基于可能性FCM算法MRI肿瘤图像分割方法和系统与流程

本发明涉及医疗器械
技术领域：
，是医学影像领域中的一个重要方面，在脑肿瘤切割、脑肿瘤分类、脑肿瘤识别等领域具有重要作用。具体讲,涉及基于一种可能FCM算法的MRI脑肿瘤图像分割方法和系统。
背景技术：
：随着医学影像在临床应用的广度和深度的不断增加，医学图像已经成为医学影像处理领域的重要的研究方向之一；尤其是针对脑肿瘤的研究，是近些年来研究的一大热门。脑肿瘤发病较高，约占全身肿瘤的1.4％，而死亡比例却超过2.4％，因此只有临床上尽早地发现并加以治疗，能够有效地减少脑肿瘤对人类和社会造成巨大的伤害。由于MRI脑肿瘤分割的技术难度，主要体现在以下方面：(1)由于磁共振成像原理、技术上的限制和图像采集过程中各种因素的影响，图像存在部分容积效应、场偏移效应、噪声和运动伪影等；(2)脑的组织结构复杂，MRI脑图像中正常组织主要包括脑皮层、灰质、白质、脑脊液等，病变组织主要包括肿瘤、水肿以及肿瘤内部的坏死、囊变，而且每种组织结构新传复杂；(3)颅内病变的空间占位、新传和大小不确定，不同软组织之间或病变组织与软组织之间的灰度分布不均一，密度分布有混叠，便捷非常模糊；(4)不同个体的组织结果存在较大的差异，甚至同一个人在不同的年龄也会有很大的差异。所以利用MRI脑肿瘤图像的自动分割技术在肿瘤的诊断和治疗上起着重要作用。MRI是无线电丞相领域中使用最广泛的技术。作为一种动态切灵活的技术，MRI可以使用不同的参数成像，包括纵向松弛时间(T1)和横向松弛时间(T2),T1加权和T2加权等。这些不同参数的成像可以有效地利用到脑肿瘤分割，由于以上的技术难度问题，本发明采用一种改进的FuzzyC-Means(FCM)，以此来克服FCM本身的缺陷。基于聚类的分割方法就是图像像素按其相似度把他们分为若干泪，是不同的个体间距离和类间距离较大，同一类的个体间距离较小。FCM是将每个像素在每类组织中负于大小不同的隶属度，然后更具某种准则，将每个像素唯一地划分到某一类组织中，获得分割的结果。模糊聚类中，最常用的是FCM。但是FCM也有一些缺点，同一个样本属于所有类的隶属度之和为1，这使得它对噪声和异常值敏感；同时对初始的聚类中心敏感。为了克服这些缺陷，一些学者提出了可能性C均值聚类、加权FCM聚类和基于隶属度不确定的可能性的FCM等，这些聚类算法都是更具数据集的所有特诊进行聚类的，每个特诊的权值是不同的。为了是聚类结果更加精确，协同的可能性FCM是一种利用不同特征自己之间的协同关系进行聚类的一种方法。这种方法可与其他的聚类算法相结合，从而提高聚类效果。利用不同特征自己之间的协同系数，得到的模糊划分矩阵。技术实现要素：为克服现有技术的不足，本发明旨在提供全自动的脑肿瘤图像分割技术，结合MRI生成图像，输入计算机，由软件执行FCM算法，实现图像处理。由于FCM本身具有的缺陷，本发明根据MRI脑肿瘤图像的特征，结合协同模糊聚类算法的优势，得到了协同的可能性FCM算法，从而使FCM算法能够更加有效地应用到MRI脑肿瘤图像中。本发明采用的技术方案是，基于可能性FCM算法MRI肿瘤图像分割方法，步骤如下：步骤1去除MRI脑肿瘤图像中的噪声、脑组织，并且进行归一化为下一步做准备；步骤2对三维的MRI数据进行直方图统计，通过自动获取最高值样本附近0.707的值进行统计，设定阈值，得到分类数；步骤3通过隶属关系不确定的可能性FCM进行初始分割，得到初始的隶属度和聚类中心；步骤4调整多个自己隶属度的矩阵大小；步骤5使用协同的可能性FCM算法进行肿瘤区域分割得到分割图像；步骤6依据肿瘤统计生长模型，去除肿瘤图像中的非肿瘤部分，得到最终的肿瘤分割图像。