基于遗传模糊聚类技术的磁共振脑图像分割方法的研究

VIP免费

3.0 陈辉 2024-11-19 6 4 882.72KB 67 页 15积分

侵权投诉

摘要

医学图像分割是医学图像处理中的一个经典难题。虽然目前应用于医学图像

分割的方法众多，但由于医学图像的复杂性和多样性，至今仍无通用的分割方法，

也不存在一个对分割方法进行评价的客观标准。在众多的分割方法中，基于聚类

技术的图像分割方法是医学图像分割领域中一类应用比较广泛的方法，尤其模糊

C-均值聚类使用是最为普遍的。采用基于模糊C-均值聚类的方法进行图像分割避

免了阈值设定的问题，分割过程中又不需要任何人工干预，对于图像分割自动化

有着重大意义。

然而，采用模糊C-均值聚类算法进行图像分割存在着多方面的问题，诸如：

如何确定聚类数；如何确定较好的初始初类中心或初始隶属度矩阵；算法迭代易

于陷入局部极值；算法迭代过程慢长，计算量过大；图像空间信息未能被有效利

用；存在分割区域不连续的现象等。在对基于模糊聚类技术的图像分割方法的现

状和存在的问题进行了深入分析和研究的基础上，针对其存在的问题以及磁共振

脑图像分割的特点提出了一种结合了自动阈值化、遗传算法与模糊聚类算法的磁

共振脑图像分割新方法。首先，采用自动阈值化算法对图像进行预处理，将颅骨、

大脑皮层等非脑组织剔除，提取出仅由脑白质、脑灰质、脑脊液构成的单纯脑组

织图像；然后，通过以像素灰度值类标记作为遗传基因的遗传算法计算出模糊聚

类所需要的初始聚类中心；最后，只利用仅一次模糊聚类迭代并通过模糊隶属度

阈值化实现对脑组织图像的分割。实验结果证明，其分割质量和分割速度均高于

单一的快速模糊聚类，很好的解决了目前模糊聚类中存在的初始聚类中心或初始

隶属度矩阵难确定、算法迭代易于陷入局部极值的问题。

关键词：磁共振图像图像分割阈值化遗传算法模糊聚类

ABSTRACT

Medical image segmentation is a classic problem in image processing. Nowadays

there are a lot of methods applied in medical image segmentation, but unfortunately

there is no universal method which can be used in any case because of the complexity

and variety of medical image and there is no objective standard of evaluating these

segmentation methods, either. Among image segmentation methods, clustering based

approaches are widely used especially the fuzzy c-means (FCM) algorithm which

doesn’t need setting any threshold, or getting people involved during segmentation

progression. So it is of very significance for automatization of image segmentation.

However, there are still some problems exited when the FCM algorithm is used, for

example, how to decide cluster number; how to set initial cluster centers or initial

membership matrix; the algorithm is easily trapped in local optimum; the algorithm

computation in iterations is quite large; the space information of image isn’t used

efficiently; the phenomenon of segmentation region discontinuousness, etc.

After analyzing and studying the current situation and present problems on the basis

of fuzzy clustering, a new method is presented in this thesis and it aims at solving some

problems while the FCM algorithm is used. This proposed method operates via three

main steps: (1) image pre-processing, brain tissues were extracted from whole brain; (2)

initial cluster centers setting, genetic algorithm whose genes are sort of labels of

gray-values was used to set the initial centers used in the FCM algorithm and it could

not only set initial cluster centers more accurate compared with the single k-means

algorithm, but it was higher in speed as well; (3) image segmentation, brain tissues were

segmented into white matter, grey matter and cerebrospinal fluid by FCM only by the

iteration computation once and sort of each pixel was confirmed by threshold of its

membership finally. It was approved that the presented method was higher in both

quality and speed compared with the fast FCM algorithm.

In this thesis, two problems were solved successfully, which were very difficult to

deal with when the FCM algorithm was used. One is how to set initial cluster centers.

The other one is how to overcome the disadvantage of local optimum searching ability.

