CN112767410A - Mri脑组织聚类分割方法 - Google Patents
Mri脑组织聚类分割方法 Download PDFInfo
- Publication number
- CN112767410A CN112767410A CN202011624753.1A CN202011624753A CN112767410A CN 112767410 A CN112767410 A CN 112767410A CN 202011624753 A CN202011624753 A CN 202011624753A CN 112767410 A CN112767410 A CN 112767410A
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixels
- mri brain
- calculating
- brain image
- 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.)
- Withdrawn
Links
Images
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种MRI脑组织聚类分割方法,包括:设置MRI脑图像中除脊液、灰质、白质之外的组织为图像背景并去掉;计算MRI脑图像中像素之间强度和位置的相似度,构成双边相似度矩阵Bsm;利用FCM算法将MRI脑图像的像素分割为集合C={Ck,k=1,2,…P};计算Ck内像素的权重系数集合Vk={γ1,γ2,…γN};对Vk中的权重系数排序得到前R个权重系数集合VkR={γ'1,γ'2,…γ'R},集合V={VkR,k=1,2,…P}为C的主多聚类中心集合;根据双边相似度矩阵Bsm和集合V分配采取K近邻的方式分配标签,将V中元素K近邻范围内最远距离的点确定为次级聚类中心,构成次级聚类中心集合A1,若干次的次级聚类形成集合Az,集合A={A1,A2,…Az}为C所有的次级聚类中心集合。相比于现有技术,本发明方案避免了陷入局部最优,MRI脑图像分割结果分布更为平衡。
Description
技术领域
本发明涉及MRI脑图像分割技术领域,特别是涉及一种MRI脑组织聚类分割方法。
背景技术
核磁共振成像(Magnetic Resonance Imaging,MRI)具有软组织分辨率高、无电离辐射损伤、可自由选取剖面、多序列成像等方面的优势,已在脑部及软组织等成像中得到广泛应用。人的大脑主要由灰质、白质和脑脊液构成,为了使医生对脑部疾病的分析和诊治更加方便、精确,将MRI脑图像分割为脑脊液、灰质、白质对临床诊断和治疗具有重要意义。
在现有技术中,将MRI脑图像分割为脑脊液、灰质、白质的工作面临三类技术问题:部分容积(Partial Volume,PV)效应、噪声以及偏移场,偏移场也被称为灰度不均匀性。针对这些技术问题,基于模糊集以及直觉模糊集理论的方法可缓解PV效应,基于融合空间信息的方法可抑制噪声影响,基于矫正偏移场的方法可缓解图像灰度不均匀的问题。在基于聚类的MRI脑图像分割技术中,基于FCM及其扩展算法的分割技术被广泛采用,以达到缓解三类技术问题的目的。然而,基于FCM及其扩展算法的技术方案容易陷入局部最优,从而使得MRI脑图像的分割效果不佳。
鉴于此,本发明提出一种MRI脑组织聚类分割方法,采用多聚类中心提高聚类中心的鲁棒性,以缓解现有技术的不足。
发明内容
本发明提供了一种MRI脑组织聚类分割方法,应用于MRI脑图像处理,包括:设置MRI脑图像中除脊液、灰质、白质之外的组织为图像背景并去掉;计算MRI脑图像中像素之间强度和位置的相似度,构成双边相似度矩阵Bsm;利用FCM算法将MRI脑图像的像素分割为集合C={Ck,k=1,2,…P},其中Ck是属于第k类的像素集合,P是聚类数量;计算Ck内像素的权重系数集合Vk={γ1,γ2,…γN},其中N为Ck的像素数量;对Vk中的权重系数排序得到前R个权重系数集合VkR={γ'1,γ'2,…γ'R},VkR为Ck的主多聚类中心,集合V={VkR,k=1,2,…P}为C的主多聚类中心集合;根据双边相似度矩阵Bsm和集合V分配采取K近邻的方式分配标签,将V中元素K近邻范围内最远距离的点确定为次级聚类中心,构成次级聚类中心集合A1,根据双边相似度矩阵Bsm和集合A1采取K近邻的方式分配标签,将A1中元素K近邻范围内最远距离点中的非中心点确定为下一级聚类中心,构成下一级聚类中心集合A2,根据双边相似度矩阵Bsm和集合A2采取K近邻的方式分配标签,重复若干次A2的聚类过程形成末级聚类中心集合Az,集合A={A1,A2,…Az}为C所有的次级聚类中心集合;集合V和A即为MRI脑图像中脊液、灰质、白质的全部聚类中心,集合V和A中元素的K近邻范围即为分割结果。
进一步地,计算MRI脑图像中像素之间强度和位置的相似度的步骤,包括:计算MRI脑图像的任意两个像素q和i强度相似度和位置相似度 其中Iq和Ii为像素q和i的像素值,H为带宽系数,σ为位置权重参数,Cq和Ci为像素坐标索引;计算像素q和i强度和位置的相似度Wqi,
进一步地,像素权重系数的计算步骤,包括:
计算ρi和δi,其中dij表示像素i和j的的距离,dc为确定局部密度工作范围的截止距离,IS\{i}表示除像素i以外的所有像素,ρi表示像素i的代表性,δi表示像素i到比像素i具有更高局部密度的像素的距离,表示比像素i具有更高局部密度的像素集合;计算像素权重系数γi,γi=ρi×δi。
进一步地,还包括:将不属于集合V和A的K近邻范围的像素,根据像素2K近邻范围内标签的投票确定像素所属类别。
本发明的有益效果如下:
本发明提供的技术方案可以包括以下有益效果:通过采用双边距离结构的相似度矩阵,在建立像素之间的相似度矩阵时融入了强度信息和空间信息,从而达到抑制噪声的技术效果。利用多聚类中心配合K近邻搜索的方式进行聚类,使得MRI脑图像的分割精度不受初始聚类中心影响,从而避免了陷入局部最优。此外,将主多聚类中心扩展到次级多聚类中心,使得分割结果分布更为平衡。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一种实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种MRI脑组织聚类分割方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
