[发明专利]模糊C均值连续型最大流最小割脑肿瘤图像分割方法

说明书

技术领域

本发明是医学影像领域中的一个重要领域，将医学图像和计算机算法结合起来，完成三维脑肿瘤核磁共振图像分割。具体讲,涉及模糊聚类和连续型最大流最小割三维脑肿瘤图像分割方法。

背景技术

脑肿瘤是指在大脑内部或中央脊髓中生长的不正常细胞群。世界卫生组织依据病变程度把脑肿瘤分为五个等级，一级到五级，其中，脑膜瘤等肿瘤可以很容易的被分离出来，而胶质瘤和成胶质瘤等肿瘤便难以定位分离，而此类肿瘤会进一步恶化成脑癌，直接诱发病人死亡。数据显示：脑癌在15岁以下儿童和34岁以下人群中癌症死亡排第二位，在65岁以上人群癌症死亡增长速度排第二位。有效的诊疗办法是十分重要的，而诊疗的第一步便是把脑肿瘤从健康组织中分离出来。核磁共振成像可实现无创伤脑肿瘤诊断，并对软组织具有较高的分辨率。目前，脑肿瘤主要依靠专家手动分割完成，出现了效率底下，分割结果因人而异等情况。因此，研究一套准确、全自动、实时、鲁棒性强的脑肿瘤分割系统是十分有必要的。

脑肿瘤图像的分割方法分为手动分割、半自动分割和全自动分割，介于手工分割需要消耗大量的人力，并且差异性较大，因而目前更多地致力于半自动分割和全自动分割。根据Erdt等人提出的“连续性”分类概念，针对MRI脑肿瘤分割主要方法有：基于体素的分割方法，基于区域的分割方法，基于局部先验的分割方法，基于全局先验的分割方法。由于脑肿瘤图像的复杂性，单一算法并不能满足分割要求，有效的结合多种算法的优点，可以同时兼顾分割准确率和效率。

聚类是无监督学习，通过对无分类体素点进行学习揭示数据内在规律，其目标是最大化簇内相似度，最小化簇间相似度。但原始的模糊聚类分割效果和效率都不佳，因而出现了很多的改进算法，ZB chen等人把模糊C均值聚类算法(FCM)和水平集算法结合使用，提高算法的稳定性和分割速度。E Abdel-Maksoud等人提出了一种混合型的聚类算法，K-means硬聚类算法可以有效的减小分割时间，模糊C均值是软聚类算法可以提高分割准确性。通常，聚类算法关注单个体素点信息而忽略体素点的空间信息，因此导致对异常值较为敏感。SK Adhikari等人提出一种条件空间模糊C均值聚类算法(CSFCM)，通过将局部和全局空间信息加入权隶属函数，可以有效减少噪声和图像强度不均匀性的影响。

最大流最小割算法是图割模型算法的一种，Jing Yuan等人首次提出了两种连续型最大流最小割模型，分别为有监督型和无监督型。并在Jing Yuan等人的文献中将该模型应用于二分类问题中，相比于离散型基于图形的分割算法，该算法有更高的分类效率。在Jing Yuan等人的文献中提出了Potts模型用于求解最大流模型，明显减少了迭代次数。S Pezold等人在凸型连续型最大流分割算法中加入待分割目标的先验知识，有效的实现分割目标。连续型最大流最小割算法的目标函数刻画了分割目标外部及内部特征，实现能量函数最小化，且迭代次数较少，运行效率较高；相比于水平集，不易出现局部最优问题。

发明内容

为克服现有技术的不足，针对脑部核磁共振图像(MRI)中由于噪声、低对比度、边界模糊等原因造成的肿瘤过分割和欠分割的问题，本发明旨在提出一种基于直方图的快速模糊C均值算法(FFCM)和连续型最大流最小割算法(CMF)的三维分割方法。采用基于直方图的快速模糊C均值对三维脑肿瘤进行预分割，使用连续型最大流最小割算法进行精准分割，实现准确快速的分割效果。本发明采用的技术方案是，模糊C均值连续型最大流最小割脑肿瘤图像分割方法，首先对Flair、T1、T1C和T2四种模态图像分别预处理，即非线性中值滤波，去除高斯噪声且处理边界信息，然后对各模态图像进行模糊C均值初始聚类，再对四幅模态图像进行线性叠加融合，对融合后的图像采用模糊C均值预分割出肿瘤区域，完成预分割后，采用连续型最大流最小割算法对肿瘤块边缘进行精准分割，对分割后的图像去散点，完成分割。

Flair:T1:T1C:T2＝5:0:1:4时，融合图像具有最好的效果。

基于直方图快速模糊C均值算法FFCM的目标函数如下：

约束条件为：

FFCM目标是是实现式(1)最小化，其中u_ig表示灰度值g对聚类中心i的隶属度，m∈(1,∞)是模糊参数，d(g,v_i)＝||g-v_i||表示灰度值到聚类中心的距离；

聚类中心迭代表达式为：

隶属度迭代表达式为：