Key Word: Magnetic Resonance Image, Image Segmentation,

Threshold, Genetic Algorithm, Fuzzy Clustering

III

中文摘要

ABSTRACT

第一章绪论 ...............................................................................................................1

§1.1 引言 .................................................................................................................1

§1.2 医学图像分割方法概述 .................................................................................1

§1.3 本文主要研究内容 .........................................................................................4

§1.4 本文结构 .........................................................................................................5

第二章 MR 图像分割方法综述 ......................................................................................6

§2.1 MR 成像的特点及应用 ....................................................................................6

§2.2 颅脑 MRI 及其特征 .........................................................................................7

§2.3 MR 图像分割的目的和意义 ............................................................................7

§2.4 MR 图像分割方法及其发展 ............................................................................8

§2.5 对 MR 图像分割方法的评价 .........................................................................13

§2.6 小结 ...............................................................................................................15

第三章 MR 脑图像的预处理 ........................................................................................16

§3.1 MR 脑图像预处理的目的 ..............................................................................16

§3.2 MR 脑图像预处理方法——自动阈值化 ......................................................17

§3.3 MR 图像预处理的结果及讨论 ......................................................................19

§3.4 小结 ...............................................................................................................21

第四章基于遗传模糊聚类的 MR 脑图像分割方法 ...................................................22

§4.1 遗传算法研究 ...............................................................................................22

§4.1.1 遗传算法概述 .......................................................................................22

§4.1.2 遗传算法的基本思想 ...........................................................................23

§4.1.3 遗传算法的理论基础 ...........................................................................24

§4.1.4 基本遗传算法 .......................................................................................26

§4.2 模糊聚类算法研究 .......................................................................................33

§4.2.1 模糊聚类算法概述 ...............................................................................33

§4.2.2 模糊聚类算法的参数选择及初始化问题 ...........................................34

§4.2.3 快速模糊聚类算法 ...............................................................................36

§4.2.4 基于模糊聚类算法的图像分割研究现状 ...........................................36

§4.3 遗传模糊聚类算法研究 ...............................................................................39

§4.3.1 遗传模糊聚类算法概述 .......................................................................39

§4.3.2 本文遗传模糊聚类算法 .......................................................................40

第五章遗传模糊聚类在 MR 脑图像分割中的应用 ...................................................43

§5.1 图像分割结果的分析与讨论 .......................................................................43

§5.1.1 选择不同聚类数的图像分割结果及讨论 ...........................................43

§5.1.2 本文遗传算法分析及讨论 ...................................................................46

§5.1.3 基于本文遗传模糊聚类算法的图像分割结果及讨论 .......................47

§5.1.4 MR 脑图像分割结果的确认 ..................................................................50

§5.2 本文遗传模糊聚类算法参数的优化 ...........................................................51

§5.2.1 种群大小对脑组织图像分割的影响 ...................................................52

§5.2.2 进化代数对脑组织图像分割的影响 ...................................................53

§5.2.3 交叉概率对脑组织图像分割的影响 ...................................................54

§5.2.4 变异概率对脑组织图像分割的影响 ...................................................55

§5.3 小结 ...............................................................................................................56

第六章结论与展望 .....................................................................................................57

§6.1 创新点和主要工作 .......................................................................................57

§6.2 今后的研究工作 ...........................................................................................58

参考文献 .........................................................................................................................59

在读期间公开发表的论文和承担科研项目及取得成果 .............................................64

致谢 .............................................................................................................................65