图1是本发明实施例一种MRI脑组织聚类分割方法流程示意图,如图1所示,该方法包括如下五个步骤。
步骤S101:设置MRI脑图像背景。具体地,设置MRI脑图像中除脊液、灰质、白质之外的组织为图像背景并去掉。在技术实践中,将MRI脑图像中的脂肪、皮肤肌肉和颅骨等其他无关组织去掉并设为背景值,最终MRI脑图像只剩下脊液、灰质、白质。
步骤S102:利用FCM算法计算初始聚类集合。具体地,计算MRI脑图像中像素之间强度和位置的相似度,构成双边相似度矩阵Bsm;利用FCM算法将MRI脑图像的像素分割为集合C={Ck,k=1,2,…P},其中Ck是属于第k类的像素集合,P是聚类数量。
在一个可选的实施例中,计算MRI脑图像中像素之间强度和位置的相似度的步骤,包括:计算MRI脑图像的任意两个像素q和i强度相似度和位置相似度其中Iq和Ii为像素q和i的像素值,H为带宽系数,σ为位置权重参数,Cq和Ci为像素坐标索引;计算像素q和i强度和位置的相似度Wqi,
需要进行说明的是,FCM(Fuzzy C-means)算法是一种基于目标函数模糊聚类的算法,在聚类前并不知道类别的数目。聚类是机器学习中一种典型的无监督的分析方法。聚类就是按照某个特定标准把一个数据集分割成不同的类或簇,使得同一个簇内的数据对象的相似性尽可能大,同时不在同一个簇中的数据对象的差异性也尽可能地大。
步骤S103:计算初始聚类集合的主多聚类中心。具体地,计算Ck内像素的权重系数集合Vk={γ1,γ2,…γN},其中N为Ck的像素数量;对Vk中的权重系数排序得到前R个权重系数集合VkR={γ'1,γ'2,…γ'R},VkR为Ck的主多聚类中心,集合V={VkR,k=1,2,…P}为C的主多聚类中心集合。
在一个可选的实施例中,像素权重系数的计算步骤,包括:计算ρi和δi,其中dij表示像素i和j的的距离,dc为确定局部密度工作范围的截止距离,IS\{i}表示除像素i以外的所有像素,ρi表示像素i的代表性,δi表示像素i到比像素i具有更高局部密度的像素的距离,表示比像素i具有更高局部密度的像素集合;计算像素权重系数γi,γi=ρi×δi。
步骤S104:计算扩展的次级聚类中心。具体地,根据双边相似度矩阵Bsm和集合V分配采取K近邻的方式分配标签,将V中元素K近邻范围内最远距离的点确定为次级聚类中心,构成次级聚类中心集合A1,根据双边相似度矩阵Bsm和集合A1采取K近邻的方式分配标签,将A1中元素K近邻范围内最远距离点中的非中心点确定为下一级聚类中心,构成下一级聚类中心集合A2,根据双边相似度矩阵Bsm和集合A2采取K近邻的方式分配标签,重复若干次A2的聚类过程形成末级聚类中心集合Az,集合A={A1,A2,…Az}为C所有的次级聚类中心集合。
步骤S105:分割MRI脑图像。具体地,集合V和A即为MRI脑图像中脊液、灰质、白质的全部聚类中心,集合V和A中元素的K近邻范围即为分割结果。
在一个可选的实施例中,将不属于集合V和A的K近邻范围的像素,根据像素2K近邻范围内标签的投票确定像素所属类别。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.一种MRI脑组织聚类分割方法,应用于MRI脑图像处理,其特征在于,包括:
设置所述MRI脑图像中除脊液、灰质、白质之外的组织为图像背景并去掉;
计算所述MRI脑图像中像素之间强度和位置的相似度,构成双边相似度矩阵Bsm;
利用FCM算法将所述MRI脑图像的像素分割为集合C={Ck,k=1,2,…P},其中Ck是属于第k类的像素集合,P是聚类数量;
计算所述Ck内像素的权重系数集合Vk={γ1,γ2,…γN},其中N为所述Ck的像素数量;对所述Vk中的权重系数排序得到前R个权重系数集合VkR={γ'1,γ'2,…γ'R},所述VkR为Ck的主多聚类中心,集合V={VkR,k=1,2,…P}为所述C的主多聚类中心集合;
根据所述双边相似度矩阵Bsm和集合V分配采取K近邻的方式分配标签,将所述V中元素K近邻范围内最远距离的点确定为次级聚类中心,构成次级聚类中心集合A1,根据所述双边相似度矩阵Bsm和集合A1采取K近邻的方式分配标签,将所述A1中元素K近邻范围内最远距离点中的非中心点确定为下一级聚类中心,构成下一级聚类中心集合A2,根据所述双边相似度矩阵Bsm和集合A2采取K近邻的方式分配标签,重复若干次所述A2的聚类过程形成末级聚类中心集合Az,集合A={A1,A2,…Az}为所述C所有的次级聚类中心集合;所述集合V和A即为MRI脑图像中脊液、灰质、白质的全部聚类中心,所述集合V和A中元素的K近邻范围即为分割结果。
4.根据权利要求1所述的方法,其特征在于,还包括:
将不属于所述集合V和A的K近邻范围的像素,根据所述像素2K近邻范围内标签的投票确定像素所属类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011624753.1A CN112767410A (zh) | 2020-12-31 | 2020-12-31 | Mri脑组织聚类分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011624753.1A CN112767410A (zh) | 2020-12-31 | 2020-12-31 | Mri脑组织聚类分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767410A true CN112767410A (zh) | 2021-05-07 |
Family
ID=75698929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011624753.1A Withdrawn CN112767410A (zh) | 2020-12-31 | 2020-12-31 | Mri脑组织聚类分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767410A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700089A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种三维医学图像多尺度异构特征的提取与分类方法 |
