[发明专利]基于医学组织器官自身特性的模糊聚类医学图像分割方法

说明书

技术领域

本发明涉及图像处理技术领域，特别是指一种基于医学组织器官自身特性的模糊聚类医学图像分割方法。

背景技术

医疗影像仪器为医疗诊断提供了丰富的图像信息。有效利用这些医学图像信息，可以有效帮助医生进行计算机辅助诊断、实施介入式治疗、制定内外科手术规划、对相应医学组织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。

利用医学图像提供的信息时，首先要做的工作是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，通过分析不同医学组织器官的形状、灰度等特性，对医生辅助诊断、治疗提供必要的帮助。

在医学图像中，存在难以处理的部分容积效应现象(partial volume effect，PVE)和强度不一致现象(intensity inhomogeneity，IIH)，这主要是由医学图像的成像原理组成的。为了确定病灶位置的需要，医生需要从不同的方向观察不同位置的医学图像切片。形成的医学图像中，每一个像素的灰度值是其邻域中多个像素灰度值的共同反映，往往涉及多个组织或器官。因而，在传统的基于K-means的医学图像分割中，直接把某一个像素分类到某一特定的医学组织器官，无法取得较好的分割效果。同时，由于部分容积效应现象的存在，使隶属于同一医学组织器官的像素灰度特征不同，即强度不一致现象。目前有效处理这两种现象的图像分割方法是模糊C-均值方法(fuzzy C-means，FCM)。在基于FCM方法的医学图像分割中，像素以不同的隶属度同时隶属于多个医学组织器官，从而可以在分割过程中从原医学图像保留尽可能多的信息，因而FCM方法可以取得较好的分割效果。FCM方法是通过最小化像素与聚类中心的加权距离函数实现医学图像分割，其中加权距离函数定义为：

其中C是预定义的医学组织器官的数目，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个医学组织器官的隶属度，m＞1是模糊因子，d_ij＝|x_j-v_i|是像素与聚类中心之间的欧氏距离，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(10)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两个明显的缺点：(1)分割结果受初始化聚类中心的影响，随机化的聚类中心初始化容易使加权距离函数陷入局部最小值，无法取得理想的分割结果；(2)聚类中心的计算涉及图像中的所有像素，当应用到医学图像分割时，某一医学组织器官的强度由医学图像中所有像素来决定，这显然是不合理的，同时由于所有像素参与计算，也降低了分割算法的运行效率。

发明内容

本发明提供一种基于医学组织器官自身特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，又能提高分割算法的运行效率。

为解决上述技术问题，本发明提供技术方案如下：

一种基于医学组织器官自身特性的模糊聚类医学图像分割方法，包括：

步骤1：提取给定医学图像的灰度特征，得到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：基于所述滤波后医学图像的特征直方图，对所述医学图像中的医学组织器官进行预分割；

步骤5：基于所述预分割的医学组织器官，对医学组织器官的聚类中心进行初始化；

步骤6：基于所述预分割的医学组织器官，对像素的隶属度进行初始化，并在此基础上定义医学图像分割的能量函数；

步骤7：通过迭代过程对所述能量函数进行最小化，在迭代过程中，对当前的分割结果进行修正，并基于修正后的分割结果，对医学组织器官的聚类中心和像素的隶属度进行更新；

步骤8：输出最终的医学图像分割结果。

本发明具有以下有益效果：