第一章绪论

§1.1 引言

磁共振成像(Magnetic Resonance Imaging, MRI)技术是近十几年在磁共振波谱

学的基础上，随着计算机技术、电子技术等的飞速发展而出现的一种崭新的影像

学检查技术。它是利用人体内氢原子核中的质子在磁场中的固有特性，借助射频

(Radio Frequency, RF)脉冲激励，使氢原子通过位能的变迁释放出磁共振信号，并

通过梯度磁场标记这些共振氢原子的空间位置从而获取人体组织层面的化学信息

影像。由于 MRI 提供的信息量大，而且对人体无放射性损伤，所以被广泛应用于

全身各系统病变的诊断，成为众所瞩目的一项新型的医学影像诊断技术。

MRI 具有无电磁辐射损伤、无骨性伪影、能够多方向、多参数成像、提供较

高的软组织分辨力等独特优点，是用于脑部病变检查的最佳手段。脑部的三维结

构可以大大提高医疗诊断的准确性，在临床诊断、脑外科手术计划与模拟、放疗

计划制定、解剖学教育和医学研究中具有重要应用价值。而 MRI 提供的只是脑部

的二维断层图像，若要获得脑部的三维结构，需要在二维图像的基础上利用图像

三维重建的方法，对二维磁共振脑图像进行分割是实现脑部三维重建的一个关键

步骤。另外，对二维磁共振脑图像进行准确分割还是实现脑组织定量测量的重要

基础，而脑组织量的变化对于脑部疾病的研究起到了不可替代的作用。比如，在

对老年性痴呆病、多发性硬化症以及精神分裂症等退化性脑疾病的研究中，除了

研究脑灰质(gray matter, GM)、脑白质(white matter, WM)、和脑脊液(cerebrospinal

fluid, CSF)的空间分布以外，对这些脑组织的几何形态参数的精确测量也是必不可

少的。

基于以上分析可知，寻找和研究适合磁共振图像特点的图像分割方法从而实

现对磁共振图像的准确分割是十分具现实意义的。如果能很好的解决磁共振图像

的分割问题，将对于医学影像学的发展起到巨大的推动作用。

§1.2 医学图像分割方法概述

随着医学图像在临床诊断和治疗上的作用越来越显著，医学图像分割成了医

学图像分析领域的一个富有挑战性的研究课题。医学图像分割通过提取被描述对

基于遗传模糊聚类技术的 MR 脑图像分割方法的研究

象的特征，把感兴趣的对象从周围环境中分离出来，从而达到计算和分析分割对

象的解剖、病理、生理、物理等方面信息的目的，是对医学图像进行对象提取、

定量分析、三维重建、体积显示、图像配准等处理中的一个必不可少的步骤，也

是高层次医学图像理解和解释的前提条件，在医学研究、临床诊断、病理分析、

手术计划、影像信息处理、计算机辅助手术等医学研究与医学实践中有着广泛的

应用。然而，医学图像分割问题直到今天仍然没有获得很好的解决，由于受到噪

音、磁场不均匀性、部分容积效应等因素的影响，获得的医学图像不可避免的具

有模糊、不均匀等缺陷；另外，人体的解剖结构复杂而且有很大的不确定性，这

些因素导致的医学图像复杂性给医学图像分割带来了很大的困难。为了解决医学

图像的分割问题，近几十年来，许多研究人员做了大量的工作，使医学图像分割

成为了医学和图像处理领域的研究热点。

医学图像处理的研究始于七十年代后期，其真正的应用于临床是在 1983 年，

当时正是磁共振设备开始应用于临床诊断，给影像医学带来了空前的活力。随着

计算机断层扫描 (Computerized Tomography, CT) 、正电子断层显像 (Position

Emission Tomography, PET)、MRI 等医学成像技术的发展，在这一领域又掀起了

新的研究热潮，主要研究方向有图像分割、图像配准、运动分析、结构分析等。

其中医学图像分割的研究更具有重要的意义，图像配准、运动分析、结构分析以

及图像引导手术等方面的很多方法的研究都是基于已对图像做了准确分割这样的

假设，或者说都是以图像分割为基础的。医学图像分割在医学领域的重要作用主

要表现在以下几个方面：

(1)用于生物医学图像的分析，如不同形式图像的配准、融合、解剖结构的测

量，获取先验知识用于图像重建等[1]；

(2)用于测量人体器官、组织或病灶的体积，通过对这些体积在治疗前后的定

量测量和分析，可以帮助医生进行诊断、预测以及制定和修改对病人的治疗方案[2]；

(3)用于医学图像的三维重建，便于图像可视化、外科手术方案的制定和仿真、

病理研究、药物疗效的评估、解剖参考以及放疗计划中的三维定位等[3]；

(4)用于在不丢失有用信息的前提下进行数据的压缩和传输，这对于提高在图

