脑部肿瘤MR图像分割算法的研究

发布时间：2015-06-27 08:39

 

【摘要】 医学图像分割在临床诊断、病理分析以及治疗方面具有重要的意义，分割的准确性对医生判断疾病的真实情况并做出正确的诊断计划至关重要。在医学图像分割中，对脑部肿瘤图像进行精确分割的研究具有重要的临床实用价值。精确的脑组织分割是放疗计划的制定、外科手术计划的制定、脑肿瘤结构的3D可视化和定量测量等应用研究的先决条件。由于医学图像的复杂性，到目前为止，还没有一种对所有医学图像都能产生满意的分割效果的分割方法。本文通过对现有的医学图像分割算法进行研究分析，对脑部肿瘤MR图像的分割技术进行了初步探索。工作主要有以下几个方面：1.研究了基于聚类的脑部肿瘤分割方法。将K均值算法和FCM算法应用于脑部肿瘤MR图像的分割中，并对两种算法的分割结果进行了分析。K均值算法简单易行，但是对于边缘模糊、低对比度的医学图像分割效果不好。FCM算法由于引入了模糊集合理论，能够将K均值算法所无法提取的肿瘤轮廓清晰的显示出来。2.研究了基于数学形态学的脑部肿瘤的分割方法。针对传统的分水岭算法存在过分割的问题，采用控制标记和强制最小技术改进分水岭算法。同时针对医学图像存在模糊、低对比度这一现象，先采用高帽和低帽变换增强图像的对比度，再使用改进的分水岭算法进行分割。与传统的分水岭算法相比，过分割现象得到了很好的抑制，分割效果良好。3.研究了基于GVF Snake模型的脑部肿瘤分割方法。对GVF Snake模型进行了改进，采用Canny算子获取GVF Snake模型的边缘映射图，并用分水岭算法自动获取GVF Snake模型分割的初始轮廓，将改进的GVF Snake算法用于脑部肿瘤图像的分割，既避免了GVF Snake模型中人工选取初始轮廓的复杂性和主观性，又提高了算法的迭代效率和准确性。综上，本文所提出的GVF Snake模型的分割效果最好。 

1 绪论

随着医学影像技术的飞速发展，近年来医学影像已成为医学诊断中最为活跃的研究领域之一。医学影像分割是医学图像处理和医学分析中的一项重要技术，在疾病诊断、病变组织定位及计算机指导手术等各种场合得到了广泛的应用。由于核磁共振成像(MRI)具有高质量的图像显示效果，所以被广泛的用于医学成像中，而对于脑部肿瘤的检测就是较为重要的应用之一。将核磁共振成像用于脑部肿瘤的检测以及分割上，对于医学诊断是非常重要的，因为它提供了对于制定治疗计划和病人跟踪系统所必要的解剖结构和潜在的异常组织的信息。脑部肿瘤的分割也可以有利于建立通用的病变大脑模型和图谱。精确的脑组织分割对于制定放疗计划、外科手术计划以及脑肿瘤结构的 3D 可视化等应用研究具有重要的意义[1]。
..........

2 基于 FCM 算法的脑部肿瘤图像分割

2.1 聚类分析
聚类也被称为聚类分析，聚类分析是一种用数学方法研究和处理事物的分类的方法。聚类算法是一种无监督的分类方法。无监督的图像分割方法是根据图像像素间的相似性进行分割，无需对目标对象的特征进行优化，整个过程不需要人工干预，从而使分割方法具有一定的自动化和智能化。聚类算法是根据样本间的相似性测度进而对一个没有类别标记的样本集进行划分的，即将样本中相似的数据点或者目标点归为一类的一种数学方法。

2.2 K 均值算法
Zadeh 于 1965 年发表了论文《模糊集（Fuzzy Sets）》，首次引入表达事物模糊性的隶属度函数的概念，并提出了用模糊理论来研究不确定性和不精确性，从而创建了模糊集合理论[16]。在传统的集合理论中，元素与集合之间的隶属关系是 N:1 的对应关系，即元素对于集合的归属性不存在中间状态；而在模糊集合中，元素与集合的隶属关系是 N:N 的对应关系，即元素对于集合的归属性是多样的。从图 2-1(c)和图 2-1(f)可以看到 FCM 算法可以把 K 均值算法无法提取的肿瘤轮廓分割出来，算法的分割效果远优于 K 均值算法。FCM 算法由于引入了模糊集合理论，所以在分割过程中能够保留更多的原始图像信息，比 K 均值算法具有更好的鲁棒性。因为 FCM 算法可以有效地分割边缘模糊、低对比度的图像，所以该算法被广泛应用于医学图像分割中，其独特的优势在脑部肿瘤 MR 图像的分割中也被显示出来。

