示灰度级为i的点到第k类聚类中心vk的距离，H(i)为具有灰度级i的像素个数，Ni表示以灰度级i为中心的所有邻域点集合，j为i的某一邻域点，dij表示i与j间的欧式距离，ukj为点j对第k类的隶属度，dkj＝||j-vk||为点j到第k类聚类中心vk的距离；uki为i对第k类的隶属度；
利用uki＝max{u1i,u2i,…,uKi}标记出最终隶属度矩阵中各灰度级所属的类，并在原图中找出各灰度级所处的位置，用相应的类标进行表示得到超声图像的粗分割结果。
5.根据权利要求4所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述目标函数迭代求解时设置分类数K＝2，模糊指数m＝2，迭代终止条件ε＝10-4，初始化迭代次数iter＝0以及隶属度矩阵U0＝{uki (0)}，并执行以下步骤直至隶属度矩阵在两次迭代前后的改变量小于ε；
i)用更新聚类中心矩阵V；
ii)用更新隶属度矩阵U。
6.根据权利要求1所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤3)中根据粗分割结果求取MRF模型的约束条件P，其采用公式其中，对大小为M×N的超声图像f，f＝{(x,y)|x∈[1,M],y∈[1,N]},R＝{1,2,…K},fxy为图像f中位于位置(x,y)的像素点，能量函数是基团c上的势函数，基团c定义为邻域系统上单个像元或像元与其邻点组成的子集，(x',y')是(x,y)的邻域点，且
7.根据权利要求6所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤4)中，利用预处理后图像f'各像素点邻域方差的变化情况计算MRF模型约束条件的权重ω，其采用公式如下：ω＝(wl|l∈n)，其中，n为超声图像的总像素点数，xl为去噪图像中任一像素点xj的某一邻域点，所有的邻域像素点构成邻域系统集合，σj为集合内像素的方差，为集合内像素的均方值，σf'＝(σj|j∈n)。
8.根据权利要求7所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤5)中利用MRF模型约束下的改进模糊聚类算法对超声图像进行细分割，其采用公式为F＝(1-ω)U+ωP，U为改进模糊聚类算法的模糊场，P为MRF模型的约束条件。
9.根据权利要求8所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤6)中使用膨胀腐蚀运算对细分割的公式的分割结果进行优化，其采用公式如下：FΘB＝{a|(B)a∈F}，其中，F为步骤5)获得的细分割结果，B为结构元素，a为F内某一点，膨胀记为腐蚀记为FΘB，(B)a是B平移a后的结果，若(B)a与F的交集不为空，则记下点a，所有满足上述条件的a点构成的集合就为F被B膨胀的结果，若(B)a包含于F，则记下点a，所有满足上述条件的a点构成的集合就为F被B腐蚀的结果。
10.根据权利要求1所述的一种改进模糊聚类算法的超声图像病灶区分割方法，其特征是，所述步骤7)中，使用边缘检测方法提取出最终分割图中病灶区域的轮廓。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710664817.2A CN107403438A (zh) | 2017-08-07 | 2017-08-07 | 改进模糊聚类算法的超声图像病灶区分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710664817.2A CN107403438A (zh) | 2017-08-07 | 2017-08-07 | 改进模糊聚类算法的超声图像病灶区分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107403438A true CN107403438A (zh) | 2017-11-28 |
Family
ID=60402034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710664817.2A Pending CN107403438A (zh) | 2017-08-07 | 2017-08-07 | 改进模糊聚类算法的超声图像病灶区分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107403438A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198193A (zh) * | 2018-01-16 | 2018-06-22 | 北京航空航天大学 | 一种利用改进直觉模糊聚类算法分割红外舰船图像的方法 |
| CN109543622A (zh) * | 2018-11-26 | 2019-03-29 | 长春工程学院 | 一种输电线路绝缘子图像分割方法 |
| CN109685767A (zh) * | 2018-11-26 | 2019-04-26 | 西北工业大学 | 一种基于聚类融合算法的双模态脑肿瘤mri分割方法 |
| CN110246106A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法 |
| CN110853064A (zh) * | 2019-11-12 | 2020-02-28 | 吉林大学 | 一种基于最小模糊散度的图像协同分割方法 |
| CN111437519A (zh) * | 2020-04-03 | 2020-07-24 | 北京易康医疗科技有限公司 | 一种具有最佳生物学效应的多线束选择方法 |
| CN113689424A (zh) * | 2021-09-09 | 2021-11-23 | 中国人民解放军陆军军医大学 | 可自动识别图像特征的超声检查系统及识别方法 |
| CN113768533A (zh) * | 2020-06-10 | 2021-12-10 | 无锡祥生医疗科技股份有限公司 | 超声显影装置和超声显影方法 |
| CN117574189A (zh) * | 2024-01-16 | 2024-02-20 | 东北师范大学 | 基于马尔科夫随机场的社交网络用户约束聚类方法及系统 |
| CN118196641A (zh) * | 2024-05-17 | 2024-06-14 | 江西匠制科技有限公司 | 基于ai的区域排放特征水质污染溯源方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
| CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
-
2017
- 2017-08-07 CN CN201710664817.2A patent/CN107403438A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
| CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
| CN106408569B (zh) * | 2016-08-29 | 2018-12-04 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 霍冠英等: ""curvelet域贝叶斯估计侧扫声呐图像降斑方法"", 《仪器仪表学报》 * |
| 霍冠英等: ""空间约束FCM与MRF结合的侧扫声呐图像分割算法"", 《仪器仪表学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198193B (zh) * | 2018-01-16 | 2021-09-03 | 北京航空航天大学 | 一种利用改进直觉模糊聚类算法分割红外舰船图像的方法 |