像存储与通信系统(Picture Archiving and Communication System, PACS)、远程放射

学和互连网中的图像传输速度是至关重要的[4]；

(5)医学图像分割后与噪声的关系减弱，具有降噪功能，便于图像的下一级处

理和应用[5]。

六十年代以来，科学家们设计了许多的图像分割方法，但最初都是利用单一

的图像分割方法来解决问题，如单纯利用各种微分算子的基于边界的分割方法，

利用区域生长的基于区域的分割方法等。随着 CT、MRI 和PET 成像模式的产生

第一章绪论

和普及应用，单一的分割方法已经难以胜任对新的成像模式产生的复杂医学图像

的分割任务，因此，人们提出了集成分割方法的概念[1]，即把两种或两种以上单一

的分割方法进行优化组合，使它们扬长避短，互为补充。实践表明[1,4]，集成分割

方法比单一分割方法更能够达到理想的分割结果，是图像分割方法发展的一个重

要方向。

传统的医学图像分割一直停留在人机交互水平，处理时间长，而且处理结果

易受主观因素的影响，因此，如何实现图像的自动分割一直是医学图像处理的研

究重点。随着一些新的理论和技术在图像处理中的应用，图像分割方法取得了显

著的进展，一些全新的图像自动分割方法应运而生，如模糊分割方法、基于知识

的分割方法、神经网络分割方法等，形成了医学图像分割的最新研究成果，也是

今后若干年医学图像分割方法的研究方向之一。目前的自动分割方法在某些方面

取得了一定的成功，如 CT 图像肺实质的分割可以通过自动阈值化等自动分割方法

得到可靠的分割结果[6]。然而对 MR 图像而言，这样的自动分割方法则还远不能满

足对图像分割结果准确性的要求。因此，近年来由用户参与控制、引导的交互式

分割方法在医学图像分割中也正受到越来越多的关注。对交互式分割方法的研究

主要有两个目标[7]：一是要能为用户提供对分割过程的有效控制，使用户能在必要

的时候方便地干预分割过程，从而保证分割的准确性；二是要使用户必须干预的

次数和每次干预的时间尽可能减少，既要发挥人的判断力，又要充分利用计算机

的运算性能，从而使分割方法具有实用性。

医学图像本质上是模糊的[8]，而且由于生物医学成像设备获取的图像数据具有

内在的不确定性(如灰度、纹理和区域的边界等)，因为受到了许多因素的影响，如

空间、时间、分辨率方面的局限性以及成像设备的其它物理限制等。而正是这些

不确定性给模糊处理方法的应用提供了基础。近年来，随着模糊处理方法的不断

成熟，其在图像分割中的应用也日益活跃，成了医学图像分割方法的研究热点之

一，许多模糊分割方法也相继出现，如应用模糊子集理论的模糊分割方法[8]、模糊

C-均值(Fuzzy C-means, FCM)聚类分割方法[9]、应用模糊逻辑的基于 IF-THEN 规则

的模糊分割方法[10]等。目前，模糊分割方法在图像分割中一个显著的应用特点是

它几乎能与所有现存的分割方法结合，形成一系列的集成模糊分割方法，如 FCM

与基于知识的分割方法结合形成了基于知识的模糊分割方法，FCM 与人工神经网

络结合形成了模糊人工神经网络分割方法，诸如此类，模糊阈值、模糊聚类、模

糊边缘检测等都是模糊方法与其它方法结合的产物。由此看来，模糊处理方法为

医学图像分割问题展现了乐观的发展前景。

随着人工智能在图像分割中的应用，基于知识的分割方法和基于人工神经网

络的分割方法也成了图像分割方法的研究热点。近年来，基于知识的分割方法得

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

I摘要医学图像分割是医学图像处理中的一个经典难题。虽然目前应用于医学图像分割的方法众多，但由于医学图像的复杂性和多样性，至今仍无通用的分割方法，也不存在一个对分割方法进行评价的客观标准。在众多的分割方法中，基于聚类技术的图像分割方法是医学图像分割领域中一类应用比较广泛的方法，尤其模糊C-均值聚类使用是最为普遍的。采用基于模糊C-均值聚类的方法进行图像分割避免了阈值设定的问题，分割过程中又不需要任何人工干预，对于图像分割自动化有着重大意义。然而，采用模糊C-均值聚类算法进行图像分割存在着多方面的问题，诸如：如何确定聚类数；如何确定较好的初始初类中心或初始隶属度矩阵；算法迭代易于陷入局部极值；算法...

展开>> 收起<<

基于遗传模糊聚类技术的磁共振脑图像分割方法的研究.pdf

共67页,预览7页

还剩页未读，继续阅读

基于遗传模糊聚类技术的磁共振脑图像分割方法的研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: