《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計應(yīng)用 > 合理利用空間信息的MRI腦部圖像分割
合理利用空間信息的MRI腦部圖像分割
來源:微型機與應(yīng)用2011年第19期
王媛媛
(西安電子科技大學(xué) 電子工程學(xué)院,,陜西 西安 710071)
摘要: 在合理利用空間信息的基礎(chǔ)上,提出了一種更準確,,緊致性和分離性更好的分割算法,。該算法首先定義一個空間函數(shù),,并在其中引入一個控制參數(shù),該參數(shù)可以對噪聲點、邊緣點以及區(qū)域內(nèi)部的點進行區(qū)別對待,,然后用空間信息更新隸屬度,。實驗結(jié)果表明,該算法效果要明顯優(yōu)于sFCMpq算法及其改進算法(EsFCMpq),。
Abstract:
Key words :

摘  要: 在合理利用空間信息的基礎(chǔ)上,提出了一種更準確,,緊致性和分離性更好的分割算法,。該算法首先定義一個空間函數(shù),并在其中引入一個控制參數(shù),,該參數(shù)可以對噪聲點,、邊緣點以及區(qū)域內(nèi)部的點進行區(qū)別對待,然后用空間信息更新隸屬度,。實驗結(jié)果表明,,該算法效果要明顯優(yōu)于sFCMpq算法及其改進算法(EsFCMpq)。
關(guān)鍵詞: 圖像分割,;模糊c-均值聚類,;鄰域信息;MRI腦部圖像

 圖像分割是圖像分析和模式識別的首要問題,,它是圖像分析和模式識別系統(tǒng)的重要組成部分,,并決定圖像的最終分析質(zhì)量和模式識別的判別結(jié)果[1]。醫(yī)學(xué)圖像分割長期以來一直是圖像處理的研究熱點,,由于人體解剖結(jié)構(gòu)的復(fù)雜性,、組織器官形狀的不規(guī)則性、不同個體的差異性等原因,,使得到目前為止,,還無法得到一種能對所有圖像進行有效分割的分割算法。目前,,圖像分割算法主要包括基于邊界,、基于閾值、基于模糊集理論,、基于區(qū)域的方法,。由于MR圖像成像設(shè)備獲取圖像的不確定性或模糊性,造成不同個體組織之間難以找到清晰的邊界,,而模糊聚類法是一種有效的方法,。在腦部MRI圖像的分割中,最具代表性的算法是模糊c-均值聚類算法(FCM),。傳統(tǒng)的FCM算法由DUNN J C[2]提出,,后來由BEZDEK J C[3]進行改進。FCM算法采用迭代優(yōu)化目標函數(shù),最終獲得對數(shù)據(jù)集的模糊劃分,。該算法的缺點是僅利用了灰度信息的聚類算法,,沒有考慮相關(guān)像素之間的相關(guān)性,未能利用圖像的空間信息,,這就導(dǎo)致了圖像分割的不準確性[4-5],。近幾年來,很多文獻都著力于利用圖像空間信息的改進的FCM算法,,提高了對低信噪比圖像的分割精度[6-7],。目前,結(jié)合空間信息的FCM算法主要有兩種,,一種是改進目標函數(shù),,在目標函數(shù)中加入空間信息;另一種是改進隸屬度函數(shù),,在隸屬度函數(shù)中加入空間信息,。本文提出的算法是后一種情況。本算法首先定義一個空間函數(shù),,在空間函數(shù)中引入一個控制參數(shù),,該參數(shù)可以對噪聲點、邊緣點以及區(qū)域內(nèi)部的點都進行區(qū)別對待,,然后用空間信息更新隸屬度,。實驗結(jié)果表明,該算法的效果要明顯優(yōu)于sFCMpq算法及其改進算法(EsFCMpq),。
1 算法介紹
1.1經(jīng)典FCM算法

 FCM算法是通過對目標函數(shù)進行迭代優(yōu)化,,進而對數(shù)據(jù)樣本進行模糊聚類的一種方法,分類結(jié)果用一個模糊隸屬度矩陣U={uik}∈RCN來表示,。對于圖像分割,,數(shù)據(jù)樣本集就是N個像素,通過FCM算法把這N個像素分成C個類,,得到C個類中心和模糊隸屬度矩陣,,其中對于uik,它表示第k個像素劃分為第i個類的程度,,即隸屬度,。FCM的目標函數(shù)[6]定義為:



 