协同的可能性FCM算法分为两个部分：步骤1初始化过程。对中心矩阵V(0)和可能隶属度矩阵T(0)、非确定性隶属度矩阵P(0)以及初始化；步骤2计算中心矩阵V(0)和可能隶属度矩阵T(0)、非确定性隶属度矩阵P(0)，通过内循环和外循环迭代使得两次迭代中心矩阵V(0)差值小于阈值或迭代次数大于TS1，TS2为止。协同的可能性FCM计算过程如下：Step1：初始化确定聚类中心数c,2≤c≤n，可能性权重指数r,终止阈值ε，初始化可能隶属度矩阵T(0)，并计算非确定性隶属度矩阵P(0)的初值，ts1＝0、ts2＝0；Step2:repeat对中心矩阵V第ts1次迭代，T[n]表示第n迭代可能隶属度矩阵，P[n]表示第n迭代非确定性隶属度矩阵。T[ts2]＝T[ts1]；P[ts2]＝P[ts1]；Repeat对T,P；第ts2次迭代ts2＝ts2+1；Fork＝1:n根据式(16)计算的值vst[ii]=Ast[ii]+Cst[ii]Bs[ii]+Ds[ii],s=1,2,...,c;t=1,2,...,n[ii];s=1,2,...,h---(16)]]>根据式(11)计算的值tik=n(1dik2)1r-1Σk=1nΣi=1c(1dik2)1r-1---(11)]]>结束；Until(|T[ts2]-T[ts2-1]|)<ε或ts2＝TS2ts1＝ts1+1；T[ts1]＝T[ts1]P[ts1]＝P[ts2]根据式(16)计算圆形矩阵V[ts1]until(|V[ts1]-T[ts1-1]|err<ε或ts1＝TS1)。return(V,T)＝(V[ts1],T[ts1])基于可能性FCM算法MRI肿瘤图像分割系统，由磁共振成像MRI设备和计算机构成，MRI设备生成图像，输入计算机，计算机设置有如下模块：去噪声模块，用于去除MRI脑肿瘤图像中的噪声、脑组织，并且进行归一化为下一步做准备；直方图统计模块，对三维的MRI数据进行直方图统计，通过自动获取最高值样本附近0.707的值进行统计，设定阈值，得到分类数；FCM初始分割模块，通过隶属关系不确定的可能性FCM进行初始分割，得到初始的隶属度和聚类中心；矩阵调整模块，用于调整多个自己隶属度的矩阵大小；FCM分割图像模块，使用协同的可能性FCM算法进行肿瘤区域分割得到分割图像；分割获取模块，依据肿瘤统计生长模型，去除肿瘤图像中的非肿瘤部分，得到最终的肿瘤分割图像。协同的可能性FCM算法分为两个部分：步骤1初始化过程。对中心矩阵V(0)和可能隶属度矩阵T(0)、非确定性隶属度矩阵P(0)以及初始化；步骤2计算中心矩阵V(0)和可能隶属度矩阵T(0)、非确定性隶属度矩阵P(0)，通过内循环和外循环迭代使得两次迭代中心矩阵V(0)差值小于阈值或迭代次数大于TS1，TS2为止；协同的可能性FCM计算过程如下：Step1：初始化确定聚类中心数c,2≤c≤n，可能性权重指数r,终止阈值ε，初始化可能隶属度矩阵T(0)，并计算非确定性隶属度矩阵P(0)的初值，ts1＝0、ts2＝0；Step2:repeat对中心矩阵V第ts1次迭代，T[n]表示第n迭代可能隶属度矩阵，P[n]表示第n迭代非确定性隶属度矩阵。