MedicalImage13医学图像分类学案.ppt

第六章 医学图像分类 6.1 医学图像分类概述 6.2 单谱图像分类 6.3 多谱图像分类 6.4 模糊聚类分割 6.1 医学图像分类概述 图像分析技术分类的三种基本范畴 低级处理：图像获取、预处理，不需要智能 中级处理：图像分割、表示与描述，需要智能 高级处理：图像识别、解释，缺少理论，为降低难度，设计得更专用。 6.1 医学图像分类概述 图像分析技术分类的三种基本范畴 6.1 医学图像分类概述 分类：根据被识别对象的某些特征判明其属于已知类别中的哪一类。 匹配：确定被识别对象和一个已知对象在某个方面是否相同或相似，以及相似的程度。 MRI分类：脑灰质、脑白质、脑脊液、大脑皮层、背景 6.2 单谱图像分类 6.2.1 单谱图像分类原理 6.2.2 基于灰度和纹理参数的组织分类 6.2.3 基于松弛迭代法的分类 6.2.1 单谱图像分类原理 单谱图像：单一模式、单通道的医学图像。 MRI图像中，脑灰质、脑白质、脑脊液、大脑皮层、背景五类分布函数间相互覆盖，所以不能用简单的阈值进行分类。 6.2.1 单谱图像分类原理 利用单谱图像的灰度和某一特征参量进行分类，例如： 6.2.2 基于灰度和纹理参数的组织分类 1、选取聚类中心（灰度，纹理参数）的值， N类组织共有N个中心； 2、计算被识别象素到各中心的欧式距离，与哪一类中心的距离最近就归为该类（或用K近邻法）； 3、重新计算各类组织的聚类中心值； 4、若收敛则对被识别象素进行归类，否则至2继续。 6.2.2 基于灰度和纹理参数的组织分类K－近邻分类法 K近邻分类法(K-NN)是模式识别中一种非常有效的分类器。 方法： 1、设有M个类别L1，L2，…，LM，每类有Ni个学习样本，每个学习样本有K个特征值。 2、计算被识别的象素与每个学习样本的距离： 其中Cj是被识别对象的第j个特征值，Clj是第l个样本的第j个特征值。 6.2.2 基于灰度和纹理参数的组织分类K－近邻分类法 3、将dl按从小到大的顺序排列，并选取前n个距离值； 4、分析这n个距离值中各有多少个距离分别属于L1，L2，…，LM 类 5、若属于Li类的距离值最多，则被识别象素属于Li类。 若取n=1来进行判断，则称为最近邻法。 6.2.3 基于松弛迭代法的分类 对边界处象素的分类，根据被识别象素的邻域中各象素的概率迭代更新该象素的概率。 算法： 1、初始分类：根据Bayes准则对各类组织计算初始概率Pi0(λ) （n＝0）； 2、计算相容系数r i, i+δ (λ, λ’ ) ； 3、根据8邻域中的象素概率r i, i+δ (λ, λ’ )重新计算Pin+1 (λ); 4、重复（3），直至Pin (λ)＝ Pin+1 (λ)； 5、 Pin (λ)最大则被识别象素属于λ类。 6.3 多谱MR图像分类 6.3.1 基本概念 多谱图像：同一时间获取的同一个人相同解剖结构的Pd、T1、T2加权象。 6.3 多谱MR图像分类 6.3.2 原理 1、人工选取初始分类点，计算各类组织的均值形成初始聚类中心； 2、采用k-近邻法对象素进行分类； 3、迭代校正聚类中心（各类组织的均值）； 4、若收敛，即聚类中心稳定，则迭代结束。 加权距离公式： K＝1，2，…,5 6.4 聚类分割技术 6.4.1 C均值聚类 6.4.2 模糊C均值聚类法 6.4.3 ISODATA算法 6.4.1 C均值聚类法 6.4.2 模糊C均值聚类法 一、原理 6.4.2 模糊C均值聚类法 二、算法步骤 6.4.2 模糊C均值聚类法 二、算法步骤 6.4.2 模糊C均值聚类法 6.4.2 模糊C均值聚类法 6.4.2 模糊C均值聚类法 模糊c均值聚类算法中m表示模糊隶属度的加权指数，m值越大，对应划分的模糊性越强。模糊参数m可以取大于或等于1的任何值。 当m=1时，模糊聚类就退化为硬c均值聚类； 当m→∞时，所有对象聚类的隶属度倾向于c的倒数1/c，此时的划分是最模糊的； m的最佳选择范围为 [1.5，2.5]，通常m=2是比较理想的取值。 6.4.3 ISODATA算法 ISODATA 算法基本步骤： (1)设置聚类分析控制参数； (2)将准备分类的样本值读人； (3)初始化分类，按照与聚类中心距离最小的原则将各样本分类； (4)类分裂，如果在同一类中样本分布太过密 集或者类的数目太过少，这说明在这一空间上一定 还存在不止一个的集群中心，从而需要将该类进行分裂操作，具体来说，就是设置类内各样本分布标准差上限，如果同类中样本距离超过此限度将被分裂，否则保留，然后再次转到第二步； (5)类合并，如果两类相隔太近，说明这两类中的样本分类的必要性不充分，根据一定条件将其合并，具体来说，就是设置