CN108664976B - 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 - Google Patents

Abstract

本发明公开了一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法，首先对包含脑肿瘤的核磁共振成像的FLAIR模态图像进行超像素分割，再提取这些超像素块的灰度直方图特征，将超像素块的灰度直方图特征作为算法的输入，通过输入的特征计算图像的模糊相似性矩阵，然后通过NJW谱聚类算法进行聚类，进而得到最终的分割结果。本发明用模糊理论优化了谱聚类的相似性度量方式，在谱聚类的高斯距离度量方法上引入了模糊权重参数，定义了基于超像素特征的模糊相似性度量方式。本发明是一种自动的图像分割方法，不需要人为干预，并且利用基于超像素的模糊谱聚类分割算法，大大降低了谱聚类算法的时间复杂度，并且可以提高分割的精度。

Description

一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法

技术领域

本发明涉及图像处理和模式识别与机器学习领域，特别涉及一种基于模糊聚类的脑肿瘤图像分割方法。

背景技术

脑肿瘤是现代发病率较高的一种疾病，这种疾病会压迫人体正常脑组织，对患者的健康影响比较大，甚至可能导致死亡。目前脑肿瘤发病率占全身肿瘤的1.5％，近年来，随着核磁共振成像、CT等影像技术的广泛应用，为医生的可靠诊断提供依据。由于这类技术相对简单、快速有效，而且准确性高，使得脑肿瘤的检出率大大提升。目前，对于脑肿瘤疾病的治疗方案基本是以手术为主，放疗和化疗手段为辅。因此，在临床手术中，脑肿瘤区域的定位显得尤为关键。

脑肿瘤分割一直以来都是医学图像领域研究的重点和难点，但是由于脑肿瘤边界模糊，结构复杂多变，并且经常与正常脑组织混合在一起，使得分割问题变得复杂。

现有的针对脑肿瘤分割的方法有很多，比如基于区域生长的分割方法、基于形变模型的分割方法、基于聚类的分割方法以及形态学分水岭分割方法等。从人为干预程度来划分，可以将脑肿瘤分割划分为三类，分别是人工分割、半自动化分割以及自动化分割。其中，人工分割需要医生具有丰富的临床经验，缺点很明显，比如分割过程非常耗时，而且不同专家的分割结果不同，即使同一专家在不同时间段分割的结果也可能不同；半自动化分割往往是通过初始化操作或者人工矫正分割结果等“人机交互”的方式，实现完整的分割过程，目前，这种半自动分割方式在临床应用中较为广泛；自动化分割通常结合人类智能和先验知识，利用软计算等技术实现不需要人工干预的智能分割，但是，由于脑肿瘤在不同病人身上表现出的多样性，以及在多数情况下与正常组织容易混淆的特点，使得自动化分割的精度问题一直是个挑战。

发明内容

本发明所要解决的技术问题是：提供一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法，采用这种方法的特点是分割过程不需要人工干预，降低了时间复杂度，鲁棒性较强，分割精度较高。

本发明提供了一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法，主要包括以下步骤：

步骤一：获取包含脑肿瘤的核磁共振成像的FLAIR模态图像；

步骤二：对图像采用SLIC算法进行超像素分割，得到形状均匀的超像素块；

步骤三：提取分割后的超像素块的灰度直方图特征，由此得到整个图像的特征集形成输入矩阵；

步骤四：采用模糊C均值聚类算法对输入矩阵进行聚类，得到隶属度函数和聚类标签，再根据隶属度函数和聚类标签信息定义模糊权重参数，使用模糊权重参数自适应调节高斯相似性矩阵，得到模糊相似性矩阵，同时设置对角线元素为零；