T[ts2]＝T[ts1]；P[ts2]＝P[ts1]；Repeat对T,P；第ts2次迭代ts2＝ts2+1；Fork＝1:n根据式(16)计算的值vst[ii]=Ast[ii]+Cst[ii]Bs[ii]+Ds[ii],s=1,2,...,c;t=1,2,...,n[ii];s=1,2,...,h---(16)]]>根据式(11)计算的值tik=n(1dik2)1r-1Σk=1nΣi=1c(1dik2)1r-1---(11)]]>结束；Until(|T[ts2]-T[ts2-1]|)<ε或ts2＝TS2ts1＝ts1+1；T[ts1]＝T[ts1]P[ts1]＝P[ts2]根据式(16)计算圆形矩阵V[ts1]until(|V[ts1]-T[ts1-1]|err<ε或ts1＝TS1)。return(V,T)＝(V[ts1],T[ts1])本发明的特点及有益效果是：1)新颖性：首次把协同的可能性FCM算法用来分割带有脑肿瘤的MRI图像，根据MRI脑肿瘤图像的特性，结合可能性FCM算法，利用不同特征子集之间的协同关系得到的协同的可能性FCM函数。2)有效性：利用协同的可能性FCM取代传统的FCM算法，解决了噪声敏感和一致性聚类问题，并且结合可能性FCM，提高了分割的准确性，是算法更加优化。3)实用性：现在的分割算法由于都难以达到实用性的要求，本发明结合算法之间的合理部分，从而克服一些算法的缺陷，一定程度上增加量算法的实用性。并且为自动分割脑肿瘤技术做了进一步的探讨。附图说明：图1是本发明的基于协同的可能性FCM算法分割MRI脑肿瘤的流程图。图2是本发明的协同的可能性FCM算法的流程图。具体实施方式本发明是在模糊集合理论框架下利用协同的可能性FCM算法解决MRI的脑肿瘤分割问题。在模糊集合理论中，FCM是一个重要的研究方向，FCM的核心思想是寻求合适的隶属度和聚类中心，使得聚类内耗费函数的方差和迭代误差最小，耗费函数的值是像素到聚类中心2范数测度的加权累积和。为了克服FCM算法的不足，有学者提出来可能C均值聚类和加权模糊C均值聚类。这些算法由于隶属度取值的随意性使得世纪聚类效果不理想，容易出现聚类中心的重合，因此有学者提出来基于隶属度不确定的可能性的FCM算法。这个算法在一定程度上提高了聚类的效果，是一种综合效果比较好的算法。以上聚类算法都是根据数据集的所有特征进行聚类的，每个特征的权值是不同的。若能充分利用特征之间的关系，则聚类的结果会更加精确。协同模糊聚类是一种利用不同特征子集之间的协同关系进行聚类的一种方法。这种方法可与其他的聚类算法相结合，从而提高聚类效果。利用不同特征子集之间的协同系数，得到模糊划分矩阵。优于模糊划分矩阵受不同子集间协同系数的影响，因此要比其他的模糊聚类算法得到的模糊划分矩阵精确、聚类效果好。本发明在上述工作的基础上，对基于隶属度不确定的可能性的FCM算法进行改进，将协同模糊聚类算法和基于隶属度不确定的可能性的FCM算法相结合，并将其用于MRI脑肿瘤数据的测试，使得分割效果得到提高。1模糊集合理论模糊集合理论以逻辑值([0,1])的模糊逻辑为基础，善于描述属性不分明的事物，它是对经典集合的开拓。模糊集A是给定义域U上的一个模糊子集的含义是:对任何u∈U都对应一个唯一的实数A(u)[0,1]，有序对集合{u,A(u)|u∈U}均可作为U上的模糊集，A(u)表示u对A的隶属度，这表明构造了一个映射A(u):U→[0,1],u→A(u)(1)这个映射称为模糊集A的隶属度函数。若A(u)接近1，表示U属于A的程度高；若A(u)接近0，表示U属于A的程度低。当UA(u)的值域为[0,1]时，UA(u)蜕化成一个经典子集的特征函数，模糊子集A变成了一个经典集合。也就是说经典集合是模糊集合的特殊形式，模糊集合是经典集合概念的推广。