[发明专利]一种基于模糊聚类的脑MR影像分割方法

说明书

本发明公开了一种基于模糊聚类的脑MR影像分割方法，主要解决脑MR影像分割过程中传统FCM算法及其改进方法无法同时消除噪声和偏置场的问题。该方法充分利用图像中的局部空间信息、局部灰度信息和非局部信息，分别构造出多局部信息模糊因子和非局部权重，在提高算法抗噪性的同时尽可能多地保持图像细节；同时建立偏置场模型，以去除脑MR影像中的灰度不均匀性；最后将提出的多局部信息模糊因子和非局部权重嵌入到带有偏置场模型的FCM方法中，以实现噪声和偏置场条件下的脑MR影像分割。本发明方法能够有效地抑制脑MR影像中的噪声，并能有效消除偏置场对脑MR影像分割的影响，具有更优的分割性能。

技术领域

本发明属于聚类分析与智能信息处理技术领域，涉及噪声和偏置场环境下脑MR影像的分割。具体地说是一种基于模糊聚类的脑MR影像的分割方法，可用于医学影像分析和疾病诊断等领域。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)作为一种十分重要的医学成像技术，已成为医疗诊断、手术规划、三维重建等环节中必不可少的技术手段，而脑MR影像的分割是磁共振成像研究中的一个热点问题。脑组织通常被划分为灰质(Gray Matter，GM)、白质(White Matter，WM)、脑髓液(Cerebro-Spinal Fluid，CSF)三部分，准确有效地实现脑组织的分割将会为脑部疾病的准确诊断带来极大的帮助。由于脑组织结构的复杂性以及受医学成像过程中部分容积效应等因素的影响，使得获取到的图像中往往呈现出含噪较多、对比度低、灰度分布不均匀、目标边界不清晰等特性，因而给脑MR影像的准确分割带来了极大的困难。

针对脑MR影像的分割方法有很多，如期望最大化、水平集、模糊聚类等，其中模糊聚类是较为常用的一种方法。模糊C-均值算法(Fuzzy C-Means，FCM)作为模糊聚类中最为经典的方法，在医学影像分割方面具有广泛的应用。与传统的硬聚类方法不同，FCM算法采用模糊隶属度来评估像素归属于某一类的程度，从而避免了将像素归类一刀切的问题。然而传统的FCM算法中并不包含像素的空间邻域信息，因而对噪声十分敏感，并且FCM算法无法解决脑MR影像中的灰度不均匀性问题。为此，国内外诸多学者提出了相关的改进算法，如基于空间约束的FCM算法、基于邻域均值和中值的空间FCM算法、快速广义FCM算法。2010年Krinidis等人提出了一种模糊局部信息C-均值算法(Fuzzy Local Information C-Means，FLICM，参见：Krinidis S,Chatzis V.A robust fuzzy local information C-meansclustering algorithm.IEEE Transactions on Image Processing,2010,19(5):1328-1337)，该算法通过构造一空间模糊因子，并将其嵌入到原始FCM算法中，以反映图像像素的空间邻域信息。然而对于复杂背景下的图像而言，这些算法的分割精度仍不够高，尤其是医学领域常用的脑MR影像，其中往往包含大量的噪声、偏置场等复杂因素，这些算法大多难以有效地分割较强噪声背景下的脑MR影像，且无法消除其中存在的偏置场。

在偏置场修正问题的研究中，国内外学者提出了许多基于模糊聚类的改进方法，如自适应模糊C-均值算法、自适应空间模糊聚类算法、连贯局部灰度聚类算法。近年来，Li等人提出了一种新的能量最小化模型(Multiplicative Intrinsic ComponentOptimization，MICO)，通过构造新的能量泛函，将脑MR影像的先验信息加入其中，实现了偏置场的修正与脑MR影像的自动分割。然而上述方法对噪声或异常点较为敏感，并不能很好地消除脑MR影像中的噪声，尤其是当图像的噪声强度较大时，算法的分割质量将明显下降，因而不具备良好的抗噪性能。

发明内容

针对以上不足，本发明提出一种基于模糊聚类的脑MR影像的分割方法，即一种基于改进的模糊C-均值算法的脑MR影像的分割方法，以解决噪声和偏置场背景下脑MR影像的分割问题，在修正偏置场的同时能够较好地抑制噪声并保持图像细节。