一种脑部mri图像分割方法
【技术领域】
[0001] 本发明属于医学图像处理领域，具体设及一种脑部MRI图像分割方法。
【背景技术】
[0002] 近年来，计算机技术、通信技术、网络技术的飞速发展给计算机辅助诊断 (Computer Aided Diagnosis,CAD)带来了新的生机，CAD利用了计算机对医学图像分析处 理的高效性，节省了大量的人力、物力，并且能够不受人主观意识的影响做出客观实际的诊 断结果，从而配合医生对病情做出精确的判断。在医学图像处理中，医学图像分割是解决医 学图像在临床上应用的前提条件，它是一个复杂并具有挑战性的任务，特别是人类对脑图 像的分割，脑分割对于早期诊断脑肿瘤，阿尔茨海默症等疾病具有极为重要的意义。
[0003] 磁共振成像(Magnetic Resonance Imaging,MRI)是一个非常重要的医学图像成 像技术，由于它能够提供活体组织的细节图像，成像参数多，对人体无放射性损伤，现将MRI 应用于人脑疾病的辅助诊断研究已受到了广泛的重视。因 MRI图像内部组织间边界的模糊 性和内在的不确定性，使得模糊聚类技术比起其它技术被更加广泛地应用于MRI图像分割。 目前应用最广泛的是模糊C-均值聚类(Fuzzy C-Means，FCM)算法，它是通过迭代优化含模 糊参数的目标函数来获取像素点属于各类的隶属度进行图像分割的，但是该算法对初值和 噪声干扰非常敏感，在很大程度上依赖初始聚类中屯、的选择，当初始聚类中屯、严重偏离全 局最优聚类中屯、时，极易陷入局部最优解，使分割速度和性能都受到影响。
[0004] 近年来，一些学者提出采用粒子群算法(Particle Swarm Optimization，PS0)进 行初始聚类中屯、的优化求解，受混浊理论的启发而提出的混浊粒子群算法（Chaos Particle Swarm Optimization,CPSO)已应用于图像分割，但运些文献未能提出对粒子群 早熟现象的判定，并且利用的混浊模型大都是Logistic映射，然而Logistic映射所产生的 序列极不均匀，稳定性较差。因此本发明首次采用逻辑自映射函数混浊初始化均匀分布的 粒子群，并集成早熟判断机制，W提高图像分割速度和精度。
【发明内容】
[0005] 针对现有技术存在的问题，本发明提供一种脑部MRI图像分割方法。
[0006] 本发明的技术方案是：
[0007] -种脑部MRI图像分割方法，包括如下步骤：
[000引步骤1:获取待分割脑部MRI图像的灰度图像；
[0009] 步骤2:将脑部MRI图像中不同像素点的灰度值作为聚类中屯、，形成聚类中屯、集合 作为粒子，采用粒子群优化算法进行聚类中屯、集合的优化；
[0010] 步骤2-1:采用逻辑自映射函数混浊初始化均匀分布的粒子群，产生一个表示初始 粒子群的混浊序列；
[0011] 步骤2-2:结合FCM聚类算法定义粒子群优化算法的目标函数，将其作为粒子适应 度函数:将脑部MRI图像中的像素点作为需要聚类的数据集的样本点，将像素点的灰度值作 为样本点的特征，采用脑部MRI图像中各像素点与每个聚类中屯、之间的加权相似度进行优 化；
[0012] 步骤2-3:将各个粒子的初始位置作为该粒子个体最优位置，粒子群中适应度最优 的粒子个体位置作为全局最优位置；
[0013] 步骤2-4:基于目标函数进行粒子群迭代，更新每个粒子的速度和位置，产生下一 代粒子群，并评价每个粒子的适应度；
[0014] 步骤2-5:若第i个粒子个体位置的适应度优于该粒子个体最优位置的适应度，更 新为该粒子的当前位置;若该粒子个体位置的适应度优于全局最优位置的适应度，全局最 优位置更新为该粒子的当前位置；
[0015] 步骤2-6:粒子群迭代过程中实时计算粒子群的适应度方差，判断粒子群优化算法 是否出现早熟，若是则转步骤2-7，否则转步骤2-8;
[0016] 步骤2-7:对粒子个体最优位置进行混浊捜索，用拥有最优适应度的粒子个体位置 随机代替当前粒子群中的任一粒子个体位置；
[0017] 步骤2-8:若达到最大迭代次数，则停止迭代，此时全局最优位置对应的粒子即最 优聚类中屯、集合，执行步骤3，否则返回步骤2-4;
[0018] 步骤3:实现脑部MRI图像分割:将脑部MRI图像中每个像素点归属于具有最大隶属 度的类中，令同一类中像素点灰度值等于同一个灰度值，完成脑部MRI图像分割。
[0019] 所述步骤2-1具体步骤如下：
[0020] 步骤2-1-1:采用逻辑自映射函数在可行域中混浊初始化N个粒子的个体位置和速 度;每个粒子的个体位置表示一个聚类中屯、集合，其中位置分量表示像素点的灰度值；