| CN108198193A (zh) * | 2018-01-16 | 2018-06-22 | 北京航空航天大学 | 一种利用改进直觉模糊聚类算法分割红外舰船图像的方法 |
| CN109543622A (zh) * | 2018-11-26 | 2019-03-29 | 长春工程学院 | 一种输电线路绝缘子图像分割方法 |
| CN109685767A (zh) * | 2018-11-26 | 2019-04-26 | 西北工业大学 | 一种基于聚类融合算法的双模态脑肿瘤mri分割方法 |
| CN110246106A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 基于量子和声搜索模糊集的nsst域浮选泡沫图像增强及去噪方法 |
| CN110853064A (zh) * | 2019-11-12 | 2020-02-28 | 吉林大学 | 一种基于最小模糊散度的图像协同分割方法 |
| CN110853064B (zh) * | 2019-11-12 | 2022-03-25 | 吉林大学 | 一种基于最小模糊散度的图像协同分割方法 |
| CN111437519A (zh) * | 2020-04-03 | 2020-07-24 | 北京易康医疗科技有限公司 | 一种具有最佳生物学效应的多线束选择方法 |
| CN111437519B (zh) * | 2020-04-03 | 2021-10-19 | 山东省肿瘤防治研究院（山东省肿瘤医院） | 一种具有最佳生物学效应的多线束选择方法 |
| CN113768533B (zh) * | 2020-06-10 | 2024-05-14 | 无锡祥生医疗科技股份有限公司 | 超声显影装置和超声显影方法 |
| CN113768533A (zh) * | 2020-06-10 | 2021-12-10 | 无锡祥生医疗科技股份有限公司 | 超声显影装置和超声显影方法 |
| CN113689424A (zh) * | 2021-09-09 | 2021-11-23 | 中国人民解放军陆军军医大学 | 可自动识别图像特征的超声检查系统及识别方法 |
| CN113689424B (zh) * | 2021-09-09 | 2023-11-24 | 中国人民解放军陆军军医大学 | 可自动识别图像特征的超声检查系统及识别方法 |
| CN117574189A (zh) * | 2024-01-16 | 2024-02-20 | 东北师范大学 | 基于马尔科夫随机场的社交网络用户约束聚类方法及系统 |
| CN117574189B (zh) * | 2024-01-16 | 2024-05-03 | 东北师范大学 | 基于马尔科夫随机场的社交网络用户约束聚类方法及系统 |
| CN118196641A (zh) * | 2024-05-17 | 2024-06-14 | 江西匠制科技有限公司 | 基于ai的区域排放特征水质污染溯源方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107403438A (zh) | 改进模糊聚类算法的超声图像病灶区分割方法 | |
| WO2020156361A1 (zh) | 一种训练样本获得方法、装置、电子设备和存储介质 | |
| CN108898606B (zh) | 医学图像的自动分割方法、系统、设备及存储介质 | |
| CN112927217B (zh) | 一种基于目标检测的甲状腺结节侵袭性预测方法 | |
| CN114897914B (zh) | 基于对抗训练的半监督ct图像分割方法 | |
| WO2020177126A1 (zh) | 图像处理方法、系统、计算设备及存储介质 | |
| CN106485695A (zh) | 基于统计形状模型的医学图像Graph Cut分割方法 | |
| CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
| CN112215842B (zh) | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 | |
| Ye et al. | Medical image diagnosis of prostate tumor based on PSP-Net+ VGG16 deep learning network | |
| CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
| CN112991363A (zh) | 脑肿瘤图像分割方法、装置、电子设备及存储介质 | |
| CN106296675A (zh) | 一种高噪声灰度不均匀图像的分割方法 | |
| CN112258514A (zh) | 一种ct影像肺血管的分割方法 | |
| Jiang et al. | Segmentation of prostate ultrasound images: the state of the art and the future directions of segmentation algorithms | |
| Rela et al. | Liver tumor segmentation and classification: a systematic review | |
| CN105512670B (zh) | 基于keca特征降维和聚类的hrct周围神经分割 | |
| Debnath et al. | Brain tumour segmentation using memory based learning method | |
| Li et al. | A level set image segmentation method based on a cloud model as the priori contour | |
| CN111739047A (zh) | 基于双谱重建的舌体图像分割方法及系统 | |
| Masood et al. | Level set initialization based on modified fuzzy c means thresholding for automated segmentation of skin lesions | |
| Qiao et al. | Research on standardized feature positioning technology of motion amplitude based on intelligent vision | |
| Shanthi et al. | Survey on Detection of Melanoma Skin Cancer Using Image Processing and Machine Learning | |
| Khoulqi et al. | Cervical Cancer Detection and Classification Using MRIs | |
| Midhila et al. | A study of the phases of classification of liver diseases from ultrasound images and gray level difference weights based segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171128 |
|
| RJ01 | Rejection of invention patent application after publication |