模糊集合的表达方式有几种，常用的表示法为：设u为有限集{u1,u2,...,un}时,A=A(u1)u1+A(u2)u2+...+A(un)un---(2)]]>式中：并不表示“分数”，而是表示论域中的元素um与其隶属度A(um)之间的对应关系。“+”也不是求和，而是表示模糊集合在定义域上的整体。2FCM算法FCM的核心思想是寻求合适的隶属度和聚类中心，使得聚类内耗费函数的方差和迭代误差最小，耗费函数的值是像素到聚类中心2范数测度的加权累积和。假设X＝{x1,x2,...xn}是图像像素的灰度值或像素的特征值，c是对x进行划分的聚类个数，聚类中心表示为V＝{v1,v2,...vc},u＝{uik}是隶属度矩阵,uik表示xi属于第k类区域的隶属度。FCM表达形式为:MinJcm(U,V)=Σi=1CΣj=1nuijmdij2---(3)]]>使得Σi=1cuij=1,1≤j≤nΣj=1cuij>0,1≤i≤cuij=1≤i≤c,1≤j≤n]]>式中，U＝uij是一个n×c的模糊划分矩阵，表示第j个样本xj属于第i类的隶属度值；V＝{v1,v2,...vc}是由c个聚类中心向量构成的s×c的矩阵；dij＝||xj-vi||表示从样本点xj到中心vi的距离，本发明采用的是欧氏距离；J(U,V)表示区域的像素到聚类中心加权距离的平方和，J(U,V)值的大小反映图像区域的紧致性，值越小表示像素是一个区域的可能性越大，聚类效果越好。参数m∈[1,∞)是隶属度的加权指数，为了加强像素灰度值属于不同区域的对比度，它决定分类结果的模糊程度，其值越大分类越模糊，一般典型值取m＝2。为使J(U,V)最小化，利用拉格朗日乘子建立目标优化函数，求目标函数关于隶属度uij和聚类中心vi的偏导数，并令导数为零，求得隶属度和聚类中心迭代更新表达式为：vi=Σj=1nuijmΣj=1nuijmxj,i=1,2...c---(4)]]>记Ij＝{(i,j)|xj＝vi,1≤i≤c}，若则uij=[Σr=1cdijdrj]-1,i=1,2...c;j=1,2,...n---(5)]]>若Ij非0，则uij是满足如下条件的任意非负实数：Σi=1cuik=1,uik∈[0,1]---(6)]]>关于隶属度的迭代公式是一个从点到集合的映射，在实际计算中通常采用如下的隶属度更新公式式中，dij(xj,vi)＝||xj-|vi|||2，t表示迭代次数。迭代式(4)(7)若满足迭代终止条件，t>T或则停止。算法结束后，按最大隶属度原则对像素进行分类，若uji>ujk，则将xj归为第i类区域，k＝1,2,...,c；i≠k。FCM算法先初始化聚类中心(或隶属度矩阵)，然后利用公式(7)迭代直至满足设定的终止条件。具体步骤如下：(1)设定聚类中心(1<c<n)和模糊指数m(1≤m)，初始化各类中心V(0)，设置收敛精度ε>0；令迭代次数k＝0；(2)用公式(3)计算U(K+1)；(3)用公式(4)计算V(K+1)，令k＝k+1；重复步骤(2)和(3)，直到满足如下的终止条件：||vk-v(k+1)||≤ε,k≥1(8)3隶属关系不确定的可能性FCM算法隶属关系不确定的可能性FCM算法将两个新的隶属度参数tik、pik进行融合得到改进的FCM算法，其目标函数如下所示：J(T,P,V)=Σk=1nΣi=1c(tik)r(dik)2+Σk=1nΣi=1cpik(dik)2Σk=1nΣi=1ctik=n---(9)]]>tik是可能隶属度，表示第k个对象对第i类的隶属程度，取值在[0,n]之间，距离聚类中心越近的点表示对该类的可能隶属度越大，与其他聚类中心无关。