[發(fā)明專利]具有實(shí)時(shí)性的模糊聚類醫(yī)學(xué)圖像分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710202497.9
• 申請(qǐng)日: 2017-03-30
• 公開（公告）號(hào): CN106997592A
• 公開（公告）日: 2017-08-01
• 發(fā)明（設(shè)計(jì)）人: 唐新亭;張小峰;孫玉娟
• 申請(qǐng)（專利權(quán)）人: 魯東大學(xué)
• 主分類號(hào): G06T7/10
• 分類號(hào): G06T7/10
• 代理公司: 北京恩赫律師事務(wù)所11469
• 代理人: 趙文成

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，特別是指一種具有實(shí)時(shí)性的模糊聚類醫(yī)學(xué)圖像分割方法。

背景技術(shù)

醫(yī)療影像儀器的快速發(fā)展，為醫(yī)療診斷提供了X線、電子計(jì)算機(jī)斷層掃描(CT)、核磁共振成像(MRI)、正電子發(fā)射型計(jì)算機(jī)斷層顯像(PET)、數(shù)字減影血管造影(DSA)和數(shù)字胃腸等豐富的圖像信息。有效利用這些信息，可以有效幫助醫(yī)生進(jìn)行計(jì)算機(jī)輔助診斷、輔助介入式治療、制定內(nèi)外科手術(shù)規(guī)劃、對(duì)相應(yīng)醫(yī)學(xué)組織或器官進(jìn)行動(dòng)態(tài)模擬并分析病變部位的結(jié)構(gòu)和發(fā)生過程，提高疾病診斷的準(zhǔn)確性。

為了有效利用醫(yī)學(xué)圖像提供的信息，需要對(duì)醫(yī)學(xué)圖像進(jìn)行分割，將醫(yī)學(xué)圖像分割為不同的醫(yī)學(xué)組織或器官。此外，分割技術(shù)是計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等領(lǐng)域的共性技術(shù)，基于圖像的分割結(jié)果，可以進(jìn)一步對(duì)圖像進(jìn)行理解、分析和識(shí)別。

由于成像原理，醫(yī)學(xué)圖像中存在部分容積效應(yīng)現(xiàn)象(partial volume effect，PVE)。具體而言，每一個(gè)像素的特征值是兩相鄰切片之間、該像素鄰域中像素特征值的平均值。因而一個(gè)像素的特征應(yīng)該是相鄰的多個(gè)醫(yī)學(xué)組織或器官的共同作用結(jié)果。目前處理這種現(xiàn)象的有效方式是采用模糊C-均值聚類方法(fuzzy C-means，F(xiàn)CM)。在FCM方法中，允許一個(gè)像素以不同的隸屬度隸屬于多個(gè)醫(yī)學(xué)組織和器官，與K-means算法相比，可以從原圖像中保留更多的信息，因而可以取得更好的效果。從本質(zhì)上講，模糊聚類算法是通過最小化像素與聚類中心的加權(quán)距離實(shí)現(xiàn)圖像分割。目標(biāo)函數(shù)形式化為：

其中C是預(yù)定義的醫(yī)學(xué)圖像中組織或器官的數(shù)目，n是醫(yī)學(xué)圖像中像素的數(shù)目，u_ij是第j個(gè)像素隸屬于第i類醫(yī)學(xué)組織或器官的隸屬度，m＞1是模糊因子，d_ij＝|x_j-v_i|是像素與聚類中心之間的距離，v_i是第i個(gè)聚類中心。同時(shí)，像素的隸屬度u_ij需要滿足約束條件最小化(8)式的目標(biāo)函數(shù)通常采用拉格朗日算子法。

傳統(tǒng)的FCM方法應(yīng)用于醫(yī)學(xué)圖像分割時(shí)存在幾個(gè)明顯的缺點(diǎn)：(1)分割結(jié)果受初始化聚類中心的影響，有時(shí)分割的結(jié)果集中在醫(yī)學(xué)圖像的細(xì)節(jié)部分，忽略了主要部分的分割；(2)分割的效率較為低下，當(dāng)醫(yī)學(xué)圖像包含較多的像素時(shí)，分割效率低下，無法滿足實(shí)時(shí)分割的要求。

