改进FCM算法在医学图像分割方法研究.docVIP

改进FCM算法在医学图像分割方法研究 　　摘要：本文提出使用改进模糊C均值聚类（MFCM）算法和模糊可能性C均值聚类（FPCM）算法的图像分割方法并应用于医学图像分割过程中。MFCM算法是通过调整FCM算法的测量距离来批准标签像素受到其他图像像素和在切分中抑制噪声效果来约束，从而使得成员变量没有最大约束值。基于真实医学图像的实验表明了MFCM算法和FPCM算法在医学图像中进行分割的实际效果，具体是通过对FCM、MFCM、FPCM进行精度对比来验证算法有效性。 　　关键词：FCM聚类算法 MFCM FPCM 医学图像处理 图像分割 　　中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2012）09-0116-03 　　图像分割问题可以看成是一个待分割图像根据性质不同分割成若干精确细分。早期相关文献提出了许多图像分割算法，其中包括直方图技术、区域分割技术、结合区域与边缘的分割技术等[1]。近些年来，图像分割技术已经在医学图像领域广泛应用于诊断疾病方面。 　　图像分割技术在机器视觉、目标跟踪、医学影像[2]中起到重要作用。在医学诊断领域中已经广泛应用在X光放射图片、CT（Computed Tomography）扫描图像和MRI（Magnetic Resonance Imaging）核磁共振图像的分割过程中[3][4]。近些年来，CT扫描在胸部疾病诊断影像检查中是最为有效的方法，例如肺癌、肺结核、肺炎、肺气肿等肺部疾病诊断。随着医学图像尺寸大小和对机器速度需求上升，因此有必要使用计算机辅助诊断系统进行医学图像处理。虽然模糊C均值（Fuzzy C-Means Clustering，FCM）算法应用领域有利于进行自由图像中噪声分割，却不能分割通信噪声、极端值和其他人为差值。 　　本文将提出一种利用改进模糊C均值（MFCM）算法与模糊可能性C均值（Fuzzy Possibilistic C-Means Clustering，FPCM）算法的图像分割新方法。在近期的研究成果中，文献[5]和文献[6]提出了新方法来完善FCM算法，该方法是FCM算法的一种广义扩展。本文的MFCM算法是通过调整FCM算法的测量距离来批准标签像素受到其他图像像素和在切分中抑制噪声效果来进行约束，从而使得成员变量没有最大约束。基于真实医学图像的实验结果表明MFCM算法在医学图像中进行分割的实际效果，实验部分通过对FCM、MFCM、FPCM进行精度对比来证明。 　　本文以下部分组织：第1部分概述了在医学图像分割领域中的有关研究；第2部分描述了FCM算法，然后对本文提出的改进FCM和FPCM算法进行说明；第3部分论述基于真实医学图像的实验结果；第4部分总结本文结果。 　　1、相关研究工作 　　Kenji Suzuki[7]给出了使用大规模训练神经网络（Massive Training Artificial Neural Networks，MTANN）的图像处理方法。为了训练MTANN网络，文献[7]应用线性输出的反向传播（Back-Propagation，BP）算法，生成线性输出的多层神经网络模型。 　　Kazunori Okada[8]提出一种鲁棒性统计估计和验证体系框架，其中归纳在多层X射线和CT扫描图像中肺部几何结构。Ingrid Sluimer[9]提出分段注册方案，此方案中正常的肺部扫描将注册含有病理特征的扫描。Ghosh[10]提出了遗传算法应用于医学图像分割。文献[10]比较遗传分割工具GENIE和纹理提取算法的算法结果。M.Antonelli[11]描述了新的测试肺部结构的方法。Wang[12]提出一种鲁棒医学图像分割算法。自动化图像分割是从像素提取语义的重要中间过程。利用FCM算法对于图像分割来说有效，但是对于FCM算法，在属性特征空间上基于聚类的任务是独有的像素分布，不考虑其空间分布的图像像素。 　　2、各种FCM算法 　　2.1 模糊C均值算法（FCM） 　　FCM算法目标是确定聚类中心和生成类成员矩阵。根据从相似数据点到一个子类，该子类赋予类成员到相似数据点。此矩阵是矩阵：其中为组数，是样品数，为训练集，且是整数。矩阵表示模糊分割区，作为一个聚类的成员，通过预测，能够用于描述的聚类结构。通过利用公式（1）最小化变形测量，对相关矢量进行评价。 　　2.2 改进模糊C均值算法（MFCM） 　　FCM算法的主要弱点是目标函数不考虑空间依赖性。因此，FCM算法处理图像时就像在处理独立像素点。为了减小噪声在图像分割中的影响，本文使用新标准来代替标准距离度量来将本地背景空间和非本地信息通过FCM算法进行融合。非本地信息计算意味算法试图利用图像的高冗余度，成员价值决定图像分割结果。因此，距离测量对成员价值进行预测，该方法修改距离测量参数