 使用聚類有效性參數(shù)對算法的性能進行比較,結(jié)果如表2所示,。

 以上結(jié)果表明,,無論是真實圖像還是合成圖像,從vpe和vpc兩個參數(shù)來看,,本文算法在分割精確性上優(yōu)于sFCMpq和EsFCMpq算法,;從vfs和vxb兩個參數(shù)看,本文算法在緊致性和分離性上要優(yōu)于sFCMpq和EsFCMpq算法。
 傳統(tǒng)的FCM算法分割并不理想,,原因在于它只考慮了圖像的灰度信息,。本文算法既考慮了灰度信息又合理地利用了圖像的空間信息。在空間信息統(tǒng)計中引入一個改進的控制參數(shù)來區(qū)分噪聲,、邊緣點和區(qū)域內(nèi)部的點,,并對區(qū)域內(nèi)部的點進行區(qū)別對待,既能控制鄰域信息的使用,,避免邊緣過平滑的現(xiàn)象,,又能更加合理地利用空間信息。實驗結(jié)果表明,,與sFCMpq、EsFCMpq算法相比,,該算法分割結(jié)果的精確性更高,,分割結(jié)果有更好的緊致性和分離性,是一種魯棒性更好的聚類算法,。
 和EsFCMpq存在的問題一樣,,由于加入了空間信息,并且引入了控制參數(shù),,在計算量上要比FCM,、sFCMpq、EsFCMpq都有所增加,,這是該算法存在的問題,。
參考文獻
[1] CHENG H D, JIANG X H,, SUN Y,, et al. Color image segmentation: advances and prospects[J]. Pattern Recognition, 2001,,(34):2259-2281.
[2] DUNN J C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters [J].Journal of Cybernetics,, 1973,3:32-57.
[3] BEZDEK J C. Pattern recognition with fuzzy objective function algorithms [M]. New York: Plenum Press:1981.
[4] 余學(xué)飛.基于模糊理論的醫(yī)學(xué)圖像分割算法研究[D].廣州:南方醫(yī)科大學(xué),,2009.
[5] 辛學(xué)剛,,盧振泰,陳武凡.融入空間信息的醫(yī)學(xué)圖像優(yōu)質(zhì)分割[J].計算機工程與應(yīng)用,,2009,,45(34):225-226.
[6] TOLIAS Y A, PANAS S M. Image segmentation by a fuzzy clustering algorithm using adaptive spatially constrained membership functions[J]. IEEE Transactions on Systems,,Man and Cybernetics,, 1998,28(3):359-369.
[7] MOHAMED N A. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data [J].IEEE Transactions on Med Image, 2002,,21(3):193-199.
[8] CHEN W J,, GIGER M L, BICK U. A fuzzy c-means (FCM)-based approach for computerized segmentation of breast lesions in dynamic contrast-enhanced MR images [J].Academic Radiology,, 2006,,13(1):63-72.
[9] 張?zhí)m,王珂,,楊文宏.一種結(jié)合空間信息的FCM算法對腦MR圖像的分割[J].計算機工程與應(yīng)用,,2007,43(26):203-205.
[10] CHUANG K S,, TZENG H L,, CHENS, et al. Fuzzy c-means clustering with spatial information for image segmentation[J]. Computerized Medical Imaging and Graphics,, 2006(30):9-15.
[11] 李斌,,陳武凡.基于模糊聚類空間模型的非均勻MR圖像分割[J].醫(yī)療衛(wèi)生設(shè)備,2006,,27(2):3-4.
[12] LUNG H V,, KIM J M. A generalized spatial Fuzzy C-Means algorithm for medical image segmentation[J]. IEEE International Conference on Fuzzy Systems, FUZZ-IEEE,,2009:409-414.
[13] 李志梅,,肖德貴.快速模糊C均值聚類的圖像分割方法[J].計算機工程與應(yīng)用,2009,,45(12):187-189.
[14] BEZDEK J C. Cluster validity with fuzzy sets[J]. Journal of Cybernetics,, 1974,8(3):58-73.
[15] BEZDEK J C. Mathematical models for systematic and taxonomy[C]. Proceedings of 8th International Conference on Numerical Taxonomy,, 1975:143-166.
[16] XIE X L,, BENI G. A validity measure for fuzzy clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991,,13(8):841-847.
[17] FUKUYAMA Y,, SUGENO M. A new method of choosing the number of clusters for the Fuzzy C-Means Method[C]. Proceedings of 5th Fuzzy Systems Symposium, 1989:247-250.
[18] POPESCU M,, BEZDEK J C,, KELLER J M, et al. A new cluster validity measure for bioinformatics relational datasets[C]. IEEE International Conference on Fuzzy Systems,,2008:726-731,,.
[19] BALAFAR M A, RAMLI A R,, MASJOHOR S,, et al. Compare different spatial based Fuzzy-C_Mean(FCM) extensions for MRI image segmentation[J]. The 2nd International Conference on Computer and Automatic Engineering(ICCAE),, 2010,5(1):609-611.
[20] AYECH M W,, KALTI K E,, AYEB B E[C]. International Conference on Pattern Recognition, 2010:2306-2309.

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。