[发明专利]一种脑部MRI图像分割方法

说明书

技术领域

本发明属于医学图像处理领域，具体涉及一种脑部MRI图像分割方法。

背景技术

近年来，计算机技术、通信技术、网络技术的飞速发展给计算机辅助诊断(ComputerAidedDiagnosis，CAD)带来了新的生机，CAD利用了计算机对医学图像分析处理的高效性，节省了大量的人力、物力，并且能够不受人主观意识的影响做出客观实际的诊断结果，从而配合医生对病情做出精确的判断。在医学图像处理中，医学图像分割是解决医学图像在临床上应用的前提条件，它是一个复杂并具有挑战性的任务，特别是人类对脑图像的分割，脑分割对于早期诊断脑肿瘤，阿尔茨海默症等疾病具有极为重要的意义。

磁共振成像(MagneticResonanceImaging，MRI)是一个非常重要的医学图像成像技术，由于它能够提供活体组织的细节图像，成像参数多，对人体无放射性损伤，现将MRI应用于人脑疾病的辅助诊断研究已受到了广泛的重视。因MRI图像内部组织间边界的模糊性和内在的不确定性，使得模糊聚类技术比起其它技术被更加广泛地应用于MRI图像分割。目前应用最广泛的是模糊C-均值聚类(FuzzyC-Means，FCM)算法，它是通过迭代优化含模糊参数的目标函数来获取像素点属于各类的隶属度进行图像分割的，但是该算法对初值和噪声干扰非常敏感，在很大程度上依赖初始聚类中心的选择，当初始聚类中心严重偏离全局最优聚类中心时，极易陷入局部最优解，使分割速度和性能都受到影响。

近年来，一些学者提出采用粒子群算法(ParticleSwarmOptimization，PSO)进行初始聚类中心的优化求解，受混沌理论的启发而提出的混沌粒子群算法(ChaosParticleSwarmOptimization，CPSO)已应用于图像分割，但这些文献未能提出对粒子群早熟现象的判定，并且利用的混沌模型大都是Logistic映射，然而Logistic映射所产生的序列极不均匀，稳定性较差。因此本发明首次采用逻辑自映射函数混沌初始化均匀分布的粒子群，并集成早熟判断机制，以提高图像分割速度和精度。

发明内容

针对现有技术存在的问题，本发明提供一种脑部MRI图像分割方法。

本发明的技术方案是：

一种脑部MRI图像分割方法，包括如下步骤：

步骤1：获取待分割脑部MRI图像的灰度图像；

步骤2：将脑部MRI图像中不同像素点的灰度值作为聚类中心，形成聚类中心集合作为粒子，采用粒子群优化算法进行聚类中心集合的优化；

步骤2-1：采用逻辑自映射函数混沌初始化均匀分布的粒子群，产生一个表示初始粒子群的混沌序列；

步骤2-2：结合FCM聚类算法定义粒子群优化算法的目标函数，将其作为粒子适应度函数：将脑部MRI图像中的像素点作为需要聚类的数据集的样本点，将像素点的灰度值作为样本点的特征，采用脑部MRI图像中各像素点与每个聚类中心之间的加权相似度进行优化；

步骤2-3：将各个粒子的初始位置作为该粒子个体最优位置，粒子群中适应度最优的粒子个体位置作为全局最优位置；

步骤2-4：基于目标函数进行粒子群迭代，更新每个粒子的速度和位置，产生下一代粒子群，并评价每个粒子的适应度；

步骤2-5：若第i个粒子个体位置的适应度优于该粒子个体最优位置的适应度，更新为该粒子的当前位置；若该粒子个体位置的适应度优于全局最优位置的适应度，全局最优位置更新为该粒子的当前位置；

步骤2-6：粒子群迭代过程中实时计算粒子群的适应度方差，判断粒子群优化算法是否出现早熟，若是则转步骤2-7，否则转步骤2-8；

步骤2-7：对粒子个体最优位置进行混沌搜索，用拥有最优适应度的粒子个体位置随机代替当前粒子群中的任一粒子个体位置；

步骤2-8：若达到最大迭代次数，则停止迭代，此时全局最优位置对应的粒子即最优聚类中心集合，执行步骤3，否则返回步骤2-4；

步骤3：实现脑部MRI图像分割：将脑部MRI图像中每个像素点归属于具有最大隶属度的类中，令同一类中像素点灰度值等于同一个灰度值，完成脑部MRI图像分割。

所述步骤2-1具体步骤如下：

步骤2-1-1：采用逻辑自映射函数在可行域中混沌初始化N个粒子的个体位置和速度；每个粒子的个体位置表示一个聚类中心集合，其中位置分量表示像素点的灰度值；

步骤2-1-2：将脑部MRI图像中不同像素点的灰度值作为聚类中心，形成聚类中心集合作为粒子，建立混沌序列模型；