 

3 基于数学形态学分水岭算法的脑部肿瘤图像的分割 ....................12
3.1 数学形态学基本运算 .........................................12
3.2 灰度图像形态学处理 .........................................15
4 基于 GVF Snake 模型的脑部肿瘤图像分割............................23
4.1 传统的 Snake 模型 ...........................................23
4.2 Snake 模型的两种外力改进模型................................25
5 总结与展望........................................39
5.1 本文工作总结 ....................................39
5.2 展望 ........................................39

4 基于 GVF Snake 模型的脑部肿瘤图像分割

4.1 传统的 Snake 模型
对 GVF Snake 模型进行仿真实验，并与传统的 Snake 模型和气球力 Snake模型进行比较。图 4-1 是 GVF Snake 模型对 U 型物体检测结果。从图 4-1(b)和图4-1(c)的可以看出，GVF Snake 模型能够收敛到 U 型物体的底部，而且所需的迭代次数比较少。在设置的初始轮廓相同的情况下，传统的 Snake 模型经过了 500次的迭代后，仍然不能收敛到凹陷区域的底部，并且在继续增加迭代次数的情况下，轮廓线停止迭代收敛，不能完成对深度凹陷物体的分割；而 GVF Snake 模型仅进行了 100 次迭代，就能够很好的收敛到凹陷区域的底部。比较可得，GVFSnake 模型比传统的 Snake 模型有更大的捕捉范围，能够收敛到凹陷物体的底部区域。

4.2 Snake 模型的两种外力改进模型
图 4-2 是 GVF 模型与目标边缘相交时的检测结果。将图 4-2(b)和图 4-2(c)的进行比较，图 4-2(b)显示了 GVF Snake 模型在迭代 100 次就能收敛到凹陷区域的底部；而在同样的初始轮条件下，图 4-2(c)表明，高斯力 Snake 模型即使在迭代了 2000 次后，依然无法收敛到凹陷区域的底部，而是收敛到了局部极值处。可以看出，GVF Snake 模型解决了传统 Snake 模型对初始轮廓的位置过于敏感的问题。
.........

5 总结与展望

5.1 本文工作总结
对脑部肿瘤的准确分割在临床上具有重要价值，但由于脑肿瘤结构复杂、边界模糊且与正常脑组织混叠在一起，，因此，要实现对脑肿瘤的准确而自动的分割是非常困难。针对脑部肿瘤MR图像分割的问题，本文做了如下研究工作：(1)阐述了脑部肿瘤图像分割的研究背景及意义，并对医学图像分割方法进行了详细的综述；(2)研究了K均值算法和FCM算法的基本原理，并在脑部肿瘤图像的分割上进行了仿真实验，对它们的分割结果进行了对比分析；(3)详细论述了传统的分水岭算法及控制标记的分水岭算法的原理，并结合脑部肿瘤MR图像的特点，利用形态学高帽低帽变换进行增强对比度的预处理，再用分水岭算法进行分割，并对传统的分水岭算法及控制标记的分水岭算法的分割结果进行了对比与分析；(4)研究了基于GVF Snake模型的分割方法，并与本文所使用的其它方法做了对比分析。针对传统的GVF Snake模型对噪声比较敏感，运算量大，仍然过分的依赖初始轮廓的问题，通过采用Canny算子的边缘检测结果作为GVF扩散方程计算的边缘映射图的方法，提高了GVF Snake模型的抗噪性；用分水岭算法自动获取的轮廓作为GVF Snake模型分割的初始轮廓的方法，降低了GVF力场计算的复杂性和分割时轮廓线的迭代次数。将改进的GVF Snake算法用于脑部肿瘤图像的分割，既避免了GVF Snake模型中人工选取初始轮廓的复杂性和主观性，又提高了算法的迭代效率和准确性，且分割所得轮廓的边缘连续光滑，分割效果良好。

5.2 展望
总的来说，本文基本实现了FCM算法、控制标记的分水岭算法、改进的GVFSnake模型算法在脑部肿瘤MR图像分割上的应用，但还有以下几方面的问题有待进一步的研究和完善。(1)由于实际中实验数据有限，算法的有效性和鲁棒性均得不到充分的验证。所以，对脑部肿瘤图像分割的算法要使用更多的数据进行验证；(2)参数化活动轮廓模型的一个缺点是不能解决拓扑变换问题，所以不能适用于图像中包含多个目标的分割中，因此对于参数化活动轮廓模型的轮廓生长模式应做更多的研究，使其能够自动的改变拓扑结构；(3)将本文所取得的部分成果扩展到三维领域，使之更适合临床应用。

 

.........

参考文献（略） 

本文编号：19219