植基於K.ppt

使用K-means及Canny方法原因 腫瘤像素值與其他部位比較較高，使用K-means將項素值較高部分分群出來。 Canny切割沒有方向性且可控制σ ，對腫瘤圖能顯現出較明顯的細節。 植基於K-means及Canny為基礎的腦部腫瘤影像切割法 指導教授:吳明霓 學生姓名:劉濠銘、陳益聖、賴志昇 國 立 台 中 技 術 學 院 大綱 導論 K-means Canny 本文方法 未來展望及結論 1、導論 在臨床醫學應用上，從電腦斷層掃瞄和核磁共振的影像，將器官及腫瘤的輪廓描繪出來。 本研究針對電腦斷層頭部掃描圖，以如何正確將腫瘤邊界切割出來作為主要研究。 從醫療用電腦輔助影像圖成為醫生診斷疾病的工具之後，醫療用圖影像分析及醫療用影像切割方法就逐年進步。 本文最主要的目的： 如何開發更好的演算法及縮短大量醫學影像圖片的判定時間。 2、參考用的影像處理方式 在此部分我們列出本次研究所使用的影像處理方法，對其方法做簡單介紹及影像套用。 (1)K-means分群法 (2)Canny邊緣偵測 2-1、K-means 分群法 K-means 群聚方法是將所有的資料群聚分成 K組資料群聚，並找出位於這些群聚中心點位置之群聚技術。 K-means步驟 1. 假設有K個群組，找出各群組中的群中心。 2. 計算所有資料點到K個群中心之距離，分配所有資料點到距離最近的群中心。 3. 將各個群組中所屬的資料點再次重新計算。 4. 重複2.跟3.步驟，直到所有資料點不再移動為止。 K-means分群法優缺點 優點： 1.時間複雜度小，能將所有需分群的資料做快速分群動作。 2.可依照研究人員需要改變分群數。 缺點： 分群數量需要自行設定，每次做完的分群結果可能造成不完全相同的情況，產生些微誤差。 K-means範例圖 (a)為腫瘤影像，(b)則為(a)使用K-means處理分五群後的影像。 (a) (b) 1.使用高斯濾波器在灰階影像f(a;b)， 得到平滑影像 。 2.使用微分濾波器k(a;b)來計算邊緣強度和方向。 3.高斯濾波器參數σ用來決定邊緣偵測器的大小。 2-2、Canny邊緣偵測 Canny邊緣偵測步驟 1. 以σ為其高斯濾波器對image執行迴旋積。 2. 評測每一像素的區域邊緣的正交方向 3. 應用non-maximal suppression(MNS)方法找 出edges位置。 4. 得到edges強度影像MNMS(a;b)。 二、Canny邊緣偵測步驟 5. 找出高門檻值以及低門檻值然後去跟強度影像像素來做比較。 6. 變化σ重複步驟1到5。 7. 比較多個σ的edge資料，取用最適合的edge影像。 Canny的優點 1.具有良好的偵測能力 2.好的定位能力 3.多重感應 3、本文方法 (a) (b) (c) 本研究使用了九張大腦腫瘤圖來進行研究， 在此僅舉三張不同位置及角度的大腦腫瘤 圖片來做探討。 影像前置處理動作 首先將影像做成灰階，去除色階資料，避免在使用K-means方法分群時因色階因素產生誤差值。 影像前置處理動作(續) 進行K-means方法之後，必須設定顯示用的灰階度。 我們發現將像素值設定為0-255，其保持大腦輪廓的表現及K-means的分群效果為最佳。 Fig.(a) 三群 四群 五群 六群 Fig.(b) 三群 四群 五群 六群 Fig.(c) 三群 四群 五群 六群 三群 四群 五群 六群 Fig.(c) Canny階段 σ=0.5 σ=1.5 σ=2.0 σ=1.0 4、結論與未來展望 結論: 運用K-means及Canny切割後，我們已經將九張樣本圖的腫瘤的位置及大小切割出來，並對模糊、黯淡及過亮的灰階圖片調整灰階度，以方便研究結果，並能快速確認腫瘤位置。 未來展望: 在K-means階段，我們發現腫瘤分群時，在腫瘤內部有些為正常細胞部分因跟腫瘤位置過於接近，因而判斷為相同腫瘤部分，導致Canny找尋邊界時，無法完整將腫瘤找出。