CN107977952A - 医学图像分割方法及装置 - Google Patents

医学图像分割方法及装置 Download PDF

Info

Publication number
CN107977952A
CN107977952A CN201610913874.5A CN201610913874A CN107977952A CN 107977952 A CN107977952 A CN 107977952A CN 201610913874 A CN201610913874 A CN 201610913874A CN 107977952 A CN107977952 A CN 107977952A
Authority
CN
China
Prior art keywords
pixel
cluster centre
value
medical image
calculate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610913874.5A
Other languages
English (en)
Inventor
冯原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610913874.5A priority Critical patent/CN107977952A/zh
Priority to US15/387,886 priority patent/US10096108B2/en
Publication of CN107977952A publication Critical patent/CN107977952A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)

Abstract

本发明属于图像处理技术领域，具体涉及一种医学图像分割方法及装置。本发明的医学图像分割方法包括以下步骤：步骤1、确定初选聚类数目并计算各聚类中心的初始值；步骤2、计算各聚类中心与图像每个像素的豪斯多夫距离；步骤3、根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度；步骤4、计算目标函数值，并根据隶属度对像素重新进行聚类，计算新的聚类中心值；重复上述步骤2‑4，直至两次目标函数值的差值小于阈值，则最后一次得到的隶属函数即为像素分割结果。本发明的方法可适用于所有组织器官图像，在软组织组成较多，对比度不清晰的情况下，有较好的分割效果。

