[發明專利]一種基于超像素模糊聚類的腦部MR圖像分割方法

有效

• 申請號: 201310209537.4
• 申請日: 2013-05-30
• 公開（公告）號: CN103353986A
• 公開（公告）日: 2013-10-16
• 發明（設計）人: 尹義龍;楊公平;于振;紀石勇;張彩明
• 申請（專利權）人: 山東大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;A61B5/055
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 張勇

技術領域

本發明涉及醫學圖像分割領域，具體地說是一種基于超像素模糊聚類的腦部MR圖像分割方法。

背景技術

醫學影像處理與分析借助于圖形圖像技術的有力手段，利用現有的醫學影像設備極大地提高了醫學臨床診斷水平，為醫學的研究與發展提供了堅實的基礎，具有重要應用價值。核磁共振技術是一種非侵害性的醫學成像技術，通過分析MR圖像序列，我們可以得到具有高分辨率的帶有解剖學和功能信息的3D圖像，這有利于提高診斷水平和對疾病的處理。隨著統計學理論、模糊集理論、機器學習理論在圖像分割領域應用的不斷深入，近幾十年來，很多新的方法與思想被應用于醫學圖像分割領域，其中比較有代表性的有模糊c—均值聚類法以及超像素分割算法。

模糊c—均值聚類算法具有無監督、實現簡單、運算速度快等特點，能夠準確地分割對比度比較明顯、信噪比較高的圖像，但也存在著明顯的不足。它在聚類過程中僅考慮了單個像素的灰度值分別與各聚類中心的距離，各像素間的數據是相互獨立的，未考慮相鄰像素之間的影響，也就是未能利用空間信息。因此運用模糊c—均值聚類法分割疊加了噪聲的低信噪比MR腦部圖像時，會產生較大的偏差。此外，面對某些存在灰度不均現象的圖像，如果單純只用模糊c—均值聚類法進行分割，由于圖像整體灰度值對比度較差，因此分割準確率也會比較低。

超像素分割方法能夠有效利用空間約束信息，具有一定的抗噪性，并且在強化圖像局部一致性的同時保留了圖像原始邊界信息，超像素分割出來的原子區域還包含了單個像素所不具備的一些圖像特征，比如形狀、邊界輪廓信息以及區域灰度直方圖等，有利提高的圖像處理的準確度，而且在時間復雜度方面超像素比起單個像素的處理也有較大提高。另外，對于某些圖像存在的灰度不均現象，超像素作為原子區域其內部的灰度值差異較小，整體的灰度不均現象則不存在于超像素中，有效的避免了此現象對圖像分割的影響。

發明內容

本發明為克服上述現有技術的不足，提供一種基于超像素模糊聚類的腦部MR圖像分割方法。該方法可以充分利用模糊聚類在醫學圖像處理中的優勢，并使用超像素方法有針對性的加強空間約束信息以及有效的處理灰度不均問題，彌補了單純使用模糊c—均值聚類算法在處理噪聲和偏場方面的不足，提高了腦部MR圖像分割的準確性和魯棒性。

為實現上述目的，本發明采用如下技術方案：

一種基于超像素模糊聚類的腦部MR圖像分割方法，它的步驟為：

第一步，獲取MR圖像；

第二步，對MR圖像進行超像素分割，得到若干原子區域；

第三步，對灰度值方差較大的原子區域進行二次細化分割；

第四步，對原子區域進行模糊聚類，得到每個原子區域的類別隸屬度；

第五步，對于隸屬度不夠明確的原子區域定義其為模糊塊，并用函數迭代方法實現模糊塊的歸屬類判別；

第六步，對原子區域進行超像素合并操作，獲得圖像分割結果。

所述第二步中，采用超像素分割算法對圖像進行超像素分割，得到L個超像素R_i{i=1,2,…,L}。

所述第三步中，采用自動閾值分割法進行二次分割：對每個超像素內部灰度值進行方差計算，將獲得的方差與設定閾值進行比較，如果大于該閾值，則進行二次分割，然后計算超像素灰度均值；如果小于該閾值，則直接計算超像素灰度均值；為減少噪音點對分割準確度的影響，引入一個比例參數t，僅對于自動閾值分割后所占原超像素比例大于t的區域進行保留，以抑制噪音點的影響；經過二次分割后，總共產生了K個超像素R_i{i=1,2,…,K}，K≥L，這K個超像素即是第四步驟所要處理的對象。

所述第四步中，模糊聚類采用模糊c—均值聚類方法，對于MR腦圖像，將其內容分為灰質、白質和腦脊液三部分，在模糊c—均值聚類時將聚類數固定設置為三類；聚類時，以每個超像素內部的平均灰度值μ作為聚類參數，通過對上節產生的K個超像素R_i{i=1,2,…,K}進行聚類，得到聚類中心C(c₁,c₂,c₃)以及隸屬度矩陣U，每個超像素的分類通過U來確定。

所述第五步中，歸屬類判別的實現采用基于巴特沃斯函數迭代方法實現模糊塊的歸屬類判別：