其中表示可能隶属度tik的约束条件，pik是不确定性隶属度，表示第k个对象可能属于第i个类的可能性，只取0，1两值，表示每次迭代过程中对像与最近距离聚类之间pik的取值为1。pik=1,min{dik},∀i0,otherwise---(10)]]>不确定隶属度pik的优点在于有记忆功能，每次迭代中更新数据对像与最近距离聚类间的隶属度值，其他隶属度保持上一次迭代的数值，这样可以“记忆”以前历次迭代过程中的pik，此算法中的不确定性不同于一般概念的不确定性，只有当不同聚类的隶属度都为1时才被定义为不确定性隶属度关系。T、P、V分别为可能隶属度矩阵、不确定性隶属度矩阵及聚类中心矩阵，r为可能性权重指数，r∈(1,∞)。dik表示样本xk与第i类聚类中心Vi之间的欧式距离度量。根据拉格朗日极值方法求得可能隶属度：tik=n(1dik2)1r-1Σk=1nΣi=1c(1dik2)1r-1---(11)]]>由tik表达式可知，对不同的隶属度分母都是固定的大小，分子只与所属类之间的距离相关，这点与FCM算法中是不同的，数据对某个类的隶属度程度不会受到其他聚类中心的牵制。不确定隶属度关系为在聚类算法迭代过程中，当数据集X中第k个数据样本xk对C个聚类中第i个类的隶属度相等的情形，即存在如下情况：μk1＝μk2＝...＝μki,1<i≤c(12)其中，C为聚类个数，表示样本xk对i个聚类ci(1<i≤c)的隶属关系是不确定的。目前在值域μ上变量取值的分布形式可以分成两种分布情况：概率性分布和可能性分布。在聚类方法中可以分布对应模糊性理论和可能性理论，这两个分布之间有着不同之处，可能性分布取消了概率性分布的约束条件。以上出现的不确定性分布与这两种分布之间有本质区别。不确定模糊聚类算法不同于一般的模糊聚类算法，该算法体现了数据对像对聚类簇隶属关系亦此亦彼的不确定性。4协同的可能性FCM算法协同模糊聚类在普通聚类算法的基础上，将数据的特征分成不同的p个特征子集。每个特征子集的向量个数要相等，并确定不同特征子集之间的协同系数β[ii,kk]，根据协同系数确定不同子集的模糊划分矩阵和原形矩阵。不同特征子集之间的关系强度由协同系数确定，协同系数越大，特征子集之间的协同关系就越强，对模糊划分矩阵和原形矩阵的影响越大；反之，协同系数越小，则相反。根据此方法，在协同的可能性模糊聚类算法目标函数的基础上，考虑不同特征子集的模糊划分矩阵之间的协同关系，为此提出如下目标函数：J=Σk=1nΣi=1c(tik[ii])r(dik[ii])2+Σk=1nΣi=1cpik[ii](dik[ii])2+Σjj=1,jj≠iihβ[ii,jj]Σi=1cΣk=1n(tik[ii]-tik[jj])2dik2[ii]---(13)]]>其中，第一部分为协同的可能性模糊聚类算法目标函数，第二部分是根据各个特征子集的模糊划分矩阵之间的关系而确定。β[ii,kk]是特征子集ii与特征子集jj之间的协同系数矩阵。根据拉格朗日求极值方法给出特征子集ii中第t个对象对第s类的聚类中心vst[ii]的计算公式，首先构造拉格朗日函数V[ii],V[ii]表示特征子集ii的聚类中心：V[ii]=J-λ(Σi=1cΣj=1n[ii]tij[ii]-1)---(14)]]>V[ii]对vst[ii]求偏导数：∂V[ii]∂vst[ii]=-2Σk=1n(tsk2+psk)(xkt[ii]-vst[ii])-2Σjj=1,jj≠iicβ[ii,jj]Σk=1N(tsk[ii]-tsk[jj])2(xkt[ii]-vst[ii])---(15)]]>引入以下标记：Ast[ii]=Σk=1n(tsk2[ii]+psk[ii])xkt[ii]]]>Bs[ii]=Σk=1n(tsk2[ii]+psk[ii])]]]>Cst[ii]=Σjj=1,jj≠iicβ[ii,jj]Σk=1N(tsk[ii]-tsk[jj])2xkt[ii]]]>Ds[ii]=Σjj=1,jj≠iicβ[ii,jj]Σk=1N(tsk[ii]-tsk[jj])2]]>结合V[ii]对λ求导，求得vst[ii]:vst[ii]=Ast[ii]+Cst[ii]Bs[ii]+Ds[ii],s=1,2,...,c;t=1,2,...,n[ii];ii=1,2,...,h---(16)]]>值得注意的是，初始化聚类中心在根据式(16)计算时，需要比随机选取较真实的聚类中心，这样能得到较合理的权值。即先通过FCM得到近似聚类中心，然后使用隶属关系不确定的可能性FCM算法计算其可能隶属度，则得到的以下算法称为协同的可能性FCM算法。协同的可能性FCM算法基本分为两个部分：步骤1初始化过程。对中心矩阵V(0)和可能隶属度矩阵T(0)、非确定性隶属度矩阵P(0)以及一些参数初始化。步骤2计算中心矩阵V(0)和可能隶属度矩阵T(0)、非确定性隶属度矩阵P(0)。通过内循环和外循环迭代使得两次迭代中心矩阵V(0)差值小于阈值或迭代次数大于TS1，TS2为止。协同的可能性FCM算法如下：Step1：初始化确定聚类中心数c(2≤c≤n)，可能性权重指数r,终止阈值ε，初始化可能隶属度矩阵T(0)，并计算非确定性隶属度矩阵P(0)的初值，ts1＝0、ts2＝0；Step2:repeat对中心矩阵V第ts1次迭代，T[n]表示第n迭代可能隶属度矩阵，P[n]表示第n迭代非确定性隶属度矩阵。T[ts2]＝T[ts1]；P[ts2]＝P[ts1]；Repeat对T,P；第ts2次迭代ts2＝ts2+1；Fork＝1:n根据式(16)计算的值根据式(11)计算的值结束；Until(|T[ts2]-T[ts2-1]|)<ε或ts2＝TS2ts1＝ts1+1；T[ts1]＝T[ts1]P[ts1]＝P[ts2]根据式(16)计算圆形矩阵V[ts1]until(|V[ts1]-T[ts1-1]|err<ε或ts1＝TS1)return(V,T)＝(V[ts1],T[ts1])本发明的一个实施例流程为:由于MRI脑肿瘤图像本身质量不高，不能用于直接分割，所以本发明首先采用三维各向异性滤波，滤除MRI图像的一些噪声，同时使用FSL软件去除脑壳以防止脑壳对肿瘤分割的影响。之后三维直方图，通过n>50；选择FCM聚类得到初始分类数，之后采用协同的可能性FCM算法对图像进行分割，并将得到的图像使用模板匹配，最后分割出异常部分。图2是协同的可能性FCM算法的执行过程，本发明的具体过程如图1，详细描述如下：步骤1去除MRI脑肿瘤图像中的噪声、脑组织，并且进行归一化为下一步做准备；步骤2对三维的MRI数据进行直方图统计，通过自动获取最高值样本附近0.707的值进行统计，设定阈值，得到分类数；步骤3通过隶属关系不确定的可能性FCM进行初始分割，得到初始的隶属度和聚类中心；步骤4调整多个自己隶属度的矩阵大小；步骤5使用协同的可能性FCM算法进行肿瘤区域分割得到分割图像；步骤6依据肿瘤统计生长模型，去除脑肿瘤图像中的非肿瘤部分，得到最终的脑肿瘤分割图像。当前第1页1 2 3