基于空間域模糊聚類(lèi)與CV模型的醫(yī)學(xué)圖像分割

許敏 賀松 張玉璽

摘 要：針對(duì)CV模型分割圖像時(shí)存在的分割精度低及對(duì)初始輪廓敏感等問(wèn)題，提出一種CV模型結(jié)合空間域模糊C均值聚類(lèi)（Spatial fuzzy C-means， SFCM）的圖像分割算法（SFCM-CV），用于邊界不清晰、存在偽影且含有高噪聲的MRI及CT圖像分割。在利用空間域模糊C均值聚類(lèi)算法對(duì)圖像進(jìn)行粗分割的基礎(chǔ)上，用聚類(lèi)信息來(lái)輔助CV模型設(shè)定初始輪廓，迭代演化分割出目標(biāo)區(qū)域。實(shí)驗(yàn)結(jié)果表明，當(dāng)?shù)螖?shù)僅為50時(shí)，SFCM-CV算法分割人腦MRI圖像的Dice系數(shù)為89.17%，比傳統(tǒng)CV模型提高了38.9%?？芍撍惴▽?duì)醫(yī)學(xué)圖像的區(qū)分度更高、分割效果更好。

關(guān)鍵詞： 醫(yī)學(xué)圖像分割;空間域模糊C均值聚類(lèi);初始輪廓;CV模型

【Abstract】 In view of the problem that the CV model has a low segmentation precision and too much dependence on the initial contour in image segmentation， an algorithm integrated with CV model and Spatial fuzzy C-means （SFCM-CV） is proposed to segment MRI and CT images with unclear boundaries， artifacts， and high noise. Firstly， a fuzzy C-means clustering algorithm based on spatial information is employed to segment experimental image. Secondly， the initial contour of the CV model is initialized based on the results of the fuzzy clustering， and the target region is obtained by iteration and evolution. The experimental results show that when the number of iterations is only 50， the Dice coefficient of the SFCM-CV algorithm to segment the human brain MRI image is 89.17%， which is 38.9% higher than the traditional CV model. It can be seen that the algorithm has higher discrimination and better segmentation effect on medical images.

【Key words】 ?segmentation of medical image; spatial fuzzy C-means clustering; initial contour; CV model

0 引 言

隨著計(jì)算機(jī)輔助診斷（Computer Aided Diagnosis， CAD）的快速發(fā)展，數(shù)字圖像分割技術(shù)被廣泛應(yīng)用于臨床研究中。醫(yī)生需要從病人的核磁共振（Magnetic Resonance Imaging， MRI）、計(jì)算機(jī)斷層（Computerized Tomography， CT）圖像中獲知不同組織或器官的形態(tài)結(jié)構(gòu)，以輔助醫(yī)生定位病灶、診斷病情及制定治療方案[1]。然而，醫(yī)學(xué)圖像較之普通圖像具有邊界不清晰、存在偽影及噪聲含量高等特點(diǎn)。MRI、CT圖像在成像時(shí)容易受到噪聲、磁場(chǎng)以及人體運(yùn)動(dòng)等因素的影響，從而產(chǎn)生偽影與噪聲;并且，由于MRI等成像設(shè)備的分辨率有限，不同組織邊界上的像素點(diǎn)容易產(chǎn)生容積效應(yīng)，從而造成邊界模糊[2]。因此，對(duì)醫(yī)學(xué)圖像進(jìn)行分割存在較大的難度，對(duì)醫(yī)學(xué)圖像分割方法的研究具有重要的實(shí)用價(jià)值和臨床意義。