[0021] 步骤2-1-2:将脑部MRI图像中不同像素点的灰度值作为聚类中屯、，形成聚类中屯、 集合作为粒子，建立混浊序列模型；
[0022] 步骤2-1-3:取第i个粒子的初始位置分量作为逻辑自映射初始点；
[0023] 步骤2-1-4:根据所建立的混浊序列模型进行迭代，产生混浊序列；
[0024] 步骤2-1-5:判断迭代是否达到最大次数，若是，则转步骤2-1-7;若不是，则判断迭 代是否落入周期不动点内，是则转步骤2-1-6，否则转步骤2-1-4;
[0025] 步骤2-1-6:重置第i个粒子的位置分量，转步骤2-1-4;
[00%] 步骤2-1-7:保存产生的混浊序列；
[0027] 步骤2-1 -8:将混浊序列映射到原解空间即脑部MRI图像中的灰度值取值范围，从 而产生一个混浊序列可行解，即初始粒子群。
[0028] 所述步骤2-6具体步骤如下：
[00巧]巧骤2-6-1:计算反映粒子聚集程度的粒子群的适应度方差O2:
[0030]
[0031] 式中：favg为当前粒子群的平均适应度，N为粒子群规模，f为用来限制O2大小的归 一化因子：
[0032]
[0033] 步骤2-6-2:判断粒子群的适应度方差〇2<e是否成立，e为粒子群的适应度方差阔 值:是则粒子群优化算法出现早熟收敛现象，需要对当前粒子群进行扰动W跳出局部最优 解，转步骤2-7，否则转步骤2-8。
[0034] 有益效果：
[0035] 针对现有图像分割技术的缺陷，本发明提出一种新的医学图像分割方法。一方面， 利用逻辑自映射函数混浊初始化均匀分布的粒子群，产生初始聚类中屯、，W提高初始解的 质量和增加方法的稳定性；另一方面，集成早熟判断机制，通过混浊捜索跳出局部最优解， W加快收敛速度。
[0036] 1)PS0算法中的初始粒子是随机选取的，不能保证初始的粒子均匀分布于整个解 空间，运样粒子在捜索过程中易陷入局部最优解，根据混浊的特性W及逻辑自映射函数的 特点，采用逻辑自映射函数来初始化均匀分布的粒子群，W提高初始解的质量和增加 PSO算 法的稳定性，提高图像分割的速度和精度。
[0037] 2)集成早熟判断机制，当粒子陷入早熟收敛状态时进行混浊捜索，防止在迭代过 程中粒子处于停滞状态而算法出现早熟收敛现象，从而减少局部最优解的困扰，实现全局 范围内的最优解，提高图像分割速度和精度。
【附图说明】
[0038] 图1为本发明【具体实施方式】脑部MRI图像分割方法流程图；
[0039] 图2为本发明【具体实施方式】采用逻辑自映射函数混浊初始化均匀分布的粒子群流 程图；
[0040] 图3(a)~(d)分别为本发明【具体实施方式】脑部MRI图像、W及灰质、白质、脑脊液图 像；
[0041] 图4(a)~(b)分别为本发明【具体实施方式】脑肿瘤MRI图像和肿瘤区域示意图。
【具体实施方式】
[0042] 下面结合附图对本发明的【具体实施方式】做详细说明。
[0043] -种脑部MRI图像分割方法，如图1所示，包括如下步骤：
[0044] 步骤1:获取待分割脑部MRI图像的灰度图像；
[0045] 步骤2:将脑部MRI图像中不同像素点的灰度值作为聚类中屯、，形成聚类中屯、集合 作为粒子，采用粒子群优化算法进行聚类中屯、集合的优化；
[0046] 设待分割脑部MRI图像的灰度级为L，待分割脑部MRI图像中各像素点的灰度值的 取值范围为[0，L-l];初始化待分割脑部MRI图像像素点的灰度值聚类类别数C，加权指数m， 粒子群规模N，学习因子C1、C2,惯性权重《"3、、《"1。，最大迭代次数^6'。3、，优化空间[础1。， Xmax]及速度限制[Vmin ,Vmax];
[0047] 步骤2-1:采用逻辑自映射函数混浊初始化均匀分布的粒子群，产生一个表示初始 粒子群的混浊序列；
[004引如图2所示，具体流程如下：
[0049]步骤2-1-1:采用逻辑自映射函数在可行域中混浊初始化N个粒子的个体位置和速 度;每个粒子的个体位置表示一个聚类中屯、集合，其中位置分量表示像素点的灰度值；
[0050]步骤2-1-2:将脑部MRI图像中不同像素点的灰度值作为聚类中屯、，形成聚类中屯、 集合作为粒子，建立混浊序列模型；
[0化1 ]混浊序列模型：札。+1 = ;^(>，扎。）=1-帖1,。2]1 = 0,1,2,...,-1<札。<1
[0052] 式中：Xi,n、Xi,n+i分别表示第i个粒子中的第n个位置分量、第n+1个位置分量，f(y， Xi,n)表示逻辑自映射函数，为非线性函数，其中y为控制参量；
[0053] 步骤2-1-3:取初始位置分量Xi,日(札〇e (-1，1))作为逻辑自映射初始点；
[0054] 步骤2-1-4:根据所建立的混浊序列模型进行迭代，产生混浊序列；