Description

医学图像分割方法及装置
技术领域
本发明属于图像处理技术领域，具体涉及一种医学图像分割方法及装置。
背景技术
随着医学成像技术的发展与进步，图像处理技术在医学研究与临床医学中的应用越来越广泛，主要应用在放射治疗规划、介入治疗、手术导航等方面。图像分割是医学图像处理中的一项重要内容,它可以帮助医生将感兴趣的物体(病变组织等)提取出来，对病变组织进行定性及定量的分析，从而提高医生诊断的准确性和科学性。但是，由于医学图像的多样性和复杂性使其在图像分割中具有较大的难度。
目前临床应用的图像分割方法中，阈值分割方法，因其实现简单、计算量小、性能较稳定而成为最基本和应用最广泛的方法，其基本原理是通过设定不同的特征阈值，把图像象素点分为若干类，常用的特征包括：原始图像的灰度、彩色特征、由原始灰度或彩色值变换得到的特征。阈值分割方法的主要缺点是在软组织组成较多，对比度不清晰的情况下，不能有效地分割医学图像，且对噪声敏感。该方法通常用于血液细胞图像的分割，磁共振图像的分割，而不能有效应用于所有组织器官图像的分割。
其他图像分割方法还有基于模板的分割方法，其主要缺点是需要模板信息的输入，且对于软组织器官变形较大，以及模板不包含的组织特征无法进行分割。
发明内容
本发明的目的之一在于克服以上缺点，提供一种在软组织组成较多，对比度不清晰的情况下，适用于所有组织器官图像的医学图像分割方法。
为了解决上述技术问题，本发明提供了一种医学图像分割方法，包括以下步骤：
步骤1、确定初选聚类数目并计算各聚类中心的初始值；
步骤2、计算各聚类中心与图像每个像素的豪斯多夫距离；
步骤3、根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度；
步骤4、计算目标函数值，并根据隶属度对像素重新进行聚类，计算新的聚类中心值；
重复上述步骤2-4，直至两次目标函数值的差值小于阈值，则最后一次得到的隶属函数即为像素分割结果。
本发明的技术方案通过采用模糊聚类方法对医学图像进行分割，可以有效的应用原始图像的灰度信息和对比度，兼顾计算效率和分割效果，在对比度较差、边界较模糊的情况下对目标组织进行分割，可应用于所有组织器官图像的分割；另外，采用豪斯多夫空间距离定义的像素差异，可以有效的应用邻域信息，充分应用软组织边界尤其是对比度较低的目标组织，对较为模糊的边界进行有效的归类和分离。
进一步地，所述聚类中心的初始值通过应用均布直方图方法计算，所述聚类中心初始值的间隔相同。
进一步地，所述计算聚类中心与图像像素的豪斯多夫距离，包括以下步骤：
以像素为中心，选取若干邻域区域，分别计算邻域区域与中心的交互信息值；
选取交互信息最大值对应的邻域作为该像素计算豪斯多夫距离的区域；
计算各聚类中心与该像素确定区域的豪斯多夫距离。
本发明的技术方案可以有效的针对不同对比层级的图像信息，自动选择较为合适的周边区域进行计算，其自适应邻域选择可有效处理边界不连续和对比度变化较大的情况。
进一步地，所述若干邻域区域具体为：宽高分别为3、5、7个像素的正方形区域。
进一步地，所述邻域区域与中心的交互信息值计算公式为：其中p(i,j)为两个图像的联合分布函数，p(i)和p(j)分别为各自图像的像素分布函数。
进一步地，所述聚类中心与像素确定区域的豪斯多夫距离计算公式为： 其中，A为聚类中心，B为像素确定区域的所有点集。
进一步地，所述根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度，计算公式为：其中，xi为像素灰度值，vk为聚类中心，c为聚类中心个数，α参数根据图像的分辨率、对比度决定，m为2，||xi-vk||为像素与聚类中心的欧式距离，||xi-vk||H为像素与聚类中心的豪斯多夫距离。
本发明的技术方案通过豪斯多夫距离和欧式距离共同计算像素的隶属度，像素的聚类划分更加准确，同时α值可以依据不同图像的特性做具体的调整，进一步加强算法抵抗噪声、分析模糊边界的功能。
进一步地，所述目标函数为：其中，n为图像像素个数，c为聚类中心个数，xi为像素灰度值，vk为聚类中心，α为经验值参数，m为2，||xi-vk||为像素与聚类中心的欧式距离，||xi-vk||H为像素与聚类中心的豪斯多夫距离。
本发明的技术方案通过豪斯多夫距离和欧式距离共同计算目标函数，同时α值可以依据不同图像的特性做具体的调整，进一步加强算法抵抗噪声、分析模糊边界的功能。
进一步地，所述重新计算聚类中心公式为：其中xi为像素灰度值，vk为聚类中心，n为像素个数，m为2。
相应地，本发明还提供了一种医学图像分割装置，其特征在于，包括：
第一处理模块，用于执行步骤1、确定初选聚类数目并计算各聚类中心的初始值；
第二处理模块，用于执行步骤2、计算各聚类中心与图像每个像素的豪斯多夫距离；
第三处理模块，用于执行步骤3、根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度；
第四处理模块，用于执行步骤4、计算目标函数值，并根据隶属度对像素重新进行聚类，计算新的聚类中心值；
第五处理模块，用于执行重复上述步骤2-4，直至两次目标函数值的差值小于阈值，则最后一次得到的隶属函数即为像素分割结果。
进一步地，所述第二处理模块，包括：
第一处理单元，用于以像素为中心，选取若干邻域区域，分别计算邻域区域与中心的交互信息值；
第二处理单元，用于选取交互信息最大值对应的邻域作为该像素计算豪斯多夫距离的区域；
第三处理单元，用于计算各聚类中心与该像素确定区域的豪斯多夫距离。
综上所述，本发明技术方案的有益效果有:
1.通过采用模糊聚类方法对医学图像进行分割，可以有效的应用原始图像的灰度信息和对比度，兼顾计算效率和分割效果，在对比度较差、边界较模糊的情况下对目标组织进行分割，可应用于所有组织器官图像的分割；另外，采用豪斯多夫空间距离定义的像素差异，可以有效的应用邻域信息，充分应用软组织边界尤其是对比度较低的目标组织，对较为模糊的边界进行有效的归类和分离。
2.可以有效的针对不同对比层级的图像信息，自动选择较为合适的周边区域进行计算，其自适应邻域选择可有效处理边界不连续和对比度变化较大的情况。
3.通过豪斯多夫距离和欧式距离共同计算像素的隶属度和目标函数，像素的聚类划分更加准确，同时α值可以依据不同图像的特性做具体的调整，进一步加强算法抵抗噪声、分析模糊边界的能力。
附图说明
图1是本发明的一种医学图像分割方法步骤流程图。
图2是本发明的一种计算聚类中心与图像像素的豪斯多夫距离步骤流程图。
图3是本发明的一种医学图像分割装置结构图。
图4是本发明的一种第二处理模块结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在医学图像的研究和应用中，往往是只对图像中的某些部分或者某些区域感兴趣，这些部分通常为某一器官或组织结构等。为了辨识和分析目标，需要将它们从图像中分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里的特性可以是像素的灰度、颜色和纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。
但是，在实际应用中，由计算机自动进行图像分割时，会遇到各种困难。例如，光照不均匀、噪声的影响、图像中存在不清晰的部分，以及阴影等，常常会导致分割错误，因此图像分割是一门需要不断研究并完善的技术。目前的医学图像中，不同的组织结构边界之间通常具有中间过渡的性质，使分割目标区域的边界具有模糊性，而常用的阈值分割方法，基于模板的分割方法等，对图像中的某个像素点的归属于哪个区域的划分是硬性的，无法准确地描述分割区域边缘像素亦此亦彼的特点，无法适应医学图像中存在不确定性和模糊性的特点。
为了更好地描述上述医学图像中边缘像素的不确定性，本发明采用基于模糊理论的聚类分割方法，通过计算每个像素对各个类的隶属度，来判定该像素应隶属于哪个类，从而实现对图像中所有像素进行分割的目的。
如图1，是本发明的一种医学图像分割方法步骤流程图，包括以下步骤：
步骤1、确定初选聚类数目并计算各聚类中心的初始值；