CV（Chan-Vese）[3]模型是一種通過(guò)能量最小化的方式來(lái)實(shí)現(xiàn)圖像分割的活動(dòng)輪廓模型，被廣泛應(yīng)用于醫(yī)學(xué)圖像分割問(wèn)題中。然而，CV模型只能將圖像分為目標(biāo)和背景兩個(gè)同質(zhì)區(qū)域，對(duì)多相模型和復(fù)雜邊界圖像分割時(shí)則存在計(jì)算量大、分割精度低等缺點(diǎn)，并且對(duì)初始輪廓十分依賴(lài)。對(duì)此，國(guó)內(nèi)外的學(xué)者進(jìn)行了相關(guān)研究。文獻(xiàn)[4]提出利用模糊C均值聚類(lèi)（Fuzzy C-means， FCM）算法對(duì)腦出血圖像進(jìn)行聚類(lèi)分割，再利用聚類(lèi)信息指導(dǎo)CV模型初始輪廓的形成，最后通過(guò)迭代演化分割病灶區(qū)。文獻(xiàn)[5]改進(jìn)了CV模型的能量泛函，同時(shí)用新的邊緣指示函數(shù)來(lái)替換Dirac函數(shù)，對(duì)CV模型的參數(shù)進(jìn)行了優(yōu)化，對(duì)腦部復(fù)發(fā)性膠質(zhì)母細(xì)胞瘤的MRI圖像進(jìn)行了分割。文獻(xiàn)[6]在傳統(tǒng)CV模型中引入一個(gè)距離函數(shù)懲罰項(xiàng)和邊緣函數(shù)，形成了改進(jìn)的CV模型，以規(guī)避水平集函數(shù)重新初始化問(wèn)題。

本文提出一種CV模型協(xié)同空間域模糊C均值聚類(lèi)（Spatial fuzzy C-means， SFCM）的醫(yī)學(xué)圖像分割算法（SFCM-CV），能夠?qū)吔绮磺逦?、存在偽影且含有高噪聲的醫(yī)學(xué)圖像進(jìn)行精確分割。對(duì)此擬展開(kāi)研究論述如下。

1 空間域模糊C均值聚類(lèi)

1.1 模糊C均值聚類(lèi)算法

模糊C均值聚類(lèi)（Fuzzy C-means， FCM）[7]算法是模糊聚類(lèi)中最典型的一種算法，該算法以圖像像素點(diǎn)作為樣本集，根據(jù)取樣點(diǎn)的隸屬度將其歸類(lèi)到相應(yīng)的聚類(lèi)簇，通過(guò)迭代優(yōu)化目標(biāo)函數(shù)的方法實(shí)現(xiàn)圖像分割。

CV模型充分利用了整幅圖像的信息，能將圖像分為目標(biāo)、背景兩個(gè)同質(zhì)區(qū)域，具有較強(qiáng)的抗噪性[13]。但該模型的初始輪廓確定難度大，尤其是對(duì)于多相模型和邊界模糊圖像，該模型存在計(jì)算量大、精度不高的缺點(diǎn)。

[8]馮飛， 劉培學(xué)， 李麗， 等. FCM融合改進(jìn)的GSA算法在醫(yī)學(xué)圖像分割中的研究[J]. 計(jì)算機(jī)科學(xué)， 2018， 45（S1）： 252-254.

[9]CHUANG K S， TZENG H L， CHEN S， et al. Fuzzy C-means clustering with spatial information for image segmentation[J]. Computerized Medical Imaging and Graphics， 2006， 30（1）： 9-15.

[10]宗永勝， 胡曉輝， 屈應(yīng)照. 結(jié)合空間鄰域信息的核FCM圖像分割算法[J].計(jì)算機(jī)應(yīng)用與軟件， 2017， 34（4）： 221-225，333.

[11]ALIPOUR S， SHANBEHZADEH J. Fast automatic medical image segmentation based on spatial kernel fuzzy c-means on level set method[J]. Machine Vision and Applications， 2014， 25（6）： 1469-1488.

[12]劉晨， 池濤， 李丙春， 等. 結(jié)合全局和局部信息的水平集圖像分割方法[J].計(jì)算機(jī)應(yīng)用研究， 2017， 34（12）： 3889-3894.

[13]LI Xuanping， WANG Xue， DAI Yixiang. Adaptive energy weight based active contour model for robust medical image segmentation[J]. Journal of Signal Processing Systems， 2018， 90（3）： 449-465.

[14]張愛(ài)華，王帆，陳海燕. 基于改進(jìn)CV模型的高原鼠兔圖像分割[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，45（8）：32-37.

[15]范虹， 侯存存， 朱艷春， 姚若俠. 煙花算法優(yōu)化的軟子空間MR圖像聚類(lèi)算法[J]. 軟件學(xué)報(bào)， 2017， 28（11）： 3080-3093.