CN109063737A (zh) * | 2018-07-03 | 2018-12-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及移动终端 |
CN109086720A (zh) * | 2018-08-03 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸聚类方法、装置和存储介质 |
-
2020
- 2020-12-31 CN CN202011624753.1A patent/CN112767410A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700089A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种三维医学图像多尺度异构特征的提取与分类方法 |
CN109063737A (zh) * | 2018-07-03 | 2018-12-21 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及移动终端 |
CN109086720A (zh) * | 2018-08-03 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸聚类方法、装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
GAO, ZHENGZHOU 等: "A bilateral-driven multi-centers clustering method for brain MRI segmentation", 《PROCEEDINGS OF SPIE》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
Jose et al. | Brain tumor segmentation using k-means clustering and fuzzy c-means algorithms and its area calculation | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
EP2483863B1 (en) | Method and apparatus for processing medical images | |
Raja'S et al. | Labeling of lumbar discs using both pixel-and object-level features with a two-level probabilistic model | |
CN107730516B (zh) | 一种基于模糊聚类的脑mr影像分割方法 | |
Zhong et al. | Boosting‐based cascaded convolutional neural networks for the segmentation of CT organs‐at‐risk in nasopharyngeal carcinoma | |
Yang et al. | Automatic segmentation of parotids from CT scans using multiple atlases | |
EP3605464A1 (en) | Quantitative calculation method for level of brain atrophy based on automatic segmentation | |
CN108010048B (zh) | 一种基于多图谱的自动脑部mri图像的海马体分割方法 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN104050666B (zh) | 基于分割的脑部mr图像配准方法 | |
CN103996193B (zh) | 结合加权邻域信息与偏移场恢复的脑mr图像分割方法 | |
CN103942780A (zh) | 基于改进模糊连接度算法的丘脑及其子结构分割方法 | |
Chen et al. | Kernel Spatial Shadowed C-Means for Image Segmentation. | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
CN110223331B (zh) | 一种大脑mr医学图像配准方法 | |
Meng et al. | Enhancing medical image registration via appearance adjustment networks | |
CN109285176B (zh) | 一种基于正则化图割的大脑组织分割方法 | |
MEVIS | Improved bias-corrected fuzzy c-means segmentation of brain mri data | |
Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
Ji et al. | MR image segmentation and bias field estimation using coherent local and global intensity clustering | |
CN111932575B (zh) | 基于模糊c均值和概率标签融合的图像分割方法及系统 | |
CN112419330A (zh) | 一种基于空间相对位置先验的颞骨关键解剖结构自动定位方法 | |
Sasikala et al. | Soft Computing based Brain Tumor Categorization with Machine Learning Techniques |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210507 |