步骤五：对上述得到的基于超像素特征的模糊相似性矩阵采用NJW谱聚类算法进行聚类；

步骤六：根据上述模糊谱聚类算法的聚类结果，得到最终的分割图像，并将分割图像映射到真值图像上，统计分割精度和分割时间。

进一步地，上述的灰度直方图特征，包括峰值、标准差、中值、平均值、平滑度、三阶矩、四分位矩、一致性和熵。

进一步地，所述步骤四所述的计算模糊相似性矩阵，具体步骤如下：

(1)将超像素块的灰度直方图特征矩阵，采用模糊C均值算法聚类，得到特征集

的隶属度函数u和聚类标签；

(2)采用隶属度函数u计算模糊参数，根据聚类标签判断，如果两个超像素属于

同一个类，则分配较大的模糊权重，反之，则分配较小的模糊权重，模糊权重参

数λ定义如下：

其中，i和j表示第i个超像素和第j个超像素，t表示超像素所属类别，c是聚类的类别数；

(3)采用基于超像素特征的自适应模糊权重参数约束高斯相似性度量，最终的模

糊相似性矩阵S′定义如下：

其中，S表示的是通过高斯相似性度量得到的矩阵，d²(x_i,x_j)表示第i和第j个超像素的欧式距离，σ为高斯尺度参数。

进一步地，在步骤五中，首先计算规范化拉普拉斯矩阵L＝D^-1/2S′D^-1/2，其中D表示对角矩阵，其对角元素D_ii是矩阵S的第i行元素之和；再对矩阵L进行特征分解，得到前k个特征向量{t¹,t²,...,t^k}，构成矩阵T＝[t¹,t²,...,t^k]，k为自然数；最后，对矩阵T进行归一化，得到矩阵N，即

把矩阵N的每一行看做一个数据点，采用K-means算法进行聚类。

更进一步地，数据点i被归到第p类当且仅当矩阵N的第i行被聚到第p类，最终得到肿瘤图像的分割结果。

本发明的有益效果是：

本发明将超像素概念引入到脑肿瘤图像的自动分割中，提出一种基于超像素的模糊谱聚类脑肿瘤自动分割模型，用模糊理论优化了谱聚类的相似性度量方式，在谱聚类的高斯距离度量方法上引入了模糊权重参数，定义了基于超像素特征的模糊相似性度量方式。本发明具有以下优点：

(1)与传统的脑肿瘤分割方法相比，本发明不需要人工干预，是一种自动的无监督的脑肿瘤分割系统；

(2)与传统的聚类分割方法相比，本发明充分利用超像素块的特征，在谱聚类算法中采用基于超像素特征的模糊度量方式，使得算法针对脑肿瘤区域的分割结果更加鲁棒，分割精度有所提高，而且大大降低了算法的时间复杂度。

附图说明

图1是对脑肿瘤FLAIR图像采用SLIC分割算法得到的结果；

图2是本发明提供的基于超像素的模糊谱聚类脑肿瘤图像自动分割方法流程图；

图3是基于模糊理论的NJW谱聚类算法流程图。

具体实施方式

下面结合附图1至3对本发明作进一步详细描述，附图以及文字仅是对本发明内在精神的较佳表达形式，辅助说明、描述技术方案的精神，不能理解为对本发明保护范围的限制。

参见附图1-3所示，本发明的一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法，主要按照如下描述施行：

首先获取包含脑肿瘤的核磁共振成像的FLAIR模态图像，并将图像转换为灰度图像。采用SLIC算法对灰度图像进行超像素分割，从而得到形状均匀的超像素块(如附图1所示)。

然后，参见附图2，提取分割后的超像素块的灰度直方图特征，由此得到整个图像的特征集形成输入矩阵。优选地，这些灰度直方图特征包括峰值、标准差、中值、平均值、平滑度、三阶矩、四分位矩、一致性和熵等9种。

对上述的基于超像素特征的输入矩阵进行模糊聚类，计算模糊相似性矩阵，同时设置模糊相似性矩阵的对角线元素为零。具体做法是，采用模糊C均值聚类算法对输入矩阵进行聚类，获得隶属度函数和聚类标签，根据隶属度函数和聚类标签信息定义模糊权重参数，使用模糊权重参数自适应调节高斯相似性矩阵，得到模糊相似性矩阵。其中，模糊相似性矩阵S′计算方式如下：

其中，i和j表示第i个超像素和第j个超像素，S表示的是通过高斯相似性度量得到的矩阵，λ_ij表示的是模糊权重参数，d²(x_i,x_j)表示第i和第j个超像素的欧式距离，σ为高斯尺度参数。在进行模糊聚类后，两个超像素块属于同一个类的情况下，分配较大权重，反之，分配较小权重，具体定义如下：