本发明的图像分割方法，首先需要确定图像聚类数目，通俗地讲，就是确定一幅医学图像需要分割成多少个部分，以及每个部分包括的像素点。初选聚类数目以及每个聚类对应的像素集合可以根据图像中希望提取的目标部位与周边图形信息的特征进行分析，依据像素灰度值的分布区域做出选择。这里的聚类数目确定后是固定不变的，而每个聚类包含的像素可以在后续不断的处理过程中发生变化，即对像素进行重新的归类。
确定初选聚类数目以及聚类对应的像素集合后，就可以计算聚类中心。聚类中心是一个数值，可以理解为一个通过计算得到的抽象的像素点，它不是图形中的某一个确定点。计算聚类中心的初始值的方法有很多种，优选地，本发明的技术方案通过应用均布直方图方法计算聚类中心初始值，同时保证聚类中心初始值的间隔相同。
步骤2、计算各聚类中心与图像每个像素的豪斯多夫距离；
本发明的技术方案采用豪斯多夫距离(Hausdorff距离)来计算各聚类中心与图像每个像素之间的距离，它是两个点集之间距离的一种定义形式。采用豪斯多夫空间距离定义的像素差异，可以有效的应用邻域信息，充分应用软组织边界尤其是对比度较低的目标组织，对较为模糊的边界进行有效的归类和分离。
如图2，是本发明的一种计算聚类中心与图像像素的豪斯多夫距离步骤流程图，包括以下步骤：
步骤201、以像素为中心，选取若干邻域区域，分别计算邻域区域与中心的交互信息值；
在图像处理技术中，以某个像素点为中心的一个区域内点的集合称为该像素的一个邻域，该区域通常是圆形或正方形，区域的大小也可以根据不同情况选择，这样，对该像素的运算可以由整个邻域所有像素值共同计算得出，称为邻域运算。
在一优选的实施例中，本发明技术方案选取的邻域区域具体为：以像素点为中心，宽高分别为3、5、7个像素的正方形区域，即为分别包含9、25、49个像素的邻域。
在确定了邻域后，本发明的技术方案通过公式分别计算每个邻域与中心像素的交互信息值，其中，p(i,j)为该邻域和中心像素的联合分布函数，p(i)为该邻域的像素分布函数，p(j)为中心像素的像素分布函数。
步骤202、选取交互信息最大值对应的邻域作为该像素计算豪斯多夫距离的区域；
在所有邻域计算出的交互信息值中，选取最大值对应的邻域作为该像素计算豪斯多夫距离的区域。例如，在前述选取宽高分别为3、5、7个像素邻域的实施例中，若宽高为5的邻域根据上述公式计算出的交互信息值最大，则后续处理中由聚类中心与该邻域来计算的豪斯多夫距离。通过针对不同对比层级的图像信息，自动选择合适的周边区域进行计算，可有效处理边界不连续和对比度变化较大的情况。
通过应用交互信息确定计算豪斯多夫距离的邻域，不但有效利用了像素周边信息，而且可以较好的融入豪斯多夫距离定义的分割方法，对像素周围模糊边界和模糊区域的信息做一个较好的相似度评估，提高分割效率的同时保证分割效果。
步骤203、计算各聚类中心与该像素确定区域的豪斯多夫距离。
在图像中的每个像素点都确定了交互信息值最大的邻域之后，本发明的技术方案再计算每个聚类中心到每个像素确定邻域的豪斯多夫距离，其中豪斯多夫距离计算公式为：其中，A为聚类中心，B为像素确定邻域的所有点集。本发明的技术方案通过采用豪斯多夫空间距离定义像素差异，可以有效的应用邻域信息，充分应用软组织边界尤其是对比度较低的目标组织，对较为模糊的边界进行有效的归类和分离。
步骤3、根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度；
在模糊聚类分割方法中，为了描述每个像素属于每个聚类的程度(即属于某个聚类的概率)，引入了隶属度概念，每个像素隶属于某个聚类的隶属度值是一个介于0和1之间的数值，每个像素对于所有聚类的隶属度值的总和为1。例如，存在三个聚类A、B、C，像素x的隶属度为{0.7，0.2，0.1}即表示属于聚类A的概率为70％，属于聚类B的概率为20％，属于聚类C的概率为10％。
本发明技术方案中，计算每个像素的隶属度的公式为：其中，xi为像素灰度值，vk为聚类中心，c为聚类中心个数，α参数的作用是调节豪斯多夫距离在算法中的比重，可针对不同图像的对比度、分辨率做具体的调节，例如，分割高分辨率和对比度较高的MR图像(磁共振成像)，该参数值范围可选择30-50，对较为模糊、对比度较差的超声图像，该参数值可选择40-60；另外，该参数还可以调和隶属度函数和目标函数的关联程度，让基于邻域计算的结果在每次循环计算中得到相应的体现。m为模糊加权指数，本发明技术方案中固定取值2,||xi-vk||为像素与聚类中心的欧式距离，||xi-vk||H为像素与聚类中心的豪斯多夫距离。
