[發(fā)明專利]改進(jìn)模糊聚類算法的超聲圖像病灶區(qū)分割方法

在審

• 申請?zhí)枺?/td>: 201710664817.2
• 申請日: 2017-08-07
• 公開（公告）號: CN107403438A
• 公開（公告）日: 2017-11-28
• 發(fā)明（設(shè)計）人: 劉靜;霍冠英;盛蘊(yùn)霞;李慶武
• 申請（專利權(quán)）人: 河海大學(xué)常州校區(qū)
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T7/143;G06T7/10;G06T5/00;G06K9/62
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司32224
• 代理人: 董建林

技術(shù)領(lǐng)域

本發(fā)明涉及一種改進(jìn)模糊聚類算法的超聲圖像病灶區(qū)分割方法，屬于超聲波圖像處理技術(shù)領(lǐng)域。

背景技術(shù)

超聲成像由于具有實時性、無損性、廉價性、可重復(fù)性好和靈敏度高等優(yōu)勢而廣泛應(yīng)用于臨床診斷和治療中，它在人體內(nèi)部組織器官的定量分析、實時監(jiān)控和治療規(guī)劃等方面都有著廣泛的應(yīng)用。圖像分割在醫(yī)學(xué)超聲圖像處理中扮演著十分重要的作用，其分割結(jié)果直接影響到后續(xù)的分析、處理工作。正確的分割結(jié)果是臨床定量、定性分析及計算機(jī)輔助診斷的基礎(chǔ)，但受醫(yī)學(xué)超聲圖像成像原理的影響，超聲圖像先天性地具有對比度低，信噪比低，斑點噪聲強(qiáng)等特點，導(dǎo)致圖像中大多存在模糊性及不確定性，增大了超聲圖像的分割難度。

近年來，隨著計算機(jī)輔助診斷技術(shù)及圖像分割技術(shù)的發(fā)展，越來越多的新理論、新方法被用到醫(yī)學(xué)超聲圖像分割領(lǐng)域中，如神經(jīng)網(wǎng)絡(luò)、小波變換、圖割法、馬爾科夫隨機(jī)場模型、模糊集理論等，此外，基于曲線演化理論的活動輪廓模型及水平集方法也得到了較快的發(fā)展。馬爾科夫隨機(jī)場由于其模型參數(shù)少，空間約束能力強(qiáng)，易于和其他算法結(jié)合等優(yōu)點，被廣泛應(yīng)用于圖像分割領(lǐng)域，近年來，人們對馬爾科夫隨機(jī)場模型已不是單一的研究與使用，更多的是與其他方法相結(jié)合，從而可以避免單一的MRF模型造成的過分割現(xiàn)象，使基于該模型的分割結(jié)果更精準(zhǔn)。

在眾多方法中，基于模糊集理論的模糊C均值聚類方法采用無監(jiān)督的軟性劃分方法，允許樣本點以不同的隸屬度同時歸屬于所有的類，能真實地反應(yīng)超聲圖像因噪聲干擾導(dǎo)致的不確定性和模糊性，被廣泛用于醫(yī)學(xué)圖像的分割中。然而，傳統(tǒng)的模糊聚類算法僅考慮了單個像素點灰度值與各聚類中心的距離，忽略了圖像中相連像素點間的相互影響，因此對噪聲較為敏感，只適用于對無噪或低噪圖像進(jìn)行處理，不能直接用于包含大量斑點噪聲的超聲圖像。為提高算法的抗噪性，國內(nèi)外很多學(xué)者們不斷對其進(jìn)行改進(jìn)，也取得了顯著成效，但大多改進(jìn)的模糊聚類算法都是通過在目標(biāo)函數(shù)中直接加入額外的鄰域約束項來實現(xiàn)的，該類方法雖然在一定程度上提高了算法的抗噪性，但是也大大增加了算法的計算復(fù)雜度。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種改進(jìn)模糊聚類算法的超聲圖像病灶區(qū)分割方法，融合MRF約束條件用于快速準(zhǔn)確地提取超聲圖像的病灶區(qū)。

為了實現(xiàn)上述目標(biāo)，本發(fā)明采用如下的技術(shù)方案：

一種改進(jìn)模糊聚類算法的超聲圖像病灶區(qū)分割方法，其特征是，包括如下步驟：

步驟1)在NSCT域?qū)Τ晥D像進(jìn)行預(yù)處理；

步驟2)使用改進(jìn)的模糊聚類算法對預(yù)處理后的超聲圖像進(jìn)行粗分割；

步驟3)根據(jù)獲得的粗分割結(jié)果計算MRF模型的約束條件；

步驟4)利用預(yù)處理后圖像各像素點鄰域方差信息求MRF約束條件的權(quán)值；

步驟5)利用融合MRF模型約束條件的改進(jìn)模糊聚類算法對超聲圖像進(jìn)行細(xì)分割；

步驟6)利用膨脹腐蝕運算對分割結(jié)果進(jìn)行優(yōu)化；

步驟7)根據(jù)分割結(jié)果提取出超聲圖像的病灶區(qū)。

前述的一種改進(jìn)模糊聚類算法的超聲圖像病灶區(qū)分割方法，其特征是，所述步驟1)在進(jìn)行預(yù)處理時，為降低噪聲對分割結(jié)果的影響，使用如下公式對獲取到的超聲圖像在NSCT變換域進(jìn)行預(yù)處理：其中，為信號的估計值，為NSCT分解所得的第r個尺度的第o個方向子帶的高頻系數(shù)，β是瑞利分布衰減參數(shù)，為信號的方差。

前述的一種改進(jìn)模糊聚類算法的超聲圖像病灶區(qū)分割方法，其特征是，所述步驟1)中預(yù)處理公式進(jìn)行求解時，將β和的估計值選擇為并進(jìn)行求解，其中，σ為噪聲的標(biāo)準(zhǔn)差，為包含噪聲的高頻系數(shù)的方差估計值，為噪聲系數(shù)的方差估計值。

前述的一種改進(jìn)模糊聚類算法的超聲圖像病灶區(qū)分割方法，其特征是，在所述步驟(2)中，使用改進(jìn)的模糊聚類算法獲取超聲圖像的粗分割結(jié)果，改進(jìn)模糊聚類算法迭代時采用的目標(biāo)函數(shù)為約束條件為

其中，L-1是最大灰度級，K為分類數(shù)，u_ki為灰度級i對第k類的隸屬度；d_ki＝||i-v_k||表示灰度級為i的點到第k類聚類中心v_k的距離，H(i)為具有灰度級i的像素個數(shù)，N_i表示以灰度級i為中心的所有鄰域點集合，j為i的某一鄰域點，d_ij表示i與j間的歐式距離，u_kj為點j對第k類的隸屬度，d_kj＝||j-v_k||為點j到第k類聚類中心的距離；