基于颅内出血CT图像的FCM模糊聚类算法研究

发布时间：2020-04-18 20:00

【摘要】：脑出血是成人急性神经损伤最常见的发病症状之一,因其高死亡率和术后恢复差备受关注。量化脑出血对于预测出血病灶的出血量和计划后续治疗方案是非常重要的。虽然手动方法分割结果最为准确,但是在数据集较大时,这种方法耗时耗力,并且可能引入可变性。像临床试验这种情况下,大量的数据集必须由不同地点或不同人员分析,因此手动和半自动分割方法会消耗大量宝贵的时间,并且由于不同人员的分析方法不同,引入随机误差的可能性也较高。因此,在时间和资源都有限的临床环境下,更需要自动、准确、快速的分割方法。数十年来,MRI已被证实是量化脑出血的黄金标准,但是MRI成像时间长而且成本较高,因此可用性比CT低。如今CT技术是辅助诊断脑出血的流行技术之一。因为它无创、无痛、快速的特性和CT图像中组织和血液之间对比度高的特点,使CT技术在大多数医院和急救服务中提供技术支持。在CT图像中新鲜血液或者出血病灶比其他组织更加明亮。病灶在发病前24小时检测识别的灵敏度为90%,前三天降为80%,一周内降为50%。为了量化出血病灶的体积,必须在CT扫描图像中分割出病灶区域。没有解剖模型能够获得不同结构的所有可能变化(例如形状、大小、纹理等)、低信噪比、固有的人工干扰、扫描中的伪阴影和噪声等各种因素使得分割病灶充满挑战。本文研究的目的是为临床试验开发出一种准确、自动的脑出血病灶分割方法,解决FCM算法对噪声敏感的问题,并探讨FCM模糊聚类算法和其改进算法在出血病灶分割方面的适宜性和适用性。首先,文中介绍了DICOM文件的标准和结构。实现DICOM图像转换成其它通用图像格式的算法,该算法不仅可以以通用格式显示图像还可以将病人的详细信息和其他相关信息保存起来。其次,对脑部CT图像进行预处理操作。在预处理操作中,本文提出了一种改进的高斯拉普拉斯算子对颅脑CT图像进行边缘提取,该算法在原始的高斯拉普拉斯算子中加入边缘强度检测器,可以去除伪边缘点提取出真正的边缘点。再次,对图像进行基于左右扫描算法的颅内提取操作。最后,分割出血病灶。在实现颅内出血病灶分割问题上,本文提出了一种改进的FCM聚类算法,在隶属度函数的定义和目标函数的定义上均考虑了空间信息。实验结果表明该方法在不需要事先人工干预的情况下对出血病灶可以进行精确高效的分割,并且对噪声不敏感。
【图文】：

数学模型

其中许多方法提供了相当理想的结果。分割是医学图像分析的一个基本问题，它识别图像中器官或异常区域（如肿瘤）的边界。有了分割结果可以对病灶进行形状分析、检测体积变化并制定精确的放射治疗方案。在医学图像处理文献中，现已提出了关于分割的各种理论框架。医学影像分割算法中一些主要的数学模型有阈值法[8]、区域增长[9]、边缘检测[10]、马尔科夫随机场[11]、动态轮廓模型（或可变性模型）[12]、基于 Mumford-Shah 功能的框架分区[13]、水平集[14]、均值漂移[15]。将这些框架互相扩展和整合，可以提高算法的效率、适用性和准确性。图 1.1 列出了部分常用数学模型。尽管人们已经对医学图像进行了深入的研究，但由于图像的多样性、杂乱的外界物体干扰、图像噪声、不均匀的物体纹理及其他因素，医学图像分割仍然是一个具有挑战性的问题。本文的重点是研究解决被噪声污染后的医学影象分割问题，本文重点研究了基于聚类分割的算法，并提出了一种对于噪声不敏感的基于聚类的 FCM 改进算法。

文件结构

图 2.1 DICOM 文件结构文件的结构如下：：文件头由 128 字节的前言和 4 字节的 DICOM 文件标识组成含在文件中也可以不包含在文件中，文件标识固定为’D’，’I’，’C人姓名、病人其它详细信息和图像信息组成。图像信息中最重，即图像的宽度、高度和每像素占多少位等。：每个文件都包含一个数据集。数据集代表着真实世界信息对M 数据集不包括文件的总长度，数据集是由数据元素组成（数属性编码值）。素：数据元素是由数据元素中的标签唯一标识的，在数据集中递增排列并且标签在数据集中是唯一标识的。下图 2.2 为数据
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;R816.1;R743.34

【参考文献】