本发明的隶属度是通过欧式距离和豪斯多夫距离综合计算得出，充分利用单个像素的对比差异和像素周边区域的差异，实现单个像素刚性对比和周边邻域柔性对比的结合，可以较好的对不同特征的图像进行有效分割，尤其是对比度较差，边界模糊的图像。
步骤4、计算目标函数值，并根据隶属度对像素重新进行聚类，计算新的聚类中心值；
在模糊聚类分割方法中，都必须定义一个目标函数，在每次迭代过程中计算目标函数的结果，如果目标函数值变化足够小，则可以说明对像素的聚类划分达到一个较为稳定的结果。本发明的目标函数为：其中，n为图像像素个数，c为聚类中心个数，xi为像素灰度值，vk为聚类中心，α参数的选择根据经验决定，m为模糊加权指数，本发明技术方案中固定取值2，||xi-vk||为像素与聚类中心的欧式距离，||xi-vk||H为像素与聚类中心的豪斯多夫距离。
同时，在前述步骤计算出每个像素的隶属度值之后，就可以根据像素的隶属度值进行聚类去模糊，通常，采用的是最大隶属函数度法，即将像素归入隶属度值最大的那个聚类。比如，存在三个聚类A、B、C，像素x的隶属度为{0.7，0.2，0.1}，0.7为最大隶属度值，则像素x归属于聚类A，当重新计算出的隶属度为{0.3，0.6，0.1}之后，0.6为最大隶属度值，则像素x归属于聚类B。依次类推，每次根据所有像素的隶属度可以将所有的像素点进行重新的归类。
在对像素重新归类的基础上，计算新的聚类中心，计算公式为：其中xi为像素灰度值，vk为聚类中心，n为像素个数，m为模糊加权指数，本发明技术方案中固定取值2。
步骤5、重复步骤2-4至少两次，得到目标函数值进行比较，当两次目标函数值的差值小于固定阈值时，说明对像素的聚类划分达到一个较为稳定的结果，则可以不再继续处理，最后一次得到的隶属函数即为像素分割结果,若两次目标函数值的差值大于固定阈值，则继续重复执行上述步骤2-4，直至条件满足。优选地，本发明的阈值固定设置为10-6。
如图3，是本发明的一种医学图像分割装置结构图，包括：
第一处理模块，用于执行步骤1、确定初选聚类数目并计算各聚类中心的初始值；该模块用于初始化处理参数，包括：确认图像的像素需要划分聚类的数目，计算每个聚类中心的初值。
第二处理模块，用于执行步骤2、计算各聚类中心与图像每个像素的豪斯多夫距离；其中，豪斯多夫距离是两个点集之间的距离。
第三处理模块，用于执行步骤3、根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度，计算出每个像素归属于每个聚类的概率。
第四处理模块，用于执行步骤4、计算目标函数值，用于判断处理是否结束；并根据隶属度对像素重新进行聚类，计算新的聚类中心值，供下一次迭代计算使用；
第五处理模块，用于执行重复上述步骤2-4，直至两次目标函数值的差值小于阈值，则像素聚类划分结束，最后一次得到的隶属函数即为像素分割结果。
如图4，是本发明的一种第二处理模块结构图,包括：
第一处理单元，用于以像素为中心，选取若干邻域区域，分别计算邻域区域与中心的交互信息值；其中，邻域区域具体为：以像素点为中心，宽高分别为3、5、7个像素的正方形区域，即为分别包含9、25、49个像素的邻域。
第二处理单元，用于选取交互信息最大值对应的邻域作为该像素计算豪斯多夫距离的区域；自动选择合适的周边区域进行计算豪斯多夫距离，可有效处理边界不连续和对比度变化较大的情况。
第三处理单元，用于计算各聚类中心与该像素确定区域的豪斯多夫距离。通过采用豪斯多夫空间距离定义像素差异，可以有效的应用邻域信息，充分应用软组织边界尤其是对比度较低的目标组织，对较为模糊的边界进行有效的归类和分离。
上述具体实施方式只是对本发明的技术方案进行详细解释，本发明并不只仅仅局限于上述实施例，凡是依据本发明原理的任何改进或替换，均应在本发明的保护范围之内。