發(fā)明內(nèi)容

本發(fā)明提供一種具有實(shí)時(shí)性的模糊聚類醫(yī)學(xué)圖像分割方法，其既能較好地實(shí)現(xiàn)醫(yī)學(xué)圖像的分割，又能滿足醫(yī)學(xué)圖像分割的實(shí)時(shí)性要求。

為解決上述技術(shù)問題，本發(fā)明提供技術(shù)方案如下：

一種具有實(shí)時(shí)性的模糊聚類醫(yī)學(xué)圖像分割方法，其特征在于，包括：

步驟1：對(duì)給定的醫(yī)學(xué)圖像提取灰度特征，得到所述醫(yī)學(xué)圖像的特征信息集；

步驟2：利用所述醫(yī)學(xué)圖像的特征信息和鄰域信息，基于濾波技術(shù)對(duì)所述醫(yī)學(xué)圖像進(jìn)行預(yù)處理；

步驟3：計(jì)算濾波后醫(yī)學(xué)圖像的特征直方圖，以得到濾波后醫(yī)學(xué)圖像的統(tǒng)計(jì)信息；

步驟4：從所述濾波后醫(yī)學(xué)圖像的特征直方圖上計(jì)算相應(yīng)的特征區(qū)間；

步驟5：基于獲取的特征區(qū)間，初始化所述濾波后醫(yī)學(xué)圖像中相應(yīng)組織或器官的聚類中心，并對(duì)像素的隸屬度進(jìn)行計(jì)算；

步驟6：通過迭代過程，在最小化像素與聚類中心的加權(quán)函數(shù)的過程中，更新所述像素的隸屬度以及聚類中心；

步驟7：基于最大隸屬度原則對(duì)像素的隸屬度去模糊化，實(shí)現(xiàn)對(duì)給定醫(yī)學(xué)圖像的分割，提取相應(yīng)的組織或器官。

本發(fā)明具有以下有益效果：

本發(fā)明的具有實(shí)時(shí)性的模糊聚類醫(yī)學(xué)圖像分割方法，首先提取醫(yī)學(xué)圖像中像素的灰度特征，基于濾波技術(shù)對(duì)原始圖像進(jìn)行預(yù)處理，計(jì)算濾波后醫(yī)學(xué)圖像的特征直方圖，然后基于特征直方圖獲取濾波后醫(yī)學(xué)圖像的特征區(qū)間，并在此基礎(chǔ)上對(duì)醫(yī)學(xué)組織器官隸屬的聚類中心初始化，在目標(biāo)函數(shù)最小化的迭代過程中，基于特征區(qū)間更新像素的隸屬度和醫(yī)學(xué)組織器官的聚類中心，最終通過最大隸屬度去模糊化，實(shí)現(xiàn)醫(yī)學(xué)圖像的分割。本發(fā)明通過將特征的統(tǒng)計(jì)信息進(jìn)行區(qū)間劃分，將聚類中心限制在一定的范圍內(nèi)，可以經(jīng)過較少的迭代次數(shù)達(dá)到迭代終止條件，滿足醫(yī)學(xué)圖像分割的實(shí)時(shí)性要求；通過對(duì)聚類中心進(jìn)行初始化，可以通過獲取目標(biāo)函數(shù)的全局最小值避免分割結(jié)果過于集中于細(xì)節(jié)，可以取得較好的分割結(jié)果；設(shè)計(jì)的醫(yī)學(xué)圖像分割方法可以較好地適用于灰度圖像的分割。

附圖說明

圖1為本發(fā)明的具有實(shí)時(shí)性的模糊聚類醫(yī)學(xué)圖像分割方法的流程示意圖；

圖2為本發(fā)明的具有實(shí)時(shí)性的模糊聚類醫(yī)學(xué)圖像分割方法的原理示意圖；