[发明专利]具有实时性的模糊聚类医学图像分割方法

说明书

技术领域

本发明涉及医学图像处理技术领域，特别是指一种具有实时性的模糊聚类医学图像分割方法。

背景技术

医疗影像仪器的快速发展，为医疗诊断提供了X线、电子计算机断层扫描(CT)、核磁共振成像(MRI)、正电子发射型计算机断层显像(PET)、数字减影血管造影(DSA)和数字胃肠等丰富的图像信息。有效利用这些信息，可以有效帮助医生进行计算机辅助诊断、辅助介入式治疗、制定内外科手术规划、对相应医学组织或器官进行动态模拟并分析病变部位的结构和发生过程，提高疾病诊断的准确性。

为了有效利用医学图像提供的信息，需要对医学图像进行分割，将医学图像分割为不同的医学组织或器官。此外，分割技术是计算机视觉、机器学习等领域的共性技术，基于图像的分割结果，可以进一步对图像进行理解、分析和识别。

由于成像原理，医学图像中存在部分容积效应现象(partial volume effect，PVE)。具体而言，每一个像素的特征值是两相邻切片之间、该像素邻域中像素特征值的平均值。因而一个像素的特征应该是相邻的多个医学组织或器官的共同作用结果。目前处理这种现象的有效方式是采用模糊C-均值聚类方法(fuzzy C-means，FCM)。在FCM方法中，允许一个像素以不同的隶属度隶属于多个医学组织和器官，与K-means算法相比，可以从原图像中保留更多的信息，因而可以取得更好的效果。从本质上讲，模糊聚类算法是通过最小化像素与聚类中心的加权距离实现图像分割。目标函数形式化为：

其中C是预定义的医学图像中组织或器官的数目，n是医学图像中像素的数目，u_ij是第j个像素隶属于第i类医学组织或器官的隶属度，m＞1是模糊因子，d_ij＝|x_j-v_i|是像素与聚类中心之间的距离，v_i是第i个聚类中心。同时，像素的隶属度u_ij需要满足约束条件最小化(8)式的目标函数通常采用拉格朗日算子法。

传统的FCM方法应用于医学图像分割时存在几个明显的缺点：(1)分割结果受初始化聚类中心的影响，有时分割的结果集中在医学图像的细节部分，忽略了主要部分的分割；(2)分割的效率较为低下，当医学图像包含较多的像素时，分割效率低下，无法满足实时分割的要求。

发明内容

本发明提供一种具有实时性的模糊聚类医学图像分割方法，其既能较好地实现医学图像的分割，又能满足医学图像分割的实时性要求。

为解决上述技术问题，本发明提供技术方案如下：

一种具有实时性的模糊聚类医学图像分割方法，其特征在于，包括：

步骤1：对给定的医学图像提取灰度特征，得到所述医学图像的特征信息集；

步骤2：利用所述医学图像的特征信息和邻域信息，基于滤波技术对所述医学图像进行预处理；

步骤3：计算滤波后医学图像的特征直方图，以得到滤波后医学图像的统计信息；

步骤4：从所述滤波后医学图像的特征直方图上计算相应的特征区间；

步骤5：基于获取的特征区间，初始化所述滤波后医学图像中相应组织或器官的聚类中心，并对像素的隶属度进行计算；

步骤6：通过迭代过程，在最小化像素与聚类中心的加权函数的过程中，更新所述像素的隶属度以及聚类中心；

步骤7：基于最大隶属度原则对像素的隶属度去模糊化，实现对给定医学图像的分割，提取相应的组织或器官。

本发明具有以下有益效果：

本发明的具有实时性的模糊聚类医学图像分割方法，首先提取医学图像中像素的灰度特征，基于滤波技术对原始图像进行预处理，计算滤波后医学图像的特征直方图，然后基于特征直方图获取滤波后医学图像的特征区间，并在此基础上对医学组织器官隶属的聚类中心初始化，在目标函数最小化的迭代过程中，基于特征区间更新像素的隶属度和医学组织器官的聚类中心，最终通过最大隶属度去模糊化，实现医学图像的分割。本发明通过将特征的统计信息进行区间划分，将聚类中心限制在一定的范围内，可以经过较少的迭代次数达到迭代终止条件，满足医学图像分割的实时性要求；通过对聚类中心进行初始化，可以通过获取目标函数的全局最小值避免分割结果过于集中于细节，可以取得较好的分割结果；设计的医学图像分割方法可以较好地适用于灰度图像的分割。

附图说明

图1为本发明的具有实时性的模糊聚类医学图像分割方法的流程示意图；

图2为本发明的具有实时性的模糊聚类医学图像分割方法的原理示意图；