Claims (11)

1.一种医学图像分割方法，其特征在于，包括以下步骤：
步骤1、确定初选聚类数目并计算各聚类中心的初始值；
步骤2、计算各聚类中心与图像每个像素的豪斯多夫距离；
步骤3、根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度；
步骤4、计算目标函数值，并根据隶属度对像素重新进行聚类，计算新的聚类中心值；
重复上述步骤2-4，直至两次目标函数值的差值小于阈值，则最后一次得到的隶属函数即为像素分割结果。
2.如权利要求1所述的医学图像分割方法，其特征在于，所述聚类中心的初始值通过应用均布直方图方法计算，所述聚类中心初始值的间隔相同。
3.如权利要求1所述的医学图像分割方法，其特征在于，所述计算聚类中心与图像像素的豪斯多夫距离，包括以下步骤：
以像素为中心，选取若干邻域区域，分别计算邻域区域与中心的交互信息值；
选取交互信息最大值对应的邻域作为该像素计算豪斯多夫距离的区域；
计算各聚类中心与该像素确定区域的豪斯多夫距离。
4.如权利要求3所述的医学图像分割方法，其特征在于，所述若干邻域区域具体为：宽高分别为3、5、7个像素的正方形区域。
5.如权利要求3所述的医学图像分割方法，其特征在于，所述邻域区域与中心的交互信息值计算公式为：其中，p(i,j为两个图像的联合分布函数，p(i和p(j)分别为各自图像的像素分布函数。
6.如权利要求3所述的医学图像分割方法，其特征在于，所述聚类中心与像素确定区域的豪斯多夫距离计算公式为：其中，A为聚类中心，B为像素确定区域的所有点集。
7.如权利要求1所述的医学图像分割方法，其特征在于，所述根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度，计算公式为：其中，xi为像素灰度值，vk为聚类中心，c为聚类中心个数，α参数根据图像的分辨率、对比度决定，m为2，||xi-vk||为像素与聚类中心的欧式距离，||xi-vk||H为像素与聚类中心的豪斯多夫距离。
8.如权利要求1所述的医学图像分割方法，其特征在于，所述目标函数为： 其中，n为图像像素个数，c为聚类中心个数，xi为像素灰度值，vk为聚类中心，α为经验值参数，m为2，||xi-vk||为像素与聚类中心的欧式距离，||xi-vk||H为像素与聚类中心的豪斯多夫距离。
9.如权利要求1所述的医学图像分割方法，其特征在于，所述重新计算聚类中心公式为：其中xi为像素灰度值，vk为聚类中心，n为像素个数，m为2。
10.一种医学图像分割装置，其特征在于，包括：
第一处理模块，用于执行步骤1、确定初选聚类数目并计算各聚类中心的初始值；
第二处理模块，用于执行步骤2、计算各聚类中心与图像每个像素的豪斯多夫距离；
第三处理模块，用于执行步骤3、根据聚类中心与每个像素的豪斯多夫距离和欧式距离计算每个像素的隶属度；
第四处理模块，用于执行步骤4、计算目标函数值，并根据隶属度对像素重新进行聚类，计算新的聚类中心值；
第五处理模块，用于执行重复上述步骤2-4，直至两次目标函数值的差值小于阈值，则最后一次得到的隶属函数即为像素分割结果。
11.如权利要求10所述的医学图像分割装置，其特征在于，所述第二处理模块，包括：
第一处理单元，用于以像素为中心，选取若干邻域区域，分别计算邻域区域与中心的交互信息值；
第二处理单元，用于选取交互信息最大值对应的邻域作为该像素计算豪斯多夫距离的区域；
第三处理单元，用于计算各聚类中心与该像素确定区域的豪斯多夫距离。
CN201610913874.5A 2016-10-21 2016-10-21 医学图像分割方法及装置 Pending CN107977952A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610913874.5A CN107977952A (zh) 2016-10-21 2016-10-21 医学图像分割方法及装置
US15/387,886 US10096108B2 (en) 2016-10-21 2016-12-22 Medical image segmentation method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610913874.5A CN107977952A (zh) 2016-10-21 2016-10-21 医学图像分割方法及装置