接下来，参见附图3，对上述得到的模糊相似性矩阵S′采用NJW谱聚类算法进行聚类；首先计算规范化拉普拉斯矩阵L＝D^-1/2S′D^-1/2，其中D对角矩阵，其对角元素D_ii是矩阵S的第i行元素之和；再对矩阵L进行特征分解，得到前k个特征向量{t¹,t²,...,t^k}，构成矩阵T＝[t¹,t²,...,t^k]；最后，对矩阵T进行归一化，得到矩阵N，即

把矩阵N的每一行看做一个数据点，采用K-means算法进行聚类。

最后，数据点i被归到第p类当且仅当矩阵N的第i行被聚到第p类，最终得到肿瘤图像的分割结果。根据上述基于超像素的模糊谱聚类算法的聚类结果，得到最终的分割图像，并将分割图像映射到真值图像上，统计分割精度和分割时间。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

本发明不限于以上对实施例的描述，本领域技术人员根据本发明揭示的内容，在本发明基础上不必经过创造性劳动所进行的改进和修改，都应该在本发明的保护范围之内。

Claims (4)

1.一种基于超像素的模糊谱聚类脑肿瘤图像分割方法，其特征在于：主要包括以下步骤：

步骤一：获取待分割包含脑肿瘤核磁共振成像的FLAIR模态图像，并将其转换为灰度图像；

步骤二：对灰度图像中的像素点进行超像素分割，获得超像素块；

步骤三：提取超像素块的灰度直方图特征，得到整个图像的特征集形成输入矩阵；

步骤四：对上述的基于超像素特征的输入矩阵进行模糊聚类，计算模糊相似性矩阵，同时设置模糊相似性矩阵的对角线元素为零；

步骤五：将以上得到的基于超像素特征的模糊相似性矩阵采用NJW谱聚类算法进行聚类；

步骤六：根据上述基于超像素的模糊谱聚类算法的聚类结果，得到最终的分割图像，并将分割图像映射到真值图像上，统计分割精度和分割时间；

步骤四中所述的计算模糊相似性矩阵，具体步骤如下：

(1)将超像素块的灰度直方图特征矩阵，采用模糊C均值算法聚类，得到特征集的隶属度函数u和聚类标签；

(2)采用隶属度函数u计算模糊参数，根据聚类标签判断，如果两个超像素属于同一个类，则分配较大的模糊权重，反之，则分配较小的模糊权重，模糊权重参数λ定义如下：

其中，i和j表示第i个超像素和第j个超像素，t表示超像素所属类别，c是聚类的类别数； (3)采用基于超像素特征的自适应模糊权重参数约束高斯相似性度量，最终的模糊相似性矩阵S′定义如下：

其中，S表示的是通过高斯相似性度量得到的矩阵，d²(xi,xj)表示第i和第j个超像素的欧式距离，σ为高斯尺度参数。

2.根据权利要求1所述的一种基于超像素的模糊谱聚类脑肿瘤图像分割方法，其特征在于：

所述灰度直方图特征，包括峰值、标准差、中值、平均值、平滑度、三阶矩、四分位矩、一致性和熵。

3.根据权利要求1或2所述的一种基于超像素的模糊谱聚类脑肿瘤图像分割方法，其特征在于：

在步骤五中，

首先计算规范化拉普拉斯矩阵L＝D^-1/2S′D^-1/2，其中D表示对角矩阵，其对角元素D_ii是矩阵S的第i行元素之和；

再对规范化拉普拉斯矩阵L进行特征分解，得到前k个特征向量{t¹,t²,...,t^k}，构成矩阵T＝[t¹,t²,...,t^k]，k为自然数；

最后，对矩阵T进行归一化，得到矩阵N，即

,把矩阵N的每一行看做一个数据点，采用K-means算法进行聚类。

4.根据权利要求3所述的一种基于超像素的模糊谱聚类脑肿瘤图像分割方法，其特征在于：

数据点i被归到第p类当且仅当矩阵N的第i行被聚到第p类，最终得到肿瘤图像的分割结果。

Images