Publications (1)

Publication Number Publication Date
CN107977952A true CN107977952A (zh) 2018-05-01

Family

ID=61971560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610913874.5A Pending CN107977952A (zh) 2016-10-21 2016-10-21 医学图像分割方法及装置

Country Status (2)

Country Link
US (1) US10096108B2 (zh)
CN (1) CN107977952A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110597719A (zh) * 2019-09-05 2019-12-20 腾讯科技（深圳）有限公司 一种用于适配测试的图像聚类方法、装置及介质
CN110827215A (zh) * 2019-10-21 2020-02-21 天津大学 一种基于模糊聚类的ert图像重建伪影去除方法
CN112766338A (zh) * 2021-01-11 2021-05-07 明峰医疗***股份有限公司 一种计算距离图像的方法、***及计算机可读存储介质

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584255B (zh) * 2018-11-07 2020-11-03 北京市遥感信息研究所 一种基于全色与高光谱图像融合的目标轮廓提取方法
CN109685820B (zh) * 2018-11-29 2022-09-30 济南大学 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法
US10930386B2 (en) 2018-12-11 2021-02-23 International Business Machines Corporation Automated normality scoring of echocardiograms
CN109753997B (zh) * 2018-12-19 2022-11-22 湖南科技大学 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
CN109816660A (zh) * 2019-02-19 2019-05-28 闽南师范大学 一种图像分割方法、终端设备及存储介质
CN109993204A (zh) * 2019-02-25 2019-07-09 重庆邮电大学 基于mRMR选择和改进FCM聚类的遥感影像分类算法
CN110084820B (zh) * 2019-03-30 2023-05-26 重庆师范大学 基于改进fcm算法的紫色土图像自适应分割提取方法
CN110033464B (zh) * 2019-04-15 2023-03-10 齐齐哈尔医学院 一种基于水平集算法的乳腺肿瘤超声图像分割方法
CN110245666B (zh) * 2019-06-10 2021-06-08 西安邮电大学 基于双隶属度驱动的多目标区间值模糊聚类图像分割方法
US11928430B2 (en) * 2019-09-12 2024-03-12 Oracle International Corporation Detecting unrelated utterances in a chatbot system
CN111047593B (zh) * 2019-10-28 2023-06-02 东北大学 一种基于距离自适应聚类的图像分割方法
CN110853054B (zh) * 2019-10-29 2022-08-16 北京航空航天大学 一种利用位置信息改进直觉模糊聚类提取红外舰船的方法
CN110853059B (zh) * 2019-11-12 2023-04-07 陕西科技大学 一种靶子环数的图像识别方法
CN111079637B (zh) * 2019-12-12 2023-09-08 武汉轻工大学 田间图像中分割油菜花的方法、装置、设备及存储介质
CN111831373A (zh) * 2020-06-09 2020-10-27 上海容易网电子商务股份有限公司 一种用于安卓互动屏应用启动状态的检测处理方法
CN112287193B (zh) * 2020-10-30 2022-10-04 腾讯科技（深圳）有限公司 一种图像分割方法、装置、计算机设备及存储介质
CN114764807A (zh) * 2020-12-30 2022-07-19 上海联影医疗科技股份有限公司 冠脉分割方法、装置、计算机设备和存储介质
CN113628225B (zh) * 2021-08-24 2024-02-20 合肥工业大学 基于结构相似度和图像区域块的模糊c均值图像分割方法及***
CN116883993B (zh) * 2023-09-06 2023-12-01 临沂大学 基于视觉的玫瑰花茶干花分选方法
CN117710385B (zh) * 2024-02-05 2024-05-10 山东建筑大学 基于层次化多轮驱动模糊聚类的图像分割方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336781A (zh) * 2013-05-29 2013-10-02 江苏大学 一种医学图像聚类方法
CN103366367A (zh) * 2013-06-19 2013-10-23 西安电子科技大学 基于像素数聚类的模糊c-均值灰度图像分割方法
CN105654453A (zh) * 2014-11-10 2016-06-08 华东师范大学 一种鲁棒性的fcm图像分割方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8868555B2 (en) * 2006-07-31 2014-10-21 Ricoh Co., Ltd. Computation of a recongnizability score (quality predictor) for image retrieval
US8483427B2 (en) * 2010-09-28 2013-07-09 Futurewei Technologies, Inc. System and method for image authentication
US9177222B2 (en) * 2012-11-05 2015-11-03 Mitutoyo Corporation Edge measurement video tool and interface including automatic parameter set alternatives
US9311550B2 (en) * 2013-03-06 2016-04-12 Samsung Electronics Co., Ltd. Device and method for image processing
US9375184B2 (en) * 2013-09-12 2016-06-28 Technische Universität München System and method for prediction of respiratory motion from 3D thoracic images
US10402590B2 (en) * 2015-09-11 2019-09-03 Infosys Limited Method and system for masking of cheque image based on user access privileges

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336781A (zh) * 2013-05-29 2013-10-02 江苏大学 一种医学图像聚类方法
CN103366367A (zh) * 2013-06-19 2013-10-23 西安电子科技大学 基于像素数聚类的模糊c-均值灰度图像分割方法
CN105654453A (zh) * 2014-11-10 2016-06-08 华东师范大学 一种鲁棒性的fcm图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUAN FENG ET AL: "A modified fuzzy C-means method for segmenting MR images using non-local information", 《TECHNOLOGY AND HEALTH CARE》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110597719A (zh) * 2019-09-05 2019-12-20 腾讯科技（深圳）有限公司 一种用于适配测试的图像聚类方法、装置及介质
CN110597719B (zh) * 2019-09-05 2021-06-15 腾讯科技（深圳）有限公司 一种用于适配测试的图像聚类方法、装置及介质
CN110827215A (zh) * 2019-10-21 2020-02-21 天津大学 一种基于模糊聚类的ert图像重建伪影去除方法
CN112766338A (zh) * 2021-01-11 2021-05-07 明峰医疗***股份有限公司 一种计算距离图像的方法、***及计算机可读存储介质
CN112766338B (zh) * 2021-01-11 2023-06-16 明峰医疗***股份有限公司 一种计算距离图像的方法、***及计算机可读存储介质

Also Published As

Publication number Publication date
US10096108B2 (en) 2018-10-09
US20180114313A1 (en) 2018-04-26

Similar Documents

Publication Publication Date Title
CN107977952A (zh) 医学图像分割方法及装置
Chen et al. Automatic segmentation of individual tooth in dental CBCT images from tooth surface map by a multi-task FCN
Li et al. Brain tumor detection based on multimodal information fusion and convolutional neural network
Tang et al. A two-stage approach for automatic liver segmentation with Faster R-CNN and DeepLab
CN105574859B (zh) 一种基于ct图像的肝脏肿瘤分割方法及装置
CN105957063B (zh) 基于多尺度加权相似性测度的ct图像肝脏分割方法及***
Ghose et al. A survey of prostate segmentation methodologies in ultrasound, magnetic resonance and computed tomography images
CN108364294B (zh) 基于超像素的腹部ct图像多器官分割方法
Selver et al. Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断***
CN108010021A (zh) 一种医学图像处理***和方法
Karnan et al. Improved implementation of brain MRI image segmentation using ant colony system
Candemir et al. Graph-cut based automatic lung boundary detection in chest radiographs
Liu et al. Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window
CN101103924A (zh) 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其***
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
Wu et al. AAR-RT–a system for auto-contouring organs at risk on CT images for radiation therapy planning: principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases
CN108765427A (zh) 一种***图像分割方法
Deng et al. Graph cut based automatic aorta segmentation with an adaptive smoothness constraint in 3D abdominal CT images
Song et al. Kidney segmentation in CT sequences using SKFCM and improved GrowCut algorithm
Cordeiro et al. Analysis of supervised and semi-supervised GrowCut applied to segmentation of masses in mammography images
Lu et al. Highly accurate facial nerve segmentation refinement from CBCT/CT imaging using a super-resolution classification approach
Javaid et al. Multi-organ segmentation of chest CT images in radiation oncology: comparison of standard and dilated UNet
Kumar et al. Image processing in diabetic related causes
Shanker et al. Brain tumor segmentation of normal and lesion tissues using hybrid clustering and hierarchical centroid shape descriptor

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180501

RJ01 Rejection of invention patent application after publication